[发明专利]一种智能反射面Massive MIMO系统资源分配方法

说明书

本发明提供一种智能反射面Massive MIMO系统资源分配方法，包括：建立一个基于智能反射面的Massive MIMO系统模型；初始化量子蝴蝶群；根据全局搜索或局部搜索规则更新量子蝴蝶群的量子位置；计算适应度，根据选择机制确定量子位置，更新感官模态和幂指数；判断迭代是否终止，输出最优分配方案，若迭代次数已经达到设定的最大迭代次数，即t＝T，则终止迭代，将量子蝴蝶群的全局最优量子位置输出；否则令t＝t+1，返回继续执行步骤三；根据量子位置与位置之间的映射规则得到全局最优位置，进而得到基于智能反射面的Massive MIMO系统资源分配方法。本发明实现最优反射系数充分发挥智能反射面的性能极限来实现Massive MIMO通信系统各种资源的最优分配，从而提高系统的资源利用率及系统的容量。

技术领域

本发明涉及的是一种量子蝴蝶优化机制的智能反射面Massive MIMO系统资源分配方法，属于Massive MIMO通信技术领域。

背景技术

随着5G通信的不断推广，为了实现更高的信息传输速率和更可靠的数据传输，6G通信已经处于研究状态。Massive MIMO技术和智能反射面作为6G通信的潜在技术，尽管Massive MIMO技术具有高复用增益和分集增益、高空间分辨率等优点，然而Massive MIMO技术的应用仍存在一些问题，例如接收端用户数量的增加不仅使得网络很难覆盖到全体用户，而且会使整个系统的能量损耗较大。智能反射面是一种由大量低成本的被动无源反射元件所组成的平面，并且每一个元件都可以改变入射信号的相位来使用户更好地接收基站发送的信号。智能反射面的应用不仅能够解决Massive MIMO系统能量损耗过大、网络覆盖不均等问题，而且能够提高Massive MIMO系统的容量和信息传输效率，进一步提升MassiveMIMO系统的整体性能。

由于智能反射面成本低且能量损耗小，因此如何将智能反射面应用在不同的无线通信系统以解决实际的通信工程问题成为了一个热点。针对应用智能反射面的无线通信场景，Tao Zhou等在《2020IEEE 6th International Conference on Computer andCommunication》上发表的“Achievable Rate Maximization for Aerial IntelligentReflecting Surface-aided Cell-free Massive MIMO System”提出一种迭代优化策略设计各个接入点的功率分配、空中智能反射面的相移矩阵、各个接入点的波束成形向量来使用户的传输速率最大，但并未分析系统存在多个用户时的情况。李苗钰等在《西北工业大学学报》(2021,vol.39,no.2,pp.454-461)上发表的“一种面向物联网的智能反射面通信系统优化方法”提出了一种新的优化算法，将深度学习技术与智能反射面相结合，通过训练神经网络建立信道状态信息与智能反射面的最优反射系数矩阵之间的映射关系，实现智能反射面的实时重配置进而提升接收端的用户通信速率。但这种优化算法是建立在发射机与接收机均为单根天线的条件下，对于Massive MIMO系统并不适用。

通过查阅资料发现基于智能反射面Massive MIMO通信系统的相关文献比较少，基于智能反射面的Massive MIMO系统的研究仍有很大的空间。通过与现有的相关文献对比，尚未发现与本发明相同的智能反射面Massive MIMO系统资源分配方法，更未发现基于量子蝴蝶优化机制的智能反射面Massive MIMO系统资源分配方法。

发明内容

为了解决目前的基于智能反射面的Massive MIMO通信系统存在的问题，提出了一种系统资源分配方法，通过将蝴蝶算法量子化所得的量子蝴蝶优化(Quantum ButterflyOptimization Algorithm,QBOA)机制，实现最优反射系数充分发挥智能反射面的性能极限来实现Massive MIMO通信系统各种资源的最优分配，从而提高系统的资源利用率及系统的容量。

本发明的目的是这样实现的：步骤如下：

步骤一：建立一个基于智能反射面的Massive MIMO系统模型；