【NOMA】Resource Allocation for Multi-UAV Aided IoT NOMA Uplink Transmission Systems

文章链接

Introduction:

• UAV的部分就不说了，还是千篇一律的内容。
• NOMA: NOMA is known to simultaneously serve multiple users by separating users in the power domain and the code domain. NOMA has a better outage performance than OMA techniques as well as superior ergodic sum rate performance.

文章贡献

• We focus on a practical multi-UAV aided IoT NOMA uplink transmission system, where we aim to maximize the total uplink capacity.
• The classic K-means clustering method is invoked for grouping IoT nodes into subsystems corresponding to the number of UAVs. A low-complexity many-many matching algorithm is designed for realizing efficient subchannel assignment in each subsystem
  

物理建模

系统构建

Let K = [1, 2, . . . , K] denote the set of the subchannels

信道模型

干扰模型

定义了decoding的顺序

定义channel分配矩阵P和power分配矩阵A

(2)是对于无人机m的用户n在波段k上受到的来自Sm的总干扰
(3)是对于无人机m的用户n在波段k上受到的来自其他无人机的干扰
注意这里是uplink干扰

老规矩，根据香农公式求信噪比和data rate
B/K是子信道(subchannel)的带宽

问题建模

限定


(9)对无人机飞行高度的限制
(10)对无人机间距的限制，必须满足一定的高度差以免撞机
Channel Allocation Constraint



规定一个subband最多分给D1个用户，一个用户最多占用D2个subband

问题的数学化表达

channel allocation——分配子信道

K均值先对用户进行cluster，然后把UAV放置到每个cluster的中心位置

分配K个子信道给每个UAV uplink subsystem，先对A矩阵进行初始化

这个是channel assignment算法

三个重要假设

1）we assume that the flight height of UAV m is fixed at h0(等高度)
2）each IoT node is assumed to adopt the equal power(等能量)
3）Since the horizontal location of UAV m is fixed(无人机平面位置由K均值确定)
循环保证每个IoT node 都被分配够D2个subchannel
对于每一个用户，先遍历看是否有subchannel没有被占满，如果它没有被占满，看看该用户占用的subchannel数量有没有达到D2上限，如果没有，那么占用该信道。如果已经占用了D2个用户，剔除R(data rate)不如现在信道的信道，并且和现在遍历的这个信道连接。
直到所有的用户都占了D2个信道，退出循环

power allocation——分配传输能量

问题建模，每个节点(node)的传输能量要满足要求
假设等高度Given the fixed UAVs’ flight heights of h0
现在优化的是P矩阵，A矩阵已经求出来了

因为目标函数非凸，做近似

一个重要的不等式(来自参考文献)



对于用户n来说，m号无人机相连接的node(即与n同处在一个cell中的其他无人机)在k子波段产生的干扰总和

其他无人机的用户在k波段产生的干扰
近似完后的问题

作者用拉格朗日乘子法求解，说来话长，我们来看下结果

这就是 $P_{m,n,k}$的最优值

拉格朗日乘子的迭代策略

更新拉格朗日乘子 $\lambda$ 和 $\omega$

successive convex approximation(SCA)
$\lambda$ 、 $\omega$ 和 $P$都是先初始化再通过迭代得到

height allocation——对高度优化

先列出目标函数和限制条件

看来作者真是用SCA屡试不爽啊

我们首先来看看式子里的 $log2(1+\gamma_{m,n,k})$是怎么得到的


说白了，就是把 $g_{m,n,k}$用上面那个式子替换掉，括号里面再通分

其中


其实就标黄的这一块不一样
(log里面相除能展开成相减)
我们要优化的是m个UAV的高度
下面是近似化处理


实际上是在h[r]处做泰勒展开
好吧，用 $\tau$来替代 $h_{m}^2$



注意增加了

补充一点


下面是一些变形


这里对 $\chi^{2}$和 $\tau_{m}$都采用向量的 $Taylor$展开

作者使用了MATLAB进行优化
problem (51) can be efficiently solved by standard convex optimization solvers such as CVX