基于无人机辅助的去蜂窝大规模MIMO系统的资源优化方法

基于无人机辅助的去蜂窝大规模mimo系统的资源优化方法
技术领域
1.本发明属于通信资源管理领域，尤其涉及一种基于无人机辅助的去蜂窝大规模mimo系统的资源优化方法。


背景技术：

2.去蜂窝大规模mimo(大规模多输入多输出)预计将超越5g(b5g)无线技术，因为它提供了更高的频谱效率、更高的能量效率和更好的空间分集。然而，每个接入点(ap)和中央处理单元(cpu)之间的大量长电缆(前端运输要求)阻碍了其实际应用。近年来，uav凭借其在快速部署、可控机动性、低成本和高概率的空对地链路视线方面的绝对优势，常被考虑作为空中通信辅助工具，用在自然灾害造成部分或全部基础设施损坏后以及通信拥塞地区的快速服务恢复。因此，无人机作为空中ap的加入能有效改善去蜂窝大规模mimo系统中大量长电缆带来的挑战。尽管uav能够突破传统去蜂窝大规模mimo的限制，但仍有一些剩余的问题需要解决。
3.联合uav的去蜂窝大规模mimo系统最关键的问题之一是资源分配。首先，地面ap已经能够为邻近用户提供高质量的服务，若uav调度不当会造成邻近用户的通信切换，将会增加系统负担降低用户服务质量。此外，uav系统的性能和运行时间从根本上受到机载能量有限的限制，如果没有为uav设计较好的停靠点，会造成uav大量的机动性能耗，降低其通信效益。除外，当无线电资源不足时，uav在覆盖多个最远用户的部署不能满足某些用户的服务质量要求(qoe),设计多架无人机以满足用户的qoe很容易，但整个系统可能产生大量的资源消耗。最后，用户的qoe需求是多样性和随机分布，改善用户体验并在用户之间实现公平的性能,对于cpu来说，做出合理的资源调度和分配是很有挑战性的。


技术实现要素：

4.发明目的：本发明的目的在于提供一种基于无人机辅助的去蜂窝大规模mimo系统的资源优化方法，满足系统设备限制和所有用户qoe需求，即cpu能够根据用户请求实现uav最佳部署以及用户调度，同时考虑系统资源消耗，合理分配资源。
5.技术方案：本发明的基于无人机辅助的去蜂窝大规模mimo系统的资源优化方法，在目标区域部署无人机作为空中ap，通过执行以下步骤，构建联合服务通信模型，并基于该模型优化通信资源的配置；
6.步骤1：在目标区域部署无人机作为空中ap为信号覆盖盲区的用户提供服务，设计地面ap和空中ap联合服务的用户调度方案，
7.步骤2：基于地面ap和空中ap联合服务的用户调度方案，构建联合服务通信模型；
8.步骤3：设计包括用户调度、无人机的位置部署和用户功率分配的资源分配方案，最大化上述联合服务通信模型的用户最小下行速率；
9.步骤4：通过优化求解方法验证联合服务通信模型的可行性。
10.进一步的，所述步骤1具体包括：
11.ap的选择方法为每个用户一次连接服务范围内的多个ap，用二进制变量{χ
mk
、χ
uk
}分别表示用户地面ap和空中ap的调度情况，定义用户调度矩阵若用户k由地面ap点服务则二进制变量χ
mk
系数为1，否则为0，若用户由空中ap点提供服务则二进制变量χ
uk
＝1，否则为0；根据资源异构以及无人机部署的限制，考虑实现空中和地面ap点的协同接入规则：每次资源分配期间，每个用户和空中或者地面单个服务点通信；地面ap为目标区域所有用户提供服务；空中ap为目标区域无线覆盖范围内的用户提供服务，以二进制约束条件表示为：
[0012][0013][0014][0015]
其中，用户以及地面ap的集合分别用k、m表示，表示第k个用户的水平坐标，wa表示地面ap的水平坐标，表示无人机u的水平位置，ra、ru分别表示地面ap和空中ap的服务范围，ra受电缆长度的影响，ru由无人机飞行高度电量决定。
[0016]
进一步的，所述步骤2具体包括：
[0017]
步骤2-1、设计结合小尺度衰落和大尺度衰落的影响的信道模型，设g
mk
∈￡表示第m个ap和第k个用户之间的信道增益，信道传输模型为其中，β
mk
、h
mk
分别表示第m个ap和第k个用户之间的大尺度衰落系数和小尺度衰落因子，其中小尺度衰落是瑞利衰落，即h
mk
～cn(0,1)，地面ap点的大尺度衰落系数β
mk
建模为路径损耗和阴影衰落的乘积，即β
mk
＝pl
mk
·smk
，其中，s
mk
表示对数正态阴影，pl
mk
以三段式路径损耗表示为：
[0018][0019]
其中，l是取决于载波频率、用户和ap高度的常数，d
mk
是ap m和用户k之间的水平距离，d0、d1为参考值距离；
[0020]
步骤2-2、对于空中ap点和用户之间的通信链路，表示为：
[0021][0022]
其中，a1、a2分别是视距los和非视距nlos的路径损耗指数，分别是los链路和nlos链路的概率,为第u个无人机和第k个用户之间的欧式距离，
h为无人机的固定飞行高度；在设计基于空中ap点的通信系统时，考虑los和nlos链路的随机性，第u个空中ap和第k个用户之间的los传输概率为：
[0023][0024]
其中a、b是环境参数，u为空中ap的集合，是第k个用户和第u个空中ap之间的仰角，los概率模型将随着ap高度和仰角的增加而变大；第k个用户和第u个空中ap之间的平均大规模衰落表示为将信道模型以大规模形式推导有e{g
uk
}＝β
uk
；
[0025]
步骤2-3、在信道状况均已知的情景下，下行链路采用共轭波束形成发送信号给用户；结合用户调度下的用户k接收信号为其中x
ik
表示ap发出的信号；若用户由地面ap提供服务，则有：
[0026][0027]
其中，p
mk
为去蜂窝大规模mimo下行链路地面ap功率分配参数，sk为传输给用户的信号满足ε{|sk|2}＝1，ωk为加性高斯白噪声(awgn)；
[0028]
在空中ap只对其固定范围内的用户提供业务服务情景下，当空中ap悬停在固定位置时，其通信范围内的用户接收到的信号为：
[0029][0030]
其中，ρ
uk
为功率分配参数；
[0031]
用户的整个接收信号表示为
[0032]
进一步的，所述步骤3具体包括：
[0033]
步骤3-1、基于地面ap和空中ap联合服务的用户调度方案，在地面ap共享信道，空中ap共享信道情景下，地面用户一次由一种ap服务，用户调度约束满足
[0034]
步骤3-2.系统资源受限，ap的发射功率不能超过自身最大发射功率限制，约束如下：
[0035][0036]
其中，p
max
、ρ
max
分别为ap、无人机的最大发射功率；
[0037]
步骤3-3、最大化联合服务通信模型下的用户最小下行通信速率，结合用户调度约束、无人机部署约束以及功率分配约束，构建基于无人机辅助的传统去蜂窝mimo系统的资源分配优化问题，实现系统内用户的无盲点覆盖，优化问题如下所示：
[0038][0039][0040]
其中，式(8)中的(1)(2)是关于用户调度的约束，约束(3)是对无人机部署位置的限制，(4)(5)是对功率分配的约束，s
af
为多个无人机之间的最大安全距离。
[0041]
进一步的，所述步骤4具体包括：
[0042]
步骤4-1、上述优化问题(8)是一个混合整数非凸问题，采用块坐标下降和连续凸逼近技术将非凸问题转化为凸问题迭代求解；
[0043]
步骤4-2、首先将用户调度的二进制变量调整为0～1的连续变量，根据问题中含有的优化变量χ、q、p(p,ρ)，采用块坐标下降法将新的非凸问题分解为用户调度(χ)、空中ap部署(q)以及功率分配(p(p,ρ))三个子问题；基于连续凸优化技术，对于给定的空中ap部署以及功率分配通过优化用户调度，对于给定的用户调度以及功率分配优化空中ap部署，结合可变快分解对于给定的用户调度以及空中ap部署优化复杂功率分配；
[0044]
步骤4-3、记最大化用户最小速率问题为函数给定无人机部署位置以及功率分配时，用户调度凸优化问题为：
[0045][0046]
[0047]
其中，为展开干扰项的一阶泰勒展开上界，在每次迭代中，原始函数在给定的局部点处由更易于处理的函数逼近，λr为第r次迭代中的目标结果，χr定义为第r次迭代中得到的用户结果，则
[0048][0049]
在给定q、p、ρ时，该问题是凸问题，由求解器求解；
[0050]
步骤4-4、对于给定的χ、p、ρ以及任意给定的局部点qr，空中ap部署凸优化问题为：
[0051][0052][0053]
其中，其中，是ru的放缩后的值，的放缩后的值，分别为的一阶系数和常量，为第r次迭代中得到的空中ap部署结果；
[0054]
步骤4-5、引入用于表示ap点m处的传输功率的可变块pm,m＝1...m，以p-m
表示除了m可变块的其他可变块集合；对于给定的χ、q，功率分配凸优化问题为：
[0055][0056][0057]
其中，分别为一阶泰勒展开上界；
[0058]
步骤4-6、每个子问题的可行集都是可行集合的子集，则
[0059]
λ(χr,qr，{pr，ρr})《λ(χ
r+1
,q
r+1
，{p
r+1
，ρ
r+1
})
[0060]
因此问题的求解过程是收敛的。因此本发明提出的基于无人机辅助的去蜂窝大规模mimo系统的资源优化方法，通过用户调度、无人机部署、功率分配等方案实现了系统覆盖性能以及用户通信性能的提升。
[0061]
有益效果：与现有技术相比，本发明具有如下显著优点：
[0062]
1.本方法在传统去蜂窝大规模mimo加入空中ap点uav，提高系统无线覆盖性能；
[0063]
2.本方法能够合理安排uav的部署，防止用户连接的随意切换以及系统资源浪费；
[0064]
3.本方法设计公平的资源分配方案，包括用户调度方案、无人机的位置部署方案、用户功率分配方案，各个方案之间迭代求解，能确保系统的合理性和稳定性。
附图说明
[0065]
图1为基于无人机辅助的去蜂窝大规模mimo系统的资源优化方法的流程图。
[0066]
图2为基于无人机辅助的去蜂窝大规模mimo系统的资源优化方法的系统模型图。
具体实施方式
[0067]
下面结合附图对本发明的技术方案作进一步说明。
[0068]
一种基于无人机辅助的去蜂窝大规模mimo系统的资源优化方法，如图1所示，包括以下步骤：
[0069]
由于地面每个ap和cpu之间的使用长电缆进行部署，受电缆长度的限制，远距离用户无法接入ap,易部署的uav作为空中ap可以为覆盖盲区的用户提供服务，但uav的加入一定程度上增加了系统资源负担，此外若uav部署不当会对地面其他用户产生干扰，影响系统整体稳定性。因此，在下面部分，从设计高效且公平的资源分配角度出发设计用户调度方案以及联合通信模型，确保边缘用户能够正常连接通信。
[0070]
步骤101：设计基于地面ap和空中ap联合服务的用户调度规则。
[0071]
步骤101-1.假设ap的选择方法为每个用户一次连接服务范围内的多个ap，用二进制变量{χ
mk
、χ
uk
}分别表示用户的调度情况，定义用户调度矩阵若用户k由地面ap点服务则二进制变量χ
mk
系数为1，否则为0，即
[0072][0073]
若用户由空中ap点提供服务则二进制变量χ
uk
＝1，否则为0，即
[0074][0075]
步骤101-2.为实现空中和地面ap点的协同作用，进一步考虑资源异构以及无人机部署的限制，考虑一下接入规则：每次资源分配期间，1)每个用户一次只能和空中或者地面单个服务点通信；2)地面ap能为有限范围内所有用户提供服务；3)空中ap为其无线覆盖范围内的用户提供服务，这些原则以二进制约束条件表示为：
[0076][0077][0078][0079]
其中，用户以及地面ap的集合分别用k、m表示，表示第k个用户的水平坐标，wa表示地面ap的水平坐标，表示无人机u的水平位置，
ra、ru分别表示地面ap和空中ap的服务范围，ra受电缆长度的影响，ru由无人机飞行高度电量等决定。
[0080]
步骤102：地面通信大尺度衰落系数主要受到路径损耗和阴影衰落的影响，uav和地面用户的通信一般是视距传播，大尺度衰落和uav高度以及与地面用户夹角有关。根据上述用户调度规则，用户设备一次仅接收一种服务，因此，以下设计受用户调度规则影响的联合服务的通信模型。
[0081]
步骤102-1.信道模型结合了小尺度衰落和大尺度衰落的影响，设g
mk
∈￡表示第m个ap和第k个用户之间的信道增益，信道传输模型为其中，β
mk
、h
mk
分别表示第m个ap和第k个用户之间的大尺度衰落系数和小尺度衰落因子，其中小尺度衰落是瑞利衰落，即h
mk
～cn(0,1),地面ap点的大尺度衰落系数β
mk
建模为路径损耗和阴影衰落的乘积，即β
mk
＝pl
mk
·smk
其中，s
mk
表示对数正态阴影，pl
mk
以三段式路径损耗表示为：
[0082][0083]
其中，l是取决于载波频率、用户和ap高度的常数，d
mk
是ap m和用户k之间的水平距离，d0、d1为参考值距离；。
[0084]
步骤102-2.对于空中ap点和用户之间的通信链路，可以以类似的方式获得信道增益，即
[0085][0086]
其中a1、a2分别是视距(los)和非视距(nlos)的路径损耗指数，分别是los链路和nlos链路的概率,为第u个无人机和第k个用户之间的欧式距离，h为无人机的固定飞行高度。在设计基于空中ap点的通信系统时，应考虑los和nlos链路的随机性，第u个空中ap和第k个用户之间的los传输概率为
[0087][0088]
其中a、b是环境参数，是第k个用户和第u个空中ap之间的仰角，因此los概率模型将随着无人机高度和仰角的增加而变大。进一步，第k个用户和第u个空中ap之间的平均大规模衰落可以表示为
[0089]
由于空中ap部署的时间尺度远大于信道相干时间，因此，泄漏干扰、网络度量和实际约束应以大规模形式均导出，即e{g
uk
}＝β
uk
。
[0090]
步骤102-3.假设信道状况均已知，下行链路采用共轭波束形成发送信号给用户。因此，结合用户调度下的用户k接收信号为其中x
ik
表示ap发出的信
号。具体地，若用户由地面ap提供服务，则
[0091][0092]
其中，p
mk
为去蜂窝大规模mimo下行链路地面ap功率分配参数，sk为传输给用户的信号满足ε{|sk|2}＝1，ωk为加性高斯白噪声(awgn)。
[0093]
假设空中ap只对通信覆盖范围内的用户提供业务服务，而不会对其他用户信号造成干扰。当空中ap悬停在固定位置时，其通信范围内的用户接收到的信号为
[0094][0095]
其中，ρ
uk
为功率分配参数。
[0096]
用户的整个接收信号表示为
[0097]
步骤103：空中ap的调度主要为远距离用户提供服务，无人机的部署应在多个远距离用户之间，同时考虑不能被近距离用户抢占服务资源。另外，无人机之间应保持安全距离，避免发生碰撞。在这种情况下，需要设计公平的资源分配方案，利用有限的资源最大化用户覆盖范围。
[0098]
步骤103-1.假设地面ap之间共享信道，空中ap之间共享信道，且两者之间不存在干扰，地面用户一次只由一种ap服务，因此，用户调度应满足
[0099]
步骤103-2.空中ap的部署一定程度上受到地理环境的限制，多个空中ap之间保持安全的物理距离||q
j-qu||≤s
af
,u≠j。系统资源受限，
[0100]
ap的发射功率不能超过自身最大发射功率限制，满足以下约束：
[0101][0102]
其中，p
max
、ρ
max
分别为ap、无人机的最大发射功率；
[0103]
步骤103-3.最大化上述通信模型下的用户下行通信速率，结合用户调度约束、无人机部署约束以及功率分配约束，构建基于无人机辅助的传统去蜂窝mimo系统的资源分配优化问题，实现系统内用户的无盲点覆盖，优化问题如下所示：
[0104]
[0105][0106]
其中，(1)(2)是关于用户调度的约束，约束(3)是对无人机部署位置的限制，(4)(5)是对功率分配的约束。
[0107]
步骤104：通过优化求解方法验证所提出的无人机辅助模型的可行性。
[0108]
步骤104-1.由于用户调度和关联的优化变量是二进制的，以及无人机部署变量q和发射功率变量的非凸约束，因此优化问题是一个混合整数非凸问题，采用块坐标下降和连续凸逼近技术将非凸问题转化为凸问题迭代求解。具体地，基于连续凸优化技术，对于给定的空中ap部署以及功率分配通过优化用户调度，对于给定的用户调度以及功率分配优化空中ap部署，结合可变快分解对于给定的用户调度以及空中ap部署优化复杂功率分配。
[0109]
步骤104-2.为了使问题更易处理，首先将用户调度的二进制变量放松为0～1的连续变量，进一步采用块坐标下降法将新的非凸问题分解为用户调度、空中ap部署以及功率分配三个子问题。
[0110]
步骤104-3.记最大化用户最小速率问题为函数在给定的无人机部署位置以及功率分配下，用户调度优化处理得到的凸优化问题为：
[0111][0112][0113]
其中，为展开干扰项的一阶泰勒展开上界，在每次迭代中，原始函数在给定的局部点处由更易于处理的函数逼近，将χr定义为第r次迭代中得到的用户结果，为第r次求解中的目标值，则
[0114][0115]
在给定q、p、ρ时，该问题是凸问题，可以由求解器求解。
[0116]
步骤104-4.对于给定的χ、p、ρ以及任意给定的局部点qr，原始空中ap部署问题的近似为以下问题：
[0117][0118][0119]
其中，其中，是ru的放缩后的值，分别为的一阶系数和常量，为第r次迭代中得到的空中ap部署结果。
[0120]
步骤104-5.地面ap处的功率优化问题较复杂，因此，引入用于表示ap点m处的传输功率的可变块pm,m＝1...m，以p-m
表示除了m可变块的其他可变块集合。对于给定的χ、q，原始功率优化问题的近似凸问题为：
[0121][0122][0123]
其中，分别为一阶泰勒展开上界。
[0124]
步骤104-5.在经典块坐标下降法中，更新每个变量块的子问题需要在每次迭代中以最优性精确解决，且用户调度、部署优化以及发射功率优化都是整体约束函数的下界，即以下三个公式满足：
[0125]
λ(χr,qr，{pr，ρr})《λ(χ
r+1
,qr，{pr，ρr})
[0126]
＜λ(χ
r+1
,q
r+1
，{pr，ρr})
[0127]
＜λ(χ
r+1
,q
r+1
，{p
r+1
，ρ
r+1
})
[0128]
因此问题的求解过程是收敛的，因此本发明提出的基于无人机辅助的去蜂窝大规模mimo系统的资源优化方法，通过用户调度、无人机部署、功率分配等方案实现了系统覆盖性能以及用户通信性能的提升。

技术特征：
1.一种基于无人机辅助的去蜂窝大规模mimo系统的资源优化方法，其特征在于，在目标区域部署无人机作为空中ap，通过执行以下步骤，构建联合服务通信模型，并基于该模型优化通信资源的配置；步骤1：在目标区域部署无人机作为空中ap为信号覆盖盲区的用户提供服务，设计地面ap和空中ap联合服务的用户调度方案；步骤2：基于地面ap和空中ap联合服务的用户调度方案，构建联合服务通信模型；步骤3：设计包括用户调度、无人机的位置部署和用户功率分配的资源分配方案，最大化上述联合服务通信模型的用户最小下行速率；步骤4：通过优化求解方法验证联合服务通信模型的可行性。2.根据权利要求1所述一种基于无人机辅助的去蜂窝大规模mimo系统的资源优化方法，其特征在于，所述步骤1具体包括：ap的选择方法为用户每次连接服务范围内的多个ap，用二进制变量{χ
mk
、χ
uk
}分别表示用户k的地面ap和空中ap的调度情况，定义用户调度矩阵χ∈￡
k
×
(u+1)
,若用户k由地面ap点服务则二进制变量χ
mk
系数为1，否则为0，若用户由空中ap点提供服务则二进制变量χ
uk
＝1，否则为0；根据资源异构以及无人机部署的限制，考虑实现空中和地面ap点的协同接入规则：每次资源分配期间，每个用户和空中或者地面单个服务点通信；地面ap为目标区域所有用户提供服务；空中ap为目标区域无线覆盖范围内的用户提供服务，以二进制约束条件表示为：示为：示为：其中，表示第k个用户的水平坐标，w
a
表示地面ap的水平坐标，表示无人机u的水平位置，r
a
、r
u
分别表示地面ap和空中ap的服务范围，r
a
受电缆长度的影响，r
u
由无人机飞行高度电量决定。3.根据权利要求1所述一种基于无人机辅助的去蜂窝大规模mimo系统的资源优化方法，其特征在于，所述步骤2具体包括：步骤2-1、设计结合小尺度衰落和大尺度衰落的影响的信道模型，设g
mk
∈￡表示第m个ap和第k个用户之间的信道增益，信道传输模型为其中，β
mk
、h
mk
分别表示第m个ap和第k个用户之间的大尺度衰落系数和小尺度衰落因子，其中小尺度衰落是瑞利衰落，即h
mk
～cn(0,1)，地面ap点的大尺度衰落系数β
mk
建模为路径损耗和阴影衰落的乘积，即β
mk
＝pl
mk
·
s
mk
，其中，s
mk
表示对数正态阴影，pl
mk
以三段式路径损耗表示为：
其中，l是取决于载波频率、用户和ap高度的常数，d
mk
是apm和用户k之间的水平距离，d0、d1为参考值距离；步骤2-2、对于空中ap点和用户之间的通信链路，表示为：其中a1、a2分别是视距los和非视距nlos的路径损耗指数，分别是los链路和nlos链路的概率,为第u个无人机和第k个用户之间的欧式距离，h为无人机的固定飞行高度；在设计基于空中ap点的通信系统时，考虑los和nlos链路的随机性，第u个空中ap和第k个用户之间的los传输概率为：其中a、b是环境参数，u为空中ap的集合，是第k个用户和第u个空中ap之间的仰角，los概率模型将随着ap高度和仰角的增加而变大；第k个用户和第u个空中ap之间的平均大规模衰落表示为将信道模型以大规模形式推导有e{g
uk
}＝β
uk
；步骤2-3、在信道状况均已知的情景下，下行链路采用共轭波束形成发送信号给用户；结合用户调度下的用户k接收信号为其中x
ik
表示ap发出的信号；若用户由地面ap提供服务，则有：其中，p
mk
为去蜂窝大规模mimo下行链路地面ap功率分配参数，s
k
为传输给用户的信号满足ε{|s
k
|2}＝1，ω
k
为加性高斯白噪声；在空中ap仅对其固定范围内的用户提供业务服务情景下，当空中ap悬停在固定位置时，其通信范围内的用户接收到的信号为：其中，ρ
uk
为功率分配参数；
用户的整个接收信号表示为4.根据权利要求1所述一种基于无人机辅助的去蜂窝大规模mimo系统的资源优化方法，其特征在于，所述步骤3具体包括：步骤3-1、基于地面ap和空中ap联合服务的用户调度方案，在地面ap共享信道，空中ap共享信道情景下，地面用户每次由一种ap服务，用户调度约束满足步骤3-2.将ap的发射功率约束如下：其中，p
max
、ρ
max
分别为ap、无人机的最大发射功率；步骤3-3、最大化联合服务通信模型下的用户最小下行通信速率，结合用户调度约束、无人机部署约束以及功率分配约束，构建基于无人机辅助的传统去蜂窝mimo系统的资源分配优化问题，实现系统内用户的无盲点覆盖，优化问题如下所示：配优化问题，实现系统内用户的无盲点覆盖，优化问题如下所示：χ
mk
、χ
uk
∈(0，1}
ꢀꢀꢀꢀ
(2)(2)其中，式(8)中的(1)(2)是关于用户调度的约束，约束(3)是对无人机部署位置的限制，(4)(5)是对功率分配的约束,s
af
为多个无人机之间的最大安全距离。5.根据权利要求4所述一种基于无人机辅助的去蜂窝大规模mimo系统的资源优化方法，其特征在于，所述步骤4具体包括：步骤4-1、上述优化问题(8)是一个混合整数非凸问题，采用块坐标下降和连续凸逼近技术将非凸问题转化为凸问题迭代求解；步骤4-2、首先将用户调度的二进制变量调整为0～1的连续变量，根据问题中含有的优化变量χ、q、p(p,ρ)，采用块坐标下降法将新的非凸问题分解为用户调度(χ)、空中ap部署(q)以及功率分配p(p,ρ)三个子问题；基于连续凸优化技术，对于给定的空中ap部署以及功率分配通过优化用户调度，对于给定的用户调度以及功率分配优化空中ap部署，结合可变快分解对于给定的用户调度以及空中ap部署优化复杂功率分配；步骤4-3、记最大化用户最小速率问题为函数给定无人机
部署位置以及功率分配时，用户调度凸优化问题为：部署位置以及功率分配时，用户调度凸优化问题为：部署位置以及功率分配时，用户调度凸优化问题为：部署位置以及功率分配时，用户调度凸优化问题为：部署位置以及功率分配时，用户调度凸优化问题为：其中，为展开干扰项的一阶泰勒展开上界，在每次迭代中，原始函数在给定的局部点处由更易于处理的函数逼近，λ
r
为第r次迭代中的目标结果，χ
r
定义为第r次迭代中得到的用户结果，则在给定q、p、ρ时，该问题是凸问题，由求解器求解；步骤4-4、对于给定的χ、p、ρ以及任意给定的局部点q
r
，空中ap部署凸优化问题为：，空中ap部署凸优化问题为：其中，其中，是r
u
的放缩后的值，的放缩后的值，分别为的一阶系数和常量，为第r次迭代中得到的空中ap部署结果；步骤4-5、引入用于表示ap点m处的传输功率的可变块p
m
,m＝1...m，以p-m
表示除了m可变块的其他可变块集合；对于给定的χ、q，功率分配凸优化问题为：
其中，分别为一阶泰勒展开上界；步骤4-6、每个子问题的可行集都是可行集合的子集，则λ(χ
r
,q
r
，{p
r
，ρ
r
})<λ(χ
r+1
,q
r+1
，{p
r+1
，ρ
r+1
})求解过程是收敛的，通过用户调度、无人机部署、功率分配方案实现了系统覆盖性能以及用户通信性能的提升。

技术总结
本发明公开了一种基于无人机辅助的去蜂窝大规模MIMO系统的资源优化方法。在无人机辅助的去蜂窝大规模MIMO系统场景中，无人机作为空中接入点和地面AP点联合为地面用户提供服务，该方法具体设计包括设计基于空-地AP联合服务的用户调度规则；根据调度规则，设计基于空-地联合服务的通信模型；设计公平的资源分配方案，包括用户调度方案、无人机的位置部署方案、用户功率分配方案，最大化上述通信模型的用户最小下行速率，最后通过块坐标下降和连续凸优化技术等优化求解方法验证所提出的效用模型的可行性。本发明能够根据当前用户和地面资源分布情况，提出包括无人机在内的最优资源分配策略，实现地面用户服务的无盲点覆盖。实现地面用户服务的无盲点覆盖。实现地面用户服务的无盲点覆盖。


技术研发人员：赵海涛 刘颖 王琴 倪艺洋 夏文超 孙金龙 刘淼 刘鹏飞
受保护的技术使用者：南京邮电大学
技术研发日：2023.03.31
技术公布日：2023/7/7