1.一种分布式天线系统中能量效率和频谱效率权衡优化的算法，其特征在于，包括如下步骤：步骤一，建立系统模型、确定优化目标：

建立分布式天线系统模型，RAU均匀分布在小区内，用户随机分布，发送和接收端均为单天线，用户间通过正交频分多址(OFDMA)技术消除干扰，计算系统信噪比、频谱效率和能量效率，引入柯布道-格拉斯产生函数从同时考虑能量效率和频谱效率的角度确立优化目标，称之为小区效用，记为U(p)；

步骤二，基于距离的RAU选择：

通过计算每个RAU到所有用户的距离和并按降序排列，每次关闭距离和最大的一个RAU，在平均功率分配基础上计算此时的U(p)，直到U(p)不再增加，此时的RAU集合即为已知用户位置和效用因子下最佳的RAU集合；

步骤三，启发式功率分配：

以每个RAU的发射功率上限为约束条件，对U(p)求解，得出一个启发式的权衡功率分配近似值，采用次梯度迭代法，在每一次的迭代中更新RAU n分配给用户m的功率，直到能量效率、频谱效率和小区效用均收敛时停止迭代，得出最终的能量效率和频谱效率权衡优化后的近似功率分配值。

2.根据权利要求1所述的分布式天线系统中能量和频谱效率权衡优化的算法，其特征在于，步骤一中，假设小区内有I个RAU和M个用户，用户和RAU均配有单个天线，N是选择好的可用于发射信号的RAU数目， 在第m个用户接收到的信号可表示如下pn,m是RAU n分配给用户m的发送功率，hn,m代指从RAU n到用户m的复合信道冲击响应，x(t)代表发送给用户m的信息，满足E[|x(t)|2]＝1,zm是均值为0，方差为 的复合加性高斯白噪声功率；

通过使用正交频分多址技术使信道分配给不同的用户是正交或者非重叠，第m个用户的信噪比通过最大合并比在用户端可以表示如下在第m个用户处可实现的数据速率可以表示为：Rm＝log2(1+SNRm)    (4)系统总的频谱效率(bit/s/Hz)等于各用户的数据速率之和可以表示为：功耗模型可表示如下：

这里Ptotal代表总功耗，τ是射频功率放大器的效率，Pc是系统的静态电路功率损耗包括滤波器、混频器、振荡器的功耗，Pbh是光纤传输耗散功率，Pt是总的发射功率，可以被表示如下能量效率(bit/s/Joule)是数据速率或频谱效率与总功耗的比值，可表示如下通过引入柯布-道格拉斯生产函数确立优化目标为wn是小区的偏好因子，其范围在[0，1]之间，U(p)称之为小区效用。

3.根据权利要求1所述的分布式天线系统中能量和频谱效率权衡优化的算法，其特征在于，步骤二中，定义dn,m为第n个RAU到第m个用户的距离，dn为第n个RAU到所有用户的距离总和dn＝dn,1+dn,2+dn,3+....+dn,m基于距离的RAU选择算法包括如下步骤：

Step 2-1：求出距离和dn，n＝1,2,3,…I；

Step 2-2：将dn按降序排列，重新标记为{d1，d2，...dn，...dI}；

Step 2-3：计算出在确定wn时，I个RAU均打开时的小区效用，记为Umax；

Step 2-4：n＝1；

Step 2-5：关闭dn所在的第n个RAU，计算此时的小区效用，记为Un，n＝1,2,3,…I；

Step 2-6：判断Un＞Umax,如果是则令Un＝Umax，且令n＝n+1，返回Step 2-5；否则停止算法，输出n所在的信道矩阵，即为给定偏好因子wn情况下最佳的RAU集合的信道矩阵。

4.根据权利要求1所述的分布式天线系统中能量效率和频谱效率权衡优化的算法，其特征在于，步骤三中，以每个RAU的发射功率为约束，其优化目标及约束表示如下：maxU(p)   (10)

s.t.0≤pl,n,m≤pmax

对目标优化问题取对数有

max F(p)＝log2R-(1-wn)log2Ptotal    (11)先考虑在 下目标函数(9)的情况，目标函数存在唯一的帕累托最优解使F(p)最大化，F(p)在 上单调递增在 上单调递减，令g(p)＝Ptotal对F(p)求导可得进一步求解可得

这里 是 的唯一

解，接下来考虑求和不等式约束问题，由于 且显然当满足用户数M＝1和时，目标函数(9)的全局最优解 其他时刻

对方程式(11)使用拉格朗日对偶方法有

这里λn是求和不等式约束的拉格朗日对偶变量，根据库恩塔克条件(KKT)求出近似功率分配值为这里 是优化功率值，ηEE、ηSE分别是小区内的能量效率和频谱效率；

拉格朗日乘数λn根据次梯度迭代法更新

θi是第i个小正步长，只要θi足够小就能够保证次梯度迭代的收敛性；

具体的权衡功率分配算法包括如下步骤：

Step 3-1：判断用户数M＝1是否成立，如果成立去到Step3-2，否则去到Step 3-3；

Step 3-2：判断 如果是，则 停止算法，输出 否则去到Step 3-3；

Step 3-3：根据给出的wn值，用Step 2-1至Step 2-6提出的RAU选择算法进行最优的RAU数目及位置选择；

Step 3-4：初始化i＝1， n∈{1,2,3,...N},m＝{1,2,3,...M}；

Step 3-5：n＝1,m＝1；

Step 3-6：判断n≤N,如果是去到Step 3-7，否则去到Step 3-9；

Step 3-7：判断m≤M，如果是去到Step 3-8，否则根据方程式(19)更新 的值，并令n＝n+1；

Step 3-8：根据方程式(18)计算出 的值，令m＝m+1,返回Step 3-7；

Step 3-9：直到ηSE,ηEE, 均收敛时跳出循环，停止算法，输出 否则使迭代次数更新为i＝i+1，返回Step 3-5。