D2D通信的联合资源分配和功率控制方法

王　琼，乔　宽，杨中豪

(重庆邮电大学 通信与信息工程学院，重庆 400065)



D2D通信的联合资源分配和功率控制方法

王琼，乔宽，杨中豪

(重庆邮电大学 通信与信息工程学院，重庆 400065)

设备到设备(D2D)通信对未来蜂窝网络是一种很有前途的技术，它可以有效地提高系统的吞吐量和延长用户设备的电池寿命。然而，在蜂窝网络中，D2D通信共享频谱会造成干扰。为消除干扰，充分利用D2D通信的优势，提出了一个联合的频谱资源分配和功率控制(RAPC)方法，该方法能够实现总吞吐量最大化，同时保证D2D用户和蜂窝用户所需的最小速率。提出的资源分配和功率控制的优化问题，通过量子粒子群(QPSO)得到近似优化方案的最优解，其中的量子粒子代表资源分配和功率控制的方法，同时制定惩罚函数删除不可行的方法。仿真结果表明，该方法具有更好的性能、系统吞吐量、功率效率和最小速率比其他方法令人满意。

D2D通信；资源分配；功率控制；量子粒子群优化

0　引言

随着本地服务对更高的数据速率需求而增加，D2D通信被认为是组成蜂窝网络的一个插件，提高频谱利用率，增加细小区的容量，并减少能耗[1]。在D2D通信中，用户设备可以通过复用蜂窝资源的一个直联链路彼此传输数据信号，而不是在蜂窝网络使用上行链路或下行链路资源传输数据信号[1-2]。

虽然D2D通信带来大量的好处，但是由于资源复用也会干扰到蜂窝设备。因此，有效的干扰协调是D2D通信研究的一个重要问题。文献[1-3]研究了由于资源共享引起干扰，研究频谱共享和D2D用户功率控制有减轻干扰。文献[4-7]制定更有效的干扰协调方案，以保证目标在网络中的用户的性能。在文献[4]中，分析了资源优化配置和一个D2D用户和一个蜂窝用户以不同的资源共享模式的功率控制，结果表明，在有限的干扰情况下，通过适当的资源管理，D2D通信能够有效地提高系统的吞吐量。文献[5]提出了一个干扰的控制方案，一个D2D用户和多个蜂窝用户，在严格干扰约束的条件下，在下行采用干扰受限的区域控制方法，蜂窝用户在干扰受限的区域附近的没有预制。文献[6-7]研究了多个D2D用户复用蜂窝用户的频谱资源。文献[7]提出了一种贪婪的启发式资源分配算法，以减少基站(基站)的干扰。然而，在文献[6-7]中，每个D2D用户只可复用一个蜂窝用户的频谱资源。

为了最大限度地提高网络的实用性，研究提出比上述更灵活的频谱资源分配(RA)方法，其中一个蜂窝用户的资源可以由多个D2D用户共享，同理D2D对可复用多个蜂窝用户的资源。此外，功率控制被认为是减轻干扰，提高频谱效率考虑的方案。本文的目标是最大限度地提高系统的吞吐量，同时保证所有用户的最低速率请求。

本文使用了一种新的有效的群体智能方法称为量子粒子群优化算法(QPSO)求解优化问题，具有量子理论和粒子群优化(PSO)的优势[8]。但QPSO[8]只能解决离散优化问题。由于联合资源分配和功率控制问题是离散和连续变量的混合优化问题，所以提出了一个新颖的量子粒子群来解决。据我们所知，没有任何现有的研究应用QPSO算法，解决蜂窝网络中D2D通信的联合资源分配和功率控制的问题。

1　网络模型和问题描述

文中，考虑的是共享蜂窝网络的上行链路(UL)资源的方案，如图所示1，其中D2D用户可以重用蜂窝用户的资源块(RB)。假设D2D通信与蜂窝通信共用同一个资源。因此，需要的D2D通信对蜂窝网络的干扰被限制在保持蜂窝网络的目标性能水平。该BS的所有链路具有完美信道状态信息(CSI)，基于CSI可用的资源被分配给所述蜂窝用户和D2D对。

图1　蜂窝网络中D2D通信系统模型

(1)

(2)

式中，gm和gn,m分别代表蜂窝用户到BS信道增益和D2D对n的发射机对蜂窝用户m产生的干扰增益。同时，gn和gm,n分别表示D2D对n的信道增益和蜂窝用户m对D2D对n的接收机的干扰增益。pm,k和pn,k分别表示蜂窝用户m和D2D对n在第k个RB上的发射功率。ym,k表示一个二进制变量，满足ym,k=1的在第k个RB分给蜂窝用户m。类似的，yn,k=1是第k个资源块RB分配给D2D对n。σ2为热噪声功率，B为一个RB的带宽。

目标是最大限度地提高蜂窝用户和D2D对的总速率，可以表述如下：

(3)

(4)

(5)

(6)

(7)

(8)

(9)

这个问题可以归结为一个混合整数规划(MIP)包含连续变量和整型变量。由于其复杂性，量子粒子群优化(PSO)算法来找到有效地接近最佳的解决方案。

2　QPSO算法的资源分配和功率控制

在这部分中，对基于QPSO算法的联合资源分配和功率控制方案。首先，介绍了算法的概念。然后，研究如何利用量子粒子群算法求解优化问题。

2.1量子粒子群优化

量子粒子群优化(QPSO)是一种高效的优化算法，通过改进的PSO算法[9]。它是由一组量子粒子集的社会行为启发。每一个量子粒子代表的候选解决方案的问题，通过多维搜索空间，找到最优解或子最优解。量子粒子群算法采用量子编码，称为量子比特，对于概率描述，量子速度和量子位置被定义为量子比特的一个字符串。在QPSO算法一个量子比特定义最小信息单位，表示为一对组合号码(α,β)，|α|2+|β|2=1。|α|2和|β|2分别表示是随机数0和1的概率。如果粒子群有I个量子，并且每个量子粒子i是J维。量子i在t时刻的位置和速度在被定义为：

(10)

(11)

量子粒子的位置i在第(t+1)次迭代时根据下式更新：

(12)

量子速度的演化过程主要是通过量子旋转门进行的：

(13)

设计简单和高效的QPSO算法，定义αij和βij是一个实数，并且，0≤αij≤1和0≤βij≤1。因此，所以等式(10)、式(11)和式(13)可以被下式代替：

Xi=[xi1xi2··· xiJ]=[αi1αi1···αiJ]，

(14)

Vi=[vi1vi2··· viJ]=[αi1αi1···αiJ]，

(15)

(16)

(17)

(18)

式中，c是一个变化概率，是一个常数。

2.2基于QPSO算法的资源分配和功率控制

文中，资源分配和功率控制方案中定义的量子粒子位置：

(19)

式中，xik和xi(K+k)，k∈Κ被蜂窝用户或者D2D对映射那个将获得RB资源块k。以这种方式将会满足等式(4)、式(5)。m∈Μ表示蜂窝用户m的发射功率，同时，xi(2K+M+n)，n∈N表示D2D对的发射功率。

在资源分配和功率控制方案中量子粒子位置的映射规则可以描述如下：

x'ij=li+xij(ui-li)，

(20)

式中，li是第i维时刻的较低下限，ui是第i维时刻的较高上限。总之，xij,li=0，ui则为：

(21)

(22)

式中，G(x)是接近x的整数。相应的函数的定义如下：

(23)

式中，惩罚因子μ>0，是删除不可行的方案。惩罚函数P保证了等式(8)和(9)，如下式：

(24)

QPSO-RAPC算法步骤如下：

初始化：设置T为最大的迭代数，J为粒子数。基于量子编码机制随机产生一个初始粒子群。

For t=1:T

For j=1:J

根据式(20)、式(21)和式(22)映射量子位置

根据式(23)和式(24)进行适当计算。

END

更新每个量子粒子的局部最优位置。

更新整个量子粒子群的全局最优量子位置。

根据式(12)、 式(17)和式(18) 更新量子位置和速度。

END

根据式(20) 、式(21) 、式(22)将全局最优量子位置转换为资源与功率分配方案。

3　仿真结果与分析

在这一部分，D2D通信在一个单一的蜂窝网络中，是一个矩形的面积为500 m×500 m。基站BS位于该区域的中间，蜂窝用户和D2D对均匀分布在该小区。D2D通信发射机和接收机之间的距离为50 m的范围内。信道增益包括路径损耗和瑞利衰落。两个节点之间的路径损耗建模为g=(d)-4，其中，d是两个节点之间的距离[5]。基站BS和D2D接收机之间的噪声功率-174 dBm/Hz。为简单起见，蜂窝用户和D2D用户发射功率都设23 dBm，并且要求所有用户的最小速率是相同的。可以利用的资源块RBS为15，其中每个资源块的带宽是180 kHz。对于PSO和QPSO，粒子数J=20，最大的迭代次数为100。对于PSO方案，参数设置按照文献[8]进行设置。对于QPSO方案，加速系数b1=0.3和b2=0.7。转变的概率为c=1/400。数值结果平均超过1 000个场景。在仿真过程中，比较了本文提出的QPSO-RAPC方案和以下一些方案：PSO是基于资源分配和功率控制方案(PSO-RAPC)，QPSO是基于资源分配(PSO-RA)方案和贪婪启发式(HEURISTIC)方案[6]。对于QPSO-RAPC和PSO-RA最优化问题的维数为2K。比较了该系统的适应性、系统吞吐率、功率效率和最小速率的保证率。

不同方案的迭代曲线如图2所示。所需的最小速率设置为1.5 Mbps。可以看到，有功率控制的方案比没有功率控制可以实现更快和更高的收敛性能，这是因为适当的功率控制可以减少干扰。QPSO-RAPC和QPSO-RA分别优于PSO-RAPC和PSO-RA，因为量子粒子群算法(QPSO)比PSO算法具有更好的能力寻找最优解。当迭代次数小时，由于罚函数是负的。

图2　不同迭代次数下方案的适性

从图3可知，所有方法的性能随着最小速率要求的增加而劣化，因为系统的总吞吐量下降，来保证用户的最小速率。除了当最小速率大于3 Mbps,采用RA法方案优于启发式(HEURISTIC)的。RAPC方案比RA方案更高的吞吐量，因为适当的功率控制可以减少蜂窝用户和D2D用户之间的干扰，从而提高了吞吐量。很显然，基于QPSO算法的方案基于PSO的方案有更高的吞吐量。

图3　比较不同最小速率需求的系统吞吐量

图4说明了不同方案的功率效率。在这里，所需的最小速率设置为1.5 Mbps。功率效率被定义为系统的吞吐量和系统功耗的比率。RA方案的功率效率高于启发式的功率效率，很明显含有功率控制的方案能大大提高了系统的功率效率。这是因为不考虑功率控制时，蜂窝用户和D2D用户用全部的功率进行传输。此外，基于QPSO算法的性能优于基于PSO的方案，验证了该方法的有效性。

图4　比较不同方案的功率效率

图5显示的是所有方案的最小速率的保证率，随着最小速率的增加而减小。这是因为，最低速率可能会超过系统所能提供的。使用PSO和QPSO所有的方案算法，最小速率变化从1.5～3.5 Mbps时，保证率在80%以上，在用户保证率相同时，与其他方法相比启发式(HEURISTIC)性能最差。这是因为资源复用的方法缺乏灵活性，一个D2D对只能复用至多一个蜂窝用户的RBs。

图5　比较不同方案的最小速率保证率

4　结束语

基于蜂窝网络提出了一个基于QPSO算法的联合资源分配和功率控制的D2D通信方案。D2D用户可以复用蜂窝用户资源。该方案实现吞吐量最大化，同时满足蜂窝用户和D2D用户所需的最小速度。仿真结果，表明在系统吞吐量、功率效率和最小速率保证率上，本文提出的方案比其他方案优越。

[1]Dahlman E,Mildh G,Parkvall S,et al.Design Aspects of Network Assisted Device-to-device Communications[J].IEEE Communications Magazine,2012,50(3):170-177.

[2]Phunchongharn P,Hossain E,Kim D.I.Resource Allocation for Device-to-device Communications Underlaying LTE-advanced Networks[J].IEEE Wireless Communications,2013,20(4):91-100.

[3]Yu C H,Tirkkonen O,Doppler K,et al.Power Optimization of Device-to-device Communication Underlaying Cellular Communication[C]//IEEE International Conference on Communications (ICC 2009),Jun.2009:1-5.

[4]Yu C H,Doppler K,Ribeiro C B,et al.Resource Sharing Optimization for Device-to-device Communication Underlaying Cellular Networks[J].IEEE Transactions on Wireless Communications,2011,10(8):2752-2763.

[5]Min H,Lee J,Park S,et al.Capacity Enhancement Using an Interference Limited Area for Device-to-device Uplink Underlaying Cellular Network[J].IEEE Transactions on Wireless Communications,2011,10(12):3995-4000.

[6]Zulhasnine M,Huang C,Srinivasan A.Efficient Resource Allocation for Device-to-device Communication Underlaying LTE Network[C]//IEEE Wireless and Mobile Computing,Networking and Communications (WiMob 2010),Oct.2010:368-375.

[7]Feng D,Lu L,Wu Y Y,et al.Device-to device Communications Underlaying Cellular Networks[J].IEEE Transactions on Communications,2013,61(8):3541-3551.

[8]Cao J,Zhang T,Zeng Z,et al.Multi-relay Selection Schemes Based on Evolutionary Algorithm in Cooperative Relay Networks[J].International Journal of Communication Systems,2014,27(4):571-591.

[9]Kennedy J,Eberhart R.Particle Swarm Optimization[C]//IEEE International Conference on Neural Networks,1995,4(2):1942-1948.

[10]Lee D H,Choi,Jeon W S,et al.Two-stage Semidistributed Resource Management for Device-to-device Communication in Cellular Networks[J].IEEE Trans.Wireless Communications,2014,13(4):1908-1920.

[11]Li Y,Jin D,Yuan J.Coalitional Games for Resource Allocation in the Device-to-device Uplink Underlaying Cellular Networks[J].IEEE Trans.Wireless Communications,2014,13(7):3965-3977.

[12]Hoang T D,Le L B,Ngoc T L.Resource Allocation for D2D Communications Under Proportional Fairness[C]//IEEE GLOBECOM,Dec.2014:1259-1264.

Joint Resource Allocation and Power Control Scheme for D2D Communication

WANG Qiong,QIAO Kuan,YANG Zhong-hao

(School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China)

Device-to-Device (D2D) communication is a promising technique for future cellular networks which can improve the system throughput and extend the battery lifetime of user equipments.However,enabling D2D communications in cellular networks causes interference because of spectrum sharing.In this paper,to mitigate the interference and make full use of the advantage of D2D communications,a joint spectrum resource allocation and power control (RAPC) scheme is proposed to maximize the total throughput while guaranteeing the minimum required rate for both D2D users and cellular users.The optimization problem of resource allocation and power control is formulated and the near-optimal solution is obtained by quantum particle swarm optimization (QPSO) method,in which the quantum particles represent the solutions of resource allocation and power control.A penalty function is formulated to delete the infeasible solutions.Simulation results show that the proposed scheme has a better performance on system throughput,power efficiency and minimum rate than other schemes.

Device-to-Device communication; resource allocation; power control; quantum particle swarm optimization

10.3969/j.issn.1003-3114.2016.05.05

引用格式：王琼，乔宽，杨中豪.D2D通信的联合资源分配和功率控制方法[J].无线电通信技术,2016,42(5):18-22.

2016-06-10

新一代宽带无线移动通信网科技重大专项(2012ZX03000112-002)：国家高技术研究发展计划(863计划)(2014AA01A706)

王琼(1973—)，女，正高级工程师，主要研究方向：无线通信。乔宽(1988—)，男，硕士研究生，主要研究方向：信息与通信工程。

TN929.53

A

1003-3114(2016)05-18-5