基于博弈论的混合频率分配策略及其在通信系统中的应用

⃝⃝可在www.sciencedirect.com在线ScienceDirectICT Express 5（2019）89www.elsevier.com/locate/icte基于博弈论的带净滤波鉴别约束的混合频率分配Hong-Bae Jeona，Bon-Hong Kooa，Chan-Byoung Chaea， Song-Ho Parkb，HyungjooLeeca韩国延世大学延世融合技术研究所综合技术学院bDatasolution，Inc.，邮编：06101c大韩民国国防开发署，大田34186接收日期：2018年3月26日;接受日期：2018年2018年6月23日在线提供摘要在这封信中，我们提出了一个基于博弈论的分配通信系统中的频率资源的策略我们提出了一种算法，结合集中式和分布式的行为下的净过滤器歧视（NFD）的考虑，从而导致频率资源的有效利用。我们表明，通过应用算法，（因为我们应用了一个分布式算法，只使用本地信息），我们可以做到以下几点：最大化用户的信号干扰噪声比（SINR）的总和，最小化用户之间的SINR的标准差，也降低了计算复杂度。所有这些成就都涉及军事通信等关键问题，用户需要高质量的通信，减少孤立的可能性，迅速采取行动以应对迅速变化的军事局势。c2019韩国通信与信息科学研究所（KICS）。Elsevier B.V.的出版服务。这是一个开放获取CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：频率分配问题;博弈论1. 介绍在最近的通信系统中变得越来越重要的频谱和无线电资源。因此，在给定的限制下分配这些频率的问题一直受到很大的关注，这被称为频率分配问题（FAP）。在给定的约束条件下分配频率的任务被称为NP难问题[1]。因此，研究人员正在开发策略以实现可行但局部最优的解决方案[2]或最大化需求满足（例如，SINR），并且他们正在使用博弈论方法[3]开发这些。*通讯作者。电子邮件地址：hongbae08@yonsei.ac.kr（H.- B. Jeon），harpeng7675@yonsei.ac.kr（B.- H. Koo），cbchae@yonsei.ac.kr（C.- B.Chae），shpark@datasolution.kr（S.- H.公园），lhj@add.re.kr（H。Lee）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2018.05.004传统上，FAP采用集中式信道分配算法[4]。在这里，中央单元汇总所有信息，计算并为每个用户分配信道。虽然这种方法在实现优化方面具有优势，但它也有一些缺点，例如高度集中化开销[5]。因此，为了避免开销问题，已经引入了分布式算法，其中每个用户收集本地信息并计算其自己的分配，而不知道其他用户为了解决这些问题，无数的研究[6]都使用了博弈论，其中一个结果是降低了计算成本。在这封信中，我们提出了一个算法，结合这些集中式和基于博弈论的分布式方法受到NFD下的约束。这意味着我们可以将相邻通信链路之间的频带重叠到特定标准[7，8]，这导致频率资源的有效利用。分析表明，该算法具有较低的复杂度，并检验了同一簇内用户频率分配通过绘制2405-9595/c2019韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。90H.- B. Jeon，B.-H. Koo，C.-B. Chae等人/ICT Express 5（2019）89N FDF−×{A =ikN={}V=VN FDS：S→N FD=仿真结果表明，该算法使其中，Δf是频率间隔，Pc表示共信道滤波之后的总接收功率，并且Pa表示Δf偏移之后的接收功率通过（3），我们可以得出结论我们应该把fi和fj分开大于F−1 （Eij）和2. 系统模型1N FD （Eji）用于可靠的通信。 在我们的第一部分，问题定义。图1显示了我们在这封信中假设的概念图。我们考虑一张100公里的地图。 该地图包括通信设备组，在图中由坦克和点表示。任意两个设备通过一条通信链路连接，该通信链路表示为（图中的实线），并且链路距离最大为20 km。我们将N和K表示为用户的数量和可用频带，并且A是N×K频率分配矩阵，其被定义为：换句话说，我们将给定的实拓扑映射到带权无向图G上，并采用[9]中提出的考虑NFD约束的基线集中式算法HEDGE算法。博弈论背景在所提出的算法的剩余部分中，我们将以分布式方式使用算法，因为分配计划需要每个用户的本地信息来更新各个解决方案。我们可以在这一部分利用博弈论术语，因为用户在更新自己的时候并不知道其他人目标是1，如果第i个0，否则。（一）最大化服务质量的可靠性和均匀性，这可以用总和和标准差来衡量我们将h（i，j，k）表示为经由第k个信道的第i个发射机与第j个接收机之间的信道增益。我们还令P是N元素功率向量，其中元素P1是第i个Tx-Rx链路使用的传输功率通过使用这些符号，使用第k个频率的第i个用户对的SINR由下式给出Pi h（i，i，k）每个链路的SINR。首先，我们表示非合作频率分配博弈G作为G=[N，{Si}i∈N，{Ui}i∈N]，（5）其中1，2，. . .，N是用户的索引集，Si是第i个用户的策略空间，其可以被写为：SINRk（i）=n0+∑j=iAjkPj h（j，i，k）、（二）Si={c1，c2，. . . ，c K}{c0}，（6）其中n0是噪声水平。在我们的场景中，我们假设有一个中央系统，分配一个初始频率，满足NFD约束。因此，我们的FAP的第一个目标是通过集中式算法最小化初始分配中使用的频率数量[9]。但是，尽管我们接受来自中央系统的初始输入，但由于可变因素的存在，需要快速的系统调整（特别是在用户需要快速对应紧急变化情况的军事情况下更重要），因此有必要使用分布式算法。因此，在应用集中式算法之后，我们将整个系统划分为图1中用彩色区域表示的较小集群，并在借助博弈论最大化SINR的同时局部更新频率分配[10]。图的生成和中心算法。从给定的拓扑出发，我们可以构造干涉图G（，E）.这包括对应于通信链路的一组顶点和边缘矩阵E，其中每个元素Eij对应于第i和第j个两个链路之间的干扰由NFD约束决定，我们必须通过[7，8]分离第i个和第j|>max { F −1（E i j），F −1（E ji）}，（3）|> max {F −1(E ij), F −1(Eji)},(3)其中fi和fj分别是在第i和第j链路中分配的频率。函数FNFD是由[8]其中ck表示用户选择第k个频率，而c0表示没有频率选择。通过这个定义，我们可以将全策略空间S表示为：S=S1×···×SN。（七）通 过 将 si∈ Si 表 示 为 第 i 个 用 户 选 择 的 策 略 ， 元 素σ=[s1，. . . ，sN]∈S可以表示为第i个用户到R，即Ui（σ）R。我们必须定义与给定情况相对应的效用函数的形式，我们的目标是最大化效用函数的值[3，11]。在这种情况下，为了最大化用户的SINR之和Ui（k）=log（SINRk（i））-log（γi）-α Pi，（8）其中γi是第i个用户的目标SINR [10]。这意味着，如果SINR低于γi，则效用值变为负值，从而不提供发送激励[10]。如果在第i个用户上没有传输，则效用值Ui（k）被定义为0。定价系数α是一个正的常数，它应该迎合给定的情况，这样它就限制了个人权力的过度增长;这校准了干扰。它类似于机器学习理论[12]中的正则化概念，其目标是在发射功率的限制下最大化效用函数我们还通过将效用函数定义为（8）来检查，FN FD（1）10 logPc，（4）Pa在应用所提出的算法之后，效用值的偏差减小。H.- B. Jeon，B.-H. Koo，C.-B. Chae等人/ICT Express 5（2019）8991=N={}∑Ci=1i=1Ii N2Ki∑=Fig. 1. 所提出的算法的概述。(For对本图图例中所指颜色的解释，读者可参考本文的网络版。）3. 该算法第一阶段：集中式算法。我们首先应用HEDGE算法的整个拓扑结构。我们在给定的无向图G中选择一个度最高的节点，并为该节点分配一个频率。我们重复这个过程，直到所有节点都被分配了频率。将在第4节中检查，通过应用所提出的算法，我们可以实现集群之间效用值的增加的效用和和降低的标准差。注意，如果我们通过搜索频率分配的所有情况，在特定意义上粗暴地找到最大化效用和和最小化标准差的最佳组合，则复杂度由下式给出：第二阶段：k均值算法。 在分配频率后，第一阶段，我们通过k -均值算法[ 13 ]将整个拓扑划分为不重叠的簇，如图所示。1.一、以来O（（N）K！）时间复杂度O（N）（K）、（10）我们的目标是在第三阶段应用分布式博弈算法，它是基于局部信息的，它是合理的划分整个拓扑结构。我们假设在每个集群中，诸如功率Pi或信道信息h的本地信息可用于集群中的所有用户。第三阶段：基于博弈论的分布式算法。我们假设在第二阶段中通过k -均值算法，整个拓扑被划分为C个簇，其中每个簇具有 N i（i 1，. . .、C）用户。然后我们可以将每个集群的频率分配的非合作博弈表示为Gi=[Ni ， {Sj} j∈Ni ， {Uj} j∈Ni] （ i = 1 ， . . . ， C ） ，（9）在那里我1，. . .，Ni 是第i个用户的索引集，集群在此之后，我们可以应用博弈论分布式算法[10]，一次将其应用于所有集群。这是基于贪婪，因为我们选择使（8）中定义的Ui（k）最大化的频率。第三阶段的总体概述如图所示。1.一、复杂性分析。结果表明，Ph（asesI，II，an）dIII的复杂性分别为O（N2），O（ICN），O（I C N），O我，其中， 的数目记在C是生成这远不如应用第三阶段有效因此在就计算复杂度而言，在常规集中式算法（阶段I）之后应用阶段III是可行的4. 仿真结果我们设置如表1中给出的参数，并且检查沿着阶段III的迭代的频率分配的稳定性和由阶段II生成的随机挑选的集群的效用值（SINR）。频率分配的稳定性。图2示出了沿着阶段III的迭代的频率分配的稳定性。初始分配由阶段I中的HEDGE算法给出。经过几次迭代后，我们可以确认稳定化已经完成，然后得出结论，第三阶段的迭代次数可以忽略不计。集群的实用价值。 图3示出了绘制集群中每个用户的效用值（SINR）的结果。 我们可以检查应用该算法后，聚类之间的效用值的标准差减小。这对于军事通信是有利的，因为如果军事集群的SINR第二阶段的迭代，其中，Ki、Ii是所使用的频率的数量，阶段II中划分的第i个聚类中阶段III的迭代次数[9，10，13]。我们可以得出结论，因为CNiN，在分治意义上，阶段III的计算复杂度相对低于阶段I。另外我们相应的设备可能被隔离，这在军事环境中是一个严重的问题。我们还可以从表2中看到，所提出的算法比传统情况下的结果产生更大的效用值和更低的标准偏差值K92H.- B. Jeon，B.-H. Koo，C.-B. Chae等人/ICT Express 5（2019）89表1参数设置。15 [dB]h信道信息瑞利i路径损耗指数3.7C组的数目7图二. 选定群集的频率分配稳定性。图三. 所选聚类的效用值图。表2选定群集的实用程序值。效用和STD. Dev传统（集中式）135.7261.307提出200.3970.1035. 结论本文提出了一种NFD约束下的集中式（HEDGE）和分布式（博弈论）相结合的混合频率分配算法。该算法在保证通信质量的可靠性和一致性方面具有优势，这在军事通信等现代通信系统中至关重要。我们未来的工作包括联合考虑频率分配和采用大规模MIMO系统[14]，并应用双极化天线代替单极化天线以进一步降低干扰[15]。确认这项研究得到了国防发展署（ADD）的支持。利益冲突作者声明，本文中不存在利益冲突引用[1] W.K. Hale，频率分配：理论和应用，Proc. IEEE68（12）（2007）1497-1514。[2] V. Maniezzo，A.陈文，一种基于蚁群算法的频率分配算法，北京科技大学出版社。Comput. 16（8）（2000）927-935。[3] I. Bistritz，A. Leshem，频率选择性干扰信道的博弈论动态信道分配，CoRR abs/1705.02957，arXiv：1705。02957.[4] D. C. Cox，D. O.陈晓，二维大规模移动无线电系统中的动态信道分配，北京，中国。J. 51（7）（1972）1611-1629中所述。[5] R.W. G.R.内特尔顿Schloemer，蜂窝移动电话系统的高容量分配方法，在：IEEE车辆技术会议，第1卷，1989年，pp. 359-367.[6] C.- L. I ， P. -H. Chao， Local packing-distributed dynamic channelallocationatcellular base station，in：IEEE GLOBECOM，Vol. 1，1993，pp.293-301参数值注意Nn0γM用户数噪声水平目标SINR干扰裕量254−100[dBm]5 [dB]平均分配给所有用户平均分配给所有用户α均p0定价系数初始发射功率2003× 10−2 [W]平均分配给所有用户H.- B. Jeon，B.-H. Koo，C.-B. Chae等人/ICT Express 5（2019）8993[7] H.B. Yilmaz，B.H.顾绍雄<港>香港实业家。，1939--人帕克，H. S.朴智星C.B.哈姆Chae，带净滤波器鉴别约束的频率分配问题，J.Commun。网络19（4）（2017）329-340。[8] ETSI TR 101 854 ， Derivation of receiver interference parametersuseful for planning fixed service point-to-point systems operatingdifferent equipment classes and/or capacities，2005。[9] B.H.古永锵Yilmaz，C.B. Chae，H.S.朴智星Ham，S.H. Park，具有现实干扰约束的频率分配问题的启发式，在：IEEE国际通信会议（ICC），2016年，pp. 1比6[10] Q.D. La，Y.H.周，W.H. Chin，B.- H. Soong，一种具有传输选择权的博弈论分布式动态信道分配方案，在：IEEE MILCOM，2008，pp. 一比七[11] O. Naparstek，A.李志华，全分布式最优信道分配算法，北京大学学报，2001。62（2）（2014）283-294。[12] I. 古 德 费 洛 ， 澳 - 地 Bengio ， A.Courville ， Deep Learning ， MITPress，2016. //www. 我会给你一本书。奥尔湾[13] S.博伊德湖Vandenberghe，Introduction to Applied Linear Algebra：Vectors ， Matrices ， and Least Squares （ Draft ） ， CamebridgeUniversityPress，2018。[14] M.S. Sim，J. Park，C.- B. Chae，R.W.小希斯，相关大规模MIMO系统的压缩信道反馈，J. Commun. 网络 18（1）（2016）95-104。[15] T. 哦，耶。G. Lim，C.-B. Chae，Y.李，双极化缝隙天线与高交叉极化歧视室内小型MIMO系统，IEEE蚂蚁。威尔。Prop. Lett. 14（2）（2015）374-377。