超密集网络中基于凝聚式层次聚类算法的资源优化方法

本发明属于互联网，具体涉及一种超密集网络中基于凝聚式层次聚类算法的资源优化方法。

背景技术：

1、为了实现下一代网络(ngn)的诸多性能指标，通信领域的研究人员面临着许多挑战。例如，许多组织和标准机构都建议应将数据流量增加1000倍。为获得额外的传输带宽，研究者们提出了毫米波通信技术；为提高频谱效率，研究者们提出了大规模多输入多输出(mmimo)方法。然而，由于额外的频谱难以支持快速增长的数据流量，从长远来看，小型基站的数量仍将迅速增长，以实现数据速率提高、覆盖范围改善等目标。因此，超密集小蜂窝网络(ultra-dense small cell networks, ud-scns)被认为是未来蜂窝网络的潜在候选者，近年来引起了研究界和工业界的极大关注。在ud-scns中，最重要的挑战之一如何处理实现高效的网络资源管理，该问题在近些年的研究中不断涌现。

2、解决ud-scns中资源分配以提升网络性能的技术方案层出不穷。例如，有研究者提出了一种基于集中式和分布式的密集小蜂窝网络的资源分配方案；采用非合作干扰最小化对策方法研究了scns的共层干扰问题，以最大化资源利用率。为了更好地解决和改进资源分配与干扰问题，有不少研究者对基站之间进行合作或者形成集群的方案进行研究，目的是使基站之间能够进行协调传输。例如，研究者提出了一种基于簇的动态机制，将小基站局部集成到簇中，使scns的能量效率最大化；研究者提出了一种基于联盟博弈的资源分配方法，以实现scn网络的中断补偿；也有研究者将sbs合作表述为具有重叠联盟的联盟形成博弈：每个sbs可以同时加入一个或多个联盟，以减缓同层干扰问题，实现高效资源分配，提升系统性；还有研究者提出了一种基于集群的分布式组网下行传输资源分配方案，也考虑了子信道和功率分配问题。

3、尽管这些研究方案都是基于协作、集群或聚类的概念，但它们有几个缺点：（1）这些方案所考察的大都是在数十甚至数百个小区的大规模小小区部署场景中，它们的收敛速度很慢或没有保证的收敛速度；（2）这些方案的复杂度较高，不太适合大规模网络场景；（3）只考虑最简单的场景，即每个小基站只服务于单个小区用户设备或者终端；（4）大多数方案，对于功率没有做单独的分析或者考虑，而是认为所有的小基站发对所有终端的传输功率是相等的。因此，进一步对ud-scns进行更有效资源分配的研究至关重要。

4、综上所述，目前第五代移动通信技术（5g）已经商业化，成为万物互联（internetof everything，ioe）的关键推动因素。特别是随着移动终端的爆炸性增长，超密集网络的广泛应用，大多数设备需要更高的数据速率。因此，5g超密集网络(ultra-dense networks，udn）资源优化方案亟待改进。

技术实现思路

1、为了解决5g超密集网络中功率和频谱资源分配问题，本发明提出了一种超密集网络中基于凝聚式层次聚类算法的资源优化方法，达到了更高的数据速率的同时，保证了算法性能和计算量之间的平衡。

2、本发明的技术方案如下：

3、一种超密集网络中基于凝聚式层次聚类算法的资源优化方法，包括如下步骤：

4、步骤1、基于下行5g超密集网络构建系统模型，并将系统模型的最大化总数据速率问题规划为一个非线性组合优化问题；

5、步骤2、将非线性组合优化问题分解为功率最优化子问题和层次聚类规划子问题；

6、步骤3、基于拉格朗日对偶理论对功率最优化子问题进行求解，获得最优数据传输功率；

7、步骤4、结合凝聚式层次聚类方法对层次聚类规划子问题进行求解，获得系统最优网络吞吐量。

8、进一步地，步骤1中，构建的系统模型包括核心网、基站控制器、网关、宏基站、典型室内场景、小基站、用户终端；每个小基站服务多个用户终端；用户终端和小基站部署在一个椭圆形的区域内，且均服从参数为的均匀泊松点过程分布；记用户终端的集合为，表示用户终端的序号，表示用户终端的总数；记基站的集合为，表示基站的序号，表示基站的总数；记可用正交频率子信道的集合为，表示可用正交频率子信道的序号，表示可用正交频率子信道的总数。

9、进一步地，步骤1中，每个小基站至少为一个用户终端提供服务，则小基站与所服务的用户终端之间的关联矩阵表示为：

10、 (1)；

11、其中，表示小基站与用户终端之间的关联关系；

12、所有的小基站共享可用的正交频率子信道；每一个小基站随机选择个子信道服务于相应的用户终端；子信道分配矩阵表示为：

13、 (2)；

14、其中，表示子信道与用户终端之间的分配关系；

15、每个用户终端至多只能分配一个子信道，子信道分配约束表示为：

16、 (3)；

17、其中，表示用户终端分配到的子信道数量；

18、当小基站为用户终端提供服务时，信号与干扰加噪声比表示为：

19、 (4)；

20、其中，表示小基站在子信道上服务于用户终端时的发射功率；表示下行链路在子信道上从小基站到用户终端所经历的信道增益；表示加性白高斯噪声；表示不同于当前小基站的其它小基站；表示在子信道上服务于用户终端时的发射功率；表示下行链路在子信道上从到用户终端所经历的信道增益；

21、对于任意子信道，信道增益表示为：

22、 (5)；

23、其中，表示路径损耗系数；表示小基站与用户终端之间的距离，为路径损耗指数；是在子信道上从小基站到用户终端的瑞利衰落；

24、所有用户终端的系统传输数据速率表示为：

25、 (6)。

26、进一步地，步骤1中，构建的非线性组合优化问题表示为式（7），用表示：

27、 (7)；

28、其中，表示系统可获得的最大数据速率；表示所有小基站传输功率的集合，为小基站的传输功率；、分别表示不同的优化变量；表示第个聚类；表示小基站可使用的信道集合；表示由小基站提供服务的其中一个用户终端；表示由小基站提供服务的所有用户终端集合；表示小基站在子信道上服务于用户终端时的时间占比；表示的限定范围，取值范围在和之间，表示小基站的传输功率最小值，表示小基站的传输功率最大值；表示限定信噪比的取值，为避免中断，任一用户终端的信噪比均需满足最小信噪比的要求；和表明每个小基站仅且只为一个用户终端提供服务；和表示一个用户终端仅且只能分配到一个子信道。

29、进一步地，步骤3中，首先将功率最优化子问题重新表述为：

30、 (10)；

31、其中，是引入的辅助参数，为辅助参数集合表示需满足最小信噪比的要求；表示辅助参数的值大于干扰与噪声之和；

32、然后引入对偶乘子和分别对应于和，将子问题表示为拉格朗日方程，具体计算公式如下：

33、（11）；

34、采用次梯度优化方法，得：

35、（12）；

36、（13）；

37、（14）；

38、（15）；

39、其中，表示第次迭代后所获得的参变量之值；表示第次迭代后所获得的参变量之值，该值与欲求得的目标最大值成自然对数关系；表示在该式中的所有变量之值均是在第次迭代时的取值；符号表示作用域之外；表示第次迭代后所获得的参变量之值；表示第次迭代后所获得的参变量之值，该值与欲求得的目标最大值成自然对数关系；是步长；和分别表示第次和第次迭代后所获得的对偶乘子之值；符号表示一个非负的实数；和分别表示第次和第次迭代后所获得的对偶乘子之值；

40、最后获得所有小基站的最优传输功率集合：

41、 (16)；

42、其中，为小基站所获得的最优传输功率；表示该最优传输功率是在第次迭代时获得的。

43、进一步地，步骤4中，将层次聚类规划子问题表示为：

44、 (17)；

45、采用凝聚式层次聚类方法对进行求解，设参与者是所有小基站的集合、所有聚类的联盟集合，其中是第个聚类，为第个聚类，为聚类的总个数。

46、进一步地，采用凝聚式层次聚类方法对进行求解的过程如下：

47、步骤4.1、初始化，具体为：设所有参与者的初始联盟生成结构为，采用公式（6）获得每一个参与者的传输数据速率；

48、步骤4.2、生成第0层矩阵，具体为：

49、步骤4.2.1、当联盟形成矩阵的迭代层数时，针对每一个小基站根据如下公式计算其在非合场景下的聚类形成函数：

50、 (18)；

51、其中是集合上的一个联盟结构生成，，是联盟的个数；为第个联盟集合；表示联盟集合的效用；

52、用来代替，定义为一个聚类形成函数，通过下面的式子进行计算：

53、 (19)；

54、 (20)；

55、其中，表示联盟形成后的信号与干扰加噪声比；表示不同于的其它联盟；

56、给定一个，考虑两个聚类和，可能生成的聚类集合有或、；在此情形下，用可能生成的聚类增益来表示所有参与者的最优联盟，定义如下：

57、 (21)；

58、其中，表示聚类联盟集合的效用值；表示聚类联盟集合的效用值；表示聚类联盟集合的效用值；

59、步骤4.2.2、定义一个聚类形成矩阵，表示联盟形成矩阵的迭代层数；聚类形成矩阵是一个对称矩阵，存储在形成的过程中生成的每一个值；聚类形成矩阵中的每一个值需要基于聚类形成函数不断地迭代和更新；

60、步骤4.2.3、根据聚类形成矩阵，生成一个参与者或者聚类的连接矩阵，连接矩阵是一个主对角线对称的0-1元素矩阵，且该矩阵不考虑主对角线上的元素值，表示为：

61、 (22)；

62、步骤4.3、迭代生成所有参与者的最优联盟，具体为：对联盟形成矩阵的迭代层数每增加一层，判断两个不同的小基站与之间聚类的连接矩阵是否为1，如果，则更新两个不同的小基站与之间下一迭代层的聚类形成矩阵，同时提取下一迭代层的聚类形成矩阵中最大值的行列号，最后再对所有的小基站 按照步骤3中得出的所有小基站的最优传输功率集合和公式(18)、公式(19)更新聚类形成函数，直到聚类形成函数中所有的值小于或等于0，则迭代过程中止，此时得到系统最优网络吞吐量。

63、本发明所带来的有益技术效果如下。

64、1、超密集网络对每一个基站进行“个性化”设定其相对最优的传输功率，而不是简单的给定一个确切的传输功率值，从而达到网络吞吐量一定程度上提升的目的；

65、2、对于各个基站的协作式工作规则进行了明确，并给出了具体的实例详解，即在最优传输功率的基础之上，通过凝聚式层次聚类方法的引入进一步对频谱资源进行有效合理地分配，从而实现数据速率的提升；

66、3、优化了计算复杂度上；为平衡系统性能与计算量之量的关系，针对超密集网络，本发明中所生成的联盟中不超过3个聚类，这样既可在一定程度上保证系统网络吞吐量的最大化，也可使算法本身的计算量在一个完全可接收的范围内。