简介：基于蜂窝网络的D2D通信功率控制，在MATLAB环境下实现了一套资源分配算法，面向无线通信方向的学生、研究人员及算法工程师，可用于研究D2D与蜂窝用户共存场景下的干扰管理与功率优化。代码涵盖信道生成、发射功率迭代更新、博弈论最佳响应、定价机制等关键模块，能够帮助读者理解功率控制问题的建模、求解与仿真流程。
资源包共3个文件，均为.m格式的MATLAB脚本，压缩包仅3KB，代码轻量精炼，适合阅读、复用与二次开发。目前已有396人学习下载，可用作课程设计、毕业设计或论文仿真的参考基础。
通过运行与修改这些脚本，读者能够复现D2D通信中功率分配的基本流程，结合误码率、吞吐量等指标对比不同策略下的系统性能，为后续扩展更复杂的资源调度与干扰协调研究打下基础。
1. 蜂窝网络里的D2D功率控制：为什么先分配功率，再碰资源块
做D2D通信仿真的开发者大概都遇到过这类场景：蜂窝用户和D2D对共享频谱，吞吐量差得离谱，论文里的增益曲线在你手里就是跑不出来。你查了资源块分配、查了频谱共享模式，最后才发现瓶颈根本不在“分块”，而在每一块上D2D发射机该用多大功率。功率定不准，蜂窝用户被干扰抬到天花板，D2D自身也永远够不到目标SINR。
这篇笔记只讲一件事：在复用蜂窝频谱的D2D场景里，怎么用MATLAB把功率控制逻辑完整实现。我会用一套可复现的仿真框架——某实验室模拟项目X里常见的配置，把场景建模、迭代功率控制、性能统计和排障一条线走完。适合正在复现论文结果、需要给毕业设计或项目报告提供仿真曲线的读者，也适合刚接触D2D资源分配、想搞清楚功率控制在系统里到底扮演什么角色的新手。读完你手里会有一套能跑、能改、能出图的基础代码。
2. D2D与蜂窝用户复用频谱：干扰模型与功率控制的优化目标
功率控制做得对不对，首先取决于你对干扰拓扑的理解到不到位。在蜂窝网络叠加D2D的场景里，一条D2D链路复用蜂窝用户的资源块，干扰关系很少只有“一对”那么简单，通常是一张网：D2D接收机受到本小区蜂窝用户和邻小区泄漏的干扰，基站则受到复用它资源的D2D发射机干扰。功率控制的本质，是在这张干扰网络里，找到一组发射功率，让D2D链路达到目标服务质量的同事，把蜂窝用户的SINR损失控制在可接受范围内。
2.1 复用上行还是下行：干扰拓扑差异直接决定功率控制的设计
协议栈角度看，D2D可以复用蜂窝网络的上行或下行频谱，但多数仿真和标准化研究选上行复用。原因在于干扰拓扑更好处理：上行场景里基站的发射机是D2D用户，蜂窝用户上行信号到达基站，基站侧同时收蜂窝信号和D2D干扰；而下行复用中，D2D接收机离基站可能很近，基站发射功率又大，干扰耦合很强，功率控制的可行域会被压缩得很小。
我一般建议第一版仿真固定复用上行。道理很直接：上行信道里蜂窝用户的发射功率和D2D发射功率处于同一量级，干扰耦合矩阵的对角占优性更容易满足，迭代功率控制也更容易收敛。如果你的目标场景必须做下行复用，那要额外加入基站到D2D接收端的直射干扰项，功率控制的动态范围会小很多，调参也更敏感。
这套模型里两条链路的关键差异可以这样归纳：
- 蜂窝上行链路：UE_Tx → eNB，D2D_Tx 对 eNB 形成干扰
- D2D链路：D2D_Tx → D2D_Rx，蜂窝UE_Tx 对 D2D_Rx 形成干扰，其他D2D_Tx也构成互干扰
- 下行复用链路：eNB → UE_Rx，D2D_Tx 对 UE_Rx 干扰，eNB 对 D2D_Rx 干扰
把三条链路画成矩阵后就明白，功率控制面对的核心变量不是资源块，而是每个发射端的线性功率系数。
2.2 SINR约束下的目标函数：吞吐量与能效的取舍
功率控制的目标函数常用两类，一类最大化系统总吞吐量，另一类最大化能量效率。总吞吐量的表达式是各链路速率之和，每个链路速率按香农容量近似，即带宽乘上 log2(1+SINR)。这个模型收敛快、参数直观，适合做第一版验证；能效目标则要引入每焦耳比特数的分式规划，数值上要处理凹分式问题，复杂度高一些。
我建议第一版用吞吐量最大化，并且加上两条硬约束：D2D发射功率不超过最大功率限制，蜂窝用户的SINR不低于保护门限。目标函数的MATLAB表达式不长，但把干扰写成矩阵形式是重点：
% 吞吐量目标：系统总速率，单位bps R_total = B * sum(log2(1 + SINR_d2d)) + B * sum(log2(1 + SINR_cellular)); % 约束1：功率上限约束 P_d2d <= P_d2d_max * ones(N_d2d, 1); % 约束2：蜂窝SINR保护约束 SINR_cellular >= gamma_cell_min;这里B是资源块带宽，SINR_d2d是迭代后的D2D接收SINR向量，SINR_cellular是蜂窝链路的SINR向量。参数上，P_d2d_max通常设置为23dBm上下，蜂窝SINR保护门限按业务场景取5～12dB不等。
2.3 场景初始化的MATLAB参数表：从小区半径到路径损耗
固定场景参数是仿真复现性的地基。以下是我常用的初始化配置，你直接照抄即可。
| 参数 | 取值 | 说明 |
|---|---|---|
| 小区半径 | 500m | 基站覆盖半径，复用上行 |
| 蜂窝用户数量 | 6个 | 均匀随机撒点，不与D2D重叠 |
| D2D对数量 | 3对 | 发射端与接收端距离40～80m |
| 资源块带宽 | 180kHz | LTE单RB带宽 |
| 噪声功率谱密度 | -174dBm/Hz | 热噪声基底 |
| 蜂窝最大发射功率 | 23dBm | 上行单天线终端典型值 |
| D2D最大发射功率 | 23dBm | 与蜂窝终端持平，便于对比 |
| 路径损耗模型 | 128.1 + 37.6*log10(d_km) | 城市宏小区模型 |
| 目标SINR（D2D） | 10dB | 迭代控制目标 |
| 蜂窝SINR保护门限 | 5dB | 作为约束条件写入 |
路径损耗这块要特别提一句：我之前用过一个简化的自由空间模型，计算结果偏乐观，导致功率迭代得到的功率值普遍偏低。后来换成带阴影衰落的城市宏小区模型，才和实测趋势对上。如果你复现的论文里模型不同，优先以论文信道模型为准，改一个参数即可，代码结构不用动。
3. 固定资源块分配下的功率控制：迭代逼近与收敛判定
资源块分配不是本文重点，但必须交代清楚：仿真逻辑一般先做一个固定RB分配，把每条D2D链路复用到某个蜂窝用户的资源块上，然后在这个复用关系固定的条件下做功率控制。这样拆的好处是调试简单，RB分配和功率控制互为变量时会很难定位问题。在固定RB分配下，功率控制仍然是个多变量耦合问题——一条D2D链路的发射功率会影响另一条链路的SINR。
3.1 迭代功率控制的数学逻辑：标准干扰耦合方程的逐次逼近
这个问题的标准解法叫分步功率控制，在无线资源管理里用得很多。核心思路是：给定一组当前发射功率，计算每条链路当前的SINR，再用目标SINR和当前干扰水平联立方程，算出下一轮功率。当所有链路的实测SINR达到目标且不低于目标时，这一组功率就是可行解；如果目标SINR设置得超过信道容量允许的范围，迭代过程中的功率会一直涨到上限，然后发散或振荡。
功率更新公式可以写成向量形式：P_new = (gamma_tar / SINR_cur) .* P_cur。这个式子意味着，SINR达不到目标的链路按比例提高功率，达标的链路则降低或维持功率。它等价于固定点迭代，在干扰耦合矩阵可逆且目标SINR在可行集内时，单调收敛到最优解。
% D2D功率迭代：对标目标SINR，逐轮修正发射功率 % P_cur是当前发射功率向量；SINR_cur由外部函数计算 % gamma_tar是目标SINR向量；P_max是发射功率上限 for iter = 1:max_iter SINR_cur = compute_sinr(P_cur, H, I_fixed); P_next = min(P_max, P_cur .* (gamma_tar ./ max(SINR_cur, 1e-6))); if max(abs(P_next - P_cur)) < tol P_cur = P_next; break; end P_cur = P_next; end代码里的compute_sinr是自定义函数，输入当前功率、信道增益矩阵和各种固定干扰项；min操作把超过上限的功率截断，避免数值爆炸；max(SINR_cur, 1e-6)是为了防止除零和负SINR引起的NaN，这类数值保护在迭代仿真是必须写上的。
3.2 最小可运行的MATLAB功率控制循环代码与参数
考虑D2D链路之间互相干扰时，最小可运行的迭代函数如下。它一次迭代只做一件事：算出当前各链路SINR，修正功率，直到满足收敛条件或达到最大迭代数。
% 最小功率控制迭代示例：一个基站、3条D2D链路复用3个RB % H_d2d：D2D链路的信道增益矩阵(3x1)，每条链路自身的|h|^2 % I_mat：D2D间互干扰的归一化系数矩阵(3x3)，对角元为0 % sigma2：噪声功率；P_cell：蜂窝用户发射功率对D2D接收端的干扰 N_d2d = 3; % D2D对数 P_d2d = ones(N_d2d,1) * 0.01; % 初始功率，线性功率100mW gamma_tar = 10^(10/10); % 目标SINR 10dB转线性值 I_total = I_mat * P_d2d + P_cell; % 干扰项：D2D间干扰+蜂窝固定干扰 SINR = (P_d2d .* H_d2d) ./ (I_total + sigma2); % 当前SINR P_new = min(P_d2d_max, gamma_tar ./ max(SINR,1e-6) .* P_d2d); P_d2d = P_new;第一行P_d2d初始化的0.01是线性功率，对应10mW的起步值；gamma_tar除以10再取10的幂，是把dB值换算成线性倍率，这一步经常写错，注意换算方向；I_mat乘以P_d2d是在向量化计算各D2D接收端受到的其余D2D发射机干扰。
3.3 收敛性验证：三张记录确认你的功率控制没有白做
迭代完不能直接收工，要验证收敛性。我常用的三个检查点：一是打印每轮最大功率变化量，应该单调下降；二是画所有D2D链路的SINR曲线，应该趋平且不低于目标门限；三是检查功率值是否出现过上限截断，如果大量链路长时间贴着上限，往往意味着目标SINR超出了信道支持范围，这时候要回退参数。
% 收敛监测：记录每轮最大功率变化 change_history(iter) = max(abs(P_new - P_old)); % 停电检视：功率是否多次触顶 top_count = sum(P_d2d >= P_d2d_max * 0.999);功率变化历史建议打印成图，一眼看出振荡还是收敛；触顶计数超过总链路数的一半，就要警惕目标SINR设置过高。迭代周期里最容易被人忽略的问题，是外层重复用同一个I_mat却不更新干扰项，这会让迭代看起来很快“收敛”，但实际SINR在物理上根本达不到目标值——下一章避坑里我会专门展开这一条。
4. 把完整的MATLAB仿真框架跑通：代码分层与逻辑说明
前面两章是算法层面的铺垫，这一章给一套直接能跑的仿真骨架。它按生产习惯分成三层：场景与信道生成层、干扰与SINR计算层、功率控制与统计层。分层目的不是代码洁癖，而是让你在调算法时不用反复找参数。
4.1 基础搭建：先写参数与信道生成脚本
仿真开始前先固定随机种子，这直接影响结果可复现性。同一套场景，如果每次随机种子不同，生成的小区用户位置和信道衰减都不同，算法收益曲线可能差出一大截。建议在所有因果步骤之前单独设置一次种子。
rng(2025); % 固定随机种子，保证实验可复现 % 用户位置生成 cell_radius = 500; n_cell = 6; % 蜂窝用户数 n_d2d = 3; % D2D对数 % 蜂窝用户随机撒点：均匀分布在小区内 ue_pos = cell_radius * sqrt(rand(n_cell,1)) .* exp(1j*2*pi*rand(n_cell,1)); % D2D发射端随机撒点，接收端在发射端附近40~80m处 d2d_tx = 0.8 * cell_radius * sqrt(rand(n_d2d,1)) .* exp(1j*2*pi*rand(n_d2d,1)); d2d_dist = 40 + 40 * rand(n_d2d,1); % 收发距离 40～80m d2d_rx = d2d_tx + d2d_dist .* exp(1j*2*pi*rand(n_d2d,1));这段代码里，蜂窝用户和D2D发射端都用了均匀极坐标撒点，防止用户全堆在圆心导致干扰模型失真；D2D接收端相对发射端做一个随机方向的偏移，距离在40到80米之间，这种配置接近真实终端间距，也保证接收信号不至于弱到没有参考价值。
4.2 信道生成与干扰计算：计算路径损耗和快衰落
信道系数用三部分相乘：大尺度路径损耗、阴影衰落、小尺度瑞利衰落。瑞利衰落系数每次仿真都要重新生成，这就是为什么功率控制必须在每轮迭代后更新干扰项。很多简化模型只算路径损耗，导致干扰恒定，功率迭代曲线看起来又平滑又收敛，但这掩盖了快衰落带来的真实波动。
% 路径损耗计算：城市宏小区模型 PL_dB = 128.1 + 37.6 * log10(dist_km); % 阴影衰落：对数正态，标准差8dB shadow = 10^(sigma_shadow/10 * randn()); % 瑞利衰落信道增益：|h|^2 服从指数分布 h_fast = (randn(1,1) + 1j*randn(1,1)) / sqrt(2); channel_gain = (10^(-PL_dB/10)) * shadow * abs(h_fast)^2;dist_km要把米转为公里，路径损耗公式才能匹配；shadow是单个随机量，如果你想给每个链路不同阴影值，需要改成与链路数同长度的向量；h_fast每个链路的生成互不相关，如果再考虑空间相关场景，要额外引入相关系数矩阵，初版不需要。
4.3 功率控制主循环与性能统计：记录迭代矩阵和吞吐量
主循环分内外两层：外层遍历功率控制轮，内层遍历所有D2D链路。每轮内部的SINR计算必须基于最新功率和最新信道系数，否则前面说的“假收敛”就会出现。
for iter = 1:max_iter % 重新生成快衰落并更新干扰项，模拟实际信道时变 for k = 1:n_d2d h_fast_k = (randn() + 1j*randn()) / sqrt(2); h_d2d(k) = (10^(-PL_d2d_dB(k)/10)) * abs(h_fast_k)^2; end % 计算每条D2D链路的干扰功率（来自蜂窝用户+其他D2D） for k = 1:n_d2d I_cell = channel_gain_ue2d2d(k) * P_cell_ue(k); I_d2d = 0; for j = 1:n_d2d if j ~= k I_d2d = I_d2d + channel_gain_d2d_int(k,j) * P_d2d(j); end end SINR_d2d(k) = P_d2d(k) * h_d2d(k) / (I_cell + I_d2d + sigma2); end % 功率更新：按目标SINR修正 P_d2d_new = min(P_d2d_max, gamma_tar ./ max(SINR_d2d, 1e-6) .* P_d2d); change(iter) = max(abs(P_d2d_new - P_d2d)); P_d2d = P_d2d_new; end % 统计系统吞吐量 R_d2d = B * sum(log2(1 + SINR_d2d)); R_cell = B * sum(log2(1 + SINR_cell_after)); R_total = R_d2d + R_cell;这段代码里，P_d2d_max写在线性域，不可以用dBm直接参与计算，很多新手的翻车点就在这里；change(iter)记录最大功率修正量，用于画收敛曲线；R_total的计算放在迭代完成后，它输出的是一个标量，代表该次快照的系统总速率。
5. 功率控制实现中最容易踩的4个坑：现象、原因、解决
功率控制的MATLAB实现里，真正让人头疼的往往不是算法本身，而是那些表面看起来运行正常、实际结果却完全不对的隐藏问题。这几条坑是我在D2D资源分配的仿真调试里反复撞出的经验，直接写下来，省得你一条条试。
5.1 功率迭代不收敛，越迭代越振荡
现象是功率变化曲线不下降，在某个值附近来回跳，SINR曲线也持续波动。原因多数是把目标SINR设得超过了信道支持范围，导致每条链路都拼命抬高功率，结果互相干扰加强，SINR反而恶化，形成正反馈循环。
解决方法是检查目标SINR的可行集：用最大发射功率回算所有链路同时满功率时的SINR，如果目标值大于该值，那就必然不收敛。具体做法是先在迭代前跑一遍满功率SINR计算，把目标SINR设置在该值以下3dB左右。另一个检查点是蜂窝用户干扰是否在每次迭代中更新，如果把它设为常数，也会掩盖真实收敛条件。
5.2 两次运行结果差异大，算法收益曲线忽高忽低
现象是同样的代码、同样的参数，换个随机种子跑出来总吞吐量差20%以上。原因是信道快衰落和用户位置每次重新随机生成，导致仿真结果方差太大，而你的实验只做了一次快照。
解决方法是固定随机种子并对多次快照做平均。常见的做法是外层加一个快照循环，每个快照用户位置和信道系数都重新生成，记录每一轮的功率控制结果，最后对所有快照取平均。我这里一般跑50个快照，输出均值加上标准差范围，曲线就稳定多了。做算法对比时，这条一定要遵守：对比的两种算法必须在同一组快照上用同一套信道系数，否则差分结果没有任何统计意义。
5.3 干扰项算成0，SINR偏高，算法“看起来效果很好”
现象是功率控制后的系统吞吐量高得离谱，SINR曲线远远高于设定目标。原因很隐蔽：我早期写干扰计算时把D2D间的互干扰项漏了，只算了蜂窝固定干扰，在循环里所有D2D就变成了“独立链路”，功率控制自然表现为快速收敛到目标。
解决方法是写完干扰计算后先做一次数值自查：把某条D2D链路的发射功率人为调高十倍，观察其余链路的SINR是否随之下降。如果只有自己的SINR变化，说明互干扰没有正确耦合。调试时可以打印干扰项矩阵，逐项核对对角线以外的元素是否非零且随功率更新。
5.4 蜂窝用户SINR保护约束没写进迭代，基站侧干扰失控
现象是D2D吞吐量漂亮，但蜂窝用户SINR崩到负数，系统总速率反而低于无D2D时的基线。
原因是功率控制只优化了D2D链路目标，忘了把蜂窝用户的SINR保护写成约束。在复用上行的场景，D2D发射机离基站很近时，它的功率哪怕不高也会把基站接收的SINR拉到很低。
解决方法是在功率迭代的更新式中加入蜂窝链路的SINR约束，超出门限时直接将该D2D功率削减到上一轮的一半，直到约束激发消失。这是很实用的止血式做法，比每个迭代步都解优化问题快得多。后续有算力再替换成严格拉格朗日处理也不迟。
6. 用基线对照验证功率控制收益：三张图和一条回归测试命令
做完功率控制实现，如何让仿真结果真的说明问题？我的经验是立刻做基线对照：等功率分配作为上限参考，随机功率分配作为下限参考，你的算法结果必须落在两者中间且更靠近等功率分配的曲线。三张图分别是功率收敛轨迹、SINR收敛曲线、三种方案的系统总吞吐量对比CDF。这条规矩能让你的报告少被追问一个回合。
% 回归测试脚本：一次运行输出三张对照图 figure(1); plot(power_history); title('功率收敛轨迹'); xlabel('迭代轮数'); figure(2); plot(sinr_history); yline(gamma_tar, 'r--'); title('SINR收敛曲线'); figure(3); cdfplot(R_total_PC); hold on; cdfplot(R_total_uniform); legend('功率控制','等功率分配');如果CDF曲线显示功率控制方案贴近甚至超过等功率分配，但等功率分配本就容易违反蜂窝SINR约束，这时要看蜂窝约束的满足率，而不是只看速率数值。我常用的习惯是每次跑完都自动输出约束违反率，作为回归测试的守护条件。
覆盖率、收敛性、约束满足率这三个指标同时看过，整个仿真数据的可信度就立住了。我当年做这套系统时也犯过把目标SINR往上硬调、结果全图飘红的事，后来才悟出功率控制的工程重心其实在约束管理和数值卫生上。
希望这份笔记能帮你在D2D功率控制的仿真里少走几圈弯路。用这套方法先跑通一个最小可行的框架，再逐步加复杂度，你的曲线和数据会比想象中更快立得住。
本文还有配套的精品资源，点击获取
