文摘

本文提出一种次优方法资源分配的大规模MIMO-OFDMA系统高速列车(HST)应用程序。优化问题是制定缓解严重的多普勒效应和最大化系统的能源效率(EE)。我们建议天线分配之间的解耦问题,副载波,传输能力和解决问题分别进行分配和迭代地以一种交流的方式。可以实现快速收敛的建议的方法在只有几个迭代。仿真结果表明,该算法优于现有技术的系统EE和吞吐量HST不同系统配置的应用程序。

1。介绍

最近开发和部署的高速列车(hst)都极大地提高了州际运输的效率和用户体验。然而,提供高数据速率和良好的服务质量(QoS)迅速乘客在不同信道条件和稀缺的带宽可用性是一个具有挑战性的任务1]。关键的挑战出现从hst之间的实时通信和固定基站(BS)。gsm - r,现有窄带铁路通信系统,如不适合hst由于通常低容量。5 g技术目前采用所谓的网络致密化方法,其中包括大量的基站的部署(BSs),增加网络覆盖和为用户提供更高的吞吐量2]。正交频时分多址(OFDMA)已经被广泛采用宽带通信,但沟通过程中存在严重的多普勒频移,因为高流动性,导致在信道估计的困难3),随后破坏性inter-carrier干扰(ICI) [4]。另一方面,增加天线的数量在发射器和接收器,也称为多输入多输出(MIMO),可以提高对ICI的鲁棒性。特别是,米姆与大量的天线增强已经得到越来越多的研究宽带无线通信的质量和可靠性。不幸的是,不是免费的好处。能源消费将大幅增加,随着天线数量的增加。预计MIMO-OFDMA平衡的节能资源分配频谱效率和能源效率(EE) [5]。

有很多的工作在静态和低速移动无线资源分配系统。在[6),据透露,可以节省网络能量,不重叠的频段分配给不同的细胞。在[7),提出了一种功率载荷算法最大化天线系统的情感表达。在[8),作者调查了下行平坦衰落OFDMA的节能带宽分配渠道和最大化的数量每焦耳比特传输,利用拉格朗日和分时技术。在[9),作者提出了一种混合结构的资源分配在OFDMA蜂窝系统,最大化EE和下行系统容量。拟议的结构,结合资源配置,改善EE和OFDMA系统容量。在[10),制定节能OFDMA系统的资源分配是混合非凸和组合优化问题,利用分步编程解决。在[11),研究了节能的空间和频率资源的配置为下行MIMO-OFDMA最大化EE系统没有信道状态信息(CSI) BS。然而,没有一个现有的作品考虑破坏性ICI。对hst的速度超过500公里/小时,快时变信道和严重的多普勒频移尚未解决,和高机动通信最重要的和极端的使用场景在未来第五代(5 g)移动通信网络(12- - - - - -16]。OFDMA资源分配策略是为快速变化的移动环境17),次优分配策略是在计算复杂性的重要成本。

也称为成雾,雾计算是一个架构,使用边缘设备进行大量的本地计算、存储和通信(18- - - - - -20.]。我们使用一个雾服务器b集中数据,数据处理和应用程序。雾服务器可以提高整体计算能力,这有助于在有效的资源分配和利用。

雾计算强调接近最终用户和客户目标,密集的地理分布和本地资源池、降低延迟,和骨干带宽储蓄。因此,我们使用这种技术来提供实用价值HST通信的实时实现。

本文旨在设计一种有效的资源分配策略来提高hst的通信性能。在分析了多用户MIMO-OFDMA下行系统,在系统量化流动性的影响。提出一个数学模型来最大化系统的情感表达。解决这一问题,提出了一种迭代算法的快速收敛。具体来说,我们建议天线分配之间的解耦问题,副载波,传播权力和解决问题分别进行分配和迭代地以一种交流的方式。可以实现快速收敛的建议的方法在只有几个迭代。仿真结果证明该方法的增益在EE和吞吐量方面,与现有方案相比。

剩下的纸是组织如下。我们提出的系统模型部分2拟订和解决问题感兴趣的部分3。节4提供仿真结果,紧随其后的是结论部分5。

2。系统模型

感兴趣的系统是一个多用户MIMO-OFDMA系统,如图1,那里有一个固定的BS配备传输天线( ),用户终端位于一个高水位。雾服务器使用的废话来帮助资源分配计算。每个用户的设备有一个接收天线。用户共享无线资源服务。每个用户的设备有一个接收天线。用户共享无线资源服务。不同的用户分配不同的OFDM子载波和不同的天线,鉴于大量传输天线。相干波束形成是在b产生物理梁向用户。

HST的速度会导致严重的多普勒频移。让表示复杂的BS和用户之间的信道增益在副载波 。副载波的总数 。上的知识可以在b是不准确的,因为快速变化的HST环境,因此估计错误。我们假设 在哪里是估计的废话,是一个独立同分布(先验知识)测量误差。产生一个复杂的高斯分布由于使用的最小均方误差(MMSE)估计。 和 在哪里副载波间隔和吗是最大的多普勒频移,可以写成 。是光速。是载波频率。分配给用户的传输功率吗在副载波 。 噪声功率谱密度(10]。

我们假设每个副载波都有一个平等的带宽 。因此,系统的总带宽 。我们还假设每个副载波分配同等传输能量;也就是说, ,在那里和副载波的数量和BS分配给用户的传输功率 ,分别。

多普勒频移可以妥协的OFDM子载波之间的正交性,导致ICI (22]。的速度 ,ICI在副载波的力量可以写成(23] 在哪里表示一个OFDM符号的持续时间。

如果 接收信噪比(信噪比)可以近似(17] 在哪里是天线的数量分配给用户的废话吗 。

多输入多输出信号可以实现渐近的基于随机矩阵理论(17]。具体来说,在均方渐近收敛于平均速度。可以替换为渐近速度平均数据速率。总用户的数据速率收敛于

我们也考虑非理想的电路功率BS。我们可以采用线性模型(24]的废话描述电路功耗,给出的 在哪里是功耗/有源天线,包括功耗的过滤、混合、功率放大、数模转换。是常数的一部分功耗BS和有源天线的数量无关。

3所示。优化问题制定

本文的目标是最大化的EE b,可作为制定 ,鉴于(5)和(6),BS的EE可以写成 向量 收集所有的副载波分配用户; 收集用户的天线配置;和 收集用户的权力分配。约束C1指定总传输功率约束 。C2指定最低每个用户的数据速率。C3和C4限制副载波的总数和天线,分别。

显然,问题(7)是一个组合的混合整数规划问题。的目的(7)也有部分表单变量在分母上的目标。这一切使(7非凸问题)赋权可怜的温顺。为了有效地解决这个问题,我们开发一个次优的解决方案,在副载波分配、天线、顺序和传输能力分别进行了优化,以一种交流的方式。

3.1。副载波分配

鉴于和 ,我们首先提出将副载波分配给最大化EE同时满足用户的最低数据速率。据的目的(8),副载波分配可以表示为 我们建议副载波分配基于EE的标准。首先,我们计算副载波分配给每个用户的数量根据用户的最低数据速率。然后,我们选择用户最高的情感表达和对用户分配一个副载波,一个又一个的用户,这重复,直到所有用户分配或副载波分配。拟议的副载波分配算法可以概括1。

3.2。传输功率和天线分配

考虑到副载波分配开发的部分3所示。1问题(7)可以部分编程问题对新配方和 ,是由(25] 这是混合整数规划。我们继续放松C4整数约束,也就是说,来 。是满足要求的最小数量的天线不间断传输的所有用户(10]。因此,(10)可以进一步的新配方 在哪里是问题的最优解(10)。

我们可以证明(11)是一个凹函数通过评估的海赛矩阵 ,所给出的 在哪里 , , 。海赛矩阵的行列式及其阶主要矩阵都是非负的。因此,海赛矩阵是半正定。因此,是严格凸的。因此,问题的目标函数(11)联合凹 虽然所有的约束是线性的。此外,(11Slater)收益率条件(26),因此拥有强大的二元性。对偶问题(11)和主要问题(11)零对偶间隙。

鉴于 ,拉格朗日函数可以写成 在哪里收集与约束C2和相关联的拉格朗日乘数法 ; 是拉格朗日乘子与约束C1。对偶问题(11)是由

鉴于 据马条件下,最优功率分配,用 ,和天线配置,用 ,可以获得的 在哪里 , , , , 。

次梯度法可以用来获得 以互动的方式,如给出的 在哪里 ; 的指数是迭代。 和 一步大小调整吗和 ,分别;和和拉格朗日函数的次梯度和 ,分别。

资源分配策略可以根据开发(15)- (17)。自 和 可以在(解耦15),(16)和(17),我们可以使用一种改进的坐标上升(CA)方法,在那里,在每个迭代中,我们第一次优化 ,鉴于 和 ,然后优化 ,鉴于 以一种交流的方式,直到收敛。鉴于 ,拟议中的传输天线和副载波分配算法进行了总结2。

最后,我们可以使用Dinkelbach方法(25)更新 。解决问题(11)可以概括算法3。

4所示。仿真结果

在本节中,我们模拟算法来验证其有效性,在块被认为是瑞利衰落通道。其它仿真参数表中列出1。我们注意到,该算法可以应用在任何信道条件下,如Rician衰落通道。

比较的目的,以下两个资源分配方案也刺激。

(1)乐队分配基于信噪比(BABS)算法(27:用于副载波分配。的权力分配和天线传输算法一样。

(2)EMMPA算法(28:该算法首先副载波分配均匀,然后分配剩下的副载波的用户信道条件最好的。该方案开发的(26)是用于传输功率和天线分配。

图2显示了该算法的收敛性与不同的传播力量, , , 公里/小时。看到,该算法EE的增加和快速稳定增长的迭代。EE之后可以达到的最大大约只有六个迭代。

图3情节系统EE和最大传输功率,在哪里 和 公里/小时。我们可以看到系统EE和最大传输功率增加。当传输能量足够大时,系统EE稳定。这是因为b不需要激活额外的天线或使用额外的权力当系统达到最大EE。图也表明,我们的算法执行芭布斯和EMMPA算法。系统EE EMMPA高于我们的算法因为EMMPA没有约束的,因此,有一个固定EE值。此外,EMMPA是一个无约束的问题,以最大化系统EE。我们算法的系统EE高于芭布斯算法的因为我们的方法是基于EE的最大化,而芭布斯是基于信噪比的最小化。

图4介绍了系统吞吐量和移动速度 ,在哪里 dBm和 。我们可以看到,增加时,系统吞吐量显著减少。这是因为ICI权力和信道估计误差越来越严重,因此越来越不利于通信质量。系统在我们的算法吞吐量大约是20.7%高于在芭布斯算法。EMMPA提供最低的吞吐量,因为它自然的无约束最优化最大化EE没有约束。巴布丝是最小化而分配副载波传输能量。的结论是,我们的算法可以显著提高吞吐量。

图5显示了系统EE和用户的数量 ,在哪里 dBm和 公里/小时。可以看出,系统EE随用户的数量。这是因为当副载波的数量是固定的,每个用户可以用较少数量的副载波分配,导致增加了传输能力以满足用户数据速率的要求。EMMPA没有对数据速率的需求,但是副载波分配给用户更好的信道条件下降,因此系统EE也减少。

5。结论

本文模型的资源分配策略多用户MIMO-OFDMA hst下行系统,副载波,传输功率,天线是共同优化。具体来说,我们提出一个迭代次优算法来优化系统EE快速收敛。的系统性能,仿真结果表明,EE和吞吐量都有所改善。此外,该方法能够快速稳定在若干次迭代,因此提供了实用价值HST通信的实时实现。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。没有额外的数据是可用的。

的利益冲突

作者宣称没有利益冲突。

确认

这个项目是由中国国家自然科学基金(批准号61771002)。