基于跨层议价博弈的认知无线电网络资源优化分配方法

摘要

本发明公开了基于跨层议价博弈的认知无线电网络资源优化分配方法，提出的认知无线电网络中资源优化分配策略，综合考虑了认知无线电网络内总功率与总带宽受限的约束条件，以优化系统吞吐量为目标。首先使用对偶分解法求解了物理层与MAC层子问题，然后利用议价博弈理论分析物理层与MAC层的影响权重，并设计了BPAA-CLBG算法完成带宽与功率的联合分配。本发明提出的算法可以提高系统的频谱效率、功率效率和系统吞吐量。当系统吞吐量达到稳定时，BPAA-CLBG算法与固定带宽分配算法、T-Max算法、SGCA算法相比，具有更快的收敛速度，并且能够获得更大的系统吞吐量。

主权项

基于跨层议价博弈的认知无线电网络资源优化分配方法，其特征在于：该方法具体步骤如下：A.建立系统模型：a.1设立网络模型：在认知无线电网络中，设定所有网络用户保持时隙同步，每个时隙为传输一个帧的时间，主用户以时隙的方式进行工作，在某个时隙里，主用户未使用的授权频段成为一个频谱空洞，所有主用户提供的频谱空洞集合构成一个频谱共享池SSP，SSP中的无线信道在每个帧时隙内是静态的，由认知用户动态接入使用，同时设定认知用户可以通过频谱检测反馈信息，掌握每个频段的状态信息，维持一个共同的SSP，设某个时隙频谱共享池SSP的大小为B Hz，认知用户接入SSP中带宽b_i传输数据，h_i为第i个认知用户的发射机ST_i到接收机SR_i在带宽b_i上的传输链路增益，为主用户在频段b_i上收到干扰和噪声的总和，则第i个认知用户在频段b_i上的数据传输速率为：$C_i^t=b_i^t{\log }_2(1+\alpha p_i^t)=b_i^t{\log }_2(1+\frac{h_i{p}_i^t}{K{\sigma }_i^2})---\left(1\right)$其中，K是一个固定的信噪比间距，p_i为发射功率，K与目标误码率BER^tar存在下面的关系：$K=-\frac{\ln \left(5{\mathrm{BER}}^{\mathrm{tar}}\right)}{1.5}---\left(2\right)$a.2物理层约束：设第i个认知用户接入频段b_i的发射功率为p_i，每个结点的发射功率门限值为则有假设某个时隙网络中有N(N∈Z⁺/1)个认知用户，认知无线电网络内的总功率大小为对于认知无线电网络具有功率约束：$\underset{i\in N}{\Sigma }{p}_i^t\le P\left(P_{i,\mathrm{th}}^t\right)---\left(3\right)$其中指第i个点t时刻的功率门限值；a.3MAC层约束：设第i个认知用户的使用网络带宽大小b_i，其中SSP的可用带宽大小B，则认知用户的使用网络总带宽：$\underset{i\in N}{\Sigma }{b}_i^t\le B---\left(4\right)$a.4优化问题模型：采用严格凹、单调增的二次可微函数作为网络效用函数来度量认知用户的吞吐量：$u_i^t=\ln \left(C_i^t\right)---\left(5\right)$则整个认知无线电网络的吞吐量性能为结合物理层与MAC层的分析可知，系统吞吐量效用函数为目标函数，物理层有限的发射功率与MAC层有限的信道带宽为共同约束，得优化问题：$\begin{array}{c}\max \underset{i\in N}{\Sigma }\ln \left(C_i^t\right)\\ s.t.\\ \underset{i\in N}{\Sigma }{p}_i^t\le P\left(P_{i,\mathrm{th}}^t\right)\\ \underset{i\in N}{\Sigma }{b}_i^t\le B\end{array}---\left(6\right)$其中s.t.表示满足以下公式；B.建立基于跨层议价博弈的资源分配策略：b.1优化问题的对偶分解：所述的式(6)采用分布式求解系统吞吐量最大化问题的方法，将具有多重约束条件原始问题通过对偶分解的方法分解成两个子问题，引入对偶变量分别对物理层约束和MAC层约束进行拉格朗日松弛，原始问题转换为：$L(v_i^t,w_i^t,p_i^t,b_i^t)=\ln \left(C_i^t\right)+v_i^t(P-\underset{i\in N}{\Sigma }{p}_i^t)+w_i^t(B-\underset{i\in N}{\Sigma }{b}_i^t)---\left(7\right)$式中分别是等式中两个代数式的系数，其物理意义表示了物理层和MAC层对系统吞吐量所带来影响的权重，将式(1)代入式(7)可得：$L(v_i^t,w_i^t,p_i^t,b_i^t)=\ln \left(b_i^t\right)-w_i^t\underset{i\in N}{\Sigma }{b}_i^t+\ln \left({\log }_2(1+\frac{h_i{p}_i^t}{K{\sigma }_i^2})\right)+v_i^{t}P-v_i^t\underset{i\in N}{\Sigma }{p}_i^t+w_i^{t}B---\left(8\right)$将式(8)分解成如下两个子优化问题：$\underset{p_i^t}{\max }{L}_{\mathrm{power}}(p_i^t,v_i^t)=\ln \left({\log }_2(1+\frac{h_i{p}_i^t}{K{\sigma }_i^2})\right)-v_i^t\underset{i\in N}{\Sigma }{p}_i^t+v_i^{t}P--\left(9\right)$$\underset{b_i^t}{\max }{L}_{\mathrm{band}}(b_i^t,w_i^t)=\ln \left(b_i^t\right)-w_i^t\underset{i\in N}{\Sigma }{b}_i^t+w_i^{t}B---\left(10\right)$第一个子优化问题为物理层功率控制模型，其中是功率价格，则表示认知用户i功率成本；第二个子优化问题是关于MAC层带宽分配的问题，其中可以理解为带宽价格，为带宽成本；b.2MAC层与物理层静态博弈分析：b.2.1物理层分析：认知用户在物理层调整的参数是功率，已对系统吞吐量最大化问题进行了分解，因此最大化系统吞吐量的功率控制问题等价于功率控制问题：$\arg \underset{p_i^t}{\max }{L}_{\mathrm{power}}(p_i^t,v_i^t)---\left(11\right)$对函数进行求导，即$\frac{\partial L_{\mathrm{power}}}{\partial p_i^t}=\frac{\alpha }{\left(\ln 2\right)(1+\alpha p_i^t){\log }_2(1+\alpha p_i^t)}-v_i^t---\left(12\right)$其中因为其二阶导数$\frac{{\partial }^2{L}_{\mathrm{power}}}{\partial {\left(p_i^t\right)}^2}=\frac{-{\alpha }^2({\log }_2(1+\alpha p_i^t)+\frac{1}{\ln 2})}{[(1+\alpha p_i^t){\log }_2(1+\alpha p_i^t){]}^2\ln 2}<0---\left(13\right)$所以物理层功率控制子问题为关于的凹函数，可令一阶导数等于0来求最大值，令式(12)等于0，得非线性方程$\left(\ln 2\right)(1+\alpha p_i^t){\log }_2(1+\alpha p_i^t)=\frac{\alpha }{v_i^t}---\left(14\right)$针对非线性方程(14)，可以等式变形得方程采用牛顿算法求解第i个认知用户的近似最优功率b.2.2MAC层分析：带宽对系统吞吐量的影响转换为对子函数的影响，第i个认知用户的最优分配带宽为$\arg \underset{b_i^t}{\max }{L}_{\mathrm{band}}(b_i^t,w_i^t)---\left(15\right)$对于函数有则MAC层带宽分配子问题为关于的凹函数，第i个认知用户的最优分配带宽可由求得，即$\frac{\partial L_{\mathrm{band}}}{\partial b_i^t}=\frac{1}{b_i^t}-w_i^t=0---\left(16\right)$$b_i^t=\frac{1}{w_i^t}---\left(17\right)$b.3动态议价博弈分析：在网络中，认知用户需要通过学习，逐步地调整其策略，使物理层与MAC层的权重逐步达到纳什均衡，以实现系统吞吐量的最大化，议价博弈的参与者为认知用户的物理层和MAC层，策略是通过带宽价格和功率价格来调节对吞吐量影响的权重，具体步骤如下：首先通过将式(7)分别对进行求导，得出影响价格两个影响因子的边际函数$G_w^t,G_v^t:$$G_v^t=P-\underset{i\in N}{\Sigma }{p}_i^t---\left(18\right)$$G_w^t=B-\underset{i\in N}{\Sigma }{b}_i^t---\left(19\right)$则议价博弈中双方的动态出价可以通过下式进行更新：$v_i^{t+1}={\theta }_1^t[v_i^t-G_v^t{]}^{+}---\left(20\right)$$w_i^{t+1}={\theta }_2^t[w_i^t-G_w^t{]}^{+}---\left(21\right)$其中，分别是博弈参与者物理层和MAC层的贴现因子，表示每一回合中双方收益的折扣，贴现因子的取值范围0≤θ≤1，[·]⁺表示取非负值；所述的议价博弈的每一轮均可得到当前价格的最优功率和带宽，并计算相应的效用值L_band和L_power，同时将新的效用值添加到效用值集合S_band和S_power，根据以上的分析，提出了基于跨层议价博弈的带宽功率分配算法(BPAA‑CLBG)，动态博弈稳态达到纳什均衡，即找到物理层和MAC层对系统吞吐量权重的折衷点，来实现系统吞吐量的最大化。