协同OFDM系统联合中继选择、子载波配对和功率分配算法

研究了协同OFDM系统中的资源分配问题,提出了一种联合中继选择、子载波配对和功率分配的算法.首先在假定等功率分配的情况下,对中继节点进行选择并对子载波进行配对,然后在此基础上对选定的子载波对进行功率分配.分析结果显示所提算法是一种计算复杂度比较低,且系统容量接近最优容量的算法.     

基于合作中继的OFDM蜂窝网络的QoS感知子载波分配算法*

针对基于中继的OFDM蜂窝网络,提出了一种基于合作中继的QoS感知子载波分配算法,即C-QSA(cooperative QoS-ware subcarrier allocation)算法。C-QSA算法利用基站与中继节点之间的合作传输机制来保证QoS业务的速率要求,允许中继节点进行比特重分配,充分利用无线系统的时变及多用户分集特性,提高无线资源的利用效率。C-QSA算法将子载波分配问题抽象为非线性整数规划,以最大化系统效用为目标,同时满足QoS业务的速率要求。仿真结果表明,C-QSA算法在用户效用及吞吐量等性能方面都有明显优势,系统实际效用接近理论最优值。     

AF型中继辅助OFDM系统中的功率优化

讨论了AF型中继辅助OFDM通信系统中的功率优化方案,并针对最优的功率优化方案很难得到闭合解的问题,提出了一种迭代的功率优化算法。这种迭代算法将AF型中继辅助OFDM通信系统中,单个子载波上源节点与中继节点间的功率分配问题以及各个子载波之间的功率优化问题分开,首先计算给定某个子载波上发送总功率下源节点与中继节点间的功率分配,然后在此基础上进一步优化子载波间的功率分配,并迭代逼近最优解。实验证明,在给定传输总功率的情况下,与传统的等功率分配相比这种迭代的优化方案可以获得较高的系统性能优势。     

一种子载波配对和功率分配联合最优算法

在基于正交频分复用的多载波两跳中继系统中有两个关键的问题亟需解决:子载波间的功率分配和子载波配对.子载波功率分配和配对之间存在复杂的耦合关系,通过现有的方法对子载波功率分配和配对进行联合优化比较困难.在深入研究这种耦合关系的基础上,针对解码转发,利用凸优化思想,提出一种功率受限下的子载波配对和功率分配联合最优算法.仿真结果表明,本算法可以有效提升中继系统的系统容量.     

基于多用户QoS的中继系统功率分配算法

研究了非再生中继满足不同用户速率需求的公平性功率分配问题。提出了基于用户期望速率比例公平性功率分配算法,由于源端无法预先接收用户期望速率信息,该算法在实际操作中存在一定的不可操作性。进一步提出了预均分公平性功率分配算法,可弥补基于用户期望速率比例公平性功率分配算法的不足。仿真结果表明,两种算法都实现了保证用户服务质量(QoS)的最优功率分配以最小化用户速率与期望速率差值,节约网络资源的优化目标。     

改进的OFDM双向中继功率分配策略

针对放大转发(AF)模式下正交频分复用(OFDM)双向中继网络如何提高系统总容量的问题,提出了一种低复杂度的以系统总速率最大化为目标的最优功率分配策略。该策略先建立用户与中继节点间的最优功率分配比例关系,将三层功率最优化问题简化为一层最优化问题,实现了将节点上的功率优化分配问题转化成一种易于处理的形式,以较小的复杂度获得了各节点上分配的功率占所在子载波对上分配的功率的比重;然后利用原对偶内点法求解各子载波间的功率分配问题;最终,求得各节点最优的功率分配。仿真实验表明,所提算法能显著提升系统总速率,且其性能随子载波数的增多而提升。     

基于子载波选择配对及功率优化分配的多跳中继系统研究

为了提升OFDM协作通信系统的网络覆盖率及网络容量,提出了一种基于子载波选择配对及功率优化分配的多跳中继OFDM系统优化算法。首先,通过在OFDM的系统模型上进行中继配对和非中继配对的性能分析,将子载波选择配对转换为一个整数规划问题,并采用基于匈牙利算法的规划方法进行配对矩阵的计算。接着,根据OFDM系统的功率分配问题,通过KKT条件对中继功率及电源功率进行优化,从而实现中继系统的功率优化分配 。最终的仿真结果表明,与统计质量QoS保证的资源分配方案以及OFDM中继系统异构服务的资源分配算法相比,所提出的方法在提高网络覆盖率和容量上均表现出更好的效果。     

OFDMA系统中基于遗传算法的资源分配

资源分配是OFDMA系统中保证用户QoS和提高系统容量的一种重要手段.在传统的OFDMA资源分配算法中,分组调度和子载波分配两部分是独立进行优化的.为了进一步提高系统的整体性能,提出一种基于遗传算法的分组调度和子载波分配联合优化的资源分配算法.资源分配算法中,利用随机逼近的方法来更新调度算法中的控制参数,在保证用户公平性的前提下最大化系统吞吐量;利用遗传算法来求解联合优化中的子载波分配.仿真结果表明,无论是在系统的吞吐量、丢包率,数据包等待时延还是用户公平性方面,都具有良好的性能.     

中继OFDMA系统容量公平资源分配算法研究

针对OFMDA解码-转发中继系统的资源分配问题,提出了一种以系统总功率和用户间的数据速率比例公平为约束条件,以最大化系统总速率为目标的资源分配算法。该资源分配问题为非线性最优化问题,联合求解所有变量复杂度很高,通过次优化的方法降低计算复杂度。算法包括：子载波分配和功率分配。子载波分配是以功率平均分配为前提,对基站-中继站和中继站-用户链路的子载波按照信道条件进行配对,并根据比例公平约束将配对的子载波分配给相应的用户。功率分配是对每个用户利用Lagrange方法调整每个子载波的功率,进一步提高系统的数据速率。算法仿真分析表明,该算法既能同时满足多用户不同数据速率的要求,又能提高系统的数据速率。     

AF下基于DSTC多用户公平性功率分配*

研究了DSTC的无线中继网络中基于多用户公平性的功率分配策略。由于每个用户具有不同的信道状态,传统的功率分配方案不能满足各用户的QoS需求。为了满足用户之间的公平性,首先建立无线中继AF模式下的网络模型,然后结合LD空时码,运用最优机会中继策略,得到用户最大即时接收SNR,并在基站与中继分配功率受限条件下建立最大最差用户信道容量的功率分配方案。因为该问题是非线性、非凸优化问题,所以把优化问题转换为GP问题进行求解。仿真结果表明,所提功率分配方案与等功率分配、功率与信道状态成正比方案相比,不但改善了最差用户     

认知OFDM无线电系统基于公平度门限的资源分配

根据认知无线电的特点和正交频分复用(OFDM)的传输特性,提出了一种针对认知OFDM无线电系统的自适应资源分配算法。在传统的子载波分配过程中,具有优先权的用户将优先选择载波,但信道增益最大的载波并不一定会被其使用,这将导致载波利用效率下降。针对这一问题,该算法在载波分配过程中,通过公平度门限来决定载波分配的优先级,从而实现容量和公平度的折中。同时,在子载波和功率分配中使次用户对主用户的干扰功率限制在主用户可容忍的干扰极限内,保证了每个用户的通信要求。仿真结果表明,该算法在满足公平性的同时还提升了系统的容量。     

一种多用户OFDMA比例公平资源分配算法

针对多用户OFDMA系统资源分配中已有算法对系统容量和公平性兼顾较差的情况,提出了一种满足比例公平性的系统容量最大化资源分配算法。首先选择合适的公平度门限范围,在子载波分配中,先将各个子载波分配给信道增益最大的用户,再在公平度门限约束下重新分配最大速率用户的信道增益最小的子载波,可以实现子载波利用率和公平度的折中。然后采用注水线法分配功率来调整用户间的比例公平性,最终找到使系统容量最大的公平度门限。仿真结果表明,该算法在保证了用户间比例公平性为1的同时提高了系统容量。     

电力线通信系统中跨层的用户调度和资源分配

针对多用户多业务基于正交频分多址的电力线通信系统,提出一种在数据链路控制层进行用户调度和在物理层进行资源分配的多层多目标最优的跨层资源分配算法,其用户调度根据所有用户的服务质量(QoS)满意程度、QoS要求、业务包模型、信道状态信息和队列状态信息,从所有用户中选出要服务的用户和确定这些用户的最优跨层参数;其资源分配则根据所有调度用户的QoS要求、最优跨层参数和信道状态信息,先把功率按地窖注水原理分给每个子载波,再把每个子载波最优地分给调度用户并采用逐比特加载查表算法调整其上分配的功率和比特。最后在典型的电力线信道环境下对算法进行仿真,结果表明新算法在系统资源大范围变化时也能保障用户的服务质量,同时有效地提高系统资源的利用。     

加权比例公平群智能跨层资源分配算法

针对多用户OFDM系统,提出两种适用于混合业务的加权比例公平跨层资源分配方案。该方案假设系统用户拥有多个队列,每个队列分别承载不同类型的业务。在MAC层,所提的两种方案都实施加权比例公平调度。该调度先为用户队列中不同分组授予不同的权重,再通过该权重值计算用户权重,并对每个用户的分组进行排序,最后根据系统中各用户待传数据量之比设置用户间速率成比例约束条件。在物理层,这两种方案不仅都将用户间速率成比例约束条件下系统权重容量和的最大化作为优化目标,而且都在该目标下将群智能算法引入其资源分配。但有所不同的是,方案1将人工鱼群算法引入其子载波分配,用新推导的功率分配方式进行功率分配;方案2将云自适应粒子群算法引入其子载波分配,用人口迁移算法进行功率分配。在此基础上,两种方案都依据由加权比例公平调度提供的各用户分组排序结果传送分组。数值仿真与性能分析显示,这两种方案能在满足用户业务流时延需求和保证用户公平性的基础上,有效提高系统总速率。     

基于比例公平的多用户MIMO-OFDM系统自适应资源分配算法*

针对传统多用户MIMO-OFDM系统中自适应资源分配算法计算复杂度较高、实时性不强、无法保证用户间公平性等问题,提出了一种低复杂度的自适应子载波、比特及功率分配算法。在子载波分配上,该算法能够在兼顾比例速率约束的前提下使系统发射功率达到最小化;在比特及功率分配上,该算法将非线性优化问题转换为线性优化问题,在保证系统性能的同时显著降低计算量。仿真结果表明,该算法具有良好的性能,能够有效降低计算量,并使系统容量在用户间分配得更加公平和合理。     

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。     

Resource allocation algorithm with limited feedback for multicast single frequency networks

The single frequency network (SFN) can provide a multimedia broadcast multicast service over a large coverage area. However, the application of SFN is still restricted by a large amount of feedback. Therefore, we propose a multicast resource allocation scheme based on limited feedback to maximize the total rate while guaranteeing the quality of service (QoS) requirement of real-time services. In this scheme, we design a user feedback control algorithm to effectively reduce feedback load. The algorithm determines to which base stations the users should report channel state information. We then formulate a joint subcarrier and power allocation issue and find that it has high complexity. Hence, we first distribute subcarriers under the assumption of equal power and develop a proportional allocation strategy to achieve a tradeoff between fairness and QoS. Next, an iterative water-filling power allocation is proposed to fully utilize the limited power. To further decrease complexity, a power iterative scheme is introduced. Simulation results show that the proposed scheme significantly improves system performance while reducing 68% of the feedback overhead. In addition, the power iterative strategy is suitable in practice due to low complexity.     

基于禁忌搜索和Q-learning的CR-NOMA系统的功率分配算法

针对下一代移动通信对于高速率和大规模连接的需求,对认知无线电（CR）-非正交多址接入（NOMA）混合系统中通过优化功率分配来提升次用户总传输速率进行研究,提出一种基于禁忌搜索和Q-learning的功率分配（PATSQ）算法。首先,认知基站在系统环境中观测并学习用户的功率分配,次用户采用NOMA方式接入授权信道。其次,将功率优化分配问题中的功率分配、信道状态和总传输速率分别表述为马尔可夫决策过程中的动作、状态和奖励,通过结合禁忌搜索和Q-learning的方法来解决该马尔可夫决策过程问题并得到一个最优的禁忌Q表。最后,在主次用户服务质量（QoS）和最大发射功率的约束下,认知基站通过查找禁忌Q表得到最优的功率分配因子,实现系统中次用户总传输速率的最大化。仿真结果表明,在总功率相同条件下,所提算法在次用户总传输速率和系统容纳用户数量上要优于认知移动无线网络（CMRN）算法、次用户预解码（SFDM）算法以及传统等功率分配算法。