CN115175147A - 一种无人机辅助d2d通信网络鲁棒能效优化方法 - Google Patents

Abstract

本发明涉及一种无人机辅助D2D通信网络鲁棒能效优化方法，属于无人机通信领域。该方法包括：S1：构建基于信道状态信息不确定性的无人机辅助D2D通信网络传输模型；S2：满足无人机最大发射功率约束、带宽分配约束及中断能量约束下，构建基于中断概率的信道不确定性资源分配模型；S3：利用Q函数和不等式性质将中断能量和中断速率转化成确定性凸约束，通过匹配算法得到连续性非凸优化问题，使用连续凸近似法、二次变换法和丁克尔巴赫法将其转化成凸优化问题；S4：求解凸优化问题，获得每个蜂窝用户的发射功率，以及每个D2D用户的发射功率、资源块分配因子和每个蜂窝用户的带宽。本发明能够有效提高***的能效、鲁棒性和频谱效率。

Description

一种无人机辅助D2D通信网络鲁棒能效优化方法

技术领域

本发明属于无人机通信领域，涉及一种无人机辅助D2D通信网络鲁棒能效优化方法。

背景技术

随着物联网的出现，面对频谱资源的日益短缺，人们对网络服务质量的要求越来越高，设备到设备通信可以解决上述问题。然而，传统的地面基站容易受到自然灾害的影响，导致用户没有网络覆盖。为了解决这个问题，提出了联合设备到设备通信和无人机辅助通信，以提高***容量和网络灵活性。然而，传统的设备到设备网络设备众多，***性能受到电池寿命的限制，更换电池将消耗巨大的资源，在某些情况下甚至是不可能的，能量收集技术可以解决上述问题。最近，能量收集供电的无人机辅助设备到设备网络引起了广泛关注。与此同时，为了优化***性能，资源分配已成为能量收集供电的无人机辅助设备到设备网络中的一项关键技术，以保证不同用户(如蜂窝用户、设备到设备用户)的服务质量，并提高网络性能。

现有文献都对基于能量收集的无人机辅助设备到设备通信网络进行了研究，考虑的是理想信道条件下的能效优化问题。事实上，由于量化误差和估计误差的存在，完美信道状态信息很难获得，这通常使得其获得的解难以在实际***中达到预期的性能。因此，研究不完美状态信息下的资源分配问题具有重要意义。

发明内容

有鉴于此，本发明的目的在于提供一种无人机辅助D2D通信网络鲁棒能效优化方法，考虑无人机的最大发射功率约束、每个D2D用户的最大发射功率约束、带宽分配约束、用户关联约束、D2D用户的中断概率要求、蜂窝用户的中断概率要求以及中断能量约束，以能量效率最大化为优化目标，对基于能量收集的无人机辅助D2D通信网络建立网络模型和***模型。考虑信道不确定模型，利用凸松弛法、丁克尔巴赫法和连续凸近似法，将原非凸优化问题转化为等价的凸优化问题，利用拉格朗日对偶法求得蜂窝用户的发射功率、D2D用户的发射功率、资源块分配因子和蜂窝用户的带宽。

为达到上述目的，本发明提供如下技术方案：

一种无人机辅助D2D通信网络鲁棒能效优化方法，具体包括以下步骤：

S1：构建基于信道状态信息不确定性的无人机辅助D2D通信网络传输模型：在多对设备到设备(Device-to-Device，D2D)通信的网络中部署无人机空中基站，为每个蜂窝用户提供下行数据传输服务，每个D2D用户通过衬底模式共享蜂窝用户占用的正交频谱资源块，且D2D设备具有能量收集电路和信息解码电路；

S2：在满足无人机最大发射功率约束、带宽分配约束以及中断能量约束下，构建基于中断概率的信道不确定性资源分配模型，用于联合优化蜂窝用户的发射功率、D2D用户的发射功率、蜂窝用户的带宽和资源块分配因子；

S3：利用Q函数和不等式性质将中断能量和中断速率转化成确定性凸约束条件，通过匹配算法得到连续性非凸优化资源分配问题，使用连续凸近似法、二次变换法和丁克尔巴赫方法将其转化成凸优化资源分配问题；

S4：求解凸优化资源分配问题，获得每个蜂窝用户的发射功率，以及每个D2D用户的发射功率、资源块分配因子和每个蜂窝用户的带宽。

进一步，步骤S2中，构建基于中断概率的信道不确定性资源分配模型，具体包括以下步骤：

S21：计算第k个蜂窝用户的数据速率

表达式为：

其中，B_k表示蜂窝用户k的带宽，P_k表示从无人机到蜂窝用户k的传输功率，H_k表示从无人机到蜂窝用户k的信道增益，p_m表示从D2D用户发射机m到D2D用户接收机m的传输功率，α_m,k表示用户关联因子，g_m,k表示从D2D发射机m到蜂窝用户k的信道增益，N₀表示噪声功率谱密度，M表示D2D用户的数量；

计算第m个D2D用户的数据速率

表达式为：

其中，h_m表示从D2D用户发射机m到D2D用户接收机m的信道增益，G_k,m表示从无人机到D2D用户接收机m的信道增益，K表示蜂窝用户的数量；

S22：基于线性能量收集模型，计算第m个D2D用户接收机收集的能量

表达式为：

其中，η∈(0,1]是能量转换效率；

则***的总能耗E^TOL为：

其中，P^UAV表示无人机的发射功率，P^C表示每个蜂窝用户的传输功率，

表示D2D用户m的最小电路功耗；

S23：在步骤S21、S22的基础上，考虑随机信道的不确定性，建立基于中断概率的信道不确定性资源分配模型。

进一步，步骤S23中，建立基于中断概率的信道不确定性资源分配模型，表达式为：

s.t.C₁:

C₂:

C₃:

C₄:

C₅:

C₆:

C₇:

C₈:

其中，C₁是无人机的最大发射功率约束，C₂是每个D2D用户的最大发射功率约束，C₃是带宽分配约束，C₄是用户关联约束，C₅是D2D用户m的中断概率要求，C₆是蜂窝用户k的中断概率要求，C₇是中断能量约束，C₈是具有信道估计误差的信道增益约束；P^max表示无人机的最大发射功率；

表示D2D用户m的最大发射功率；B表示***总带宽；Pr代表概率；

和

分别表示蜂窝用户k的最小数据速率和D2D用户m的最小数据速率；ξ_k∈[0,1]和μ_m∈[0,1]分别表示蜂窝用户k和D2D用户m的速率中断门限；v_m∈[0,1]表示D2D用户m的能量中断门限；

表示从D2D用户发射机m到D2D用户接收机m的估计信道增益，Δh_m为其对应的估计误差；

表示从无人机到D2D用户接收机m的估计信道增益；ΔG_k,m为其对应的估计误差；

表示无人机到蜂窝用户k的估计信道增益，ΔH_k为其对应的估计误差；

表示从D2D发射机m到蜂窝用户k的估计信道增益，Δg_m,k为其对应的估计误差；τ_m表示从D2D用户发射机m到D2D用户接收机m的信道估计误差的方差，ε_k,m表示蜂窝用户k到D2D用户m的信道估计误差的方差，δ_k表示无人机到蜂窝用户k的信道估计误差的方差，λ_m,k为D2D发射机m到蜂窝用户k的估计信道增益；CN代表高斯分布。

进一步，步骤S3中，利用Q函数和不等式性质将中断能量和中断速率转化成确定性凸约束条件，表达式为：

s.t.C₁-C₄

其中，

表示转换成确定性凸约束条件后蜂窝用户k的数据速率，其中

表示从无人机到第个k蜂窝用户的等价信道增益，Q^-1表示逆Q函数；

表示从D2D发射机m到蜂窝用户k的等价信道增益；

表示转换成确定性凸约束条件后D2D用户m的数据速率，

表示从D2D发射机m到D2D接收机m的等价信道增益，

表示从无人机到D2D接收机m的等价信道增益；

表示转换成确定性凸约束条件后D2D接收机m收集的能量。

进一步，步骤S3中，通过匹配算法得到连续性非凸优化问题，表达式为：

s.t.C₁-C₃

进一步，步骤S3中，使用连续凸近似法、二次变换法和丁克尔巴赫方法将连续性非凸优化资源分配问题中的带宽分配子问题转化成凸优化问题，表达式为：

s.t.C₃,

C₉:

C₁₀:

其中，

表示经过凸转换后蜂窝用户k等价的数据速率，θ_k表示松弛变量；

表示D2D用户m的等价数据速率，

表示松弛变量；φ表示***能效；

进一步，步骤S3中，使用二次变换法和丁克尔巴赫方法将连续性非凸优化资源分配问题中的功率分配子问题转化成凸优化问题，表达式为：

s.t.C₁,C₂,

其中,

表示经过凸转换后蜂窝用户k等价的数据速率，

表示经过凸转换后D2D用户m等价的数据速率，

φ表示***能效。

进一步，步骤S4中，利用CVX工具或拉格朗日对偶法求解凸优化资源分配问题，从而获得蜂窝用户k的发射功率P_k、D2D用户m的发射功率p_m、资源块分配因子α_m,k和蜂窝用户k的带宽B_k，即获得资源分配方案。

本发明的有益效果在于：与现有的完美信道状态信息下的算法相比，本发明方案具有较好的能效和鲁棒性，满足了用户的服务质量要求。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为多蜂窝多用户能量收集无人机辅助D2D网络模型；

图2为本发明无人机辅助D2D通信网络鲁棒能效优化方法流程图；

图3为不同方法下***总能量效率图；

图4为不同方法下蜂窝用户的实际中断概率图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图4，本发明考虑一个多蜂窝多用户能量收集无人机辅助D2D网络，如图1所示，无人机作为基站为K个蜂窝用户提供下行数据传输服务，它可以为所有用户提供视线链路。M个D2D用户通过衬底模式共享蜂窝用户占用的K个正交频谱资源块，每个资源块最多由一对D2D用户占用。其中，

和

分别表示蜂窝用户和D2D用户的集合，蜂窝用户k和D2D用户m的数据速率分别为：

其中，B_k是蜂窝用户k的带宽；P_k是从无人机到蜂窝用户k的传输功率；p_m是从D2D发射机m到D2D接收机m的传输功率；g_m,k是从D2D发射机m到蜂窝用户k的信道增益；N₀是噪声功率谱密度；α_m,k是用户关联因子；h_m是从D2D发射机m到D2D接收机m的信道增益；H_k是从无人机到蜂窝用户k的信道增益；G_k,m是从无人机到D2D接收机m的信道增益。

此外，由于D2D设备具有能量收集电路，可以将D2D用户接收机m收集的能量

写作：

其中η∈(0,1]是能量转换效率。因此，***总能耗为：

其中，k表示第k个蜂窝用户，K为蜂窝用户的数量；m表示第m个D2D用户，M表示D2D用户的数量；P^UAV表示无人机的发射功率；P^C表示每个蜂窝用户的传输功率；

表示D2D用户m的最小电路功耗；

结合功率约束、带宽分配约束、用户关联约束、中断能量约束和中断概率约束，建立满足最小数据速率的中断概率不确定的资源分配优化问题，此优化问题表述为：

s.t.C₁:

C₂:

C₃:

C₄:

C₅:

C₆:

C₇:

C₈:

其中，C₁是无人机的最大发射功率约束，C₂是每个D2D用户的最大发射功率约束，C₃是带宽分配约束，C₄是用户关联约束，C₅是D2D用户m的中断概率要求，C₆是蜂窝用户k的中断概率要求，C₇是中断能量约束，C₈是具有信道估计误差的信道增益约束；P^max表示无人机的最大发射功率；

表示D2D用户m的最大发射功率；B表示***总带宽；Pr代表概率；

和

分别表示蜂窝用户k的最小数据速率和D2D用户m的最小数据速率；ξ_k∈[0,1]和μ_m∈[0,1]分别表示蜂窝用户k和D2D用户m的速率中断门限；v_m∈[0,1]表示D2D用户m的能量中断门限；

表示从D2D用户发射机m到D2D用户接收机m的估计信道增益，Δh_m为其对应的估计误差；

表示从无人机到D2D用户接收机m的估计信道增益；ΔG_k,m为其对应的估计误差；

表示无人机到蜂窝用户k的估计信道增益，ΔH_k为其对应的估计误差；

表示从D2D发射机m到蜂窝用户k的估计信道增益，Δg_m,k为其对应的估计误差；τ_m表示从D2D用户发射机m到D2D用户接收机m的信道估计误差的方差，ε_k,m表示蜂窝用户k到D2D用户m的信道估计误差的方差，δ_k表示无人机到蜂窝用户k的信道估计误差的方差，λ_m,k为D2D发射机m到蜂窝用户k的估计信道增益；CN代表高斯分布。

由于信道不确定性的存在，上述问题为无限维优化问题。定义

利用Q函数和不等式性质，则第m个D2D用户的中断概率约束可重写为：

同理，定义

则第k个蜂窝用户的中断概率约束可重写为：

同理，中断能量约束可以重写为：

因此，将信道不确定性考虑到目标函数中，可以得到如下的优化问题：

P2:

s.t.C₁-C₄

其中，

是转换成确定性约束后的D2D用户m的中断概率要求；

是转换成确定性约束后的蜂窝用户m的中断概率要求；

是转换成确定性约束后的中断能量约束。

基于匹配算法，确定资源块与D2D用户之间的匹配关系，P2转换成连续性非凸优化问题，由于带宽和功率之间的高度耦合，考虑使用基于丁克尔巴赫方法、连续凸近似方法和二次变换方法的交替优化算法将带宽分配子问题转换成凸优化问题。带宽分配子问题可以重新表述为：

P3:

s.t.C₃，

定义：

则松弛变量θ_k、

可以表示为：

因此，P3可以等价为如下带宽凸优化子问题：

P4:

s.t.C₃,

C₉:

C₁₀:

其中,

是带宽分配子问题经过凸转换后D2D用户m的中断概率要求；

是带宽分配子问题经过凸转换后蜂窝用户m的中断概率要求；

是带宽分配子问题经过凸转换后蜂窝用户k的数据速率；

是带宽分配子问题经过凸转换后D2D用户m的数据速率。

功率分配子问题可以重新表述为：

P5:

s.t.C₁，C₂，

定义：

转换成确定性凸约束条件后蜂窝用户k的数据速率

和D2D用户m的数据速率

可以重写为：

因此，P5可以等价为如下功率凸优化子问题：

P6:

s.t.C₁，C₂，

其中,

功率分配子问题经过凸转换后D2D用户m的中断概率要求；

功率分配子问题经过凸转换后蜂窝用户m的中断概率要求；

是功率分配子问题经过凸转换后蜂窝用户k的数据速率；

是功率分配子问题经过凸转换后D2D用户m的数据速率。

由于P4、P6均为凸优化资源分配问题，因此，可以利用CVX工具或者拉格朗日对偶方法求解出最优的分配策略。

下面结合仿真对本发明的应用效果作详细的描述。

1)仿真条件

H_k被建模为

其中，参考距离1m处的信道功率增益设置为β₀＝-30dBm，α_LoS＝2是LoS链路的路径损耗指数,d_m是无人机和第k个蜂窝用户之间的距离,h_m建模为

其中d_m是第m个D2D发射机和第m个D2D接收机之间的距离，w_m是瑞利衰落系数，α_NLoS＝3是非LoS链路的路径损耗指数。其他仿真参数由表1给出：

表1仿真参数表

2)仿真结果

本仿真实验中，将本发明的基于能量收集的无人机辅助D2D通信网络的鲁棒鲁棒节能优化方法与非鲁棒方法进行对比，图3显示了不同方法下能量效率与估计误差δ_k方差的关系。仿真结果表明，随着信道估计误差δ_k方差的增加，不同δ_k和方法下的能量效率均下降，在参数摄动抑制能力和性能之间进行权衡，使得鲁棒方法的能量效率低于非鲁棒方法的能量效率，但鲁棒方法的能量效率显著高于鲁棒平均功率方法的能量效率。因此，本发明提出的鲁棒方法在保证抑制参数摄动能力的同时，可以有效地提高***能量效率。

图4显示了不同方法下蜂窝用户的实际中断概率与估计误差δ_k方差的关系。仿真结果表明，随着估计误差δ_k的方差增大，在不同方法下，蜂窝用户的实际中断概率增大。所提出的鲁棒方法的中断概率总是低于阈值，并且明显优于非鲁棒方法和非鲁棒平均功率方法。因此，本发明提出的鲁棒方法可以有效地控制实际的中断概率。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种无人机辅助D2D通信网络鲁棒能效优化方法，其特征在于，该方法具体包括以下步骤：

S1：构建基于信道状态信息不确定性的无人机辅助D2D通信网络传输模型：在多对D2D通信的网络中部署无人机空中基站，为每个蜂窝用户提供下行数据传输服务，每个D2D用户通过衬底模式共享蜂窝用户占用的正交频谱资源块，且D2D设备具有能量收集电路和信息解码电路；

S2：在满足无人机最大发射功率约束、带宽分配约束以及中断能量约束下，构建基于中断概率的信道不确定性资源分配模型，用于联合优化蜂窝用户的发射功率、D2D用户的发射功率、蜂窝用户的带宽和资源块分配因子；

S3：利用Q函数和不等式性质将中断能量和中断速率转化成确定性凸约束条件，通过匹配算法得到连续性非凸优化资源分配问题，使用连续凸近似法、二次变换法和丁克尔巴赫方法将其转化成凸优化资源分配问题；

S4：求解凸优化资源分配问题，获得每个蜂窝用户的发射功率，以及每个D2D用户的发射功率、资源块分配因子和每个蜂窝用户的带宽。

2.根据权利要求1所述的无人机辅助D2D通信网络鲁棒能效优化方法，其特征在于，步骤S2中，构建基于中断概率的信道不确定性资源分配模型，具体包括以下步骤：

S21：计算第k个蜂窝用户的数据速率

表达式为：

其中，B_k表示蜂窝用户k的带宽，P_k表示从无人机到蜂窝用户k的传输功率，H_k表示从无人机到蜂窝用户k的信道增益，p_m表示从D2D用户发射机m到D2D用户接收机m的传输功率，α_m,k表示用户关联因子，g_m,k表示从D2D发射机m到蜂窝用户k的信道增益，N₀表示噪声功率谱密度，M表示D2D用户的数量；

计算第m个D2D用户的数据速率

表达式为：

其中，h_m表示从D2D用户发射机m到D2D用户接收机m的信道增益，G_k,m表示从无人机到D2D用户接收机m的信道增益，K表示蜂窝用户的数量；

S22：基于线性能量收集模型，计算第m个D2D用户接收机收集的能量

表达式为：

其中，η∈(0,1]是能量转换效率；

则***的总能耗E^TOL为：

其中，P^UAV表示无人机的发射功率，P^C表示每个蜂窝用户的传输功率，

表示D2D用户m的最小电路功耗；

S23：在步骤S21、S22的基础上，考虑随机信道的不确定性，建立基于中断概率的信道不确定性资源分配模型。

3.根据权利要求2所述的无人机辅助D2D通信网络鲁棒能效优化方法，其特征在于，步骤S23中，建立基于中断概率的信道不确定性资源分配模型，表达式为：

其中，C₁是无人机的最大发射功率约束，C₂是每个D2D用户的最大发射功率约束，C₃是带宽分配约束，C₄是用户关联约束，C₅是D2D用户m的中断概率要求，C₆是蜂窝用户k的中断概率要求，C₇是中断能量约束，C₈是具有信道估计误差的信道增益约束；P^max表示无人机的最大发射功率；

表示D2D用户m的最大发射功率；B表示***总带宽；Pr代表概率；

和

分别表示蜂窝用户k的最小数据速率和D2D用户m的最小数据速率；ξ_k∈[0,1]和μ_m∈[0,1]分别表示蜂窝用户k和D2D用户m的速率中断门限；v_m∈[0,1]表示D2D用户m的能量中断门限；

表示从D2D用户发射机m到D2D用户接收机m的估计信道增益，Δh_m为其对应的估计误差；

表示从无人机到D2D用户接收机m的估计信道增益；ΔG_k,m为其对应的估计误差；

表示无人机到蜂窝用户k的估计信道增益，ΔH_k为其对应的估计误差；

表示从D2D发射机m到蜂窝用户k的估计信道增益，Δg_m,k为其对应的估计误差；τ_m表示从D2D用户发射机m到D2D用户接收机m的信道估计误差的方差，ε_k,m表示蜂窝用户k到D2D用户m的信道估计误差的方差，δ_k表示无人机到蜂窝用户k的信道估计误差的方差，λ_m,k为D2D发射机m到蜂窝用户k的估计信道增益；CN代表高斯分布。

4.根据权利要求3所述的无人机辅助D2D通信网络鲁棒能效优化方法，其特征在于，步骤S3中，利用Q函数和不等式性质将中断能量和中断速率转化成确定性凸约束条件，表达式为：

s.t.C₁-C₄

其中，

表示转换成确定性凸约束条件后蜂窝用户k的数据速率，其中

表示从无人机到第个k蜂窝用户的等价信道增益，Q^-1表示逆Q函数；

表示从D2D发射机m到蜂窝用户k的等价信道增益；

表示转换成确定性凸约束条件后D2D用户m的数据速率，

表示从D2D发射机m到D2D接收机m的等价信道增益，

表示从无人机到D2D接收机m的等价信道增益；

表示转换成确定性凸约束条件后D2D接收机m收集的能量。

5.根据权利要求4所述的无人机辅助D2D通信网络鲁棒能效优化方法，其特征在于，步骤S3中，通过匹配算法得到连续性非凸优化问题，表达式为：

6.根据权利要求5所述的无人机辅助D2D通信网络鲁棒能效优化方法，其特征在于，步骤S3中，使用连续凸近似法、二次变换法和丁克尔巴赫方法将连续性非凸优化资源分配问题中的带宽分配子问题转化成凸优化问题，表达式为：

其中，

表示经过凸转换后蜂窝用户k等价的数据速率，θ_k表示松弛变量；

表示D2D用户m的等价数据速率，

表示松弛变量；φ表示***能效；

7.根据权利要求5所述的无人机辅助D2D通信网络鲁棒能效优化方法，其特征在于，步骤S3中，使用二次变换法和丁克尔巴赫方法将连续性非凸优化资源分配问题中的功率分配子问题转化成凸优化问题，表达式为：

其中,

表示经过凸转换后蜂窝用户k等价的数据速率，

表示经过凸转换后D2D用户m等价的数据速率，

φ表示***能效。

8.根据权利要求1所述的无人机辅助D2D通信网络鲁棒能效优化方法，其特征在于，步骤S4中，利用CVX工具或拉格朗日对偶法求解凸优化资源分配问题，从而获得蜂窝用户k的发射功率P_k、D2D用户m的发射功率p_m、资源块分配因子α_m,k和蜂窝用户k的带宽B_k，即获得资源分配方案。

Images