一种基于PSO的大规模MIMO系统上行能量效率优化方法与流程

本发明涉及通信技术领域，具体涉及多输入多输出(multiple-inputmultiple-output，简称mimo)系统中上行链路中的能效优化，特别是一种基于粒子群优化算法(particleswarmoptimization，简称pso)的大规模mimo系统上行能效优化方法。

背景技术：

多输入多输出技术能够在不增加额外系统带宽和天线发射功率的条件下，成倍地提升系统的信道容量，因此mimo技术在无线移动通信领域中得到了广泛的应用。大规模mimo技术通过在基站布置大规模天线，有效提高增益窄细波束在三维空间的分辨能力，灵活的空间复用能力可以改善接收信号强度并更好地抑制用户间干扰。同时，多天线阵列可以极大地降低多用户信道小尺度衰落对信号的影响。

pso算法主体是优化目标函数的自由变量，计算所有粒子的适应值，适应值来自于对自身过去最优值的积累，以及学习其他粒子寻找的瞬时最优值。通过更新位置和速度，最终所有粒子找到目标函数的最大值。

能量效率是衡量大规模mimo技术是否“绿色”的指标之一，衡量的是每焦耳能量所能传输信息比特数的能力。现有技术中，能量效率的优化大都仅考虑发送功率的影响，但在上行链路中，基站侧每根天线都具有一个a/d转换器，量化精度对系统的容量将变得更加敏感，并且能量消耗将急剧增加。

公开号为cn108282886a的发明专利申请公开了一种mimo-ofdma下行信道中的用户调度和能量效率联合优化方法，步骤1、建立系统模型建立mimo-ofdma下行链路模型，并且利用块对角化方法，将每个用户的信道分解成为多个平行信道，计算用户下行速率和用户得到资源块获得的功率；步骤2、进行用户调度定义一个效益函数用来为用户分配资源块，考虑用户端缓存器，将资源块分配给用户当前时延大及信道条件好的用户；步骤3、进行功率分配以最大化能量效率ee为目标，为用户资源块中的子载波重新进行功率分配，根据用户缓存器的容量确定用户获得的下行速率的最大值和最小值，并以此作为优化问题的限制条件，进行最优化求解。虽然其能在一定程度上优化能量效率，但是其仍然没有考虑量化精度对能量效率的影响，优化效果差。

故，针对现有技术的缺陷，如何更好地优化大规模mimo系统上行能量效率是本领域亟待解决的问题。

技术实现要素：

本发明的目的是针对现有技术的缺陷，提供了一种基于粒子群算法的大规模mimo系统上行能量效率优化方法，先推导量化比特数与系统频谱效率和能量效率的关系，然后用粒子群算法对量化比特数和天线数进行优化，并提出一种新的天线选择分组量化方案，可以针对a/d转换器能耗合理选择精度和天线数，有效提升系统能量效率。

为了实现以上目的，本发明采用以下技术方案：

一种基于pso的大规模mimo系统上行能量效率优化方法，其特征在于，包括步骤：

步骤s1、计算系统频谱效率；

步骤s2、关系化表示系统上行链路的总能量消耗与量化比特数；

步骤s3、基于所述系统频谱效率及总能量消耗计算大规模mimo系统上行能量效率；

步骤s4、基于pso算法优化出最佳的量化比特数和基站侧天线数使系统能够获得最大的能量效率。

进一步地，所述步骤s1具体为：

基站天线接收机接收到的来自第k个用户的模拟信号yk∈c^m为：

其中，用户与基站之间的信道h∈c^m×n，sk是天线端发送的信号，ak是预编码矩阵，经过服从正太高斯分布的加性噪声nk，满足rnn＝1，发射信号系数

经过a/d量化器量化后的信号可以表示成：

r＝fy+e

其中，量化后噪声向量e与y不相关，量化系统线性函数f可以通过r和y基于最小均方误差算法来估计出来：

基于均方误差最小的原理对信号进行量化后可以得出:

采用最简单的匹配滤波算法预编码方案，得到协方差矩阵:

得到第k个用户的系统频谱效率：

进一步地，所述系统上行链路的总能量消耗与量化比特数的关系为：

其中，bi为量化比特数，m为基站侧天线数。

进一步地，所述大规模mimo系统上行能量效率为：

其中，r(b,m)为系统频谱效率，p(b,m)为系统上行链路的总能量消耗，k为用户数。

进一步地，所述步骤s4具体为：

s4.1:将能量效率函数ee(b,m)设置为目标函数，天线数m和量化比特数b设置为自由变量，初始化粒子群；

s4.2:利用pso更新公式计算粒子的新位置和速度；计算每一个粒子的适应度，更新粒子的最优位置和全局最优位置，依照适应度对各粒子进行降序排列，组成新一代粒子群；

s4.3:如果达到了终止条件则结束迭代，得到目标函数的最优解，即该精度a/d转换器下的最优天线分组量化方案。

进一步地，所述初始化粒子群包括：

初始化含有n个粒子的粒子群s＝(x1,x2,…,xn)，其中xi＝(mi,bi)，并为每一个粒子的位置χi和速度vi进行初始化。

进一步地，所述步骤s4.2具体为：

s4.2.1、根据每一个粒子的初始位置和初始速度，结合pso更新公式计算对应的新位置和速度；

s4.2.2、根据目标函数计算每一个粒子的适应度，在第k+1次迭代中将每一个粒子历经最优位置的适应度与当前保持的适应度进行比较，并更新每一个粒子的最优位置；

s4.2.3、将每一个粒子的适应度和粒子群历经最优位置的适应度进行比较，选择在当前全局最佳适应度下粒子的位置作为第k+1次全局最优位置；

s4.2.4、统计当前的粒子个数nk+1，如果粒子个数nk+1≥n/2时，则继续s4.2.5，否则跳过，直接进入s4.2.6；

s4.2.5、依照每一个粒子的适应度对各粒子进行降序排列，按一定比例选择排列在前面的粒子组成新一代粒子群s(k+1)；

s4.2.6、更新k+1代粒子群s(k+1)中的粒子位置和粒子速度。

优选地，所述pso更新公式为：

本发明提出了一种大规模mimo系统上行能量效率模型，并对模型中的两个关键性变量因素量化比特数及基站天线数利用粒子群算法优化，根据不同的a/d转换器提出了一种天线选择分组量化方案，有效提升系统的能量效率，节约能耗，降低信息损失。

附图说明

图1是实施例一提供的一种基于pso的大规模mimo系统上行能量效率优化方法流程图；

图2为上行链路模型图；

图3为pso算法流程图；

图4为pso在线性能曲线图；

图5为pso离线性能曲线图；

图6为天线选择分组量化结果；

图7为天线选择分组量化方案示意图；

图8为天线选择分组量化能量效率对比图。

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。需说明的是，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。

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，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

实施例一

如图1所示，本实施例提出了一种基于pso的大规模mimo系统上行能量效率优化方法，包括：

步骤s1、计算系统频谱效率；

图2为上行链路模型图。输入信号s经过预编码a后变成x。q(*)表示量化的过程，即量化系统函数。用户与基站之间的信道h∈c^m×n，基站天线接收机接收到的来自第k个用户的模拟信号yk∈c^m表示如下：

其中，sk是天线端发送的信号，ak是预编码矩阵，经过服从正太高斯分布的加性噪声nk，满足rnn＝1。发射信号系数

a/d转换器在每根接收天线端对接收信号y进行采样，采样后用有限的0或1比特值组成的序列去代替这些采样值。经过a/d量化器后的信号表示为：

r＝y+q

所需要的信道状态信息(csi)可以通过上行传导频，下行传数据的方式获取，根据信道互异性进行信道估计。基于量化误差或输入信号和量化后信号的互信息来自适应修改量化比特数。

根据bussgang理论，量化后的信号可以重新表示成：

r＝fy+e

其中量化后噪声向量e与y不相关，量化系统线性函数f可以通过r和y基于mmse(最小均方误差)算法来估计出来：

把y带入上式，可得到：令h′＝c0fhak，计算系统所有噪声的协方差为：

我们可以看到无线信道的加性噪声以及经过量化后的噪声矢量相加后并不一定是高斯随机信号。我们可以把整个系统的模型看成是系统函数为h′，噪声为η′的信道模型。假定我们发送的信号s是高斯信号，最后根据香浓容量公式得出经过量化的系统容量下界为：

根据随机信号定理知道，高斯信号经过一个确定性信道矩阵h，外加一个与信号无关的加性高斯白噪声，输出依然是一个高斯信号。假定理想情况下使用的是失真最小化量化器，对输出的高斯信号进行量化，不管是均匀量化还是非均匀量化，信道的损耗系数与量化信噪比都成反比的关系，损耗系数值都大约等于2^-2b，b表示接收端量化比特数。每个用户对应的m根天线的量化比特损耗系数定义为对角矩阵ρ，以方便计算：

基于均方误差最小的原理对信号进行量化后可以得出下面两个结论：通过这两个公式可以得出：

采用最简单的匹配滤波算法预编码方案，即ak＝h。因此得到一些协方差矩阵：

获得的上面三个协方差矩阵都是计算量化系统容量的关键矩阵，得到小区内第k个用户的系统频谱效率：

步骤s2、关系化表示系统上行链路的总能量消耗与量化比特数；

a/d转换器的能量消耗增长与量化精度和带宽都有关系，满足以下公式：

其中，b是信道传输带宽，σ²是噪声功率。a0由a/d转换器硬件特性决定的常数。当天线处于工作状态的时候，bi＞0，当天线处于闲置状态时，即没有能量消耗，bi＝0。

在基站侧有m根天线，每根天线的接收机都有a/d转换器。除了a/d转换器的能耗，还有其他链路的电路部分以及移动终端消耗的能量a1。因此系统上行链路的总能量消耗与量化比特数的关系可以表示为：

步骤s3、基于所述系统频谱效率及总能量消耗计算大规模mimo系统上行能量效率；

根据能量效率的定义，即频谱效率除于总能量消耗。为了衡量上行链路的能量效率，电路能量消耗，a/d转换器能量消耗都比较明确。在上行链路系统中，输入的是能量，输出的是信息，根据香浓容量下限，将大规模mimo系统上行能量效率写成：

步骤s4、基于pso算法优化出最佳的量化比特数和基站侧天线数使系统能够获得最大的能量效率。

图3为pso算法流程图，具体为：

s4.1:将能量效率函数ee(b,m)设置为目标函数，天线数m和量化比特数b设置为自由变量。将变量的取值范围设置为b∈1～10，m∈4～400。

s4.2:初始化含有n个粒子的粒子群s＝(x1,x2,…,xn)，其中xi＝(mi,bi)，并为每一个粒子的位置χi和速度vi进行初始化。

s4.3:根据每一个粒子的初始位置和初始速度，结合pso更新公式计算对应的新位置和速度。pso更新公式如下：

s4.4:根据目标函数计算每一个粒子的适应度，在第k+1次迭代中将每一个粒子历经最优位置的适应度与当前保持的适应度进行比较，并更新每一个粒子的最优位置。

s4.5:将每一个粒子的适应度和粒子群历经最优位置的适应度进行比较，选择在当前全局最佳适应度下粒子的位置作为第k+1次全局最优位置。

s4.6:统计当前的粒子个数nk+1，如果粒子个数nk+1≥n/2时，则继续s4.7，否则进入s4.8。

s4.7:依照每一个粒子的适应度对各粒子进行降序排列，按一定比例选择排列在前面的粒子组成新一代粒子群s(k+1)。

s4.8:更新k+1代粒子群s(k+1)中的粒子位置和粒子速度。

s4.9:如果达到了终止条件则结束迭代，否则返回s4.4。

图4为pso在线性能曲线图，设xe(s)为在不同环境条件e下，采用局部最优化方案s取得的在线性能，fe(k)为在条件e下第k次迭代优化后的目标函数，在线性能xe(s)表示为

在线性能所表示的动态特性描述的是算法稳定性，通过简单计算从第1代到当前迭代时候的目标函数的值进行累加取平均。每次迭代都将使我们的优化方案更接近最优解，算法不会出现最优解跳数。保证算法的优化目标维持在一个可接受的动态范围内。

图5为pso离线性能曲线图，设xe^*(s)为在不同环境条件e下，采用局部最优化方案s取得的离线性能，fe^*(k)表示在条件e情况下，系统的目标函数从第1次迭代开始到第k次迭代完成后优化出来的最优值，即fe^*(k)＝max{fe(1),fe(2),…,fe(k)},离线性能xe^*(s)表示成

离线性能表明每次迭代获得的最优目标值取最大，如果算法能够在较短的迭代次数下走到目标函数的峰值，那么代表该算法能够具有较高的收敛性能，不是在局部的最优值而一直循环迭代。

根据上述步骤，通过pso算法优化出不同a0值下的最优量化比特数bopt及最优天线数mopt。它们的仿真值如图6所示。

如图7所示，在高信噪比情况下，频谱效率也较高，通过关闭和打开合适的天线进行优化量化后，对高能耗的a/d转换器采取低精度、少量天线的工作方案，对低能耗的a/d转换器采取高精度、多天线的工作方案，降低能量消耗，系统能量效率得到有效提升。

如图8所示,可以看出在snr较低的时候，提出的自适应方案对能量系效率并没有有效提升，但在较高的snr下，能量效率有了大约20％的提升。在低信噪比情况下，系统频谱效率较低，即使按照优化方案选择性将某些天线置于工作模式，依然不能提高能量效率。在高信噪比情况下，频谱效率也较高，通过关闭和打开合适的天线进行优化量化后，对高能耗的a/d转换器采取低精度、少量天线的工作方案，对低能耗的a/d转换器采取高精度、多天线的工作方案，降低能量消耗，系统能量效率得到有效提升。

由此可知，本发明大规模mimo系统上行能量效率方法，并对两个关键性变量因素量化比特数及基站天线数利用粒子群算法优化，根据不同的a/d转换器提出了一种天线选择分组量化方案，有效提升系统的能量效率，节约能耗，降低信息损失。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。