[發明專利]一種分布式多智能體的無線資源分配方法

在審

• 申請號: 202211277468.6
• 申請日: 2022-10-18
• 公開（公告）號: CN115589604A
• 公開（公告）日: 2023-01-10
• 發明（設計）人: 陳明;徐璐瑤
• 申請（專利權）人: 東南大學
• 主分類號: H04W24/02
• 分類號: H04W24/02;H04W24/06;H04W28/22;H04W72/04
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 秦秋星

1.一種分布式多智能體的無線資源分配方法，其特征在于，包括如下步驟：

步驟A：建立和速率最大化模型，該和速率最大化模型A1表述為：

約束條件：

其中，x＝(x₁,…,x_n,…,x_N)為所有智能體的載波分配狀態矢量，N為智能體個數，p＝(p₁,…,p_n,…,p_N)為所有智能體的載波功率分配狀態矢量；為智能體n接納的用戶集合，表示智能體n接納的用戶數；為智能體n的載波分配狀態矢量，是這個用戶的編號，為智能體n的載波功率分配狀態矢量；I為每個智能體的OFDM頻帶數目，K為每個頻帶中的正交子載波個數；為用戶m與智能體n的載波分配狀態矢量，定義(i,k)表示第i組的第k個子載波，為用戶m使用第n個智能體的第(i,k)個子載波的指示變量，若表示使用，否則B為OFDM頻帶帶寬，為用戶m在第n個智能體的第(i,k)個子載波上的信道增益系數；表示用戶m在第n個智能體的第(i,k)個子載波上獲得的發射功率，用戶m與智能體n的功率分配狀態矢量表示為表示除了智能體n以外的其它所有智能體的信道增益系數的絕對值的平方之和，則表示在當前智能體n′的所有連接用戶中，使用了第(i,k)個載波的所有功率之和，而則表示，與智能體n的第(i,k)個載波造成的同頻干擾的噪聲功率和；σ²表示高斯白噪聲功率；為用戶m對智能體n選擇的指示變量，其中，ε(·)是單位階躍函數；約束條件C1表示每個用戶至多連接一個智能體，但每個用戶至少選擇一個子載波；為用戶m與智能體n的接入指示變量，其中表示用戶m對智能體n的接入電平，其取值范圍為{0}∪[γ₀,γ₁]；當表示用戶m對智能體n可接入，否則表示用戶m對智能體n不可接入；約束條件C2表示由于智能體n上的子載波被用戶m使用，則用戶m必須與智能體n可連接；約束條件C3表示每個智能體的每個子載波最多只能分配給一個用戶，其中，M為用戶個數；P₀為智能體的額定發送功率，約束條件C4表示所有智能體內所有用戶的發送功率和均不大于P₀；約束條件C5表示只有當時，對應載波(i,k)的功率才不為0；

步驟B：求解所述和速率最大化模型A1，具體步驟如下：

步驟B-1：確定智能體n連接的用戶集合該集合需滿足如下條件：

1)

2)當n≠n′時，

記是只能與智能體n建立連接的待分配用戶集合，是與智能體n以及其它至少一個智能體建立連接的待分配用戶集合；按照如下過程確定智能體n的接入用戶集合

步驟B-1-1：智能體n將其所有可接入用戶的信息廣播出去，同時還需把中對本智能體的接入電平廣播出去；

步驟B-1-2：所述智能體n將中的用戶加入到用戶集合內；

步驟B-1-3：所述智能體n檢查若不為空，則將中的任意一個用戶，記為q，設其可接入的智能體序號為其中為可接入的智能體數目，且該用戶q的所有可接入智能體的接入電平為然后選擇負載最小的智能體其表達式為：其中，α＞0為可調參數；函數arg min(·)表示找到一個變量使得括號內的函數值最小；從而為每個智能體確定了其連接的接入用戶集合

步驟B-2：分配功率與子載波；

步驟B-2-1：初始化功率與子載波；

步驟B-2-1-1：子載波的功率均初始化為子載波平均功率：P₀/IK；

步驟B-2-1-2：子載波的分配狀態矢量x_n的初始值，按照如下方法獲得：

步驟B-2-1-2-1：將模型A1轉換為關于載波分配狀態矢量x_n的模型B1，所述模型B1為：

約束條件：

其中，參數在p_n為載波平均功率時，為常數；

步驟B-2-1-2-2：求解模型B1，按照如下方法進行載波分配：函數argmax(·)表示找到一個變量使得括號內的函數值最大；

步驟B-2-1-3：從而得到載波分配狀態矢量x_n與功率分配狀態矢量p_n的初始解；

步驟B-2-2：將模型A1拆分，分別得到優化載波分配狀態矢量x_n的模型A2和優化功率分配狀態矢量p_n的模型A3；

步驟B-2-2-1：所述優化載波分配狀態矢量x_n的模型A2表述為：

約束條件：

其中，在已知時，為常數；

步驟B-2-2-2：所述優化功率分配狀態矢量p_n的模型A3表述為：

約束條件：

步驟B-2-2-3：對模型A3進行凸近似，將模型A3展開為模型A4，模型A4表述為：

約束條件:

步驟B-2-2-4：將模型A4中目標函數的在處進行泰勒公式展開為：

步驟B-2-2-5：經過凸近似之后的模型A5表述為：

約束條件:

步驟B-2-3：迭代求解模型A1，所述模型A1的求解方式為：使用匹配理論的方法求解模型A2，得到子載波分配狀態矢量x_n；使用對偶次梯度迭代方法求解模型A5，得到功率分配狀態矢量p_n；在第t次迭代中，求解過程如下：

步驟B-2-3-1：使用基于匹配理論的方法求解模型A2，得到第t次迭代過程中，智能體n的載波分配狀態矢量x_n[t]，其中x_n[t]表示第t次迭代得到的x_n的值，即x_n[t]＝x_n；

步驟B-2-3-2：x_n＝x_n[t]，將x_n代入到模型A5中；然后采用對偶次梯度迭代方法求解模型A5，該方法求解過程如下：

步驟B-2-3-2-1：對模型A5中的目標函數引入拉格朗日函數為：

其中β為對偶乘子，其值β≥0；

步驟B-2-3-2-2：采用二分法求得的零點，該零點記為

步驟B-2-3-2-3：根據次梯度迭代法將對偶乘子β按如下表達式進行更新：令β＝β′，其中ρ0為可變步長，函數

步驟B-2-3-2-4：交替優化對偶變量β和原始變量直到模型A5的目標函數的值保持不變，從而得到第t次迭代過程中的智能體n的功率分配狀態矢量p_n[t]，p_n[t]表示第t次迭代得到的p_n的值，即p_n[t]＝p_n；

步驟B-2-4：x_n＝x_n[t]，p_n＝p_n[t]，將x_n和p_n代入到模型A1中，并計算模型A1目標函數的值，當模型A1目標函數的值不再變化時，迭代方法終止，輸出結果x_n和p_n；否則進行下一輪迭代。