一种移动NOMA协作通信系统功率智能分配方法

本发明涉及通信，具体而言，涉及一种移动noma协作通信系统功率智能分配方法。

背景技术：

1、近年来，通信技术飞速发展，移动用户数量也迅速增多。随着无线通信数据量的飞速增长，可用频谱越来越拥挤，电磁频谱中的空间也将越来越稀缺。为了满足高质量通信以及大规模数据接入的需求,5g移动通信技术受到了广泛关注。5g移动通信技术以超高带宽、超大容量、超低延迟以及超小能耗等特点得到迅速普及，给人们的生活、工作以及国民经济发展等带来了深远的影响与变革，非正交多址接入(noma,non-orthogonal multipleaccess)技术具有良好的公平性与可观的频谱效率，被视为5g移动通信系统的关键技术之一。

2、现有技术中，针对异构网无线回程，构造了一种在小小区基站上结合全双工和noma的大规模多输入多输出通信网络模型。针对功率域noma接入结构，研究了其在用户公平性以及译码复杂度等方面存在的问题。将填充式认知无线电与noma相结合,提出了一个主次网络动态切换的系统模型。为了提高系统性能，提出了基于实际收发设备的非理想硬件的下行链路单窃听多中继协作noma系统模型。功率分配可以改善noma系统的性能，受到了广泛的关注。针对认知能量采集网络，构建系统吞吐量优化模型，提出了一种功率分配算法。在无人机辅助的noma系统中应用了用户分组以及功率分配，从而使组内用户与无人机的相对距离最小得到实现。在noma系统的两层异构网络中应用了联合功率控制和用户关联的算法。基于能量收集的全双工认知中继网络，提出了一种功率分配算法。但在这些方案下存在计算量大、系统的能量效率效性能较差、存在功率未得到充分利用以及不能很好地平衡用户的公平性和服务质量等问题。

3、为了找到最合适的功率分配系数，群体智能优化算法得到了广泛的应用，将人工鱼群算法加入到随机共振中，提出一种的自适应随机共振新方法。为了应对多目标优化问题日益复杂的挑战，提出一种多策略协同的多目标萤火虫算法。充分考虑部分萤火虫和当前最优萤火虫信息后，基于维度加权的方法对算法进行了改进，但这些算法仍存在不足之处，比如，人工鱼群精度不高，萤火虫发现率不高、求解速度较慢、求解精度较低等问题，现有的mbo存在群体个体比较单一以及搜索能力较为僵化等问题。

技术实现思路

1、为了解决上述问题，本发明的目的提出一种移动noma协作通信系统功率智能分配方法，能够提高群体的多样性，使算法收敛速度、局部搜索能力、全局搜索能力以及精度等性能都表现良好。

2、为了实现上述技术目的，本发明提供了一种移动noma协作通信系统智能功率分配方法，包括以下步骤：

3、s1，建立移动noma协作通信系统模型；

4、s2，基于所述移动noma协作通信系统模型，确定移动noma协作通信系统的中断概率的表达式；

5、s3，基于所述移动noma协作通信系统的中断概率的表达式，确定所述移动noma协作通信系统模型的目标函数；

6、s4，对所述移动noma协作通信系统模型的目标函数进行优化。

7、优选地，所述步骤s1中所述移动noma协作通信系统模型包括：一个源节点ms、一个中继mr和多个用户目的地。

8、优选地，所述多个用户目的地包括远用户群dfg和近用户群dnj，其中g＝1,2,…,q，表示远用户个数；j＝1,2,…,p，表示近用户个数；

9、所述远用户群dfg与所述近用户群dnj的功率分配系数分别为a1和a2，其中a1+a2＝1并且a1>a2。

10、优选地，所述步骤s1中所述移动noma协作通信系统模型还包括第一时隙和第二时隙；

11、在第一时隙，信源msi使用第i根天线发射信号(i＝1,2,…,nt)，dnj和mri均接收到来自信源msi的信号，dnj接收到的信号表示为：

12、

13、mri接收到的信号表示为：

14、

15、式中,表示信道估计误差，和为不完全信道状态信息系数，cn(0,n0)，cn(0,n0)表示加性高斯白噪声，i＝1,2,3,…,nt，表示天线个数，ps是源节点ms的发射功率，x1和x2分别是发送给dfg和dnj的信号；

16、在第二个时隙中，mri将接收到的信号放大并转发给dfg和dnj，dnj接收到来自mri的信号可以表示为：

17、

18、dfg接收到来自mri的信号可以表示为：

19、

20、式中，是放大增益因子，pr为中继mr的发射功率，表示信道估计误差，和为不完全信道状态信息系数，cn(0,n0)，cn(0,n0)表示加性高斯白噪声。

21、优选地，所述步骤s2，基于所述移动noma协作通信系统模型，确定移动noma协作通信系统的中断概率的表达式，包括以下步骤：

22、s201，分别计算dfig、dnij的信干噪比：

23、dnij首先要解码出dfig的信息，因此对于要解码出dfig信号的dnij的信干噪比可以表示为：

24、

25、式中，是ms处的发射信噪比，在dnij处，其信息可由连续干扰消除解码以去除dfig的信息。因此，dnij处接收到的信干噪比由下式给出：

26、

27、dfig处接收到的信干噪比由下式给出:

28、

29、式中，是中继mr处的发射平均信噪比，

30、解码dfig的dnij的信干噪比和dnij的信干噪比分别表示为：

31、

32、

33、式中，当时变为理想情况；

34、步骤s202，基于计算用户dfig和dnij的信干噪比，计算df的中断概率和dn的中断概率，包括：

35、计算每个用户的中断概率，然后从远用户群和近用户群中分别选择一个最佳用户dni和dfi，所述最佳用户dni和dfi表示为：

36、

37、式中，γthf为df的中断阈值；γthn为dn的中断阈值。

38、所述最佳用户dni和dfi的中断概率为

39、

40、最佳发射天线选择方案是选择发射天线w,使系统的通信性能最优,即

41、

42、当df无法解码来自中继mr的信号时，发生中断行为，df的中断概率可以表示为：

43、

44、

45、式中，

46、当dn无法解码出df的信号，或者无法解码出自己的信号时，它发生中断，dn的中断概率可以表示：

47、

48、i1可以表示为：

49、

50、式中，θ11＝max(θ1,θ2)；

51、i2可以表示为：

52、

53、式中，θ33＝max(θ3,θ5)，θ44＝max(θ4,θ6)；

54、步骤s203，基于df的中断概率和dn的中断概率，计算系统的中断概率op＝opdf+opdn+|opdf-opdn|；

55、其中，op为所述移动noma协作通信系统的中断概率。

56、优选地，所述步骤s3，基于所述移动noma协作通信系统的中断概率的表达式，确定所述移动noma协作通信系统模型的目标函数，包括：

57、min(opdf+opdn+|opdf-opdn|)；

58、其中opdf为远用户群中断概率，opdn为近用户群中断概率。

59、优选地，所述步骤s4，对所述移动noma协作通信系统模型的目标函数进行优化，包括以下步骤：

60、s301，随机生成功率分配系数构成初始种群；

61、s302，计算初始化的所述初始种群的适应度并进行排序，分为两个子种群，所述两个子种群分别为第一子种群和第二子种群；

62、s303，所述第一子种群通过迁移算子生成第三子种群；

63、s304，所述第二子种群通过帝王蝶调整算子生成第四子种群；

64、s305，将所述第三子种群与所述第四子种群进行合并最终种群。

65、优选地，步骤s302，计算种群适应度并进行排序，分为两个子种群，所述两个子种群分别为第一子种群和第二子种群，包括：

66、设帝王蝶种群总个体数为n，所述第一子种群的数量为n1，所述第二子种群的数量为n2，所述第一子种群中帝王蝶个体的占比为p，所述第一子种群的数量和所述第二子种群的数量分别为n1＝ceil(p*n)，n2＝n-n1，设置最大代数为maxgen、最大步长为smax、帝王蝶调节速率为bar以及迁移周期为peri。

67、优选地，所述步骤s303中迁移算子可以如以下式表示：

68、

69、式中，t代表当前迭代次数，i＝1,2,…,n1，xr1代表帝王蝶个体r1的位置，xr2代表帝王蝶个体r2的位置，r1和r2分别随机取自所述第一子种群和所述第二子种群中，r＝rand*peri，rand是[0,1]间一个随机数。

70、优选地，所述步骤s304中帝王蝶调整算子如下式表示：

71、

72、式中，i＝1,2,…,n2，xbest表示全局中最优个体位置，xr3代表从第二子种群中随机选择的一个体位置；

73、对所述帝王蝶调节速率采用动态递加的方式，若rand>bar，则对再一次进行更新，过程如下：

74、

75、式中，α是权重因子，由计算所得，dx代表帝王蝶步长，通过levy函数计算所得，t为当前迭代次数，t为循环迭代次数。

76、与现有技术相比，本发明的有益效果为：

77、本发明提出了一种移动noma协作通信系统功率智能分配方法，基于改进帝王蝶算法(improved monarch butterfly optimization，imbo)的移动noma协作通信系统智能功率分配方法，提高群体的多样性，使算法收敛速度、局部搜索能力、全局搜索能力以及精度等性能都表现良好，基于imbo的功率分配优化算法收敛性能以及寻优性能均表现更好，imbo与帝王蝶优化算法(monarch butterfly optimization，mbo)、萤火虫算法(fireflyalgorithm，fa)以及人工鱼群算法(artificial fish swarm algorithm，afsa)相比较，imbo用时最短，用时1.9039s，而afsa用时最久，用时19.8441s，mbo和fa用时分别为2.7436s和8.4921s。和mbo相比，imbo寻优效率提高30％，证明了imbo在性能上的优越性。