CN109348532B - 一种基于不对称中继传输的认知车联网高效联合的资源分配方法 - Google Patents

Abstract

本发明提出了一种基于不对称中继传输的认知车网络最大化***容量的资源分配方法。该方法采用了分布式算法对目标函数进行建模，根据最大化***容量为优化目标，并加入认知***最低通信速率，干扰，功率等要求。近似最优解求解过程中，先进性子载波和中继的分配，完成最优链路选择之后再进行功率分配。对于一般算法不能达到性能和复杂度均衡的问题，我们提出在功率分配部分采用交替优化机制完成拉格朗日乘子的求解，得到近似最优功率的分配。最终，完成最大化***容量的资源分配。MATLAB通信仿真环境下的仿真实验证明了该方法可以在性能和复杂度之间取得平衡。

Description

一种基于不对称中继传输的认知车联网高效联合的资源分配 方法

技术领域

本发明涉及一种认知车联网技术，尤其涉及一种认知车联网的资源分配方法，更具体地说，涉及一种基于不对称中继传输的认知车联网高效联合的资源分配方法。

背景技术

车联网(Internet of Vehicle，IoV)是指由车辆位置，速度和路线信息组成的巨大互联网络。随着信息技术的快速发展，人们对通信要求日益增高，合理高效的分配通信资源依旧是热点问题。现如今，IoV中的资源分配(Resource Allocation，RA)面临着许多挑战，其中一个挑战就是频谱资源短缺。随着IoV及相关应用基础设施数量的不断增加，通信业务量大大增加，导致专用短距离通信(DSRC)频谱资源不足。同时，更高的实时性要求也带来了另一个挑战。由于IoV是智能交通***(Intelligent Transportation System，ITS)的基础，因此为了保证交通***的安全，我们对***的实时性和可靠性的要求是严格的。此外，由于车辆间距离较长且车辆密度在不停地变化，IoV的覆盖范围也是考虑的焦点。

认知无线电网络(Cognitive Radio Network，CRN)通过智能传感和动态接入频谱解决了频谱稀缺问题。采用机会频谱接入(OSA)来减少密集节点引起的冲突和竞争延迟，提高了通信的实时性。协作中继可以提供可靠的端到端通信并减少衰落效应，可用于增加IoV的覆盖范围。因此，结合IoV，CR和中继技术，出现了一种新型的IoV***一中继协作认知车联网。

在认知IoV中，由于车速快，车间距离长，车辆密度变化大等因素，建立和维持端到端通信是非常困难的，所以，很多研究者考虑将存储转发技术用于车辆通信***中。有文献提出了一种基于隐马尔可夫模型(PRHMM)的车辆自组织网络(VANT)预测路由，利用车辆运动行为的规律性来提高传输性能，但他们没有考虑RA问题；有文献提出了基于认知中继网络中能效优先的功率分配算法，它研究了一种最坏情况下的鲁棒功率分配方案，来提高上行协作中继正交频分多址(Orthogonal Frequency Division Multiple，OFDM)链路的能量效率，论文考虑了主用户(Primary User，PU)和次用户(Secondary Use，SU)之间的信道以及SU和相应中继之间的信道的不完美信道状态信息(Channel Situation Information，CSI)，但是没有考虑应用到IoV***中。此外，上述所有工作都假设是对称的RA，即节点之间的发送持续时间相等，这对于实际信道是很难实现的。又有文献提出了一种基于认知中继网络中跨层的非对称RA，考虑到队列稳定性和服务质量(Quality of Service，QoS)等要求，但它没有研究IoV。因此，本发明在基于不对称中继传输的认知车联网中，提出了一种高效联合的RA算法，以使***吞吐量最大化，同时相比较于先前学者们提出的算法，我们提出的算法可以在复杂度和性能之间取得很好的平衡。

发明内容

发明目的：针对现有技术存在的上述问题，提出一种基于不对称中继传输的认知车联网的高效联合资源分配方法，该方法能在认知车联网不对称中继传输时隙条件下，以低复杂度和高性能的优势实现吞吐量最大化。

技术方案：在不对称中继传输的认知车联网***中，合理高效的分配资源已达到吞吐量最大化的目的。联合考虑认知源，认知中继功率约束，干扰约束以及***最低速率等约束条件下，根据***模型建立目标函数，并进行优化求解。采用分步式算法，先进行子载波，中继分配，完成之后再进行功率分配。其中，子载波和中继分配过程中，采用源和中继处可用总功率平均分配的方法，快速得到使***容量最大化的子载波分配以及最优中继选择，选择出最佳链路；功率分配部分，构造拉格朗日函数，根据KKT条件求得最优解表达式，计算拉格朗日乘子时，摒弃传统算法迭代次数多，复杂度高的缺点，采用交替优化机制，降低算法复杂度，完成功率分配。完成上述发明通过以下技术方案加以实现：一种基于不对称中继传输的认知车联网高效联合的资源分配方法，包括步骤如下：

(1)，分别考虑在认知源和认知中继传输功率限制、第一时隙和第二时隙的干扰限制、认知***最低传输速率等约束条件下，确定最大化容量的***模型，得到目标函数；

(2)，对认知源和认知中继采用平均分配可用总功率的方法，快速得到使***容量最大化的子载波分配以及最优中继选择，建立最佳链路；

(3)，更新目标函数，将功率值和时隙长度作为目标函数的变量；

(4)，构造拉格朗日函数，根据KKT条件，得到最优解；

(5)，采用交替优化机制，得到最优的拉格朗日乘子，代入最优解中，完成近似最优功率分配。

进一步的，所述步骤(1)包括如下具体步骤：

(1a)，计算次用户上第i个子载波对主用户的干扰，以及主用户对次用户的干扰；

(1b)，计算第一时隙和第二时隙的通信速率。

(1c)，联合考虑各种约束以及通信速率，进行建模，写出***目标函数。

进一步的，所述步骤(2)包括如下具体步骤：

(2a)，假设认知源，认知中继的可用总功率平均分配给所有子载波，每个子载波对主用户造成的干扰以及主用户对次用户上每个子载波造成的干扰都相等，由此得到源节点分配给第j个子载波的发射功率以及认知中继m在第k个子载波的发射功率

(2b)，对认知源子载波j，寻找最佳认知中继

以及匹配的认知目的子载波k^*满足(m^*，k^*)＝argmax_m，k(P_m，kH_m，k)并计算此时

的值；

(2c)，为保证***可靠通信，需要满足链路通信速率不低于预设门限值，所以，对速率分两种情况进行讨论；

(2d)，若

不做分配并将认知源子载波j和认知目的子载波k^*分别从各自的子载波集合中移除，若

则分配子载波和中继，令ψ(j，m^*)＝1，ω(m^*，k^*)＝1，并将子载波从各自的集合中移除，重复此步骤直到子载波集合为空，此时完成中继和子载波的分配。

进一步的，所述步骤(5)包括如下具体步骤：

(5a)，初始化中继发射功率

搜索最小拉格朗日变量λ^*，μ^*满足约束条件

(认知源功率约束)和

(第一时隙干扰约束)；

(5b)，更新拉格朗日变量λ＝λ^*，μ＝μ^*，直到拉格朗日乘子迭代误差小于预设的误差值，此时算法收敛，得到拉格朗日乘子，代入最优解公式，得到认知源最佳功率分配；

(5c)，对于认知中继最佳功率分配，初始化认知源发射功率

搜索拉格朗提变量

γ满足约束条件

(认知中继功率约束)，

(第二时隙干扰约束)，

(***速率约束)，更新拉格朗日变量，得到算法收敛时的值，代入认知中继最优功率分配公式和时隙分配公式，得到近似最优解。

有益效果：本发明提出的一种基于不对称中继传输的认知车联网中高效联合资源分配方法，分别考虑在认知源和认知中继传输功率限制、第一时隙和第二时隙的干扰限制、认知***最低传输速率等约束条件，确保了资源分配的合理性。对复杂的目标函数进行分步求解，大大降低算法的难度和计算量。假设干扰，功率平均分配，以最大化容量为目标可以快速分配子载波和中继。迭代求解拉格朗日乘子时，采用交替机制，大大降低迭代次数。仿真结果显示，所提算法可以在***性能和计算复杂度之间取得很好的平衡。

综上所述，在保证资源分配合理，***性能好以及计算复杂度低的情况下，本发明提出的一种不对称中继传输的认知车联网中高效联合资源分配方法在最大化***吞吐量方面是优越的。

附图说明

图1为基于不对称中继传输的认知车联网高效联合资源分配算法流程图；

图2为***容量随认知源到认知中继的距离的变化图；

图3为不同算法下***容量随认知源和认知中继的可用总功率的变化图；

图4为不同算法下***容量随干扰阈值的变化图；

具体实施方式

本发明的核心思想在于：在不对称中继协作的认知车联网中，对于功率分配部分中拉格朗日乘子求解过程，摒弃传统算法迭代次数多，计算复杂度高的缺点，创新的采用交替优化的机制，分别求解对应的拉格朗日乘子值，得到认知源和认知中继的近似最优功率分配。

下面对本发明做进一步详细描述。

步骤(1)，分别考虑在认知源和认知中继传输功率限制、第一时隙和第二时隙的干扰限制、认知***最低传输速率等约束条件下，确定最大化容量的***模型，得到目标函数，包括如下步骤：

考虑一个认知车联网中不对称中继传输的下行链路，中继采用译码转发方式。***包括一个主用户节点，一对次用户节点(认知源和认知目的)，M个中继节点，用集合m∈[1，...，M]表示，总的授权带宽B被等分成N个子载波，子载波用集合N＝{1，2，...，N}表示，每个子载波带宽为Vf，认知源上子载波为j，目的子载波为k，因此整条链路表示为(j，m，k)。考虑***中两个传输时隙不等，第1个时隙T₁，认知源传输信息给中继节点，第2个时隙T₂，中继协作转发信息给目的节点，总传输时隙T＝T₁+T₂。定义次用户上第i个子载波对主用户干扰为J_j，主用户对次用户上第i个子载波干扰为I_i，源到中继的功率，路径损耗，信道增益分别为P_j，m，L_j，m，h_j，m，同理，中继到目的的功率，路径损耗，信道增益分别为P_m，k，L_m，k，h_m，k。因此***速率可以定义为：

其中，H_j，m，H_m，k分别为源到中继，中继到目的的信道增益平方，

为加性高斯白噪声和主用户干扰的和，同理，

为加性高斯白噪声和次用户干扰的和。

因此，联合考虑所提约束条件，***模型可表示为：

C8：T＝T₁+T₂ (时隙约束)

其中，P_s，P_m分别为认知源和认知中继节点处最大发射功率，I_th为干扰阈值，R_th是速率阈值，ρ_j是次用户上第j个子载波对主用户的干扰因子，ρ_m，k是在子载波k上的第m个中继对主用户的干扰因子。如果源节点的第j个子载波与中继匹配，则ψ(j，m)＝1，否则ψ(j，m)＝0，如果第m个中继选择和目的节点第k个子载波匹配，则ω(m，k)＝1，否则ω(m，k)＝0。

步骤(2)，进一步优化目标函数：

除了表达式2的约束条件，还需要满足

R_j，m＝R_m，k 表达式4

步骤(3)，子载波和中继分配方案，包括步骤如下：

(3a)，假设认知源，认知中继的可用总功率平均分配给所有子载波，每个子载波对主用户造成的干扰以及主用户对次用户上每个子载波造成的干扰都相等，由此得到源节点分配给第j个子载波的发射功率

同理，认知中继在子载波上的发射功率为

(3b)，已知认知源子载波j，寻找最佳中继

以及匹配的子载波k^*满足

(m^*，k^*)＝argmax_mk(P_m，kH_m，k) 表达式7

并计算此时

的值；

(3c)，保证链路通信速率不低于预设门限值，分两种情况进行讨论，若

不做分配并将子载波j，k^*分别从各自的子载波集合中移除，若

则分配子载波和中继，令ψ(j，m^*)＝1，ω(m^*，k^*)＝1，并将子载波从各自的集合中移除，重复此步骤直到子载波集合为空，此时完成中继和子载波的分配。

步骤(4)，构造拉格朗日函数，根据KKT条件，得到近似最优解，包括如下步骤：

(4a)，拉格朗日函数表示为

其中，P＝{P_j，m，P_m，k}表示功率分配集合，T＝{T₁，T₂}表示时隙分配集合，

是拉格朗日乘子集合；

(4b)，根据KKT条件，得到最优解为

步骤(5)，采用交替优化机制得到拉格朗日乘子值，进行功率分配，包括如下步骤：

(5a)，初始化中继发射功率

搜索最小拉格朗日变量λ^*，μ^*满足约束条件C1和C3；

(5b)，更新拉格朗日变量λ＝λ^*，μ＝μ^*，直到拉格朗日乘子迭代误差小于预设的误差值，此时算法收敛，得到拉格朗日乘子，代入最优解公式，得到认知源最佳功率分配；

(5c)，对于认知中继最佳功率分配，初始化认知源发射功率

搜索拉格朗提变量

γ满足约束条件C2，C4，C5，更新拉格朗日变量，得到算法收敛时的值，代入认知中继最优功率分配公式和时隙分配公式，得到近似最优解。

最后进行仿真，分析并比较结果。通过1000次Monte Carlo实验的平均结果来分析比较不同资源分配算法所得到的不同性能。采用传统迭代求解拉格朗日乘子获得最优解的算法为“算法1”；采用平均功率分配，信道干扰相等得到功率分配，使复杂度大大降低的算法为“算法2”；我们提出的算法称为“算法3”。考虑一对收发节点，M个中继，用户随机分配在1000m×1000m的范围内，设定通信信道均为Rayleigh衰落信道，信道增益为独立的均值为1服从Rayleigh分布的随机值，其中B＝20MHz，N＝64，M＝5，T_s＝5μs，σ²＝10^-4。

在图2中，描述了中继位置对***吞吐量的影响，其中认知源和目的之间的距离固定为2000m，PL指数为3.5。源和中继之间的距离从400m到1600m，且P_s＝P_m＝5dBm。“非对称RA”表示本文提出的算法，而“对称RA”表示文献中的算法。从仿真结果可以很明显的看出非对称优化算法的性能优越，具有良好的鲁棒性，更大的***容量，即中继位置对非对称资源分配比对称资源分配影响更小。

在图3中，描述了不同算法实现的***吞吐量与可用功率的关系，其中I_th＝0dBm。显然，因为***能够给不同的子载波分配更多功率，所以随着功率预算的增加，***容量也在增大。还可以发现，我们提出的算法比“算法2”的性能好的多，同时，能够得到和“算法1”相近的最优解，表明我们的方案提供了一个很好的近似优化，且复杂度比传统算法复杂度低，具有良好的应用价值。而且，在高功率预算区域中，所提出的算法和其他两种方案之间的差距非常接近，这是因为当SU的传输功率较大时，将对PU产生更多干扰，并且干扰应保持在预先指定的阈值以下以确保PU的QoS。

在图4中，描述了不同算法实现的***吞吐量与干扰约束的关系，其中P_s＝P_m＝0dBm。从仿真结果可以看出，我们提出的算法优于“算法2”，并且与最优解“算法1”相近，实现了近似最优的性能，并且计算复杂度要低得多。另外，我们可以观察到***吞吐量随着干扰阈值的增加而增长，并且所有算法在低干扰阈值区域中具有相近的性能。此外，随着干扰阈值的增加，所提算法与其他两种方案之间的差距也随之增大。

不对称中继传输的高效联合资源分配算法，关键在于功率分配部分，在求解拉格朗日乘子时，采用交替优化的机制，减少算法迭代次数，大大降低算法的复杂度，同时又可以很好的确保***性能不会受很大影响。

根据对本发明的说明，本领域的技术人员应该不难看出，本发明的高效联合资源分配算法可以大大降低算法复杂度并且能保证***性能。

本发明申请书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (2)

1.认知车联网中一种基于不对称中继传输的高效联合分配方法，其特征在于，包括步骤如下：

(1)，分别考虑在认知源和认知中继传输功率限制、第一时隙和第二时隙的干扰限制、认知***最低传输速率和链路匹配的约束条件下，考虑一个认知车联网中不对称中继传输的下行链路，***中两个传输时隙不等的方式； 定义***速率：

确定最大化容量的***模型，得到目标函数：

(2)，对认知源和认知中继采用平均分配可用总功率的方法，快速得到使***容量最大化的子载波分配以及最优中继选择，建立最佳链路，其中包括如下具体步骤：

(2a)，假设认知源，认知中继的可用总功率平均分配给所有子载波，每个子载波对主用户造成的干扰以及主用户对次用户上每个子载波造成的干扰都相等，由此得到源节点分配给第j个子载波的发射功率以及认知中继m在第k个子载波的发射功率

(2b)，对认知源子载波j，寻找最佳认知中继

以及匹配的认知目的子载波k^*满足(m^*，k^*)＝argmax_m，k(P_m，kH_m，k)并计算此时

的值；

(2c)，为保证***可靠通信，需要满足链路通信速率不低于预设门限值，所以，对速率分两种情况进行讨论；

(2d)，若

不做分配并将认知源子载波j和认知目的子载波k^*分别从各自的子载波集合中移除，若

则分配子载波和中继，令ψ(j，m^*)＝1，ω(m^*，k^*)＝1，并将子载波从各自的集合中移除，重复此步骤直到子载波集合为空，此时完成中继和子载波的分配；

(3)，更新目标函数，将功率值和时隙长度作为目标函数的变量；

(4)，通过构造拉格朗日函数，并根据KKT条件，得到功率与时隙分配的最优解；

(5)，采用交替优化机制，并根据认知源功率约束与第1时隙干扰约束，更新得到最优的拉格朗日乘子，代入认知中继最优功率分配公式和时隙分配公式：

完成近似最优功率分配。

2.根据权利要求1所述的基于不对称中继传输的高效联合分配方法，其特征在于，所述步骤(5)中，包括如下具体步骤：

(5a)，初始化中继发射功率

搜索最小拉格朗日变量λ^*，μ^*满足约束条件

(认知源功率约束)和

(第一时隙干扰约束)；

(5b)，更新拉格朗日变量λ＝λ^*，μ＝μ^*，直到拉格朗日乘子迭代误差小于预设的误差值，此时算法收敛，得到拉格朗日乘子，代入最优解公式，得到认知源最佳功率分配；

(5c)，对于认知中继最佳功率分配，初始化认知源发射功率

搜索拉格朗提变量

γ满足约束条件

(认知中继功率约束)，

(第二时隙干扰约束)，

(***速率约束)，更新拉格朗日变量，得到算法收敛时的值，代入认知中继最优功率分配公式和时隙分配公式，得到近似最优解。

Images