异构网络中融合NOMA与D2D通信的资源分配方法与流程
本发明涉及通信资源分配技术领域，特别是涉及一种异构网络中融合noma与d2d通信的资源分配方法。
背景技术：
移动通信网络的高速发展与移动通信业务的剧增，给现有的无线资源带来巨大的挑战。为了减少传统单cell覆盖范围中热点区域的接入压力，传统单基站的扁平部署方式正朝着多层次异构方向发展。这种多层次异构网络除了包含传统的宏基站外，其覆盖范围内还包括大量的微基站、微微基站及其它接入节点，这些接入节点与宏蜂窝基站使用相同的通信信道，从而有效提升了频谱资源的利用率。需要注意的是，由于资源的复用，用户处于多层次异构网络架构的覆盖范围时，其信息传输还受到部署区域内其它使用相同信道的通信之间的干扰，如何为用户关联合适的基站，并在此基础上选择合适的通信功率与传输信道，成为多层次异构蜂窝网络的研究关键性基础问题。
近年来，为了进一步提高频谱资源利用率，非正交多址接入(non-orthogonalmultipleaccess，noma)技术允许多个用户以功率复用方式占用相同信道，吸引了产业界及学术界的广泛关注。与此同时，d2d(device-to-device)技术允许短距离的用户可以不经过基站节点的中转，而直接通信，从而降低了基站的通信压力，提高了资源的利用效率。
为了极大化频谱资源利用率，d2d通信一般需要使用与蜂窝通信(即基站与传统手机终端用户之间的通信)相同的频谱资源，且d2d通信要求不能对已有的蜂窝通信产生干扰。如何为d2d通信对之间分配合适的通信功率与频谱资源成为研究的难点问题。进一步，当蜂窝通信采用noma的通信方式后，同一基站可以在同一个信道上与多个手机终端用户cue(cellularuserequipment)进行同时通信。此时，cue之间可以基于串行干扰消除(serialinterferencecancellation，sic)解码次序来逐渐恢复接收数据。然而，当引入d2d通信后，通信与多层次蜂窝网络架构后，会导致cue之间的sic关系同时受到d2d通信及网络内其它基站关联用户的干扰，无法通过与基站的传输距离进行简单判别，如何选择为noma通信组选择合适的sic关系，成为研究的难点问题。
现有融合noma与d2d通信的资源分配方法均计算复杂、效率低，且都没有考虑最优sic解码次序，导致优化后的网络性能较低，使得优化后的网络资源利用率较低。
技术实现要素：
针对现有技术存在的问题，本发明提供一种异构网络中融合noma与d2d通信的资源分配方法，考虑了最优sic解码次序，能够有效提升网络的性能，极大化网络的资源利用效率，且计算简单、计算效率高。
本发明的技术方案为：
一种异构网络中融合noma与d2d通信的资源分配方法，其特征在于，包括下述步骤：
步骤1：构建不影响cue正常通信的条件下满足d2d通信速率之和最大化的优化模型；
步骤2：基于差分进化算法对信道分配与功率分配进行初步优化求解：
步骤2.1：分别基于信道编码方式、功率编码方式随机初始化用户群体中每个个体的用户的信道分配、功率分配，并计算基站与用户间、用户与用户间的信道增益；
步骤2.2：计算当前群体中每个个体能够获得的所有的d2d通信速率之和，将个体能够获得的所有的d2d通信速率之和作为该个体的适应度值；
步骤2.3：对当前群体中当前适应度值为负的个体执行功率修复；
步骤2.4：根据当前群体中每个个体的修复后的功率重新计算当前群体中每个个体的适应度值；
步骤2.5：构造新群体：
步骤2.5.1：从原有群体中随机抽取三个个体，并计算第i个个体的缩放因子、变异因子及交叉概率；其中，i的初始值为1；
步骤2.5.2：利用交叉概率进行相关基因的互换，原有群体中的第i个个体随机生成0到1之间的随机数，当该随机数大于第i个个体的交叉概率时将变异因子的对应基因加入到第i个个体中，形成第i个新个体；
步骤2.5.3：基于新个体的功率分配，计算新个体的适应度值并将新个体的适应度值存入新集合中，形成新群体；
步骤2.5.4：采用与步骤2.3中相同的功率修复方法，对新群体中适应度值为负的个体执行功率修复；
步骤2.5.5：根据新群体中个体的修复后的功率重新计算新群体中个体的适应度值，并用重新计算的适应度值替代新集合中对应的适应度值；
步骤2.6：判断新群体的规模是否达到预设的群体规模：若新群体的规模未达到预设的群体规模，则令i＝i+1，返回步骤2.5.1，进行下一个新个体的构造；若新群体的规模达到预设的群体规模，则将新群体与原有群体进行适应度比对，将适应度强的个体留存下来，形成留存群体，进入步骤2.7；其中，预设的群体规模为原有群体的规模；
步骤2.7：判断是否达到预设的迭代次数：若迭代次数未达到预设的迭代次数，则返回步骤2.5；若迭代次数达到预设的迭代次数，则保存初步优化结果；所述初步优化结果包括最优信道分配、最优d2d功率分配、初步最优cue功率分配；
步骤3：基于逐次凸逼近算法对功率分配进行进一步优化求解：
步骤3.1：对所述优化模型进行逼近转换，得到转换后的优化模型；
步骤3.2：将步骤2得到的最优信道分配、最优d2d功率分配作为固定值，将步骤2得到的初步最优cue功率分配作为cue功率分配的初始值；
步骤3.3：结合信道分配、d2d功率分配、cue功率分配计算当前目标函数适应度值y(1)、原目标函数适应度值，并基于逐次凸逼近算法求解转换后的优化模型；
步骤3.4：使用转换后的目标函数的最优适应度值对应的功率值求解原目标函数的适应度值。
所述步骤1中，所述不影响cue正常通信的条件下满足d2d通信速率之和最大化的优化模型为
其中，
其中，hd为第d个d2d用户对自身的增益，pd为第d个d2d用户对的功率，hj，d为和当前d2d用户对在同一信道上的cue用户所在基站对d2d用户对的增益，
其中，
当同一基站同一信道上第n个cue用户接收第k个cue用户的信号所计算的sinr值大于或等于第k个cue用户接收自己信号所计算的sinr值时，
所述步骤2.1中，信道编码方式为联合编码方式，信道编码用向量表示为
所述步骤2.3包括下述步骤：
步骤2.3.1：针对当前个体，选取一个本次迭代的功率最大的cue用户作为变量，通过其他cue用户的功率以及信道分配，根据最小传输速率限制及解码顺序求解该功率最大的cue用户的最小功率；
步骤2.3.2：若当前个体仍有cue用户未执行功率修复计算，则再次执行步骤2.3.1；若当前计算的用户功率超过对应基站功率限制则取消迭代；
步骤2.3.3：若迭代次数未达到预设的迭代次数，则重复步骤2.3.1；若迭代次数达到预设的迭代次数，则执行步骤2.4。
所述步骤2.5.1包括下述步骤：
步骤2.5.1.1：从原有群体中随机抽取三个个体，对随机抽取的三个个体根据适应度优劣排序为xb、xm、xw，对应的适应度值为fb、fm、fw；
步骤2.5.1.2：设置缩放因子的最小值fl及最大值fu，并计算第i个个体的缩放因子为
步骤2.5.1.3：根据第i个个体的新缩放因子fi，求解第i个个体的变异因子为
vi＝xb+fi(xm-xw)(6)
步骤2.5.1.4：计算原有群体的平均适应度、最差适应度fmin及最优适应度fmax，若第i个个体的适应度低于平均适应度则第i个个体的交叉概率取0.1，若第i个个体的适应度大于平均适应度则计算第i个个体的交叉概率为
其中，fi为原有群体中第i个个体的适应度值。
所述步骤3.1包括：
使用公式(8)对步骤1中优化模型的目标函数进行逼近转换，
ud*ln(τ)+vd≤ln(1+τ)(8)
其中，
得到转换后的优化模型为
k＞j，j，k∈π(9f)
其中，π为cue用户解码顺序的集合；
所述步骤3.3包括下述步骤：
步骤3.3.1：结合信道分配、d2d功率分配、cue功率分配分别计算当前目标函数适应度值y(1)、原目标函数适应度值及当前的ud、vd；
步骤3.3.2：令t＝2，s＝1；
步骤3.3.3：判断是否满足循环条件
步骤3.3.4：令t＝t+1，s＝t-2；
步骤3.3.5：结合当前信道分配、d2d功率分配、前一次循环中得到的cue功率分配及对应的ud、vd值，使用标准凸优化工具求解转换后的目标函数，得到最优解y(t-1)及相应的一组cue功率；
步骤3.3.6：使用得到的cue功率值，对ud、vd值进行更新求解，返回步骤3.3.3。
本发明的有益效果为：
本发明在多层次异构网络架构下融合noma通信与d2d通信进行资源的分配优化，构建了多层次异构网络中引入d2d通信后不影响cue正常通信的条件下满足d2d通信速率之和最大化的优化模型，并分析传统手机终端用户cue的传输功率与串行干扰消除sic解码次序间的关系，提出了干扰消除条件的判别方法，将求解最大化d2d用户速率问题转化为求解每一个d2d组中用户的sinr值的问题，并由此设计了cue用户满足最小传输速度情况下的功率设置方法；进一步地，基于差分进化算法对信道分配和功率分配进行初步优化，考虑了cue通信功率的修复优化，求解得到最优信道分配、最优d2d功率分配、初步最优cue功率分配，从而得到最优sic解码次序，并在此基础上基于逐次凸逼近算法进行功率分配的进一步优化，能够有效提升网络的性能，极大化网络的资源利用效率，且计算简单、计算效率高。
附图说明
图1为融合noma与d2d通信的多cell网络模型示意图；
图2为本发明的异构网络中融合noma与d2d通信的资源分配方法的整体流程图；
图3为本发明中基于差分进化算法对信道分配与功率分配进行初步优化的流程图；
图4为本发明中基于逐次凸逼近算法对功率分配进行进一步优化的流程图；
图5为具体实施方式中多情况下传统技术与noma技术的传输效果对比图；
图6为具体实施方式中有无功率修复的差分进化算法的优化结果对比图；
图7为具体实施方式中逐次凸逼近算法对功率分配进行优化的效果图。
具体实施方式
下面将结合附图和具体实施方式，对本发明作进一步描述。
本发明对融合noma与d2d通信的多层次异构网络进行资源分配优化。如图1所示，当蜂窝网络同时支持noma通信与d2d通信时，网络中分布的cue能够复用同一个信道，而且相邻的终端用户则可以采用直接通信的方式进行数据交互。
如图2所示，本发明的异构网络中融合noma与d2d通信的资源分配方法，其特征在于，包括下述步骤：
步骤1：构建不影响cue正常通信的条件下满足d2d通信速率之和最大化的优化模型。
所述步骤1中，所述不影响cue正常通信的条件下满足d2d通信速率之和最大化的优化模型为
其中，
其中，约束(1a)表示在同一基站上的所有cue用户在分配功率的上限不能超过该基站所能给出的最大功率；约束(1b)表示每个cue用户的速率不能低于门限值，该门限值可由具体情况设置；约束(1c)和(1d)表示的是每个cue用户和d2d用户只能够选择一个信道进行传输，公式(1)就是整个模型进行求解的目标函数，即最大化d2d的传输速率。
其中，hd为第d个d2d用户对自身的增益，pd为第d个d2d用户对的功率，hj，d为和当前d2d用户对在同一信道上的cue用户所在基站对d2d用户对的增益，
其中，
当同一基站同一信道上第n个cue用户接收第k个cue用户的信号所计算的sinr值大于或等于第k个cue用户接收自己信号所计算的sinr值时，
从式(4)可知，只有知道网络中cue用户和d2d通信对的通信功率与通信信道时，才能求得noma通信组内任意两个用户是否满足干扰消除的条件。
步骤2：如图3所示，基于差分进化算法对信道分配与功率分配进行初步优化求解：
差分算法作为演化算法的一种，以其结构简单、容易实现、收敛速度快、鲁棒性强等特点，被广泛应用在了数据挖掘、模式识别、人工神经网络等多个领域的研究之中。
与遗传算法类似，差分进化算法本身也是一种基于现代智能理论的优化算法，通过对群体内部的各个个体间的差异与合作以竞争的方式来指导目标函数的优化求解方向。算法中的基本思想就是从初始的随机种群开始，通过将两个个体向量的向量差值与第三个个体进行计算从而产生全新的个体，并将新的个体与当前群体中的个体进行适应度的比较保留高适应度的个体。算法通过这种方式不断进化，保留下优势个体，淘汰劣势个体，将探索的目标不断向最优解的方向进行逼近。
步骤2.1：分别基于信道编码方式、功率编码方式随机初始化用户群体中每个个体的用户的信道分配、功率分配，并计算基站与用户间、用户与用户间的信道增益。
由于所设计差分进化算法主要的编码是针对各个用户信道分配的编码、各个用户选择基站的编码以及各个cue用户功率分配的编码。本实施例中，如表1所示，信道编码方式为联合编码方式，信道编码用向量表示为
表1
表1展示了当网络中存在5个d2d通信对且8个cue用户时，可用信道数为7、基站数量为3时的一种信道分配结果。从表1中可以看出，整个编码包含两个部分，d和c分别表示的是d2d用户以及cue用户。每个用户选择的信道为可用信道中的任何一个。需要注意的是，由于noma技术的加入，cue用户可以选择相同的信道，从而形成noma通信组，如第3号与第8号cue同时使用信道14，及它们同时关联第2个基站的第6号信道，并成为一个noma通信组。
在完成信道选择后，进一步需要对cue用户功率分配进行编码，由于cue用户的功率分配情况并不是与基站选择类似的整数离散方式的编码，而是对一个连续有限的数值进行编码，编码时需要考虑当前基站的功率分配之后还剩下多少，以及不同cue用户选择了不同基站就对应有不同的功率总值可以进行分配的问题，这些都需要在编码时考虑周全。
为了保证同一基站的用户分配功率不超过当前使用基站提供功率的最大值，需要在对用户连接的基站以及信道的分配完成之后对功率进行分配，当用户选择的基站完成后，计算每个基站连接cue用户的总数量，然后根据连接基站的总数进行在总功率范围之内的随机分配，具体如表2。
表2
适应度、交叉概率与变异概率的设计同样是差分进化算法设计中需重点关注的问题。在本发明中，适应度设定为所有d2d用户速率的总和，也就是整个模型的目标函数的值。而关于交叉概率以及变异概率的问题，除了可采用传统的固定参数值的方式外，本发明通过将参数进行自行进化的方式，从而更有利于模型的求解。
传统的启发式算法通过将参数设为定值并通过调节参数来获取更好的结果，但是在本发明中将使用自适应即参数通过自身进化进行改变的方式来进行关于影响交叉概率方面因子的调节以及变异概率的改变，这样的方式将更加有利于模型的求解。
然而在初始化的种群或是差分进化得到的种群，大部分个体在判断完解码顺序以后发现cue的传输速率未满足其最低通信速率需求或是超出基站总功率等约束条件，所以结合干扰消除条件与最低通信速率需求，本发明提出了一种功率修复方法，经过修复能够使得初始种群具有较优的特性，进而提高差分演化算法的求解精度，并加快算法的迭代收敛的速度。
步骤2.2：计算当前群体中每个个体能够获得的所有的d2d通信速率之和，将个体能够获得的所有的d2d通信速率之和作为该个体的适应度值。
步骤2.3：对当前群体中当前适应度值为负的个体执行功率修复。
所述步骤2.3包括下述步骤：
步骤2.3.1：针对当前个体，选取一个本次迭代的功率最大的cue用户作为变量，通过其他cue用户的功率以及信道分配，根据最小传输速率限制及解码顺序求解该功率最大的cue用户的最小功率；
步骤2.3.2：若当前个体仍有cue用户未执行功率修复计算，则再次执行步骤2.3.1；若当前计算的用户功率超过对应基站功率限制则取消迭代；
步骤2.3.3：若迭代次数未达到预设的迭代次数，则重复步骤2.3.1；若迭代次数达到预设的迭代次数，则执行步骤2.4。
步骤2.4：根据当前群体中每个个体的修复后的功率重新计算当前群体中每个个体的适应度值。
步骤2.5：构造新群体：
步骤2.5.1：从原有群体中随机抽取三个个体，并计算第i个个体的缩放因子、变异因子及交叉概率；其中，i的初始值为1；
步骤2.5.2：利用交叉概率进行相关基因的互换，原有群体中的第i个个体随机生成0到1之间的随机数，当该随机数大于第i个个体的交叉概率时将变异因子的对应基因加入到第i个个体中，形成第i个新个体；
步骤2.5.3：基于新个体的功率分配，计算新个体的适应度值并将新个体的适应度值存入新集合中，形成新群体；
步骤2.5.4：采用与步骤2.3中相同的功率修复方法，对新群体中适应度值为负的个体执行功率修复；
步骤2.5.5：根据新群体中个体的修复后的功率重新计算新群体中个体的适应度值，并用重新计算的适应度值替代新集合中对应的适应度值。
所述步骤2.5.1包括下述步骤：
步骤2.5.1.1：从原有群体中随机抽取三个个体，对随机抽取的三个个体根据适应度优劣排序为xb、xm、xw，对应的适应度值为fb、fm、fw；
步骤2.5.1.2：设置缩放因子的最小值fl及最大值fu，并计算第i个个体的缩放因子为
步骤2.5.1.3：根据第i个个体的新缩放因子fi，求解第i个个体的变异因子为
vi＝xb+fi(xm-xw)(6)
步骤2.5.1.4：计算原有群体的平均适应度、最差适应度fmin及最优适应度fmax，若第i个个体的适应度低于平均适应度则第i个个体的交叉概率取0.1，若第i个个体的适应度大于平均适应度则计算第i个个体的交叉概率为
其中，fi为原有群体中第i个个体的适应度值。
步骤2.6：判断新群体的规模是否达到预设的群体规模：若新群体的规模未达到预设的群体规模，则令i＝i+1，返回步骤2.5.1，进行下一个新个体的构造；若新群体的规模达到预设的群体规模，则将新群体与原有群体进行适应度比对，将适应度强的个体留存下来，形成留存群体，进入步骤2.7；其中，预设的群体规模为原有群体的规模。
步骤2.7：判断是否达到预设的迭代次数：若迭代次数未达到预设的迭代次数，则返回步骤2.5；若迭代次数达到预设的迭代次数，则保存初步优化结果；所述初步优化结果包括最优信道分配、最优d2d功率分配、初步最优cue功率分配。
步骤3：如图4所示，基于逐次凸逼近算法对功率分配进行进一步优化求解：
在使用差分演化算法求解得到逼近最优资源分配的基础上，本发明进一步基于逐次凸逼近算法进行功率的进一步优化求解，由前一部分解码顺序比较的最终化简结果以及cue用户功率修复优化方法可知，在多cell网络下引入noma技术以后起决定影响的是cue用户组的功率，所以可以通过在d2d用户组功率固定情况下对cue功率进行优化求解。
步骤3.1：由于原目标函数不是一个标准凸函数，需要对所述优化模型进行逼近转换，得到转换后的优化模型。
所述步骤3.1包括：
使用公式(8)对步骤1中优化模型的目标函数进行逼近转换，
ud*ln(τ)+vd≤ln(1+τ)(8)
其中，
得到转换后的优化模型为
k＞j，j，k∈π(9f)
其中，π为cue用户解码顺序的集合。
转换后的优化模型的目标函数的求解是在信道分配状态和解码顺序已知的情况下对功率进行优化求解。
步骤3.2：将步骤2得到的最优信道分配、最优d2d功率分配作为固定值，将步骤2得到的初步最优cue功率分配作为cue功率分配的初始值。
步骤3.3：结合信道分配、d2d功率分配、cue功率分配计算当前目标函数适应度值y(1)、原目标函数适应度值，并基于逐次凸逼近算法求解转换后的优化模型。
所述步骤3.3包括下述步骤：
步骤3.3.1：结合信道分配、d2d功率分配、cue功率分配分别计算当前目标函数适应度值y(1)、原目标函数适应度值及当前的ud、vd；
步骤3.3.2：令t＝2，s＝1；
步骤3.3.3：判断是否满足循环条件
步骤3.3.4：令t＝t+1，s＝t-2；
步骤3.3.5：结合当前信道分配、d2d功率分配、前一次循环中得到的cue功率分配及对应的ud、vd值，使用标准凸优化工具求解转换后的目标函数，得到最优解y(t-1)及相应的一组cue功率；
步骤3.3.6：使用得到的cue功率值，对ud、vd值进行更新求解，返回步骤3.3.3。
步骤3.4：使用转换后的目标函数的最优适应度值对应的功率值求解原目标函数的适应度值。
本实施例中，网络中存在1个宏基站、3个微基站、10个信道、10个cue用户、15个d2d用户对。如图5所示，为基站分别使用noma技术与传统oma技术传输所获得的整体速率对比情况。由图5可以看出，基站采用noma技术进行传输后，d2d速率总和比传统传输方式的d2d传输速率总和要高，noma技术的加入使得多个cue用户在能够满足自身传输功率的情况下共用同一个信道，这样就给d2d传输选择信道时带来更小的干扰。同时微基站的加入结合noma技术进一步提高了d2d组传输速率和的值，这也意味着未来网络结构的研究中继续发展多层次蜂窝异构网络的重要性。
图6示出了带有功率修复的差分进化算法与未使用功率修复的差分进化算法的优化结果对比情况。由图6可见，带有功率修复的差分进化算法(differentialevolutionalgorithm，de)可以很好地收敛到较高的目标值，而未使用功率修复的差分进化算法收敛效果会因为各种参数的变动出现不确定性，出现收敛在局部解的情况。
图7示出了在对资源分配进行差分进化求解后，使用逐次凸逼近算法(successiveconvexapproximationalgorithm，sca)再对cue功率进一步优化的结果。实验是在其它条件不变的情况下，通过改变信道的数量x，进而观察d2d组传输速率和的值y的变化情况。为了展示显出该算法对功率的优化效果，该图是在差分进化过程中未使用功率修复，是一种基于速度优先的方式。由图7可以看出，该方法在这种情况下对d2d组速率总和能有效地提高，并且该种方式的求解速度明显优于带功率修复的差分进化算法。
显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！