认知网络中最大化主用户收益的定价方法

摘要

本发明公开认知网络中一种最大化主用户收益的方法，包括：初始化次用户功率；根据次用户初始化功率判断是否满足次用户的最大干扰功率限制，如果条件满足，给出主用户的定价方法，方法结束；否则，进入下一步；针对第二步次用户初始化功率不满足最大干扰功率限制情况，迭代搜索次用户功率；第四步：通过遍历第三步迭代搜索获得的次用户功率，找到一组最大化主用户收益的次用户的功率，根据该功率，主用户给出定价。本发明在主用户知道次用户对于自己干扰信道信息的情况下，通过至多n次迭代就可以搜索到主用户的最优定价，在每次搜索时的次用户功率通过解析表达式计算获得，具有搜索速度快、实用性和可行性强的优点。

说明书

技术领域

本发明涉及频谱资源管理技术领域，具体是认知网络中最大化主用户收益的定价方 法。

背景技术

在频谱共享情况下，主用户可以通过对次用户造成的干扰进行收费而允许次用户采 用适当的功率接入自身频谱。对于主用户，首先为了保证自身的服务质量，需要对于每 个次用户采用合理的定价方法使得次用户对其造成的总干扰小于一定的门限；同时，由 于价格影响次用户的需求，为了最大化自己收益，主用户需要采用一种较好的定价方法。 因此，为了保证次用户接入时的干扰不影响主用户的正常通信和最大化主用户的收益， 需要主用户对于各个次用户造成的干扰进行合理的定价。由于主用户的定价太低会造成 次用户的干扰过大，从而大于主用户的干扰门限；主用户的定价过高，降低了次用户的 购买需求，从而使得自身的收益减少。所以，需要一种较好的定价方法在保证主用户服 务质量的前提下，最大化户主用户的收益。

近年来，在认知网络中将定价方法来最大化主用户收益进行研究正受到越来越多的 关注。对现有文献检索发现，相关文献如下：

Hui Yu等人在《2010 IEEE Transactions on Vehicular Technology,May.2010, vol.59,no.4,pp.1769–1778.》上发表了题为“Pricing for uplink power control  in cognitive radio networks”的文章。该文章中次用户可以租借主用户的频谱，在 一定干扰门限下容许次用户接入。该模型由于主用户最大化效用函数式非凸的，文章将 主用户的策略设定成一定的线性比例关系，然后将主用户的收益问题转化为一个单变量 的优化问题来求解出一组定价，然而该方法只能获得一个次优的定价算法。

Yuan Wu等人在《2011 IEEE Transactions on Wireless Communications,Jan.2011, vol.10,no.1,pp.12-19.》上发表了题为“Joint Pricing and Power Allocation  for Dynamic Spectrum Access Networks with Stackelberg Game Model”的文章。该 文章提出了一种新的定价模型，该模型考虑到保证主用户服务质量，将认知网络中联合 定价和功率控制的问题建模为Stackelberg博弈问题，提出了一种低复杂度的启发算法 来最大化主用户的收益。

由相关研究可知，为了最大化主用户的收益，同时满其服务质量，需要主用户对于 次用户采用一个较合理的定价方法。本发明基于主用户的效用函数关于干扰功率的单调 性，将主用户收益的非凸问题转化为一个等价凸问题，提出了一种最大化主用户收益的 定价方法。

发明内容

本发明针对现有的认知网络中主用户的定价方法不能保证最大化主用户收益的不 足，提供了一种最大化主用户收益的定价方法。本发明能够使得主用户在知道次用户的 链路信道信息和速率的偏好权重的情况下，通过一种迭代的方法来实现最大化主用户收 益。该定价方法在保证次用户对于主用户的干扰小于给定的干扰门限的前提下，找到最 大化主用户收益的最优解，比传统基于线性比例的定价方法提高了主用户的收益，并增 加了次用户网络的总的收益和吞吐量。

根据本发明的一个方面，提供一种认知网络中最大化主用户收益的定价方法包括如 下具体步骤：

第一步：初始化次用户功率；

第二步：根据次用户初始化功率判断是否满足次用户的最大干扰功率限制，如果条 件满足，给出主用户的定价方法，方法结束；否则，进入第三步；

第三步：针对第二步次用户初始化功率不满足最大干扰功率限制情况，迭代搜索次 用户功率；

第四步：通过遍历第三步迭代搜索获得的次用户功率，找到一组最大化主用户收益 的次用户的功率，根据该功率，主用户给出定价。

优选地，在第一步中，具体地，初始化各个次用户i的发射功率p_i： $p_i=\frac{1}{L-1}\max (\sqrt{\frac{{\mathrm{Lw}}_i(T+{\sigma }^2)}{\lambda }}-(T+{\sigma }^2),0)/h_i,i=1,···,n,$

其中，w_i为次用户i的偏好因子，n为次用户的个数，L是认知用户的扩频增益，T 是主用户的干扰门限，h_i是次用户i到基站处的信道增益，σ²是背景噪声；参数λ通过 方程$\frac{1}{L-1}\underset{i=1}{\overset{n}{\Sigma }}\max (\sqrt{\frac{{\mathrm{Lw}}_i(T+{\sigma }^2)}{\lambda }}-(T+{\sigma }^2),0)=T$给出；初始化迭代次数k＝1。

优选地，在第二步中，具体地，如果对于所有的i∈{1,…,n},条件h_ip_i≤P_max，成 立，其中P_max为每个次用户最大干扰功率，主用户的定价为： 次用户的发射功率i＝1,…,n,定价结束；如果条件不 成立，转到第三步。

优选地，在第三步中，具体地，对于所有小于的k值时，令 i＝k-1,j＝1,…,i-1，第k次迭代次用户j的功率由等式 $p_{\mathrm{jk}}^{*}=\max (\frac{\sqrt{\frac{{\mathrm{Lw}}_j(T+{\sigma }^2)}{\lambda }}-(T_k+{\sigma }^2)}{L-1},0)/h_j,j\ge i$确定；其中参数T_k通过方程组

$\left(\begin{array}{c}\underset{i=k}{\overset{n}{\Sigma }}\max (\frac{\sqrt{\frac{w_i{a}_k}{\lambda }}-a_k}{b},0)=T_k\\ \max (\frac{\sqrt{\frac{w_j{a}_k}{\lambda }}-a_k}{b},0)=p_{\max }\end{array}\right),$

获得，更新迭代次数到k+1次，其中，该方程组中

优选地，在第四步中，具体地，主用户定价为：i＝1,…,n，其中为次用户i的在主用户最优定价下对应的最佳发射功率： 其中，为第j次迭代次用户i的 功率,为第k次迭代次用户i的功率。

与现有技术相比，本发明的有益效果是：本发明通过主用户的最优性条件来搜索最 大化主用户收益的定价策略，较传统的基于线性比例约束的定价方法而言可以找到最大 化主用户收益的定价，而不是一组次优的定价。本发明所提供的方法在提高了主用户的 收益的同时，还可以提高次用户的收益和吞吐量。由于算法具有解析表达式，因此执行 速度快，具有较好的可行性和实用性。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特 征、目的和优点将会变得更明显：

图1为根据本发明提供的认知网络中最大化主用户收益的定价方法的流程图；

图2为本发明在干扰功率门限从0增加到20时的主用户收益曲线图；

图3为本发明在干扰功率门限从0增加到20时的次用户总收益曲线图；

图4为本发明在干扰功率门限从0增加到20时的次用户和速率曲线图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提 下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下 述的实施例。

本实施例为最大化主用户收益的定价方案，背景噪声为零均值的高斯白噪声取值 σ²＝10，次用户的扩频增益L＝32，次用户的链路增益h是满足[0,1]上的均匀分布,次 用户的偏好因子是[0,300]的均匀分布，结果通过10⁴次仿真进行平均。

第一步，初始化各个次用户的发射功率： $p_i=\frac{1}{L-1}\max (\sqrt{\frac{{\mathrm{Lw}}_i(T+{\sigma }^2)}{\lambda }}-(T+{\sigma }^2),0)/h_i,i=1,···,n,$其中：w_i为次用户i的偏好因 子，n为次用户的个数，L是认知用户的扩频增益，T是主用户设定的干扰门限，hi是次 用户i到基站处的信道增益，σ²是背景噪声。λ是方程： $\frac{1}{L-1}\underset{i=1}{\overset{n}{\Sigma }}\max (\sqrt{\frac{{\mathrm{Lw}}_i(T+{\sigma }^2)}{\lambda }}-(T+{\sigma }^2),0)=T$的解。初始化迭代次数k＝1。

第二步，如果对于所有的i∈{1,…,n},有h_ip_i≤P_max成立，其中P_max为每个次用户到 基站的最大接收功率，那么次用户的定价为：次用户的发 射功率为：i＝1,…,n,定价结束。否则，转到第三步。

第三步：当时，令i＝k-1,j＝1,…,i-1。第k次 迭代次用户j的功率由等式

$p_{\mathrm{jk}}^{*}=\max (\frac{\sqrt{\frac{{\mathrm{Lw}}_j(T+{\sigma }^2)}{\lambda }}-(T_k+{\sigma }^2)}{L-1},0)/h_j,j\ge i$确定；

其中，T_k是方程组：

$\left(\begin{array}{c}\underset{i=k}{\overset{n}{\Sigma }}\max (\frac{\sqrt{\frac{w_i{a}_k}{\lambda }}-a_k}{b},0)=T_k\\ \max (\frac{\sqrt{\frac{w_j{a}_k}{\lambda }}-a_k}{b},0)=p_{\max }\end{array}\right),$

的解，更新迭代次数到k+1次，其中，该方程组中

第四步：令那么次用户的发射功率为： $p_i^{*}=p_{\mathrm{ij}}^{*},$主用户的定价为：${\lambda }_i^{*}=\frac{{\mathrm{Lw}}_i}{{\Sigma }_{j\ne i}{h}_j{p}_j^{*}+{\sigma }^2+{\mathrm{Lh}}_i{p}_i^{*}},i=1,···,n.$

所述次用户初始化功率为：$p_i=\frac{1}{L-1}\max (\sqrt{\frac{{\mathrm{Lw}}_i(T+{\sigma }^2)}{\lambda }}-(T+{\sigma }^2),0)/h_i,,$i＝1,2,…,n.T为主用户干扰门限，L是次用户扩频增益，h_i为次用户i到基站的信道增 益,σ²为背景噪声。其中λ通过方程：$\frac{1}{L-1}\underset{i=1}{\overset{n}{\Sigma }}\max (\sqrt{\frac{{\mathrm{Lw}}_i(T+{\sigma }^2)}{\lambda }}-(T+{\sigma }^2),0)=T$给 定。

所述主用户的最优定价准则为：如果对于所用次用户到基站功率小于P_max，那么主 用户的定价为：其中：为次用户i的发射功率。如果有至 少一个次用户到基站功率大于P_max，那么通过如下迭代搜索获得可能的最优发射功率。

所述迭代搜素如下：

当时，令i＝k-1,j＝1,…,i-1.

$p_{\mathrm{jk}}^{*}=\max (\frac{\sqrt{\frac{{\mathrm{Lw}}_j(T+{\sigma }^2)}{\lambda }}-(T_k+{\sigma }^2)}{L-1},0)/h_j,j\ge i.$

其中T_k是方程组：

$\left(\begin{array}{c}\underset{i=k}{\overset{n}{\Sigma }}\max (\frac{\sqrt{\frac{w_i{a}_k}{\lambda }}-a_k}{b},0)=T_k\\ \max (\frac{\sqrt{\frac{w_j{a}_k}{\lambda }}-a_k}{b},0)=p_{\max }\end{array}\right),$

的解，其中，该方程组中更新迭代次数到k+1次；

所述主用户的最佳定价为:${\lambda }_i^{*}=\frac{{\mathrm{Lw}}_i}{{\Sigma }_{j\ne i}{h}_j{p}_j^{*}+{\sigma }^2+{\mathrm{Lh}}_i{p}_i^{*}},i=1,···,n,$其中为 次用户的最优发射功率，j的取值为：

在本实施例中，图2给出了分别采用比例线性定价方法和本实施例方法得到的主用 户收益曲线图；图3是分别采用比例线性定价方法和本实施例方法得到的次用户总收益 曲线图；图4是分别采用比例线性定价方法和本实施例方法得到的次用户和速率曲线图。 由图2可见：所提实施方法较比例线性定价方法获得了更高的主用户收益。由图3可见： 所提方法较比例线性定价方法获得的次用户的总收益更高，由图4可见：所提方法较比 例线性定价方法获得的次用户的和速率更高。结合图2、图3、图4可知所提方法比传 统的基于代价方法提升认知网络的和速率。该方法获得了主用户的最优定价策略，所提 方法能够有效地解决认知网络中基于定价的功率控制等相关问题。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特 定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影 响本发明的实质内容。