1.一种最大化系统广义能效的D2D分布式资源分配方法，其特征在于，包括以下步骤：S1：构建通信系统模型，定义系统广义能效；

S2：优化通信系统模型，构建最大化的系统广义能效的优化问题；

S3：采用分步处理的方法求解最大化系统广义能效的优化问题，包括用户匹配求解阶段和功率分配求解阶段，完成D2D资源的分布式分配。

2.根据权利要求1所述的一种最大化系统广义能效的D2D分布式资源分配方法，其特征在于，所述步骤S1具体为：考虑H个HUE和V个VUE的集合，分别表示为H＝{1,...,H}和V＝{1,...,V}；考虑到实际场景中，并非所有的用户设备都具有成为HUE的意愿或能力，因此本发明假设HUE数量少于VUE数量；假设D2D通信采用专用模式，即D2D用户与蜂窝用户彼此之间不存在干扰，具体地，将D2D专用频带划分为N个相互正交的子信道，集合表示为N＝{1,...,N}，所有的D2D的用户终端UE都同时复用这N个信道；HUE h与VUE v之间的通信链路在信道n上的信道增益为：其中， 是服从指数分布的信道衰落，dh,v为HUE h和VUE v之间的距离，α为路损指数；因此，每个VUE v在信道n上的信干噪比SINR表示为：其中， 为HUE h在信道n上的发射功率， 为信道n上的噪声功率；考虑D2D配对中发射端的收益，从VUE的角度，VUE v被HUE h服务获得的频谱效率是其可获得的收益，即在全部N个信道上获得的累计频谱效率为：另一方面，考虑与用户感兴趣内容相关的配对意愿度，即当HUE和与其配对意愿度高的VUE相匹配时，可获得更高的收益，刻画两者之间配对意愿度采用传统的杰卡德Jaccard系数[8]：其中，Ov和Oh分别是两者各自内容的属性集合，Sv,h即两者拥有的属性集合的交集与并集之比；然而，传统的Jaccard系数单一的比例形式容易令交集和并集两者互相影响，造成对彼此的削减，无法保证内容属性的交集对配对意愿度应占主导影响的主要设计目的，有时甚至会出现与实际场景中的意愿完全相反的结果，为了解决这一问题，提出一种新的修订Jaccard系数，具体表达为：其中，C为内容属性的类别的数量；综上，定义HUE的收益函数为：

其中：Ah为HUE的收益上限；gh为HUE服务质量指数，用于体现不同HUE所能提供的D2D服务质量。在相同的功率付出下，服务质量越好，即gh越大的HUE收益越高；基于上述内容，定义HUE h服务VUE v构成一个D2D配对，两者共同获得的收益为：Uv,h＝Rv,h+Tv,h           (6)

构成一个D2D配对的功耗为[9]：

即HUE h在各个信道上的发射功率，以及HUE h和VUE v各自总的电路功率消耗Pc的累加，其中β(0＜β＜1)是功率放大器效率；系统整体的收益和付出分别为系统中所有D2D配对的收益和付出的累加，其中，收益表示为：付出表示为：

其中xv,h为配对指示变量；若HUE h与VUE v配对，则xv,h＝1，否则xv,h＝0；根据文献[10]，能效可广义地定义为服务的质量或满意度与能量消耗的比值，本发明进一步拓展了该能效定义，将系统整体的收益-损失比来定义系统广义能效，用η表示如下：

3.根据权利要求2所述的一种最大化系统广义能效的D2D分布式资源分配方法，其特征在于，所述步骤S2具体为：优化通信系统模型，构建优化模型具体为：

受限于：

其中，目标函数(11)定义为最大化的系统广义能效；优化变量x＝{xv,h|v∈V,h∈H}和分别为用户配对指示变量和功率分配指示变量；限制条件C1-C3是用户配对相关的约束，保证每个HUE最多只能服务一个VUE，每个VUE也最多只能被一个HUE服务；限制条件C4和C5是功率分配相关的约束，保证每个HUE h在信道n上的发射功率非负，以及每个HUE h在n个信道上的累计发射功率不能超过其最大发射功率

4.根据权利要求3所述的一种最大化系统广义能效的D2D分布式资源分配方法，其特征在于，在所述步骤S3中，将问题(11)分为用户匹配求解和功率分配求解两个阶段；

在用户匹配求解阶段中，假设每个HUE的发射功率均固定为最大发射功率，将问题(11)简化为：受限于：

其中，问题(13)是一个经典的一对一匹配问题，目标为最大化系统的整体收益；利用各个用户设备执行的基于物理链路和配对意愿的D2D分布式用户配对算法，即PP-D2D-DUP算法进行求解，完成用户匹配求解阶段；

PP-D2D-DUP算法结束后将得到H个HUE的配对结果，表示为

形成K(K≤H)个D2D配对；由于目前每个D2D配对中的HUE和VUE是确定的，为了与原始问题中独立的HUE和VUE区分，定义D2D配对集合为K＝{1,...,K}；基于第一阶段用户配对的结果，进入第二阶段的功率分配求解过程；

为更好地区分功率分配求解阶段D2D配对中用户的收益和原始问题(11)中各个用户的收益，在本阶段中将D2D配对k中的VUE和HUE的收益分别表示为：则D2D配对k的总收益为 总功耗为 若令

则系统广义能效表示为：

对这K个D2D配对中的HUE进行功率分配优化，问题(11)简化为如下优化模型：受限于：

采用非线性分式规划方法[11]，将问题(18)转化为如下差分减式的形式：受限于(19)，其中q为求解(20)所引入的参数算子；问题(18)-(20)的求解分为内循环和外循环两个层的求解；其中，外循环利用经典Dinkelbach算法[11]迭代更新算子q；内循环则基于给定的算子q，进一步求解问题(20)的最优功率分配方案；基于博弈论将问题(20)刻画成K个子问题的博弈，首先定义一个博弈G{k,{pk}k∈K,{Fk}k∈K}，其中：k指用户序号，即D2D配对k中的HUE； 指用户k的策略，即D2D配对k中HUE在各子载波上的发射功率；Fk指用户k可获得的系统效用，即需要对每个用户k求解式(20)中的优化目标：定义式(21)为势函数F，根据[12]的方法验证可知，由式(21)构建的博弈G{k,{pk}k∈K,{Fk}k∈K}是一个完全势博弈；由于势博弈存在至少一个纳什均衡解，该解对应此势函数的最大值，且可通过求解更好响应动态BRD来达到纳什均衡解[12]，因此，问题(20)变为由每个D2D配对k独立解决如下优化问题，并保证所得解是BRD：受限于：

将(22)中的目标函数展开如下所示：

其中 由式(24)验证可知，问题(22)仍然

为非凸不可解问题，采用一阶泰勒展开近似化处理策略[4]，将问题(22)中目标函数的非凹项进行线性化近似，得如下近似形式：其中

由于式(25)中与当前D2D配对k中HUE发射功率pk的取值无关的项并不会影响优化结果，因此可进一步简化，在式(25)中仅保留与变量pk相关的项，从而得到：受限于(23)；证得问题(28)是一个标准的凸优化问题[13]，使用经典的内点法可求得其最优解，且所得解是BRD；由于势博弈不受起始点的影响，任一更好响应序列都可收敛到纳什均衡[12]，因此HUE可按任一顺序进行博弈。每轮博弈中，每个HUE依次求得其当前的BRD；一轮博弈结束后，由最后一个HUE根据势函数是否收敛，来判断博弈是否到达纳什均衡，以此决定是否进入下一轮博弈；在功率分配求解阶段，将非线性分式规划与势博弈相结合，设计了一种可由各个D2D用户设备自行执行的基于势博弈的D2D分布式功率分配算法，即PG-D2D-DPA算法进行求解，完成功率分配求解阶段，进而完成D2D资源的分布式分配。

5.根据权利要求4所述的一种最大化系统广义能效的D2D分布式资源分配方法，其特征在于，所述PP-D2D-DUP算法包括以下过程：S3A1：HUE将其内容属性因素集合及其收益函数参数广播给全体VUE；

S3A2：VUE基于获得的信息，计算自身和每一个备选HUE构成对的共同收益Uv,h；

S3A3：VUE从当前空闲的HUE中，选择能够与之获得最大共同收益的HUE并向其发送配对请求；

S3A4：HUE从接收到的配对请求中，选择同时满足以下条件的VUE：链路SINR满足一定阈值，并且与之构成对能够获得最大的共同收益；

S3A5：HUE向全体VUE广播所选择的配对信息xv,h；

S3A6：VUE接收HUE广播的配对信息，并判断是否与之配对成功；

S3A7：配对失败的VUE判断是否还有D2D链路SINR满足QoS阈值的空闲HUE；若有，则返回执行步骤S3A3，若无，则算法结束。

6.根据权利要求4所述的一种最大化系统广义能效的D2D分布式资源分配方法，其特征在于，所述PG-D2D-DPA算法包括以下步骤：S3B1：每个HUE广播预先定义的设备专属信息，各个HUE收到其他HUE的专属信息后，基于预先定义的规则，对此信息进行计算和排序，从而得到一个相同的HUE排序表；其中，位于顺序表末端的HUE作为主HUE，由其负责算法的收敛判断和公共信息的初始化，主HUE初始化算子q，并广播给其他HUE；

S3B2：HUE与VUE交互得到计算求解问题(28)所需的参数ξk,n和Ik,n；

S3B3：各个HUE根据主节点HUE的广播信息更新算子q；

S3B4：主HUE判断是否达到纳什均衡解，若没有达到纳什均衡则继续步骤S3B4进行新的一轮博弈；若达到纳什均衡，则更新算子q并进行收敛性判断；若达到收敛条件，则可终止算法，否则广播算子q给其他HUE并返回步骤S3B3 进行新一轮的迭代。