CN104010288B - 认知网络中基于定价的最优功率控制方法 - Google Patents

Abstract

本发明提供了一种认知网络中基于定价的最优功率控制方法，包括：初始化次用户个数和容许因子；根据次用户的容许因子将次用户进行降序排列；计算次用户的判定因子；比较判定因子和容许因子大小关系，如果条件满足，给出次用户的最优功率和主用户的定价方法，方法结束；否则，将容许因子最低的次用户功率设置为零，其余次用户继续按照第四步执行，直到条件满足，给出次用户的最优功率和主用户的定价方法。本发明在主用户知道次用户的容许因子的情况下和整个认知网络的信道信息的情况下，通过不超过次用户总个数次的迭代就可以给出次用户的最优功率分配的闭式解和主用户的最优定价，该方法可以增加主用户的收益和容许更多的次用户接入频谱。

Description

认知网络中基于定价的最优功率控制方法

技术领域

本发明涉及认知网络中功率控制技术领域，具体地，涉及认知网络中基于定价的最优功率控制方法。

背景技术

在认知网络下，次用户可以通过租借主用户的频谱，来接入频谱进行数据传输。为了保证自身的服务质量和获得频谱租借的动机，主用户可以通过对次用户的干扰进行收费。首先，主用户对于各次用户的单位干扰功率制定一定的价格，通过将该价格广播给各次用户；次用户基于该价格通过非合作博弈来控制自身的功率。主用户和次用户之间的这种交互行为可以通过Stackelberg博弈来分析。由于主用户的定价将影响次用户的功率，从而影响自己的收益。因此，为了保证次用户对于主用户的总干扰小于干扰门限并最大化自身的收益，主用户需要采用合理的定价策略来控制次用户的功率。通过递归的方法，主用户的收益函数的函数可以表示为次用户功率的非凸优化函数，因此，传统的凸优化算法并不能直接用来找到主用户的最优定价和次用户的最优功率。

近年来，在认知网络中基于定价方法来控制次用户的功率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《2010IEEE Transactions on Vehicular Technology,May.2010,vol.59,no.4,pp.1769–1778.》上发表了题为“Pricing for uplink power control incognitive radio networks”的文章。该文章考虑主用户和次用户都处于一个服务基站的情形，在一定干扰门限下，次用户可以通过对主用户的干扰进行付费而容许接入基站。由于主用户最大化效用函数是非凸的，文章将主用户的策略设定成一定的线性比例关系，该方法获得一个次优的定价算法。同时，***模型中主用户和次用户接入的基站是同一个基站，并不能直接拓展到次用户和主用户的基站是不同的情形。

Xin Kang等人在《2012IEEE Journal on Selected Areas in Communications，Apr.vol.30,no.3,pp.538–549.》上发表了题为“Price-based resource allocation forspectrum-sharing femtocell networks:A stackelberg game approach”的文章。该文章提出了的模型拓展了Hui Yu等人的模型，主用户和次用户的基站可以不同的。提出了一种非一致的定价模型来最大主用户的收益。由于该算法是通过将次用户的最坏情况的干扰来解耦次用户之间的相互干扰，从而忽略掉次用户之间的相互干扰链路，该定价方法所获得的功率控制方法是次优的，并不能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，同时保证次用户的总干扰小于干扰门限，需要主用户对各个次用户采用一定的定价来控制次用户的功率。本发明基于通过变量替换将主用户的效用函数的非凸函数表示为一个等价凸优化问题，基于该等价优化问题，提出最大化主用户的收益的最优功率控制方法。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种认知网络中基于定价的最优功率控制方法。本发明针对现有的认知网络中基于定价的功率控制方法并能获得次用户的最优功率和最大化主用户的收益，提供了一种最优的功率控制方法来最大化主用户收益。本发明能够使得主用户在知道次用户的信道信息和偏好因子的情况下，通过至多次用户个数次的迭代来找到次用户的最优功率和主用户的最优定价。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，基于最大化主用户收益的等价凸优化问题的最优解和变量替换之间关系，找到次用户的最优功率，比传统基于非一致的定价方法提高了主用户的收益，并可以容许更多次用户接入频谱。

根据本发明提供的一种认知网络中基于定价的最优功率控制方法，包括如下具体步骤：

第一步：初始化次用户个数和次用户容许因子；

第二步：将次用户容许因子降序排列；

第三步：计算各个次用户的判定因子；

第四步：如果最后一个次用户的容许因子大于它的判定因子，则给出次用户的最优功率和主用户的定价方法，方法结束；

第五步：针对第四步，如果最后一个次用户的容许因子小于或者等于它的判定因子，则将最后一个次用户的功率设置为零，转到第四步，对其余的次用户的容许因子和它的判定因子进行比较，直到条件满足，计算出最优功率和给出主用户的定价。

优选地，在第一步中，具体地，初始化次用户个数K＝n，次用户i的容许因子a_i：

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到自己基站处的信道增益，g_i是次用户i到主用户的接收端的信道增益，σ²是主用户对于次用户基站干扰功率和噪声之和。

优选地，在第二步中，次用户的排序方式为：α₁≥...≥α_K,其中α_K为次用户K的容许因子。

优选地，在第三步中，具体地，对于次用户i,i＝1,...,K的判定因子β_i的取值为：

其中：L是认知用户的扩频增益，T是主用户的干扰门限，h_j是次用户j到自己基站处的信道增益，g_j是次用户j到主用户的接收端的信道增益，σ²是主用户对于次用户基站干扰功率和噪声之和，w_j是次用户j的偏好因子。

优选地，在第四步中，具体地，如果次用户K的容许因子α_K大于它的判定因子β_K，那么次用户i的最优功率为：

其中：σ²是主用户对于次用户基站干扰功率和噪声之和，h_i是次用户i到自己基站处的信道增益；

主用户的定价为：

其中，为次用户i的最优功率，为为次用户j的最优功率,算法结束。

优选地，在第五步中，具体地，如果次用户K的容许因子α_K不大于它的判定因子β_K，那么次用户K的最优功率为零，将K-1赋值给K，返回步骤四，对剩下的K个次用户的最优功率和定价进行设置。

与现有技术相比，本发明具有如下的有益效果：

本发明通过变量替换将主用户的收益的非凸优化问题转化为一个等价凸优化问题，通过凸优化问题的最优性条件来给出次用户的最优功率和主用户的最优定价的闭式解。较传统的基于非一致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，还可以增加容许接入的次用户数目。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仿真***模型图；

图2为本发明在干扰噪声比从-40dB增加到40dB时主用户收益曲线图；

图3为本发明在干扰噪声比从-40dB增加到40dB时的容许接入次用户数目曲线图；

图4为本发明的流程示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

本发明公开认知网络中基于定价的最优功率控制方法，包括：初始化次用户个数和容许因子；根据次用户的容许因子将次用户进行降序排列；计算次用户的判定因子；比较判定因子和容许因子大小关系，如果条件满足，给出次用户的最优功率和主用户的定价方法，方法结束；否则，将容许因子最低的次用户功率设置为零，其余次用户继续按照第四步执行，直到条件满足，给出次用户的最优功率和主用户的定价方法。本发明在主用户知道次用户的容许因子的情况下和整个认知网络的信道信息的情况下，通过不超过次用户总个数次的迭代就可以给出次用户的最优功率分配的闭式解和主用户的最优定价，该方法可以增加主用户的收益和容许更多的次用户接入频谱。

本实施例为基于定价的最优功率控制方案，次用户个数为10个，次用户分布在基站的200m范围内，主用户接收端到基站的距离为300m，主用户对于次用户基站干扰功率和噪声之和为σ²＝10^-12W，次用户的扩频增益L＝128，次用户i到自己基站处的信道增益次用户i到主用户接收端的信道增益为其中A表明***的天线增益，载波频谱等参数的影响，取值10³；α_i和β_i是满足零均值，标准偏差为6dB的高斯分布；d_i和s_i分别为次用户到基站和到主用户接收端的距离，干扰噪声比从-40dB增加到40dB。

第一步，初始化各个次用户的个数K＝10,和次用户的容许因子a_i：

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到自己基站处的信道增益，g_i是次用户i到主用户的接收端的信道增益，σ²是主用户对于次用户基站干扰功率和噪声之和。

第二步，对于所有次用户的采用降序排序：α₁≥...≥α_K,其中α_K为次用户K的容许因子。

第三步：计算次用户i的判定因子β_i：

其中，L是认知用户的扩频增益，T是主用户的干扰门限，h_j是次用户j到自己基站处的信道增益，g_j是次用户j到主用户的接收端的信道增益，σ²是主用户对于次用户基站干扰功率和噪声之和，w_j是次用户j的偏好因子。

第四步：对于次用户K，如如果α_K＞β_K成立，其中α_K,β_K分别为次用户K的容许因子和判定因子，那么次用户i的最优功率为：

其中，a_i通过等式确定，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到自己基站处的信道增益，g_i是次用户i到主用户的接收端的信道增益，σ²是主用户对于次用户基站干扰功率和噪声之和，β_K为次用户K的判定因子。主用户的定价i＝1,…,n，其中为次用户i的最优功率，为为次用j的最优功率，算法结束。

第五步：对于次用户K，如果α_K≤β_K成立，其中α_K,β_K分别为次用户K的容许因子和判定因子，那么第K个次用户功率设置为0，令K:＝K-1,回到第四步。

在本实施例中，图1为本发明的仿真***模型图，图中n个次用户需要通过对主用户的干扰进行付费才能接入基站，主用户通过对不同次用户制定不同的干扰价格来控制次用户对自身的总干扰小于干扰门限。图2给出了分别采用非一致定价方法和本实施例方法得到的主用户收益曲线图；图3是分别采用非一致定价方法和本实施例方法得到的***容许的次用户数目曲线图。由图2可见：两种方法获得的主用户都随着干扰噪声比的增加，所提实施方法较非一致定价方法获得了更高的主用户收益，当干扰噪声比为40dB时候，通过所提方法获得的主用户收益较非一致定价方法高出了1.5倍。由图3可见：所提方法较非一致定价方法可以容许更多的次用户接入主用户的频谱，当干扰噪声比为40dB时候，通过所提方法容许接入频谱的次用户数目较非一致定价方法高出了25％。结合图2、图3可知所提方法比非一致定价的功率控制方法提升主用户的收益，同时可以容许了更多的次用户接入频谱。由于所提方法可以获得了次用户的最优功率和主用户定价的闭式解，所提方法能够有效地解决认知网络中基于价格机制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。

Claims (2)

1.一种认知网络中基于定价的最优功率控制方法，其特征在于，包括如下具体步骤：

第一步：初始化次用户个数和次用户容许因子；

第二步：将次用户容许因子降序排列；

第三步：计算各个次用户的判定因子；

第四步：如果最后一个次用户的容许因子大于它的判定因子，则给出次用户的最优功率和主用户的定价方法，方法结束；

第五步：针对第四步，如果最后一个次用户的容许因子小于或者等于它的判定因子，则将最后一个次用户的功率设置为零，转到第四步，对其余的次用户的容许因子和它的判定因子进行比较，直到条件满足，计算出最优功率和给出主用户的定价；

在第一步中，具体地，初始化次用户个数K＝n，次用户i的容许因子α_i：

${\mathrm{\α}}_i=\frac{{\mathrm{Lw}}_i}{T+{\mathrm{\σ}}^2\frac{g_i}{h_i}},(i=1,...,n)$

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到自己基站处的信道增益，g_i是次用户i到主用户的接收端的信道增益，σ²是主用户对于次用户基站干扰功率和噪声之和；

在第二步中，次用户的排序方式为：α₁≥...≥α_K,其中α_K为次用户K的容许因子；

在第三步中，具体地，对于次用户i,i＝1,...,K的判定因子β_i的取值为：

${\mathrm{\β}}_i=\frac{L{(T\underset{j=1}{\overset{i}{\Σ}}\sqrt{\frac{w_j}{T+{\mathrm{\σ}}^2\frac{g_j}{h_j}}}+{\mathrm{\σ}}^2\underset{j=1}{\overset{i}{\Σ}}\sqrt{\frac{w_j}{T+{\mathrm{\σ}}^2\frac{g_j}{h_j}}}\frac{g_j}{h_j})}^2}{{(L-1)}^2{(T+\frac{KT}{L-1}+\frac{{\mathrm{\σ}}^2}{L-1}\underset{j=1}{\overset{i}{\Σ}}\frac{g_j}{h_j})}^2},$

其中：L是认知用户的扩频增益，T是主用户的干扰门限，h_j是次用户j到自己基站处的信道增益，g_j是次用户j到主用户的接收端的信道增益，σ²是主用户对于次用户基站干扰功率和噪声之和，w_j是次用户j的偏好因子；

在第四步中，具体地，如果次用户K的容许因子α_K大于它的判定因子β_K，那么次用户i的最优功率为：

$p_i^{*}=\frac{{\mathrm{\σ}}^2{a}_i}{h_i(1-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i)},(i=1,...,K),$

$a_i=max(0,\frac{1}{L-1}(\sqrt{\frac{{\mathrm{Lw}}_i}{{\mathrm{\β}}_{K}T+{\mathrm{\β}}_K{\mathrm{\σ}}^2{g}_i/h_i}}-1\left)\right),(i=1,...,n)$

其中：σ²是主用户对于次用户基站干扰功率和噪声之和，h_i是次用户i到自己基站处的信道增益；a_i为计算最优功率的中间变量；

主用户的定价为：

${\mathrm{\λ}}_i^{*}=\frac{{\mathrm{Lw}}_i{h}_i}{g_i({\mathrm{\Σ}}_{j\≠i}{h}_j{p}_j^{*}+{\mathrm{\σ}}^2+{\mathrm{Lh}}_i{p}_i^{*})},i=1,...,n,$

其中，为次用户i的最优功率，为次用户j的最优功率，方法结束。

2.根据权利要求1所述的认知网络中基于定价的最优功率控制方法，其特征在于，在第五步中，具体地，如果次用户K的容许因子α_K不大于它的判定因子β_K，那么次用户K的最优功率为零，将K-1赋值给K，返回步骤四，对剩下的K个次用户的最优功率和定价进行设置。