本發(fā)明屬于無線通信網(wǎng)絡(luò)技術(shù)領(lǐng)域，主要涉及異構(gòu)蜂窩網(wǎng)絡(luò)中基于增強型小區(qū)間干擾協(xié)調(diào)(eicic)的能效優(yōu)化問題，具體涉及eicic的幾乎空白子幀(abs)分配、用戶接入和用戶時域資源聯(lián)合分配的實現(xiàn)方法。

背景技術(shù)：

為了滿足無線數(shù)據(jù)快速增長的需求，4g長期高級演進(jìn)(lte-a)規(guī)定了在現(xiàn)有的高功率宏蜂窩網(wǎng)絡(luò)下部署低功率節(jié)點(例如家庭基站或微基站)。由于異構(gòu)蜂窩網(wǎng)絡(luò)(hetnets)下行鏈路中的基站(bs)間發(fā)射功率存在較大的差異，尤其宏蜂窩具有比微蜂窩具有更大的覆蓋區(qū)域。通過將用戶分配到微蜂窩的負(fù)載均衡可以提高密集異構(gòu)蜂窩網(wǎng)絡(luò)(hetnet)的容量。此外，宏基站高功率和密集微蜂窩的干擾將嚴(yán)重限制了5g異構(gòu)網(wǎng)絡(luò)部署場景系統(tǒng)的應(yīng)用。

為了減小宏蜂窩的干擾，3gpp標(biāo)準(zhǔn)提出了增強小區(qū)間干擾協(xié)調(diào)(eicic)的概念，宏蜂窩通過在部分子幀保持下行鏈路的靜默減少對微蜂窩的干擾，被稱為幾乎空白子幀(almostblanksubframes，abs)。eicic中有兩個重要的特征：用戶接入問題和幾乎空白的子幀(abs)的分配。首先，將用戶分配給宏蜂窩或微蜂窩，可以保證微蜂窩欠利用或過度利用。其次，通過宏蜂窩和微蜂窩在時域的干擾協(xié)調(diào)，減少宏蜂窩的干擾以輔助微蜂窩傳輸。因此，對于微蜂窩，在abs子幀上將受到更少的干擾，使得接入微蜂窩的用戶獲得更高的傳輸速率。

eicic配置問題與用戶接入相結(jié)合，即abs和用戶接入決定了基站可用的資源和負(fù)載分配。大多數(shù)現(xiàn)有研究主要著重于不同的動態(tài)abs配置方案，主要考慮宏蜂窩和微蜂窩之間的負(fù)載分配與之對應(yīng)的動態(tài)變化。但主要關(guān)注的是系統(tǒng)的容量及吞吐量，忽略了系統(tǒng)的能源效率(ee)。而且僅考慮abs配置不能滿足在微蜂窩數(shù)量較大時，微蜂窩之間的同層干擾。有研究指出不同層設(shè)置不同的偏置(bias)規(guī)則對于負(fù)載均衡及節(jié)能不是最佳的，基于能效優(yōu)化的用戶接入和基于干擾管理的負(fù)載均衡是不相同的。未來的異構(gòu)蜂窩網(wǎng)絡(luò)中應(yīng)共同考慮干擾管理和能耗優(yōu)化。因此，需要研究如何設(shè)置ee-eicic(energyefficiencyoptimizationenhancedinter-cellinterferencecoordination)的配置參數(shù)，聯(lián)合用戶接入和abs分配的能量優(yōu)化，這些規(guī)范在eicic標(biāo)準(zhǔn)也尚未給出。

技術(shù)實現(xiàn)要素：

為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提出了一種異構(gòu)網(wǎng)絡(luò)增強型小區(qū)間干擾協(xié)調(diào)的能效優(yōu)化方法。在提升系統(tǒng)的容量和能源效率的同時，保持宏蜂窩和微微蜂窩之間的負(fù)載均衡，首先通過分?jǐn)?shù)規(guī)劃理論提出了迭代算法，然后通過簡化用戶接入和abs分配問題，采用兩步的松弛和取整算法來進(jìn)一步降低計算成本。本發(fā)明的數(shù)值結(jié)果驗證了該方案的收斂性能，在一定和速率代價選，系統(tǒng)和用戶的能量效率可以得到顯著的改善。

為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：

一種異構(gòu)網(wǎng)絡(luò)增強型小區(qū)間干擾協(xié)調(diào)的能效優(yōu)化方法，其特征在于，包括以下步驟：

1)構(gòu)建一個由宏蜂窩和微蜂窩構(gòu)成的雙層tdd-lte異構(gòu)蜂窩網(wǎng)絡(luò)系統(tǒng)，其中用戶僅可以選擇接入一個基站：宏基站或者微基站；

2)對于每一個宏基站覆蓋的區(qū)域內(nèi)，在該區(qū)域內(nèi)的微基站和用戶測量信道狀態(tài)和干擾狀態(tài)，將其發(fā)送給宏基站，宏基站計算后進(jìn)行統(tǒng)一的資源調(diào)度；

3)用戶根據(jù)整個帶寬接收到的下行信號強度，選擇一個宏蜂窩和一個微蜂窩作為候選集合，再通過能效優(yōu)化的迭代、松弛轉(zhuǎn)化為凸規(guī)劃問題、取整為原問題的可行解(迭代-松弛-取整算法)，進(jìn)而選擇接入哪個基站；

4)首先進(jìn)行能效優(yōu)化迭代算法的初始化，選擇誤差ε＞0和最大的迭代次數(shù)kmax，設(shè)置ee中和迭代次數(shù)k＝0；

5)執(zhí)行能效優(yōu)化迭代算法，當(dāng)k≤kmax和convergence＝false，對于一個給定的求解問題op2，得到ee-eicic子幀的分配策略如果則convergence＝true，返回最優(yōu)的ee-eicic的子幀分配策略和最大的否則設(shè)置和令k＝k+1；

式中參變量在步驟5進(jìn)行了統(tǒng)一的描述。

6)配置所述的ee-abs子幀協(xié)議，根據(jù)所述的迭代-松弛-取整算法，計算得到宏基站可以提供給受其干擾的微基站使用的ee-abs子幀數(shù)目；

7)根據(jù)所述的松弛-取整算法，分配下行的傳輸時間資源，并且得到用戶下行平均傳輸時間，確定用戶的傳輸速率和能耗，計算出用戶和系統(tǒng)能效；

8)計算結(jié)束后，將資源管理和調(diào)度的結(jié)果通知給各個微基站和用戶，從而各個用戶進(jìn)行基于能效的接入和數(shù)據(jù)傳輸。

所述的步驟4)、步驟5)、步驟6)、步驟7)中所使用的迭代-松弛-取整算法前期準(zhǔn)備及其過程如下：

a、建立sinr模型，同一個基站使用時分復(fù)用，小區(qū)內(nèi)只存在三類干擾：宏基站與宏基站、宏基站與微基站和微基站與微基站之間的干擾，根據(jù)干擾和abs協(xié)議，得到sinr模型；

b、根據(jù)sinr模型，采用香農(nóng)容量公式或者lte中sinr與速率的對應(yīng)表可以得到用戶的平均傳輸速率ru；

c、建立基于eicic的能效優(yōu)化模型；

進(jìn)而建立優(yōu)化問題(op1，optimizationproblem1)：

op1:

xu(yu,a+yu,na)＝0(4)

xu≥0,yu,a≥0,yu,na≥0(9)

式中，n⁺表示非負(fù)整數(shù)的集合，參變量在步驟5進(jìn)行了統(tǒng)一的描述。

d、由于約束式(4)和式(10)，op1是一個混合整數(shù)規(guī)劃問題，然而，即使消除約束式(4)并松弛式(10)到非負(fù)實數(shù)r⁺，但由于目標(biāo)函數(shù)的非凸性，op1仍然不是凸問題，首先利用分?jǐn)?shù)規(guī)劃，對op1的優(yōu)化問題重新轉(zhuǎn)化為優(yōu)化問題op2；

s.t.(2)-(10)

e、通過算法1所述的ee-eicic的迭代算法求解的轉(zhuǎn)化后的優(yōu)化問題op2，包括以下步驟：

①選擇誤差ε＞0和最大的迭代次數(shù)kmax；

②設(shè)置ee中和迭代次數(shù)k＝0；

③當(dāng)k≤kmax和convergence＝false；

對于一個給定的求解問題op2，得到ee-eicic子幀的分配策略

如果則convergence＝true，返回最優(yōu)的ee-eicic的子幀分配策略和最大的否則設(shè)置和令k＝k+1，繼續(xù)運行步驟3；

f、松弛-取整算法求解op2；

首先，整數(shù)變量可以松弛為非負(fù)實數(shù)，從而得到凸規(guī)劃問題，便于求解，然后，通過取整操作得到op3的可行解，詳細(xì)說明如下。

3)松弛：將op2松弛為op3進(jìn)行求解；通過忽略約束式(4)和松弛約束式(10)中nm和ap上的可行空間，得到op3，放松約束式(10)后，nm和ap可以取非負(fù)實數(shù)，去除約束式(6)對優(yōu)化問題op1的影響主要在于用戶在下行鏈路傳輸中同時從宏蜂窩和微蜂窩接收無線資源，對于優(yōu)化變量op3建模為：

s.t.(2)-(3)和(5)-(9)

其中r⁺是非負(fù)實數(shù)的集合，參變量在步驟5進(jìn)行了統(tǒng)一的描述。

4)取整：在第二步中，對第一步求解的結(jié)果，適當(dāng)?shù)厣崛?，進(jìn)行取整操作，得到op2的可行解。

所述的步驟f中的取整操作詳細(xì)步驟如下：

①取整nm和ap：將nm和ap由正實數(shù)變?yōu)檎麛?shù)采用如下操作：

其中n'm和a'p為算法1的輸出。

②計算用戶從宏基站可以得到的下行傳輸速率和能耗：

和

③計算用戶從微基站可以得到的下行傳輸速率和能耗：

和

其中和為算法1的輸出。

④計算用戶的能效和比較用戶從宏基站和微基站的能效，若則用戶的接入宏基站，否則用戶接入微基站。

⑤計算每一個宏基站和微基站，計算其下行的利用率。

xm表示宏基站的non-abs利用率，yp,a和yp,na表示微基站的abs和non-abs的利用率，是接入宏基站的用戶集合，表示接入微基站的集合。

⑥計算每一個用戶，下行可以傳輸?shù)臅r間。

⑦計算接入宏基站的用戶能耗和可以得到傳輸速率：

和

⑧計算接入微基站的用戶能耗和可以得到傳輸速率：

和

⑨計算用戶能效：

式中參變量在步驟5進(jìn)行了統(tǒng)一的描述。

所述步驟b中的sinr具體模型如下：

對于接入微基站的用戶，用戶u的下行sinr建模為：

對于接入宏基站的用戶，用戶u的下行sinr：

然后，根據(jù)sinr模型得到用戶u的平均傳輸速率：

式中，prx(u)為用戶u下行接收到的功率；ppico(u)為受到其他的微基站的下行干擾；pmacro(u)為受到其他的宏基站的下行干擾；為在non-abs子幀從宏基站獲得的下行傳輸速率；為在abs子幀從微基站獲得的下行傳輸速率；為在non-abs子幀從微基站獲得的下行傳輸速率。

所述步驟c中所建立的優(yōu)化問題op1中各個優(yōu)化變量、主要參數(shù)和約束具體描述如下：

約束(2)表示用戶的傳輸速率不能超過從宏蜂窩或微蜂窩獲得的時間比例，以及用戶的最小速率要求；

約束(3)表示，用戶的能耗不能大于從宏蜂窩或微蜂窩的獲得的時間比例，以及用戶的最大功率限制；

約束(4)表示用戶僅能接入單個宏蜂窩或微蜂窩，而不能同時接入；

約束(5)表示在干擾集合ibs中abs子幀與non-abs子幀總數(shù)限制，其中ibs，bs∈{macro，pico}表示所有干擾微蜂窩和所有干擾宏蜂窩的集合；

約束(6)表示從宏蜂窩分配給用戶子幀的時間比例小于總的non-abs子幀數(shù)nm；

約束(7)表示從微蜂窩分配給用戶的abs子幀時間比例小于總的abs子幀ap；

約束(8)表示從微蜂窩分配給用戶的子幀時間比例小于總abs周期nsf，也表示從宏蜂窩或者微蜂窩分配給用戶的子幀數(shù)小于總的可用子幀數(shù)；

其中，u為用戶u的集合；m為宏基站macro的首字母縮寫；m為宏基站的m的集合；p為微基站pico的首字母縮寫；p為微基站p的集合；mu為接入宏基站的用戶集合；pu為接入微基站的用戶集合；nsf為abs的周期,一個abs幀包含的子幀數(shù)；nm為宏基站可以使用的non-abs子幀,即宏基站可以進(jìn)行下行傳輸?shù)淖訋瑪?shù)；ap為微基站可用的abs子幀，宏基站保持下行靜默；xu為mu中用戶在non-abs中的下行傳輸時間；yu,a為pu中用戶在abs的下行傳輸時間；yu,na為pu中用戶在abs的下行傳輸時間；yu,na為pu中用戶在non-abs的下行傳輸時間；為宏基站的傳輸功率；為宏基站廣播信號的傳輸功率；為微基站的傳輸功率；為用戶允許的最大接收功率。

本發(fā)明的有益效果是：

與現(xiàn)有的基于abs的接入算法相比，本發(fā)明首先考慮用戶最小的速率限制，以能效最大化為優(yōu)化目標(biāo)，建模為能效優(yōu)化問題。其次，通過考慮基站到基站干擾圖以及網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，提出一種聯(lián)合abs分配和用戶接入的能效優(yōu)化混合整數(shù)非線性規(guī)劃問題。第三，采用廣義分?jǐn)?shù)規(guī)劃理論和凸優(yōu)化理論，發(fā)明了一種簡化的迭代和松弛取整的發(fā)法。最后，本發(fā)明以一定和速率為代價，在系統(tǒng)和用戶的能量效率方面可以得到顯著的改善。

附圖說明

圖1為本發(fā)明的異構(gòu)蜂窩網(wǎng)絡(luò)中eicic的干擾模型；

圖2為本發(fā)明的異eicic的abs幀結(jié)構(gòu)；

圖3是為本發(fā)明的異ee-eicic的迭代次數(shù)；

圖4為本發(fā)明的異能量效率隨用戶數(shù)的變化情況；

圖5為本發(fā)明的異能量效率隨微蜂窩數(shù)的變化情況；

圖6為本發(fā)明的異能量效率在網(wǎng)絡(luò)，最好用戶和最差用戶的對比；

圖7為本發(fā)明的異容量在網(wǎng)絡(luò)，最好用戶和最差用戶的對比；

圖8為本發(fā)明的異最優(yōu)的幾乎空白子幀比例隨微蜂窩數(shù)目的變化情況。

具體實施方式

以下結(jié)合附圖對本發(fā)明進(jìn)一步敘述：

考慮tdd-lte的兩層異構(gòu)蜂窩網(wǎng)絡(luò)系統(tǒng)，其中eicic的子幀和abs可以動態(tài)配置。ue指的是用戶設(shè)備(例如，移動設(shè)備)，并且演進(jìn)型基站(enodeb)執(zhí)行基站的無線資源管理，接納控制以及其他調(diào)度協(xié)調(diào)功能。

用戶模型：對于用戶下行鏈路傳輸，由ue根據(jù)在整個帶寬測量的接收信號強度來確定宏蜂窩和微蜂窩的最佳候選基站集。假設(shè)基站采用最大發(fā)射功率，并且用戶根據(jù)包括整個帶寬中的宏蜂窩和微蜂窩的所有基站的接收信號強度確定接入那個基站。因此，本發(fā)明從最壞的角度對eicic的能量效率進(jìn)行優(yōu)化。

干擾模型：為了得到sinr，將下行鏈路干擾區(qū)分為宏蜂窩與宏蜂窩干擾，宏蜂窩與微蜂窩的干擾，微蜂窩與微蜂窩的干擾三種類型，如圖1所示。宏蜂窩與宏蜂窩的干擾是由于大多數(shù)lte網(wǎng)絡(luò)中的1：1頻率復(fù)用引起。對于雙層tdd-lte，宏蜂窩和微蜂窩使用相同的帶寬，存在宏蜂窩與微蜂窩的干擾。微蜂窩使用相同的信道也存在相互干擾，即微蜂窩與微蜂窩的干擾。

eicicabs：對于宏蜂窩和微蜂窩共存的場景，提出的eicic主要用于宏蜂窩和微蜂窩之間的干擾協(xié)調(diào)。為了協(xié)助微蜂窩的下行鏈路的傳輸，宏蜂窩在幾乎空白子幀保持下行鏈路靜默，僅廣播控制信號。在本項發(fā)明中，本發(fā)明設(shè)計ee-eicic的abs配置，提高abs的能效利用率，并從能效的角度確定用戶接入和分配給用戶的子幀，如圖2所示。

sinr模型：基于干擾模型，得到sinr模型。然后通過香農(nóng)容量公式計算用戶的平均傳輸速率。對于基站間干擾圖，可以通過從基站間接收的信號強度大于給定的閾值或物理距離進(jìn)行確定。

sinr模型所使用的符號如下表

由于用戶在下行鏈路中僅接入單個宏蜂窩或微蜂窩，而不能同時接入宏蜂窩和微蜂窩。因此，可以將用戶分類為：接入宏蜂窩的用戶和接入微蜂窩的用戶兩種類型。對于接入微蜂窩的用戶，用戶可以在abs和non-abs上傳輸。對于接入微蜂窩的用戶，其干擾來自微蜂窩而不是來自宏蜂窩，因為宏蜂窩在abs中下行鏈路保持靜默。對于接入宏蜂窩的用戶，用戶僅在abs上傳輸，其中干擾主要來自微蜂窩和宏蜂窩。因此，用戶的sinr可以得到。

對于接入微基站的用戶，用戶u的下行sinr：

對于接入宏基站的用戶，用戶u的下行sinr：

然后，根據(jù)sinr模型得到用戶u的平均傳輸速率。

優(yōu)化變量和主要參數(shù)表示如下：

建模的優(yōu)化問題：本發(fā)明從三個方面進(jìn)行建模

1)用戶下行鏈路的能效接入，即從能效的角度，用戶接入最佳宏蜂窩或微蜂窩。

2)最佳的ee-abs分配，即在每個宏蜂窩中受到干擾的微蜂窩，通過干擾協(xié)調(diào)分配abs，降低微蜂窩受到宏蜂窩的干擾，從而提高系統(tǒng)的能效。

3)用戶的平均傳輸時間，即每個abs周期分配用戶子幀的時間比例，確定每個abs周期的用戶傳輸速率和能耗。

考慮用戶的最小速率要求，本發(fā)明最大化網(wǎng)絡(luò)的能效進(jìn)而建立優(yōu)化問題(op1，optimizationproblem1)，其中優(yōu)化變量通過優(yōu)化問題op1獲得ee-eicic算法。

xu(yu,a+yu,na)＝0(4)

xu≥0,yu,a≥0,yu,na≥0(9)

其中n⁺表示非負(fù)整數(shù)的集合。

約束(2)表示用戶的傳輸速率不能超過從宏蜂窩或微蜂窩獲得的時間比例，以及用戶的最小速率要求。約束(3)表示，用戶的能耗不能大于從宏蜂窩或微蜂窩的獲得的時間比例，以及用戶的最大功率限制。約束(4)表示用戶僅能接入單個宏蜂窩或微蜂窩，而不能同時接入。約束(5)表示在干擾集合ibs中abs子幀與non-abs子幀總數(shù)限制，其中ibs，bs∈{macro，pico}表示所有干擾微蜂窩和所有干擾宏蜂窩的集合。約束(6)表示從宏蜂窩分配給用戶子幀的時間比例小于總的non-abs子幀數(shù)nm。約束(7)表示從微蜂窩分配給用戶的abs子幀時間比例小于總的abs子幀ap。約束(8)表示從微蜂窩分配給用戶的子幀時間比例小于總abs周期nsf，也表示從宏蜂窩或者微蜂窩分配給用戶的子幀數(shù)小于總的可用子幀數(shù)。

備注1：約束(4)確保用戶僅接入單個宏蜂窩或微蜂窩，則op1是整數(shù)規(guī)劃問題。此外，由于(9)中的連續(xù)變量ru,pu,xu,yu,a,yu,na和(10)包含非負(fù)整數(shù)變量ap,nm，op1是混合整數(shù)規(guī)劃問題。對于op1的求解通常是np-hard問題。在本發(fā)明中，本發(fā)明設(shè)計低復(fù)雜度的次優(yōu)方法。

首先對進(jìn)行問題轉(zhuǎn)化，由于約束(4)和(9)，op1是一個混合整數(shù)規(guī)劃問題。然而，本發(fā)明消除約束(4)并松弛(9)到非負(fù)實數(shù)r⁺，但由于目標(biāo)函數(shù)的非凸性，op1仍然不是凸問題。本發(fā)明首先利用分?jǐn)?shù)規(guī)劃，對(11)結(jié)構(gòu)重新進(jìn)行變換。

在不失一般性的情況下，本發(fā)明假設(shè)ru＞0和pu＞0。為了簡單，本發(fā)明用ψ表示op1中的可行區(qū)域。所以

其中和分別是op1的最優(yōu)解。

為了解決op1，本發(fā)明給出以下命題1,其證明過程采用廣義分式規(guī)劃理論。

命題1：存在唯一的最優(yōu)解當(dāng)且僅當(dāng)

命題1表示本發(fā)明可以通過等價的問題(21)解決op1，即op2。然而，通常是未知的。通過求解(11)用更新參數(shù)η代替來獲得op1的最優(yōu)解。注意，對于給定的η(例如，在迭代k次的ηk)，通過算法1中求解的轉(zhuǎn)化后的優(yōu)化問題op2

s.t.(2)-(10)

算法1ee-eicic的迭代算法

步驟1：選擇誤差ε＞0和最大的迭代次數(shù)kmax；

步驟2：設(shè)置ee中和迭代次數(shù)k＝0；

步驟3：當(dāng)k≤kmax和convergence＝false

對于一個給定的求解問題op2。得到ee-eicic子幀的分配策略

如果則convergence＝true,返回最優(yōu)的ee-eicic的子幀分配策略和最大的否則設(shè)置和令k＝k+1。

其次采用松弛-取整的算法：在本發(fā)明中，本發(fā)明采用多項式時間的兩步方法來求解op2。首先，整數(shù)變量可以松弛為非負(fù)實數(shù)，從而得到凸規(guī)劃問題，便于求解。然后，通過舍入松弛問題的取整操作得到op3的可行解。詳細(xì)說明如下。

松弛：將op2松弛為op3進(jìn)行求解。通過忽略約束(14)和放寬nm和ap上的可行空間，得到op3。放松約束(9)后，nm和ap可以取非負(fù)實數(shù)。注意，去除約束(4)對該問題的影響主要在于用戶在下行鏈路傳輸中同時從宏基站和微基站接收無線資源。對于優(yōu)化變量op3建模為：

s.t.(2)-(3)和(5)-(9)

其中r⁺是非負(fù)實數(shù)的集合。

取整：在第二步中，對第一步求解的結(jié)果，適當(dāng)?shù)厣崛耄M(jìn)行取整操作，得到op3的可行解。

松弛算法

松弛op3是一個凸規(guī)劃問題，存在多種有效的方法求解。在發(fā)明中，本發(fā)明采用cvx工具來解決op3，定義為算法2。

取整算法

與松弛問題不同，用戶的下行鏈路僅能接入單個宏蜂窩或者微蜂窩，而不能同時接入。為了獲得op2的nm和ap的可行解，本發(fā)明采用舍入取整的方法，具體如下

其中floor表示向下取整，ceil表示向上取整。

然后，可以通過取整算法2的輸出來近似地確定可行解。取整和能效接入的詳細(xì)過程如算法3。

算法3包括三部分。首先，通過定義的取整函數(shù)獲得nm和ap整數(shù)值。其次，通過用戶速率和能量消耗之比獲得用戶的能效，比較來確定用戶下行鏈路能效接入。第三，通過填充可用的子幀來計算下行鏈路的每個用戶可用的平均時間比例，得到用戶的速率和能量消耗。計算出系統(tǒng)的能效

本發(fā)明的仿真結(jié)果

本發(fā)明采用計算機模擬的方法驗證所提出的方法?？紤]宏蜂窩和微蜂窩的重疊覆蓋在300m×300m的區(qū)域。宏基站的位于區(qū)域的中心位置，宏基站的密度為微基站和用戶的密度基于不同的場景設(shè)定，根據(jù)均勻分布產(chǎn)生，其中用戶和基站之間的最小距離不小于10m。本發(fā)明的仿真結(jié)果通過100次平均產(chǎn)生。

各個參數(shù)如下表所示：

算法的收斂性

在圖3顯示了一個宏蜂窩，兩個微蜂窩和三十個用戶的場景下，ee-eicic算法外循環(huán)的收斂次數(shù)，觀察到通常迭代十步可以完成收斂。對于ee-eicic算法的整體收斂速度，由于采用集中式方法實現(xiàn)，如cvx(即算法2)來求解給定因此，圖1顯示的收斂性也就是ee-eicic算法總體的收斂速度。

ee-eicic的性能

為了便于比較，對比如下兩種方法。

1)基于eicic的最大和速率優(yōu)化,表示為maxsumrate

2)基于eicic的最大效應(yīng)優(yōu)化，效應(yīng)函數(shù)為ln(ru),表示為maxsumlograte

本發(fā)明提出的方法:基于eicic最大能效優(yōu)化，表示為maxee。

圖4顯示了在宏基站數(shù)量為1，微蜂窩數(shù)量為2的場景下，用戶數(shù)量對系統(tǒng)能量效率的影響。從圖4可以看出，基于eicic最大能效優(yōu)化(maxee)相比maxsumlograte和maxsumrate有著顯著的能量效率增益。與maxsumrate和maxsumlograte相比，maxee可以將網(wǎng)絡(luò)能效平均提升9.52％和11.29％。特別地，隨著用戶數(shù)量的增加，提出的maxee可以獲得比maxsumlograte和maxsumrate更多的增益。因此，可以發(fā)現(xiàn)eicic需要從能源效率的角度進(jìn)行重新設(shè)計。

圖5顯示了在1個宏基站，30個用戶的系統(tǒng)中，微蜂窩數(shù)量對系統(tǒng)能量效率的影響。從圖5可以看出，提出的方案maxee相比maxsumrate和maxsumlograte的能效增長了23.44％和64.71％。此外，能效增益隨著微蜂窩的增加而增加，這意味著對于未來的超密集異構(gòu)蜂窩網(wǎng)絡(luò)，通過進(jìn)一步的資源分配可以獲得更大的能效增益，其中主要原因在于基站和用戶之間的距離變短，負(fù)載的動態(tài)調(diào)整。

在圖6中，本發(fā)明從網(wǎng)絡(luò)的能源效率，最佳用戶和最差用戶三個方面對比三種方案的系統(tǒng)能效性能。從圖6可以看出，可以看到maxee對于系統(tǒng)中的最佳和最差用戶仍然具有較大的能量效率增益。

在圖6中，本發(fā)明從網(wǎng)絡(luò)的能源效率，最佳用戶和最差用戶三個方面對比三種方案的系統(tǒng)吞吐量。與其他兩種算法相比，maxee獲得較低的網(wǎng)絡(luò)速率。這是由于maxsumrate最大化系統(tǒng)的速率，maxsumlograte在系統(tǒng)吞吐量和用戶吞吐量公平性之間取得了很好的折中。從圖6和圖7可以看出，與maxsumrate和maxsumlograte方案相比，maxee需要一定系統(tǒng)容量代價，從而獲得系統(tǒng)能效提高。

圖8給出了在30個用戶系統(tǒng)中，不同密度的微蜂窩對maxsumlograte和maxee的最優(yōu)幾乎空白子幀(abs)比例的影響。從圖8中可以看出，當(dāng)微蜂窩變得更密集時，maxsumlograte和maxee的abs比例增加，但是本發(fā)明所提出的算法maxee的abs比例大于maxsumlograte。這是因為微蜂窩具有更高的能量效率。maxee增加了微蜂窩的傳輸時間，abs將變大。當(dāng)微蜂窩密集度增加時，對于maxee更多的用戶接入微蜂窩中。因此，ee-eicic更能充分利用微蜂窩的優(yōu)點。