一种基于OFDMA多小站中效用和与效用能效的资源分配方法

摘要

本发明提出一种基于OFDMA多小站中效用和与效用能效的资源分配方法，适用于网络覆盖下含有多种用户类型的场景。该方法首先提出一种衡量效用和与效用能效权衡的度量标准：效用资源效率，将效用资源效率模型构建为系统效用和与系统总功耗的加权和，然后基于构建的模型设置约束条件，以最大化效用资源效率为目标问题求解满足约束条件的资源块和功率分配策略；本发明能充分适应实际应用中网络覆盖范围内存在多种用户类型的场景下效用能效与效用和的权衡，较之以传统能效与谱效权衡为目标的算法，在效用资源效率方面具有较大的增益，且能够使得系统的公平性性能更好。

说明书

技术领域

本发明涉及移动通信技术领域，尤其是一种基于OFDMA多小站中效用和与效用能效的资源分配方法。

背景技术

随着网络数据量的提升，数据需求的类型也随之增加，具有不同业务需求的用户，对获得资源的满意程度大不相同，而传统的能效(EE，Energy Efficiency)问题往往假设网络中只有一种用户类型，这已明显脱离现实场景。因此，如何有效地解决存在多种用户类型下的系统能量效率问题具有很高的研究价值，且已经成为当今无线通信产业的中心课题之一。然而关注效用能效的同时，很多现实场景中，系统更关注效用和，而不必过分关注效用能效，比如装有风能、太阳能等可再生能源的系统，因其具有源源不断的能量来源，若一味地关注效用能效，不可避免地造成系统效用和的下降，这完全是得不偿失的。在这种情形下，如何基于有效地权衡系统的效用能效与效用和进行资源分配成为需要解决的问题。

发明内容

发明目的：为解决上述技术问题，在小站覆盖范围内存在多种用户类型的情况下，通过合理的资源块调度以及功率分配，从而最大化小站的效用资源效率，本发明提出一种基于OFDMA多小站中效用和与效用能效的资源分配方法。

技术方案：本发明提出一种基于OFDMA多小站中效用和与效用能效的资源分配方法，该方法包括步骤：

(1)根据OFDMA中的系统效用和与系统总功耗构建OFDMA系统的效用资源效率模型：

式中，ρ、P分别表示OFDMA中的资源块分配策略和功率分配策略，ρ＝ρ₁∪ρ₂…ρ_I，ρ_i表示基站i的资源块分配矩阵，I_sc为所有小站的集合，I_sc＝{1，…，I}；N为资源块集合，N＝[1，2，…，n_T]；M_i为基站i内所有用户集合，M_i＝[1，2…，m_i]；表示基站i下的用户m占用资源块n的情况，表示占用，表示不占用；表示基站i在资源块n上分配的发送功率；

f_URE(ρ，P)表示OFDMA系统在资源块分配策略ρ和功率分配策略P下的效用资源效率；α表示比例因子，θ_UEE表示平衡因子；U_sc，total(ρ，P)表示资源块分配策略ρ和功率分配策略P下的系统效用和，P_sc，total(P)表示功率分配策略P下的系统总功耗；U_i，m()为基站i下的用户m的效用函数，r_i，m为基站i下的用户m获得的速率；P_sc，c为小站的静态电路损耗，为平均功率放大效率的倒数；

(2)将各基站内的用户分为两类：具有最小速率需求的QoS用户和无最小速率要求的BE用户，并分别计算QoS用户和BE用户的效用函数；

(3)以最大化系统的效用资源效率为目标问题，求解同时满足以下约束条件的ρ、P：

1)各基站的资源块使用限制：

2)各基站内QoS用户的最小速率限制：其中，表示基站i内用户m的所需最小速率，M_i，QoS表示基站i内的QoS用户集合；

3)各基站的最大发送功率限制：其中，P_i，max表示基站i的最大发送功率；

4)各基站内资源块上的最大干扰限制：其中，为基站i使用资源块n时到用户m的信道增益，表示基站i在资源块n上的最大干扰；

求解出的ρ和P即为OFDMA中的资源块分配策略和功率分配策略。

进一步的，所述步骤(3)中求解ρ和P的方法包括以下步骤：

(3-1)初始化P^k＝P₀，定义k为迭代次数，初始化k＝1；

(3-2)在第k次迭代中，功率分配策略为P^k的条件下，求解资源块分配策略ρ^k；

(3-3)根据步骤(3-2)得出的ρ^k，求解P^k+1，转入步骤(3-4)；

(3-4)设置终止条件，判断ρ^k和P^k+1是否满足终止条件，若满足，则停止迭代，令ρ＝ρ^k，P＝P^k+1；若不满足，则令k＝k+1，返回步骤(3-2)。

进一步的，所述步骤(3-2)中根据功率分配策略P^k求解资源块分配策略ρ^k的方法包括步骤：

S1：定义D_QoS表示待分配的QoS用户集合，D_QoS在开始分配前包括网络中所有QoS用户；

S2：计算D_QoS中各QoS用户上的SINR；

S3：选取具有最大SINR的资源块，选出D_QoS中满足该资源块上最大干扰限制的各QoS用户；

S4：计算选出的QoS用户对步骤S3选出的资源块的不满意度，将选出的资源块分配给不满意度最低的QoS用户，所述不满意度为用户所需最小速率与获得速率的差的绝对值；

S5：判断分得资源块的QoS用户是否达到最低速率要求；若已到达，则将该QoS用户从D_QoS中剔除，并转入步骤S6；否则，返回步骤S2；

S6：判断D_QoS是否为空，若为空，则转入步骤S7；若不为空，则返回步骤S2；

S7将步骤S6完成后剩余的资源块分配给为各基站下的BE用户，包括步骤：

S71：计算剩余的资源块在网络中各BE用户上的SINR；

S72：选取具有最大SINR的资源块，将该资源块分配给能够使得系统效用和最大的BE用户；

S73：判断是否存在未分配的资源块，若不存在，则结束分配，输出ρ^k；否则，返回步骤S71。

进一步的，所述步骤(3-3)中根据ρ^k求解P^k+1的方法包括步骤：

S8：采用用户速率下界近似法将功率分配策略为P^k时基站i下用户m获得的速率表示为：

>

其中，为功率分配策略P^k时基站i下的用户速率下界近似因子，的表达式为：

$>{\tilde{I}}_{i,\max }^n=\underset{j=1,j\ne i}{\overset{I}{\Sigma }}{G}_{j,m}^n{p}_j^n$>

S9：根据将效用资源效率模型转换为：

设定该模型的限制条件为：

$>\underset{n=1}{\overset{N}{\Sigma }}{p}_i^n\le P_{i,max},\forall i$>

$>{\tilde{r}}_{i,m}\ge R_{i,m}^{QoS},\forall i,m\in M_{i,QoS}$>

$>\underset{j=1,j\ne i}{\overset{I}{\Sigma }}\underset{m\in M_i}{\Sigma }{\rho }_{i,m}^n{G}_{i,m}^n{p}_i^n\le {\tilde{I}}_{i,max}^n$>

其中，P_t表示发送功率，表示采用速率下界近似后的系统效用资源效率，表示采用速率下界近似后的系统效用和；

S10：判断ρ^k和P^k是否满足：

$>\underset{j=1,j\ne i}{\overset{I}{\Sigma }}\underset{m\in M_i}{\Sigma }{\rho }_{i,m}^n{G}_{i,m}^n{p}_i^n\le {\tilde{I}}_{i,max}^n$>

若判断结果为满足，则更新若不满足，则不更新；

S11：设定P_t的取值范围为[P_t，min，P_t，max]，在区间[P_t，min，P_t，max]内采用粒子群法找出使最大的P_t，采用基于标准的凸优化算法求得当发送功率为P_t时的最大效用资源效率，最大效用资源效率对应的功率分配策略即为所求的P^k+1。

进一步的，所述步骤S11中P_t的取值范围为[P_t，min，P_t，max]的确定方法为：

构建关于P_t，min的函目标函数：

设定限制条件为：

$>{\tilde{r}}_{i,m}\ge R_{i,m}^{QoS},\forall i,m\in M_{i,QoS}$>

$>\underset{j=1,j\ne i}{\overset{I}{\Sigma }}\underset{m\in M_i}{\Sigma }{\rho }_{i,m}^n{G}_{i,m}^n{p}_i^n\le {\tilde{I}}_{i,max}^n$>

采用基于标准的凸优化算法求得P_t，min；根据P_t，min求出

进一步的，所述步骤S11中采用粒子群法在[P_t，min，P_t，max]中找出使最大的P_t的方法为：

定义粒子表示发送功率P_t，粒子的更新速率表示每一次迭代过程中发送功率改变的大小；定义N_pso为搜寻空间内粒子的个数，第t次迭代中的粒子k的位置表示为其中，为粒子k第t次迭代的过程中的功率大小，定义在第t次迭代中，计算粒子k的最佳位置为：

$>L_{opt}^k\left(t\right)=\arg \underset{L^k\left(v\right)}{\max }{\bar{f}}_{URE}\left(L^k\right(t\left)\right),v=1,...,t$>

全局最佳位置为：

$>L_g\left(t\right)=\arg \underset{L_{opt}^j\left(t\right)}{max}{\bar{f}}_{URE}\left(L_{opt}^j\right(t\left)\right),j=1,...,N_{pso}$>

粒子k的速率为V^k(t)，k＝1，…，N_pso，第t+1次迭代过程中，粒子k的位置更新为：

L^k(t+1)＝L^k(t)+V^k(t+1)

$>V^k(t+1)=\omega \left(t\right)V^k\left(t\right)+c_1{r}_1\left(t\right)[L_{opt}^k\left(t\right)-L^k\left(t\right)]+c_2{r}_2\left(t\right)[L_g^k\left(t\right)-L^k\left(t\right)],k=1,...,N_{pso}$>

其中ω(t)是上一轮迭代中粒子k速率前的惯性权重，c₁为自我学习项前的加速度常数，c₂为社会经验项前的加速度常数，r₁(t)和r₂(t)为两个独立的随机变量。

进一步的，所述步骤(3-4)中的终止条件为以下任意一个：

条件1：定义最长迭代次数为K，当k≥K时结束迭代；或

条件2：设定迭代结果稳定阈值区间[L1，L2]，分别将第k次迭代的结果ρ^k、P^k+1和第k-1次迭代的结果ρ^k-1、P^k代入OFDMA系统的效用资源效率模型，求出第k次迭代和第k-1次迭代结果对应的效用资源效率和判断是否满足若判断结果为是，则停止迭代。

进一步的，所述步骤(2)中QoS用户和BE用户的效用函数计算方法为：

$>U_{QoS}\left(r_{i,m}\right)=\frac{1}{1+e^{-C_1(r_{i,m}-D)}}$>

$>U_{BE}\left(r_{i,m}\right)=\frac{1}{1+{\mathrm{Be}}^{-C_2{r}_{i,m}}}+E$>

式中，U_QoS()表示QoS用户的效用函数，U_BE()表示BE用户的效用函数；D表示用户的最小速率需求

进一步的，用户速率r_i，m和用户SINR的计算方法为：

>

$>{\mathrm{SINR}}_{i,m}^n=\frac{G_{i,m}^n{p}_i^n}{\underset{j=1,j\ne i}{\overset{I}{\Sigma }}{G}_{j,m}^n{p}_j^n+N_0}$>

其中，B表示单个资源块的带宽，为基站i使用资源块n时到用户m的信道增益，N₀为RB上的平均噪声功率；表示基站i使用资源块n时在用户m上的SINR值

有益效果：与现有技术相比，本发明具有以下优势：

1、本发明将效用资源效率模型构建为系统效用和与系统总功耗的加权和，能充分适应实际应用中网络覆盖范围内存在多种用户类型的场景下效用能效与效用和的权衡。

2、本发明以优化系统效用资源效率为目标的进行资源分配，较之以传统能效与谱效权衡为目标的算法，在效用资源效率方面具有较大的增益。

3、本发明中采用用户效用函数，能够使得系统的公平性性能更好。

附图说明

图1为实施例中的异构网络传输模型图；

图2为实施例提出的资源分配方法与传统能效谱效权衡方法的效用能效以及效用和关于α变化的对比图；

图3为实施例提出的资源分配方法与传统能效谱效权衡方法的系统的效用和与效用能效的一一对应关系示意图；

图4为实施例提出的资源分配方法与传统能效谱效权衡方法在相同的α下的平均简氏公平系数对比图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示为实施例中的异构网络传输模型图，异构网络传输模型包括一个中心大站和四个低功率小站，在中心大站的覆盖范围内，四个低功率小站作为热点区域部署与大站边缘。小站用户随机分布于以小站为中心半径为60米的圆形覆盖范围内，同样，大站用户也随机分布于排除了小站覆盖区域的六边形内。一旦用户位置固定后，用户连接采用最大RSRP准则，且为了使得足够多用户连入低功率小站，设置CRE为6dB。每个基站内的QoS用户数与BE用户数比例设置为1∶2。QoS用户的最小速率需求为3Mbps。大站的最大发送功率为40W，小站的最大发送功率为1W。每个RB上的小尺度衰落系数被设置为单位方差的瑞利随机变量。我们假设全局信道状况信息(CSI，Channel State Information)被每个基站所知，因此基站可以集中式地在其覆盖范围内的用户中精确地进行RB调度和功率分配。

本实施例的资源分配方法的步骤如下：

步骤1：使用效用函数表征不同用户对获得资源的满意程度。通过效用和与效用能效的加权和来表示两者的权衡，并定义该加权和为效用资源效率，系统通过设置加权因子α以及对RB和功率资源的分配，获得系统的效用资源能效为：

式中，ρ、P分别表示OFDMA中的资源块分配策略和功率分配策略，ρ＝ρ₁∪ρ₂…ρ_I，ρ_i表示基站i的资源块分配矩阵，I_sc为所有小站的集合，I_sc＝{1，…，I}；N为资源块集合，N＝[1，2，…，n_T]；M_i为基站i内所有用户集合，M_i＝[1，2…，m_i]；表示基站i下的用户m占用资源块n的情况，表示占用，表示不占用；表示基站i在资源块n上分配的发送功率；

f_URE(ρ，P)表示OFDMA系统在资源块分配策略ρ和功率分配策略P下的效用资源效率；α表示比例因子，体现系统关注性能方向，当α增大时，表示系统关注的重心向着效用能效的方向转移，反之，表示系统越来越关注效用和；θ_UEE表示平衡因子，用来平衡效用能效与效用和在可以比较的范围内；U_sc，total(ρ，P)表示资源块分配策略ρ和功率分配策略P下的系统效用和，P_sc，total(P)表示功率分配策略P下的系统总功耗；U_i，m()为基站i下的用户m的效用函数，r_i，m为基站i下的用户m获得的速率；P_sc，c为小站的静态电路损耗，为平均功率放大效率的倒数；

步骤2：各小站内的用户被分为两种类型：具有最小速率需求的QoS用户和无最小速率要求的BE用户，不同类型用户的效用函数不同，设用户速率为r_i，m；QoS用户的效用函数为：

$>U_{QoS}\left(r_{i,m}\right)=\frac{1}{1+e^{-C_1(r_{i,m}-D)}}---\left(2\right)$>

式中，D表示用户需求的最小速率值；

BE用户的效用函数为：

$>U_{BE}\left(r_{i,m}\right)=\frac{1}{1+{\mathrm{Be}}^{-C_2{r}_{i,m}}}+E---\left(3\right)$>

由于系统为OFDMA的，因此各基站的RB使用限制为：

$>\underset{m\in M_i}{\Sigma }{\rho }_{i,m}^n\le 1,\forall i,n---\left(4\right)$>

各基站内QoS用户的最小速率限制为：

$>r_{i,m}\ge R_{i,m}^{QoS},\forall i,m\in M_{i,QoS}---\left(5\right)$>

其中，M_i，QoS为基站i内QoS用户集合，M_i，BE为基站i内BE用户集合，且M_i＝M_i，QoS∪M_i，BE。r_i，m由如下公式计算所得：

>

$>{\mathrm{SINR}}_{i,m}^n=\frac{G_{i,m}^n{p}_i^n}{\underset{j=1,j\ne i}{\overset{I}{\Sigma }}{G}_{j,m}^n{p}_j^n+N_0}---\left(7\right)$>

其中，为基站i使用资源块n时到用户m的信道增益，N₀为RB上的平均噪声功率。各基站的最大发送功率限制为：

$>\underset{n=1}{\overset{N}{\Sigma }}{p}_i^n\le P_{i,\max },\forall i---\left(8\right)$>

各个基站内RB上的最大干扰限制为：

$>\underset{j=1,j\ne i}{\overset{I}{\Sigma }}\underset{m\in M_i}{\Sigma }{\rho }_{i,m}^n{G}_{i,m}^n{p}_i^n\le I_{i,\max }^n,\forall i,n---\left(9\right)$>

步骤3：定义k为迭代次数，初始化P^k＝P₀，k＝1；

步骤4：第k次迭代中，在资源块上的功率分配策略P^k已知的情况下，求资源块分配策略ρ^k，具体过程如下：

S1：定义D_QoS表示待分配的QoS用户集合，D_QoS在开始分配前包括网络中所有QoS用户；

S2：计算D_QoS中各QoS用户上的SINR；

S3：选取具有最大SINR的资源块，选出D_QoS中满足该资源块上最大干扰限制的各QoS用户；

S4：计算选出的QoS用户对步骤S3选出的资源块的不满意度，将选出的资源块分配给不满意度最低的QoS用户，所述不满意度为用户所需最小速率与获得速率的差的绝对值；

S5：判断分得资源块的QoS用户是否达到最低速率要求；若已到达，则将该QoS用户从D_QoS中剔除，并转入步骤S6；否则，返回步骤S2；

S6：判断D_QoS是否为空，若为空，则转入步骤S7；若不为空，则返回步骤S2；

S7将步骤S6完成后剩余的资源块分配给为各基站下的BE用户，包括步骤：

S71：计算剩余的资源块在网络中各BE用户上的SINR；

S72：选取具有最大SINR的资源块，将该资源块分配给能够使得系统效用和最大的BE用户；

S73：判断是否存在未分配的资源块，若不存在，则结束分配，输出ρ^k；否则，返回步骤S71。

步骤5：根据步骤4中计算出的资源块分配策略ρ^k，求功率分配策略P^k+1，包括步骤：

1)首先采用速率下界近似：

>

其中，为下界近似因子，表示基站i内资源块n上可以感受到的最大干扰功率。当近似因子满足如下条件时，

$>{\tilde{I}}_{i,max}^n=\underset{j=1,j\ne i}{\overset{I}{\Sigma }}{G}_{j,m}^n{p}_j^n---\left(11\right)$>

根据公式(10)、(11)再进行如下变量转换：

$>P_t=\underset{i\in I_{sc}}{\Sigma }\underset{n=1}{\overset{N}{\Sigma }}{p}_i^n---\left(12\right)$>

式中，P_t表示发送功率。当发送功率P_t固定且采用上述速率下界近似时可以使用标准的凸优化算法求得效用资源效率最大时的功率分配策略P^k+1。

2)定义发送功率P_t固定且采用上述速率下界近似时的最大效用资源效率模型为：

因此功率分配问题被转化为求某一P_t∈[P_t，min，P_t，max]，使得最大的问题。

P_t的取值范围为[P_t，min，P_t，max]的确定方法为：

构建关于P_t，min的函目标函数：

设定限制条件为：

$>{\tilde{r}}_{i,m}\ge R_{i,m}^{QoS},\forall i,m\in M_{i,QoS}$>

$>\underset{j=1,j\ne i}{\overset{I}{\Sigma }}\underset{m\in M_i}{\Sigma }{\rho }_{i,m}^n{G}_{i,m}^n{p}_i^n\le {\tilde{I}}_{i,max}^n$>

采用基于标准的凸优化算法求得P_t，min；根据P_t，min求出

本实施例采用粒子群法在[P_t，min，P_t，max]中找出使最大的P_t，步骤为：

定义粒子表示发送功率P_t，粒子的更新速率表示每一次迭代过程中发送功率改变的大小；定义N_pso为搜寻空间内粒子的个数，第t次迭代中的粒子k的位置表示为其中，为粒子k第t次迭代的过程中的功率大小，定义在第t次迭代中，计算粒子k的最佳位置为：

$>L_{opt}^k\left(t\right)=\arg \underset{L^k\left(v\right)}{max}{\bar{f}}_{URE}\left(L^k\right(t\left)\right),v=1,...,t---\left(14\right)$>

全局最佳位置为：

$>L_g\left(t\right)=\arg \underset{L_{opt}^j\left(t\right)}{max}{\bar{f}}_{URE}\left(L_{opt}^j\right(t\left)\right),j=1,...,N_{pso}---\left(15\right)$>

粒子k的速率为V^k(t)，k＝1，…，N_pso，第t+1次迭代过程中，粒子k的位置更新为：

L^k(t+1)＝L^k(t)+V^k(t+1)(16)

$>V^k(t+1)=\omega \left(t\right)V^k\left(t\right)+c_1{r}_1\left(t\right)[L_{opt}^k\left(t\right)-L^k\left(t\right)]+c_2{r}_2\left(t\right)[L_g^k\left(t\right)-L^k\left(t\right)],k=1,...,N_{pso}---\left(17\right)$>

其中ω(t)是上一轮迭代中粒子k速率前的惯性权重，c₁为自我学习项前的加速度常数，c₂为社会经验项前的加速度常数，r₁(t)和r₂(t)为两个独立的随机变量。

3)当资源块分配策略为ρ^k时，功率分配P^k+1的计算步骤如下：

判断ρ^k是否满足：若判断结果为满足，则更新若不满足，则不更新；

4)根据求得[P_t，min，P_t，max]，然后在该区间内使用粒子群的方法找出公式(13)的发送功率P_t，使用基于标准的凸优化算法求得当发送功率P_t固定时的最大效用资源效率以及此时的功率分配，将功率分配赋予P^k+1；

步骤6：判断是否满足终止条件，若满足，则停止迭代，若不满足，令k＝k+1，返回步骤4。

终止条件可以为以下任意一个：

条件1：根据信道特征设定最长迭代周期次数K，当k≥K时结束迭代过程；

条件2：根据每次迭代过程中计算出的系统效用资源效率，若趋于稳定或减小，则结束迭代过程；若较之上一次仍有较大幅度的增加，则算法继续运行迭代部分。条件2具体为：

设定迭代结果稳定阈值区间[L1，L2]，分别将第k次迭代的结果ρ^k、P^k+1和第k-1次迭代的结果ρ^k-1、P^k代入OFDMA系统的效用资源效率模型，求出第k次迭代和第k-1次迭代结果对应的效用资源效率和判断是否满足若判断结果为是，则停止迭代。

图2为实施例提出的资源分配方法与传统能效谱效权衡方法的效用能效以及效用和关于α变化的对比图；图2显示当中心大站内有4个成簇的小站，且总用户个数为60时，所提算法与传统能效谱效权衡算法(traditional EE-SE tradeoff algorithm)的效用能效以及效用和随着α变化而变化的情况。

图3为实施例提出的资源分配方法与传统能效谱效权衡方法的系统的效用和与效用能效的一一对应关系示意图；图3显示当中心大站内有4个成簇的小站，且总用户个数为60时，实施例提出的资源分配方法与传统能效谱效权衡方法(traditional EE-SEtradeoff algorithm)在不同α时，系统的效用和与效用能效的一一对应关系。

图4为当中心大站内有4个成簇的小站，且总用户个数为60时，实施例提出的资源分配方法与传统能效谱效权衡方法(traditional EE-SE tradeoff algorithm)在相同的α下的平均简氏公平系数对比图。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。