CN108282822B - 用户关联与功率控制在异构蜂窝网络中的协同优化算法 - Google Patents

用户关联与功率控制在异构蜂窝网络中的协同优化算法 Download PDF

Info

Publication number
CN108282822B
CN108282822B CN201810058889.7A CN201810058889A CN108282822B CN 108282822 B CN108282822 B CN 108282822B CN 201810058889 A CN201810058889 A CN 201810058889A CN 108282822 B CN108282822 B CN 108282822B
Authority
CN
China
Prior art keywords
base station
user
optimal
iteration
energy efficiency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810058889.7A
Other languages
English (en)
Other versions
CN108282822A (zh
Inventor
彭大芹
王付龙
孙向月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810058889.7A priority Critical patent/CN108282822B/zh
Publication of CN108282822A publication Critical patent/CN108282822A/zh
Application granted granted Critical
Publication of CN108282822B publication Critical patent/CN108282822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/38—TPC being performed in particular situations

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种用户关联与功率控制在异构蜂窝网络中的协同优化算法，属于移动通信技术领域。该算法具体包括：S1：利用拉格朗日函数和凸优化工具找出最佳的用户与基站间的关联指数；S2：利用牛顿方法和回馈直线搜索方法为基站分配合适的发射功率；S3：双层迭代方案：在外层循环寻找最佳的用户关联矩阵，在内层循环找出基站最佳的传输功率，通过反复的迭代找出最终的用户关联矩阵和基站的传输功率。本发明能够提升***的能效和负载均衡，减少干扰，同时降低了算法的复杂度。

Description

用户关联与功率控制在异构蜂窝网络中的协同优化算法
技术领域
本发明属于移动通信技术领域，特别是在异构Macro-pico蜂窝网络中，涉及一种用户关联与功率控制联合的能效优化方法。
背景技术
随着移动互联网的发展，增加***容量和提高数据速率已经成为蜂窝网络急需解决的问题。异构Macro-pico蜂窝网络是一种在传统的宏蜂窝网络内部署微微基站(Picocell)的新型架构网络，这种网络架构能够将一部分用户从宏基站卸载到微微基站中，以较低的发射功率满足用户的通信质量要求，异构蜂窝网络架构能够提高***容量和提高数据速率。另一方面，节能减排正在成为全球的热点，绿色通信越来越受到人们的关注，考虑到整个移动通信网络的能耗主要来自基站端，异构蜂窝网络中能效优化问题是未来移动通信重要的研究方向之一。
能效表示为***吞吐量与基站端功耗的比值，一种用户关联策略常被用来提高***能效，用户关联策略有以下几种：(1)最大SINR关联策略，该策略根据用户接收到的最大SINR将用户关联到合适的基站，但是由于宏基站发射功率大于微基站，该策略会使大量用户关联到宏基站，导致整个***负载不均衡，微基站的无线资源不能被充分利用，***吞吐量收到极大限制，并且大量的用户关联到宏基站会增加***能耗，导致***能效偏低。(2)基于偏置值的用户关联策略，由于宏基站发射功率较大，为微基站发射功率添加一定的偏置值来减小与宏基站发射功率的差值，通过调整微基站的偏置值执行用户关联，该策略能在一定程度上使更多用户关联到微基站，但是为每个微基站寻找一个合适的偏置值在实际***中很难实现。(3)在固定功率下基于最大效用函数的用户关联策略，该策略将用户关联到能效最优的基站中，这种方式是以能效最优为前提，提高了***的能效，但是该策略是以基站最大发射功率为前提，并未对基站进行功率控制，除此之外，该策略没有考虑用户对数据速率需求的不同，虽然高速率要求的用户能够按照能效最优的方式关联到基站中，但是这类用户并不一定能得到应有的服务质量。大多数研究都集中在异构蜂窝网络上行链路，基于以上考虑，在下行链路中，需要一种用户关联与功率控制在异构Macro-pico蜂窝网络中的协同优化算法，在基于最大效用函数的用户关联策略基础上，为用户的有效速率添加相应的权重，并且将用户关联与功率控制联合优化***能效。
发明内容
有鉴于此，本发明的目的在于提供一种用户关联与功率控制在异构蜂窝网络中的协同优化算法，该算法能够减少干扰，能有效的提高***能效和负载均衡，同时降低算法的复杂度。
为达到上述目的，本发明提供如下技术方案：
一种用户关联与功率控制在异构蜂窝网络中的协同优化算法，该算法通过将问题分解为两个子问题，在用户关联子问题中求得最佳用户关联矩阵和带权重的有效速率值，保证用户以能效最优的方式关联到基站中，在功率控制子问题求得最佳传输功率，利用功率控制技术降低***间的干扰，最后利用迭代的方法求得***的能效值。
该算法具体包括以下步骤：
S1：利用拉格朗日函数和凸优化工具找出最佳的用户与基站间的关联指数；
S2：利用牛顿方法和回馈直线搜索方法为基站分配合适的发射功率；
S3：双层迭代方案：在外层循环寻找最佳的用户关联矩阵，在内层循环找出基站最佳的传输功率，通过反复的迭代找出最终的用户关联矩阵和基站的传输功率，使***能效最优。
进一步，所述步骤S1中，首先初始化用户与基站间的关联矩阵和基站的传输功率，具体包括：
S11：初始化用户关联矩阵，计算出带权重的有效速率和朗格朗日因子，完成对带权重的有效速率和拉格朗日因子的初始化；初始化计算公式如下：
Figure GDA0002857462020000021
Figure GDA0002857462020000022
其中，
Figure GDA0002857462020000023
表示在第t1次迭代时的拉格朗日因子，它表示为能效问题的数学模型中速率限制条件的拉格朗日因子，
Figure GDA0002857462020000024
表示在第t1次迭代时的带权重的有效速率；
Figure GDA0002857462020000025
表示第t1次迭代时的用户关联指数，wk和
Figure GDA0002857462020000026
分别表示用户的有效速率权重和用户的有效速率，n代表基站，k代表用户；U＝{1，2，3，...,k}表示所有用户的集合；
S12：当用户选择其中的一些基站时，利用一种使效用函数值最大的原则找出最佳的用户关联矩阵，数学表达式如下：
Figure GDA0002857462020000031
Figure GDA0002857462020000032
Figure GDA0002857462020000033
其中，B＝{1,2,3,...,N}表示所有基站的集合，该网络中一共有N个基站；利用凸优化工具找出最佳的用户关联矩阵；
S13：找出最佳的用户关联矩阵后，然后再调整
Figure GDA0002857462020000034
最终得到本次迭代中最佳的用户关联矩阵X、拉格朗日因子λnk和带权重的有效速率ωnk。
进一步，所述步骤S2中，利用牛顿方法和回馈直线搜索方法分别求出搜索方向和步长，具体包括：
S21：利用牛顿方法求得功率更新的搜索方向；
S22：利用回馈直线搜索方法求得功率更新的步长；
S23：利用
Figure GDA0002857462020000035
为基站分配合适的功率，其中
Figure GDA0002857462020000036
表示第t+1次迭代中基站的传输功率，σ(t)表示步长，Δpn表示搜索的方向。
进一步，所述步骤S3中，利用双层迭代的方案求得最终的能效值，具体包括：首先，在步骤S1中求得本次迭代的最佳用户关联矩阵，求得用户关联矩阵后，在步骤S2为基站重新分配最佳的传输功率，完成一次迭代，求得本次迭代的能效值；但此时的能效值并不是最佳的能效值，在算法没有收敛或者还没有达到最大迭代次数时，反复执行步骤S1和步骤S2，寻找最佳的用户关联矩阵与功率分配方案，将每次迭代的能效值进行比较，直到最算法收敛或者达到最大迭代次数，最后得到的能效值即是最大的能效。
本发明的有益效果在于：本发明在基于最大效用函数的用户关联策略基础上，为用户的有效速率添加相应的权重，并且将用户关联与功率控制联合优化***能效。能够减少干扰，能有效的提高***能效和负载均衡，同时降低算法的复杂度。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明的***模型示意图；
图2为本发明的流程示意图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
图1是由宏基站和微微基站组成的双层异构蜂窝网络架构，其中用户和微基站随机分布在传统的宏蜂窝网络中，所有的基站使用相同的频谱资源，在这种场景下，微小区边缘用户会受到宏基站强烈的干扰，由于宏基站发射功率大于微微基站，传统的用户关联策略会使大部分用户会关联到宏基站中，因为宏基站以较高的发射功率满足用户的通信质量要求，并且微微基站的无线资源没有得到充分利用，***吞吐量受到限制，所以***能效不能进一步得到提升，利用功率控制可以减小干扰，利用本发明用户关联策略可以让用户以能效最高的形式关联到基站中。在只考虑异构蜂窝网络的下行链路时，其能效的数学模型为：
Figure GDA0002857462020000041
Figure GDA0002857462020000042
Figure GDA0002857462020000043
Figure GDA0002857462020000044
其中，B＝{1,2,3,...,N}表示所有基站的集合，该网络中一共有N个基站，U＝{1，2，3，...,K}表示所有用户的集合，该网络中有K个用户，xnk表示基站n与用户k的关联指数，当用户k关联到基站n时，此时有xnk＝1，否则xnk＝0。X表示所有用户与基站之间的关联矩阵，是一个k行n列的矩阵。W＝{w1,w2,w3,...,wk,k∈U}表示不同用户的有效数据速率权重。
Figure GDA0002857462020000045
表示用户k与基站n关联时的有效数据速率，其中rnk＝log2(1+SINRnk)，
Figure GDA0002857462020000046
表示用户k接收到来自于基站n的信干噪比，pn表示基站n的发射功率，
Figure GDA0002857462020000047
表示基站n的噪声功率，
Figure GDA0002857462020000048
表示基站中电路消耗的固有功率。
基于图1的***模型，本发明公开了一种用户关联与功率控制的协同优化方法，如图2所示，基于用户关联与功率控制的协同优化方案包括以下步骤：
步骤一：利用拉格朗日函数和凸优化工具找出最佳的用户与基站间的关联指数，首先，初始化用户关联矩阵，计算出带权重的有效速率和朗格朗日因子，完成对带权重的有效速率和拉格朗日因子的初始化。初始化计算公式如下：
Figure GDA0002857462020000051
Figure GDA0002857462020000052
其中，
Figure GDA0002857462020000053
表示在第t1次迭代时的拉格朗日因子，它表示为能效问题的数学模型中速率限制条件的拉格朗日因子，
Figure GDA0002857462020000054
表示在第t1次迭代时的带权重的有效速率；
Figure GDA0002857462020000055
表示第t1次迭代时的用户关联指数，wk和
Figure GDA0002857462020000056
分别表示用户的有效速率权重和用户的有效速率，n代表基站，k代表用户。
其次，当用户选择其中的一些基站时，利用一种使效用函数值最大的原则找出最佳的用户关联矩阵，数学表达式如下：
Figure GDA0002857462020000057
Figure GDA0002857462020000058
Figure GDA0002857462020000059
利用凸优化工具找出最佳的用户关联矩阵。
当用户关联矩阵变化后，然后再调整
Figure GDA00028574620200000510
最终得到本次迭代中最佳的用户关联矩阵x、拉格朗日因子λnk和带权重的有效速率ωnk。
步骤二：利用牛顿方法和回馈直线搜索方法分别求出搜索方向和步长，具体来说，首先利用牛顿方法求得功率更新的搜索方向，然后利用回馈直线搜索方法求得功率更新的步长，最后利用式子
Figure GDA0002857462020000061
为基站分配合适的功率，其中
Figure GDA0002857462020000062
表示第t+1次迭代中基站的传输功率，σ(t)表示步长，Δpn表示搜索的方向。
步骤三：利用双层迭代的方案求得最终的能效值，首先，对功率初始化，在步骤一中求得本次迭代的最佳的用户关联矩阵，求得用户关联矩阵后，在步骤二为基站重新分配最佳的传输功率，这样就完成了一次迭代，求得本次迭代的能效值，但此时的能效值并不是最佳的能效值，在算法没有收敛或者还没有达到最大迭代次数时，反复执行步骤一和步骤二寻找最佳的用户关联矩阵与功率分配方案，直到最后算法收敛或者达到最大迭代次数，最后得到的能效值即是最大的能效。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (1)

1.一种用户关联与功率控制在异构蜂窝网络中的协同优化算法，其特征在于，该算法通过将问题分解为两个子问题，在用户关联子问题中求得最佳用户关联矩阵和带权重的有效速率值，保证用户以能效最优的方式关联到基站中，在功率控制子问题求得最佳传输功率，利用功率控制技术降低***间的干扰，最后利用迭代的方法求得***的能效值；
该算法具体包括以下步骤：
S1：利用拉格朗日函数和凸优化工具找出最佳的用户与基站间的关联指数；
步骤S1中，首先初始化用户与基站间的关联矩阵和基站的传输功率，具体包括：
S11：初始化用户关联矩阵，计算出带权重的有效速率和朗格朗日因子，完成对带权重的有效速率和拉格朗日因子的初始化；初始化计算公式如下：
Figure FDA0002969481600000011
Figure FDA0002969481600000012
其中，
Figure FDA0002969481600000013
表示在第t1次迭代时的拉格朗日因子，它表示为能效问题的数学模型中速率限制条件的拉格朗日因子，
Figure FDA0002969481600000014
表示在第t1次迭代时的带权重的有效速率；
Figure FDA0002969481600000015
表示第t1次迭代时的用户关联指数，wk和
Figure FDA0002969481600000016
分别表示用户的有效速率权重和用户的有效速率，n代表基站，k代表用户；U＝{1，2，3，...,k}表示所有用户的集合；
S12：当用户选择其中的一些基站时，利用一种使效用函数值最大的原则找出最佳的用户关联矩阵，数学表达式如下：
Figure FDA0002969481600000017
Figure FDA0002969481600000018
Figure FDA0002969481600000019
其中，B＝{1,2,3,...,N}表示所有基站的集合，该网络中一共有N个基站；利用凸优化工具找出最佳的用户关联矩阵；
S13：找出最佳的用户关联矩阵后，然后再调整
Figure FDA0002969481600000021
最终得到本次迭代中最佳的用户关联矩阵X、拉格朗日因子λnk和带权重的有效速率ωnk；
S2：利用牛顿方法和回馈直线搜索方法为基站分配合适的发射功率；
步骤S2中，利用牛顿方法和回馈直线搜索方法分别求出搜索方向和步长，具体包括：
S21：利用牛顿方法求得功率更新的搜索方向；
S22：利用回馈直线搜索方法求得功率更新的步长；
S23：利用
Figure FDA0002969481600000022
为基站分配合适的功率，其中
Figure FDA0002969481600000023
表示第t+1次迭代中基站的传输功率，σ(t)表示步长，Δpn表示搜索的方向；
S3：双层迭代方案：在外层循环寻找最佳的用户关联矩阵，在内层循环找出基站最佳的传输功率，通过反复的迭代找出最终的用户关联矩阵和基站的传输功率，使***能效最优；
步骤S3中，利用双层迭代的方案求得最终的能效值，具体包括：首先，在步骤S1中求得本次迭代的最佳用户关联矩阵，求得用户关联矩阵后，在步骤S2为基站重新分配最佳的传输功率，完成一次迭代，求得本次迭代的能效值；但此时的能效值并不是最佳的能效值，在算法没有收敛或者还没有达到最大迭代次数时，反复执行步骤S1和步骤S2，寻找最佳的用户关联矩阵与功率分配方案，将每次迭代的能效值进行比较，直到最算法收敛或者达到最大迭代次数，最后得到的能效值即是最大的能效。
CN201810058889.7A 2018-01-22 2018-01-22 用户关联与功率控制在异构蜂窝网络中的协同优化算法 Active CN108282822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810058889.7A CN108282822B (zh) 2018-01-22 2018-01-22 用户关联与功率控制在异构蜂窝网络中的协同优化算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810058889.7A CN108282822B (zh) 2018-01-22 2018-01-22 用户关联与功率控制在异构蜂窝网络中的协同优化算法

Publications (2)

Publication Number Publication Date
CN108282822A CN108282822A (zh) 2018-07-13
CN108282822B true CN108282822B (zh) 2021-05-04

Family

ID=62804347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810058889.7A Active CN108282822B (zh) 2018-01-22 2018-01-22 用户关联与功率控制在异构蜂窝网络中的协同优化算法

Country Status (1)

Country Link
CN (1) CN108282822B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111328087B (zh) * 2018-12-17 2021-09-14 上海大学 基于深度学习的高能效异构网络子信道分配与功率分配方法
CN111787579B (zh) * 2020-06-24 2023-04-25 南京工程学院 一种基于能效和负载的异构蜂窝网络用户与基站关联方法
CN111930436B (zh) * 2020-07-13 2023-06-16 兰州理工大学 一种基于边缘计算的随机型任务排队卸载优化方法
CN112637907B (zh) * 2020-12-18 2022-07-12 温州大学 毫米波网络中用户多关联和下行功率分配的联合优化方法
CN113473629B (zh) * 2021-06-30 2023-10-31 华南师范大学 用户自适应连接基站进行通信的方法、装置、介质及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103748802A (zh) * 2011-08-25 2014-04-23 高通股份有限公司 针对协作式多点通信的用户设备增强
CN104105193A (zh) * 2014-07-01 2014-10-15 西安交通大学 一种异构网络中基于Starckelberg 博弈的功率分配方法
CN104412647A (zh) * 2012-07-12 2015-03-11 华为技术有限公司 用于帮助解决通信***中的边界问题的集群优化的***和方法
CN104980942A (zh) * 2014-04-01 2015-10-14 株式会社Ntt都科摩 通信网络中的功率控制方法、基站,以及通信***
CN107592651A (zh) * 2016-07-08 2018-01-16 北京化工大学 一种5g超密集异构网络中的用户协同方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103748802A (zh) * 2011-08-25 2014-04-23 高通股份有限公司 针对协作式多点通信的用户设备增强
CN104412647A (zh) * 2012-07-12 2015-03-11 华为技术有限公司 用于帮助解决通信***中的边界问题的集群优化的***和方法
CN104980942A (zh) * 2014-04-01 2015-10-14 株式会社Ntt都科摩 通信网络中的功率控制方法、基站,以及通信***
CN104105193A (zh) * 2014-07-01 2014-10-15 西安交通大学 一种异构网络中基于Starckelberg 博弈的功率分配方法
CN107592651A (zh) * 2016-07-08 2018-01-16 北京化工大学 一种5g超密集异构网络中的用户协同方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Joint User Association and Power Control for Load Balancing in Downlink Heterogeneous Cellular Networks";Tianqing Zhou,Zunxiong Liu,Junhui Zhao,Chunguo Li，Luxi Yang;《IEEE Transactions on Vehicular Technology》;20171101;第67卷(第3期);参见第2582 - 2593页 *
"异构蜂窝网络中用户关联与基站功率的协同优化";苏恭超，陈彬，林晓辉，王晖，李乐民;《电讯技术》;20160128;第56卷(第1期);参见第7页摘要，第8页引言部分末尾，第9页第2节，第9页-第10页第3节 *

Also Published As

Publication number Publication date
CN108282822A (zh) 2018-07-13

Similar Documents

Publication Publication Date Title
CN108282822B (zh) 用户关联与功率控制在异构蜂窝网络中的协同优化算法
CN109474980B (zh) 一种基于深度增强学习的无线网络资源分配方法
Wang et al. Joint interference alignment and power control for dense networks via deep reinforcement learning
US9591564B2 (en) Methods for dynamic traffic offloading and transmit point (TP) muting for energy efficiency in virtual radio access network (V-RAN)
Feng et al. BOOST: Base station on-off switching strategy for green massive MIMO HetNets
CN107708197B (zh) 一种高能效的异构网络用户接入和功率控制方法
CN105722205A (zh) 一种超密集异构网络能量有效资源分配方法
Mensah et al. Energy efficiency based joint cell selection and power allocation scheme for HetNets
CN104168653B (zh) 一种基于干扰管理的宏基站与家庭基站联合资源分配方法
Zhou et al. Multi-server federated edge learning for low power consumption wireless resource allocation based on user QoE
Zhang et al. The cell zooming algorithm for energy efficiency optimization in heterogeneous cellular network
Su et al. A power allocation scheme based on deep reinforcement learning in HetNets
CN108965034B (zh) 小小区基站超密集部署下的用户关联到网络的方法
CN114615730A (zh) 回程受限密集无线网络面向内容覆盖的功率分配方法
CN104080091A (zh) 分层异构网络中基于负载预测分组的家庭基站频谱分配方法
Zhou et al. ADMM based algorithm for eICIC configuration in heterogeneous cellular networks
Mu et al. Latency constrained partial offloading and subcarrier allocations in small cell networks
CN106686707B (zh) 基于集中式自组织网络架构的倾角调整动态扇区休眠方法
CN111065121B (zh) 一种考虑小区差异的密集网络能耗及能效联合优化方法
CN108834158B (zh) 一种用于超密集组网的干扰管理方法
Yang et al. A resource allocation method based on the core server in the collaborative space for mobile edge computing
CN109275163B (zh) 一种基于结构化排序特征的非正交多址接入联合带宽和速率分配方法
CN110602718A (zh) 基于交替方向乘子法的异构蜂窝网络功率分配方法及***
CN105873127A (zh) 基于随机决定的启发式用户连接的负载均衡方法
Guo et al. QoS-aware energy-efficient MicroBase station deployment for 5G-enabled HetNets

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant