CN111181670B - 一种分布式天线***能效优化方法、***及存储介质 - Google Patents
一种分布式天线***能效优化方法、***及存储介质 Download PDFInfo
- Publication number
- CN111181670B CN111181670B CN201910964139.0A CN201910964139A CN111181670B CN 111181670 B CN111181670 B CN 111181670B CN 201910964139 A CN201910964139 A CN 201910964139A CN 111181670 B CN111181670 B CN 111181670B
- Authority
- CN
- China
- Prior art keywords
- constraint
- channel
- cue
- energy efficiency
- distributed antenna
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 8
- 238000012804 iterative process Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 claims description 2
- UGTJLJZQQFGTJD-UHFFFAOYSA-N Carbonylcyanide-3-chlorophenylhydrazone Chemical compound ClC1=CC=CC(NN=C(C#N)C#N)=C1 UGTJLJZQQFGTJD-UHFFFAOYSA-N 0.000 claims 2
- 230000001413 cellular effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000005562 fading Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种分布式天线***能效优化方法和存储介质,为了全面研究信道不确定性对EE优化的影响,讨论了有界和无界统计信道误差模型,但D2D用户对CUE的干扰约束在不确定CSI的情况下被描述为机会约束,这是一种非凸概率约束,难以保证约束的有效性,引入Bernstein近似方法将它转换为凸不等式约束,再通过传统凸优化方法处理这个约束,目标函数是一个非凸和非线性优化问题,通过分数规划理论和D.C.优化方法转换目标函数求出最优功率分配方案。该发明使用的方法在信道波动的情况下仍然能保持较好的鲁棒性,这对于实际模型中的***性能优化方案的选择具有重要意义。
Description
技术领域
本发明属于无线通信技术,涉及一种天线***能效优化方法、***及存储介质,尤其涉及一种基于不确定性下D2D通信的分布式天线***能效优化方法、***和存储介质。
背景技术
近年来,随着蜂窝用户设备(Cellular User Equipment,CUE)、智能设备和其他无线设备使用量的急剧增长,如何降低通信设备的能量消耗已成为一项严峻的挑战。与集中式天线***(Centralized Antenna Systems,CAS)相比,分布式天线***(DistributedAntenna System,DAS)被认为是下一代无线通信***的潜在技术,具有更高的容量、更可靠的链路和更高的覆盖范围。此外,设备到设备(Device to Device,D2D)技术充当对蜂窝***的互补网络接入,其允许CUE直接通信并重用蜂窝网络的频谱资源能有效地提高频谱效率 (Spectrum Effectiveness,SE)。
目前在研究DAS中最大化能效(Energy Efficiency,EE)的问题已有很多研究成果。然而,大多数研究都是基于发射器和接收器都具有完美的信道状态信息(ChannelState Information,CSI)下的研究。实际上,探索信道不确定性对***性能的影响并设计具有良好鲁棒性的***是非常重要的,对于提高***的抗噪声性能,使***保持稳定状态具有重要意义。目前,存在两种处理信道不确定性的方法:用于统计信道误差模型的Bernstein方法和用于确定性信道误差模型的最坏情况分析方法。然而,确定性信道模型的信道描述为信度误差的界限是确定的,真实信道分布在一个确定的椭圆域内,利用信道的分布特点只能对信道最坏情况下进行***性能优化。
发明内容
本发明所要解决的技术问题是:针对实际信道分布特点,提出一种基于此信道模型的分布式天线***能效优化方法、***及存储介质。
本发明的目的是将在不确定CSI下优化基于D2D通信的DAS的EE最大化,同时需要控制D2D用户对CUE的聚合干扰并考虑D2D用户的最大发射功率的限制。为了全面研究信道不确定性对EE优化的影响,提供了两种信道误差模型,即有界统计信道误差模型和无界统计信道误差模型。但是D2D用户对 CUE的干扰约束在CSI不确定的情况下被描述为机会约束,这是一种非凸概率约束,难以保证约束的有效性。本发明引入Bernstein近似方法将非凸概率约束转换为凸不等式约束,然后再通过传统凸优化方法处理这个约束。由于目标函数是一个非凸和非线性优化问题,可以通过分数规划理论和D.C.优化方法转换目标函数并求出最优功率分配方案。
为了解决上述技术问题,本发明采用的技术方案为:
本发明提供了一种分布式天线***能效优化方法、***及存储介质,包括如下步骤:
S1、建立分布式天线***中D2D通信的***模型,考虑一个下行链路单小区DAS小区,该小区内有N个随机分布的远端接入单元,所述DAS只为一个 CUE提供服务,所述DAS小区内还有M个D2D对与所述CUE共享相同的频谱带,其中D2D的发射端和接收端分别记为D2D-T和D2D-R,假设用户和远端接入单元都只装备了一根天线,假设CUE和远端接入单元的信道信息是完美的,其余的信道信息状态是非完美的,建立信道模型,确定优化目标函数;
S2、对具有非完美信道信息的约束条件进行近似变换,采用近似方法求出非凸约束的凸近似形式;
S3、利用分数规划理论将步骤S2得到的不等式约束转化为等价的减法问题,利用D.C.编程和内点法获得D2D用户最大化EE时的最优功率分配解;
S4、进行仿真实验。
进一步地,所述步骤S2包括信道在有界情况下的机会约束近似方法和信道在无界情况下的机会约束近似方法,所述机会约束近似方法为Bernstein近似方法。
进一步地,信道在有界情况下的机会约束近似方法,表示为:
其中,所述为DT-CUE链路的干扰信道功率增益,假设的分布区域为[ai,bi],由指数分布函数的概率密度函数的特征可知分布下界ai=0,上界为引入常数 用于归一化πi的界到[-1,1],Pi,i为第i个D2D发射机的功率,Ith为CUE 可承受的最大聚合干扰,∈为CUE的中断概率,νi为安全近似参数,可在给定的{πi}概率分布族中设置为常数,其中满足
进一步地,信道在无界情况下的机会约束近似方法,表示为:
进一步地,利用分数规划理论将一个非凸的非线性分式规划优化问题转化为等价的减法问题,目标函数表示为:
0≤Pi,i≤Pmax,i=1,…,M,
再将转变过的目标函数转换为成D.C.结构,表示为:
其中:
和
进一步地,所述步骤S3中利用D.C.编程和内点法获得D2D用户最大化EE 时的最优功率分配解算法的仿真实验包括如下步骤:
S41、初始化,t=0,P(0)=Pmax,ξ>0,φ(0)=0.01;
S42、使用CCCP算法求解还未转换为D.C.结构的目标函数;
S43、采用内点法解决迭代过程中的凸问题;
S44、引入对数障碍函数将该问题转化为无约束的优化问题;
S45、使用拟牛顿法得到搜索方向;
S46、通过线性回馈搜索Armijo规则得到最优步长;
S47、执行φ(t+1)=ηEE|P(t+1),其中P=[P1,1,P2,2,…,PM,M]表示所有D2D用户发射功率向量,i=1,…,M,Pi,i为第i个D2D发射机的功率,Pc是一个常数,表示静态线圈功率消耗,继续下一步骤;
S48、执行t=t+1,继续下一步骤;
S49、进行判断,若|h1(P(t+1),φ(t+1))|<ξ,继续步骤S410,否则,返回步骤S42;
S410、得到最优分配解P*和φ*。
进一步地,提供一种分布式天线***能效优化***,包括:计算机程序,所述计算机程序配置为由处理器调用时,执行如上任一种所述的方法的步骤。
进一步地,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时,执行如上任一种所述的方法的步骤。
本发明提供了一种分布式天线***能效优化方法、***及存储介质,基于 D2D通信的DAS中采用非完美信道模型,通过Bernstein近似方法得到了有界统计信道模型和无界统计信道模型下的能量效率,本发明所使用的方法在信道波动的情况下仍然能保持较好的鲁棒性,这对于实际模型中的***性能优化方案的选择具有重要意义。
附图说明
下面结合附图详述本发明的具体结构
图1为本发明的***模型图;
图2为本发明的有界误差信道模型与无界误差信道模型中EE的仿真图;
图3为本发明的有界误差信道模型中CUE的实际中断概率;
图4为本发明的无界误差信道模型中CUE的实际中断概率;
图5为本发明的无界误差信道模型中EE性能对∈=0.3,∈=0.1和∈=0.01时的δ选择的敏感性;
图6为本发明的EE与干扰阈值Ith的变化。
具体实施方式
实施例1
为详细说明本发明的技术内容、构造特征、所实现目的及效果,以下结合实施方式并配合附图详予说明。
请参阅图1,本实施例提供一种分布式天线***能效优化方法,包括如下步骤:
S1、建立分布式天线***中D2D通信的***模型,考虑一个下行链路DAS 小区,该小区内有N个随机分布的远端接入单元,DAS只为一个CUE提供服务,DAS小区内还有M个D2D对与该CUE共享相同的频谱带,其中D2D的发射端和接收端分别记为D2D-T和D2D-R,假设用户和远端接入单元都只装备了一根天线,假设CUE和远端接入单元的信道信息是完美的,其余的信道信息状态是非完美的,建立信道模型,确定优化目标函数;
S2、对具有非完美信道信息的约束条件进行近似变换,采用近似方法求出非凸约束的凸近似形式;
S3、利用分数规划理论将步骤S2得到的不等式约束转化为等价的减法问题,利用D.C.编程和内点法获得D2D用户最大化EE时的最优功率分配解;
S4、进行仿真实验。
步骤2包括信道在有界情况下的机会约束近似方法和信道在无界情况下的机会约束近似方法,所述近似方法为Bernstein近似方法。
在该实施例中,小区半径是R,小区中涉及到的信道链路有:
1)RAU到CUE的链接,命名为RAU-CUE链路;
2)RAU到D2D-R的链路,命名为RAU-DR链路;
3)D2D-T到D2D-R的链路,命名为DT-DR链路;
4)D2D-T到CUE的链接,命名为DT-CUE链路。
其中,假设CUE和RAU之间的CSI是完全已知的。但是,不确定性发生在其他链接中。实际上,由于延迟反馈和用户的移动性,在D2D和RAU之间和D2D对链路之间的CSI通常很难获得。此外,由于缺乏与蜂窝网络的合作,很难准确估计D2D和CUE之间的链路,因此假设D2D和CUE之间的链路CSI 是非完美的。
在完美CSI情况下,第n个RAU到CUE(RAUn-CUE)的链路,即RAUn-CUE 链路的信道功率增益定义为:
Hn=Ln|gn|2, (1)
其中gn为小尺度衰落信道,Xn=|gn|2为指数分布随机变量,参数为1,Xn~E(1)。Ln是大规模衰落信道增益,可被表示为:
其中sn是阴影衰落。路径损耗指数α通常在3.0和5.0之间变化,并且c是恒定的。dn表示CUE和第n个RAU之间的距离。
对于RAU-DR链路,DT-DR链路和DT-CUE链路的CSI是非完美的,因此小规模衰落信道可以建模为:
其中L表示大规模衰落信道增益。为方便起见,我们将H重写为:
D2D通信可以有效地提高蜂窝网络的性能。然而,D2D通信作为蜂窝网络中的补充网络接入到蜂窝网络的前提是要确保蜂窝用户的正常通信。但是由于信道估计误差和延迟反馈,D2D用户CUE之间信道准确的CSI是难以确定的。根据公式(5)提出的信道统计模型,D2D用户对CUE的干扰应低于信道不确定性下的CUE可承受的阈值,这种约束可以被认为是一种机会约束。机会约束可以被表示为:
其中(6)表示CUE承受的聚合干扰小于Ith情况下的概率应大于1-∈,∈介于0和1之间,Hi,0表示DT-CUE链路的干扰信道功率增益,Pi,i是第i个D2D 发射机的功率。Ith表示CUE可承受的最大聚合干扰。∈可以看做CUE的中断概率。
第i个D2D用户的SINR可以表示为:
Pi,i是DTi-DRi链路的发射功率,Pn,0是RAUn-CUE之间的发射功率。加性高斯白噪声的功率可以表示为P=[P1,1,P2,2,…,PM,M]表示所有D2D用户发射功率向量。假设***带宽归一化为单位带宽,D2D用户的总和SE可写为:
根据现有工作,D2D用户的EE可以定义为总和SE和总功耗的比率,可以被表示为:
其中Pc是一个常数,表示静态线圈功率消耗。
在具有D2D通信***的下行链路DAS中,在D2D用户对CUE的干扰约束下所有D2D用户的EE最大化问题可以被表述为:
其中Pmax表示D2D的最大发射功率。
实施例2
问题(10)的第一个约束是难以处理的,因为它不是凸集,并且约束的有效性难以保证。而且,即使H的分布函数是完全已知的,约束在计算上仍然难以处理。Bernstein近似是一种有用的近似方法,用于通过将机会约束转换为安全易计算的约束来处理机会约束问题。本发明利用Bernstein近似方法将非凸约束转换为凸不等式约束。考虑机会约束的形式如下:
其中P代表一个决策+向量,{{f1(P)},…,{fM(P)}}是P的映射。{ζ1,…,ζM}表示随机变量,其的边际分布表示为{π1,…,πM}。假设{ζ1,…,ζM}是相互独立的,同时假设{π1,…,πM}是介于[-1,1]之间有界的,这意味着-1≤ζi≤1,i=1,…,M。然后,机会约束(11)式可以保守地近似为:
其中注意到(12)式是(11)的Bernstein的近似,它在(t>0,P)是凸的。如果Λi(y)可以被有效的计算,机会约束问题可以被有效的近似。一般来说,使用Λi(y)的上限可以有效的简化计算,原式可以被表示为:
令:
和
fi(P)=αiPi,i,i=1,…,M。 (17)
代入f0(P)和fi(P)到(14)中可以得到(10)第一个约束条件的近似不等式为:
实施例3
在实际***中采用有界信道模型并不严谨。因为无线信道的动态特性,使得误差信道分布总是无界的,因此考虑无界误差信道模型的情况更为实际。然后,我们介绍无界支持CSI信道模型。定义 和机会约束Pr{I≤Ith}可以被重写成:
令:
可以清楚地看到,使用无界CSI信道模型的机会约束的情况非常难以处理, 2.1节中讨论的Bernstein近似变得不可用。然而,依据δ的公式可以看出(20) 的第二项远小于1-δ,所以我们可以忽略它,然后(10)可以近似为:
最终,无界分布的CSI信道模型被转换成了有界支持的CSI信道模型,通过采用Bernstein近似可以解决信道增益的无界分布情况。
实施例4
讨论如何求得D2D用户最大化EE时的最佳功率分配。虽然实时信道增益和瞬时SINR是不可获得的,但是通过将D2D用户看作类似静止的用户是合理的,因此可以使用长期SINR代替在极小时间段内的瞬时SINR。然而,长期 SINR与SINR的统计平均值具有相同的趋势。为了简化***模型并使其在数学上易于处理,我们采用信道增益的统计期望值来计算SINR,可以写成:
由于‖x‖2≤‖x‖1,(26)第一个约束可以被(27)替换为:
和
利用Bernstein近似方法,非凸干涉约束可以被转换为凸的不等式约束。但目标函数仍然是一个非凸的非线性分式规划优化问题,不能使用传统的凸优化方法求解。然而,利用分数规划理论可以将这个问题转化为一个等价的减法问题:
其中φ是一个是标量权重。根据分数规划理论,以下定理证明:
原始问题已经被转换成等效的减法问题,但是目标函数(30)仍然是非凸的和非线性的问题。(30)可以被转换成D.C.结构,即:
其中
和
本发明通过引入分数规划理论将原始问题转化为等价减法问题,然后利用 D.C.编程和内点法获得最优功率分配解。
实施例5
设计利用D.C.编程和内点法获得D2D用户最大化EE时的最优功率分配解算法的仿真实验包括如下步骤:
S41、初始化,t=0,P(0)=Pmax,ξ>0,φ(0)=0.01;
S42、使用CCCP算法求解还未转换为D.C.结构的目标函数;
S43、采用内点法解决迭代过程中的凸问题;
S44、引入对数障碍函数将该问题转化为无约束的优化问题;
S45、使用拟牛顿法得到搜索方向;
S46、通过线性回馈搜索Armijo规则得到最优步长;
S47、执行φ(t+1)=ηEE|P(t+1),继续下一步骤;
S48、执行t=t+1,继续下一步骤;
S49、进行判断,若|h1(P(t+1),φ(t+1))|<ξ,继续步骤410,否则,返回步骤42;
S410、得到最优分配解P*和φ*。
在本实施例中的具体仿真参数为,小区的半径R为500m,噪声功率δ02为 -104dbm,静态消耗功率Pst为1.5W,D2D对数量为4,D2D对中发送者的最大传输功率为10dbm,路径损耗指数α为4。图2显示了EE随∈的变化规律,从图2中可以看出,EE随着∈的增长而增加。原因在不完美的CSI模型中,干扰约束随着∈的增加而变得松散。此外,由于l1近似比l2近似更严格,这导致l1近似条件下的EE低于l2近似下的EE。同时,从图2可以看出,无界误差信道模型的EE低于有界误差信道模型。这意味着无界情况的信道波动范围比有界情况宽。但是,在完美的CSI情况下,EE的值不随∈的变化而变化,因为机会约束是一个确定性的约束,它独立于∈。从图2中我们可以得出结论,信道不确定性会影响***性能,完美的CSI对***性能有重要影响。
图3和图4分别显示了在有界误差信道模型和无界误差信道模型下CUE的实际中断概率。首先生成104个按指数分布的CUE的随机信道。从图3可以看出,有界误差信道模型中的实际中断百分比远低于理论值。原因在于基于机会约束的鲁棒EE优化可以有效地控制D2D用户的发射功率,从而始终满足CUE 的通信要求。与此同时,l2近似值的实际中断百分比高于l1。这主要是因为l1近似比l2更严格,这使得干扰控制的l1近似比l2近似更有效。从图4中,我们不仅可以得出与图3相同的结论,而且可以看出在无界误差信道模型下l1和l2近似的实际中断百分比接近于0,这意味着无界误差信道模型更接近实际信道波动模型,D2D用户的功率控制比有界误差信道模型更有效。
图5显示了无界误差通道模型中EE性能对∈=0.3,∈=0.1和∈=0.01时的δ选择的敏感性。我们可以看到,当∈=0.01或∈=0.1时,EE的性能对δ的变化并不敏感。原因是当∈等于0.01时,∈2总是等于1且a和b的值也趋于稳定。∈=0.1时也是如此。但是,当∈等于0.3时,网络拓扑变得没有那么稳定,因此稳健性不如∈等于1或0.01的情况那么好。由此得出结论,我们需要仔细选择∈和δ来设计稳定的***。
图6显示了EE与干扰阈值Ith的变化规律,从图6可以看出,随着干扰门限Ith的增长,EE逐渐增加。这是因为CUE可以承受的干扰越大,D2D用户可以获得的EE就越大。此外,约束近似越严格,D2D用户的干扰控制越强,那么可以获得D2D用户的EE越小。因此,在无界误差通道增益模型下使用l1近似方法时获得的EE最小。
综上所述,本发明提供的一种分布式天线***能效优化方法和存储介质,在基于D2D通信的DAS中采用非完美信道模型,通过Bernstein近似方法得到了有界统计信道模型和无界统计信道模型下的能量效率,本发明所使用的方法在信道波动的情况下仍然能保持较好的鲁棒性,这对于实际模型中的***性能优化方案的选择具有重要意义。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种分布式天线***能效优化方法,其特征在于,包括如下步骤:
S1、建立分布式天线***中D2D通信的***模型,考虑一个下行链路单小区DAS小区,该小区内有N个随机分布的远端接入单元,所述DAS只为一个CUE提供服务,所述DAS小区内还有M个D2D对与所述CUE共享相同的频谱带,其中D2D的发射端和接收端分别记为D2D-T和D2D-R,假设用户和远端接入单元都只装备了一根天线,假设CUE和远端接入单元的信道信息是完美的,其余的信道信息状态是非完美的,建立信道模型,确定优化目标函数;
S2、对具有非完美信道信息的约束条件进行近似变换,采用近似方法求出非凸约束的凸近似形式;
S3、利用分数规划理论将步骤S2得到的不等式约束转化为等价的减法问题,利用D.C.编程和内点法获得D2D用户最大化EE时的最优功率分配解;
S4、进行仿真实验。
2.如权利要求1所述的分布式天线***能效优化方法,其特征在于,所述步骤S2包括信道在有界情况下的机会约束近似方法和信道在无界情况下的机会约束近似方法,所述机会约束近似方法为Bernstein近似方法。
7.如权利要求1所述的一种分布式天线***能效优化方法,其特征在于,所述步骤S3中利用D.C.编程和内点法获得D2D用户最大化EE时的最优功率分配解算法的仿真实验包括如下步骤:
S41、初始化,t=0,P(0)=Pmax,ξ>0,φ(0)=0.01;
S42、使用CCCP算法求解还未转换为D.C.结构的目标函数;
S43、采用内点法解决迭代过程中的凸问题;
S44、引入对数障碍函数将该问题转化为无约束的优化问题;
S45、使用拟牛顿法得到搜索方向;
S46、通过线性回馈搜索Armijo规则得到最优步长;
S47、执行φ(t+1)=ηEE|P(t+1),其中P=[P1,1,P2,2,…,PM,M]表示所有D2D用户发射功率向量,i=1,…,M,Pi,i为第i个D2D发射机的功率,Pc是一个常数,表示静态线圈功率消耗,继续下一步骤;
S48、执行t=t+1,继续下一步骤;
S49、进行判断,若|h1(P(t+1),φ(t+1))|<ξ,继续步骤S410,否则,返回步骤S42;
S410、得到最优分配解P*和φ*。
8.一种分布式天线***能效优化***,其特征在于,包括:计算机程序,所述计算机程序配置为由处理器调用时,执行如权利要求1-7中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时,执行如权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910964139.0A CN111181670B (zh) | 2019-10-11 | 2019-10-11 | 一种分布式天线***能效优化方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910964139.0A CN111181670B (zh) | 2019-10-11 | 2019-10-11 | 一种分布式天线***能效优化方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111181670A CN111181670A (zh) | 2020-05-19 |
CN111181670B true CN111181670B (zh) | 2021-11-26 |
Family
ID=70648767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910964139.0A Active CN111181670B (zh) | 2019-10-11 | 2019-10-11 | 一种分布式天线***能效优化方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111181670B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114337882B (zh) * | 2021-12-24 | 2024-04-12 | 南京工程学院 | 一种不完全信道信息下多用户das中能效功率分配方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160104585A (ko) * | 2015-02-26 | 2016-09-05 | 엘에스엠트론 주식회사 | 내장형 안테나 |
CN106231666A (zh) * | 2016-09-19 | 2016-12-14 | 重庆邮电大学 | 分布式天线***中基于能效的联合资源分配方法 |
CN107086885A (zh) * | 2017-03-29 | 2017-08-22 | 东南大学 | 一种针对混合能量供电分布式天线***能量有效的功率分配方法 |
CN108449737A (zh) * | 2018-03-08 | 2018-08-24 | 南京航空航天大学 | 一种分布式天线***中基于d2d的下行链路高能效功率分配方法 |
CN110061826A (zh) * | 2019-04-26 | 2019-07-26 | 中国电子科技集团公司第五十四研究所 | 一种最大化多载波分布式天线***能效的资源分配方法 |
CN110289895A (zh) * | 2019-07-05 | 2019-09-27 | 东南大学 | 能效谱效联合优化的大规模mimo下行功率分配方法 |
-
2019
- 2019-10-11 CN CN201910964139.0A patent/CN111181670B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160104585A (ko) * | 2015-02-26 | 2016-09-05 | 엘에스엠트론 주식회사 | 내장형 안테나 |
CN106231666A (zh) * | 2016-09-19 | 2016-12-14 | 重庆邮电大学 | 分布式天线***中基于能效的联合资源分配方法 |
CN107086885A (zh) * | 2017-03-29 | 2017-08-22 | 东南大学 | 一种针对混合能量供电分布式天线***能量有效的功率分配方法 |
CN108449737A (zh) * | 2018-03-08 | 2018-08-24 | 南京航空航天大学 | 一种分布式天线***中基于d2d的下行链路高能效功率分配方法 |
CN110061826A (zh) * | 2019-04-26 | 2019-07-26 | 中国电子科技集团公司第五十四研究所 | 一种最大化多载波分布式天线***能效的资源分配方法 |
CN110289895A (zh) * | 2019-07-05 | 2019-09-27 | 东南大学 | 能效谱效联合优化的大规模mimo下行功率分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111181670A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110417496B (zh) | 一种基于能效的认知noma网络顽健资源分配方法 | |
Lu et al. | Hybrid block successive approximation for one-sided non-convex min-max problems: algorithms and applications | |
Qi et al. | Robust beamforming for NOMA-based cellular massive IoT with SWIPT | |
Zhang et al. | Deep reinforcement learning for multi-agent power control in heterogeneous networks | |
CN110190879B (zh) | 基于低精度adc大规模mimo***的能效优化方法 | |
CN107210783B (zh) | 采用协作中继进行联合mimo传输和压缩来降低干扰的***和方法 | |
CN113613273A (zh) | 一种智能超表面辅助无线供电网络的稳健能效优化方法 | |
CN111446992B (zh) | 无线供电大规模mimo网络中的最大化最小能效资源分配方法 | |
CN113949427B (zh) | 一种多用户无线网络安全能效优化设计方法和*** | |
CN112911587B (zh) | Mec-d2d环境下利用物理层安全防窃听任务卸载方法 | |
CN111181670B (zh) | 一种分布式天线***能效优化方法、***及存储介质 | |
Lee et al. | Contextual learning-based wireless power transfer beam scheduling for IoT devices | |
Li et al. | CSI-impaired secure resource allocation for SWIPT-enabled full-duplex consumer Internet of Things networks in smart healthcare | |
Al-Ali et al. | Precoding for MIMO channels in cognitive radio networks with CSI uncertainties and for MIMO compound capacity | |
CN112788764A (zh) | 针对noma超密集网络任务卸载和资源分配方法及*** | |
He et al. | Energy efficiency optimization for distributed antenna systems with D2D communications under channel uncertainty | |
CN113660062B (zh) | 无蜂窝大规模分布式mimo***中基于深度强化学习的低精度adc量化比特数分配方法 | |
Thieu et al. | Outage protection for cellular-mode users in device-to-device communications through stochastic optimization | |
CN107426775B (zh) | 一种面向高能效异构网络的分布式多用户接入方法 | |
Xie et al. | Robust transceiver design based on interference alignment for multi-user multi-cell MIMO networks with channel uncertainty | |
CN116684883A (zh) | 频谱优化方法及装置 | |
CN114884957B (zh) | 空天地网络中的计算任务卸载方法、装置和电子设备 | |
CN114826833B (zh) | 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端 | |
CN116132997A (zh) | 基于a2c算法优化混合供电异构网中能源效率的方法 | |
CN111225363B (zh) | 基于非完美csi分布式d2d***功率分配方法和装置 |
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 |