多用户OFDM中继系统能量效率优化算法

摘要

本发明公开了一种多用户OFDM中继系统能量效率优化算法，在满足系统最小传输速率的前提下，采用源在TS2也发送数据的策略以提供分集增益，构建了包含子载波配对以及功率分配的系统能效优化模型。该模型是一个典型的非线性混合整数规划问题，这类问题通常求解非常复杂。我们通过定义等效信道增益，将复杂的最优化问题简化为准凸规划问题，并通过Dinkelbach方法、匈牙利算法以及次梯度算法来求得最优解，大大减小了计算复杂度。仿真结果表明，我们提出的算法能在保证满足系统最小传输速率要求的情况下，提高系统的能量效率,并且具有很好的全局收敛性。

主权项

一种多用户OFDM中继系统能量效率优化算法，其特征在于,所述算法包括如下步骤：步骤1：建立系统优化模型：步骤1.1：系统参数设定，一个两跳OFDM单中继网络，基站通过单个中继发送信息给K个用户，通信模式采用TDD模式，系统共划分为N个子载波，每一个子载波的都占用相同的带宽并经历相互独立的瑞利衰落，假设每一个中继节点可以获得自己前向和后向的瞬时信道信息，并且所有的信道瞬时信息在源节点S和K个用户节点处都是可知的，定义和分别表示第一跳被占用的子载波i在基站和中继之间的信道增益，第二跳被占用的子载波i在中继和用户k之间的信道增益，第一跳直接链路下占用子载波i基站和用户k之间的信道增益以及第二跳直接链路下占用的子载波i基站和用户k之间的信道增益，中继和用户k在每个子载波上的高斯白噪声(AWGN)的功率分别为和步骤1.2：优化指标设定，包括a)信道分配如果第一跳基站通过子载波m将信号发送给中继，中继通过子载波n将信号发送给用户k，则表示路径P(m,n,k)存在，那么代表子载波m与n配对、子载波对(m,n)‑用户分配的三维分配因子可以表示为：任意用户可以分配到多个子载波对，而为防止自干扰，对于任意子载波对只能被一个用户占用，可以表示为和$\underset{n=1}{\overset{N}{\Sigma }}\underset{k=1}{\overset{K}{\Sigma }}{\phi }_{m,n,k}=1,\forall m$m与n；b)功率分配对于任意路径P(m,n,k)，基站第一时隙、第二时隙的发射功率和中继的发射功率分别表示为和任意路径P(m,n,k)的最优功率分配可以描述为整个系统的功率限制可以表示为：其中P_total表示基站和中继两者总的功率之和；c)中继策略中继采用DF转发方式，路径P(m,n,k)上最大接收速率可以表示为：$R(m,n,k)=\frac{1}{2}min\{{\log }_2(1+a_m{P}_{mnk}^{s1}),{\log }_2(1+b_{nk}{P}_{mnk}^r+c_{mk}{P}_{mnk}^{s1}+a_{nk}{P}_{mnk}^{s2})\},$其中$a_m=\frac{{\left|h_m^{sr}\right|}^2}{{\sigma }_r^2},b_{nk}=\frac{{\left|h_n^{rk}\right|}^2}{{\sigma }_k^2},c_{mk}=\frac{{\left|h_m^{sk1}\right|}^2}{{\sigma }_k^2},a_{nk}=\frac{{\left|h_n^{sk2}\right|}^2}{{\sigma }_k^2},$1/2的意义是1个信息的传输需要2个时隙；步骤1.3：优化模型设定，当给定路径P(m,n,k)上总功率为P_mnk时，最大接收速率可以转化为：其中a_mnk表示路径P(m,n,k)上的等效增益，表示为整个系统的速率可以表示为：$R_{total}(\Phi ,P)=\frac{1}{2}\underset{k=1}{\overset{K}{\Sigma }}\underset{m=1}{\overset{N}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{\phi }_{mnk}{\log }_2(1+a_{mnk}{P}_{mnk}),$其中P＝[P_mnk]_N×N×K，Φ＝[φ_mnk]_N×N×K且功率P_mnk和因子φ_mnk分别满足先前的约束，相应地，基站和中继所消耗的功率和以及系统由于传输所消耗的总的功率可以分别表示为：$P_{users}(\Phi ,P)=\underset{m=1}{\overset{N}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}\underset{k=1}{\overset{K}{\Sigma }}{\phi }_{mnk}{P}_{mnk}$和其中P_C是固定为常数的环路电流，表示功率转换效率的倒数，最大化系统平均能量效率的最优化模型可以表示为：$\begin{array}{cc}\underset{\Phi ,P}{max}& {\eta }_E(\Phi ,P)=\frac{R_{total}(\Phi ,P)}{P_{otal}(\Phi ,P)}\end{array}$s.t. (3),(4)and(5)${\phi }_{mnk}=\{0,1\},P_{mnk}\ge 0,\forall m,n,k$R_total(Φ,S)≥R_req；步骤2：获取瞬时信道信息，目的节点通过训练序列获得各信道的瞬时信道信息；根据式计算子载波用户对(m,n,k)的等效信道增益a_mnk，并使用黄金分割法在区间(0,1]求得使得等效信道增益a_mnk取得最大值；步骤3：初始化外循环参数，包括：初始化外循环迭代终止常数ε_outer以及外循环最大允许迭代次数q₀＝0，n＝0；步骤4：内循环算法主体部分；步骤4.1：选取合适的拉格朗日因子λ的初始值λ(0)；步骤4.2：定义决策矩阵Φ＝{φ_mnk}，φ_mnk＝1表示第m个子载波和第n个子载波对进行配对并指派给用户k，φ_mnk＝0表示其它情况，计算子载波配对决策因子A_(i,j)，然后通过子载波用户对三维分配算法得到决策矩阵Φ；步骤4.3：根据拉格朗日因子算法计算(m,n,k)计算S_mnk、以及步骤4.4：根据次梯度算法更新拉格朗日因子；步骤4.5：重复步骤4.1至步骤4.4直到相邻两次的拉格朗日因子的差值的绝对值小于ε_inner或内循环迭代次数大于同时相应的决策矩阵Φ也被确定；步骤5：外循环算法收敛判断；步骤5.1：计算$R_{total}=\frac{1}{2}\underset{k=1}{\overset{K}{\Sigma }}\underset{m=1}{\overset{N}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{\omega }_k{\phi }_{mnk}{\log }_2(1+a_{mnk}{P}_{mnk})$以及然后根据公式来计算此时对应的能量效率；步骤5.2：如果相邻两次计算得到的能量效率的差值的绝对值小于ε_out或外循环迭代次数大于转入步骤6，否则重复步骤3至步骤5；步骤6：输出算法计算结果，针对满足φ_mnk＝1的所有子载波用户对(m,n,k)计算以及以获得功率分配信息。