先进的通信模型和服务智能的世界
把这个特殊的问题
研究文章| Sang-Seon Byun、季Kansanen Ilangko Balasingham, Joon-Min吉尔实现公平的频谱分配和降低无线传感器网络的频谱切换:通过Biobjective优化建模
文摘
本文考虑了无线传感器网络的集中式频谱分配问题实现以下目标:(1)最大化公平,(2)反映传感器数据之间的优先级,和(3)避免不必要的频谱切换。我们把这个问题变成一个多目标混合整数非凸非线性规划,绝对是难以解决全球至少没有任何援助的转换或近似。解决这个棘手,我们首先使用算术几何平均convexify原问题的近似和对数变化决策变量,然后部署加权切比雪夫norm-based数值方法以崩溃多目标问题转化为单目标。最后,我们应用简单的舍入方法,以获得近似整数解。数值实验的结果表明,通过调整体重在每个目标函数,该算法分配频谱的乐队很好观察每个传感器的优先级和减少频谱的传递。
1。介绍
分配和使用无线电频率谱的需求快速增长是由于越来越多的无线和移动通信的应用程序,在该行业已经达到了目前的静态频谱分配的局限性。然而,实际测量说明稀缺不重使用光谱的结果。这仅仅是由于低效率的静态频谱分配所追求的监管机构(
动态频谱分配可能解决这个悖论通过打开分配,但很少使用,二次用户频谱资源(
这样的动态频谱接入方案可以考虑无线传感器网络(网络)。典型的资源受限的传感器网络是由负责监控物理现象和报告沉点。网络的一个主要目标是及时和并发传输监测结果,不使用大量的网络资源。等一系列重要实现动态频谱接入变得非常及时和并发传输网络;例如,在传感器网络实时监测系统(
1.1。公平分配空闲频谱
如果太多的传感器试图同时传输数据,当前的空闲频谱资源可能不足以支持所有传输。在这种情况下,应该尽可能公平地分配稀缺的频谱资源;此外,有必要优先传输。这可以通过最大化
1.2。避免不必要的频谱切换
网络的另一个主要目标是长时间的功能。然而,动态频谱访问会导致在每个传感器由于补充能源消耗 在蜂窝网络动态频谱分配的问题已被广泛研究。各种集中式或分布式算法进行了总结和比较 在分布式方案,每个二级用户彼此竞争访问可用的频谱资源。因此每个用户应该有能力探测光谱的机会和确定一个最优策略,最大限度地提高它的好处(例如,数量的光谱波段)。如果分布式部署方案基础上,所有的传感器都应该拥有一个完全操作认知无线电。然而这不是可行的实现的全部功能认知无线电等能源有限公司的传感器节点。因此,在一个中等规模的基础,传感器不分布广泛,例如,医疗系统在重症监护室,分布的集中方案者优先。
在本文中,我们考虑问题的集中式频谱分配在一个中等大小的基础上;也就是说,所有的传感器都位于一个细胞或分段边界。我们假定传感器,将立即传输数据或在不久的将来,请求频谱资源专用的协调员。然后协调分配每个传感器频谱资源: 我们的方法来解决这个问题总结如下。首先,我们原配方转化为一个凸通过quasiequivalent形式 本文的其余部分组织如下。节 在[ 有许多研究文献,调查了集中式频谱分配。下面我们列举一些。
在[ 在[ 在[ 在[ 在[ 在[ 在[ 比较上述相关工作,可以突出我们的主要贡献如下。我们考虑频谱切换的问题,这意味着问题是制定具有离散变量。已经建立了一个单独的目标函数的频谱切换而不是表达作为一个约束为了得到一些积极的解决方案。(如果我们包括频谱切换在约束集,光谱传递的数量将有界参数,不能调整在解决问题以达到降低频谱的传递。因此,如果决策者预计活动改进同时在两个或两个以上的目标只有一次性解决问题,这是不可避免的建模问题变为一个拖把。 我们制定作为MO-MINLP集中式频谱分配问题。描述制定之前,以下假设。 基于上述假设,MO-MINLP可以描述如下。
参数(我)
:设置传感器,请求光谱传输单位。(2)
:设置空闲频谱的单位。(3)
(二进制):它表明谱单元 决策变量(我)
(二进制):它表明传感器 目标。考虑以下: 根据定义在[ 因此,通过最大化 通过最大化 不像一般的公平“率”分配方案( 然而,问题是棘手的由于其nonconvexity和离散变量。出于这个原因,我们操纵目标函数并应用一系列的近似。
从今以后,我们只表示的单目标优化问题的目标函数 我们开始放松整数约束的凸化过程;也就是说,我们下降( 我们把原来的函数 目标。考虑以下: 尽管如此,新配方没有凸优化( 目的是凝聚 冷凝目标函数 作为凸化的完成 上述配方使 为解决拖把,最普遍的方法之一是数值 我们考虑一个拖把与决策变量的向量 目标。考虑以下: 首先,我们每个正常化 目标。考虑以下: 我们可以设想目标函数的线性组合,如 如果我们表示 目标。考虑以下: 不管凸性和线性整数约束的问题一般很难解决。在本文中,我们使用一个简单的舍入方法介绍( 在步骤2中,我们首先解决NLP轻松convexified问题。在步骤3中,舍入和舍入距离执行 虽然舍入算法非常有效,易于实现,它经常产生不可行的解决方案。让事情更糟的是,它是极难适应全面解决方案的约束。但是我们注意到,它适用于我们的问题,因为所有的目标函数和约束涉及指数函数,这意味着NLP解决者倾向于产生平分成非常小的或大的变量值以寻求最大(或最小)的结果。为了说明这一现象,我们选择了一个小型的感应器拓扑5传感器均匀分布在一个20 m×20平方20空闲频谱并承担单位。我们计算NLP轻松解决的所有问题,并把它们在图1.3。集中式频谱分配
2。相关工作
3所示。问题公式化
4所示。解决棘手问题
4.1。凸化的
以下4.4.1。凸化的
步骤1。产生初始可行解向量
步骤2。对所有
和
步骤3。浓缩目标函数
步骤4。解决由此产生的NLP。
第5步。终止
转到第2步解向量 4.1.2。凸化的
4.2。多目标优化问题的数值
4.3。舍入算法
步骤1。best_sol:= 0;
old_sol:= 0;
:=
:=
步骤2。 解决NLP放松向量问题的解决方案
步骤3。 为每一个
开始
如果
:=
其他的
:=
结束
步骤4。 检查的原始问题的可行性
如果不是可行的
:=
转到步骤
;
结束
第5步。 计算整数解
(1)
int_sol:=
(2)
int_sol:=
(3)
int_sol:=
在哪里
步骤6。 如果(
best_sol:=
步骤7。 为每一个
开始
如果
:=
结束
步骤8。 如果(
终止算法;
其他的
old_sol:=
转到步骤
;
(一)
(b)
(c)

(一)
(b)
(c)