CN114614925B - 一种可重构智能面辅助的毫米波非正交多址接入***中能量效率优化方法 - Google Patents

Abstract

本发明公开了一种可重构智能面辅助的毫米波非正交多址接入***中能量效率优化方法，以最大化能量效率为目标，联合优化用户的传输功率，基站的混合波束成形以及可重构智能面的被动波束成形，提出了一种基于交替优化的高效能量效率优化算法，可获得次优的联合资源分配设计方法；本发明所给出的联合优化方法是有效的，可实现高的能量效率。

Description

一种可重构智能面辅助的毫米波非正交多址接入***中能量 效率优化方法

技术领域：

本发明属于移动通信领域，涉及移动通信***的资源分配方法，尤其是涉及一种基于混合波束成形(HBF)的RIS辅助的mmWave-NOMA***中能效优化方法。

背景技术：

随着移动通信的快速发展，频谱资源的短缺给现有技术带来了巨大的挑战。mmWave具有大量空闲频段可供使用，能缓解频谱资源短缺的问题。此外，由于可用带宽大，mmWave通信能够支持高数据速率。

此外，NOMA技术在发送端主动引入干扰信息，在接收端通过串行干扰消除正确解码不同用户的信号，可以获得更高的频谱效率。同时能量效率是未来绿色通信的关键指标，在这样的背景下，关于mmWave-NOMA***的能效优化方案研究是有必要的。

虽然mmWave频段频谱资源丰富，然而与低频段上传播信号的路径损耗相比，mmWave信号在其频段上经历了更显著的路径损失。为此，通过部署大型的天线阵列，增强阵列分集增益，是弥补mmWave通信***中高路径损耗的一种方法。然而，高指向性使得mmWave通信容易被阻塞，特别是在室内或者人口密集的环境中，一个非常小的障碍，如一个人的手臂，都会有效地阻塞链路。RIS作为一种新兴的技术，可以通过扩大通信范围，实现更高的波束成形增益和EE来解决这一问题。RIS有三层架构以及一个智能控制器，最外层平面上遍布大量低成本的无源反射元件，与入射信号相互作用。内层通常采用铜板来最小化RIS反射过程中的能量泄露。最内层是一个控制电路板，负责激发反射元件，实时调整其反射幅度和/或相位。此外，基站和RIS之间的链路还可以通过智能控制器实现。RIS可以控制各元件独立地调整入射信号的振幅和/或相位，协同实现无源波束成形，从而改善通信***性能，提高基站的覆盖范围和连通性。基于以上讨论，本发明研究了一种基于HBF的RIS辅助的mmWave-NOMA***中能效优化方法，该方法面向RIS辅助的mmWave-NOMA***中高能效的大规模连接和绿色通信。

发明内容：

针对RIS辅助的mmWave-NOMA***，为了提高该***的能效，本发明最大化所有用户的能量效率，联合优化用户功率分配、基站的HBF以及RIS的PBF，提出了一种基于HBF的RIS辅助的mmWave-NOMA***中能效优化方法，能以多项式时间复杂度获得较好的能效优化方案。

本发明所采用的技术方案有：一种基于HBF的RIS辅助的mmWave-NOMA***中能效优化方法，步骤如下：

步骤S1：建立基于HBF的RIS辅助的mmWave-NOMA***，该***由两个单天线用户，一个RIS和一个mmWave基站组成，该基站采用HBF架构，配有N根天线、N_RF条射频链路、N个低噪声放大器和NN_RF个移相器，且每根天线通过一个低噪声放大器和N_RF个移相器连接到射频链路上；假设一条数据流，则基站的HBF包括模拟波束成形(ABF)矩阵以及数字波束成形矢量/>PIS由M个反射元素组成，其反射相位矢量/>其中θ_m∈[0，2π]，基站到RIS的信道/>RIS和用户k之间的信道/>以及基站直达用户k的信道/>建模为毫米波信道；

步骤S2：用户k接收信号可表示为：

其中p_k表示用户k的传输功率，x_k表示用户k的信号，n_k表示复高斯白噪声，服从均值为0、方差为σ²的高斯分布，表示基站至RIS，RIS到用户k的级联信道，根据NOMA协议，以信道增益降序为例，上述***能效优化问题建模为

其中P_C＝P_BB+N_RFP_RF+NN_RFP_PS+NP_LNA表示固定电路功耗，P_BB，P_RF，P_PS，P_LNA分别为基带功耗，射频链路功耗，移相器功耗以及低噪声放大器的功耗，定义集合/>ξ表示功率放大器系数，C₁表示最小速率约束，r_k表示最小发送速率，C₂为最大功率约束，P_max表示最大发送功率，C₃为ABF矩阵的常模约束，C₄表示PBF向量的常模约束，C₅为串行干扰消除的解码条件；

步骤S3：步骤S2中的优化问题属于非凸的分式规划问题，引入辅助变量P＝p₁+p₂，原问题等价于：

其中使用交替优化(AO)算法将问题分解为波束成形子问题以及功率分配子问题：

给定P，引入辅助变量w＝Ad，采用罚函数法，波束成形问题为

其中ρ^(l)是罚函数法第l次迭代时的惩罚系数；

给定HBF和PBF，则功率分配子问题为

其中

步骤S4：针对步骤S3中波束成形子问题，采用AO算法将该问题分解为四个子问题：给定{A，d，θ}，引入辅助变量t₁，t₂，w＝Ad，通过罚函数法、SCA算法得到关于{u_k，w}优化问题为

其中即SCA算法在第q-1次迭代时的值，借助凸优化工具可以求解上述凸问题，得到解/>当固定{u_k，w，A，θ}时，求解d的子问题可表示为：

对目标函数求导，并令导数为0，可得问题最优解为固定{u_k，w，d，θ}时，令A＝[a₁，...，a_N]^H，采用MM算法，则可得A的解为；

其中表示/>的相位，/> 表示/>的最大特征值；

固定{u_k，w，A，d}时，令u＝θ^*，求解RIS的PBF子问题为

其中采用RMO对上述问题求解，目标函数的欧几里得梯度以及黎曼梯度为：

其中⊙表示Hadamard积，则PBF子问题的解为

其中δ^(s-1)，u^(s-1)分别表示第s-1次迭代时的步长以及u的值；

步骤S5：针对步骤S3中功率分配子问题，根据Lambert W函数，求解可得功率分配解为

其中：Ω＝aP_C/ξ-b。

本发明具有如下有益效果：本发明基于HBF的RIS辅助的mmWave-NOMA***中能效优化方法，具有多项式时间复杂度，能有效提高***的能效。该方法充分考虑了原始优化问题的内在结构，首先交替优化将该问题等价转换成更容易求解的波束成形子问题以及功率分配子问题，给出了一种AO算法、罚函数法、SCA、MM以及RMO算法的能效优化算法，可以收敛到一个可行次优解，最终获得有效的能效优化方案。

附图说明：

图1为本发明实施例中***的流程图.

图2为本发明实施例中***的模型图。

图3为本发明实施例中所提出的能效优化方案与其他两种对比方案的仿真曲线图。

图4为本发明实施例中所提出的PBF方案与其他两种优化方案的仿真曲线图。

具体实施方式：

下面结合附图对本发明作进一步的说明。

一、***模型

本发明基于HBF的RIS辅助的mmWave-NOMA***中涉及的***模型如图1所示，该***由两个单天线用户，一个RIS和一个mmWave基站组成，该基站采用HBF架构，配有N根天线、N_RF条射频链路、N个低噪声放大器和NN_RF个移相器，且每根天线通过一个低噪声放大器和N_RF个移相器连接到射频链路上；假设一条数据流，则基站的HBF包括模拟波束成形(ABF)矩阵以及数字波束成形矢量/>RIS由M个反射元素组成，其反射相位矢量其中θ_m∈[0，2π]，基站到RIS的信道/>RIS和用户k之间的信道/>以及基站直达用户k的信道/>建模为毫米波信道；

二、能量效率优化问题建模及求解过程

为了提高上述***的能效，建立相应的最大化能效优化问题，其优化目标为最大化所有用户的能效，具体的优化问题表示如下：

其中ξ表示功率放大器系数，P_C＝P_BB+N_RFP_RF+NN_RFP_PS+NP_LNA表示固定电路功耗，P_BB，P_RF，P_PS，P_LNA分别为基带功耗，射频链路功耗，移相器功耗以及低噪声放大器的功耗，定义集合/>C₁表示最小速率约束，r_k表示最小发送速率，C₂为最大功率约束，P_max表示最大发送功率，C₃为ABF矩阵的常模约束，C₄表示PBF向量的常模约束，C₅为串行干扰消除的解码条件，引入辅助变量P＝p₁+p₂，原问题等价于：

其中使用交替优化(AO)算法将问题分解为波束成形子问题以及功率分配子问题：

给定P，引入辅助变量w＝Ad，采用罚函数法，波束成形问题为

其中ρ^(l)是罚函数法第l次迭代时的惩罚系数；给定HBF和PBF，则功率分配子问题为

其中

针对波束成形子问题，采用AO算法将该问题分解为四个子问题：给定{A，d，θ}，引入辅助变量t₁，t₂，w＝Ad，通过罚函数法、SCA算法得到关于{u_k，w}优化问题为

其中即SCA算法在第q-1次迭代时的值，借助凸优化工具可以求解上述凸问题，得到解/>当固定{u_k，w，A，θ}时，求解d的子问题可表示为：

对目标函数求导，并令导数为0，可得问题最优解为固定{u_k，w，d，θ}时，令A＝[a₁，...，a_N]^H，采用MM算法，则可得A的解为；

其中表示/>的相位，/> 表示/>的最大特征值；

固定{u_k，w，A，d}时，令u＝θ^*，求解RIS的PBF子问题为

其中采用RMO对上述问题求解，目标函数的欧几里得梯度以及黎曼梯度为：

其中⊙表示Hadamard积，则PBF子问题的解为

其中δ^(s-1)，u^(s-1)分别表示第s-1次迭代时的步长以及u的值；

针对功率分配子问题，根据Lambert W函数，求解可得功率分配解为

其中：Ω＝aP_C/ξ-b。

综上所述，本发明给出了一种基于AO算法、罚函数法、SCA、MM以及RMO算法的能效优化算法，下面通过Matlab仿真来验证本发明所提出算法的能效，其中基站和RIS分别位于(0m，0m)和(80m，5m)。所有用户均匀分布在以(150m，0m)为圆心，以5m为半径的范围内，基站载波频率为28GHz，默认参数设置在下表中列出：

图2对比了本发明所提出的能效优化方案和其他两种对比方案的能效性能，其中“NOMA-based scheme”表示本发明所提出的能效优化方案；“FPA NOMA-based scheme”表示基站功率按最大发送功率等分，即p₁＝p₂＝P_max/2。“TDMA-based scheme”表示采用时分多址接入(TDMA)技术来最大化能效，其中每个用户按等时隙分配。比较“NOMA-based scheme”以及“FPANOMA-based scheme”的曲线可知，当P_max比较小的时候，两种算法的性能均随着P_max的增加而增加，并且具有相同的能效性能，即P_max较小时，两种算法的功率分配策略相同。这是由于两种方案分配的功率值均受限于最大功率约束，因而得到相同的功率分配，从而实现相同的能效。然而当P_max增加时，本发明所给出的算法趋于稳定，“FPA NOMA-basedscheme”逐渐下降。“FPA NOMA-based scheme”以消耗更多功率为代价来提升速率，而速率的增加程度小于总功耗的增加程度，因此能效反而下降；而“NOMA-based scheme”则不会牺牲更多功率来提升速率，从而使得性能稳定。此外，比较“NOMA-based scheme”以及“TDMA-based scheme”的曲线可知，相比于正交多址接入，采用NOMA能获取更高能效。

图3中对比了本发明所提出的不同PBF优化算法下RIS-mmWave-NOMA***能效性能。在OFDMA方案中，包括采用粒子群算法的“PSO PBF”，基于随机相位的“Random PBF”，以及本发明所给出的算法“Designed PBF”。从图3可知，本发明所采用的PBF算法可以实现与PSO算法相近的EE性能，且具有更低的复杂度。此外，两者性能均优于“Random PBF”，这是由于“Random PBF”的PBF是随机产生的，没有得到优化，以上结果也说明了本发明所给出的PBF算法的有效性。

综上所述，本发明提出的能效方法能够获得有效提高RIS辅助的mmWave-NOMA***的能效性能，同时方法实现的步骤较为简单，这充分说明了本发明提出的基于HBF的RIS辅助的mmWave-NOMA***中能效优化方法的有效性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (1)

1.一种可重构智能面辅助RIS的毫米波mmWave非正交多址接入NOMA***中能量效率优化方法，其特征在于：包括以下步骤：

步骤S1：建立基于混合波束成形HBF的RIS辅助的mmWave-NOMA***，该***由两个单天线用户，一个RIS和一个mmWave基站组成，该基站采用HBF架构，配有N根天线、N_RF条射频链路、N个低噪声放大器和N×N_RF个移相器，且每根天线通过一个低噪声放大器和N_RF个移相器连接到射频链路上；假设一条数据流，则基站的HBF包括模拟波束成形ABF矩阵以及数字波束成形矢量/>RIS由M个反射元素组成，其被动波束成形PBF矢量相应PBF矩阵为/>其中θ_m∈[0，2π]，基站到RIS的信道/>RIS和用户k之间的信道/>以及基站直达用户k的信道建模为毫米波信道；

步骤S2：建立***能效优化问题，用户k接收信号可表示为：

其中p_k表示用户k的传输功率，x_k表示用户k的信号，n_k表示复高斯白噪声，服从均值为0、方差为σ²的高斯分布，表示基站至RIS，RIS到用户k的级联信道，根据NOMA协议，以信道增益降序为例，上述***能效优化问题建模为：

其中P_C＝P_BB+N_RF×P_RF+(N×N_RF)P_PS+N×P_LNA表示固定电路功耗，P_BB，P_RF，P_PS，P_LNA分别为基带功耗，射频链路功耗，移相器功耗以及低噪声放大器的功耗，定义集合/>ξ表示功率放大器系数，优化变量为用户的传输功率{p₁，p₂}，基站的HBF{A，d}以及RIS的PBF矢量θ，C₁表示最小速率约束，r_k表示最小发送速率，C₂为最大功率约束，P_max表示最大发送功率，C₃为ABF矩阵的常模约束，C₄表示PBF向量的常模约束，C₅为串行干扰消除的解码条件；

步骤S3：步骤S2中的优化问题属于非凸的分式规划问题，使用交替优化AO算法将问题分解为固定功率分配的波束成形子问题以及固定波束成形的功率分配子问题；

步骤S4：针对步骤S3中波束成形子问题，通过罚函数法引入辅助变量{u_k，w}，(k＝1，2)，采用AO算法将该问题分解为四个子问题：给定{A，d，θ}求解{u_k，w}的子问题，利用罚函数法和连续凸逼近SCA算法并借助凸优化工具得到{u_k，w}的次优解，给定{u_k，w，A，θ}求解数字波束成形矢量d的子问题，通过对无约束凸优化问题求导得到数字波束成形矢量d的最优解，给定{u_k，w，d，θ}求解模拟波束成形矩阵A的子问题，利用优化最小化MM算法得到模拟波束成形矩阵A的次优解，给定{u_k，w，A，d}求解PBF矢量θ的子问题，利用黎曼流形优化算法得到PBF矢量θ的次优解；

步骤S5：针对步骤S3中功率分配子问题，采用朗伯函数给出闭式解，并获得功率分配。