异构云无线接入网下基于功率域NOMA的能效优化算法

针对异构云无线接入网络的频谱效率和能效问题,该文提出一种基于功率域-非正交多址接入(PD-NOMA)的能效优化算法.首先,该算法以队列稳定和前传链路容量为约束,联合优化用户关联、功率分配和资源块分配,并建立网络能效和用户公平的联合优化模型;其次,由于系统的状态空间和动作空间都是高维且具有连续性,研究问题为连续域的NP-hard问题,进而引入置信域策略优化(TRPO)算法,高效地解决连续域问题;最后,针对TRPO算法的标准解法产生的计算量较为庞大,采用近端策略优化(PPO)算法进行优化求解,PPO算法既保证了TRPO算法的可靠性,又有效地降低TRPO的计算复杂度.仿真结果表明,该文所提算法在保证用户公平性约束下,进一步提高了网络能效性能.     

基于能效的NOMA蜂窝车联网动态资源分配算法

在支持车与车直接通信(V2V)的非正交多址接入(NOMA)蜂窝网络场景下,针对V2V用户与蜂窝用户的干扰以及NOMA准则下的功率分配问题,该文提出一种基于能效的动态资源分配算法。该算法首先为了保证V2V用户的时延及可靠性同时满足蜂窝用户的速率需求,联合考虑子信道调度、功率分配和拥塞控制,建立了最大化系统能效的随机优化模型。其次,利用李雅普诺夫随机优化方法,通过控制可接入数据量保证队列稳定性以避免网络拥塞,并根据实时网络负载状态动态地进行资源调度,设计一种次优化子信道匹配算法获得用户调度方案,进一步,利用凸优化理论和拉格朗日对偶分解方法得到功率分配策略。最后,仿真结果表明,该文算法可以满足不同用户的服务质量(QoS)需求,并在保证网络稳定性前提下提高系统能效。     

基于非正交多址接入的网络切片联合用户关联和功率分配算法

为了满足网络切片多样化需求,实现无线虚拟资源的动态分配,该文提出在C-RAN架构中基于非正交多址接入的联合用户关联和功率资源分配算法。首先,该算法考虑在不完美信道条件下,以切片和用户最小速率需求及时延QoS要求、系统中断概率、前传容量为约束,建立在C-RAN场景中最大化长时平均网络切片总吞吐量的联合用户关联和功率分配模型。其次,将概率混合优化问题转换为非概率优化问题,并利用Lyapunov优化理论设计一种基于当前时隙的联合用户调度和功率分配的算法。最后采用贪婪算法求得用户关联问题次优解;基于用户关联的策略,将功率分配的问题利用连续凸逼近方法将其转换为凸优化问题并采用拉格朗日对偶分解方法获得功率分配策略。仿真结果表明,该算法能满足各网络切片和用户需求的同时有效提升系统时间平均切片总吞吐量。     

云无线接入网络高能效功率分配和波束成形联合优化算法

针对云无线接入网络(C-RAN)的资源分配问题,该文采用max-min公平准则作为优化准则,以C-RAN用户的能量效率作为优化目标函数,在满足最大发射功率和最小传输速率约束条件下,通过最大化最差链路的能量效率来实现用户发射功率和无线远端射频单元(RRHs)波束成形向量的联合优化。上述优化问题属于非线性、分式规划问题,为了方便求解,首先将原优化问题转化为差分形式的优化问题,然后通过引入变量将差分形式的、非平滑优化问题转化为平滑优化问题。最终,提出一种双层迭代功率分配和波束成形算法。在仿真实验中,将该文算法与传统的非能效资源分配算法和能量效率最大化算法进行了比较,实验结果证明该文算法在改进C-RAN能量效率和提高资源分配公平性方面的有效性。     

超密集异构蜂窝网多维资源联合优化算法

作为5G的关键技术,超密集组网(UDN)可以大幅度提高网络容量和用户体验,但其性能严重受限于小区间干扰。针对超密集异构蜂窝网络的无线资源高效管理问题,提出了一种多维无线资源联合分配算法。为了在保障用户服务质量的前提下,最大化系统能效,将时频资源与功率资源的最优分配问题建模为有约束的组合优化问题。由于这是一个NP-hard问题,求解比较困难。因此,采用分步优化+迭代搜索策略：首先基于模拟退火算法进行时频资源优化分配,并引入粒子删减和回火升温过程以提高搜索速度和避免落入局部最优陷阱;然后采用拉格朗日乘子法进行功率最优分配;最后,通过多次迭代,逼近全局最优解。仿真结果表明,提出的联合资源分配算法能够保障用户间的公平性并且有效提高系统能效与网络吞吐量,同时具有更快的收敛速度和更高的收敛精确度。     

异构蜂窝网络中基于能效的非正交多址接入下行功率分配算法

该文针对应用非正交多址接入(NOMA)技术的异构蜂窝网络,在考虑层间层内干扰的情况下,提出一种能效最大化的功率分配算法。该算法主要包括两部分,一部分为子信道内用户功率分配因子的求解,主要利用差分优化的方法,迭代求解。另一部分为子信道间的功率分配,主要利用凹凸程序法将原有的非凸问题简化为可解的凸问题,最后利用拉格朗日求解法得出功率最优解。仿真结果表明该算法有良好的迭代性,且新算法表明利用NOMA技术得到的系统能效较利用正交技术得到的系统能效提高了至少44%以上。     

基于云雾混合计算的车联网联合资源分配算法

针对车联网业务的低时延、低功耗需求及海量设备计算卸载引起的网络拥塞问题,该文提出一种在云雾混合网络架构下的联合计算卸载、计算资源和无线资源分配算法(JODRAA)。首先,该算法考虑将云计算与雾计算结合,以最大时延作为约束,建立最小化系统能耗和资源成本的资源优化模型。其次,将原问题转化为标准二次约束二次规划(QCQP)问题,并设计一种低复杂度的联合卸载决策和计算资源分配算法。进一步,针对海量设备计算卸载引起的网络拥塞问题,建立卸载用户接入请求队列的上溢概率估计模型,提出一种基于在线测量的雾节点时频资源配置算法。最后,借助分式规划理论和拉格朗日对偶分解方法得到迭代的带宽和功率分配策略。仿真结果表明,该文算法可以在满足时延需求的前提下,最小化系统能耗和资源成本。     

OFDMA中继网络变时域节能资源分配策略

现有正交频分多址接入(OFDMA)中继网络资源分配的研究均采用固定时域配置下的频域分配和功率分配,不能很好适应用户业务在时域上的变化.该文针对OFDMA中继网络提出一种可最优节能的资源分配策略和一种简化的节能资源分配策略,为资源分配问题建立一般化的模型,即动态分配时域资源、频域资源和功率资源,所建模型具有很强的灵活性和适应性,不仅适用于固定时域分配系统,也适用于非固定时域分配系统.此外针对非满负荷业务,在保证用户服务质量的情况下,以节能为目标对无线非协作中继网络的资源分配进行能效最大化建模,使用拉格朗日乘数法对模型求解.考虑到算法复杂度,应用指派问题中的匈牙利算法设计出一种简化的资源分配策略.理论和仿真结果表明,最优节能资源分配算法能够得到能效的最大化,而简化节能资源分配算法与最优节能资源分配算法在能效上的差距不足5%,但算法复杂度得到了显著降低.而且,动态分配时域资源比固定时域分配对用户分布不均或链路分布不均有更强的适应性.     

认知无线电网络中基于跨层设计的能效优化算法

为提高认知无线电网络中次用户节点的能量有效性,该文基于连续时间马尔科夫理论对次用户的频谱感知和接入过程进行联合建模,对影响次用户传输能效的主要因素进行了分析,提出了一种基于跨层设计的能量有效优化算法。该算法可有效减小主用户非时隙返回信道对次用户能量有效性的影响,并通过联合优化感知时间和接入概率,使次用户在感知性能和传输能效间实现了有效折衷。仿真结果表明,本文算法相对于仅考虑频谱感知或接入策略的单层优化算法,可使次用户的能量有效性得到较大提高。      

接入与回传一体化小基站的接入控制与资源分配联合优化算法

针对全双工无线接入与回传一体化小基站场景下长期的频谱效率和能效同时最大化问题,该文提出一种基于近似动态规划理论的接入与回传一体化小基站接入控制与资源分配联合优化算法。该算法首先联合考虑当前基站的资源使用和功率配置情况,在任一用户需求动态到达以及平均时延、小基站回传速率和传输功率约束下,使用受限马尔科夫决策过程(CMDP)建立频谱效率最大化和功率消耗最小化的多目标优化模型,其次运用切比雪夫理论将多目标优化问题转化为单目标问题,并使用拉格朗日对偶分解法进一步转化为非受限的马尔科夫决策过程(MDP)问题。最后,为了解决其求解时存在的“维度灾”爆炸问题,该文提出基于近似动态规划的无线接入与回传一体化小基站资源动态分配算法进行求解,得到此时的接入与资源分配策略。仿真结果表明,所提算法能在保证平均时延约束、小基站回传速率约束和传输功率约束的同时最大化长期平均频谱效率和能效。     

基于多智能体强化学习的混合博弈模式下多无人机辅助通信系统设计

空天地一体化通信作为未来6G的发展方向,很好地弥补了当前无线通信覆盖不足的弊端.该文提出一种基于多智能体强化学习(MARL)的多无人机(Multi-UAV)辅助通信算法,在用户与无人机(UAVs)构成的混合博弈模式下求解纳什均衡近似解,解决了动态环境下UAVs轨迹设计、多维资源调度以及用户接入策略联合优化问题.结合马尔...     

能耗和时延感知的虚拟化云无线接入网络资源分配机制

针对现有虚拟化云无线接入网络(C-RAN)资源利用率低、能耗高、用户服务质量无法得到保证等问题,该文提出一种能耗和时延感知的虚拟化资源分配机制。根据虚拟化C-RAN的网络特点及业务流量特征,考虑资源约束和比例公平,建立能耗和时延优化模型。进而,利用启发式算法为不同类型虚拟C-RAN和用户虚拟基站分配资源,完成资源的全局优化配置。仿真结果表明,所提资源分配机制在提高网络资源利用率的同时,不但使能耗节省了62.99%,还使时延降低了32.32%。     

NOMA增强型D2D通信的资源分配算法

传统蜂窝网络中,多址接入技术起着尤为关键的作用,与正交多址（Orthogonal Multiple Access,OMA）技术相比,非正交多址（Non-Orthogonal Multiple Access,NOMA）能够支持的用户数量远远超过可用正交资源的数量,可以达到更高的频谱效率和用户公平性。因此,为提高异构蜂窝网络的整体容量,本文研究了NOMA增强型设备到设备（Device to Device,D2D）的资源分配问题,并将其分解为两个独立的子问题:信道分配和功率控制。一方面,基于Coalition博弈为D2D组分配合适的信道;另一方面,对D2D发送功率和功率分配因子依据可行解域进行联合优化,以最大化整个网络中D2D可实现速率。仿真结果表明所提算法在保证系统性能的同时,还可以有效降低计算复杂度。      

Resource Allocation and Adaptive Modulation in Uplink SC-FDMA Systems

In this paper, we study joint power and sub-channel allocation, and adaptive modulation in Single Carrier Frequency Division Multiple Access (SC-FDMA) which is adopted as the multiple access scheme for the uplink in the 3GPP-LTE standard. A sum-utility maximization problem is considered. Unlike OFDMA, in addition to the restriction of allocating a sub-channel to one user at most, the multiple sub-channels allocated to a user in SC-FDMA should be consecutive as well. This renders the resource allocation problem prohibitively difficult and the standard optimization tools (e.g., Lagrange dual approach widely used for OFDMA, etc.) can not help towards its optimal solution. We propose a novel optimization framework for the solution of this problem which is inspired from the recently developed canonical duality theory. We first formulate the optimization problem as binary-integer programming problem, and then transform this binary-integer programming problems into a continuous space canonical dual problem that is a concave maximization problem. Based on the solution of the continuous space dual problem, we derive joint power and sub-channel allocation algorithm whose computational complexity is polynomial. We provide conditions under which the proposed algorithms are optimal. We also propose an adaptive modulation scheme which selects an appropriate modulation strategy for each user. We compare the proposed algorithm with the existing algorithms in the literature to assess their performance. The results show a tremendous performance gain.     

异构云无线接入网架构下面向混合能源供应的动态资源分配及能源管理算法

针对面向混合能源供应的 5G 异构云无线接入网(H-CRANs)网络架构下的动态资源分配和能源管理问题,该文提出一种基于深度强化学习的动态网络资源分配及能源管理算法。首先,由于可再生能源到达的波动性及用户数据业务到达的随机性,同时考虑到系统的稳定性、能源的可持续性以及用户的服务质量(QoS)需求,将H-CRANs网络下的资源分配以及能源管理问题建立为一个以最大化服务提供商平均净收益为目标的受限无穷时间马尔科夫决策过程(CMDP)。然后,使用拉格朗日乘子法将所提CMDP问题转换为一个非受限的马尔科夫决策过程(MDP)问题。最后,因为行为空间与状态空间都是连续值集合,因此该文利用深度强化学习解决上述MDP问题。仿真结果表明,该文所提算法可有效保证用户QoS及能量可持续性的同时,提升了服务提供商的平均净收益,降低了能耗。     

蜂窝物联网中短包域能量效率最大化波束成形优化与设计

为了满足未来蜂窝物联网(IoT)中超高可靠和超低时延的要求,该文提出一种适用于多小区多用户超高可靠极低时延网络短包域公平性能量效率最大化算法。首先,以最小用户传输速率、每个发射机最大功率等约束为限制,构建了一个关于波束成形矢量的非线性分式规划资源配置模型。随后,采用变量代换、连续凸近似等技术,将原始非凸优化问题转化为标准的凸问题,进而提出一种短包域迭代能量效率最优化方法进行求解。最后,数值仿真结果验证了所提算法在短包域具有良好的能量效率性能。     

一种基于多小区OFDMA系统用户公平性约束的分布式资源分配算法

针对多小区OFDMA系统下行链路,研究了用户公平性约束下的资源分配问题,提出了一种多基站协作的迭代优化的分布式资源分配算法。每个小区根据干扰状况及用户公平性,迭代地进行子载波和功率的资源优化;而每次迭代中,根据用户公平性准则分配子载波,并将非凸的小区功率优化问题转化为其下界的凸问题,通过一个分布式算法来求解。通过仿真验证了算法的有效性;仿真结果表明,与传统网络的固定功率分配的情形相比,所提算法保证了用户之间的公平性并显著提高了系统吞吐量。