[发明专利]一种无线携能D2D网络的联合资源分配方法

说明书

本发明公开了一种无线携能D2D网络的联合资源分配方法，属于通信系统技术领域，本发明采用强化学习框架，智能地分配资源块以及功率分流比例，在基站和D2D最大发射功率以及蜂窝用户最低速率要求的约束下，最大化D2D能效，解决了传统算法无法处理复杂通信环境的困境，通信系统中D2D用户通过采用多智能体强化学习框架，对资源块和功率分流比例进行分配，解决以能效为目标函数的非凸问题。该发明可以提高D2D通信的总能效，实现更快的收敛速度。

技术领域

本发明属于通信系统技术领域，具体涉及一种无线携能D2D网络的联合资源分配方法。

背景技术

随着无线通信技术的飞速发展，现代生活已经离不开无线通信，其带来的便利不仅促进了经济的快速发展，也丰富了人们的日常生活，随着更多诸如直播、体感游戏等大流量短时延要求的业务出现，现有的网络越来越难以满足用户的体验，其中，频谱利用效率和能量效率对无线通信系统的性能有着较大的影响。

为了提高频谱资源利用效率、降低通信能耗，业界提出使用终端直连通信(Device-to-Device，D2D)技术来满足近距离通信需求。D2D通信技术通过在邻近设备之间建立直接的通信连接而不需要基站传输数据，D2D通信可以卸载基站流量，分担蜂窝小区基站的负载，也可以作为中继节点为小区边缘用户提供质量保障，扩展网络覆盖范围，此外，D2D通信链路收发端距离较近，可以显著提高能量效率，减少传输时延。

随着通信网络传输数据的增长以及传输速率的增加，通信带来的能量消耗也呈现飞速增加。考虑到目前阶段主要能源的不可再生性，本发明通过引入无线携能技术(SWIPT)，来进一步提高能量利用率。SWIPT实现了信息和能量的同时传输，该技术在高速信息传输的同时，可以提取传输信号所用能量有效地向终端设备馈电，某种程度上克服了传统通信终端仅仅依靠电池功能的限制，有效地延长了移动终端的续航时长。在SWIPT系统中，有限的射频资源被分成两部分使用，一部分流向解码器进行信息解码，一部分流向储能装置中存储。近年来，国内外关于SWIPT技术的研究越来越多，其最终目标都是寻找一个合适的射频资源分配策略以保证权衡。对于有限的射频资源，应该分配多少用于信息解码，分配多少用于能量存储，才能保证设备有足够能量供给来延长使用寿命的同时又具有较高的数据传输速率。

机器学习(Machine Learning，ML)作为一项应用前景广阔的新兴技术被越来越多的学者所研究。如今5G移动通信网络的应用更是离不开机器学习强有力的支持。机器学习根据学习方式分为监督学习、半监督学习、无监督学习以及强化学习(ReinforcementLearning，RL)四大类。不同于其他三类学习方式，RL的学习方法不需要完备的先验信息，智能体在与环境的交互过程中不断学习，最终找到最优策略。RL理论在解决动态规划、系统控制、决策等问题中发挥了关键作用，尤其在处理动态优化问题时，通过对变化环境不断“试错”式学习，最终获得最优方案。对于D2D无线携能通信系统中资源分配问题的研究，传输环境的多变性大大增加了资源分配策略的设计难度，RL理论在无线通信系统的应用为解决资源分配问题提供了全新的设计思路。

由于系统信道状态具有不确定性以及射频能量到达随机变化，传统算法需要全局的信息，这会导致大量的信令开销，且在没有完备先验信息的情况下无法实现能量效率的最优化，同时传统算法不适用于高复杂度的通信网络结构。

发明内容

发明目的：本发明的目的在于提供一种无线携能D2D网络的联合资源分配方法，实现更快的收敛速度。

技术方案：为实现上述目的，本发明采用如下技术方案：一种无线携能D2D网络的联合资源分配方法，包括如下步骤：

一种无线携能D2D网络的联合资源分配方法，包括如下步骤：

步骤1.构建一个无线携能D2D网络模型，宏基站将M个RB分配给M个蜂窝用户，N对D2D用户复用蜂窝用户的资源块，并且不同的D2D用户复用同一资源块，同时，配有能量收集电路的D2D用户还会对功率分流比例进行控制；