买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东南大学申请的专利一种分布式多智能体的无线资源分配方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115589604B 。

龙图腾网通过国家知识产权局官网在2026-02-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211277468.6，技术领域涉及：H04W24/02；该发明授权一种分布式多智能体的无线资源分配方法是由陈明;徐璐瑶设计研发完成，并于2022-10-18向国家知识产权局提交的专利申请。

本一种分布式多智能体的无线资源分配方法在说明书摘要公布了：本发明给出一种分布式多智能体的无线资源分配方法。所述无线资源分配方法包括子载波分配和功率分配方法，首先建立子载波分配和功率分配的和速率最大化模型；然后对所有智能体以及用户，根据智能体负载最小标准进行分配；进而将所述和速率最大化模型分解成子载波分配优化模型以及功率分配优化模型；分别采用匹配理论方法和对偶次梯度迭代法交替求解子载波分配优化模型以及功率分配优化模型；从而实现分布式多智能体的无线资源分配。采用本发明方法，相对于强化学习方式的无限资源分配方法，其复杂度低，迭代次数少，需要的计算资源少，获得了最大的系统容量。

本发明授权一种分布式多智能体的无线资源分配方法在权利要求书中公布了：1.一种分布式多智能体的无线资源分配方法，其特征在于，包括如下步骤： 步骤A：用户m获得的总下行可达速率为： 所有用户获得的总下行速率为： 建立和速率最大化模型，该和速率最大化模型A1表述为： 约束条件： 其中，x＝x1,…,xn,…,xN为所有智能体的载波分配状态矢量，N为智能体个数，p＝p1,…,pn,…,pN为所有智能体的载波功率分配状态矢量；Un为智能体n接纳的用户集合，|Un|表示智能体n接纳的用户数；为智能体n的载波分配状态矢量，是这|Un|个用户的编号，为智能体n的载波功率分配状态矢量；I为每个智能体的OFDM频带数目，K为每个频带中的正交子载波个数；为用户m与智能体n的载波分配状态矢量，定义i,k表示第i组的第k个子载波，为用户m使用第n个智能体的第i,k个子载波的指示变量，若表示使用，否则B为OFDM频带带宽，为用户m在第n个智能体的第i,k个子载波上的信道增益系数；表示用户m在第n个智能体的第i,k个子载波上获得的发射功率，用户m与智能体n的功率分配状态矢量表示为表示除了智能体n以外的其它所有智能体的信道增益系数的绝对值的平方之和，则表示在当前智能体n′的所有连接用户中，使用了第i,k个载波的所有功率之和，而则表示，与智能体n的第i,k个载波造成的同频干扰的噪声功率和；σ2表示高斯白噪声功率；为用户m对智能体n选择的指示变量，其中，ε·是单位阶跃函数；约束条件C1表示每个用户至多连接一个智能体，但每个用户至少选择一个子载波；为用户m与智能体n的接入指示变量，其中表示用户m对智能体n的接入电平，其取值范围为{0}∪[γ0,γ1]；当表示用户m对智能体n可接入，否则表示用户m对智能体n不可接入；约束条件C2表示由于智能体n上的子载波被用户m使用，则用户m必须与智能体n可连接；约束条件C3表示每个智能体的每个子载波最多只能分配给一个用户，其中，M为用户个数；P0为智能体的额定发送功率，约束条件C4表示所有智能体内所有用户的发送功率和均不大于P0；约束条件C5表示只有当时，对应载波i,k的功率才不为0； 步骤B：求解所述和速率最大化模型A1，具体步骤如下： 步骤B-1：确定智能体n连接的用户集合Un，该集合需满足如下条件： 1 2当n≠n′时， 记Fn是只能与智能体n建立连接的待分配用户集合，Dn是与智能体n以及其它至少一个智能体建立连接的待分配用户集合；按照如下过程确定智能体n的接入用户集合Un： 步骤B-1-1：智能体n将其所有可接入用户Fn∪Dn的信息广播出去，同时还需把Dn中对本智能体的接入电平广播出去； 步骤B-1-2：所述智能体n将Fn中的用户加入到用户集合Un内； 步骤B-1-3：所述智能体n检查Dn，若Dn不为空，则将Dn中的任意一个用户，记为q，设其可接入的智能体序号为其中为可接入的智能体数目，且该用户q的所有可接入智能体的接入电平为然后选择负载最小的智能体其表达式为：其中，a0为可调参数；函数argmin·表示找到一个变量使得括号内的函数值最小；从而为每个智能体确定了其连接的接入用户集合Un； 步骤B-2：分配功率与子载波； 步骤B-2-1：初始化功率与子载波； 步骤B-2-1-1：子载波的功率均初始化为子载波平均功率：P0IK； 步骤B-2-1-2：子载波的分配状态矢量xn的初始值，按照如下方法获得： 步骤B-2-1-2-1：将模型A1转换为关于载波分配状态矢量xn的模型B1，所述模型B1为： 约束条件： 其中，参数在pn为载波平均功率时，为常数； 步骤B-2-1-2-2：求解模型B1，按照如下方法进行载波分配：函数argmax·表示找到一个变量使得括号内的函数值最大； 步骤B-2-1-3：从而得到载波分配状态矢量xn与功率分配状态矢量pn的初始解； 步骤B-2-2：将模型A1拆分，分别得到优化载波分配状态矢量xn的模型A2和优化功率分配状态矢量pn的模型A3； 步骤B-2-2-1：所述优化载波分配状态矢量xn的模型A2表述为： 约束条件： 其中，在已知时，为常数； 步骤B-2-2-2：所述优化功率分配状态矢量pn的模型A3表述为： 约束条件： 步骤B-2-2-3：对模型A3进行凸近似，将模型A3展开为模型A4，模型A4表述为： 约束条件: 步骤B-2-2-4：将模型A4中目标函数的在处进行泰勒公式展开为： 步骤B-2-2-5：经过凸近似之后的模型A5表述为： 约束条件: 步骤B-2-3：迭代求解模型A1，所述模型A1的求解方式为：使用匹配理论的方法求解模型A2，得到子载波分配状态矢量xn；使用对偶次梯度迭代方法求解模型A5，得到功率分配状态矢量pn；在第t次迭代中，求解过程如下： 步骤B-2-3-1：使用基于匹配理论的方法求解模型A2，得到第t次迭代过程中，智能体n的载波分配状态矢量xn[t]，其中xn[t]表示第t次迭代得到的xn的值，即xn[t]＝xn； 步骤B-2-3-2：xn＝xn[t]，将xn代入到模型A5中；然后采用对偶次梯度迭代方法求解模型A5，该方法求解过程如下： 步骤B-2-3-2-1：对模型A5中的目标函数引入拉格朗日函数为： 其中β为对偶乘子，其值β≥0； 步骤B-2-3-2-2：采用二分法求得的零点，该零点记为 步骤B-2-3-2-3：根据对偶次梯度迭代法将对偶乘子β按如下表达式进行更新：令β＝β′，其中ρ＞0为可变步长，函数 步骤B-2-3-2-4：交替优化对偶变量β和原始变量直到模型A5的目标函数的值保持不变，从而得到第t次迭代过程中的智能体n的功率分配状态矢量pn[t]，pn[t]表示第t次迭代得到的pn的值，即pn[t]＝pn； 步骤B-2-4：xn＝xn[t]，pn＝pn[t]，将xn和pn代入到模型A1中，并计算模型A1目标函数的值，当模型A1目标函数的值不再变化时，迭代方法终止，输出结果xn和pn；否则进行下一轮迭代。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学，其通讯地址为：211189 江苏省南京市江宁区东南大学路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。