目录
1.算法仿真效果
matlab2022a仿真结果如下:
2.算法涉及理论知识概要
NB-IoT是一种新兴的低功耗广域物联网(LPWAN)通信技术,它可以实现低功耗、低成本、大容量和广覆盖的特点,适用于物联网应用场景。在NB-IoT网络中,由于物联网设备的数量较大、通信频率较低、数据量较小等特点,资源分配成为一项重要的挑战。因此,为了提高NB-IoT网络的资源利用效率和通信质量,需要设计适合NB-IoT网络的资源分配优化算法。
SWAP(Sleep-Work-Active-Power)是一种适用于NB-IoT网络的资源管理策略,它通过设备的睡眠、工作和活跃三种状态的切换来实现能量的节约和通信质量的保证。在睡眠状态下,设备仅仅保持最小的能量消耗,可以大大延长设备的寿命;在工作状态下,设备会进行数据采集和传输;在活跃状态下,设备会占用更多的资源进行高速的数据传输。SWAP策略可以平衡设备的能量消耗和通信质量,因此成为了一种适合NB-IoT网络的资源管理策略。
在NB-IoT网络中,资源分配的主要问题是如何在有限的资源下,通过合理的调度策略,满足物联网设备的通信需求。针对这一问题,可以采用基于SWAP的资源分配优化算法,通过合理的睡眠、工作和活跃状态的切换,来提高NB-IoT网络的资源利用效率和通信质量。
基于SWAP的资源分配优化算法主要包括以下几个步骤:
设备状态切换策略的设计:根据NB-IoT网络中设备的特点,可以设计合理的设备状态切换策略。一般地,设备在初始状态下处于睡眠状态,当需要采集传感器数据时,设备会切换至工作状态进行数据采集和传输;当数据传输完成后,设备会切换回睡眠状态,以便节约能量。当设备需要进行高速数据传输时,会切换至活跃状态,占用更多的资源进行数据传输。
资源分配算法的设计:根据设备的状态切换策略,设计合理的资源分配算法。一般地,资源分配算法需要考虑设备的通信需求、网络的拥塞情况以及设备的电量等因素。通过对这些因素的综合考虑,可以设计出一种能够平衡能量消耗和通信质量的资源分配算法。
资源分配策略的实现:在NB-IoT网络中,资源分配策略的实现需要考虑到网络的拥塞情况、设备的状态以及电量等因素。一般地,可以采用动态调整的方式来实现资源分配策略。具体地,当网络拥塞时,可以通过调整设备的状态,降低设备的数据传输速率,以减轻网络拥塞;当设备电量不足时,可以通过降低设备的采样频率或者将设备切换至睡眠状态来节约能量。
算法的评估和优化:为了评估算法的性能,需要采用一定的评估指标。一般地,可以采用能量消耗、通信质量等指标来评估算法的性能。如果算法的性能不够优秀,可以通过优化算法的设计和实现来提高算法的性能。
综上所述,基于SWAP的资源分配优化算法可以提高NB-IoT网络的资源利用效率和通信质量。在实际应用中,需要根据具体的应用场景和设备特点,设计合理的资源分配算法和策略,以达到最优的通信效果和能量消耗。
3.MATLAB核心程序
.......................................................................
figure;
load GS\R2.mat
plot(N2,SUCC,'-bs',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.0,0.0]);
hold on
load SWAP\R2.mat
plot(N2,SUCC,'-r>',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.9,0.0]);
hold on
legend('GS','SWAP');
xlabel('UE数量');
ylabel('连接成功率');
grid on
ylim([0.1,1]);
figure;
load GS\R3.mat
plot(M2,SUCC,'-bs',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.0,0.0]);
hold on
load SWAP\R3.mat
plot(M2,SUCC,'-r>',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.9,0.0]);
hold on
legend('GS','SWAP');
xlabel('Num of channels');
ylabel('连接成功率');
grid on
figure;
load SWAP\R1.mat
plot(P2,'-bs',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.0,0.0]);
hold on
load GS\R1.mat
plot(P2,'-r>',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.9,0.0]);
hold on
xlabel('时间段');
ylabel('各个时段频谱占用率');
grid on
legend(['SWAP频谱占用率:',num2str(mean(P2))],['GS频谱占用率:',num2str(mean(P2))]);
figure;
subplot(121)
load GS\R1.mat
bar3(Nbt2);
xlabel('各个时段');
ylabel('各个频段');
zlabel('服务用户数量');
title(['GS']);
subplot(122)
load SWAP\R1.mat
bar3(Nbt2);
xlabel('各个时段');
ylabel('各个频段');
zlabel('服务用户数量');
title(['SWAP']);
..............................................................................
%提出最偏好的RB
UEn = [];
UEn = find(UNMATCH==0);
best = [];
for i = 1:length(UEn)
best(i) = UELIST(UEn(i));%重新计算偏好列表
end
%SWAP
%GA得到的初始匹配状态
bestf=best;
%初始化列表?记录当前每一个资源块已匹配的用户设备数目
Q = [];
for i=1:M
Q(i)=length(find(bestf==i));
end
for n = 1:N
%表示资源块中可获得的空位置
for n_ = 1:N
%表示资源块中可获得的空位置
if n~=n_
l = UNMATCH(n);
l_= UNMATCH(n_);
%满足(3.7a)~(3.7h) %c,d和f本身就是设置0和1了,所以不用重复判决
if t>=0 & t<=T-1 & t+Nr<=T & sum(RB)<=qmax;
%更新匹配状态
UNMATCH(n)=l_;
end
end
end
end
idxf = find(UNMATCH==1);
bestf = [];
for i = 1:length(idxf)
bestf(i) = UELIST(idxf(i));%重新计算偏好列表
end
%显示要求的两个指标
for ij = 1:M
tmps = find(bestf==ij);
%设置成功率
Perf = rand;
Nbt(ij,jj,mk) = round(Perf*length(tmps));
end
P(jj,mk) = length(unique(Nbt(:,jj,mk)))/M;
end
end
P2 = zeros(T,1);
for mk = 1:MTKL
Nbt2 = Nbt2+Nbt(:,:,mk);
P2 = P2+P(:,mk);
end
Nbt2 = Nbt2/MTKL;
P2 = P2/MTKL;
% %输出则是各个频段在不同时间段的服务用户初始化定义
% Nbt = zeros(M,T);
% %整个频谱的利用率,这里按时段划分,计算每个时段的整体利用率,并输出整体的平均领用率
% P = zeros(1,T);
figure;
plot(P2,'b-o');
xlabel('时间段');
ylabel('各个时段频谱利用率');
grid on
title(['整体频谱利用率:',num2str(mean(P2))]);
figure;
bar3(Nbt2);
xlabel('各个时段');
ylabel('各个频段');
zlabel('服务用户数量');
save R1.mat Nbt2 P2
12_054_m
4.完整算法代码文件
V