1.一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法，其特征在于，所述方法包括以下步骤：

1)在单个运营商的单个宏蜂窝基站mBS的覆盖范围下总共有I个移动终端MT，在该情况下，mBS使用非正交多址接入技术NOMA发送数据；考虑到NOMA的技术特性，引入索引集表示I个MT；首先，由于连续干扰消除机制SIC，对mBS到所有MT的信道增益按照从大到小进行排序，故有以下顺序：gB1＞gB2＞…＞gBi＞gBj＞…＞gBI，         (1)其中gBi表示mBS到第i个MT的信道增益， 在接下来的说明中提到的第i个MT或第j个MT均是在索引集 中的；

2)在mBS端，每个MT的瞬时信道增益 都是已知的；基于NOMA，mBS会将所有的数据叠加在同一频段上发送给每个MT；在MT端，使用SIC消除MT之间的相互干扰；对于MT i，在接收数据中首先解码MT k的数据，k＞i即特指MT k排列在MT i后面，然后将解码后的数据从接收数据中删除，操作顺序是k＝I，I-1，I-2，...，i+1，同时将MT j的数据信号视为噪声，j＜i即特指MT j排列在MT i前面，根据以上的解码机制，由mBS到MT i的吞吐量为：其中参数定义如下：

pBi：mBS到MT i的发射功率；

Ri：mBS到MT i的数据吞吐量；

WB：服务该组移动终端而分配的带宽量；

n0：背景噪声的功率谱密度；

由此可得mBS到所有移动用户的最小总发射功率表示如下：其中假设gB0是一个足够大的值，因此

3)基于上面的最小发射功率表达式，制定以下BS的带宽使用WB和MT的服务吞吐量的联合优化问题：其中参数定义如下：

mBS的总功率；

mBS所具备的总带宽；

MT i的最小速率需求；

MT i的速率分配上限；

在目标函数中， 表示BS在服务MT的流量时的净收益，其中α表示提供MT的流量的边际报酬，β表示占用频率信道的成本，参数p0表示BS的固定功耗，目标函数表示通过BS的净收益与BS的总功耗之间的比率来测量的能量效率；

4)解决问题(P1)的关键思想是利用其分层结构，引入一个辅助变量η，它表示能效的下限：使用η，可以等效地将问题(P1)转换为：设η*表示问题(P1-E)的最优解，即η*是原问题(P1)的最大能量效率；问题(P1-E)的目标是要找到可行域内η的最大值，即η*，在给定η条件下，为了确定由约束条件所构造的可行区域是否为非空，只需要考虑：subject to：constraints(4)，(5)，and(6)基于问题(P1-E-Sub)的Vη输出，解决问题(P1-E)可以找到η*，如下：* max

(P1-E-Top)：η＝arg max{η∈[0，η ]|Vη≥0}，其中上限

然而，问题(P1-E-Sub)仍然是关于WB和 的非凸优化，采用更进一层的分解，即除了给定的η之外，进一步假设给出了带宽分配WB，并优化 如下：通过将 视为WB的函数，继续如下优化WB：上述分解能够得出以下结果；

给定η和WB，问题(RA-Sub)是关于 的严格凸优化；

对于以上的结论，证明如下：

使用Karush-Kuhn-Tucker(KKT)条件来确定问题(RA-Sub)的最优解，用λ来表示约束(9)的拉格朗日乘子，表达问题的拉格朗日函数(RA-Sub)如下：推导出：

式(10)显示：

当满足下面条件时：

至少存在一个MT r使得：

基于这一发现，确定关于问题(RA-Sub)的最优解的以下重要结果：问题(RA-Sub)的最优解决方案可能发生在以下情况之中；

情况1：存在特殊的 使得

对于 中MT，有

与此同时，对于MT r，其 根据以下两个可能的子情况来确定；

子情况1：假设λ＝0， 由下式决定

这里的

子情况2：假设λ＞0， 由下式决定：知道 后，λ的值根据 确定；

情况2：边界情况

情况3：边界情况

5)基于上述分析，提出Subroutine-RA算法来计算

6)使用Subroutine-RA算法，可以找到每个给定η时的 值，问题(BA-Top)是单变量优化问题，采用线性搜索方法来找到 提出Subroutine-forEE算法来解决问题(BA-Top)，其核心思想是采取线性搜索的方法，设定一个很小的搜索步长，逐一枚举WB，找到最优的带宽分配；

7)在给定η下，如果Vη≥0则说明构造的可行域非空，否则，说明构造的可行域为空；对于问题(P1-E-Sub)，Vη的值随着η的增大而减小，可行域内η的最大值出现在Vη＝0处，采用二分法来求最大的η，即η*。

2.如权利要求1所述的一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法，其特征在于，所述步骤5)中，Subroutine-RA算法包括以下步骤：步骤5.1：初始化种群个数N，初始化N个种群所处的位置Rini＝{Rn}1≤n≤N，其中其Ri在 范围内随机给定；初始化最大迭代次数ger，初始化当前迭代次数iter＝1，惯性权重w，自我学习因子c1，群体学习因子c2，每个个体的历史最佳位置{smn}0＜n≤N，每个个体的历史最佳适应度{fsmn}0＜n≤N＝0，种群的历史最佳位置ym＝0，种群的历史最佳适应度fym＝-∞，随机初始化种群速度{vn}0＜n≤N，设定更新速度的限制为Δ；

步骤5.2：如果iter≤ger，则执行步骤5.3，否则执行步骤5.18；

步骤5.3：令n＝1；

步骤5.4：如果n≤N，在给定η和WB条件下，利用评 估 R n的 适 应 度 ，保 存 适 应 度执行步骤6.5，否则执行步骤6.7；

步骤5.5：如果fsmn＜Ztemp，则更新fsmn＝Ztemp，smn＝Rn，执行步骤5.6，否则执行步骤

5.7；

步骤5.6：更新n＝n+1，返回步骤5.4；

步骤5.7：如果fym小于{fsmn}0＜n≤N中的最大值fsmn，则更新fym＝fsmn，ym＝smn，否则直接执行步骤5.8；

步骤5.8：令n＝1；

步骤5.9：如果n≤N，则执行步骤5.10，否则执行步骤5.12；

步骤5.10：更新速度vn＝vn*w+c1*(smn-Rn)+c2*(ym-Rn)；

步骤5.11：更新n＝n+1，返回步骤5.9；

步骤5.12：如果发现vn中vi＞Δ，则更新vi＝Δ，否则直接执行步骤5.13；

步骤5.13：如果发现vn中vi＜-Δ，则更新vi＝-Δ，否则直接执行步骤5.14；

步骤5.14：更新种群位置，上一时刻的每个位置Rn加上更新速度vn，得最新的位置{Rn}0＜n≤N；

步骤5.15：如果Rn中 更新 得出速率分配Rn，否则直接执行步骤5.16；

步骤5.16：如果Rn中 更新 更新速率分配Rn，否则直接执行步骤

5.17；

步骤5.17：更新iter＝iter+1，返回步骤5.2；

步骤5.18：输出

3.如权利要求1或2所述的一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法，其特征在于，所述步骤6)中，找到最优的带宽分配过程包括以下步骤：步骤6.1：设定一个很小的步长Δ，并初始化 初始化当前最佳解当前最佳值CBV＝0；

步骤6.2：如果 则执行步骤6.3，否则执行步骤6.6；

步骤6.3：给定η，用Subroutine-RA算法来得出步骤6.4：如果 那么设定 和

步骤6.5：更新 继续执行步骤6.2；

步骤6.6：输出

4.如权利要求1或2所述的一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法，其特征在于，所述步骤7)中，二分法的过程包括以下步骤：步骤7.1：设定当前上限ηupp＝ηmax，当前下限ηlow＝0，初始化计算误差的精确度tol；

步骤7.2：如果|ηupp-ηlow|≥tol，则执行步骤7.3，否则执行步骤7.6；

步骤7.3：设定 用Subroutine-forEE算法来获得Vη；

upp temp low temp

步骤7.4：如果Vη＜0，设定η ＝η ，否则，设定η ＝η ；

步骤7.5：回到步骤7.2继续执行；

步骤7.6：输出η*＝ηtemp。