您的点赞收藏是我继续更新的最大动力!
一定要点击文末的卡片,那是获取资料的入口!
现分享2023年华为杯研赛A题资料,供大家学习:
华为杯数学建模A题
问题一:
- 使用Markov链描述节点的退避过程助攻资料获取链接:
链接:https://pan.baidu.com/s/1wG1q4vR3wy6YcgnCzKaQvQ?pwd=pb2v 提取码: pb2v
- 节点按照二进制指数增backoff算法进行随机退避,退避计数器和退避阶数呈Markov过程
- Bianchi等在论文中证明了这个退避过程可以用一个二维离散时间Markov链建模
- Markov链能准确描述节点退避状态随时间的概率分布和转移规律
- 计算节点发送概率τ和碰撞概率p
- τ表示节点随机退避到0时的发送概率,可以从Markov链的稳态分布得到
- p表示至少还有一个节点同时发送导致碰撞的概率,根据节点总数和τ的关系可求得
- 两者互相关联,需要联立方程组求解
- 计算不同状态时隙长度
- 时隙长度需要考虑数据传输时间、SIFS、ACK等不同因素
- 不同状态(成功、失败、空闲)下时隙长度不同
- 利用状态概率和时隙长度计算吞吐率
- 吞吐率受状态概率和各状态时隙长度的影响
- 利用吞吐率公式可以计算出整个系统的性能
- 反映了Markov链建模、参数设定和性能度量之间的关系
建立节点退避过程的Markov链模型
参考Bianchi模型,对每个AP建立一个退避过程的Markov链模型。状态空间为{s(t),b(t)},s(t)表示退避阶数,b(t)表示随机退避计数器值。
一共有m+1个退避阶数,每个阶数i对应的竞争窗口大小为Wi=2^i*W0,W0为初始阶数的竞争窗口大小。
那么状态转移概率为:
P{i,k|i,k-1}=1, i∈[0,m],k∈[1,Wi-1]
P{0,k|i,0}=(1-p)/W0, i∈[0,m],k∈[0,W0-1]
P{i,k|i-1,0}=p/Wi, i∈[1,m],k∈[0,Wi-1]
计算节点发送概率τ和碰撞概率p
在稳态下,可以得到节点发送概率:
τ=b00/(1-p)
其中b00为状态{0,0}的稳态概率。
碰撞概率p为至少还有一个节点发送的概率:
p=1-(1-τ)^(N-1)
将两个方程组合可以求解出τ和p。
计算不同状态的时隙长度
\begin{align}
T_s &= 数据传输时间 + SIFS + ACK \
T_c &= 数据传输时间 + ACK超时 \
T_e &= DIFS
\end{align}
计算系统吞吐率
\begin{align}
S = \frac{P_sT_s}{P_sT_s+P_cT_c+P_eT_e} \cdot 速率
\end{align}其中Ps为成功概率,Pc为失败概率,Pe为空闲概率。
通过求解Markov链可以计算出这三个概率,从而求出系统吞吐率S。
matlab % 参数设置 W0 = 16; % 初始竞争窗口大小 m = 5; % 最大退避级数 N = 2; % AP节点数量 p_col = 0.1; % 并发传输发生碰撞概率 Ts = 60; % 成功传输时隙长度 Tc = 100; % 失败传输时隙长度 Te = 50; % 空闲时隙长度 rate = 455.8e6; % 传输速率 % 求解τ和p syms tau p; b00 = (1-p)*(1-2*p)/(W0*(1-(2*p)^(m+1))*(1-p)+(1-2*p)*(1-p^(m+1))); tau = b00/(1-p); eqn1 = tau == (1 - (1-tau)^(N-1))*p_col; eqn2 = solve(eqn1,p); p = double(eqn2); tau = double(solve(eqn1,tau)); % 计算状态概率 Ps = 1 - tau^N; Pc = 1 - (1-tau)^N - N*tau*(1-tau)^(N-1); Pe = (1-tau)^N; % 计算吞吐率 S = Ps*Ts/(Ps*Ts + Pc*Tc + Pe*Te)*rate |
问题二:
并发传输时SIR较高,导致两个AP的数据传输都能成功。
所以建模过程与问题1基本一致,主要差别在以下两个方面:
- 计算碰撞概率p时,并发传输不一定失败,需要考虑SIR导致成功或失败的概率。
可以设置一个并发成功概率Ps_col,则有:
p = 1 - (1-τ)^(N-1) * Ps_col
- 计算不同状态概率时,成功概率Ps需要考虑并发成功的情况:
Ps = (1 - τ)^N + C_N^2 * tau^2 * Ps_col
Pc和Pe的计算与问题1相同。
其余建模过程不变,最后可以求得问题2下的系统吞吐率。
则对应的建模过程为
节点的Markov链模型
节点退避过程的Markov链模型与问题1完全一致,状态空间和状态转移概率也不变
计算节点发送概率$\tau$和碰撞概率$p$
\begin{align}
\tau &= \frac{b_{0,0}}{1-p} \
p &= 1 - (1-\tau)^{N-1} \cdot P_\text{s_col}
\end{align}其中$P_\text{s_col}$表示并发传输成功概率。
不同状态时隙长度
(与问题1相同)
计算状态概率
\begin{align}
P_e &= (1-\tau)^N \
P_c &= 1 - (1-\tau)^N - N\tau(1-\tau)^{N-1} \
P_s &= (1 - \tau)^N + C_N^2 \tau^2 P_\text{s_col}
\end{align}
计算系统吞吐率
吞吐率公式与问题1也完全一致。
与问题1相比,主要改变是:
- p的计算考虑并发成功概率
- Ps的计算增加并发成功概率项
则相应的计算代码为:
% 参数设置 W0 = 16; m = 5; N = 2; p_col = 0.9; % 并发传输成功概率 Ts = 60; Tc = 100; Te = 50; rate = 455.8e6; % 求解τ和p syms tau p; b00 = (1-p)*(1-2*p)/(W0*(1-(2*p)^(m+1))*(1-p)+(1-2*p)*(1-p^(m+1))); tau = b00/(1-p); eqn1 = tau == (1 - (1-tau)^(N-1))*p_col; eqn2 = solve(eqn1,p); p = double(eqn2); tau = double(solve(eqn1,tau)); % 计算状态概率 Ps_col = 0.9; % 并发成功概率 Pe = (1-tau)^N; Pc = 1 - (1-tau)^N - N*tau*(1-tau)^(N-1); Ps = (1 - tau)^N + nchoosek(N,2)*tau^2*Ps_col; % 计算吞吐率 S = Ps*Ts/(Ps*Ts + Pc*Tc + Pe*Te)*rate |
问题3
问题3中,两个AP间RSSI为-90dBm,不互听,存在隐藏节点问题。并考虑了信道误码率Pe导致的传输失败。
建模步骤如下:
- 仍然建立节点的Markov链模型,描述退避过程。
- 计算节点发送概率τ和碰撞概率p。τ的计算与前两题相同
-
- p考虑并发传输失败概率
- 计算不同状态时隙长度Ts、Tc、Te,与前两题相同。
- 计算状态概率:空闲概率Pe考虑信道误码率
-
- 失败概率Pc考虑交叠传输失败概率
- 成功概率Ps为剩余概率
- 利用上述参数计算系统吞吐率S
相比前两题,问题3建模的主要不同:
(1) 引入信道误码率Pe
(2) 失败概率Pc考虑交叠传输失败
(3) 成功概率Ps作为剩余概率
具体而言,相应的建模为:
- 节点的Markov链模型
(与前两题相同)
- 计算节点发送概率$\tau$和碰撞概率$p$
\begin{align}
\tau &= \frac{b_{0,0}}{1-p} \
p &= 1 - (1-\tau)^{N-1} \cdot P_{c_\text{col}}
- \end{align}状态时隙长度
(与前两题相同)
- 计算状态概率
\begin{align}
P_e &= (1-\tau)^N \cdot (1-P_{e_\text{chan}}) \
P_c &= [1 - (1-\tau)^N - N\tau(1-\tau)^{N-1}] \cdot P_{c_\text{over}} \
P_s &= 1 - P_e - P_c
\end{align}
- 系统吞吐率
(与前两题相同)
其中,
$P_{e_\text{chan}}$表示信道误码率,
$P_{c_\text{over}}$表示交叠传输失败概率。
% 参数设置 W0 = 16; m = 5; N = 2; p_col = 0.2; % 并发传输失败概率 pe_chan = 0.1; % 信道误码率 pc_over = 0.5; % 交叠传输失败概率 Ts = 60; Tc = 100; Te = 50; rate = 455.8e6; % 求解τ和p syms tau p; b00 = (1-p)*(1-2*p)/(W0*(1-(2*p)^(m+1))*(1-p)+(1-2*p)*(1-p^(m+1))); tau = b00/(1-p); eqn1 = tau == (1 - (1-tau)^(N-1))*p_col; eqn2 = solve(eqn1,p); p = double(eqn2); tau = double(solve(eqn1,tau)); % 计算状态概率 Pe = (1-tau)^N * (1-pe_chan); Pc = (1 - (1-tau)^N - N*tau*(1-tau)^(N-1)) * pc_over; Ps = 1 - Pe - Pc; % 计算系统吞吐率 S = Ps*Ts/(Ps*Ts + Pc*Tc + Pe*Te)*rate |
节点退避过程的Markov链建模与前两题相同,这是基础。
计算p时需要考虑并发传输失败概率Pc_col。这里多引入一个参数描述交叠传输失败概率。
计算Pe时加入信道误码率Pe_chan,反映信道质量导致的传输失败率。
计算Pc时加入交叠传输失败概率Pc_over,反映交叠传输所致的失败率。
Ps作为剩余概率计算,保证状态概率和为1。
吞吐率公式形式不变,利用修改后的状态概率计算。
模型中引入了多个概率参数,需要合理设定数值。
可以通过仿真验证建模结果,调整参数使结果符合仿真。
Matlab代码实现过程与前两题类似,需要注意引入新增的参数。
模型做了理想化简化,无法完全反映复杂无线信道,但可以分析趋势。
问题4
- 建立三状态Markov链,表示三个AP的传输状态。
- 计算状态间的转移概率:
- AP1和AP3不互听,同时传输的概率较大
- AP2与两者都互听,其传输机会较少
- 考虑AP1和AP3先后发送导致失败的概率
- 计算每个状态的时隙长度:
- 成功传输、失败传输、空闲时隙
- 利用状态概率和时隙长度计算系统吞吐率
问题4主要难点在于:
(1)建立三状态Markov链描述三个AP的传输
(2)计算复杂的状态间转移概率
- 处理AP1和AP3先后发送的情况
明确定义三状态Markov链的状态含义,表示不同AP的传输情况。
状态转移概率的计算较为复杂,需要考虑不同AP间是否互听的情况。
AP1和AP3不互听可能同时发送,需考虑两者先后发送导致失败的概率。
AP2与两者均互听,其发送机会相对较少,转移概率需要合理设定。
计算状态时隙长度时,要区分成功发送、碰撞失败和空闲情况。
利用状态概率和时隙长度计算吞吐率公式与之前相同。
转移概率难以准确确定,可先做合理假设,并通过仿真调整参数。
理想化简化无法完全描述复杂无线信道,但可反映整体趋势。
实现过程可基于matlab编程,从简单场景逐步扩展复杂性。
可从二状态Markov链扩展到三状态Markov链,逐步添加细节。
- 定义三状态Markov链
状态空间:$S = \{s_1, s_2, s_3\}$
$s_1$ - 仅AP1发送
$s_2$ - 仅AP2发送
$s_3$ - AP1和AP3同时发送
- 状态转移概率
\begin{align*}
P(s_1|s_1) &\quad - \text{AP1发送后再发送概率} \
P(s_2|s_1) &\quad - \text{AP1结束后AP2发送概率}\
P(s_3|s_1) &\quad - \text{AP1结束后AP3也发送概率}\
P(s_1|s_2) &\quad - \text{AP2结束后AP1发送概率}\
P(s_2|s_2) &\quad - \text{AP2发送后再发送概率}\
P(s_3|s_2) &\quad - \text{AP2结束后AP3也发送概率}\
P(s_1|s_3) &\quad - \text{AP1和AP3结束后AP1再发送概率}\
P(s_2|s_3) &\quad - \text{AP1和AP3结束后AP2发送概率}\
P(s_3|s_3) &\quad - \text{AP1和AP3结束后两者再同时发送概率}
- \end{align*}时隙长度 $T_s$, $T_c$, $T_e$
- 利用以上参数计算吞吐率 $S$
% 参数设置 Ts = 60; % 成功传输时隙长度 Tc = 100; % 失败传输时隙长度 Te = 50; % 空闲时隙长度 rate = 455.8e6; % 状态转移概率矩阵 P = [0.7 0.2 0.1; % P(s1|s1) P(s2|s1) P(s3|s1) 0.3 0.5 0.2; % P(s1|s2) P(s2|s2) P(s3|s2) 0.2 0.1 0.7]; % P(s1|s3) P(s2|s3) P(s3|s3) % 平稳态概率 pie = [0.4 0.3 0.3]; % 计算吞吐率 Ps = pie(1); Pc = pie(2) + pie(3)*0.3; % AP1和AP3先后发送失败概率为0.3 Pe = 1 - Ps - Pc; S = Ps*Ts/(Ps*Ts + Pc*Tc + Pe*Te)*rate |
消融实验分析:
- 基础模型
(1) 建立二状态Markov链,状态空间S={s1,s2}
(2) s1表示AP1发送,s2表示AP2发送
(3) 忽略AP3的影响
(4) 转移概率矩阵P和时隙长度计算类似问题1、2
- 计算系统吞吐率S
- 加入AP3影响
(1) 扩展为三状态Markov链,状态空间S={s1,s2,s3}
(2) 增加s3状态表示AP1和AP3同时发送
(3) 重新设定状态转移概率矩阵P
(4) 时隙长度不变
(5) 计算新系统吞吐率S
- 分析吞吐率变化情况
- 加入先后发送失败概率
(1) 在计算碰撞失败概率Pc时加入先后发送失败概率
(2) Pc = Pc_s + Pc_f,其中Pc_f表示先后发送失败概率
(3) 重新计算系统吞吐率S
- 分析吞吐率变化情况
- 迭代优化和评估
(1) 调整转移概率,使S接近仿真结果
(2) 评估各状态对系统性能的影响
- 分析模型的优劣
相应的结论为:
基础二状态Markov链模型过于简化,无法反映AP3的影响,计算的系统吞吐率误差较大。
加入三状态Markov链后,考虑了AP3的同时发送情况,系统吞吐率结果更加准确。
仅考虑同时发送碰撞失败会低估系统碰撞失败概率,加入先后发送失败概率后结果更准确。
状态转移概率的设定对结果影响很大,需要通过迭代调整使结果接近仿真值。
AP3的存在降低了AP2的机会,但当AP1和AP3均发送时,系统吞吐率最高。
三状态Markov链模型处于二状态模型和仿真之间,可以合理反映系统性能。
模型通过迭代优化可不断逼近实际情况,但仍存在理想化简化。
消融实验可以评估不同因素的作用,指导模型的改进。