接入与回传一体化小基站的接入控制与资源分配联合优化算法

唐伦; 马润琳; 刘云龙; 王耀玮; 陈前斌

doi:10.11999/JEIT180357

接入与回传一体化小基站的接入控制与资源分配联合优化算法

doi: 10.11999/JEIT180357

1.
重庆邮电大学通信与信息工程学院重庆 400065
2.
重庆邮电大学移动通信技术重点实验室重庆 400065

基金项目: 国家自然科学基金(61571073)，重庆市教委科学技术研究项目(KJZD-M201800601)

详细信息

作者简介:
唐伦：男，1973年生，教授，博士，研究方向为新一代无线通信网络、异构蜂窝网络、软件定义无线网络等

马润琳：女，1993年生，硕士生，研究方向为5G网络切片、无线资源分配

刘云龙：男，1992年生，硕士生，研究方向为5G无线自回传网络中的资源分配问题

王耀玮：男，1991年生，硕士生，研究方向基于卷积神经网络的车辆识别问题

陈前斌：男，1967年生，教授，博士生导师，研究方向为个人通信、多媒体信息处理与传输、下一代移动通信网络等

通讯作者:
马润琳　357135128@qq.com

中图分类号: TN929.5
计量
- 文章访问数: 3050
- HTML全文浏览量: 899
- PDF下载量: 55
- 被引次数: 46
出版历程
- 收稿日期: 2018-04-18
- 修回日期: 2019-02-16
- 网络出版日期: 2019-03-05
- 刊出日期: 2019-06-01

Joint Admission Control and Resource Allocation Algorithm for Access and Backhaul Integrated Small Base Station

1.
School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China
2.
Key Laboratory of Mobile Communication Technology, Chongqing University of Post and Telecommunications, Chongqing 400065, China

Funds: The National Natural Science Foundation of China (61571073), The Science and Technology Research Program of Chongqing Municipal Education Commission (KJZD-M201800601)

摘要

摘要: 针对全双工无线接入与回传一体化小基站场景下长期的频谱效率和能效同时最大化问题，该文提出一种基于近似动态规划理论的接入与回传一体化小基站接入控制与资源分配联合优化算法。该算法首先联合考虑当前基站的资源使用和功率配置情况，在任一用户需求动态到达以及平均时延、小基站回传速率和传输功率约束下，使用受限马尔科夫决策过程(CMDP)建立频谱效率最大化和功率消耗最小化的多目标优化模型，其次运用切比雪夫理论将多目标优化问题转化为单目标问题，并使用拉格朗日对偶分解法进一步转化为非受限的马尔科夫决策过程(MDP)问题。最后，为了解决其求解时存在的“维度灾”爆炸问题，该文提出基于近似动态规划的无线接入与回传一体化小基站资源动态分配算法进行求解，得到此时的接入与资源分配策略。仿真结果表明，所提算法能在保证平均时延约束、小基站回传速率约束和传输功率约束的同时最大化长期平均频谱效率和能效。
- 接入与回传一体化小基站 /
- 近似动态规划理论 /
- 受限马尔科夫决策过程 /
- 切比雪夫理论
Abstract: To maximize the long-term spectral efficiency and energy efficiency of a full duplex wireless access and backhaul integrated small base station scene, approximate dynamic programming based joint admission control and resource allocation optimization algorithm is proposed. The algorithm firstly considers the resource usage and power configuration of the current base station, the dynamic demand of user, the constraints of average delay as well as backhaul rate and transmission power. The corresponding multi-objective optimization model of maximum spectrum efficiency and minimizes power consumption is established by using the Constrained Markov Decision Process(CMDP). Then, the Chebyshev theory is used to transform the multi-objective into a single-objective optimization, and the Lagrange dual decomposition method is then used to convert the single-objective problem into unrestricted Markov decision process problem. Finally, To solve the " dimension disaster” explosion that generated when solving this unrestricted Markov Decision Process(MDP) problem, a dynamic resource allocation algorithms based on approximate dynamic programming is presented, and the access and resource allocation strategy is obtained during this process. The simulation results show that the algorithm can maximize the long-term average spectrum efficiency and energy efficiency, within the constraints of the average delay, backhaul rate and transmission power, under the scenario of integrated access and backhaul small base station.
- Access and backhaul integrated small base station /
- Approximate dynamic programming theory /
- Constrained Markov Decision Process (CMDP) /
- Tchebycheff theory

HTML全文

图 1 系统场景图

下载: 全尺寸图片幻灯片

图 2 近似估计值函数线性拟合图

下载: 全尺寸图片幻灯片

图 3 频谱效率SE和能量效率EE的关系

下载: 全尺寸图片幻灯片

图 4 用户在连续时隙上的平均数据队列积压

下载: 全尺寸图片幻灯片

图 5 频谱效率SE和能量效率EE随加权系数 $\omega$ 的变化

下载: 全尺寸图片幻灯片

图 6 4种算法的频谱效率SE和能量效率EE比较

下载: 全尺寸图片幻灯片

图 7 4种算法的平均队列积压比较

下载: 全尺寸图片幻灯片

表 1 基函数的定义

基函数	含义
1	常数
${Q_{i,j}}(t)$	用户 $j$ 在基站 $i$ 处队列积压的长度
${U_i}(t)$	新用户需求到达前基站 $i$ 的资源使用状态
${[{Q_{i,j}}(t)]^2}$	用户 $j$ 在基站 $i$ 处队列积压长度的平方
${Q_{i,j}}(t){U_i}(t)$	用户 $j$ 在基站 $i$ 处队列积压长度和新用户需求到达前基站 $i$ 资源使用状态的乘积
${[{U_i}(t)]^2}$	新用户需求到达前基站 $i$ 资源使用状态的平方

下载: 导出CSV

表 2 基于随机梯度法更新待估参数的样本值函数逼近近似值函数算法

　(1) 输入目标函数：

${{\text{μ}} ^*} = \arg {\rm{ }}\mathop {{\rm{min}}}\limits_\text{μ} {\rm E}\left\{ \frac{1}{2}{[{V^a}({S^a}(t - 1)|{\text{μ}} ) - \widehat {{V^{\text{π}} }(S)}]^2}\right\}$

　(2) 初始化步长

$\gamma {}_t$ ，均方差误差门限

$\delta$ 等；

　(3) 使用

${\rm TD}(0)$ 方法取样本值函数的初始值；

　(4) 用数值微分法对待估参数

${\mu _f}$ 取样本

$\widehat {{\mu _f}}$ ；

　(5) 计算当前状态

$S(t)$ 的值函数样本

$\widehat {{V^{\text{π}} }(S)}$ ；

　(6) 根据式(36)，按随机梯度法沿着梯度方向更新待估参数向量

${\text{μ}}$ ,

${\gamma _t}$ 值为

$0.1 \sim 0.7$ ；

　(7) 根据式(33)，求最优近似值函数；

　(8) 判定(1)中目标函数是否小于

$\delta = {10^{ - 5}}$ ，若不满足，则执行(6)，
否则依次执行；

　(9) 获得最接近样本值函数的近似值函数

${V^a}$ 。

下载: 导出CSV

表 3 基于蒙特卡罗方法的外部用户需求随机变量采样算法

　(1) 初始化采样路径

$k$ ,

$k = 1$ ，总采样次数

$K$ ,

$K = 200$ ，折扣因
子

$\alpha$ 等参数；

　(2) for

$k = 1$ to

$K$ do

　(3) 选择一条采样路径

${\omega ^k}$ ；

　(4) 对于每一个采样时刻

$t = 1,2, ·\!·\!·,20$ ，令

$\omega _t^k = {W_t}({\omega ^k})$ 表示
采样的实现；

　(5) 得到数据包数

${a_{i,j}}(t)$ 与无线资源量

${\beta _{ij}}(t)$ ；

　(6)

$k = k + 1$ ，重复1。

下载: 导出CSV

表 4 基于近似动态规划的动态资源分配算法

　(1) 对每个状态

$S(t)$ ，初始化其初始值函数

${V^*}(S)$ ，探索率

$\varepsilon = 0.1$ 等参数；

　(2) for

$t = 0$ to

$T\;$ do

　(3) 根据式(37)，使用

$\varepsilon {\tiny{-}}$ 贪心策略对行为空间进行探索；

　(4) 根据式(33)求解，并令此时的

${{\text{π}} ^*}(S)$ 为以上优化问题的解；

　(5) 根据表2求近似值函数

${V^a}$ ，得到此时的接入与频谱和功率
资源分配策略；

　(6) 根据表3进行1次采样；

　(7) 根据梯度法更新拉格朗日乘子

${\lambda _{ij}}$ ；

　(8) 更新

$t = t + 1$ ，并更新

$t + 1$ 时隙的系统状态，重复3。

下载: 导出CSV

表 5 仿真参数

参数	数值
信道模型	瑞利衰落
噪声功率谱密度 ${N_0}$	–174 dBm/Hz
训练周期 $T\;$	30
宏基站发送功率 ${P_0}$	43 dBm
小基站发送功率 ${P_{}}$	33 dBm
基站个数 $I$	4
时隙时长	1 ms
总用户数	30, 50, 70
折扣因子 $\alpha$	0.3, 0.5, 0.9
天线阵列数为 $M$	100
波束成形组大小 $N$	10
平均队列长度门限值 ${\varepsilon _{i,j}}$	28, 40, 75

下载: 导出CSV

参考文献(13)

BENCHAABENE Y, BOUJNAH N, and ZARAI F. 5G cellular: Survey on some challenging techniques[C]. Proceedings of the 18th International Conference on Parallel and Distributed Computing, Applications and Technologies, Taipei, China, 2017: 348–353.

MESODIAKAKI A, ADELANTADO F, ALONSO L, et al. Energy- and spectrum-efficient user association in millimeter-wave backhaul small-cell networks[J]. IEEE Transactions on Vehicular Technology, 2017, 66(2): 1810–1821. doi: 10.1109/TVT.2016.2565539

OGAWA H, TRAN G K, SAKAGUCHI K, et al. Traffic adaptive formation of mmWave meshed backhaul networks[C]. Proceedings of 2017 IEEE International Conference on Communications Workshops, Paris, France, 2017: 185–191.

LI Yuzhou, SHI Yan, SHENG Min, et al. Energy-efficient transmission in heterogeneous wireless networks: A delay-aware approach[J]. IEEE Transactions on Vehicular Technology, 2016, 65(9): 7488–7500. doi: 10.1109/TVT.2015.2472578

LIU Yanping and FANG Xuming. Joint user association and resource allocation for self-backhaul ultra-dense networks[J]. China Communications, 2016, 13(2): 1–10. doi: 10.1109/CC.2016.7405718

YANG H H, GERACI G, and QUEK T Q S. Energy-efficient design of MIMO heterogeneous networks with wireless backhaul[J]. IEEE Transactions on Wireless Communications, 2016, 15(17): 4914–4927. doi: 10.1109/TWC.2016.2549529

MASOUDI M, ZAEFARANI H, MOHAMMADI A, et al. Energy and spectrum efficient resource allocation in two-tier networks: A multiobjective approach[C]. Proceedings of 2017 IEEE Wireless Communications and Networking Conference, San Francisco, USA, 2017: 1–6.

LI Yi, FAN Pingzhi, LIU Lingjia, et al. Distributed MIMO precoding for in-band full-duplex wireless backhaul in heterogeneous networks[J]. IEEE Transactions on Vehicular Technology, 2018, 67(3): 2064–2076. doi: 10.1109/TVT.2017.2713413

TANG Lun, WEI Yannan, CHEN Wan, et al. Delay-aware dynamic resource allocation and ABS configuration algorithm in HetNets based on Lyapunov optimization[J]. IEEE Access, 2017, 5: 23764–23775. doi: 10.1109/ACCESS.2017.2761863

ZORDAN D, MELODIA T, and ROSSI M. On the design of temporal compression strategies for energy harvesting sensor networks[J]. IEEE Transactions on Wireless Communications, 2016, 15(2): 1336–1352. doi: 10.1109/TWC.2015.2489200

DEVRAJ A M and MEYN S P. Differential TD learning for value function approximation[C]. Proceedings of 2016 IEEE 55th Conference on Decision and Control, Las Vegas, USA, 2016: 6347–6354.

XIANG Lin, NG D W K, SCHOBER R, et al. Secure video streaming in heterogeneous small cell networks with untrusted cache helpers[J]. IEEE Transactions on Wireless Communications, 2018, 17(4): 2645–2661. doi: 10.1109/TWC.2018.2800005

MI Xiang, ZHAO Ming, XIAO Limin, et al. Delay-aware resource allocation and power control for device-to-device communications[C]. Proceedings of 2015 IEEE Wireless Communications and Networking Conference Workshops, New Orleans, USA, 2015: 115–122.

施引文献

期刊类型引用(23)

1.	胡城，蔡延光，黄嘉铖，曾庆丰. 蚁狮优化算法研究综述. 自动化与信息工程. 2024(03): 1-10+15 . 百度学术
2.	陈伟，杨盘隆，吴宣够. 改进蚁狮优化算法及其工程应用. 传感技术学报. 2023(04): 565-574 . 百度学术
3.	郭家虎，时曼玉. 自适应可调节边界的蚁狮优化算法. 安徽理工大学学报(自然科学版). 2023(04): 1-9+18 . 百度学术
4.	丁敏，夏兴宇，邹永杰，张乐，刘正堂. 基于改进蝴蝶优化算法的无人机3-D航迹规划方法. 南京航空航天大学学报. 2023(05): 851-858 . 百度学术
5.	王博文，王培，徐鲁豫. 基于紧凑蚁狮算法的三维路径规划研究. 微电子学与计算机. 2023(08): 19-27 . 百度学术
6.	韩统，汤安迪，周欢，徐登武，谢磊. 基于LASSA算法的多无人机协同航迹规划方法. 系统工程与电子技术. 2022(01): 233-241 . 百度学术
7.	李彦苍，吴悦. 基于高斯变异的蚁狮算法及其在组合优化中的应用. 中国科技论文. 2022(03): 295-304 . 百度学术
8.	张浩，覃涛，徐凌桦，王霄，杨靖. 改进多目标蚁狮算法的WSNs节点部署策略. 西安电子科技大学学报. 2022(05): 47-59 . 百度学术
9.	来磊，吴德伟，邹鲲，韩昆，李海林. 基于多准则交互膜进化算法的UAV三维航迹规划. 系统工程与电子技术. 2021(01): 138-146 . 百度学术
10.	马凯强，任利锋，曾喆，万剑华. 顾及恶劣海况的船舶救援路径规划. 海洋科学. 2021(05): 39-46 . 百度学术
11.	来磊，邹鲲，吴德伟，李保中. 交互策略改进MOFA进化的多UAV协同航迹规划. 系统工程与电子技术. 2021(08): 2282-2289 . 百度学术
12.	王沙沙，张则强，刘俊琦，陈凤. 多路径交互环形过道布置问题建模及改进蚁狮算法优化. 计算机集成制造系统. 2021(08): 2237-2247 . 百度学术
13.	靳江锋，刘旭. 联合多核FCM和改进GOA的多无人机协同侦查航迹规划. 兵器装备工程学报. 2021(11): 181-188 . 百度学术
14.	刘景森，霍宇，李煜. 优选策略的自适应蚁狮优化算法. 模式识别与人工智能. 2020(02): 121-132 . 百度学术
15.	李庆华，尤越，沐雅琪，张钊，冯超. 一种针对大型凹型障碍物的组合导航算法. 电子与信息学报. 2020(04): 917-923 . 本站查看
16.	李靖，杨帆. 基于改进灰狼优化算法的区域监测机器人路径规划. 科学技术与工程. 2020(15): 6122-6129 . 百度学术
17.	孟德智，葛斌. 基于蜂窝分区的蚁狮优化自适应路由算法. 金陵科技学院学报. 2020(02): 17-23 . 百度学术
18.	王茜，何庆，林杰，杨荣莹. 精英反向学习带扰动因子的混沌蚁狮算法. 智能计算机与应用. 2020(08): 51-57 . 百度学术
19.	杨帆，方玺，高飞，谢良. 面向三维陷阱空间的改进RRT算法航迹规划. 武汉理工大学学报. 2020(10): 98-106 . 百度学术
20.	黄长强. 未来空战过程智能化关键技术研究. 航空兵器. 2019(01): 11-19 . 百度学术
21.	徐钦帅，何庆，魏康园. 改进蚁狮算法的无线传感器网络覆盖优化. 传感技术学报. 2019(02): 266-275 . 百度学术
22.	ZHANG Zhenxing，YANG Rennong，LI Huanyu，FANG Yuhuan，HUANG Zhenyu，ZHANG Ying. Antlion optimizer algorithm based on chaos search and its application. Journal of Systems Engineering and Electronics. 2019(02): 352-365 . 必应学术
23.	边莉，何辉，杨彦方，刘文静. 基于改进型蚁狮算法的PID控制器参数优化. 吉林大学学报(信息科学版). 2019(03): 292-298 . 百度学术