NOMA下行链路用户与信道功率分配优化MATLAB实现

一、核心结论

NOMA（非正交多址接入）下行链路的功率分配需结合用户分簇、波束成形和功率域复用特性，以最大化系统容量或能量效率。MATLAB实现需分三步：

1. 用户分簇：基于信道质量或相关性分组，降低簇内干扰；

2. 波束成形设计：采用ZF、MMSE或SVD预编码；

3. 功率分配优化：通过凸优化（CVX工具包）或启发式算法（如注水法、DRL）求解最优功率分配。

   本文提供完整MATLAB代码框架，涵盖用户分簇、波束成形和功率分配模块，并对比不同算法性能。

---

二、系统模型与问题建模

1. 系统假设

• 基站：配备 Nt根天线，服务 K个单天线用户；

• 信道模型：用户信道矩阵 \(H=[h1,h2,…,hK]∈CNt×K\)；

• NOMA原理：用户按信道增益倒序排序，同一资源块叠加传输，接收端采用SIC解码。

2. 优化目标

• 总速率最大化：

  约束条件：

  • 总功率限制： \(\sum_{k=1}^K |\mathbf{w}_k|^2 p_k \leq P_{\text{max}}\)

  • SIC解码顺序：$ |\mathbf{h}_k^H \mathbf{w}_k|^2 \geq |\mathbf{h}_j^H \mathbf{w}_j|^2 j > k $

---

三、MATLAB实现步骤

1. 用户分簇（基于信道差异最大化）

% 参数设置
K = 10;         % 用户数
Nt = 4;         % 基站天线数
H = (randn(Nt,K) + 1j*randn(Nt,K))/sqrt(2); % 信道矩阵

% 用户分簇算法（K-means++）
[idx, C] = kmeans(H', K, 'MaxIter', 100, 'Replicates', 5); % 分簇索引
clusters = cell(1,K);
for i = 1:K
    clusters{idx(i)} = [clusters{idx(i)}, i]; % 分簇结果
end

2. 波束成形设计（ZF预编码）

% ZF波束成形
W = H' / (H*H'); % 预编码矩阵
W = W ./ sqrt(diag(W'*W)); % 归一化
w = cell(1,K);
for k = 1:K
    w{k} = W(:,k); % 用户k的波束成形向量
end

3. 功率分配优化（CVX工具包）

cvx_begin
    variables p(K) % 功率分配变量
    maximize sum(log2(1 + (abs(H'*w{k}).^2 * p(k)) ./ (sigma2 + sum_{j<k} abs(H'*w{j}).^2 * p(j))))
    subject to
        sum(p) <= P_max; % 总功率约束
        p >= 0;          % 非负约束
cvx_end

% 输出结果
disp('最优功率分配:');
disp(p);

4. 注水算法（替代CVX的启发式方法）

% 注水法参数
gamma_min = 1e-3; % 最小信噪比
gamma_max = 10;   % 最大信噪比
step = 0.1;       % 步长

% 初始化功率分配
p = zeros(1,K);
for iter = 1:100
    for k = 1:K
        gamma_k = gamma_min + (gamma_max - gamma_min)*rand(); % 随机信噪比
        p(k) = max(0, (R_min - 1/gamma_k) / (h{k}'*h{k})); % 注水公式
    end
    p = p / sum(p) * P_max; % 归一化
end

---

四、性能对比与仿真结果

1. 仿真参数

参数	值
用户数 K	10
基站天线 Nt	4
总功率 Pmax	1 W
噪声功率 σ2	1e-3 W

2. 性能指标

• 总吞吐量：对比CVX凸优化与注水算法；

• 公平性：Jain's Index \((K1∑k=1Kpk)2/K1∑k=1Kpk2\)；

• 计算复杂度：CVX（高）、注水法（低）。

3. 仿真代码

% 仿真循环
numTrials = 100;
throughput_CVX = zeros(1,numTrials);
throughput_Water = zeros(1,numTrials);

for trial = 1:numTrials
    % 生成随机信道
    H = (randn(Nt,K) + 1j*randn(Nt,K))/sqrt(2);
    
    % CVX优化
    cvx_begin
        variables p_CVX(K)
        maximize sum(log2(1 + (abs(H'*W(:,k)).^2 * p_CVX(k)) ./ (sigma2 + sum_{j<k} abs(H'*W(:,j)).^2 * p_CVX(j))))
        subject to
            sum(p_CVX) <= P_max;
            p_CVX >= 0;
    cvx_end
    throughput_CVX(trial) = sum(log2(1 + (abs(H'*W(:,k)).^2 * p_CVX) ./ (sigma2 + sum_{j<k} abs(H'*W(:,j)).^2 * p_CVX)));
    
    % 注水法
    p_Water = Water_Filling(H, P_max, sigma2);
    throughput_Water(trial) = sum(log2(1 + (abs(H'*W(:,k)).^2 * p_Water) ./ (sigma2 + sum_{j<k} abs(H'*W(:,j)).^2 * p_Water)));
end

% 绘图
figure;
plot(1:numTrials, throughput_CVX, 'r', 1:numTrials, throughput_Water, 'b');
legend('CVX凸优化', '注水算法');
xlabel('仿真次数'); ylabel('总吞吐量 (bps/Hz)');

参考代码 对NOMA下行链路的用户和信道功率分配的优化 www.youwenfan.com/contentcnp/45363.html

五、关键改进方向

1. 动态用户分簇：结合K-means++与信道相关性，降低簇内干扰；

2. 深度强化学习：用DQN替代传统优化算法，适应动态信道环境；

3. 多目标优化：联合优化速率与能耗，引入NSGA-II算法。

---

注：实际部署中需根据硬件条件调整参数（如天线数、用户数），并通过仿真验证算法鲁棒性。