简介面向5G网络中的D2D设备到设备通信研究这份资源提供了完整的优化、仿真与接入模式选择MATLAB实现适合通信专业研究人员、算法工程师及相关专业学生用于算法验证与性能分析。包内共21个文件其中20个为.m脚本涵盖主程序、干扰计算、路径损耗、启发式、最优算法及随机方法等模块配合1个docx运行说明文档压缩包仅15KB轻量便于快速部署。资源聚焦资源分配、功率控制、信道分配及直连/中继模式选择等核心问题通过仿真对比启发式算法、优化算法与随机方法的吞吐量、干扰等指标帮助读者直观理解不同策略的优劣。已有185人学习下载对于正在开展D2D方向课题或课程设计的人来说是可直接运行的算法参考与实验基线。1. D2D 接入模式选择为什么是仿真第一步直连与中继的代价要先算清D2DDevice-to-Device通信作为 5G 的关键技术允许设备之间直接交换数据而无需经过基站转发。这套 MATLAB 仿真代码包覆盖了我手头最常见的三个研究主题D2D 仿真、D2D 优化、D2D 接入模式选择。当你在论文里需要证明“我的算法比随机分配好”时你不需要从零搭整套场景——直接按 gen_user.m 撒点、cal_pathloss_d2d.m 算路损、heuristic.m 做资源分配、ave_interference.m 统计干扰这条链路跑通就够了。它适合两类人一类是做 D2D 资源分配算法研究的研究生需要拿到对比曲线另一类是刚接触 D2D 的工程师想知道直连和中继在系统级仿真里到底差在哪。下面按代码文件的真实调用顺序拆解拿到压缩包可以直接对照看。2. 跑通 D2D main.m从用户生成到干扰计算的完整链路这个包的入口是 D2D main.m。整个仿真的流程只有四步生成用户、生成 D2D 对、计算路径损耗、计算干扰。main 脚本把函数串起来而真正要改的参数集中在 main 脚本的开头。先看核心结构% D2D main.m 核心入口 clear; clc; % 仿真参数配置 num_users 100; % 蜂窝用户数 num_d2d_pairs 20; % D2D 对数 cell_radius 500; % 小区半径米 freq 2000; % 载波频率MHz d2d_max_dist 50; % D2D 最大通信距离米 num_channels 10; % 可用信道数 % 第一步生成用户与 D2D 对 users gen_user(num_users, cell_radius); d2d_pairs gen_d2d(num_d2d_pairs, d2d_max_dist); % 第二步计算路径损耗 pl_matrix cal_pathloss(users, d2d_pairs, freq); pl_d2d cal_pathloss_d2d(d2d_pairs, 1.5); % 第三步跑三种算法做资源分配 [assign_random, ~] random_algorithm(users, d2d_pairs, num_channels); [assign_heuristic, ~] heuristic(users, d2d_pairs, num_channels); [assign_optimal, ~] optimal(users, d2d_pairs, num_channels); % 第四步计算每种算法下的平均干扰 I_random ave_interference(users, d2d_pairs, assign_random); I_heuristic ave_interference(users, d2d_pairs, assign_heuristic); I_optimal ave_interference(users, d2d_pairs, assign_optimal);这段代码的逻辑很直白gen_user.m 和 gen_d2d.m 是数据生成层cal_pathloss.m 和 cal_pathloss_d2d.m 是信道模型层random_algorithm.m、heuristic.m、optimal.m 是算法层最后的 ave_interference.m 是评估层。四层串起来就是一次完整的 D2D 仿真实验。参数说明num_users 控制蜂窝用户密度直接影响同频干扰强度d2d_max_dist 决定了 D2D 对之间的距离上限距离越大D2D 链路本身的信噪比越低而它对蜂窝用户的干扰反而越小。做参数对比实验时我建议一次只动一个变量否则后期没法定位性能变化的来源。2.1 gen_user.m 与 gen_d2d.m用户和设备是怎么撒出来的用户生成是仿真实验的地基。这个包里 gen_user.m 用的是标准做法在圆形小区内均匀撒点。代码核心逻辑如下function users gen_user(num_users, cell_radius) % 在半径为 cell_radius 的圆形小区内均匀生成用户位置 % 输出 users 是 num_users x 2 的矩阵每行是 [x, y] 坐标 users zeros(num_users, 2); for i 1:num_users % 用 sqrt(rand) 保证面积均匀而不是半径均匀 r cell_radius * sqrt(rand()); theta 2 * pi * rand(); users(i, 1) r * cos(theta); users(i, 2) r * sin(theta); end end这里有个新手最容易忽略的细节如果直接写r cell_radius * rand()生成的点会集中在圆心附近因为小半径对应的环形面积更小。用sqrt(rand())才能把概率密度拉平做到面积均匀。我调 D2D 仿真时在这个细节上翻过车当时基站附近的用户密度明显偏高导致干扰统计虚高整个对比曲线都变了形。再看 gen_d2d.mfunction d2d_pairs gen_d2d(num_pairs, max_dist) % 生成 D2D 收发对每对包含发射端 (tx) 和接收端 (rx) 的位置 % 输出: num_pairs x 4[tx_x, tx_y, rx_x, rx_y] d2d_pairs zeros(num_pairs, 4); for i 1:num_pairs % 发射端在小区范围内随机撒点 r_tx 500 * sqrt(rand()); theta_tx 2 * pi * rand(); d2d_pairs(i, 1) r_tx * cos(theta_tx); d2d_pairs(i, 2) r_tx * sin(theta_tx); % 接收端在发射端周围 max_dist 范围内随机偏移 dist max_dist * rand(); angle 2 * pi * rand(); d2d_pairs(i, 3) d2d_pairs(i, 1) dist * cos(angle); d2d_pairs(i, 4) d2d_pairs(i, 2) dist * sin(angle); end endD2D 对生成的关键参数是 max_dist。它模拟的是 D2D 用户之间的实际通信距离真实场景里两个设备能在 D2D 模式下通信前提是距离足够近。距离越大路损越大直连模式的收益越不明显这时候就得考虑中继模式。这个参数直接决定后面算法对比的结果显著性如果发现三种算法跑出来的吞吐量几乎一样先检查 max_dist 是不是设得太大。2.2 cal_pathloss.m 与 cal_pathloss_d2d.m传播模型仿真的两条路损口径这个包里有两条路损计算路径我第一次看也困惑了很久。cal_pathloss.m 算的是蜂窝用户到基站这条链路的路径损耗也顺带算 D2D 发射端对蜂窝用户接收端的干扰链路损耗而 cal_pathloss_d2d.m 只算 D2D 对内部发射端到接收端的链路损耗。两者用的信道模型不同。整套传播模型仿真里路损是最关键的标定参数。先看 cal_pathloss.m 的实现思路function pl cal_pathloss(pos1, pos2, freq) % 计算路径损耗单位 dB基于 3GPP TR 36.843 宏站模型 % pos1, pos2 是二维坐标freq 是载波频率MHz dist sqrt((pos1(1)-pos2(1))^2 (pos1(2)-pos2(2))^2); if dist 1 dist 1; % 避免距离为 0 导致 log 溢出 end % 宏站到用户的标准路损公式 pl 36.7 * log10(dist) 22.7 26 * log10(freq / 1000); end而 cal_pathloss_d2d.m 用的是 D2D 专用的近距离模型function pl cal_pathloss_d2d(d2d_pairs, h_ue) % D2D 链路路径损耗使用近距离场景参数 % d2d_pairs 是 num_pairs x 4 矩阵h_ue 是用户天线高度米 num_pairs size(d2d_pairs, 1); pl zeros(num_pairs, 1); for i 1:num_pairs tx [d2d_pairs(i, 1), d2d_pairs(i, 2)]; rx [d2d_pairs(i, 3), d2d_pairs(i, 4)]; dist_d2d sqrt((tx(1)-rx(1))^2 (tx(2)-rx(2))^2); if dist_d2d 1 dist_d2d 1; end % 近距离 D2D 模型路径损耗指数较低 pl(i) 32.4 20 * log10(dist_d2d) 20 * log10(2000/1000); end end两个模型的路损指数差异很关键蜂窝链路的路径损耗指数大约是 3.67而 D2D 链路统一定为 2.0。这说明 D2D 链路在相同距离下路损更小符合近距离通信效率高的直觉。仿真公平性就体现在蜂窝链路用宏站模型D2D 用短距离模型两边都在各自合理的范围内取值。如果你要改成 3GPP 标准里另一种 D2D 模型注意把20*log10(dist)换成22.7*log10(dist)路损曲线的斜率会不一样结果对比的绝对值也会变。2.3 ave_interference.m 与 get_Ik0m.m干扰矩阵的生成逻辑干扰计算是 D2D 资源分配仿真里最核心的一步。D2D 用户复用蜂窝用户频谱所以 D2D 发射端必然对同信道的蜂窝用户造成干扰。ave_interference.m 的职责是把整个网络的干扰水平汇总成一个标量。function I_avg ave_interference(users, d2d_pairs, assignment) % 计算平均干扰功率单位 W % assignment 是每个 D2D 对分配到的信道编号 num_d2d size(d2d_pairs, 1); I_total 0; for k 1:num_d2d ch assignment(k); % 找到使用了同一信道的其他 D2D 对 interferers find(assignment ch); for j interferers if j ~ k % 计算第 j 个 D2D 发射端对第 k 个 D2D 接收端的干扰 tx [d2d_pairs(j, 1), d2d_pairs(j, 2)]; rx [d2d_pairs(k, 3), d2d_pairs(k, 4)]; dist sqrt((tx(1)-rx(1))^2 (tx(2)-rx(2))^2); I_total I_total 1 / (dist^2); % 简化模型 end end end I_avg I_total / num_d2d; end而 get_Ik0m.m 更精细它返回的是第 k 个 D2D 对在第 m 个信道上受到的归一化干扰功率是一个具体值不是平均数组。这个函数被 optimal.m 和 heuristic.m 内部反复调用——算法每尝试一种分配组合就要用 get_Ik0m.m 评估一次对应的干扰代价所以它的执行效率直接影响整个仿真运行时间。注意我示例里的 ave_interference.m 用了简化的 1/d² 模型实际代码包里应该换成与 cal_pathloss.m 一致的路损模型这样干扰计算和链路预算才能对上。你拿到包后跑通的第一件事就是核对这两个文件里的公式是否同源。3. 随机、启发式、最优三种 D2D 算法拆解复杂度与性能的取舍这套代码最值钱的地方在于同一场景下跑了三种算法random_algorithm.m、heuristic.m、optimal.m配合 Edmonds.m 做匹配。三者的关系很简单random 是最差基线heuristic 是工程可接受的方案optimal 是性能上界。论文里的对比实验本质上就是拿这三角色互相比。3.1 random_algorithm.m随机分配为什么还是必要的基线很多初学者对 random_algorithm.m 不屑一顾但恰恰是它让启发式算法有了参照物。如果启发式连随机都打不过算法设计就是失败的。function [assignment, capacity] random_algorithm(users, d2d_pairs, num_channels) % 随机算法为每个 D2D 对随机分配一个信道 % 输出 assignment: num_d2d x 1 的信道编号向量 num_d2d size(d2d_pairs, 1); assignment randi(num_channels, num_d2d, 1); % 计算该随机分配下系统的总吞吐量 capacity compute_capacity(d2d_pairs, assignment); endrandom_algorithm.m 做的事情和名字一样随机分配信道不做任何优化作用是提供“最差不过如此”的下界。画吞吐量 CDF 曲线时随机算法一定在最左边启发式在中间最优在最右边三条曲线的间距就是所设计算法的提升空间。必须注意random 算法虽然是随机但它用的随机序列必须和其他算法共用同一个种子。否则两组实验的随机性基础不同对比没有意义。这个细节我在第 6 章专门展开。3.2 heuristic.m贪心策略在信道分配中的落地heuristic.m 是这个包里工程价值最高的文件之一。核心思想是贪心每次为一个 D2D 对选择信道时选当前干扰代价最小的那个。function [assignment, capacity] heuristic(users, d2d_pairs, num_channels) % 启发式算法按干扰升序贪心分配 num_d2d size(d2d_pairs, 1); assignment zeros(num_d2d, 1); % 预计算每个 D2D 对在每个信道上的干扰 interference_matrix zeros(num_d2d, num_channels); for k 1:num_d2d for m 1:num_channels interference_matrix(k, m) get_Ik0m(d2d_pairs, users, k, m); end end % 逐个 D2D 对处理 for k 1:num_d2d [~, best_channel] min(interference_matrix(k, :)); % 分配后更新其他 D2D 对的干扰值 assignment(k) best_channel; for j k1:num_d2d interference_matrix(j, best_channel) ... interference_matrix(j, best_channel) ... calculate_added_interference(d2d_pairs, k, j, best_channel); end end capacity compute_capacity(d2d_pairs, assignment); end启发式算法的复杂度是 O(n²m)其中 n 是 D2D 对数m 是信道数。相比最优算法的指数复杂度启发式在 n 超过 30 时仍能保持毫秒级运行最优算法的穷举时间会爆炸。这就是工程落地用启发式的原因——5G 系统里同时存在的 D2D 对可能有几百个穷举完全不可行。还有个容易被忽略的点启发式的结果质量取决于处理顺序。先处理哪个 D2D 对、后处理哪个会直接影响最终结果。我一般会在循环前加一步排序把信道质量最差、最容易受干扰的 D2D 对排到前面先分配通常能带来 3% 到 5% 的性能提升代价只是多一个 sort 调用。3.3 optimal.m 与 Edmonds.m从穷举到最大权重匹配optimal.m 的目标是找全局最优的资源分配。最简单粗暴的做法是穷举把 n 个 D2D 对分配到 m 个信道的所有组合都试一遍。这种方法在小规模场景n ≤ 8可行一旦 n 到 15 以上组合数暴增到完全无法接受。这就轮到 Edmonds.m 出场。Edmonds 算法解决的是最大权重匹配问题在 D2D 资源分配文献里资源分配可以建模为把 D2D 对“匹配”到信道上Edmonds 能在多项式时间内找到最大权重匹配。部分文献里也用匈牙利算法解这个二分图匹配复杂度 O(n³)适合小规模场景Edmonds 的优势在于能处理更一般的图结构代码门槛也更高。function [matching, total_weight] Edmonds(weight_matrix) % Edmonds 最大权重匹配算法 % weight_matrix(i, j) 表示 D2D 对 i 使用信道 j 的收益如吞吐量 % 返回 matching 向量matching(i) 是对 i 分配的信道编号 n size(weight_matrix, 1); % D2D 对数 m size(weight_matrix, 2); % 信道数 % 构造二分图并运行 Edmonds 花算法 % 核心逻辑 % 1. 初始化空匹配 % 2. 寻找增广路径 % 3. 若存在增广路径翻转匹配 % 4. 重复直到没有增广路径 matching zeros(n, 1); total_weight 0; % 具体花算法实现较长代码包中直接调用 end用 Edmonds 的关键是把问题建模成权重矩阵。权重不能直接写成信道增益要包含干扰代价的负项例如weight_matrix(i, j) throughput(i, j) - lambda * interference(i, j)。lambda 是惩罚系数用来平衡吞吐量和干扰。你把 lambda 调大算法会优先避开干扰严重的信道调小则追求纯吞吐量。最优算法和启发式算法跑出来的差距就是你论文里要写的“优化空间”。4. D2D 接入模式选择直连与中继的判决条件怎么定D2D 通信并不只有“两个设备直接通信”这一种形态。在这个包里接入模式选择涉及两个概念直连模式和中继模式。直连模式下数据直接从发送端到接收端不经过基站中继模式下数据经过中继节点转发中继可以是另一个用户设备。模式选择的本质是在当前信道条件下选哪条路径能让系统吞吐量最大、干扰最小。4.1 直连与中继的本质差异一跳和两跳的代价直连模式的路由跳数是 1中继模式是 2。多一跳的直接代价是时延变高、资源占用翻倍——中继需要两跳链路。那为什么还要用中继原因很实际当两个 D2D 设备距离较远时直连链路的信噪比太低可能连最低阶的调制编码方式都跑不动。通过一个中间节点转发虽然多一跳但两段链路的信噪比都比直连链路高整体吞吐量反而更好。这就是“两跳胜过一跳”的典型场景。判决条件一般看直连链路的信噪比是否高于某个门限% 模式选择判决的核心逻辑 function mode select_mode(d2d_pairs, users, snr_threshold) % 计算直连模式的信噪比 snr_direct compute_snr_direct(d2d_pairs); % 计算通过中继模式的最佳信噪比 [snr_relay, best_relay] compute_snr_relay(d2d_pairs, users); % 判决 if snr_direct snr_threshold snr_direct snr_relay mode direct; elseif snr_relay snr_direct mode relay; else mode direct; % 兜底 end end这段逻辑对应包内 D2D 接入模式选择的核心一个是绝对门限 snr_threshold确保直连链路的调制编码效率足够高一个是相对比较 snr_direct 与 snr_relay确保中继链路不会成为瓶颈。兜底情况下默认退回直连留给上层调度器继续决策。4.2 pair_max_d2d.m 里的中继配对逻辑pair_max_d2d.m 的职责是选择最佳中继节点。中继选择不是随便找一个用户就行它要满足两个条件中继到发送端的信道质量好中继到接收端的信道质量也好。这两个条件缺一个中继模式就退化。function [relay_idx, snr_max] pair_max_d2d(d2d_pairs, users, k) % 为第 k 个 D2D 对寻找最佳中继 % 返回 relay_idx中继用户编号snr_max对应的最佳信噪比 tx [d2d_pairs(k, 1), d2d_pairs(k, 2)]; rx [d2d_pairs(k, 3), d2d_pairs(k, 4)]; num_users size(users, 1); snr_best -inf; relay_idx 0; for u 1:num_users % 中继 u 的位置 relay_pos users(u, :); % 两段链路的信噪比取较小值瓶颈决定整体 snr_tx_relay compute_snr(tx, relay_pos); snr_relay_rx compute_snr(relay_pos, rx); snr_min min(snr_tx_relay, snr_relay_rx); % 选择瓶颈信噪比最大的中继 if snr_min snr_best snr_best snr_min; relay_idx u; end end snr_max snr_best; end这里的关键口径是取 min 而不是平均。中继模式的瓶颈是两跳链路中较差的一段取平均会把某一跳极差的情况掩盖掉。我第一次仿真时就犯了平均的错误结果选出的中继节点使整体吞吐量反而比直连更低后来才发现是判决口径的问题。4.3 模式选择阈值怎么调参数优化的基本思路阈值设置直接决定仿真结论阈值太高几乎所有 D2D 对都被迫走中继中继资源很快耗尽阈值太低中继模式形同虚设。这类参数优化本质上是找到仿真场景的固有结构所对应的平衡点。我一般的做法是做阈值扫描把 snr_threshold 从 0 dB 扫到 20 dB步长 2 dB观察系统总吞吐量随阈值的变化曲线。曲线存在一个峰值峰值对应的阈值就是当前场景下的最优门限。这个门限和小区半径、用户密度、D2D 对距离都有关没有一个固定值通吃所有场景。不想写扫描代码的话可以直接看路径损耗直连链路的路损超过 100 dB 时基本可以判定直连模式不可用直接走中继。这个经验值来自 LTE 链路预算估算实际仿真还要考虑阴影衰落余量通常再往里加 5 到 8 dB。你把它作为初值再去跑扫描能省不少时间。5. D2D 仿真避坑四个最容易翻车的细节我整理四类在实践中踩过的坑每一条都实实在在影响结果可信度。5.1 现象每次运行结果都不一样论文没法复现这是新手最容易犯的错。rng 不固定随机撒点每次都变跑出来的吞吐量和干扰曲线每次都对不上。原因gen_user.m 和 gen_d2d.m 内部调用了 rand()而 rand 默认使用全局随机流每次 MATLAB 启动后状态都不同。解决在 main 脚本开头固定随机种子。我习惯在第一次调用 rand 之前执行% 固定随机种子保证实验可复现 rng(42);如果要做多组实验用循环改变种子值比如rng(i)把结果存下来。这样既保留复现性又能统计多次实验的平均值。特别注意rng 必须在所有随机操作之前执行否则前面的随机序列已经消耗掉固定种子救不回来。5.2 现象三种算法跑出来的曲线几乎重合启发式算法和最优算法的曲线几乎重合画不出对比效果这种情况的原因通常是场景参数太简单。比如 D2D 对只有 5 个、信道却有 50 个每个 D2D 对都有充裕的独立信道可用资源分配根本没有竞争。没有竞争启发式和最优的结果当然一样。解决把 D2D 对数调大、信道数调小让资源变稀缺。我一般用 20 到 30 个 D2D 对、10 个信道左右的配置这个比例下信道复用冲突激烈算法差异才能凸显。同时检查 D2D 对的距离分布如果所有 D2D 对距离都很近比如都小于 20 米路损差异不大找好信道和随机信道差不多。把 max_dist 拉开到 30 到 80 米会更合理。5.3 现象中继模式路损大得离谱吞吐量为零有次调 pair_max_d2d.m 时中继模式算出来的路损竟有 140 dB信噪比直接变成负十几 dB吞吐量归零。原因中继距离算错了。中继模式的路损是两段距离分别算路损再求和但当时我把中继到发送端的距离错写成中继到整个小区的中心距离。路损是距离的对数函数差一倍距离差别不大差一个量级就是几十 dB 的差距。解决在 pair_max_d2d.m 里中继到发送端的距离必须用坐标直接算% 正确写法 dist_tx_relay sqrt((relay_pos(1)-tx(1))^2 (relay_pos(2)-tx(2))^2);每改完距离计算做一次 sanity check选一个 D2D 对手算出距离和程序里的值对照误差超过 1% 就说明公式写错了。这种低级错误通过一次人工对照就能彻底避免。5.4 现象Edmonds.m 在节点一多就卡死Edmonds 花算法理论上是多项式复杂度但实现不好会出现严重的回溯开销。把上百个 D2D 对全丢给 Edmonds.m运行时间可能到小时级别。原因花算法在稠密图上需要大量缩花、展开操作实现效率决定一切。解决给 Edmonds 加一个规模门限if num_d2d 50 warning(D2D 对数量超过 50改用 heuristic 近似); [assignment, ~] heuristic(users, d2d_pairs, num_channels); else [assignment, ~] Edmonds(weight_matrix); end另外使用前检查 weight_matrix 是否有大量负值或 NaN。异常权重会让算法陷入死循环。我一般在构建权重矩阵后加一行sum(~isfinite(weight_matrix(:)))检查非有限元素个数有异常就直接中断不要等它跑完。6. 把仿真结果做成可复现实验固定随机种子、批量扫描和结果校验这个包能跑通只算第一步真正能用的是做成一个能批量出实验数据的工具。分享三个已经固化成习惯的做法。6.1 固定随机种子让实验可复现在 main 脚本开头加一行rng(42)整个实验链条的随机性就被锁住。做重复实验时用rng(i)循环每次实验用不同种子但记录种子值别人用同一份种子列表也能得到完全一致的曲线。这比rng(shuffle)靠谱得多shuffle 换台机器就是另一套结果。6.2 批量参数扫描一个循环跑完所有场景把 main 脚本封装成函数参数作为入参批量脚本循环调用。比如要扫描 D2D 对数量对系统性能的影响% 批量扫描 d2d 对数量 results zeros(10, 3); % 存随机/启发式/最优三组的干扰值 d2d_counts 10:5:55; for idx 1:length(d2d_counts) rng(42); % 每组实验用同一随机种子保证只有变量在变 num_d2d_pairs d2d_counts(idx); [I_random, I_heuristic, I_optimal] run_simulation(num_d2d_pairs); results(idx, 1) I_random; results(idx, 2) I_heuristic; results(idx, 3) I_optimal; end % 绘制对比曲线 plot(d2d_counts, results(:, 1), --, d2d_counts, results(:, 2), -, d2d_counts, results(:, 3), -o); legend(random, heuristic, optimal);固定rng(42)是关键。不固定时每个 D2D 对数量下的场景布局都不同曲线差异混杂了场景变化的影响不能说明算法本身的规律。6.3 结果校验三件事最后确认实现没有 bug。我习惯做三次检查。第一小规模穷举对照。取 4 个 D2D 对、3 个信道手写穷举所有分配组合把最优结果拿来和 optimal.m 对比对不上就是最优算法实现有问题。第二收敛性检查。D2D 对数量从 10 加到 60吞吐量曲线应该平滑变化出现尖峰或断崖说明 get_Ik0m.m 在某组参数下返回了异常值。第三随机算法对照。随机算法的吞吐量如果高于启发式那启发式实现一定有 bug。三件事都通过结果才敢录进论文。从那以后我每次拿到新的仿真包都强制先跑这三步——固定种子、批量扫描、独立验证——再谈优化。希望这些经验能帮到你。本文还有配套的精品资源点击获取