一种基于OFDM的中继系统能效优化方法

摘要

本发明公开一种基于OFDM的中继系统能效优化方法，属于移动通信技术领域。包括步骤：建立系统模型，系统场景分析，问题归结，使用凸优化方法求解最优化问题。本发明在最大总功率和最小用户瞬时速率的约束下，结合完整的信道状态信息，考虑使能量效率最大化的兼顾公平性的联合优化问题，并给出用户公平性的数学表达式。本发明针对最优化问题的求解，采用凸优化处理，转化优化问题的目标函数，不经过近似计算，不影响问题的精度的同时极大的降低的计算复杂度，减少系统开销产生的时延。本发明算法设计合理，易于实现。

主权项

一种基于OFDM的中继系统能效优化方法，其特征在于：包括步骤1:建立系统模型；系统中存在一个基站位于圆心，小区辐射半径是R，K个中继节点距离中心为r(r＜R)，M个用户节点，传输带宽被分为N个子载波，每个子载波均分WHz的系统带宽并且经历独立的瑞利衰落，AGWN功率谱密度为N₀，所有中继节点都应用半双工的AF中继方式，并且可以获得不同子载波下的瞬时信道信息，每一对子载波只能由一个用户所使用；定义基站节点为S，M表示用户节点的集合，M＝{1,2,3,...M}，N表示子载波的集合N＝{1,2,3,...N}，K表示中继节点的集合，K＝{1,2,3,...K}，S到k在子载波n上的信道增益为k到m在子载波n上的信道增益为基站和各个中继处的最大发射功率分别为与S到k在子载波n上的功率为k到m在子载波n上的功率为m到k的链路对m‑k对子载波n的占用情况表示为1表示链路得到子载波，0表示未得到；基站S到中继k在子载波m链路S‑k‑m上的速率为其中系统总功率消耗为S到k和k到m在子载波n上的SNR为与每个用户节点的速率可以表示为步骤2:系统场景分析，问题归结；定义比例公平算法数学模型以最大化用户瞬时速率对数和为目标，在考虑功率因素的情况下，该场景下的最优化问题归结为：$\begin{array}{cc}P1:& \underset{p_{s,k}^n,p_{k,m}^n,\rho }{\max }\frac{\underset{m=1}{\overset{M}{\Sigma }}\ln R_m}{P}=\underset{p_{s,k}^n,p_{k,m}^n,\rho }{\max }\frac{\underset{m=1}{\overset{M}{\Sigma }}\ln \left(\underset{k=1}{\overset{K}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{\rho }_{k,m}^n{R}_{s,k,m}^n\right)}{P_C+\underset{k=1}{\overset{K}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}\underset{m=1}{\overset{M}{\Sigma }}(p_{s,k}^n+p_{k,m}^n)}\\ s.t.& C1:{\rho }_{k,m}^n=P\{0,1\},\forall k,m,n\\ & C2:\underset{k=1}{\overset{K}{\Sigma }}\underset{m=1}{\overset{M}{\Sigma }}{\rho }_{k,m}^n\le 1,\forall n\\ & C3:p_{s,k}^n\ge 0,\forall k,n\\ & C4:p_{k,m}^n\ge 0,\forall k,m,n\\ & C5:\underset{k=1}{\overset{K}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}\underset{m=1}{\overset{M}{\Sigma }}{p}_{s,k}^n\le P_S^{\max }\\ & C6:\underset{n=1}{\overset{N}{\Sigma }}\underset{m=1}{\overset{M}{\Sigma }}{p}_{k,m}^n\le P_k^{\max },\forall k\end{array};$步骤3:使用凸优化方法求解最优化问题；所述优化问题P1的求解可以采用拉格朗日因子方法：$\begin{array}{c}L(p_{s,k}^n,p_{k,m}^n,{\rho }_{k,m}^n,{\beta }_{\rho ,n},{\beta }_s,{\beta }_{r,k})=\frac{\underset{m=1}{\overset{M}{\Sigma }}\ln \left(\underset{k=1}{\overset{K}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{\rho }_{k,m}^n{R}_{s,k,m}^n\right)}{P_C+\underset{k=1}{\overset{K}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}\underset{m=1}{\overset{M}{\Sigma }}(p_{s,k}^n+p_{k,m}^n)}\\ -{\beta }_{\rho ,n}\left(\underset{k=1}{\overset{K}{\Sigma }}\underset{m=1}{\overset{M}{\Sigma }}{\rho }_{k,m}^n-1\right)-{\beta }_s\left(\underset{k=1}{\overset{K}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}\underset{m=1}{\overset{M}{\Sigma }}{p}_{s,k}^n-P_S^{\max }\right)-{\beta }_{r,k}\left(\underset{n=1}{\overset{N}{\Sigma }}\underset{m=1}{\overset{M}{\Sigma }}{p}_{k,m}^n-P_k^{\max }\right)\end{array}$再联立和并用次梯度方法迭代求解，其中β_ρ,n,β_s,β_r,k是相应的拉格朗日因子。