一种结合拉格朗日对偶和改进粒子群的超密集异构网络功率调整方法

摘要

本发明提出一种以最大化网络吞吐量为目标，在用户服务小区随着小区发送功率变化并保证用户服务质量需求的情况下，将拉格朗日对偶和改进粒子群相结合的低复杂度超密集异构网络下行链路功率协调方法。该方法联合调整所有小站的发送功率，解决超密集异构网中的干扰协调问题。首先利用拉格朗日对偶解得服务小区固定时小站发送功率集合的次优解；然后考虑服务小区的变化，将拉格朗日次优解引入改进粒子群的初始粒子中，并利用改进粒子群搜索最佳小站发送功率集合。得益于拉格朗日对偶，该方法能够降低迭代次数和计算复杂度，快速找到最佳功率集合；得益于改进粒子群，能够有效解决用户服务小区随功率调整变化带来的功率调整难题。

主权项

一种结合拉格朗日对偶和改进粒子群的超密集异构网络功率调整方法，其特征在于：包括如下步骤：第一步：采集网络信息，初始化参数：采集网络中的宏站数目M、小站数目ρ及用户数目K；将站点集合记为C＝{C_m,C_s}，其中宏站集合C_m＝{m₁,m₂,...,m_M}，小站集合C_s＝{s₁,s₂,...,s_ρ}；用户服务质量需求为最小速率需求R_min；初始化小站候选发送功率集合的总数N，最大迭代次数t_max，最大重新初始化次数t_res，局部搜索半径调整因子δ>1；初始化当前迭代次数t＝0，当前重新初始化次数s＝0，当前局部搜索半径r_Q(t)＝1，搜索到更优功率集合的成功次数S(t)＝1，失败次数F(t)＝1，成功失败比值门限η_th＞1；第二步：在小站能容忍的最大发送功率范围内随机设置N‑1种小站候选发送功率集合(j＝1,2,...,N‑1)，并随机设置N种功率调整速度集合(j＝1,2,...,N)：每个候选发送功率集合和功率调整速度集合包含ρ个小站的候选发送功率和功率调整速度，即小站的候选发送功率和功率调整速度为满足和的随机数，其中为小站能容忍的最大发送功率，所有小站的最大发送功率相同；第三步：利用拉格朗日对偶，根据初始可行解计算次优功率集合作为第N种候选发送功率集合首先确定初始可行解分两种情况：若当前迭代次数t＝0，把所有小站的最大发送功率作为初始可行解；若当前迭代次数t≠0，把前一次迭代获得的自身最优发送功率集合作为初始可行解；即：其中然后各用户k根据初始可行解选择接收功率最大的站点作为服务小区C_k：其中T_c为站点c的发送功率，G_k,c为用户k与站点c间的信道增益；最后根据初始可行解并利用拉格朗日对偶，解卡罗需‑库恩‑塔克条件得小站s_i的次优发送功率；次优发送功率的解法如下：给定初始可行解并假设用户服务小区通过固定下来，次优功率调整问题可表示为：$\begin{array}{cc}s.t.& 0\le T_{s_i}^j\le T_s^{\max },\forall i\in [1,\rho ]\end{array}$其中是用户k在下的可达速率，W_k为功率集合下用户k在其服务小区分得的带宽，N₀为噪声功率；该次优功率调整问题的拉格朗日函数为：其中α,β,γ为非负向量，其元素为非负拉格朗日乘子；根据求解连续优化问题常用的凸优化方法，任何局部最优的需满足如下卡罗需‑库恩‑塔克条件：其中令为s_i功率的调整对所有用户的影响，得$g_{s_i}={\Sigma }_{k\in K_{s_i}}{W}_k{G}_{k,s_i}/(T_{s_i}^{*}{G}_{k,s_i}+{\Sigma }_{c\in C_{{\bar{s}}_i}}{T}_c{G}_{k,c}+N_0)+g_{s_i}^I$g_si是单调非线性减函数，W_k为用户k分得的带宽，为s_i功率的调整对小区s_i的用户的影响$g_{s_i}^I={\Sigma }_{k\in K_{{\bar{s}}_i}}-W_k{G}_{k,s_i}{T}_{C_k}{G}_{k,C_k}/\left[({\Sigma }_{c\in C}{T}_c{G}_{k,c}+N_0)({\Sigma }_{C_I\in C_k}{T}_{C_I}{G}_{k,C_I}+N_0)\right]$是当前初始可行解条件下，s_i功率的调整对其他站点用户的影响；解卡罗需‑库恩‑塔克条件，得到小站s_i的次优发送功率：对拉格朗日次优功率进行用户服务质量检验，若无法达到用户服务质量需求，则不更新最后对所有小站s_i∈C_s求解得当前初始可行解对应的拉格朗日对偶次优功率集合并作为第N种候选发送功率集合第四步：计算各候选发送功率集合对应的用户速率重新初始化不满足服务质量需求的发送功率集合直至所有发送功率集合满足服务质量需求，并计算吞吐量针对当前每个候选发送功率集合根据公式(2)为用户k(k∈K)选择服务小区，并根据公式(4)计算各候选发送功率集合j下用户k的可达速率其中为用户k在发送功率集合下在其服务小区分得的带宽，N₀为噪声功率；对于若则按照第二步中的方法重新随机初始化直到所有发送功率集合满足服务质量需求之后根据公式(5)计算系统吞吐量第五步：采集目前自身最优发送功率集合和目前全局最优发送功率集合并记录全局最优标号g(t)：根据公式(6)选择各候选发送功率集合j目前为止的自身最优发送功率集合并根据公式(7)选择目前为止所有候选发送功率集合经历的全局最优发送功率集合根据公式(8)记录当前全局最优发送功率集合在N个候选发送功率集合中对应的标号g(t)$g\left(t\right)=\underset{j}{\arg \max }{U}_l^j\left(t\right),j=1,...,N---\left(8\right)$其中第六步：更新当前迭代次数t＝t+1；第七步：更新所有候选发送功率集合的功率调整速度集合功率调整速度集合的更新分两种：第一种是非目前全局最优候选发送功率集合的功率调整速度集合的更新，根据公式(9)更新除目前全局最优发送功率集合外，其他候选发送功率集合的功率调整速度集合其中ω为惯性权重，表示功率调整速度集合的更新需考虑到先前迭代所使用的功率调整速度集合，为[0,1]区间内的随机数，c₁、c₂为加速系数，表示发送功率集合向目前自身最优发送功率集合和目前全局最优发送功率集合方向更新的最大步长；为保证寻优过程的收敛性，限制惯性权重ω及加速系数c₁、c₂的取值范围为：$\left\{\begin{array}{c}0\le \omega <1\\ 0\le c_1{r}_1+c_2{r}_2<4\\ \omega \ge (c_1{r}_1+c_2{r}_2)/2-1\end{array}\right.$第二种是目前全局最优候选发送功率集合的功率调整速度集合的更新，根据公式(11)更新目前全局最优发送功率集合的功率调整速度集合其中为邻域局部随机搜索项，$Q_{s_i}(t-1)\in [-r_Q(t-1),r_Q(t-1)];$第八步：获得临时候选发送功率集合根据临时候选发送功率集合重选服务小区，考虑用户服务质量需求，更新所有发送功率集合：首先根据公式(11)记录临时候选发送功率集合其中，为前一次迭代时的发送功率集合，为更新后的功率调整速度集合；然后用户根据和公式(2)重新选择服务小区，根据公式(4)计算可达速率考虑用户服务质量需求，最后根据公式(12)更新所有发送功率集合即若记录的新发送功率集合满足用户服务质量需求，则更新第j个发送功率集合，否则不更新；第九步：用户根据更新了的发送功率集合重新选择服务小区，计算各候选发送集合获得的吞吐量：用户根据更新了的发送功率集合及公式(2)重新选择服务小区，并根据公式(4)、(5)计算各候选发送功率集合对应的系统吞吐量；第十步：更新目前自身最优发送功率集合和目前全局最优发送功率集合记录全局最优发送功率集合标号g(t)，并把目前全局最优发送功率集合作为粒子群全局最优解：根据公式(6)、(7)、(8)分别更新目前各候选发送功率集合的自身最优发送功率目前全局最优发送功率及全局最优发送功率集合标号g(t)；第十一步：计算目前全局最优发送功率集合对应的拉格朗日对偶次优解：令目前全局最优发送功率集合为拉格朗日对偶的初始解，即根据公式(3)计算拉格朗日对偶次优功率集合第十二步：比较拉格朗日解和粒子群全局最优解，更新当前全局最优解：比较拉格朗日解和粒子群全局最优解对应的系统吞吐量，选择系统吞吐量大的作为当前全局最优解即公式(13)；第十三步：更新搜索到更优值的成功次数S、失败次数F和局部搜索半径r_Q(t)：判断全局最优发送功率集合的标号是否发生改变，若g(t)＝g(t‑1)且即全局最优标号不变且搜索到更优值，则S＝S+1；若g(t+1)＝g(t)且即全局最优标号不变且未搜索到更优值，则F＝F+1；若g(t+1)≠g(t)，即全局最优标号发生改变，则重置成功和失败次数，S＝F＝1；根据(14)式更新局部搜索半径：如果成功与失败比值超过门限η_th，则增大在全局最优粒子附近搜索的搜索半径以尝试搜索更多可行功率集合；如果比值低于门限η_th，说明在当前搜索半径内搜索到更优解的几率小，应减小全局最优粒子附近搜索的搜索半径以在收敛的小范围内详尽搜索更优功率集合；如果成功失败比值等于门限η_th，说明可以在当前搜索半径下继续搜索；第十四步：判断是否结束本次初始化：分别计算所有候选发送功率集合与全局最优发送功率集合间的距离，若当前迭代次数t＜t_max，且所有距离之和大于门限值ε，即其中距离门限值ε＝1，此时，候选发送功率集合并未全部收敛到全局最优发送功率集合，则回到第六步，更新迭代次数，即t＝t+1，更新功率调整速度集合及发送功率集合，继续搜索；否则，候选发送功率集合已收敛到全局最优发送功率集合，继续搜索获得更优功率解的概率很小，因此结束本次初始化，进行第十五步；第十五步：判断重新初始化结束条件：若s＜t_res，设置重新初始化次数s＝s+1，t＝0，重新随机初始化N‑2种候选发送功率集合，与目前全局最优发送功率集合一起作为新的N‑1种候选发送功率集合，回到第三步，计算拉格朗日对偶次优功率解，作为第N种候选功率集合；否则，进行第十六步；第十六步：停止，按照得到的全局最优发送功率集合设置各小站的发送功率。