CN118785395B 无人机辅助6g支持智能交通系统的资源分配方法及系统 （重庆理工大学）

AutonomousTransportSysTRANSPORTATIONSYSTEMS.无人机辅助6G支持智能交通系统的资源分种无人机辅助6G支持智能交通系统的资源分配干扰超图模型设计一种减少重叠干扰的方法来作时间，提高网络吞吐量，为无人机辅助的6G_ITS2在所述步骤S1中，无人机辅助6G支持智能交通系统包含U个智能车辆即CAV以及B个基为L资源块即RB，每个资源块具有W/L赫兹；无人机辅助6G支持智能交通系统共有J条子信S2、基于无人机辅助6G支持智能交通系统的网络结S3、基于无人机辅助6G支持智能交通系统的网络结人机辅助6G支持智能交通系统的干扰类型包独立干扰是指，在两个DV运行的场景中，当其中一个DV产生的干扰超过S4、基于超图理论，构建基于无人机辅助6G支持S5、基于无人机辅助6G支持智能交通系统的网络结3S6、以最大化无人机辅助6G支持智能交通系S71、收集N个UV的信道数据集为H={H1,H2,…,HW}和M个AV的信道数据集为个子信道上的信道增益集合，Bnj表示第n个UV在第j个子信道上的信道增益集合，和xeRMXI、zeRNI表示辅助变量；D'=I(1-0)M1和分别是f(D)和f(H)的1_θ分位数的上界，f(D)表S76、将步骤S73计算得到的和nj和步骤S75计算得到的Z和X代入步骤S72构建的S8、基于信道增益数据对优化问题进行求解，得到无2.根据权利要求1所述的无人机辅助6G支持智能交通系统的资源分配方法，其特征在BS采用非正交多址接入方式为CAV提供服务，无人机采用无线通信携能技术将接收信4第m个AV即AVm和第n个D2D对即D2D对n的接收信号xmAVm的信号干扰加噪声比即SINR由3.根据权利要求1所述的无人机辅助6G支持智能交通系统的资源分配方法，其特征在邻接矩阵A和功率矩阵P的乘积必须小于等于干扰阈值矩阵I，干扰阈值矩阵设置为每4.根据权利要求1所述的无人机辅助6G支持智能交通系统的资源分配方法，其特征在5in表示AV最5.根据权利要求4所述的无人机辅助6G支持智能交通系统的资源分配方法，其特征在67[0002]无人机辅助6G支持智能交通系统(UAV_Assisted6G_ITS)已成为智能交通的重要术被认为是一种通过将环境中的能源转化为可用能源来降低能源消耗的很有前途的技术。8机辅助6G支持智能交通系统还设有N架无人机即UAV，一辆UV和一架无人机组成D2D即设备9和pn,j分别表示AVm和D2D对n在第j条子信道即子信道j上的发射功率，[0037]超图干扰模型中顶点之间的关系用邻接矩阵A来表示，其第k行第l列的元素取值[0040]邻接矩阵A和功率矩阵P的乘积必须小于等于干扰阈值矩阵I，干扰阈值矩阵设置[0064]S71、收集N个UV的信道数据集为H={H1,HY,…,HW}和M个AV的信道数据集为在第j个子信道上的信道增益集合，Bnj表示第n个UV在第j个子信道上的信道增益集合，nj、mj和表示辅助变量；[0072]sn(H)表示sn的先验分布[0075]f(D*)表示用D*得到的校准函数的解，f(H*)表示用H*得到的校准函数的解，D*=I(1-8)Ml和分别是f(D)和f(H)的1_θ分位数的上界，f(D)表[0076]S76、将步骤S73计算得到的和nj和步骤S75计算得到的Z和X代入步骤S72构[0085]xn>0,xm>0,p>0,ln>0,lmn>0xm,p,ln,lm)=F为拉格朗日函数，xn,xm,p,ln和lm是非负的拉格朗日乘子，[0089]本发明还提供一种无人机辅助6G支持智能交通系统的资源分配系统，其关键在机辅助的6G_ITS网络中的重叠干扰和能量消耗问题，分析了网络中干扰的类型和相互关助的6G_ITS网络的资源分配提供可行的解决方案。[0094]图4是本发明实施例提供的四种算法的最小收获能量阈值Emin与网络总EE的关系[0095]图5是本发明实施例提供的四种算法的最小收获能量阈值Emin与网络总吞吐量的[0096]图6是本发明实施例提供的四种算法的功率阈值与无人机辅助6G_ITS网络[0097]图7是本发明实施例提供的四种算法的D2D对的最小SINR阈值与网络总EE的[0098]图8是本发明实施例提供的四种算法的D2D对的最小SINR阈值与网络总吞吐[0099]下面结合附图具体阐明本发明的实施方式，实施例的给[0100]本发明实施例提供的无人机辅助6G支持智能交通系统的资源分配方法，如图1所(AVm)和第n个D2D对(D2D对n)的接收信号xm和xn分和pn,j分别表示AVm和D2D对n在第j条子信道(子信道j)上的发射功率，Im,j和9nj分别表示AVm和D2D对n在子信道j上的信道增益，n'"~CN(0,品)和[0132]图2中示出了一个干扰超图的示例，其中五种不同的颜色对应于五个超边(E1,DV5[0134]超图中顶点之间的关系可以用邻接矩阵A来表示，A的第k行第l列的元素取值如in(10)[0152]图3说明了线性EH模型和非线性EH模型之间的EH的比较图，其中a＝150，b=SINR阈值vti.约束C2表示每个D2D对的SINR不小于D2D对最小SINR阈值约束C3表示每个无人机的采集能量不小于最小能量阈值Emin。约束C4表示邻接矩阵和功率矩阵的乘[0168]假设收集的N个UV的信道数据集为H={H1,H2,…,HW}和M个AV的信道数据集为D={D1,D2,…,DU}。接下来，信道增益模型表示如下：在第j个子信道上的信道增益集合，gnj表示第n个UV在第j个子信道上的信道增益集合，Bnj、Bnj和xeRMXI、zeRN×I表示辅助变量。[0172]g'mj表示第m个AV在第j个子信道上的信道增[0196]其中，是具有辅助参数的凸函数。当模型的最优解为p*(代指和[0207]F(xn,xm,p,ln,lm)即为函数F。[0210]通过求解(29)获得发射功率pn,j和pm,j的最优解ij和然后，根据信干噪比[0219]2)初始化设置步长kt＝k,t＝1,[0220]3)通过式(29)计算函数和和梯度VF(P*):其中，在每一次的迭[0223]4)最后，将两个不同的EH模型重构为相应的拉格朗日对偶问题，利用发射功率ni,j和并通过拉格朗日的KKT条件得到相应的解。[0228]在仿真设置中，基站覆盖为半径为500m的圆形，D2D链路距离为20m，BS带宽W为[0232]图4展示了四种算法的最小收获能量阈值Emin与网络总EE的关系。从图4中可以观[0233]图5展示了四种算法的最小能量采集阈值Emin与网络总吞吐量的关系。图5显示了但网络的EE降低。提出的IT_EHRA策略比比较算法具有更高的效率和吞吐量，证明了IT_吞吐量方面优于基线算法。