H2H与M2M共存场景下无人机辅助上行用户调度方案_马文峰.pdf

第2卷 第2期V o l.2 N o.2 2 0 2 3年4月 J o u r n a l o f A r m y E n g i n e e r i n g U n i v e r s i t y o f P L A A p r.2 0 2 3H 2 H与M 2 M共存场景下无人机辅助上行用户调度方案马文峰1,吴 霞2,王 聪1,田 辉1,赵几航3,姚远翔1(1.陆军工程大学 野战工程学院,江苏 南京 2 1 0 0 0 7;2.3 1 1 3 1部队,江苏 南京 2 1 0 0 0 7;3.3 1 6 0 3部队,江苏 徐州 2 2 1 0 0 0)摘要:针对人类用户和物联网用户共存时利用无人机作为中继节点采集物联网设备数据的场景,提出了一种基于累积分布函数的上行用户调度方案。方案在以最大化全网节点能效为优化目标的上行联合用户关联和用户资源分配问题建模过程中,考虑多用户分集以及网络负载均衡;为了求解该问题,方案利用用户吞吐量独立同分布的特点,通过松弛整数变量,结合增广拉格朗日法和标准的次梯度法,将难解的非凸问题转化为凸函数,再利用交替方向乘子法对凸问题进行分解并交替迭代优化,最终实现系统能效最大化并得到最优调度方案。仿真结果表明,该方案在全网效能和负载均衡方面优于现有方案。关键词:异构网络;用户调度;无人机;物联网;能量效率 中图分类号:T N 9 1 5.0 4D O I:1 0.1 2 0 1 8/j.i s s n.2 0 9 7-0 7 3 0.2 0 2 2 0 4 0 7 0 0 6U A V-A s s i s t e d U p l i n k U s e r S c h e d u l i n gS c h e m e i n H 2 H a n d M 2 M C o e x i s t e n c e S c e n a r i o s MA W e n f e n g1,WU X i a2,WANG C o n g1,T I AN H u i1,Z HAO J i h a n g3,YAO Y u a n x i a n g1(1.C o l l e g e o f F i e l d E n g i n e e r i n g,A r m y E n g i n e e r i n g U n i v e r s i t y o f P L A,N a n j i n g 2 1 0 0 0 7,C h i n a;2.U n i t 3 1 1 3 1 o f P L A,N a n j i n g 2 1 0 0 0 7,C h i n a;3.U n i t 3 1 6 0 3 o f P L A,X u z h o u 2 2 1 0 0 0,C h i n a)A b s t r a c t:A i m i n g a t t h e s c e n a r i o s w h e r e UAV s a r e u s e d a s r e l a y n o d e s t o c o l l e c t t h e d a t a o f i n t e r n e t o f t h i n g s(I o T)d e v i c e s w h e n h u m a n-t o-h u m a n(H 2 H)a n d m a c h i n e-t o-m a c h i n e(M 2 M)u s e r s c o e x i s t,a n u p-l i n k u s e r s c h e d u l i n g s c h e m e b a s e d o n t h e c u m u l a t i v e d i s t r i b u t i o n f u n c t i o n i s p r o p o s e d.M u l t i-u s e r d i v e r s i t y a n d n e t w o r k l o a d b a l a n c i n g a r e c o n s i d e r e d i n t h e m o d e l i n g p r o c e s s o f u p l i n k j o i n t u s e r a s s o c i a t i o n a n d u s e r r e s o u r c e a l l o c a t i o n w i t h t h e o p t i m i z a t i o n g o a l o f m a x i m i z i n g t h e e n e r g y e f f i c i e n c y o f n o d e s i n t h e e n t i r e n e t w o r k.I n o r d e r t o s o l v e t h e p r o b l e m,t h e s c h e m e u t i l i z e s t h e c h a r a c t e r i s t i c s o f i n d e p e n d e n c e a n d i d e n t i c a l d i s t r i-b u t i o n o f u s e r t h r o u g h p u t,r e l a x e s i n t e g e r v a r i a b l e s,c o m b i n e s t h e a u g m e n t e d L a g r a n g i a n m e t h o d a n d t h e s t a n d a r d s u b g r a d i e n t m e t h o d,t r a n s f o r m s t h e d i f f i c u l t n o n-c o n v e x p r o b l e m i n t o a c o n v e x f u n c t i o n,t h e n u s e s t h e a l t e r n a t i n g d i r e c t i o n m u l t i p l i e r m e t h o d t o d e c o m p o s e t h e c o n v e x p r o b l e m a n d a l t e r n a t e l y i t e r a t i v e l y o p t i m i z e s i t,a n d f i n a l l y r e a l i z e s t h e m a x i m u m e n e r g y e f f i c i e n c y o f t h e s y s t e m a n d o b t a i n s t h e o p t i m a l s c h e d u l i n g s c h e m e.S i m u l a t i o n r e-s u l t s i n d i c a t e t h a t t h e s c h e m e i s s u p e r i o r t o e x i s t i n g s c h e m e s i n t e r m s o f n e t w o r k p e r f o r m a n c e a n d l o a d b a l a n c i n g.K e y w o r d s:h e t e r o g e n e o u s n e t w o r k;u s e r s c h e d u l i n g;UAV;I n t e r n e t o f T h i n g s;e n e r g y e f f i c i e n c y 收稿日期:2 0 2 2-0 4-0 7基金项目:国家自然科学基金(6 2 0 0 1 5 1 5,6 1 7 7 1 4 8 6,6 2 1 0 3 4 4 1);江苏省博士后科研资助计划(2 0 1 9 K 0 9 0)。第一作者:马文峰,博士,副教授,主要研究无线通信,1 3 9 1 3 9 4 5 1 9 31 3 9.c o m。通信作者:吴 霞,硕士研究生,助理工程师,主要研究无线通信,e l f 5 1 1 2 91 6 3.c o m。近年来随着物联网设备的数量和前所未有的网络数据流量的急剧增长,导致频谱和能源消耗不断增加。除了当前的人类用户流量消耗外,允许人类用户和物联网用户业务重叠的异构网络可以实现海量设备共享网络、保证小突发传输和降低能耗。但异构网也面临着新的挑战,例如用户调度,即联合用户关联(u s e r a s s o c i a t i o n,UA)和资源分配,用户与服务基站的关联以及基站对用户的资源分配。用户调度在提高无线网络性能方面发挥着重要作用。现有关于异构网中用户调度的研究大多集中在优先策略上,即人与人之间的通信需求为主服务,物联网设备间的通信需求为次服务。文献1 提出了一种基于优先级的异构网用户关联,在合作纳什议价求解方法下解决物联网用户(m a c h i n e t o m a-c h i n e,M 2 M)/人类用户(h u m a n t o h u m a n,H 2 H)流量。文献2 提出了一种分散的对偶分解算法,在考虑服务质量(q u a l i t y o f s e r v i c e,Q o S)的同时降低异构网中用户关联复杂度。然而,目前对于异构网中的全局用户关联相关研究不多,即在平等前提下全局考虑M 2 M和H 2 H的Q o S。在多个小蜂窝基站共存的网络中进行用户调度,目前的研究多集中在下行链路中。文献3 基于最大信噪比(s i g n a l-n o i s e r a t i o,S N R)和数据速率等进行用户关联,需要考虑用户和基站之间的瞬时信道状态信息(c h a n n e l s t a t e i n f o r m a t i o n,C S I),这造成了严重的负载不均衡。文献4 虽然联合考虑了用户关联和资源分配方案,所提出的方法也仅适用于下行传输。文献5 中对异构网中基站使用平均分配策略,达到绝对的负载均衡,但系统吞吐量和能效往往远不如其他方案。由于物联网接入点的位置固定且其范围有限,很多地理位置偏远和环境复杂的地区物联网设备难以实现网络的覆盖,无人机(u n m a n n e d a e r i a l v e h i-c l e,UAV)在提高覆盖和吞吐量方面具有很大优势,将满足非常严格的延迟、可靠性、移动性和安全性要求6-8。文献9 研究了物联网通信网络中上行链路数据传输的能效,但未考虑无人机的存在,导致不适合解决地面基础设施有限区域的物联网设备的调度和资源分配问题。文献15,9 均为研究异构网的用户调度、资源分配相关,并未区分用户的类别,因此无法适用于人类用户和物联网用户共存场景。提出 了 一 种 基 于 累 积 分 布 函 数(c u m u l a t i v e d i s t r i b u t i o n f u n c t i o n,C D F)1 0-1 3的上行用户调度方案,考虑在人类用户和物联网用户共存场景下,利用无人机作为中继设备悬停于物联网设备上空进行数据信息采集。方案中人类用户和无人机用户均可以平等选择所有基站,以系统总能效最大化为目标,联合设计用户关联和资源分配问题。针对该优化问题的求解,利用用户吞吐量独立同分布的特点,通过松弛关联系数,由0,1 整数变量松弛为可求导的0,1 间时隙资源分配权重,结合增广拉格朗日法和标准的次梯度法,将难解的非凸问题转化为凸函数,再利用交替方向乘子法(a l t e r n a t i n g d i r e c t i o n m e t h o d o f m u l t i p l i e r s,A DMM)算法将凸问题分解为多个子问题,将每一步所得最优结果代入下一子问题进行交替迭代优化,最终实现了该场景下系统总能效的最大化,并得到了最优的用户调度方案。1 系统模型无人机悬停在物联网设备上方进行数据采集的工作过程,如图1所示。在高楼林立、环境复杂的多个蜂窝小区共存的网络中,多基站之间如何进行共存场景下用户分配和接入控制联合优化,以达到网络能效的最大化。本文考虑一种人类用户和无人机用户共存场景下的多层基站的上行异构网络,场景中的无人机用户均采用非视距传输,两类用户的信道均建模为瑞利衰落信道1 4-1 5,网络中有K个基站(k1,2,K)和N个用户(n1,2,N),基站分为宏基站、皮基站和飞基站3种;无人机用户的通信需求即为物联网用户的通信需求。假设不同小区之间处于不同频点,因此来自相邻小区的干扰可以忽略不计。当用户n与基站k关联,该用户的瞬时S N R值为n,k=|hn,k|2n,kPk/n,其中hn,k、n,k分别为用户n与基站k间的小尺度、大尺度信道衰落系数;P为用户的固定发射功率,n为高斯白噪声的噪声功率。图1 人类用户与无人机用户共存场景现有的调度方法大都无法实现多用户分集,信道好的用户可以关联到基站而信道差的用户可能无法连接,造成了负载不均衡。基于C D F的用户调度方法中每个用户的吞吐量仅基于用户自身的信道统计量和得到基站的资源比重,与其他用户无关,这将使得信道质量差的用户同样可得到调度。通过考虑74第2期 马文峰,等:H 2 H与M 2 M共存场景下无人机辅助上行用户调度方案每个用户独立的吞吐量,将每个用户的吞吐量与其他用户解耦,从而简化了分析。通过灵活地调节时间资源的分配权重来选择使得C D F最优的用户进行关联,从而获得了最优的用户吞吐量,实现了多用户分集和负载均衡。基于C D F的用户调度方法,当用户n与基站k关联,通过它的瞬时S N R值来决定哪一个用户与该基站关联:wn,k=a r g m a xF(n,k)1/xn,k,其中wn,k为基站选择用户的索引,xn,k0,1 为用户在与基站关联时所分配到的时间权重,基站k通过调节xn,k灵活地控制着分配给用户n的资源,F(n,k)为n,k的C D F,本文考虑的累积分布函数服从以n,kP/n为参数的指数分布,即F(x)=1-e-n,kP/nx,累积分布函数随着权重在01上的递增而递增,通过选择累积分布函数值较大的用户实现多用户的分级增益。C D F仿真变化趋势如图2所示。图2 C D F变化趋势本文考虑的网络效用定义为单位时间内传输的比特数与所消耗的能量之比,即rn,k/En,k,当该比值最大时认为全网的效用达到最大化,根据网络中用户的数量,网络能效的和平均定义为:用ln,k表示用户n与基站k的关联关系,即当ln,k=1时,用户n与基站k关联;当ln,k=0时,用户n与基站k不关联。公式rn,k(xn,k)=0v()Fn,k()1/xn,k-1dFn,k()用于表示用户吞吐量,该函数为复杂的非凸函数,不利于问题的解决,而文献4 证明了用户吞吐量可用其上 限 代 替,即rTn,k(xn,k)=F-1n,k(1-xn,k)l o g2(1+t)dFn,k(t)代替,文献1 6 中详细推导了该公式的化简过程,这为本文解决该非凸问题提供了思路。本文采用基于累积分布函数的用户调度方法(d i s p a t c h o f c o e x i s t i n g u s e r s b a s e d o n C D F,C C UD)来进行用户对基站的选择,每个用户在每个时隙中最多选择一个基站进行关联,并为每个用户提供独立的吞吐量、控制每个用户关联基站所分配到的时间权重。根据以上分析,系统中用户能效的和平均最大化的表达式如下 m a xKk=1rn,kxn,k()NEn,ks.t.0 xn,kln,k nN,kK0 xn,k1nN,kKNn=1xn,k1kKKk=1ln,k1nNln,k0,1nN,kK(1)由于用于表征用户与基站关联关系的变量ln,k非0即1形成了整数约束,为了避免穷尽搜索,需要松弛该变量最终获得最优的解。当用户n选择基站k进行关联时,基站k会将相应的时间资源分配给用户n,即xn,k0,则用户n的吞吐量将大于0,即rn,k0,而用户n与基站k关联即ln,k=1;同样地,若用户n不与基站k关联,则基站k不会将相应的时间资源分配给用户n,即xn,k=0,则用户n的吞吐量将等于0,即rn,k=0,而关联变量ln,k=0。因此,xn,k 0ln,k=1rTn,k(xn,k)0、xn,k=0ln,k=0rTn,k(xn,k)=0,将以基站分配给用户的时间资源权重xn,k作为优化变量来表征关联系数ln,k,整数变量得以松弛,最终获得最优的xn,k解。能效表达式(1)转化为 m a xKk=1rTn,kxn,k()NEn,ks.t.0 xn,k1 nN,kKNn=1xn,k1kK(2)式(2)可进一步改写为 m i nE(X)=-Kk=1rTn,kxn,k()NEn,ks.t.0 xn,k1 nN,kKNn=1xn,k1kK(3)2 C C U D算法2.1 基于A DMM的算法分解A DMM算法是一种结合增广拉格朗日方法和对84 第2卷偶分解的交替优化算法,收敛速度比传统的对偶分解方法、次梯度方法更快,结果也更加稳定1 7。利用A DMM算法,将优化问题划分为3个优化子问题进行交替优化以求得最优解的目标。首先引入辅助变量Z,X=Z。根据A DMM的原理,将能效的和平均表达式转化为拉格朗日函数的极小化形式,即L(X,Z,L,)=E(X)+2X-Z2(4)式中:L为约束X=Z的拉格朗日乘子,0为二次罚标量。2.1.1 子问题1:变量X的优化在已知变量Z和L的初始值情况下,进行变量X的优化,则式(4)简化为:m i nE(X)+2X-cX22,其中cX=Z-L/为常数。m i n(-Kk=1rTn,kxn,k()NEn,k+2xn,k-(cX)n,k22)(5)s.t.0 xn,k1 nN,kKNn=1xn,k1 kK 令目标函数为G(xn,k)=-Kk=1rTn,k(xn,k)NEn,k+2xn,k-(cX)n,k22,将其关于xn,k进行求导得G(xn,k)xn,k=-1NEn,krTn,kxn,k()rTn,kxn,k()xn,k+(xn,k-cX()n,k)将 前 文 中rTn,k(xn,k)=F-1n,k(1-xn,k)l o g2(1+t)dFn,k(t)代入可得G(xn,k)xn,k=-l o g21+F-1n,k(1-xn,k)NEn,krTn,kxn,k()+(xn,k-cX()n,k)(6)由式(6)可知,由于0 xn,k1,当(cX)n,k0、a20,收敛精度为2=1 0-4;S t e p 2:在第t2次迭代中,根据已知的(t2),利用公式对z(t2)n,k进行更新:z(t2)n,k=m i nm a x(cZ)n,k-(t2)/2,0,1;S t e p 3:更新(t2),(t2+1)=(t2)+A(t2)(Nn=1z(t2)n,k-1);S t e p 4:根据收敛精度判断是否达到收敛条件并跳出循环得出结果:当(t2+1)-(t2)2时,t2=t2+1,同时算法转至S t e p 2;当(t2+1)-(t2)时,算法结束。94第2期 马文峰,等:H 2 H与M 2 M共存场景下无人机辅助上行用户调度方案2.1.3 子问题3:拉格朗日乘子L和二次惩罚标量的优化在2.1.2节优化中得到时间资源权重变量xn,k即变量Z后,进行拉格朗日乘子L和二次惩罚标量的优化,它们的更新公式为L(t1+1)=L(t1)+(t1)X(t1+1)-Z(t1+1)()(t1+1)=m i nm a x,(t1)(1 2)式中:m a x为一个 相对较大的 常数,为标量 且1。至此,一次完整的优化完成,不断将此过程重复,直至辅助变量Z与时间资源权重变量xn,k足够接近时停止优化,得出目标函数的最优解。2.2 C C U D算法流程C C UD算法是一种基于C D F的联合用户关联和资源分配的上行用户调度算法。通过松弛整数变量将难解的非凸函数转化为凸函数,再利用A DMM算法将优化问题分解为3个子问题:利用增广拉格朗日法和对偶分解,引入二次惩罚标量,利用二分法求得子问题1的最优解;将子问题1的最优解作为已知量代入子问题2,利用标准的次梯度法求得子问题2的最优解;将子问题1、2的最优解代入相应公式更新拉格朗日乘子和二次惩罚标量,再将所得结果代回重新优化子问题1,如此循环迭代优化,最终得到最优的关联结果和资源分配策略。本文的优化算法描述见表2。表2 C C U D算法算法设置S t e p 1:输入n,k;S t e p 2:初始化迭代次数t1=0,X(0)=0NK,Z(0)=0NK,L(0)=0.0 2*INK,(0)=1 0-3,m a x=1 06,=1.2,收敛精度为1=1 0-4;S t e p 3:根据子问题1的方法进行c(t1)X=Z(t1)-L(t1)/(t1)和X(t1)的更新;S t e p 4:根据子问题2的方法进行c(t1)Z=X(t1)+L(t1)/(t1)和Z(t1)的更新;S t e p 5:根据子问题3的方法进行L(t1)和(t1)的更新;S t e p 6:根据收敛精度判断是否达到收敛条件并跳出循环得出结果:当Z(t1)-X(t1)1时,t1=t1+1,同时算法转至步骤3;当Z(t1)-X(t1)1时,算法结束。S t e p 7:输出X。2.3 性能分析收敛性分析:由于在迭代开始时xn,k的约束条件没有被完全满足,用户的总吞吐量会相对很大,但随着两类用户数量的不断增加,对于不同的用户数量,C C UD算法均收敛于百次之内,收敛速度比较可观,具体见3.1节仿真结果。计算复杂度分析:两类用户均可以接入区域内的所有基站,算法经过t1次迭代来获得最优的调度方案。在一次迭代过程中,算法的第一步需要通过二分法寻找每个用户接入任一基站所能够分得的时间资 源 的 权 重xn,k,此 过 程 的 计 算 复 杂 度 为O(l gN);算法的第二步利用次梯度算法,需要通过t2次迭代来获得辅助变量Z的最优解,此过程的计算复杂度为O(t2N);算法的第三步对拉格朗日乘子和二次惩罚标 量的更新过 程 的 计 算 复 杂 度 为O(N)。因此,完成完整的C C UD算法迭代过程所需的计算复杂度为O(t1(l gN+t2N+N)。3 仿真结果通过MAT L A B软件对提出的共存场景下一种无人机辅助的用户关联方案进行仿真测试。考虑3层异构网,包括了随机分布在边长为1 0 0 0 m的正方形区域内5个基站,其中1个宏基站,始终位于正方形的中心点处;2个皮基站和2个飞基站随机分布,3种基站的数量比为122。人类用户和无人机用户分别以1 8和2 3 d B m的发射功率、14的数量比随机分布在该正方形区域内。上行传输中,考虑小尺度衰落的信道增益方差为2i j=1;大尺度衰落中,用户距离宏基站、皮基站、飞基站的路径损耗模型分别为L(d)=1 2 8.1+3 7.6 l gd()、L(d)=1 4 0.7+3 6 l gd()、L(d)=1 2 7+3 0 l gd()。噪声功率为-1 0 4 d B m。图3给出了用户和基站大致的分布位置,文献1 8 不考虑负载均衡,每个用户选择S N R最大的基站进行关联,在仿真时以m a x S N R代表其算法性能;文献5 中采取的平均分配算法,使得每个基站都有几乎一样多的用户选择,实现了负载均衡但完全忽略了能效最大化的目标,而随机分配算法中用户随机接入任一基站,多次蒙特卡洛仿真后的结果与平均分配算法几乎一致,在仿真时分别以a v e、r a n d代表其算法性能;文献1 9 利用盖尔-沙普利(G a l e-S h a p l e y,G S)算法解决用户关联问题来提高系统的稳定性,在仿真时以G S代表其算法性能。05 第2卷图3 基站和两类用户的随机分布示意3.1 用户数量对用户总吞吐量的影响C C UD算法利用A DMM算法用户关联方案的用户总吞吐量如图4所示,在开始时没有满足算法的负载均衡收敛条件,虽然总吞吐量相对较大,但随着迭代次数的增加最终收敛到一个稳定的均衡解,同时可见,随着用户数量的增加,用户总吞吐量也在不断增加。图4 C C UD算法用户总吞吐量随迭代次数的变化图5显示了当用户的C D F统计不足时,系统内基站间的负载严重不均衡,造成部分基站资源紧缺而拥塞,部分基站十分空闲而资源浪费。图6显示了用户数量增加的情况下,由于每个基站被选择的次数增多,每个用户可用的带宽随之减少,文献1 8中提出的最大S N R算法用户总吞吐量的增幅非常小;文献5 中提出的平均分配算法和用户随机接入任一基站的随机分配算法的用户总吞吐量几乎不变;文献1 9 中提出的G S算法用户总的吞吐量较最大S N R算法、平均分配算法和随机分配算法有一定增长,但仍不及C C UD算法,相比之下,用户关联算法在随用户数量增加的情况下总吞吐量增加的优势是比较明显的。图7显示了C C UD算法随着两类用户数量等比例地不断增加,两类用户各自的吞吐量增长幅度,仿真结果显示,由于两类用户数量比为14,用户总吞吐量的增加主要是无人机用户的增加导致的。图5 C C UD算法1 2 0个用户1 0次迭代各个基站关联结果图6 5种算法用户总吞吐量随用户数量的变化图7 C C UD算法两类用户各自吞吐量随用户数量的变化3.2 用户数量对系统总能效的影响图8、图9分别显示了随着用户数量的增加,C C UD算法,利用A DMM算法得到的用户关联方案使得系统总能效及用户平均能效的变化情况;同时显示了用户数量增加的情况下,C C UD算法与文献5,1 8,1 9 中提出方法即最大S N R算法、平均分配算法、随机分配算法以及G S算法的比较情况,结15第2期 马文峰,等:H 2 H与M 2 M共存场景下无人机辅助上行用户调度方案果显示,C C UD算法达到的总能效以及能效和平均均比其他4种方法更优。图1 0显示了当人类用户数量为1 0个时,随着无人机用户数量的增加,系统中用户平均能效的变化情况,可见其他4种方法的系统能效和平均相较C C UD算法是很低的,显示出了C C UD算法的优越性。图1 1显示了C C UD算法随着两类用户数量等比例地不断增加,两类用户各自能效和平均的变化情况,仿真结果显示,由于两类用户数量比为14,系统能效和平均的变化主要是无人机用户的增加而带来的结果。图8 5种算法系统能效随用户数量的变化图9 5种算法系统能效和平均随用户数量的变化图1 0 5种算法系统能效和平均随无人机用户数量的变化图1 1 两类用户各自能效和平均随用户数量的变化3.3 用户分配与负载均衡图1 2显示了C C UD算法与最大S N R算法、平均分配算法、随机分配算法、G S算法所选择各个基站的数量即用户分配情况,从图中可以看出,平均分配算法、随 机分配算法完 全实现了负 载均衡,而C C UD算法、最大S N R算法以及G S算法在负载均衡方面虽略不及平均分配算法和随机分配算法,但C C UD算法相较于最大S N R算法和G S算法,一定程度上缓解了功率最强的宏基站网络拥塞的情况。图1 2 5种算法用户与基站的关联结果4 结论本文研究了共存场景下无人机辅助的用户调度问题,将无人机作为中继节点悬停在物联网设备上方完成物联网设备数据采集的任务,提出了一种以能量效率最大化为目标的用户调度方案。场景中人类用户与无人机用户以一定的比例随机分布在一定的区域内,利用A DMM算法将用户关联与时隙分配的非凸优化问题通过松弛整数变量而转化为凸函数的交替优化问题,结合C D F的用户调度方法以最大化系统总能效为目标实现了两类用户总吞吐量的最大化。仿真结果证明了算法的有效性,C C UD算法相较于之前提出的最大S N R算法、平均分配算法、随机分配算法和G S算法在用户总吞吐量、负载25 第2卷均衡和系统总能效方面都有比较明显的提升。参考文献:1 L I U D T,CHE N Y,CHA I K K,e t a l.O p p o r t u n i s t i c u s e r a s s o c i a t i o n f o r m u l t i-s e r v i c e H e t N e t s u s i n g N a s h b a r g a i n i n g s o l u t i o nJ.I E E E C o mm u n i c a t i o n s L e t-t e r s,2 0 1 4,1 8(3):4 6 3-4 6 6.2 T I AN H,X I E W,GAN X Y,e t a l.H y b r i d u s e r a s-s o c i a t i o n f o r m a x i m i s i n g e n e r g y e f f i c i e n c y i n h e t e r o g e-n e o u s n e t w o r k s w i t h h u m a n-t o-h u m a n/m a c h i n e-t o-m a c h i n e c o e x i s t e n c eJ.I E T C o mm u n i c a t i o n s,2 0 1 6,1 0(9):1 0 3 5-1 0 4 3.3 L I U C S,WH I T I N G P,HAN L Y S V.J o i n t r e s o u r c e a l l o c a t i o n a n d u s e r a s s o c i a t i o n i n d o w n l i n k t h r e e-t i e r h e t e r o g e n e o u s n e t w o r k sC/2 0 1 4 I E E E G l o b a l C o m-m u n i c a t i o n s C o n f e r e n c e.A u s t i n:I E E E,2 0 1 4:4 2 3 2-4 2 3 8.4 G E X,L I X H,J I N H,e t a l.J o i n t u s e r a s s o c i a t i o n a n d u s e r s c h e d u l i n g f o r l o a d b a l a n c i n g i n h e t e r o g e n e o u s n e t w o r k sJ.I E E E T r a n s a c t i o n s o n W i r e l e s s C o mm u-n i c a t i o n s,2 0 1 8,1 7(5):3 2 1 1-3 2 2 5.5 Y E Q Y,R ON G B Y,CHE N Y D,e t a l.U s e r a s s o-c i a t i o n f o r l o a d b a l a n c i n g i n h e t e r o g e n e o u s c e l l u l a r n e t-w o r k sJ.I E E E T r a n s a c t i o n s o n W i r e l e s s C o mm u n i-c a t i o n s,2 0 1 3,1 2(6):2 7 0 6-2 7 1 6.6 K I S HK M,B A D E R A,A L OU I N I M S.A e r i a l b a s e s t a t i o n d e p l o y m e n t i n 6 G c e l l u l a r n e t w o r k s u s i n g t e t h-e r e d d r o n e s:T h e m o b i l i t y a n d e n d u r a n c e t r a d e o f fJ.I E E E V e h i c u l a r T e c h n o l o g y M a g a z i n e,2 0 2 0,1 5(4):1 0 3-1 1 1.7 王鹏.基于5 G网络的无人机通信控制系统J.现代工业经济和信息化,2 0 2 1,1 1(9):1 4 7-1 4 8.WANG P e n g.UAV c o mm u n i c a t i o n c o n t r o l s y s t e m b a s e d o n 5 G n e t w o r kJ.M o d e r n I n d u s t r i a l E c o n o m y a n d I n f o r m a t i o n i z a t i o n,2 0 2 1,1 1(9):1 4 7-1 4 8.8 CHE N W C,Z HAO S J,Z HAN G R Q,e t a l.UAV-a s s i s t e d d a t a c o l l e c t i o n w i t h n o n-o r t h o g o n a l m u l t i p l e a c c e s sC/2 0 2 0 I E E E W i r e l e s s C o mm u n i c a t i o n s a n d N e t w o r k i n g C o n f e r e n c e.S e o u l:I E E E,2 0 2 0:1-6.9 TU C Y,HO C Y,HUANG C Y.E n e r g y-e f f i c i e n t a l g o r i t h m s a n d e v a l u a t i o n s f o r m a s s i v e a c c e s s m a n a g e-m e n t i n c e l l u l a r b a s e d m a c h i n e t o m a c h i n e c o mm u n i c a-t i o n sC/2 0 1 1 I E E E V e h i c u l a r T e c h n o l o g y C o n f e r-e n c e.S a n F r a n c i s c o:I E E E,2 0 1 1:1-5.1 0G E X,J I N H,L E U N G V C M.C D F-b a s e d s c h e d u l i n g a l g o r i t h m f o r p r o p o r t i o n a l t h r o u g h p u t f a i r n e s sJ.I E E E C o mm u n i c a t i o n s L e t t e r s,2 0 1 6,2 0(5):1 0 3 4-1 0 3 7.1 1P A R K D,S E O H,KWON H,e t a l.W i r e l e s s p a c k e t s c h e d u l i n g b a s e d o n t h e c u m u l a t i v e d i s t r i b u t i o n f u n c-t i o n o f u s e r t r a n s m i s s i o n r a t e sJ.I E E E T r a n s a c t i o n s o n C o mm u n