移动多用户通信系统的功率分配智能优化

徐凌伟

(1.青岛科技大学 信息科学技术学院，山东 青岛 266061； 2.中南民族大学 智能无线通信湖北省重点实验室，湖北 武汉 430074)

0 引言

近年来，随着第五代移动通信技术的发展，多用户移动协作通信受到了广泛的关注[1-3].伴随着移动物联网业务的发展，移动用户的数量呈爆炸性增长[4].移动用户对无线传输的数据速率和服务质量的要求在不断提高，追求更高质量、更高速率、更多样化的移动通信.而现有的频谱资源几乎分配殆尽，大量消耗能量资源以换取移动通信质量的提升，带来了越来越严峻的能量消耗问题，又与绿色通信相悖.因此，利用有限的资源来使得更多用户能够同时接入网络，进一步提升系统数据传输的容量，减少能量消耗，提升能量效率，成为了5G绿色移动通信技术面临的关键问题[5].

功率分配技术是一种降低多用户通信系统能量消耗的有效方法.北京航空航天大学刘文佳等人提出一种工作在不同频段下行两层异构网中的高能量效率资源分配方法，考虑用户数据率需求和基站最大发射功率[6].在移动中继协助下的终端直通(Device-to-Device, D2D)中，由于同频干扰和终端设备功率受限，西安交通大学的曲桦教授等人提出一种联合功率控制、信道分配和移动中继选择方案最大化D2D链路总能量效率[7].L.Fletscher等人利用联盟博弈论研究了多用户的功率控制问题[8].S.D.Oro等人提出了一种低复杂度的多用户能效优化算法[9].Isiaka A.Alimi等人使用混合射频/自由空间光中继方案研究了多用户系统的中断概率性能[10].在完美和非完美的信道估计两种情况下，电子科技大学丁长文等人提出了能量收集双向中继网络的高能效联合中继选择和功率分配算法[11].重庆邮电大学的谢显中等人提出了适用于多小区 MIMO的基于Bayes估计和数据流间功率分配的联合干扰相位对齐算法[12].浙江工业大学赵澄等人针对使用电池的认知无线电节点能量消耗不均衡导致能量利用率低的问题，提出了一种基于双向中继的无线通信能耗均衡通信系统[13].

上述的功率分配机制是在传统通信系统架构下设计的，对移动通信系统的实时响应需求和数据高效获取需求考虑不足，复杂度高，在效率、实时性和对应用场景的适用性方面都需要改进.但是，复杂多变的通信环境给多用户通信带来了巨大挑战，Rayleigh、Nakagami等传统信道不能有效表征复杂多变的移动通信环境[14-16].N-Nakagami信道能够更灵活地表征移动通信的衰落特征, 也更符合实际的复杂多变移动通信环境.N-Nakagami信道包含了Rayleigh、Nakagami等传统信道的通信环境，也更具有代表性.本文的主要贡献是：(1)在N-Nakagami信道下，建立了移动多用户通信系统模型，设计了最佳发射天线选择(Transmit Antenna Selection，TAS)方案，研究了移动多用户通信系统的中断概率(Outage Probability,OP)性能；(2)针对最佳TAS方案，推导了系统中断概率的闭合表达式；(3)建立功率优化目标函数，提出了增强灰狼优化算法(Enhanced Grey Wolf Optimization，EGWO),获取功率优化目标函数的最优解,设计功率分配优化机制；(4)和差分进化算法(Differential Evolution，DE)，粒子群优化算法(Particle Swarm Optimization，PSO)，布谷鸟搜索算法(Cuckoo Search，CS), 萤火虫算法(Firefly Algorithm，FA)等进行了比较, 仿真结果表明：本文所提出的算法优化性能更好，理论分析的正确性得到了验证.本文的理论研究具有很高的准确性，还能够方便地应用到复杂环境的移动通信网络的性能计算和分析中.

1 系统模型

图1给出了移动多用户协作通信系统模型.移动信源(MS)通过一个移动中继节点(MR)发送信息给L个移动用户(MU).它们的通信信道是N-Nakagami道，和Rayleigh，Nakagami等信道相比，N-Nakagami信道更加符合实际信道条件.

我们定义h=hg，gSR，SU，RU，表示 MS → MR，MS → MU，MR → MU 链路的信道增益.MS 和MR 的发射总功率为E.为了表示MS，MR和MU 的相对位置，我们分别用VSR,VSU,VRU表示MS → MR，MS → MU，MR → MU 链路的位置增益.

在两个时隙内，系统的发射总功率是E，K为发射总功率功率分配系数.MS的第i根发射天线表示为MSi，MR的第j根天线表示为MRj.第一时隙中，MSi发送信息x，rSRij,rSUil分别为MRj和MUl的接收信号.

(1)

(2)

其中nSUil和nSRij的均值为0，方差为N0/2.

在第二个时隙，MRj使用译码转发协作策略.移动用户MUl接收信号为

(3)

其中nRUjl的均值为0，方差为N0/2.如果MRj可以正确解调，则β=1；否则β=0.

其中Rth=22R0-1.

使用SC合并接收，MUl的接收信噪比表示为

其中|C|表示译码集合C的势，译码集合C表示为C={1≤j≤Nt|γSRj≥Rth}.

2 最佳TAS方案的性能

我们计算最佳TAS方案的OP如

其中

Q1计算如

Q2计算如

3 功率分配的智能优化

3.1 功率约束优化目标函数

我们将推导的中断概率作为约束优化目标函数，使其达到最小值，获得最优功率分配系数K，即

其中P1是MS的发射功率,P2是MR的发射功率，PA是系统的最大功率,PD是MS的最大功率,PE是MR的最大功率.

3.2 增强灰狼优化算法

为了获得最优功率分配系数K，我们利用增强灰狼算法进行智能优化，增强灰狼算法的步骤为：

(1) 优化初始狼群，本项目拟采用佳点集理论产生初始灰狼种群，大小为N个.然后从中选取最好的三只狼，分别为α,β,δ狼，其他狼为ω狼.

(2) 狼群包围，狼群在狩猎过程中首先对目标进行包围D=|C·Xp(t)-X(t)|,X(t+1)=Xp(t)-A·D,其中t为当前的迭代数，A,C为系数向量，D表示猎物和灰狼之间的距离，Xp是为全局最优解向量(猎物所在位置)，X为潜在解向量(狼群所在位置).A,C表示为A=2α·r1-r2,C=2·r2,r1,r2为随机向量，取值范围为 [0, 1]，α的值随迭代数增加从2线性递减到0.

(3) 狼群猎捕，由α,β,δ狼来引导，其他ω狼应根据当前α,β,δ狼的位置更新它们各自的位置X(t+1)=X1+X2+X3,其中X1=Xα-A1·Dα,X2=Xβ-A2·Dβ,X3=Xδ-A3·Dδ,Dα=|C1·Xα(t)-X|,Dβ=|C2·Xβ(t)-X|,Dδ=|C3·Xδ(t)-X|.

(4) 狼群攻击，狼群攻击猎物，即获得最优解，主要通过α值的递减来实现.

表1仿真系数

参数数值‰th5 dBRth5 dBNt1,2,3Nr2L2m1K0.5N2u0 dB

4 数值仿真

我们定义μ=VSU/VRU为相对位置增益，E=1，每次仿真参数设定为10000次.在图3中，我们研究了最佳TAS方案的OP性能.我们在表1中给出了仿真系数，从图3可以看出，Monte-Carlo仿真值非常吻合理论值，这验证了推导的理论闭合表达式的正确性.增加SNR和Nt可以不断改善OP性能.

表2比较了EGWO, PSO[17]，CS[18]，FA[19]和DE[20]5种算法的运行时间，K和OP.仿真系数如表3所示.我们可以得到，和CS，PSO，FA，DE比较，EGWO优化效果更好，运行时间更短，获得了最佳K值，OP性能最好.

表2 五种算法的比较

5 结论

本文在N-Nakagami信道下，建立了移动多用户通信系统模型，设计了最佳TAS方案，研究了移动多用户通信系统的OP性能，推导了OP的闭合表达式.然后提出了一种基于EGWO算法的功率分配智能优化算法，和CS，PSO，FA，DE比较，本文提出的智能优化算法获得了更好的OP性能效果.下一步考虑针对不同的信道参数，利用机器学习，实现系统功率分配的智能优化.

表3 5种不同算法的仿真参数

算法仿真参数EGWOpsize=50, ter=1000PSOpsize=50,c1=1.45,c2=1.89445, ter=1000CSpsize=50,Pa=0.25, ter=1000FApsize=50,α=0.5,β=0.2,γ=1, ter=1000DEpsize=50,α=0.2,β=0.8,γ=0.2, ter=1000