基于噪声模型下D2D蜂窝系统的多用户合作功率控制分配方案

为了减轻D2D用户在通信过程中的相互干扰,提高整个蜂窝系统的吞吐量,根据D2D用户数目、信道状况和系统吞吐量的限制需求,分析干扰噪声模型约束下多用户发射功率的控制问题。通过引入玻尔兹曼常数等参数对干扰模型进行条件约束,最终得到基于效用下系统的平均发射功率和最大和速率,进而给出基于反向迭代组合算法的多用户合作博弈功率控制分配方案。仿真结果表明,该算法满足了多用户共享蜂窝网络频谱资源下的功率分配需求,终端用户发射功率经过多次反向迭代后达到纳什均衡,系统的吞吐量显著提高,频谱资源达到了较好的均衡收益。     

认知无线网络的Rubinstein博弈频谱共享方法研究

针对传统的功率控制算法限制认知用户的发射功率而影响其服务质量(Quality of Service, QoS)的问题,提出了一种基于功率控制的多人Rubinstein博弈频谱分配算法。该算法通过牛顿迭代公式降低认知用户的发射功率并依据各个用户间的干扰得到相应的链路质量;将经济学中的贴现因子与用户的链路质量建立映射关系;通过链路质量调整认知用户子博弈顺序使得网络总传输速率达到一个相对稳定的状态。仿真结果表明:多个认知用户在同一信道下共享频谱时,采用多人Rubinstein博弈算法对系统的总传输速率有明显的提升,使系统处于稳定且高速的传输状态并节省了一半以上的频谱分配时间。     

混合蜂窝对称干扰拓扑下功率域动态干扰中和技术研究

为有效应对异构蜂窝网络因区域重叠所造成的干扰,在兼顾通信路径损耗和基站发射功率差异的基础上,提出一种用于实现动态干扰中和的对称干扰拓扑模型。在相互干扰的通信信道中,基站通过发射中和信号的方式来消除用户所受到的部分干扰。在此基础上,对用户所在位置的干扰中和比例进行自适应调整,控制并利用由中和信号所造成的负面影响,为基站设定最佳功率分配方案,平衡期望数据传输发射功率和中和功率开销之间的关系,进而实现最大化的系统频谱效率。     

异构蜂窝网络中功率和资源分配博弈算法研究

基于D2D和中继异构蜂窝网络进行资源复用可获得系统性能增益,但同时也使得网络中的干扰更加复杂。针对该问题,提出功率和资源分配博弈（PRAG）算法,通过功率控制和资源分配对D2D和中继异构蜂窝网络进行干扰协调。基于代价参数设定D2D和中继链路效用函数,确定最佳发射功率。在此基础上,将生成的效用值矩阵参与博弈,选择合适的蜂窝用户进行资源复用。仿真结果表明,与等功率分配随机（EPAR）算法相比,PRAG算法能够在消耗更少功率的基础上获得更大的系统吞吐量。     

认知无线电网络中基于公平性的功率控制方案

针对现有非合作功率控制博弈算法中存在用户“远近性公平”问题,在主次用户共享频谱的认知无线电上行链路中,给出一种基于代价函数的高效和公平的功率控制博弈算法。在该博弈模型中,代价函数的设定依据次用户接收端信号质量需满足次用户的服务质量要求。改进后的效用函数能够同时兼顾认知无线电系统的总吞吐量和次用户获取资源的公平性,并利用超模理论证明了该模型存在纳什均衡,然后得到求解发射功率纳什均衡解的迭代过程。仿真结果表明,相比已有的研究,该算法不仅能提高认知系统的吞吐量,还能降低发射功率,改善系统效用,而且兼顾了远近用户吞吐量的公平性。     

基于序贯博弈的Ad Hoc网络功率控制算法

针对分布式拓扑结构的Ad Hoc网络,将用户处于异步竞争方式下的功率控制问题抽象为动态博弈模型,通过多步迭代的逆向归纳法,逐步分析了两用户组及多用户组下的序贯博弈过程。并提出一种分布式的功率控制博弈算法,有效求解了用户发射功率的均衡策略,来优化用户之间的并发传输能力,提高频谱效率。仿真实验表明,建立基于序贯博弈的功率控制过程,能够有效地减轻用户之间的干扰影响,提升用户接收信干噪比质量,从而改善了系统吞吐率性能收益。     

OFDMA认知无线电网络中面向功率控制的频谱定价与分配

针对OFDMA认知无线电网络,提出一种基于Stackelberg博弈的频谱定价和分配模型.对于次基站控制次网络传输功率来保护主网络通信的场景,主基站可通过该模型获得最优的频谱定价方案.从功率控制的角度,重新设计次用户的效用函数,运用Stackelberg博弈对单个主基站和多个次用户在频谱租赁市场中的交易行为进行建模.通过逆向归纳法,求解市场均衡下的最优频谱定价,使得主基站在考虑主网络QoS降级的同时获得最大收益.此外,对于主基站只能获取本地信息的情形,提出了基于动态Stackelberg博弈的分布式频谱定价和分配模型.仿真实验表明,该模型能够在控制次网络传输功率的基础上,提供最优频谱定价和频谱分配方案.     

一种认知无线电网络接入控制和功率控制联合设计

在underlay频谱共享模式下,提出一种认知无线电网络接入控制和功率控制的联合算法。该算法针对主用户干扰温度和次用户信号干扰噪声比(SINR)限制,通过引入冲突因子,实现网络自适应调整被拒绝参与频谱共享的次用户数目,通过迭代进行接入控制和功率分配实现频谱共享。仿真结果表明,该算法能够保证接入共享主网络频带的次用户数近似最优,而且缩短了接入控制的时间。     

认知无线电中基于博弈论的频谱分配算法*

利用博弈论分析了认知无线电网络中动态频谱分配问题,构建了基于博弈论的认知无线电频谱分配问题模型,提出了基于潜在博弈论的分布式频谱分配算法,并得到了相应博弈过程的纳什均衡。仿真结果表明,该算法能在较短时间内收敛到稳定状态,潜在函数取值达到最大值、系统总干扰水平降到最小、用户的SIR水平得到明显改善,达到了潜在博弈下信道分配的纳什均衡,实现了提高频谱利用率的目的。     

认知网络中基于博弈论的联合功率控制与速率分配算法

针对认知无线网络上行链路中的资源分配问题,提出了一种适应于多小区认知无线网络的基于功率控制与速率分配的博弈算法。为了更加合理地控制用户的功率和速率,减小各次用户间的干扰,首先,在效用函数中分别给功率和速率设置了不同的代价因子,使其能够更加合理地控制用户,避免用户过度增加发射功率。其次,从理论上证明了该算法纳什均衡的存在性、唯一性以及算法的收敛性。最后,为了解决发射功率和传输速率的最优化问题,给出了联合功率控制和速率分配的迭代更新算法流程图。理论分析及仿真结果表明,与同类博弈算法相比,在保证通信质量的前提下,所提算法可以使得用户以较小的发射功率获得较大的传输速率和较高的信干噪比（SINR）,并且减小了用户间的干扰,提高了次用户系统容量。     

高铁旅客认知频谱共享算法研究

针对高铁环境中包含多个主用户的主服务和多个次用户的频谱分配问题,提出一种认知博弈频谱共享算法。引入次用户优先级和用户传输业务等级,满足不同优先级用户的不同业务频谱使用需求,并根据主基站和次用户的距离变化更新主服务向次用户提出的价格函数,获得静态博弈下的纳什均衡解,同时分析不完全信息和完全信息的动态博弈,确定不完全信息动态博弈的稳定区间。分别对静态博弈和动态博弈进行仿真,结果表明,在该算法下,当次用户优先级相同时,不同业务等级租借不同的带宽,业务等级越高,租借的带宽也越多,随着距离的变化,较高的业务等级频谱变化较为迅速,而在同一业务等级下,用户优先级越高,则会租借到更多的频谱。     

认知无线电网络中基于和声搜索的频谱分配与功率控制

针对认知无线电网络中功率控制和频谱分配过程存在互相影响的问题,提出一种基于和声搜索的频谱分配和功率控制算法。通过综合分析频谱分配和功率控制过程中的各种约束条件,建立了联合功率控制和频谱分配的系统模型。算法根据系统模型特点设计和声搜索算法下相应编码方案,采用多目标优化方法处理复杂的约束条件,并赋予可行解适当的优先权重。仿真实验表明,算法可以很好地解决认知无线电网络中的频谱分配和功率控制问题。     

异构网络中基于鸽群优化算法的D2D资源分配机制

针对异构蜂窝网络中D2D(device-to-device)通信用户复用蜂窝用户上行信道产生的频谱资源分配优化问题,提出一种基于改进离散鸽群算法(PIO)的D2D通信资源分配机制.通过设置信干噪比(SINR)门限值保证用户的通信服务质量(QoS),使用基于改进地图-指南针算子和认知因子的离散鸽群算法(IMCBPIO)为D2D用户进行资源分配,并采用基于接收SINR的闭环功率控制算法动态调整用户的发送功率,以减少用户与基站以及用户与用户之间存在的干扰.仿真结果表明,所提出方案能够有效抑制异构网络中由于引入D2D用户后导致的干扰,降低通信用户的中断概率,大大提高频谱利用率和系统吞吐量.     

基于DQN的超密集网络能效资源管理

小基站的密集随机部署会产生严重干扰和较高能耗问题,为降低网络干扰、保证用户网络服务质量（QoS）并提高网络能效,构建一种基于深度强化学习（DRL）的资源分配和功率控制联合优化框架。综合考虑超密集异构网络中的同层干扰和跨层干扰,提出对频谱与功率资源联合控制能效以及用户QoS的联合优化问题。针对该联合优化问题的NP-Hard特性,提出基于DRL框架的资源分配和功率控制联合优化算法,并定义联合频谱和功率分配的状态、动作以及回报函数。利用强化学习、在线学习和深度神经网络线下训练对网络资源进行控制,从而找到最佳资源和功率控制策略。仿真结果表明,与枚举算法、Q-学习算法和两阶段算法相比,该算法可在保证用户QoS的同时有效提升网络能效。     

认知Wi-Fi 2.0 无线网络多用户动态分层功率控制算法

具有认知性、自主性和适变性等特点的认知Wi-Fi 2.0无线网络技术,作为提高无线网络容量的重要技术不断引起学术界、标准组织和工业界的关注.针对现有功率控制技术不能刻画多个认知节点存在分层决策的现象,提出一种认知Wi-Fi 2.0无线网络中多用户动态分层功率控制算法.基于提出的斯坦科尔伯格(Stackelberg)容量最大化博弈模型,为认知Wi-Fi 2.0无线网络中感知信息不对称的多用户分别设计了分布式功率控制方法,实现领导者用户和跟随者用户的多阶段动态交互在保证个体效用的同时实现网络整体性能.该算法根据当前认知Wi-Fi 2.0无线网络中多个认知节点接入频谱顺序的不同,确定领导者用户和跟随者用户;然后,对于领导者和跟随者分别采用不同的功率控制策略,并多次交互实现多用户分层算法的动态交互收敛.蒙特卡洛仿真验证了算法的有效性.     

超密集网络中基于干扰协调的资源分配算法

超密集网络中,严重的小区间干扰制约了终端用户的数据速率,针对该问题,该文提出一种基于干扰协调的资源分配方案。该方案分为两个模块：第一模块基于毫微微接入点(Femtocell Access Points, FAPs)间的干扰程度,将干扰强的FAPs分到同一簇内,同簇内的FAPs共享频带资源,通过FAPs间的协作使不同簇之间实现频谱的复用;第二模块基于最大功率和最低速率的公平性准则进行最优功率分配,动态分配资源。仿真结果表明,该算法在超密集网络场景下能够有效控制FAPs间的干扰,最大化系统吞吐量。     

Distributed power control in cooperative cognitive ad hoc networks

In this paper, a relay selection strategy and distributed power control algorithm are proposed for the underlay spectrum sharing mode based cooperative cognitive ad hoc network with energy-limited users. The study aims to minimize the total power consumption of cooperative cognitive ad hoc network while ensuring the quality of service (QoS) requirement of cognitive user and keeping the interference to primary user below interference tolerance. The power control problem is transformed into a convex optimization problem. Based on Lagrange dual decomposition theory, a gradient iterative algorithm is constructed to search for the optimal solution and complete distributed power optimization. Simulation results show that the algorithm converges fast and reduces transmit power of cognitive users effectively while guaranteeing the QoS requirement.     

认知无线网络中的跨层资源优化

跨层资源优化是设计认知无线网络重要的一环,是典型的多目标优化问题。为此,提出一种自适应克隆与邻域选择优化算法解决认知无线网络中的资源优化分配问题。以使用带宽、消耗功率、数据传输速率等指标作为认知网络优化目标,并将其在算法中进行优化。通过2种典型测试函数的仿真比较,结果表明该算法能够有效解决认知无线网络中的频谱资源分配、功率控制及速率提升等多目标优化问题,且与SPEA-2算法和NNIA算法相比,具有明显的优越性。