【通信】基于Matlab模拟自适应SCMA资源调度算法设计

本文链接：https://blog.youkuaiyun.com/matlab_dingdang/article/details/129658034

文章介绍了使用Matlab进行通信网络仿真，特别是针对未来网络的超高速率和复杂干扰环境，通过智能优化算法和信号处理技术来设计资源调度策略。内容涉及路径损耗计算、信号与噪声分析以及小尺度衰落信道的模拟。通过迭代优化方法，确定了载波间的功率分配，以提高系统能效和服务质量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法神经网络预测雷达通信无线传感器电力系统

信号处理图像处理路径规划元胞自动机无人机

⛄ 内容介绍

为了满足未来网络中超高速率,大吞吐量,超高可靠性,超低延时等指标,新兴通信网络将越来越向着异构化,超密集化,多元化方向发展,这也导致这网络系统内部的干扰也会变得多层次,复杂化,强烈的内部干扰与资源的碰撞等问题将极大的限制着系统的容量以及服务质量,所以对于这些新兴的通信网络急需合理的资源调度策略,有效而且完善的资源调度策略.可以减少任务的执行时间和费用,改善服务质量,增加整个网络系统的吞吐量,提高整体资源利用率.

⛄ 部分代码

end

for i=1:num_ue

[angle_min(i),sector]=min(angle(:,i));

end

distance.sector_antenna_gain=antenna.gain(angle_min);

%% 计算路径损耗

UE.distance=sqrt((LTEconfig.UE.Position_X-LTEconfig.BS.Position_X).^2+(LTEconfig.UE.Position_Y-LTEconfig.BS.Position_Y).^2);

UE.pathloss= LTE_pathloss_enb_to_ue(UE.distance);%num_ue*1

%% 计算信号和噪声

LTEconfig.UE.receiver_noise_figure = 9; % Receiver noise figure in dB

thermal_noise_W=10^(LTEconfig.UE.thermal_noise_density/10) / 1000 * LTEconfig.System.Bandwidth* 10^(LTEconfig.UE.receiver_noise_figure/10);%系统中的热噪声

UE.signal=10.^((distance.sector_antenna_gain'-UE.pathloss)/10);

UE.noise=thermal_noise_W+ LTEconfig.ue_interference_enbs;

UE.signal_db=10*log10(UE.signal);

UE.noise_db=10*log10(UE.noise);

%% 产生随时间变化的小尺度衰落信道

SimType=8; % 设置仿真类型

ltepar=lteparset(SimType,num_ue); % 配置仿真参数

ltepar.nUE=num_ue; %用户数目

ltepar.Ntot=4; %占有子载波数

ltepar.Bandwidth=625e3; %系统带宽

ltepar.Nfft=512; %FFT点数

ltepar.Fs=7.68e6; %采样频率

h=cell(1,ltepar.nUE,num_subframe);

sc_signal=cell(1,ltepar.nUE);%%元细胞数组

sc_noise=cell(1,ltepar.nUE);%%元细胞数组

sc_snr_TTI_dB=zeros(ltepar.Ntot,ltepar.nUE,num_subframe);

subframe_i=1;

while subframe_i<=num_subframe

chan=cell(1,ltepar.nUE);

for k=1:ltepar.nUE

[chan{k}, h{1,k,subframe_i}]=channelmodel(ltepar.ChanModPar.PDP_dB,ltepar.Fs,ltepar.CarrierFrequency,...

ltepar.UEpar.speed,ltepar.ChanModPar.FadeType,ltepar.ChanModPar.CorrType,ltepar.ChanModPar.M,ltepar.psi(:,:,:,:,k),ltepar.theta(:,:,:,:,k),...

ltepar.phi(:,:,:,:,k),subframe_i*1e-3,ltepar.UEpar.nTX,ltepar.BSpar.nRX,ltepar.ChanModPar.TxCorrMatrix,ltepar.ChanModPar.RxCorrMatrix);

sc_signal{1,k}=calculate_SC_REC(h{1,k,subframe_i},UE.signal_db(k));

sc_noise{1,k}=calculate_SC_REC(h{1,k,subframe_i},UE.noise_db(k));

sc_signal_TTI(:,k,subframe_i)=sc_signal{1,k};

sc_noise_TTI(:,k,subframe_i)=sc_noise{1,k};

end

subframe_i=subframe_i+1;

end

%% 初始化部分参数

flag=0;

for ss=1:1:300

p_max(ss)=0.05*ss+0;%组内分配功率

EE=3000*ones(1,5);%能效初始化

m1=0.003;%迭代步长

m2=0.05;%迭代步长

p=zeros(1,J);%组内用户功率

r=zeros(1,J);%组内用户容量

num_iter=3500;%%迭代次数

% num_iter=7500;%%迭代次数

p_ue=zeros(num_iter,J);

p_signal=zeros(1,J);%信号功率

p_noise=zeros(1,J);%噪声功率

%% 单用户载波间功率分配因子计算

for jj=1:1:J

a11=sum(sc_signal_TTI(2,jj,:))*sum(sc_noise_TTI(1,jj,:))/(sum(sc_signal_TTI(1,jj,:))*sum(sc_noise_TTI(2,jj,:))+sum(sc_signal_TTI(2,jj,:))*sum(sc_noise_TTI(1,jj,:)));

a12=sum(sc_signal_TTI(1,jj,:))*sum(sc_noise_TTI(2,jj,:))/(sum(sc_signal_TTI(1,jj,:))*sum(sc_noise_TTI(2,jj,:))+sum(sc_signal_TTI(2,jj,:))*sum(sc_noise_TTI(1,jj,:)));

a21=sum(sc_signal_TTI(3,jj,:))*sum(sc_noise_TTI(1,jj,:))/(sum(sc_signal_TTI(1,jj,:))*sum(sc_noise_TTI(3,jj,:))+sum(sc_signal_TTI(3,jj,:))*sum(sc_noise_TTI(1,jj,:)));

a22=sum(sc_signal_TTI(1,jj,:))*sum(sc_noise_TTI(3,jj,:))/(sum(sc_signal_TTI(1,jj,:))*sum(sc_noise_TTI(3,jj,:))+sum(sc_signal_TTI(3,jj,:))*sum(sc_noise_TTI(1,jj,:)));

a31=sum(sc_signal_TTI(4,jj,:))*sum(sc_noise_TTI(1,jj,:))/(sum(sc_signal_TTI(1,jj,:))*sum(sc_noise_TTI(4,jj,:))+sum(sc_signal_TTI(4,jj,:))*sum(sc_noise_TTI(1,jj,:)));

a32=sum(sc_signal_TTI(1,jj,:))*sum(sc_noise_TTI(4,jj,:))/(sum(sc_signal_TTI(1,jj,:))*sum(sc_noise_TTI(4,jj,:))+sum(sc_signal_TTI(4,jj,:))*sum(sc_noise_TTI(1,jj,:)));

a41=sum(sc_signal_TTI(3,jj,:))*sum(sc_noise_TTI(2,jj,:))/(sum(sc_signal_TTI(2,jj,:))*sum(sc_noise_TTI(3,jj,:))+sum(sc_signal_TTI(3,jj,:))*sum(sc_noise_TTI(2,jj,:)));

a42=sum(sc_signal_TTI(2,jj,:))*sum(sc_noise_TTI(3,jj,:))/(sum(sc_signal_TTI(2,jj,:))*sum(sc_noise_TTI(3,jj,:))+sum(sc_signal_TTI(3,jj,:))*sum(sc_noise_TTI(2,jj,:)));

a51=sum(sc_signal_TTI(4,jj,:))*sum(sc_noise_TTI(2,jj,:))/(sum(sc_signal_TTI(2,jj,:))*sum(sc_noise_TTI(4,jj,:))+sum(sc_signal_TTI(4,jj,:))*sum(sc_noise_TTI(2,jj,:)));

a52=sum(sc_signal_TTI(2,jj,:))*sum(sc_noise_TTI(4,jj,:))/(sum(sc_signal_TTI(2,jj,:))*sum(sc_noise_TTI(4,jj,:))+sum(sc_signal_TTI(4,jj,:))*sum(sc_noise_TTI(2,jj,:)));

a61=sum(sc_signal_TTI(4,jj,:))*sum(sc_noise_TTI(3,jj,:))/(sum(sc_signal_TTI(3,jj,:))*sum(sc_noise_TTI(4,jj,:))+sum(sc_signal_TTI(4,jj,:))*sum(sc_noise_TTI(3,jj,:)));

a62=sum(sc_signal_TTI(3,jj,:))*sum(sc_noise_TTI(4,jj,:))/(sum(sc_signal_TTI(3,jj,:))*sum(sc_noise_TTI(4,jj,:))+sum(sc_signal_TTI(4,jj,:))*sum(sc_noise_TTI(3,jj,:)));

%% 4个载波6个用户按照预先的准则进行映射

switch jj

case 1

p_signal(jj)=a11*sum(sc_signal_TTI(1,jj,:))+a12*sum(sc_signal_TTI(2,jj,:));%%载波1和2 这个算的是增益,sc_signal_TTI就是指载波传输中的增益，因为算容量所以不需要真值2

p_noise(jj)=sum(sc_noise_TTI(1,jj,:))+sum(sc_noise_TTI(2,jj,:));%%载波1和2

case 2

p_signal(jj)=a21*sum(sc_signal_TTI(1,jj,:))+a22*sum(sc_signal_TTI(3,jj,:));%%载波1和3

p_noise(jj)=sum(sc_noise_TTI(1,jj,:))+sum(sc_noise_TTI(3,jj,:));%%载波1和3

case 3

p_signal(jj)=a31*sum(sc_signal_TTI(1,jj,:))+a32*sum(sc_signal_TTI(4,jj,:));%%载波1和4

p_noise(jj)=sum(sc_noise_TTI(1,jj,:))+sum(sc_noise_TTI(4,jj,:));%%载波1和4

case 4