一种智能反射面MassiveMIMO系统资源分配方法技术方案

本发明专利技术提供一种智能反射面Massive MIMO系统资源分配方法，包括：建立一个基于智能反射面的Massive MIMO系统模型；初始化量子蝴蝶群；根据全局搜索或局部搜索规则更新量子蝴蝶群的量子位置；计算适应度，根据选择机制确定量子位置，更新感官模态和幂指数；判断迭代是否终止，输出最优分配方案，若迭代次数已经达到设定的最大迭代次数，即t＝T，则终止迭代，将量子蝴蝶群的全局最优量子位置输出；否则令t＝t+1，返回继续执行步骤三；根据量子位置与位置之间的映射规则得到全局最优位置，进而得到基于智能反射面的Massive MIMO系统资源分配方法。本发明专利技术实现最优反射系数充分发挥智能反射面的性能极限来实现Massive MIMO通信系统各种资源的最优分配，从而提高系统的资源利用率及系统的容量。率及系统的容量。率及系统的容量。

【技术实现步骤摘要】
一种智能反射面Massive MIMO系统资源分配方法


[0001]本专利技术涉及的是一种量子蝴蝶优化机制的智能反射面Massive MIMO系统资源分配方法，属于Massive MIMO通信


技术介绍

[0002]随着5G通信的不断推广，为了实现更高的信息传输速率和更可靠的数据传输，6G通信已经处于研究状态。Massive MIMO技术和智能反射面作为6G通信的潜在技术，尽管Massive MIMO技术具有高复用增益和分集增益、高空间分辨率等优点，然而Massive MIMO技术的应用仍存在一些问题，例如接收端用户数量的增加不仅使得网络很难覆盖到全体用户，而且会使整个系统的能量损耗较大。智能反射面是一种由大量低成本的被动无源反射元件所组成的平面，并且每一个元件都可以改变入射信号的相位来使用户更好地接收基站发送的信号。智能反射面的应用不仅能够解决Massive MIMO系统能量损耗过大、网络覆盖不均等问题，而且能够提高Massive MIMO系统的容量和信息传输效率，进一步提升Massive MIMO系统的整体性能。
[0003]由于智能反射面成本低且能量损耗小，因此如何将智能反射面应用在不同的无线通信系统以解决实际的通信工程问题成为了一个热点。针对应用智能反射面的无线通信场景，Tao Zhou等在《2020IEEE 6th International Conference on Computer and Communication》上发表的“Achievable Rate Maximization for Aerial Intelligent Reflecting Surface
‑
aided Cell
‑
free Massive MIMO System”提出一种迭代优化策略设计各个接入点的功率分配、空中智能反射面的相移矩阵、各个接入点的波束成形向量来使用户的传输速率最大，但并未分析系统存在多个用户时的情况。李苗钰等在《西北工业大学学报》(2021,vol.39,no.2,pp.454
‑
461)上发表的“一种面向物联网的智能反射面通信系统优化方法”提出了一种新的优化算法，将深度学习技术与智能反射面相结合，通过训练神经网络建立信道状态信息与智能反射面的最优反射系数矩阵之间的映射关系，实现智能反射面的实时重配置进而提升接收端的用户通信速率。但这种优化算法是建立在发射机与接收机均为单根天线的条件下，对于Massive MIMO系统并不适用。
[0004]通过查阅资料发现基于智能反射面Massive MIMO通信系统的相关文献比较少，基于智能反射面的Massive MIMO系统的研究仍有很大的空间。通过与现有的相关文献对比，尚未发现与本专利技术相同的智能反射面Massive MIMO系统资源分配方法，更未发现基于量子蝴蝶优化机制的智能反射面Massive MIMO系统资源分配方法。

技术实现思路

[0005]为了解决目前的基于智能反射面的Massive MIMO通信系统存在的问题，提出了一种系统资源分配方法，通过将蝴蝶算法量子化所得的量子蝴蝶优化(Quantum Butterfly Optimization Algorithm,QBOA)机制，实现最优反射系数充分发挥智能反射面的性能极限来实现Massive MIMO通信系统各种资源的最优分配，从而提高系统的资源利用率及系统的
容量。
[0006]本专利技术的目的是这样实现的：步骤如下：
[0007]步骤一：建立一个基于智能反射面的Massive MIMO系统模型；
[0008]步骤二：初始化量子蝴蝶群；
[0009]步骤三：根据全局搜索或局部搜索规则更新量子蝴蝶群的量子位置；
[0010]步骤四：计算适应度，根据选择机制确定量子位置，更新感官模态和幂指数；
[0011]步骤五：判断迭代是否终止，输出最优分配方案，若迭代次数已经达到设定的最大迭代次数，即t＝T，则终止迭代，将量子蝴蝶群的全局最优量子位置输出；否则令t＝t+1，返回继续执行步骤三；根据量子位置与位置之间的映射规则得到全局最优位置，进而得到基于智能反射面的Massive MIMO系统资源分配方法。
[0012]进一步地，步骤一具体包括：基于智能反射面的Massive MIMO系统应该基站、中心控制器、智能反射面、用户接收端；基站的天线数目为J根，智能反射面的反射元个数为L，用户接收端的天线数目为K根；设基站传输功率的矩阵为p
x
(x＝1,2,...,J)表示基站第x根天线的传输功率，diag{.}表示对角矩阵；基站发送信号后，通过中心控制器调整智能反射面中反射元的相移，使得接收端处的信息传输速率达到最大；设智能反射面的相移矩阵为具体表示为γ为反射系数，θ
i
(i＝1,2,...,L)表示第i个反射元的相移控制角；令θ＝[θ1,θ2,...,θ
L
]，即为智能反射面中各个反射元的相移控制角所组成的矩阵；将基站到接收端的信道状态信息用表示，基站到智能反射面的信道状态信息用表示，智能反射面到接收端的信道状态信息用表示；
[0013]将基站发送的单位能量信号表示为设最终接收端接受到的信号为将智能反射面处的复高斯白噪声用表示，接收端处的复高斯白噪声用表示，则可以得到进一步得到经过智能反射面的协作后，接收端的信息传输速率：
[0014][0015]其中，Ι
K
为K
×
K维单位矩阵，(.)
H
表示矩阵的共轭转置，det(.)表示求矩阵行列式的值，e1表示智能反射面处的噪声功率，e2表示接收端处的噪声功率；Massive MIMO系统的容量表示为Z(P,θ)＝R。
[0016]进一步地，步骤二具体包括：量子蝴蝶群的群体规模为N，且每只量子蝴蝶的搜索空间维数为D(D＝J+L),J表示基站天线数，L表示智能反射面的反射元个数；量子蝴蝶群进化到第t代时，第n只量子蝴蝶的量子位置为其中d＝1,2,...,D，初代所有量子蝴蝶的量子位置在量子区间随机产生；第n只量子蝴蝶的第d维量子位置与位置之间的映射规则为则第t代第n只量子蝴蝶的位置为则第t代第n只量子蝴蝶的位置为
和为量子蝴蝶群在第d维搜索区间所能取到的最小值和最大值；基于智能反射面的Massive MIMO系统资源分配方法对应于每一代量子蝴蝶群中的每一只量子蝴蝶的位置，量子蝴蝶位置的优化过程即为Massive MIMO系统资源分配方法优化的过程；令第t代第n只量子蝴蝶的适应度函数为则可以计算出第t代第n只量子蝴蝶的位置的适应度，也就是量子位置的适应度；将量子蝴蝶群迭代到第t代时为止适应度最大的量子蝴蝶的量子位置记作全局最优量子位置量子蝴蝶群迭代到第t代时，第n只量子蝴蝶的刺激强度记为其中k为一常数，其香味浓度的大小记为c
t
为量子蝴蝶群进化到第t代时的感官模态，α
t
为量子蝴蝶群进化到第t代时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能反射面Massive MIMO系统资源分配方法，其特征在于，步骤如下：步骤一：建立一个基于智能反射面的Massive MIMO系统模型；步骤二：初始化量子蝴蝶群；步骤三：根据全局搜索或局部搜索规则更新量子蝴蝶群的量子位置；步骤四：计算适应度，根据选择机制确定量子位置，更新感官模态和幂指数；步骤五：判断迭代是否终止，输出最优分配方案，若迭代次数已经达到设定的最大迭代次数，即t＝T，则终止迭代，将量子蝴蝶群的全局最优量子位置输出；否则令t＝t+1，返回继续执行步骤三；根据量子位置与位置之间的映射规则得到全局最优位置，进而得到基于智能反射面的Massive MIMO系统资源分配方法。2.根据权利要求1所述的一种智能反射面Massive MIMO系统资源分配方法，其特征在于，步骤一具体包括：基于智能反射面的Massive MIMO系统应该基站、中心控制器、智能反射面、用户接收端；基站的天线数目为J根，智能反射面的反射元个数为L，用户接收端的天线数目为K根；设基站传输功率的矩阵为p
x
(x＝1,2,...,J)表示基站第x根天线的传输功率，diag{.}表示对角矩阵；基站发送信号后，通过中心控制器调整智能反射面中反射元的相移，使得接收端处的信息传输速率达到最大；设智能反射面的相移矩阵为具体表示为γ为反射系数，θ
i
(i＝1,2,...,L)表示第i个反射元的相移控制角；令θ＝[θ1,θ2,...,θ
L
]，即为智能反射面中各个反射元的相移控制角所组成的矩阵；将基站到接收端的信道状态信息用表示，基站到智能反射面的信道状态信息用表示，智能反射面到接收端的信道状态信息用表示；将基站发送的单位能量信号表示为设最终接收端接受到的信号为将智能反射面处的复高斯白噪声用表示，接收端处的复高斯白噪声用表示，则可以得到进一步得到经过智能反射面的协作后，接收端的信息传输速率：其中，Ι
K
为K
×
K维单位矩阵，(.)
H
表示矩阵的共轭转置，det(.)表示求矩阵行列式的值，e1表示智能反射面处的噪声功率，e2表示接收端处的噪声功率；Massive MIMO系统的容量表示为Z(P,θ)＝R。3.根据权利要求1所述的一种智能反射面Massive MIMO系统资源分配方法，其特征在于，步骤二具体包括：量子蝴蝶群的群体规模为N，且每只量子蝴蝶的搜索空间维数为D(D＝J+L),J表示基站天线数，L表示智能反射面的反射元个数；量子蝴蝶群进化到第t代时，第n只量子蝴蝶的量子位置为其中d＝1,2,...,D，初代所有量子蝴蝶的量子位置在量子区间随机产生；第n只量子蝴蝶的第d维量子位置与位置之间的映射规则为则第t代第n只...

【专利技术属性】
技术研发人员：高洪元，赵立帅，程建华，崔志华，苏雨萌，陈梦晗，刘亚鹏，陈暄，狄妍岐，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：