超密集网络中非合作博弈的功率分配算法

发布时间：2024-02-24 11:56

　　为了抑制超密集网络中小小区基站的密集化部署带来的干扰,并提高系统的吞吐量,本文研究了频谱共享超密集网络中的功率分配策略.首先,针对非凸的系统和速率最大化问题,采用非合作博弈模型将其转化为每个用户效益函数最大化的凸子问题,并通过设计一种动态定价使得非合作博弈模型的纳什均衡点(NE)是原优化问题的驻点.其次,为了保证宏小区用户的服务质量(QoS),模型中引入了干扰功率约束条件来抑制宏小区受到的干扰.最后,在此非合作博弈论框架下,设计了一种迭代式的基于全局信息的功率分配算法.每次迭代通过求解KKT条件获得每个用户的最优发射功率,通过理论推导证明了迭代算法可收敛到博弈模型的NE.此外,为了减少迭代算法的信令开销、提高资源利用率,还提出了一种基于局部信息的功率分配算法.仿真结果表明,所提出的基于全局信息的功率分配算法比对比方法具有更好的传输性能,所提出的基于局部信息的功率分配算法在保证较好的传输性能的前提下有效地减少了信令开销.

【文章页数】：5 页

【部分图文】：

图1系统模型

考虑UDN中的上行传输场景,在宏基站(MBS)的覆盖范围内随机部署若干个SBS.设系统中的小小区数量为N,每个小小区与宏小区共享相同的频带.由于采用正交频分多址,小区内每个时频资源块上只有一个接入用户,因此小区内干扰可忽略不计.但是,同一时频资源块上不同小区间的用户存在严重干扰.....

图2小区数量对频谱效率的影响(Q=-50dBm)

图2中的仿真结果是通过蒙特卡罗方法获得的,共进行了10000次实验.如图2所示,提出的GIPA算法所实现的平均每个小小区频谱效率要高于对比算法.所提出的LIPA算法的性能与PFPA算法几乎相同.图3显示了不同算法的收敛性能.尽管由于采用动态价格,GIPA算法的收敛速度略慢于PF....

图3收敛性能(N=20,Q=-50dBm)

图3显示了不同算法的收敛性能.尽管由于采用动态价格,GIPA算法的收敛速度略慢于PFPA算法,但在达到收敛后,平均每个小小区所获得的频谱效率更高.LIPA算法具有与GIPA算法相似的收敛性能.由于NPPA算法的求解过程不需要迭代,因此它在图中是一条水平线.图4显示了干扰功率约束Q....

图4干扰功率约束对频谱效率的影响(N=20)

图4显示了干扰功率约束Q对功率分配算法性能的影响.当Q<-55dBm时,所提出的算法的性能随着Q的增加而提高.当Q>-55dBm时,所提出算法获得的平均频谱效率保持恒定,这是因为Q>-55dBm时,可以忽略式(3)中的约束条件.图5对比了所提算法每次迭代时每个用户所需的信令....

本文编号：3908958