CN105430656A - 一种超密集异构移动蜂窝网络负载均衡方法 - Google Patents

Abstract

本发明提供一种超密集异构移动蜂窝网络负载均衡方法，包括以下步骤：S1、将超密集异构移动蜂窝网络覆盖范围空间划分为大小相等的若干个棋盘格，并对每个棋盘格内的平均流量进行周期统计，以获得每个棋盘格内的负载量，并以其表征网络负载的时间波动性和空间差异性；S2、根据每个棋盘格内的负载量，以及超密集异构移动蜂窝网络中每个基站所配置的无线资源，对每个棋盘格对应覆盖服务的基站进行分配。针对4G及后4G移动通信网络中负载量的时变和空间分布不均匀的特点，实现有效的负载均衡，提高4G与后4G超密集异构移动蜂窝网络中无线资源(如，固定频谱带宽与基站固定的发射功率)利用效率与***容量。

Description

一种超密集异构移动蜂窝网络负载均衡方法

技术领域

本发明涉及4G及后4G移动通信技术领域，尤其涉及一种超密集异构蜂窝网络负载均衡方法。

背景技术

超密集异构蜂窝网络(Ultradensenetwork，UDN)由于在提升***容量和改善网络覆盖方面具有出众表现，被认为是***移动通信以及第五代移动通信网络组网方式演进趋势之一。其基本思想是在宏蜂窝覆盖范围内的热点地区密集部署大量低功率接入点(AccessNode，AN),如，微蜂窝基站(microcellbasestation,MicroBS)和微微蜂窝基站(picocellbasestation,PcioBS)等[HuaweiTechnologiesInc.,5G:Atechnologyvision,2013,Whitepaper]。然而，这给传统的蜂窝网络负载均衡带来了新的挑战，这主要是由于，1)重叠覆盖的蜂窝网络架构使得低功率基站不能够有效的吸纳移动用户，即造成大量用户依然附着于高功率宏蜂窝基站，而小功率基站只能吸纳其周边部分移动用户，卸载效果有限；2)移动网络负载分布受用户分布与移动用户不同时间数据访问量的影响，其本身具有时变特性与空间分布式不均匀的特性。因此，有效的负载均衡方法是充分发挥超密集异构蜂窝网络***容量提升能力与热点覆盖能力的必要技术。

基于小区呼吸(cellbreathing)的负载均衡技术是目前产业界与学术界主要关注的方法，其核心思想为：多个邻接小区通过调整所服务用户的数量，达到多个邻接基站间的负载均衡。实现这一思想的方法可分为两类：以功率控制调整基站覆盖范围的直接方式，和以小区边缘或重叠覆盖区域移动用户低载基站重选择的间接方式。文献[Y.Bejerano,S.Han,CellBreathingTechniquesforLoadBalancinginWirelessLANs,IEEETransMobileComputing,2009,8(6),pp.735-749]提出通过动态改变WiFi接入点导频信号的发射功率进而控制WiFi接入点覆盖范围大小。为降低能耗，文献[L.Le,QoS-AwareBSSwitchingandCellZoomingDesignforOFDMAGreenCellularNetworks,inProc.IEEEGlobecom2012,pp.1544-1549]设计了基于非协作博弈的功率控制算法。文献[Z.Niu,et.Al,CellZoomingforCost-EfficientGreenCellularNetworks,IEEECommunicationsMagazine,2010,pp.74-79]提出了集中式和分布式的小区呼吸策略，以最优化其定义的两个效用函数。文献[Y.Xu,H.Li,Z.Feng,etal.,Energysustainabilitymodelingandliquidcellmanagementingreencellularnetworks,inProc.IEEEICC2013,pp.4414-4419]、[H.Wang,H.Li,etal.,LiquidCellManagementforReducingEnergyConsumptionExpensesinHybridEnergyPoweredCellularNetworks,inProc.IEEEWCNC2014,pp.1655-1660]研究了小区呼吸对绿色能源供能蜂窝网络能源利用率的影响。

然而，已有方法仅考虑了移动网络负载量在时间上的波动性，而小区呼吸方法或是以小区或扇区为单位从小区边缘小区中心覆盖范围的调整，或是以小区边缘用户基站重选择。但是，负载量空间上显然具有差异性，而这种空间差异性以单位小区或扇区的圆环为单位是无法有效的体现这种差异性，这将降低这种负载均衡方法的有性能，例如，多个小区边缘负载皆非常低，显然直接方式与间接方式都无法达到负载均衡的效果。因此，通过小区呼吸技术提高***资源利用率仍有很大空间，尤其对于超密集异构网络，大量不同类型基站的重叠部署使超密集异构网络的拓扑更加复杂，负载量的空间差异性更加复杂。

发明内容

针对上述问题，本发明的目的是提供一种新的超密集异构移动蜂窝网络负载均衡方法。针对4G及后4G移动通信网络中负载量的时变和空间分布不均匀的特点，实现有效的负载均衡，提高4G与后4G超密集异构移动蜂窝网络中无线资源(如，固定频谱带宽与基站固定的发射功率)利用效率与***容量。

为达上述目的，本发明采取的具体技术方案是：

一种超密集异构移动蜂窝网络负载均衡方法，包括以下步骤：

S1、将超密集异构移动蜂窝网络覆盖范围空间划分为大小相等的若干个棋盘格，并对每个棋盘格内的平均流量进行周期统计，以获得每个棋盘格内的负载量，并以其表征网络负载的时间波动性和空间差异性；

S2、根据每个棋盘格内的负载量，以及超密集异构移动蜂窝网络中每个基站所配置的无线资源，对每个棋盘格对应覆盖服务的基站进行分配。

其中，步骤S1包括：将超密集异构网络覆盖区域划分为|L|个大小相等的棋盘格，其中，L为所有棋盘格构成的集合，|L|表示该集合内元素的数量。

定义每个棋盘格为一负载格TL(Traffic-lattices，)，令X(k)＝[x₁(k),x₂(k),...,x_|L|(k)]^T表示全部负载格在第k，k∈N个周期内的累计负载量，其中，k为不同周期标识，N为正整数集合，x(k)表示某个棋盘格在第k个周期内的负载量，T表示矩阵转置符号。

其中，棋盘格的尺寸根据负载空间分辨率需求选择。

其中，所述周期的时长根据统计流量不同时刻相关性选取。一般一个统计周期的时长不少于30分钟。

其中，所述无线资源包括带宽和功率，步骤S2包括：

将带宽与功率等分，功率W等分后为ANn的单位发射功率PU(Powerunit)；带宽Hz等分后为单位带宽，n为不同接入点AN的标识，ANn的最大发射功率和全部带宽分别为P个PU和P个单位带宽。其中，P表示等分带宽和功率的数量，为整数；n为接入点AN的标示，例如，n＝1标示AN1；下角标n表示基站标示，0表示单位(无实际含义)；

根据AN当前发射功率计算ANn功耗的的公式为：其中，N_n为ANn的收发器的个数，为最小发射功率输出时ANn的功率消耗，ζ_n为与ANn负载有关的功率消耗参数，根据不同基站型号确定。

按照式计算TLi中所有用户接入到ANn时TLi内移动用户的平均传输速率R_i,n，其中，i表示不同TL的标识，N₀为均值为0的白噪声的标准差；κ为路径损耗方程系数；m为路径损耗指数，根据基站周围环境在2到4之间取值；d_i,n为ANn与TLi之间的最远距离。即TLi中的一个距离最远的接入用户与ANn的距离。

定义ρ_i,n(k)为第k个周期内TLi是否分配到ANn的0-1变量，具体定义为

在任意周期k内，省略不同周期标识k，得到最优化的ρ_i,n(k)值

以表示棋盘格i应分配到的基站n，以此类推得到所有棋盘格的应分配的基站；并据此对基站进行分配。

具体通过以下步骤获得：

1)选择精度值ε>0；计算第k个周期内，若TLi关联到ANn，ANn需要消耗的PU个数其中，A表示所有接入点AN的集合，L表示所有TL的集合，R_i,n和的值；定义t为迭代次数，并初始化为t＝0；初始化变量 $({\mathrm{\β}}_{i,n}^t,{\mathrm{\γ}}_n^t)\∈R,$ 令所有关联变量 ${\mathrm{\ρ}}_{i,n}^t=0,$ 初始化和为0；

2)对于每个ANn，根据式 $M_n^t=\min \left\{\exp \left(\log \left(\frac{R_{i,n}}{{\mathrm{\Δ}}_n^0}\right)-{\mathrm{\χ}}_n^t+\frac{{\mathrm{\β}}_{i,n}^t-{\mathrm{\α}}_i^t}{U_{i,n}}\right),P\right\}$ 计算其中为第t次迭代，ANn使用的总发射功率，按式 $M_n\left(k\right)=\underset{i\∈A}{\Σ}{\mathrm{\ρ}}_{i,n}\left(k\right)\·U_{i,n}\left(k\right),\∀n\∈A$ 计算，其中，P为AN的额定最大发射功率；

3)根据式 ${\mathrm{\θ}}^t=\exp (log\left({\mathrm{\Δ}}_n^0\right)-{\mathrm{\χ}}_n^t+\frac{{\mathrm{\β}}_{i,n}^t+{\mathrm{\α}}_i^t}{U_{i,n}})$ 计算θ^t；

4)根据P与θ^t的大小，确定第t次迭代中最优的值，包括：

a.如果P≤θ^t，根据下式确定

${\mathrm{\&rho;}}_{i,n}^t=\left\{\begin{array}{cc}0,& {\mathrm{\&beta;}}_{i,n}^t+U_{i,n}\log \frac{R_{i,n}}{{\mathrm{\&Delta;}}_n^0}<0\\ \&lsqb;0,1\&rsqb;,& {\mathrm{\&beta;}}_{i,n}^t+U_{i,n}\log \frac{R_{i,n}}{{\mathrm{\&Delta;}}_n^0}=0\\ 1,& {\mathrm{\&beta;}}_{i,n}^t+U_{i,n}\log \frac{R_{i,n}}{{\mathrm{\&Delta;}}_n^0}>0\end{array}\right.,$

b.如果P＞θ^t，根据下式确定

${\mathrm{\&rho;}}_{i,n}^t=\left\{\begin{array}{cc}0,& U_{i,n}{\mathrm{\&chi;}}_n^t-{\mathrm{\&beta;}}_{i,n}^t+{\mathrm{\&alpha;}}_i^t<0\\ \&lsqb;0,1\&rsqb;,& U_{i,n}{\mathrm{\&chi;}}_n^t-{\mathrm{\&beta;}}_{i,n}^t+{\mathrm{\&alpha;}}_i^t=0\\ 1,& U_{i,n}{\mathrm{\&chi;}}_n^t-{\mathrm{\&beta;}}_{i,n}^t+{\mathrm{\&alpha;}}_i^t>0\end{array}\right.;$

5)根据下式计算 $({\mathrm{\&alpha;}}_i^t,{\mathrm{\&chi;}}_n^t)\&Element;N^{+}$ 和 $({\mathrm{\&beta;}}_{i,n}^t,{\mathrm{\&gamma;}}_n^t)\&Element;R:$

其中，中·表示变量或

6)根据式 ${\mathrm{\&kappa;}}_j^t={\mathrm{\&theta;}}^t\frac{D\left({\&CenterDot;}^t\right)-D_{est}^t}{\left|\right|\&part;D^{*}\left({\&CenterDot;}^t\right)|{|}^2},j\&Element;\left\{1,2,3,4\right\}$ 计算其中， $0<\underset{\&OverBar;}{\mathrm{\&theta;}}\&le;{\mathrm{\&theta;}}^t\&le;\stackrel{\&OverBar;}{\mathrm{\&theta;}}<2,$ θ和为标量，为最优解的估计值，并根据公式进行计算，其中，为第t次迭代计算时，D(·^t)的最优值；

7)按照式 ${\mathrm{\&alpha;}}_i^{t+1}={\mathrm{\&alpha;}}_i^t-{\mathrm{\&kappa;}}_1^t\&CenterDot;\&lsqb;\underset{n\&Element;A}{\&Sigma;}{\mathrm{\&rho;}}_{i,n}-1\&rsqb;,{\mathrm{\&beta;}}_{i,n}^{t+1}={\mathrm{\&beta;}}_{i,n}^t-{\mathrm{\&kappa;}}_2^t\&CenterDot;{\mathrm{\&rho;}}_{i,n},{\mathrm{\&gamma;}}_n^{t+1}={\mathrm{\&gamma;}}_n^t-{\mathrm{\&kappa;}}_3^t\&lsqb;P-M_n\&rsqb;,$ ${\mathrm{\&chi;}}_n^{t+1}={\mathrm{\&chi;}}_n^t-{\mathrm{\&kappa;}}_4^t\&lsqb;M_n-{\mathrm{\&Sigma;}}_{i=1}^{\left|L\right|}{\mathrm{\&rho;}}_{i,n}{U}_{i,n}\&rsqb;$ 计算和

8)计算D(·^t+1)，并按照下述公式计算和

${\mathrm{\&phi;}}_j^{t+1}=\left\{\begin{array}{cc}{\mathrm{a\&phi;}}_j^t,& D\left({\&CenterDot;}^{t+1}\right)\&le;D^t\\ max\{{\mathrm{b\&phi;}}_j^t,c\},& D\left({\&CenterDot;}^{t+1}\right)>D^t\end{array}\right.$

9)令t＝t+1；

10)计算判断是否满足迭代终止条件：D(·^t)-D(·^t-1)<ε；

11)若上述迭代终止条件满足，则停止迭代计算，若计算终止条件满足，则停止计算，即为最优解否则，执行步骤2)，继续迭代计算，直到满足迭代终止条件D(·^t)-D(·^t-1)<ε为止。

附图说明

图1为本发明的实施例中方法实施流程示意图；

图2为本发明的实施例中超密集异构移动蜂窝网络覆盖范围空间上大小相等棋盘格划分示意图；

图3为本发明的实施例中基于负载格的网络负载量时变性与空间差异性表征示意图。

具体实施方式

为使本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图作详细说明如下。

本发明要解决的技术问题是：针对移动通信网络中负载量的时变和空间分布不均匀的特点，如何设计一种有效的负载均衡方法，提高4G与后4G超密集异构蜂窝网络中无线资源(如，固定频谱带宽与基站固定的发射功率)利用效率与***容量。

为解决上述技术问题，本发明提供了一种超密集异构移动蜂窝网络负载均衡方法，如图1所示，包括以下步骤：

S1、将一定超密集异构移动蜂窝网络覆盖范围空间上划分为大小相等的棋盘格，并对棋盘格内的平均流量进行周期统计，如图3所示，以不同棋盘格内负载量表征网络负载的时间波动性和空间差异性，从图3中可以看出，同一周期(即时间)、不同棋盘格(即空间)的负载量不同(即颜色)；不同周期(即时间)、同一棋盘格(即空间)的负载量也不同(即颜色)。

S2、根据每个棋盘格内的平均流量进行周期统计值，以及超密集异构移动蜂窝网络每个基站所配置的无线资源，对不同棋盘格对应覆盖服务的基站进行分配。

其中，步骤S1具体为：将一定超密集异构网络覆盖区域划分为如图2所示的|L|个大小相等的棋盘格组成的棋盘，其中，L为所有棋盘格构成的集合，|L|表示该集合内元素的数量，由棋盘格的尺寸设定，工程实践中可根据负载空间分辨率需求选择，例如，选择为5米、10米、15米等。称每个棋盘格为一个负载格(Traffic-lattices，TL)，令X(k)＝[x₁(k),x₂(k),...,x_|L|(k)]^T表示全部负载格在第k，k∈N个周期内的累计业务量，其中，k为不同周期标识，N为正整数集合。

其中，步骤S2具体为：

将带宽与功率两无线资源等分，W和Hz分别为等分后ANn的单位发射功率(Powerunit，PU)和单位带宽，n为不同AN标识，工程实践中它们可以根据需要等分，如，单位发射功率1mW，单位带宽12kHz。ANn的最大发射功率和全部带宽分别为P个PU和P个单位带宽。

计算ANn功耗的可根据AN当前发射功率按照式计算得到，其中，N_n为ANn的收发器的个数，为最小发射功率输出时ANn的功率消耗，ζ_n为与ANn负载有关的功率消耗参数，工程实践中可根据不同基站型号确定。

按照式计算TLi中所有用户接入到ANn时TLi内移动用户的平均传输速率，其中，N₀为均值为0的白噪声的标准差；κ为路径损耗方程系数，从通信工程手册中可获得；m为路径损耗指数，其根据基站周围环境在2到4之间取值；d_i,n为ANn与TLi之间的最远距离。

定义ρ_i,n(k)为第k个周期内TLi是否分配到ANn的0-1变量，具有定义为在任意周期k内，省略不同周期标识k，最优化的ρ_i,n(k)值具体通过以下步骤获得：

1)选择精度值ε>0，例如取值0.001；计算(为第k个周期内，若TLi关联到ANn，ANn需要消耗的PU个数)，R_i,n和的值；令t为迭代次数，并初始化为t＝0；初始化变量令所有关联变量 ${\mathrm{\&rho;}}_{i,n}^t=0,$ 初始化和为0；

2)对于每个ANn，根据式 $M_n^t=\min \left\{\exp \left(\log \left(\frac{R_{i,n}}{{\mathrm{\&Delta;}}_n^0}\right)-{\mathrm{\&chi;}}_n^t+\frac{{\mathrm{\&beta;}}_{i,n}^t-{\mathrm{\&alpha;}}_i^t}{U_{i,n}}\right),P\right\}$ 计算其中为第t次迭代，ANn使用的总发射功率，按照式 $M_n\left(k\right)=\underset{i\&Element;A}{\&Sigma;}{\mathrm{\&rho;}}_{i,n}\left(k\right)\&CenterDot;U_{i,n}\left(k\right),\&ForAll;n\&Element;A$ 计算，P为AN的额定最大发射功率；

3)根据式 ${\mathrm{\&theta;}}^t=\exp \left(log\right({\mathrm{\&Delta;}}_n^0)-{\mathrm{\&chi;}}_n^t+\frac{{\mathrm{\&beta;}}_{i,n}^t+{\mathrm{\&alpha;}}_i^t}{U_{i,n}})$ 计算θ^t；

4)根据P与θ^t的大小，确定第t次迭代中最优的值：

c.如果P≤θ^t，根据下式确定

${\mathrm{\&rho;}}_{i,n}^t=\left\{\begin{array}{cc}0,& {\mathrm{\&beta;}}_{i,n}^t+U_{i,n}\log \frac{R_{i,n}}{{\mathrm{\&Delta;}}_n^0}<0\\ \&lsqb;0,1\&rsqb;,& {\mathrm{\&beta;}}_{i,n}^t+U_{i,n}\log \frac{R_{i,n}}{{\mathrm{\&Delta;}}_n^0}=0\\ 1,& {\mathrm{\&beta;}}_{i,n}^t+U_{i,n}\log \frac{R_{i,n}}{{\mathrm{\&Delta;}}_n^0}>0\end{array}\right.,$

d.如果P>θ^t，根据下式确定

${\mathrm{\&rho;}}_{i,n}^t=\left\{\begin{array}{cc}0,& U_{i,n}{\mathrm{\&chi;}}_n^t-{\mathrm{\&beta;}}_{i,n}^t+{\mathrm{\&alpha;}}_i^t<0\\ \&lsqb;0,1\&rsqb;,& U_{i,n}{\mathrm{\&chi;}}_n^t-{\mathrm{\&beta;}}_{i,n}^t+{\mathrm{\&alpha;}}_i^t=0\\ 1,& U_{i,n}{\mathrm{\&chi;}}_n^t-{\mathrm{\&beta;}}_{i,n}^t+{\mathrm{\&alpha;}}_i^t>0\end{array}\right.$

5)根据下式计算和

其中，中·表示变量或

6)根据式 ${\mathrm{\&kappa;}}_j^t={\mathrm{\&theta;}}^t\frac{D\left({\&CenterDot;}^t\right)-D_{est}^t}{\left|\right|\&part;D^{*}\left({\&CenterDot;}^t\right)|{|}^2},j\&Element;\left\{1,2,3,4\right\}$ 计算其中， $0<\underset{\&OverBar;}{\mathrm{\&theta;}}\&le;{\mathrm{\&theta;}}^t\&le;\stackrel{\&OverBar;}{\mathrm{\&theta;}}<2,$ θ和为标量，为最优解的估计值，并根据公式进行计算，其中，为第t次迭代计算时，D(·^t)的最优值。

7)按照式 ${\mathrm{\&alpha;}}_i^{t+1}={\mathrm{\&alpha;}}_i^t-{\mathrm{\&kappa;}}_1^t\&CenterDot;\&lsqb;\underset{n\&Element;A}{\&Sigma;}{\mathrm{\&rho;}}_{i,n}-1\&rsqb;,{\mathrm{\&beta;}}_{i,n}^{t+1}={\mathrm{\&beta;}}_{i,n}^t-{\mathrm{\&kappa;}}_2^t\&CenterDot;{\mathrm{\&rho;}}_{i,n},{\mathrm{\&gamma;}}_n^{t+1}={\mathrm{\&gamma;}}_n^t-{\mathrm{\&kappa;}}_3^t\&lsqb;P-M_n\&rsqb;,$ ${\mathrm{\&chi;}}_n^{t+1}={\mathrm{\&chi;}}_n^t-{\mathrm{\&kappa;}}_4^t\&lsqb;M_n-{\&Sigma;}_{i=1}^{\left|L\right|}{\mathrm{\&rho;}}_{i,n}{U}_{i,n}\&rsqb;$ 计算和

8)计算D(·^t+1)，并按照下述公式计算和

${\mathrm{\&phi;}}_j^{t+1}=\left\{\begin{array}{cc}{\mathrm{a\&phi;}}_j^t,& D\left({\&CenterDot;}^{t+1}\right)\&le;D^t\\ max\{{\mathrm{b\&phi;}}_j^t,c\},& D\left({\&CenterDot;}^{t+1}\right)>D^t\end{array}\right.$

9)令t＝t+1；

10)计算判断是否满足迭代终止条件：D(·^t)-D(·^t-1)<ε；

11)若上述迭代终止条件满足，则停止迭代计算，若计算终止条件满足，则停止计算，即为最优解否则，执行步骤2)，继续迭代计算，直到满足迭代终止条件D(·^t)-D(·^t-1)<ε为止。

针对移动通信网络中负载量的时变和空间分布不均匀的特点，设计一种了超密集异构移动蜂窝网络负载均衡方法，以不同棋盘格内负载量表征网络负载量的时间波动性和空间差异性；对不同棋盘格对应覆盖服务的基站进行分配，大大提高4G与后4G超密集异构蜂窝网络中无线资源(如，固定频谱带宽与基站固定的发射功率)利用效率与***容量。

Claims (7)

1.一种超密集异构移动蜂窝网络负载均衡方法，包括以下步骤：

S1、将超密集异构移动蜂窝网络覆盖范围空间划分为大小相等的若干个棋盘格，并对每个棋盘格内的平均流量进行周期统计，以获得每个棋盘格内的负载量，并以其表征网络负载的时间波动性和空间差异性；

S2、根据每个棋盘格内的负载量，以及超密集异构移动蜂窝网络中每个基站所配置的无线资源，对每个棋盘格对应覆盖服务的基站进行分配。

2.根据权利要求1所述的方法，其特征在于，步骤S1包括：将超密集异构网络覆盖区域划分为|L|个大小相等的棋盘格，其中，L为所有棋盘格构成的集合，|L|表示该集合内元素的数量；

定义每个棋盘格为一负载格TL，令X(k)＝[x₁(k),x₂(k),...,x_|L|(k)]^T表示全部负载格在第k，k∈N个周期内的累计负载量，其中，k为不同周期标识，N为正整数集合，x(k)表示某个棋盘格在第k个周期内的负载量，T表示矩阵转置符号。

3.根据权利要求1所述的方法，其特征在于，所述棋盘格的尺寸根据负载空间分辨率需求选择。

4.根据权利要求1所述的方法，其特征在于，所述周期的时长根据统计流量不同时刻相关性选取。

5.根据权利要求1所述的方法，其特征在于，所述无线资源包括带宽和功率。

6.根据权利要求5所述的方法，其特征在于，步骤S2包括：

将带宽与功率等分，功率等分后为ANn的单位发射功率PU；带宽等分后为单位带宽；其中n为不同接入点AN的标识，下角标n表示基站标示，0表示单位；

根据AN当前发射功率计算ANn功耗的的公式为：其中，N_n为ANn的收发器的个数，为最小发射功率输出时ANn的功率消耗，ζ_n为与ANn负载有关的功率消耗参数；

按照式计算TLi中所有用户接入到ANn时TLi内移动用户的平均传输速率R_i,n，其中，i表示不同TL的标识，N₀为均值为0的白噪声的标准差；κ为路径损耗方程系数；m为路径损耗指数；d_i,n为ANn与TLi之间的最远距离；

定义ρ_i,n(k)为第k个周期内TLi是否分配到ANn的0-1变量，具体定义为

在任意周期k内，省略不同周期标识k，得到最优化的ρ_i,n(k)值

以表示棋盘格i应分配到的基站n，以此类推得到所有棋盘格的应分配的基站；并据此对基站进行分配。

7.根据权利要求6所述的方法，其特征在于，具体通过以下步骤获得：

1)选择精度值ε>0；计算第k个周期内，若TLi关联到ANn，ANn需要消耗的PU个数其中，A表示所有接入点AN的集合，L表示所有TL的集合，R_i,n和的值；定义t为迭代次数，并初始化为t＝0；初始化变量 令所有关联变量初始化和为0；

2)对于每个ANn，根据式 $M_n^t=min\{\exp \left(\log \right(\frac{R_{i,n}}{{\mathrm{\&Delta;}}_n^0})-{\mathrm{\&chi;}}_n^t+\frac{{\mathrm{\&beta;}}_{i,n}^t-{\mathrm{\&alpha;}}_i^t}{U_{i,n}}),P\}$ 计算其中为第t次迭代，ANn使用的总发射功率，按式 $M_n\left(k\right)=\underset{i\&Element;A}{\&Sigma;}{\mathrm{\&rho;}}_{i,n}\left(k\right)\&CenterDot;U_{i,n}\left(k\right),\&ForAll;n\&Element;A$ 计算，其中，P为AN的额定最大发射功率；

3)根据式 ${\mathrm{\&theta;}}^t=\exp \left(\log \right({\mathrm{\&Delta;}}_n^0)-{\mathrm{\&chi;}}_n^t+\frac{{\mathrm{\&beta;}}_{i,n}^t+{\mathrm{\&alpha;}}_i^t}{U_{i,n}})$ 计算θ^t；

4)根据P与θ^t的大小，确定第t次迭代中最优的值，包括：

a.如果P≤θ^t，根据下式确定

${\mathrm{\&rho;}}_{i,n}^t=\left\{\begin{array}{cc}0,& {\mathrm{\&beta;}}_{i,n}^t+U_{i,n}\log \frac{R_{i,n}}{{\mathrm{\&Delta;}}_n^0}<0\\ \&lsqb;0,1\&rsqb;,& {\mathrm{\&beta;}}_{i,n}^t+U_{i,n}\log \frac{R_{i,n}}{{\mathrm{\&Delta;}}_n^0}=0\\ 1,& {\mathrm{\&beta;}}_{i,n}^t+U_{i,n}\log \frac{R_{i,n}}{{\mathrm{\&Delta;}}_n^0}>0\end{array}\right.,$

b.如果P＞θ^t，根据下式确定

${\mathrm{\&rho;}}_{i,n}^t=\left\{\begin{array}{cc}0,& U_{i,n}{\mathrm{\&chi;}}_n^t-{\mathrm{\&beta;}}_{i,n}^t+{\mathrm{\&alpha;}}_i^t<0\\ \&lsqb;0,1\&rsqb;,& U_{i,n}{\mathrm{\&chi;}}_n^t-{\mathrm{\&beta;}}_{i,n}^t+{\mathrm{\&alpha;}}_i^t=0\\ 1,& U_{i,n}{\mathrm{\&chi;}}_n^t-{\mathrm{\&beta;}}_{i,n}^t+{\mathrm{\&alpha;}}_i^t>0\end{array}\right.;$

5)根据下式计算 $({\mathrm{\&alpha;}}_i^t,{\mathrm{\&chi;}}_n^t)\&Element;N^{+}$ 和 $({\mathrm{\&beta;}}_{i,n}^t,{\mathrm{\&gamma;}}_n^t)\&Element;R:$

其中，中·表示变量或

6)根据式 ${\mathrm{\&kappa;}}_j^t={\mathrm{\&theta;}}^t\frac{D\left({\&CenterDot;}^t\right)-D_{est}^t}{\left|\right|\&part;D^{*}\left({\&CenterDot;}^t\right)|{|}^2},j\&Element;\{1,2,3,4\}$ 计算其中， $0<\underset{\&OverBar;}{\mathrm{\&theta;}}\&le;{\mathrm{\&theta;}}^t\&le;\stackrel{\&OverBar;}{\mathrm{\&theta;}}<2,$ θ和为标量，为最优解的估计值，并根据公式进行计算，其中，为第t次迭代计算时，D(·^t)的最优值；

7)按照式 ${\mathrm{\&alpha;}}_i^{t+1}={\mathrm{\&alpha;}}_i^t-{\mathrm{\&kappa;}}_1^t\&CenterDot;\&lsqb;\underset{n\&Element;A}{\&Sigma;}{\mathrm{\&rho;}}_{i,n}-1\&rsqb;,{\mathrm{\&beta;}}_{i,n}^{t+1}={\mathrm{\&beta;}}_{i,n}^t-{\mathrm{\&kappa;}}_2^t\&CenterDot;{\mathrm{\&rho;}}_{i,n},{\mathrm{\&gamma;}}_n^{t+1}={\mathrm{\&gamma;}}_n^t-{\mathrm{\&kappa;}}_3^t\&lsqb;P-M_n\&rsqb;,$ ${\mathrm{\&chi;}}_n^{t+1}={\mathrm{\&chi;}}_n^t-{\mathrm{\&kappa;}}_4^t\&lsqb;M_n-{\mathrm{\&Sigma;}}_{i=1}^{\left|L\right|}{\mathrm{\&rho;}}_{i,n}{U}_{i,n}\&rsqb;$ 计算和

8)计算D(·^t+1)，并按照下述公式计算和

${\mathrm{\&phi;}}_j^{t+1}=\left\{\begin{array}{cc}{\mathrm{a\&phi;}}_j^t,& D\left({\&CenterDot;}^{t+1}\right)\&le;D^t\\ max\{{\mathrm{b\&phi;}}_j^t,c\},& D\left({\&CenterDot;}^{t+1}\right)>D^t\end{array}\right.$

9)令t＝t+1；

10)计算判断是否满足迭代终止条件：D(·^t)-D(·^t-1)<ε；

11)若上述迭代终止条件满足，则停止迭代计算，若计算终止条件满足，则停止计算，即为最优解否则，执行步骤2)，继续迭代计算，直到满足迭代终止条件D(·^t)-D(·^t-1)<ε为止。