一种基于能量收集的工业物联网多维资源联合优化算法的制作方法

本发明属于无线通信领域，具体涉及一种应用在基于能量收集的工业物联网场景中高能效的资源分配优化算法，针对机器到机器(m2m)通信网络中能效较低、频谱资源紧缺等问题，考虑将能量收集与认知m2m通信相结合，m2m发射机(m2m-tx)通过利用基站发射的射频能量，并复用蜂窝链路的频谱资源，将数据传输至相应的接收机(m2m-rx)。首先建立m2m-tx、m2m-rx与资源块(rb)之间的三维匹配关系；其次通过交替优化(ao)、非线性分式规划以及线性规划算法解决联合功率控制与时间分配子问题，以获取相应喜好列表；最后基于所获喜好列表，通过基于定价机制的三维匹配算法解决联合信道选择与对等节点发现子问题，以获取频谱资源最佳分配方案。

背景技术：

工业物联网(iiot)已经成为下一代将互联网与工业设备相互连接的新工业革命的标签。它创建了一个互联互通的全球网络，可以支持诸如智慧城市，智能交通系统和智能电网等新应用之间相互交换信息并相互协作。然而，随着物联网设备数量的急剧增加，其对通信技术与协议提出了更高的要求：应适应大规模的数据交换、可提供随时随地连接、支持智能资源分配。机器对机器(m2m)通信是实现物联网愿景的一种关键技术，其无需人为干预，即可实现机器之间自主地互相通信。

尽管m2m通信网络具有上述优点，但其广泛部署仍然面临一些挑战。首先，目前频谱资源十分稀缺，大多数可用频谱资源已经被支持人对人(h2h)通信应用(例如，语音和视频)占用。为了减缓频谱使用压力，可以通过复用传统h2h通信系统(例如，3g/4g蜂窝网络)的频谱资源而无需为m2m通信重新分配频谱。然而，h2h蜂窝用户(cu)和m2m设备之间共享频谱资源会不可避免地导致它们之间产生同道干扰，除非管理良好，否则可能降低系统性能。其次，m2m设备所安装电池容量十分有限，而定期更换部署在较大区域的m2m设备的电池可能非常昂贵。因此，在保证m2m通信链路与蜂窝通信链路qos的同时，通过智能资源分配优化m2m发射机(m2m-tx)的能效极为重要。

技术实现要素：

本发明在基于能量收集的m2m单蜂窝通信网络场景下，以最大化发射机m2m-txs的能效为目标，提出了一种基于能量收集的工业物联网场景中高能效的资源分配优化算法。该算法首先建立m2m-tx、m2m-rx与资源块rb之间的三维匹配关系；其次通过交替优化(ao)、非线性分式规划以及线性规划算法解决联合功率控制与时间分配子问题，以获取相应喜好列表；最后基于所获喜好列表，通过基于定价机制的三维匹配算法解决联合信道选择与对等节点发现子问题，以获取频谱资源最佳分配方案。具体过程如下：

1)图1为基于能量收集的m2m单蜂窝通信网络系统模型图，有k个cus、n个m2m-txs以及m个m2m-rxs。每个m2m-tx均具有能量收集及数据传输的功能，采用具有块衰落特性的信道模型，每个时间块均被分为能量收集及数据传输两个时隙。在能量收集时隙，m2m-txs从临近的无线射频(rf)信号中收集能量；在数据传输时隙，m2m-txs利用存储及收集的能量向相应的m2m-rxs传输信息。考虑下行链路能量收集及频谱复用场景，发射机txn通过复用最多一个蜂窝用户ck的频谱资源块rbk向相应接收机rxm(最多一个)传输数据，用sn,m,k＝1表示，三者形成一对一的匹配关系。

由于下行链路频谱复用，蜂窝用户ck将忍受由发射机txn产生的同道干扰，接收机rxm将忍受由基站产生的同道干扰。蜂窝用户ck的信号噪声干扰比(sinr)为：

其中，p0和pn分别是基站与m2m发射机txn的发射功率，g0,k和gn,k分别是基站到蜂窝用户ck与发射机txn到蜂窝用户ck的信道增益，n0是加性高斯白噪声。

m2m接收机rxm可达到的sinr的表达式为：

gn,m,k和g0,m,k分别是txn到rxm的信道增益与基站到rxm的信道增益。

m2m通信对(txn，rxm)可达到的谱效为：

rn＝τn,ilog2(1+γn,m,k)

τn,i表示数据传输的时间。

m2m发射机txn在能量收集时间段τn,e内所能收集的能量为：

en＝τn,eλnp0g0,n,k

其中，λn(0＜λn＜1)指发射机txn的能量收集效率因子，g0,n,k是基站到发射机txn链路的信道增益。

m2m发射机txn的能耗包含数据传输能耗与电路能耗，则m2m发射机txn在能量收集时间段τn,e的能耗为：

其中，pc是电路功耗。

m2m发射机txn在数据传输时间段τn,i的能耗为：

m2m发射机txn的总能耗为：

则m2m发射机txn的能效为：

2)在基于能量收集的认知m2m通信网络中，关键的研究点在于如何从高能效角度联合优化信道选择、对等节点发现(发射机txn发现相应接收机rxm)、功率控制与时间分配。在保证蜂窝用户与m2m通信链路用户服务质量(qos)的同时，考虑能量约束，所形成的m2m发射机能效最大化问题为：

p1:

s.t.c1:

c2:

c3:

c4:

c5:

c6:

c7:

c8:

c9:

c10:

其中，c1和c2保证蜂窝链路和m2m链路的qos需求；c3是时间分配约束；c4保证txn总能耗不超过收集能量与存储能量之和；c5定义了txn的发射功率约束；c6保证时间分配变量非负；c7～c10保证rb，m2m-tx与m2m-rx之间是一对一匹配。

3)将m2m-tx，m2m-rx与rb之间的三维匹配问题转化为m2m-tx与rxrb(m2m-rx与rb形成的rxrb对)的二维匹配问题；所形成的优化问题p1是混合整数非线性规划(minlp)问题，需采用交替优化、非线性分式规划以及线性规划算法解决联合功率控制与时间分配子问题。将优化问题p1进行转换与分解，在考虑m2m发射机txn与m2m接收机rxm形成m2m通信对，并复用蜂窝用户cuk的通信资源块rbk，即sn,m,k＝1，则发射机txn的能效优化问题为：

p2:

s.t.c1～c6

采用非线性分式规划算法(本文采用dinkelbach算法)将问题p2转化为：

p3:

s.t.c1～c6

其中t是dinkelbach迭代次数，第t次迭代中的值可通过最优功率控制与时间分配变量和求得，dinkelbach迭代将终止于：

δ是一个任意大小的正常数。

将问题p3分解为功率控制子问题与时间分配子问题，采用交替优化方法分别进行优化。其中功率控制子问题为：

p4:

s.t.c1,c2,c4,c5

考虑时间分配变量固定，只优化功率控制变量，其中l是交替优化(ao)的迭代次数。p4是一个标准凸优化方程，可采用标准凸优化方法进行优化。

时间分配子问题为：

p5:

s.t.c3,c4,c6

考虑功率控制变量固定，只优化时间分配变量。不难证明，在第l次迭代时，p5的最优解必须满足因此，通过将替换为p5的优化变量仅为原始的时间分配问题即转化为一元线性优化问题，采用线性规划方法即可优化问题p5。

ao迭代将终止于：

γ是一个任意大小的正常数。

4)基于所获得最优的功率控制与时间分配方案，即可求得问题p2的最优解，即sn,m,k＝1时发射机txn的最大能效值，以该最大能效值作为每个m2m-tx对于rxrb的喜好值，以喜好值降序排列建立相应喜好列表。根据所建立的喜好列表，通过“提出申请”与“提高价格”的方法，实现m2m-tx，m2m-rx和rb之间的稳定匹配，步骤如下：

txn对rxrbm,k的喜好值定义为：

其中，为txn的最优能效值，可通过求解问题p2获得，gm与gk分别是m2m-rx与rb的价格增长值，仅在匹配过程中设置为匹配成本，无实际意义，其初始值为0。匹配过程中，根据所建立喜好列表，m2m-tx向其最喜欢的rxrb提出匹配申请，当只有一个m2m-tx向rxrb提出申请时，二者直接进行匹配；当有多个m2m-txs向同一个rxrb提出匹配请求，其匹配成本每次增加δgm+δgk，最终直至只有一个提出申请的m2m-tx。当所有m2m-tx都匹配到相应的rxrb或者没有可用的rxrb与m2m-tx进行匹配，则匹配结束。

附图说明：

图1是基于能量收集的m2m单蜂窝通信网络系统模型图。

图2是仿真参数图。

图3是m2m单蜂窝通信网络系统撒点图。

图4是m2m对传输距离与网络平均能效的关系图。

图5是m2m接收机数量与网络平均能效的关系图。

图6是dinkelbach迭代次数与网络平均能效的关系图。

具体实施方式

本发明的实施方式分为两个步骤，第一步为建立模型，第二步为算法的实施。其中，建立的系统模型如图1所示，它和

技术实现要素：
中基于能量收集的m2m单蜂窝通信网络系统模型图的介绍完全对应。

1)对于系统模型，每个m2m-tx均具有能量收集及数据传输的功能，采用具有块衰落特性的信道模型，在每个时间块内m2m-tx在数据传输时隙传输信息，在能量收集时隙收集能量。考虑下行链路能量收集及频谱复用场景，发射机txn通过复用蜂窝用户ck的频谱资源块rbk向相应接收机rxm传输数据。但是复用频谱资源会导致它们之间产生同道干扰。此外，m2m设备所安装电池容量十分有限，而定期更换部署在较大区域的m2m设备的电池可能非常昂贵。因此，在保证m2m通信链路与蜂窝通信链路qos的同时，设计一种智能资源分配方案以优化m2m发射机(m2m-tx)的能效极为重要。

2)为了解决上述问题，首先建立m2m-tx、m2m-rx与rb之间的三维匹配关系；其次通过ao、非线性分式规划以及线性规划算法解决联合功率控制与时间分配子问题，以获取相应喜好列表；最后基于所获喜好列表，通过基于定价机制的三维匹配算法解决联合信道选择与对等节点发现子问题，以获取频谱资源最佳分配方案。

对于本发明，我们进行了大量仿真。仿真中的具体参数如图表2所示，假设小区半径为300m，cus随机分布在小区内，m2m-txs与m2m-rxs以不超过35m的距离随机分布在小区内。所提算法与其它几种启发式算法进行对比。

图3是m2m单蜂窝通信网络系统撒点图。发射机、接收机以及蜂窝用户的数量分别为n＝m＝10,k＝12，m2m通信链路的最大传输距离设置为dmax＝35m。

图4显示了m2m对传输距离与网络平均能效的关系。通过观察发现，网络平均能效随着m2m对传输距离的增加而降低，因为随着m2m对传输距离的增加，m2m-txs必须采用更大的传输功率以保证各通信链路满足相应的qos要求，这会使网络平均能效降低。此外，所提算法可以以较低计算复杂度最大程度的接近由鲁棒方案实现的最优能效值。

图5显示了m2m接收机数量与网络平均能效的关系图。研究发现，随着m2m接收机与rb数量的增加，网络的平均能效值均会增加。因为m2m接收机与rb数量的增加会增加m2m发射机匹配到喜好值较高的rxrb的概率。

图6显示了dinkelbach迭代次数与网络平均能效的关系。在不断的迭代过程中，会逐渐收敛至一个最优值。可以发现，迭代次数约为4次。此外，m2m对的数量对所提功率控制算法的收敛性能几乎没有影响。

尽管为说明目的公开了本发明的具体实施和附图，其目的在于帮助理解本发明的内容并据以实施，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。