一种云无线接入网络下联合下行波束成形和小区附着的方法

摘要

本发明公开了一种云无线接入网络下联合下行波束成形和小区附着的方法，属于移动通信领域；具体包括：步骤一、针对某个下行的云无线接入网，建立用户，RRH和BBU pool的系统模型；步骤二、BBU pool感知系统模型的网络信息；步骤三、每个用户根据就近原则，分别通过RRH向BBU pool发送业务请求；步骤四、BBU pool根据业务请求类型，分别为每个用户设定最低的SINR门限；并测量每个RRH到每个用户的信道信息；步骤五、BBU pool根据最低SINR门限、信道信息以及感知的网络信息，使用启发式算法计算下行波束成形向量以及小区附着。优点在于：联合下行波束成形和小区附着可以有效的降低网络能耗，达到节能的目标，同时保证用户的服务质量。

说明书

技术领域

本发明属于移动通信领域，具体涉及一种云无线接入网络下联合下行波束成形和小区附着的方法。

背景技术

云无线接入网(Cloud Radio Access Network，C-RAN)是5G的有力候选网络架构，如图1所示，通过把传统的基站分离为离用户更近的射频拉远单元(RRH，Remote RadioHead)和集中在一起的基带处理单元池(BBU pool，Baseband Processing Unit pool)，其中，RRH负责向用户发送BBU pool处理的数据，或者接收用户的数据交由BBU pool处理；BBUpool为C-RAN中的中心处理单元，负责信息的收集、处理等工作；实现了基带信息集中式处理、协作无线电以及实时云计算，从而大大提升了系统频谱效率，降低成本，共享处理资源，提高基础设施利用率。

然而，随着用户数量的增加以及用户需求的不断提升，需要部署大量的RRH，使得网络能耗(包括RRH的发射能耗和电路能耗)急剧增加。RRH的发射能耗由下行波束成形向量决定，RRH的电路能耗(即RRH是激活还是休眠)与小区附着状态密切相关。此外，随着移动用户的增加，由于fronthaul(前向链路，连接BBU pool与RRH之间的链路，负责承载BBU pool和RRH间的基带信号)中传输的是数字基带信号，信息量较大，因此，fronthaul容量受限成为制约C-RAN性能提升的一个重要因素。

需要注意的是，fronthaul中的信息量与该RRH服务的用户相关，即由小区附着状态决定。所以，需要在fronthaul受限的C-RAN中联合考虑下行波束成形和小区附着，以降低网络能耗。

文献1：针对绿色云无线接入网的组稀疏波束成形方法，通过最小化加权l₁/l₂范数，提出了一种基于组稀疏的联合波束成形和小区附着方法，以降低C-RAN的网络能耗；但是，未能考虑fronthaul容量受限的问题，使得该方案无法应用于实际的网络中；

文献2：针对前向链路受限的云无线接入网的联合波束成形和接入控制方案，提出了一种发射能耗以及fronthaul传输信息量的折衷方案，并提出一种基于加权l₁范数的启发式求解算法；该方案仅专注于降低传输能耗，未考虑电路能耗因素，即小区附着状态，因此，该方案无法真正有效的降低网络能耗。

发明内容

本发明为了更好的降低RRH的发射能耗和电路能耗，并且考虑到现实通信网络中存在fronthaul容量限制的因素，提出一种云无线接入网络下联合下行波束成形和小区附着的方法。

具体步骤如下：

步骤一、针对某个下行的云无线接入网，建立用户，RRH和BBU pool的系统模型；

系统模型包括：N个RRH，I个用户和一个BBU pool；每个RRH分别各通过一个fronthaul链路连接入BBU pool中；每个RRH为至少一个用户提供服务或者不为任何用户服务，一个用户至少对应一个RRH；

RRH集合为{1,2,...,n,...,N}；用户集合为{1,2,...,i,...,I}；N个fronthaul链路的容量集合为{C₁,C₂,...,C_n,...,C_N}。

步骤二、BBU pool感知系统模型的网络信息；

网络信息包括RRH的数量，以及各RRH对应的fronthaul链路能服务的最大用户数量；

每个fronthaul链路根据介质不同，能服务的最大用户数量不同。

步骤三、每个用户根据就近原则，分别通过RRH向BBU pool发送业务请求。

步骤四、BBU pool根据业务请求类型，分别为每个用户设定最低的SINR门限；并测量每个RRH到每个用户的信道信息；

h_n,i表示第n个RRH到第i个用户的信道信息。

步骤五、BBU pool根据最低SINR门限、信道信息以及感知的网络信息，使用启发式算法计算下行波束成形向量以及小区附着。

具体步骤如下：

步骤501、BBU pool对N个RRH进行初始化；

初始化包括：每个RRH处于激活状态，且为所有的用户提供服务；初始时处于连接状态的RRH-用户对V；以及初始时的网络最低能耗F^(min)及其对应的网络波束成形向量且满足F^(min)＝+∞，

具体为：

第n个RRH处于激活状态，记为a_n＝1；否则，RRH处于休眠状态，记为a_n＝0；

每个RRH为所有的用户提供服务：b_n,i＝1表示第n个RRH为用户i传输数据；b_n,i＝0表示第n个RRH不为用户i传输数据；

RRH-用户对用表示；

网络能耗F(Φ)表示为：

为第n个RRH休眠状态时的电路能耗；为第n个RRH激活状态时的电路能耗；η_n为第n个RRH的射频功率放大器效率；表示第n个RRH的发射功率最大值；w_n,i为第n个RRH中用户i的波束成形向量；其中表示向量w_n,i的欧几里得范数的平方；

步骤502、BBU pool将所有的RRH-用户对V按优先级进行升序排列；

第n个RRH中用户i的优先级β_n,i公式计算如下：

$>{\beta }_{n,i}=\frac{|h_{n,i}^H{w}_{n,i}^i{|}^2}{\underset{j\ne i}{\Sigma }|h_{n,j}^H{w}_{n,i}^i{|}^2}·\frac{C_n{\eta }_n}{P_n^a}$>

表示信道信息h_n,i的共轭转置；表示松弛的波束成形向量；表示RRH-用户对(n,i)的有用信号功率，表示RRH-用户对(n,i)对其他所有用户的干扰之和；表示了第n个RRH的情况。

松弛的波束成形向量要满足使网络能耗F(Φ)最小，且符合以下约束条件：

$>\underset{\Phi =\{a_n,b_{n,i},w_{n,i},\forall n\in N,\forall i\in I\}}{min}F\left(\Phi \right)$>

$>s.t.\underset{i=1}{\overset{I}{\Sigma }}\left|\right|w_{n,i}|{|}^2\le P_n^{\max },n\in N---\left(S1\right)$>

SINR_i≥γ_i,i∈I>

$>\underset{i=1}{\overset{I}{\Sigma }}{b}_{n,i}^{\left(k\right)}\le a_n^{\left(k\right)}{C}_n,\forall n\in N---\left(S3\right)$>

$>\left|\right|w_{n,i}|{|}_2\le b_{n,i}\sqrt{P_n^{max}},\forall n\in N,\forall i\in I---\left(S4\right)$>

$>a_n\in [0,1],b_{n,i}\in [0,1],\forall n\in N,\forall i\in I---\left(S5\right)$>

约束条件(S1)表示：第n个RRH中所有用户的发射功率小于等于第n个RRH的发射功率最大值；

约束条件(S2)表示第i个用户的信干噪比大于等于BBU Pool为该用户设定的最低门限值γ_i；

约束条件(S3)表示第n个RRH所服务的用户数量小于等于第n个fronthaul链路的容量；

约束条件(S4)表示第n个RRH向第i个用户的发射功率要小于第n个RRH的发射功率最大值；

约束条件(S5)表示变量a_n,b_n,i取值均为0到1之间的实数；

步骤503、BBU pool对升序排列后的RRH-用户对V进行迭代求解，得到最终网络能耗F(Φ)以及波束成形向量w_n,i；

具体步骤如下：

步骤5031、判断RRH-用户对V是否为空集，如果是，迭代结束，否则进入步骤5032；

步骤5032、选取集合V中的第一个RRH-用户对(p,q)，令b_p,q＝0，同时其余RRH-用户对对应的b值保持不变；

步骤5033、根据集合V中的RRH-用户对的b_p,q设置对应的a_p值，并在RRH-用户对V中删除元素(p,q)；

步骤5034、判断每个RRH是否都满足约束条件：如果不满足，当前迭代次数k＝k+1，返回步骤5031进行下一次迭代；否则，进入步骤5035；

步骤5035、根据当前所有RRH-用户对的所有b值以及对应的a值，计算第k次迭代的网络能耗网络能耗F^(k)以及对应的波束成形向量

$>\underset{\Phi =\{a_n,b_{n,i},w_{n,i},\forall n\in N,\forall i\in I\}}{min}F\left(\Phi \right)$>

$>s.t.\underset{i=1}{\overset{I}{\Sigma }}\left|\right|w_{n,i}|{|}^2\le P_n^{\max },n\in N---\left(S1\right)$>

满足的约束条件为：SINR_i≥γ_i,i∈I>

$>\underset{i=1}{\overset{I}{\Sigma }}{b}_{n,i}\le a_n{C}_n,\forall n\in N---\left(S3\right)$>

$>\left|\right|w_{n,i}|{|}_2\le b_{n,i}\sqrt{P_n^{max}},\forall n\in N,\forall i\in I---\left(S4\right)$>

步骤5036、判断网络能耗F^(k)是否小于F^(min)，如果是，则F^(k)为当前最低能耗，记录F^min＝F^(k)，进入步骤5037；否则，设置b_p,q＝1，a_p＝1，并返回步骤5031。

步骤5037、直至将集合V中的RRH-用户对全部迭代完毕，得到最终的F(Φ)以及对应的波束成形向量w_n,i；

最终F(Φ)的取值为F^(min)，且对应的波束成形向量w_n,i的取值为

步骤504、针对第n个RRH，C-RAN根据迭代波束成形向量w_n,i，计算该RRH的发送数据x_n；

$>x_n=\underset{i=1}{\overset{I}{\Sigma }}{w}_{n,i}{s}_i,\forall n\in N$>

s_i表示用户i请求的数据；

步骤505、fronthaul链路将数据x_n传输给RRH对应的用户，用户得到请求数据s_i；

步骤506、用户小区根据RRH进行附着，结合波束成形向量保证系统模型能耗最低。

本发明的优点在于：

1)、一种云无线接入网络下联合下行波束成形和小区附着的方法，联合下行波束成形和小区附着可以有效的降低网络能耗，达到节能的目标，同时保证用户的服务质量。

2)、一种云无线接入网络下联合下行波束成形和小区附着的方法，在设计时充分考虑了实际中可能遇到的问题，例如最大功率受限、fronthaul容量受限等，易于在现实的网络中得到应用。

3)、一种云无线接入网络下联合下行波束成形和小区附着的方法，可以在多项式时间内完成求解，处理速度快。

附图说明

图1为本发明一种云无线接入网络下联合下行波束成形和小区附着的系统模型图；

图2为本发明一种云无线接入网络下联合下行波束成形和小区附着的方法流程图；

图3为本发明BBU pool计算下行波束成形向量以及小区附着的方法流程图；

图4为本发明BBU pool进行紧缩的迭代求解得到波束成形向量的方法流程图；

图5为本发明与LTE-A算法下平均网络能耗随γ_i的变化图；

图6为本发明与LTE-A算法下平均激活RRH数量随γ_i的变化图。

具体实施方式

下面将结合附图对本发明作进一步的详细说明。

现有网络能耗中，电路能耗占了很大比例，因此在考虑网络节能问题时很有必要引入小区附着技术，以控制基站(或RRH)的状态(激活或者休眠)。相比于现有方案，本发明提出了一种联合联合下行波束成形和小区附着的方法，首先介绍网络系统模型，接着描述联合下行波束成形和小区附着的具体方法，最后给出该方法的性能仿真；以有效的降低发射能耗及电路能耗，同时兼顾了用户的服务质量需求、最大传输功率限制以及fronthaul的容量限制，有效的降低了网络能耗；并提出了一种基于紧缩的低复杂度求解方法，可在多项式时间内完成求解，加快了处理速度。

如图2所示，具体步骤如下：

步骤一、针对某个下行的云无线接入网，建立用户，RRH和BBU pool的系统模型；

如图1所示，下行的C-RAN系统模型包括：N个多天线RRH，I个单天线用户和一个BBUpool；每个RRH分别各通过一个fronthaul链路连接入BBU pool中；每个RRH激活状态时可以服务一个或多个用户，休眠状态时不为任何用户服务，一个用户至少接收一个RRH的服务；

RRH集合为{1,2,...,n,...,N}；用户集合为{1,2,...,i,...,I}；N个fronthaul链路的容量集合为{C₁,C₂,...,C_n,...,C_N}；每个容量为每个fronthaul链路承载的用户数量，即每个RRH服务的用户最大数，是常数。

其中，第n个RRH有m_n根天线，定义为第n个RRH中用户i的波束成形向量；

步骤二、BBU pool感知系统模型的网络信息；

网络信息包括RRH的数量，以及各RRH对应的fronthaul链路能服务的最大用户数量；

每个fronthaul链路根据介质不同，能服务的最大用户数量不同。

由于用户基带信号数据量较大，因此由BBU pool到RRH的fronthaul所能承载的用户信息是有限的。将RRH服务的用户数量作为fronthaul的负载。假设第n个RRH的fronthaul最多服务C_n个用户，则第n个RRH的fronthaul容量约束表示为：

步骤三、每个用户根据就近原则，分别通过RRH向BBU pool发送业务请求。

步骤四、BBU pool根据业务请求类型，分别为每个用户设定最低的SINR门限；并测量每个RRH到每个用户的信道信息；

h_n,i表示第n个RRH到第i个用户的信道信息。

假设各用户数据已经噪声相互独立，则用户i的接收信噪比表示为：

$>{\mathrm{SINR}}_i=\frac{|\underset{n=1}{\overset{N}{\Sigma }}{h}_{n,i}^H{w}_{n,i}{|}^2}{\underset{j\in I,j\ne i}{\Sigma }|\underset{n=1}{\overset{N}{\Sigma }}{h}_{n,i}^H{w}_{n,j}{|}^2+{\sigma }_i^2},\forall i\in I$>

表示信道信息h_n,i的共轭转置；w_n,i为第n个RRH中用户i的波束成形向量；w_n,j为第n个RRH中用户j的波束成形向量；为噪声功率，在带宽确定的情况下是一个常数。

BBU Pool为用户i设定的最低门限值为γ_i；γ_i为第i个用户的最低接收端信干噪比，由该用户所申请的业务类型决定，是一个常数。

用户请求的业务需要服务质量的保证，将用户i的服务质量约束SINR_i大于门限值γ_i，则服务质量约束表示为：SINR_i≥γ_i,i∈I。

步骤五、BBU pool根据最低SINR门限、信道信息以及感知的网络信息，使用启发式算法计算下行波束成形向量以及小区附着。

如图3所示，具体步骤如下：

步骤501、BBU pool对N个RRH进行初始化；

初始化包括：每个RRH处于激活状态，且为所有的用户提供服务；初始时处于连接状态的RRH-用户对V；以及初始时的网络最低能耗F^(min)及其对应的网络波束成形向量且满足F^(min)＝+∞，可知初始时的F^(min)大于等于任意一次迭代的解。

具体为：

a_n代表第n个RRH的状态；当第n个RRH处于激活状态，记为a_n＝1；否则，RRH处于休眠状态，记为a_n＝0；

每个RRH为所有的用户提供服务；b_n,i表示第n个RRH与用户i的连接状态；b_n,i＝1表示第n个RRH为用户i传输数据；b_n,i＝0表示第n个RRH不为用户i传输数据；

a_n，b_n,i，w_n,i存在以下逻辑关系：a_n＝0则b_n,i＝0必然成立；b_n,i＝0则w_n,i＝0必然成立。

RRH-用户对用表示；

网络能耗F(Φ)表示为：Φ指变量的集合：

为第n个RRH休眠状态时的电路能耗；为第n个RRH激活状态时的电路能耗；

则第n个RRH的能耗表示为：

$>P_n=a_n(P_n^a+\frac{1}{{\eta }_n}\underset{i=1}{\overset{I}{\Sigma }}|\left|w_{n,i}\right|{|}_2^2)+(1-a_n)P_n^s=P_n^s+a_n{P}_n^{ams}+\frac{1}{{\eta }_n}\underset{i=1}{\overset{I}{\Sigma }}\left|\right|w_{n,i}|{|}_2^2$>

η_n为第n个RRH的射频功率放大器效率；为第n个RRH处于激活状态时的总能耗，为第n个RRH处于休眠状态时的总能耗；

表示第n个RRH的发射功率最大值；w_n,i为第n个RRH中用户i的波束成形向量；其中表示向量w_n,i的欧几里得范数的平方；

对于第n个RRH来说，发射功率最大值约束表示为下式：

$>\underset{i=1}{\overset{I}{\Sigma }}\left|\right|w_{n,i}|{|}^2\le P_n^{max},n\in N$>

步骤502、BBU pool将所有的RRH-用户对V按优先级进行升序排列；

第n个RRH中用户i的优先级β_n,i公式计算如下：

$>{\beta }_{n,i}=\frac{|h_{n,i}^H{w}_{n,i}^r{|}^2}{\underset{j\ne i}{\Sigma }|h_{n,j}^H{w}_{n,i}^r{|}^2}·\frac{C_n{\eta }_n}{P_n^a}$>

表示信道信息h_n,i的共轭转置；表示松弛的波束成形向量；表示RRH-用户对(n,i)的有用信号功率，表示RRH-用户对(n,i)对其他所有用户的干扰之和，表示了第n个RRH的情况。显然，有用信号越强，干扰越弱，RRH的fronthaul容量越大，射频功率放大器效率越高，自身电路能耗越低的RRH-用户对应该具有更高的优先级；接着，对V中所有RRH-用户对按优先级进行升序排列。

松弛的波束成形向量要满足使网络能耗F(Φ)最小，且符合以下约束条件：

$>\underset{\{a_n,b_{n,i},w_{n,i},\forall n\in N,\forall i\in I\}}{min}F\left(\Phi \right)$>

$>s.t.\underset{i=1}{\overset{I}{\Sigma }}\left|\right|w_{n,i}|{|}^2\le P_n^{\max },n\in N---\left(S1\right)$>

SINR_i≥γ_i,i∈I>

$>\underset{i=1}{\overset{I}{\Sigma }}{b}_{n,i}^{\left(k\right)}\le a_n^{\left(k\right)}{C}_n,\forall n\in N---\left(S3\right)$>

$>\left|\right|w_{n,i}|{|}_2\le b_{n,i}\sqrt{P_n^{max}},\forall n\in N,\forall i\in I---\left(S4\right)$>

$>a_n\in [0,1],b_{n,i}\in [0,1],\forall n\in N,\forall i\in I---\left(S5\right)$>

约束条件(S1)表示：第n个RRH中所有用户的发射功率小于等于第n个RRH的发射功率最大值，其中表示第n个RRH中所有用户的波束成形向量的欧几里得范数平方之和；

约束条件(S2)表示第i个用户的信干噪比大于等于BBU Pool为该用户设定的最低门限值γ_i；将第n个RRH的能耗公式带入用户i的服务质量约束表达式中，得到用户i的服务质量约束结果如下：

$>\sqrt{\underset{j\ne i}{\Sigma }|\underset{n=1}{\overset{N}{\Sigma }}{h}_{n,i}^H{w}_{n,j}{|}^2+{\sigma }_i^2}\le \frac{1}{\sqrt{{\gamma }_i}}\mathrm{Re}\left\{\underset{n=1}{\overset{N}{\Sigma }}{h}_{n,i}^H{w}_{n,i}\right\},\forall i\in I$>

$>\mathrm{Im}\left\{\underset{n=1}{\overset{N}{\Sigma }}{h}_{n,i}^H{w}_{n,i}\right\}=0,\forall i\in I$>

约束条件(S3)表示第n个RRH所服务的用户数量小于等于第n个fronthaul链路的容量；

约束条件(S4)表示第n个RRH向第i个用户的发射功率要小于第n个RRH的发射功率最大值；

约束条件(S3)和(S4)保证了二元变量a_n，b_n,i，w_n,i存在以下逻辑关系：如果第n个RRH处于休眠状态，则第n个RRH不能为任何用户传输数据；如果第n个RRH不向用户i发送数据，则对应的波束成形向量为0。

约束条件(S5)表示变量a_n,b_n,i取值为0到1之间的实数；

将考虑实际约束的CRAN网络能耗最小化问题建模，整体为一个混合整数二阶锥规划(MI-SOCP：Mixed-Integer Second-Order Cone Programming)，该问题是一个NP-Hard(non-deterministic polynomial hard)问题，即无法在多项式时间内求得问题的最优解，求解复杂度会随着问题变量数目的提升而急剧增加。

通过二元变量a_n,b_n,i的取值范围松弛为0到1间的实数，由凸优化的理论可知该问题为一个凸问题，使用内点法求解SOCP二阶锥规划，属于凸优化问题，在多项式时间内求得问题的次优解；

步骤503、BBU pool对升序排列后的RRH-用户对V进行紧缩的迭代求解，得到波束成形向量；

首先，假设每个RRH处于激活状态，并且为所有的用户提供服务。接着，根据一定的准则对RRH-用户对(即该RRH为该用户服务)进行升序排列。然后，迭代的从前向后去掉RRH-用户对，即令该RRH不再为该用户服务，并记录每次迭代的结果。直至最后去掉所有的RRH-用户对，即所有RRH均不再为任何用户服务。

如图4所示，具体步骤如下：

步骤5031、判断RRH-用户对V是否为空集，如果是，迭代结束，否则进入步骤5032；

步骤5032、选取集合V中的第一个RRH-用户对(p,q)，令b_p,q＝0，同时令集合V的其余元素的b保持不变；

根据RRH的激活状态和为用户提供的用户，计算集合V中优先等级最小的用户对，也就是第一个RRH-用户对(p,q)；

令其中k为当前迭代次数，选取集合V中的第一个RRH-用户对(p,q)，令

步骤5033、根据集合V中的RRH-用户对的b_p,q设置对应的a_p值，并在RRH-用户对V中删除元素(p,q)；

步骤5034、判断每个RRH是否都满足约束条件：如果不满足，令k＝k+1，返回步骤5031进行下一次迭代；否则，进入步骤5035；

步骤5035、根据当前所有RRH-用户对的所有b值以及对应的a值，计算第k次迭代的网络能耗网络能耗F^(k)以及对应的波束成形向量

$>\underset{\Phi =\{a_n,b_{n,i},w_{n,i},\forall n\in N,\forall i\in I\}}{min}F\left(\Phi \right)$>

$>s.t.\underset{i=1}{\overset{I}{\Sigma }}\left|\right|w_{n,i}|{|}^2\le P_n^{\max },n\in N---\left(S1\right)$>

满足的约束条件为：SINR_i≥γ_i,i∈I>

$>\underset{i=1}{\overset{I}{\Sigma }}{b}_{n,i}^{\left(k\right)}\le a_n^{\left(k\right)}{C}_n,\forall n\in N---\left(S3\right)$>

$>\left|\right|w_{n,i}|{|}_2\le b_{n,i}\sqrt{P_n^{max}},\forall n\in N,\forall i\in I---\left(S4\right)$>

步骤5036、判断网络能耗F^(k)是否小于F^(min)，如果是，则F^(k)为当前最低能耗，计算对应的波束成形向量为F^(min)＝F^(k)，进入步骤5037；否则，设置并返回步骤5031；

F^(min)为从第1次至第k次迭代已知的最小的网络能耗；为从第1次至第k次迭代已知的最小网络能耗对应的网络波束成形向量。

步骤5037、直至将集合V中的RRH-用户对全部迭代完毕，得到最终的F(Φ)以及对应的波束成形向量w_n,i；

最终F(Φ)的取值为F^(min)，且对应的波束成形向量w_n,i的取值为

步骤504、针对第n个RRH，C-RAN根据迭代结果w_n,i计算该RRH的发送数据x_n；

$>x_n=\underset{i=1}{\overset{I}{\Sigma }}{w}_{n,i}{s}_i,\forall n\in N$>

s_i表示用户i请求的数据，均值为0，方差为1。；

步骤505、fronthaul链路将数据x_n传输给RRH对应的用户，用户得到请求数据s_i；

由于BBU pool已知全部信道信息用户i的接收信号表示为

$>y_i=\underset{n=1}{\overset{N}{\Sigma }}{h}_{n,i}^H{w}_{n.i}{s}_i+\underset{j\in I,j\ne i}{\Sigma }\underset{n=1}{\overset{N}{\Sigma }}{h}_{n,i}^H{w}_{n,j}{s}_j+z_i,\forall i\in I$>

其中为有用信号，为干扰，z_i为加性高斯白噪声。

步骤506、用户小区根据RRH进行附着，结合波束成形向量保证系统模型能耗最低。

迭代算法实例：

假设网络中存在3个RRH，3个用户，每个RRH可服务2个用户，即C_n＝2,n＝1,2,3。RRH-用户对的优先级由小到大计算结果如下：(1,2),(3,2),(2,3),(1,3),(1,1),(3,1),(2,1),(2,2),(3,3)，因此V＝{(1,2),(3,2),(2,3),(1,3),(1,1),(3,1),(2,1),(2,2),(3,3)}。

对于第1次迭代：

1)、RRH-用户对V不为空集，进行下一步；

2)、选出优先等级最小的用户对(1,2)，更新同时令集合V的其余元素的b设置为1；即同时设置删除元素(1,2)，得到V＝{(3,2),(2,3),(1,3),(1,1),(3,1),(2,1),(2,2),(3,3)}；

3)、判断第2，3个RRH，均不满足因为限制每个RRH可服务2个用户，返回步骤1)进行第2次迭代；

4)、选出优先等级最小的用户对(3,2)，更新同时令集合V的其余元素的b设置为1；即同时设置删除元素(3,2)，得到V＝{(2,3),(1,3),(1,1),(3,1),(2,1),(2,2),(3,3)}；

5)、判断第2个RRH，不满足因为限制每个RRH可服务2个用户，返回步骤1)进行第3次迭代；

6)、选出优先等级最小的用户对(2,3)，更新同时令集合V的其余元素的b设置为1；即同时设置删除元素(2,3)，得到V＝{(1,3),(1,1),(3,1),(2,1),(2,2),(3,3)}；

7)、判断每个RRH，均满足因为限制每个RRH可服务2个用户，在已知的条件下，求解问题，假设解为若F⁽³⁾≤F^(min)，则F^(min)＝F⁽³⁾为当前最低能耗，对应的波束成形向量为若问题无解，或者有解，但是F⁽³⁾＞F^(min)，则令返回步骤1)，进行下一次迭代。

8)、对于第4次迭代：V不为空集，进行下一步；更新同时设置删除元素(1,3)，得到V＝{(1,1),(3,1),(2,1),(2,2),(3,3)}；所有RRH均满足在已知的条件下，求解问题，假设解为若F⁽⁴⁾≤F^(min)，则F^(min)＝F⁽⁴⁾为当前最低能耗，对应的波束成形向量为若问题无解，或者有解，但是F⁽⁴⁾>F^(min)，则令返回步骤1)，进行下一次迭代。

9)、对于第5次迭代:V不为空集，进行下一步；更新同时设置删除元素(1,1)，得到V＝{(3,1),(2,1),(2,2),(3,3)}；所有RRH均满足在已知的条件下，求解问题假设解设为若F⁽⁵⁾≤F^(min)，则F^(min)＝F⁽⁵⁾为当前最低能耗，对应的波束成形向量为若问题无解，或者有解，但是F⁽⁵⁾＞F^(min)，则令返回步骤1)，进行下一次迭代。

直至进行到第9次迭代，得到的最终结果为F^(min)，对应的波束成形向量为

将本发明所提方案与LTE-A中所提方案进行性能仿真比较，后者各RRH的地理位置将其划分为不相交的簇，簇内的RRH协作的向其范围内用户发送数据。仿真采用瑞利衰落信道模型，系统带宽为10MHz，在[-1500m,1500m]×[-1500m,1500m]范围内部署10个2天线RRH，RRH的最大发射功率为10W，η_n＝0.25。

如图5所示，本发明所提算法网络能耗低于LTE-A所采用算法，这是因为可重叠的RRH协作方式可以更好的降低干扰，从而在使用较低能耗的情况下保证用户的服务质量。此外，还可观察到用户数越多能耗越大，原因是需要更高的发射功率以及更多的激活RRH。

如图6所示，在LTE-A所采用算法中，所有RRH均被激活，而本发明所提算法可以在保证同样用户服务质量的前提下，休眠部分RRH，从而大幅降低网路能耗。

本发明的创新性在于不仅考虑了波束成形还考虑了小区附着，可以大幅降低网络能量消耗。