Sơ đồ khối phương pháp đề xuất để giải bài tối phân bổ công suất tập

Một phần của tài liệu Phân bổ tài nguyên sử dụng lý thuyết trò chơi và tối ưu hóa để quản lý can nhiễu trong mạng vô tuyến mật độ cao (Trang 85 - 93)

V. CÁN BỘ HƯỚNG DẪN: 1 TS Nguyễn Đình Long

3 PHƯƠNG PHÁP ĐỀ XUẤT DÙNG PHÂN CỤM VÀ PHÂN BỔ

3.2 Sơ đồ khối phương pháp đề xuất để giải bài tối phân bổ công suất tập

3.4.2 Phân bổ cơng suất phân tán dùng trị chơi Stackelberg(P5, P6) (P5, P6)

Lời giải của các phương pháp phân bổ công suất tập trung thường là lựa chọn tốt nhất cho các MBS và các SBS. Tuy nhiên, khi số lượng các small cell tăng lên thì thời gian tính tốn của những phương pháp này cũng tăng đáng kể. Do đó, các phương pháp phân bổ cơng suất tập trung khó có thể thỏa mãn các ràng buộc khắc khe về thời gian của UDN khi áp dụng trong 5G và 6G. Trong nội dung này, luận văn đề xuất phương pháp phân bổ cơng suất phân tán dựa trên trị chơi Stackelberg để giảm đáng kể độ phức tạp của bài toán tối ưu gốc trong khi độ hiệu quả của lời giải vẫn đảm bảo. Trò chơi Stackelberg là dạng trị chơi khơng hợp tác (NCG), các người chơi khơng có xu hướng hợp tác với nhau để chia lợi ích. Tuy nhiên, điểm đặc biệt của trò chơi Stackelberg là giữa các người chơi với nhau có sự ưu tiên khác nhau, cụ thể có hai mức ưu tiên. Những người chơi có mức ưu tiên cao gọi là các lãnh đạo (leaders) và những người chơi cịn lại có mức ưu tiên thấp hơn gọi là các nhân viên (followers). Khi bắt đầu trò chơi ở dạng trò chơi Stackelberg, các lãnh đạo sẽ lựa chọn các hành động tối ưu của mình trước. Sau đó, các nhân viên sẽ quan sát hành động của các lãnh đạo và đưa ra lựa chọn hành động tối ưu cho chính họ. Do đó, trị chơi Stackelberg cịn được gọi là trị chơi khơng hợp tác hai bước (two-stage NCG).

Trong các bài tốn phân bổ cơng suất được trình bày trong nội dung 3.1.2, các MBS có đường truyền đến các MUE thơng thường xa hơn nhiều so với khoảng cách từ SBS đến SUE. Khoảng cách lớn dẫn đến các vấn đề về nhiễu xạ, tán xạ, khúc xạ, che chắn và độ trễ của tín hiệu biểu hiện một cách rõ ràng gây ảnh hưởng xấu đến chất lượng tín hiệu thu. Trong khi đó, MBS được giao nhiệm vụ đảm bảo phục vụ toàn bộ những UE ngoài tầm bao phủ của small cell với tốc độ dữ liệu tối thiểu bị ràng buộc. Do đó, MBS cần được ưu tiên cao hơn SBS về việc phân bổ cơng suất trong một trị chơi Stackelberg.

Phân bổ công suất cho các lãnh đạo (MBS): Để giải bài toán tối ưu (3.3), một trị chơi khơng hợp tác được xây dựng có dạngN CGleader =⟨P LF,PF, ulF⟩trong đóP LF =F là tập các người chơi (các MBS),PF là ma trận phân bổ cơng suất cho

tất cả các MBS trên tồn bộ các kênh truyền con, và ulF(f)là hàm lợi ích tương ứng với tổng EE của các MUE được phục vụ bởi MBS f. Lời giải của N CGleader là một cân bằng Nash trong đó khơng tồn tại bất kỳ một MBS nào có xu hướng thay đổi lựa chọn giá trị cơng suất của mình, và giá trị cơng suất của mỗi MBS là phản hồi tốt nhất khi công suất của các MBS được cho trước. Bằng các sử dụng lý thuyết trị chơi, bài tốn tối ưu (3.3) có thể được chia thành nhiều bài toán tối ưu nhỏ cho các MBS để tìm phản hồi tốt nhất của mỗi người chơi. Trong mỗi bài toán tối ưu con, một lời giải tối ưu cho một MBS sẽ được xác định trong khi cơng suất của các MBS cịn lại cố định. Một bài tốn tối ưu con cho MBS f được mơ tả như sau

max Pf ulF(f) = P m∈Mf log2(1 +γm) Ptotal f = Af(Pf) Bf(Pf) (3.16a) s.t. N X n=1 X m∈Mf a(n)m,fp(n)m,f ≤PMBSmax, (3.16b) p(n)m,f ≥0,∀m ∈ Mf, n = 1, ..., N, (3.16c) γm ≥γmmin,∀m ∈ Mf, (3.16d) trong đó, γmmin ≜ 2T pmmin/BW −1 là SINR tối thiểu để đảm bảo chất lượng dịch vụ của các MUE. Hàm mục tiêu (3.16a) là một phân số lõm-lồi (concave-convex fraction). Do đó, phương pháp Dinkelbach được sử dụng để giải bài toán tối ưu (3.16). Cụ thể, luận văn giới thiệu một biến mới λf, và bài toán tối ưu (3.16) có thể viết lại như sau

max

Pf

U Tf(Pf, λf) =Af(Pf)−λfBf(Pf) (3.17a)

s.t. (3.16b),(3.16c),(3.16d)

Hàm mục tiêu (3.17a) là một hàm lõm nên bài toán tối ưu (3.17) là bài toán tối ưu lồi. Do đó, bài tốn tối ưu (3.17) có thể được giải hiệu quả sử dụng các công cụ CVX hoặc CVXPY [142, 154]. Lời giải tối ưu P∗f cũng là lời giải tối ưu của bài toán (3.16) nếu U Tf(P∗f, λ∗

f) = 0. Thuật tốn 3 được sử dụng để tìm lời giải cho trị chơi khơng hợp tácN CGleader.

(3.4), một trị chơi khơng hợp tác được xây dựng có dạng như sau N CGf ollower = ⟨P LC,PC, ulC⟩ trong đó P LC = C là tập hợp các người chơi (các cụm SBS), PC là một ma trận phân bổ công suất cho tất cả các cụm SBS, vàulC(Ci)là hàm lợi ích của tổng EE của các cụm Ci. Bài tốn phân bổ cơng suất cho các SBS (3.4) có thể phân thành nhiều bài toán tối ưu con bằng cách sử dụng trị chơi khơng hợp tác. Một bài toán tối ưu con cho cụmCi được mô tả như sau

max

PCi

ulC(Ci) =

P

u∈UCilog2(1 +γu)

P b∈CiPbtotal = ACi(PCi) BCi(PCi) (3.18a) s.t. N X n=1 X u∈UCi p(n)u,b ≤PSBSmax,∀b ∈ Ci, (3.18b) p(n)u,b ≥0,∀b ∈ Ci, n= 1, ..., N, (3.18c) γu ≥γsmin,∀u∈ UCi. (3.18d)

trong đó, γsmin ≜2T psmin/BW −1 là giá trị SINR nhỏ nhất để đảm bảo tốc độ truyền tối thiểu cho mỗi SUE. Để tìm được phản hồi tốt nhất cho cụm Ci, trước tiên, công suất phát trên các cụm khác được cố định. Phản hồi tốt nhất của cụm Ci chính là lời giải của bài tốn (3.18). Thuật toán Dinkelbach được sử dụng để giải bài tốn tối ưu (3.18) bởi vì hàm mục tiêu của nó là một phân số lõm-lồi. Cụ thể là, một biến mới được giới thiệu là λCi, và bài tốn tối ưu (3.18) có thể được viết lại như sau

max

PCi

U TCi(PCi, λCi) =ACi(PCi)−λCiBCi(PCi) (3.19a)

s.t. (3.18b),(3.18c),(3.18d).

Hàm mục tiêu (3.19a) là một hàm lõm nên bài toán tối ưu (3.19) là tối ưu lồi. Do đó, bài tốn (3.19) cũng có thể được giải hiệu quả bằng cách sử dụng công cụ CVX or CVXPY [142, 154]. Lời giải tối ưu P∗Ci cũng là lời giải tối ưu của bài toán (3.18) nếu U TCi(P∗Ci, λ∗

Ci) = 0. Thuật tốn 3 được dùng để tìm lời giải cho trị chơi khơng hợp tác

Algorithm 3 Phân bổ công suất cho các macrocell và các small cell sử dụng trị chơi Stackelberg

1: Khởi tạo tập cơng suất của các MBS P(0)M BS sao cho thỏa mãn các ràng buộc (3.16b), (3.16c), (3.16d), k= 0

2: while trạng thái hội tụ chưa đạt được 3: P(k)M BS =P(k−1)M BS 4: for f ∈ F 5: P(tmp)f =P(k)f 6: while U Tf(P(tmp)f , λf)> ϵ 7: λf = Af(P (tmp) f ) Bf(P(tmp)f )

8: P(tmp)f =P∗f,P∗f là lời giải của OP (3.17) 9: end while

10: P(out)f =P(tmp)f

11: end for

12: P(k)M BS =P(out)M BS, k =k+ 1 13: end while

14: Khởi tạo tập công suất của các SBS trong các cụm P(0)cluster sao cho thỏa mãn các ràng buộc (3.18b), (3.18c), (3.18d),k = 0

15: while trạng thái hội tụ chưa đạt được 16: P(k)cluster =P(k−1)cluster

17: for Ci ∈ C 18: P(tmp)Ci =P(k)Ci

19: while U TCi(P(tmp)Ci , λCi)> ϵ 20: λCi = A(P

(tmp)

Ci )

B(P(tmp)Ci )

21: P(tmp)Ci =P∗Ci,P∗Ci là lời giải của OP (3.19) 22: end while

23: P(out)Ci =P(tmp)Ci

24: end for

25: P(k)cluster =P(out)cluster, k =k+ 1 26: end while

Chương 4

KẾT QUẢ MÔ PHỎNG TRONG UDN NHIỀU TẦNG VÀ TÍCH HỢP VỆ TINH

Trong chương này, luận văn đánh giá hiệu suất của các phương pháp đề xuất trong UDN hai tầng. Ba macrocell lục giác đều với bán kính bao phủ 100 m được bố trí liền kề nhau. Trong mỗi macrocell, một MBS với 128 ăng ten được đặt ở trung tâm của cell. Thêm vào đó, một số lượng lớn các small cell với bán kính bao phủ 20 m được phân bố ngẫu nhiên bởi PPP. Mỗi small cell có một SBS được lắp đặt một ăng ten đẳng hướng. Những UE trong tầm bao phủ của bất kỳ một small cell nào thì sẽ được phục vụ bởi cụm chứa small cell đó, và những UE cịn lại được phục vụ bởi MBS. Các thông số mô phỏng được cho trong bảng 4.1 [155]. Ngoài ra, để chứng minh sự hiệu quả của phương pháp phân cụm được đề xuất, luận văn giới thiệu hai phương pháp phân cụm khác. Phương pháp đầu tiên là phân cụm truyền thống, mỗi SUE được phục vụ bởi SBS gần nhất. Trong khi đó, với phương pháp phân cụm ngẫu nhiên, mỗi SUE kết nối ngẫu nhiên với một SBS có khoảng cách nhỏ hơn d = 3× bán kính của small cell. Ngồi ra, phương pháp phân bổ cơng suất bằng nhau cũng được sử dụng để so sánh với các phương pháp phân bổ công suất tối đa EE. Trong phương pháp phân bổ công suất này, công suấtPmax

M BS/2 của mỗi MBS được phân chia đồng đều để phục vụ cho các MUE kết nối với nó. Từ viết tắt của các chiến lược kết hợp các phương pháp

Bảng 4.1: Thông số mô phỏng.

Thông số Giá trị

Tần số sóng mang/Tổng băng thơng 2 GHz/20 MHz Băng thơng mỗi kênh truyền con 4 MHz

Số kênh truyền con 5

Suy hao đường truyền từ MBS đến UE 128.1 + 37.6 log10d [dB], (d km) Suy hao đường truyền từ SBS đến UE 140.7 + 36.7 log10d [dB], (d km) Độ lệch chuẩn của shadowing 8 dB

Mật độ công suất nhiễu -174 dBm/Hz Công suất truyền tối đa của MBS 46 dBm Công suất truyền tối đa của SBS 30 dBm Công suất mạch của MBS 20%Pmax

M BS Cơng suất mạch của SBS 20%Pmax

SBS

Bán kính macrocell 100 m

Bán kính small cell 20 m

Số ăng ten phát mỗi MBS 128 Tốc độ tối thiểu của MUE 0.1 Mbps Tốc độ tối thiểu của SUE 1 Mbps

phân cụm và phân bổ công suất được cho trong bảng 4.2. Để giải các bài tốn tối ưu và xây dựng chương trình mơ phỏng, gói CVX và ngơn ngữ lập trình MATLAB được sử dụng [142]. Nền tảng tính tốn là một máy tính được lắp đặt CPU @3.7 GHz và 32 GB RAM bộ nhớ.

Hình 4.1 minh họa một UDN với 3 macrocell bao gồm 100 SUE và 24 MUE với mật độ SBS là 2000 SBS/km2. Với cận cảnh đầu tiên trong hình 4.1(a), hai small cell liền kề sử dụng cùng một kênh truyền con để phục vụ SUE của chúng. Điều này gây ra can nhiễu liên cell lớn đến các SUE này. Trong khi đó, sau khi sử dụng coalition game, hai small cell này hình thành một cụm để kết hợp với nhau truyền tín hiệu đến các

Bảng 4.2: Viết tắt của các chiến lược kết hợp các phương pháp.Viết tắt Phân cụm PA cho macrocell PA cho small cell Viết tắt Phân cụm PA cho macrocell PA cho small cell

CGCO Coalition Game Tối ưu tập trung Tối ưu tập trung CGDO Coalition Game Lý thuyết trò chơi Lý thuyết trò chơi TCDO Phân cụm truyền

thống Lý thuyết trò chơi Lý thuyết trò chơi RCDO Phân cụm ngẫu nhiên Lý thuyết trò chơi Lý thuyết trò chơi TCEP Phân cụm truyền

thống Phân bổ công suấtbằng nhau Phân bổ công suấtbằng nhau

SUE (cận cảnh đầu tiên trong hình 4.1(b)). Do đó, khơng có can nhiễu trong cùng một cụm. Một lợi ích khác của việc phân cụm là tăng cường chất lượng của tín hiệu mong muốn, được thể hiện trong những cận cảnh thứ hai. SUE được gán cho kênh truyền con đánh dấu bởi màu đỏ sẽ được phục vụ bởi hai small cell có khoảng cách gần như tương đương nhau đến SUE đó. Do đó, cơng suất của tín hiệu mong muốn nhận được tại SUE này sẽ được tăng cường so với việc chỉ sử dụng một cell để phục vụ như trong phương pháp phân cụm truyền thống.

4.1 Đánh giá tốc độ hội tụ của các phương pháp đề xuất

Trong mục này, luận văn khảo sát tốc độ hội tụ của CGCO và CGDO trong mạng với mật độ của SBS là 2000 SBS/km2, 100 SUE, 3 MBS, và 24 MUE. Sự khác nhau trong giá trị EE của những phương pháp này thay đổi qua các vòng lặp trong tầng macrocell và tầng small-cell được thể hiện tương ứng trong hình 4.2(a) và hình 4.2(b). Luận văn mặc định rằng một vòng lặp của phương pháp dựa vào lý thuyết trò chơi là khi các best respond của tất cả các người chơi được cập nhật. Tại vị trí hội tụ, giá trị EE của CGDO ln nhỏ hơn EE của CGCO. Cụ thể, EE của CGDO nhỏ hơn 0.65% trong tầng macrocell và 15.39% trong tầng small-cell so với EE của CGCO. Tuy nhiên, CGDO gần như hội tụ về vị trí cân bằng của trị chơi chỉ sau một vòng lặp cập nhật

-200 -150 -100 -50 0 50 100 150 200 -150 -100 -50 0 50 100 150 200

(a) Sau khi phân cụm truyền thống và SCA

-200 -150 -100 -50 0 50 100 150 200 -150 -100 -50 0 50 100 150 200

(b) Sau khi phân cụm dùng coalition game và SCA

Một phần của tài liệu Phân bổ tài nguyên sử dụng lý thuyết trò chơi và tối ưu hóa để quản lý can nhiễu trong mạng vô tuyến mật độ cao (Trang 85 - 93)