论文部分内容阅读
随着移动通信技术的不断发展,通信系统终端设备数目与各种数据业务的资源分配需求呈现爆炸式增长,这给网络资源有限的第五代通信网络（5th Generation Mobile Networks,5G）带来了 巨大的挑战,同时进一步增加了 5G网络资源优化的复杂性。首先,当前的移动通信网络正处于由第四代通信网络（4th Generation Mobile Networks,4G）向5G网络转变的特殊时期,许多新通信技术和通信领域不断涌现,通信网络场景不断被细化,传统的资源优化方式已经难以全面适应这些新技术与场景,并更难以满足未来通信系统海量化、多样化的用户连接需求。另外,在5G网络部署中使用大规模MIMO（Multiple-Input Multiple-Output）天线技术来提升系统容量和频谱效率（Spectral Efficiency,SE）,但是激活大规模天线阵列需要配备大量的射频（Radio Frequency,RF）链,价格非常昂贵并功耗量大,这增加了通信系统硬件设计的复杂度,同时提高了系统的硬件成本和功耗。本文以资源优化为主要手段对5G大规模多MIMO系统容量,能耗和成本进行优化,利用凸优化理论、拉格朗日对偶方法以及多种优化算法等数学方式对下行联合天线选择和用户调度、联合波束分配和功率优化、联合资源分配及功率优化等问题进行了深入研究并提出了相对应的解决方案和算法,从而实现了 5G大规模MIMO系统中的频域资源、空间资源和能量资源的联合优化。本文的创新性工作和具体贡献如下:1.研究了 5G大规模MIMO系统联合天线选择和用户调度问题。针对5G大规模MIMO系统大量RF链导致较高的硬件成本和系统功耗问题,本文提出了基于自适应马尔可夫链蒙特卡罗（Adaptive Markov Chain Monte Carlo,AMCMC）的联合天线选择和用户调度（Joint Antenna Selection and User Scheduling,JASUS）算法。AMCMC方法仅选择一部分基站天线来服务小区中选定的活跃用户,从而减少RF数量,节约硬件成本,并关闭不必要的基站天线以降低系统功耗。仿真结果显示,相比传统的穷举搜索（Exhaustive Search,ES）算法,本文所提出的方案能够显著降低计算复杂度,并且具有与ES算法非常相近的系统容量性能。当SNR等于20dB时,ES方法和本文提出的AMCMC算法约获得的系统容量分别为50.7 bits/s/Hz和49.9 bits/s/Hz,性能非常相近。因此,本文提出的算法在实现5G大规模MIMO系统中的空间资源和能量资源联合优化的同时,降低了硬件成本和系统功耗,并实现了近似最大的系统容量。2.研究了 5G大规模MIMO系统联合波束分配和功率优化问题。针对毫米波频段下大规模MIMO系统中的波束间干扰而导致的用户服务质量下降和传统的等功率波束分配方案无法充分利用系统能源而导致的能源浪费问题,本文提出了面向毫米波大规模MIMO系统中最大化系统能效（Energy-Efficiency,EE）的联合波束分配和功率优化算法。首先,将优化目标问题建模为一个多变量混合整数非线性规划问题,然后由于目标问题的非凸性,将待优化的目标问题分解为波束分配和功率优化两个子问题。针对波束分配问题,利用了凸优化方法获得最优波束分配策略,实现了 一个波束只跟一个用户相互关联的方案,从而解决了波束间干扰导致的用户服务质量下降问题;针对功率优化问题,通过结合使用Dinkelbach辅助变量和二次变换等方法,将分式形式的非凸问题转换为凸问题,然后利用拉格朗日对偶方法和次梯度下降方来获得最优解,解决了等功率波束分配方案无法充分利用系统能量而导致的能量浪费问题。仿真结果表明,与ES算法相比,本文提出的算法能够以低计算复杂度接近ES算法的系统EE性能。当发射功率为30dBm时,通过ES算法和本文提出的算法分别获得了大约30.98 bits/J/Hz和30.86 bits/J/Hz的系统EE值,性能非常相近。另外,在系统用户服务比率上,本章提出算法比贪婪波束分配和次优波束分配方法更优。因此,本文提出的算法能够实现毫米波频段下大规模MIMO系统中的空间资源和能量资源的联合优化,同时提高了系统的EE,提升了系统平均用户服务比率,降低了系统成本和功耗。3.研究了 5G大规模MIMO系统联合资源分配和功率优化问题。针对毫米波频段下大规模MIMO下行系统中的联合资源分配和功率优化（Joint Resource Allocation and Power Optimization,JRAPO）问题,本文提出了一种最大化系统EE的JRAPO方案。首先,将优化目标问题建模为多变量混合整数非线性规划问题。其次,因目标问题是非凸的,通过松弛化资源块（Resource Block,RB）分配因子来将非凸的目标问题转换为凸优化问题。然后,通过联合使用注水方法和拉格朗日对偶分解法来获得了该联合优化问题的最优解,解决了在不同用户具有不同数据速率要求下的系统EE最大化问题。仿真结果表明,本文提出的算法在系统EE方面均优于等功率的RB分配和等RB的功率分配算法。另外,本文提出的算法来获得了最高的用户公平性。因此,本文提出的算法在实现毫米波频段下大规模MIMO系统中的频域资源和能量资源联合优化的同时,提高了系统的SE和EE,并更好地满足了不同用户的不同数据速率要求。