密集小蜂窝网络中基于用户接入的能效优化研究

为解决小蜂窝网络中基站密集部署导致能耗过高的问题,提出一种基于用户接入的能效优化算法。根据基站邻接关系对小蜂窝网络中的基站进行分簇,并引入合并因子均衡分簇规模。在此基础上,结合用户接入速率与基站负载情况,利用改进的混沌量子粒子群算法求解最佳用户连接矩阵,同时依据网络流量变化实现基站开关的动态切换管理。仿真结果表明,该优化算法在保障用户QoS的前提下,能提升系统能效,适用于5G无线网络。     

基于能效的D2D通信系统的干扰协调与资源优化

针对传统蜂窝用户与D2D通信用户之间的同频干扰问题,本文提出基于能效的D2D通信干扰协调与资源优化方案。该方案采用功率控制与资源分配分步进行的方式进行处理,首先是对于单个D2D用户的功率控制,在蜂窝用户最小速率以及D2D用户和蜂窝用户最大功率的限制条件下,通过优化D2D用户和蜂窝用户的功率使得D2D用户的能效最大,在此阶段,采用基于参数法的Dinkelbach算法来进行用户的功率分配;最后借助Kuhn-Munkres (KM)算法为D2D用户分配蜂窝频谱资源,以使得D2D用户的总能效最大。仿真结果表明,相比于其他方案,在保证蜂窝用户正常通信时,该方案能够进一步提高系统内D2D用户的能量效率,使能效优化效果更明显。     

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。     

基于能效的异构无线网络联合切换调度和资源分配算法

在宏蜂窝和微蜂窝并存的异构无线网络中,为了提高系统能效,提出了一种联合切换调度和资源分配(JSRA)算法。首先,利用基于微基站睡眠的集中式切换调度算法(CUSA)来确定用户的关联基站,CUSA将微基站用户全部切换到宏基站是否能减少功耗作为判断微基站睡眠的准则;然后,基站采用基于最优信道质量的子载波分配调整(BCSA)算法为用户分配子载波和传输功率,BCSA算法通过调整最大能效用户和最小能效用户之间的子载波分配,保证网络能效逼近最优解。理论分析和实验仿真表明,同单独考虑用户切换或资源分配的三种算法相比,JSRA算法复杂度偏高,但是在用户数为120时网络功耗最多降低44.4%,用户总速率只比一种对比算法略有下降,最多提升80%,网络能效最多提升200%。实验结果表明,JSRA算法能够有效提高异构无线网络的网络能效。     

异构网中具有服务质量约束的高能效微基站部署方法

针对异构密集网络中基站密度增大带来的网络能耗过高问题,提出一种异构网络中高能效的微基站部署方法。首先,考虑微基站候选位置可行性以减轻环境条件的影响;其次,在不同的用户分布状态下对优化目依概率进行加权,增强了对不同用户分布场景的适应性;最后,通过对微基站部署数目、位置和功率配置的联合优化来提升系统能效,并提出了一种高能效的微基站部署算法。仿真表明,与仅优化微基站数量和部署位置的方法相比,所提方法提升能效最高达26%。实验结果表明,相对于不考虑功率的部署方法,所提出的联合优化方法能够有效提升系统能效,同时验证了微基站功率对异构网络能效的影响。     

一种基于价格竞争的D2D通信资源分配算法

针对蜂窝用户与D2D用户所构成的混合网络系统中同频干扰问题,提出一种基于价格竞争的D2D通信资源分配算法.该算法不仅考虑利用基站定价来减小对蜂窝系统的干扰,而且联合基站端的干扰容限对干扰功率进行约束.首先将问题公式化制定非合作博弈过程,利用效用函数模型分析D2D用户的利润和对蜂窝基站的干扰,从而调整发射功率最大化系统整体收益;然后通过通信的D2D用户来更新干扰继而更新复用价格;最后采用注水算法利用拉格朗日条件来优化价格.仿真表明,该算法不仅可以简单地控制干扰功率,而且还有效地提高了系统吞吐量.     

基于非线性能量收集的全双工认知中继网络的联合优化方法

针对信息传输过程的时间消耗和信道估计误差对网络能效的影响，提出了一种基于非线性能量收集的全双工认知中继网络的联合优化方法。所提方法是在中继采用非线性能量收集并考虑非完美信道状态信息（CSI）的情况下，首先通过将能效非凸优化问题转化为两个凸的子优化问题，从而求出次用户和中继的传输功率以及收集的能量；其次，在保证主用户干扰门限以及最优传输功率非负的情况下，求出传输的信道容量范围；最后，将传输功率代入表达式得到关于时间的目标函数，并利用海森矩阵证明该目标函数为凸函数，进而求出最优传输时间以及功率分割因子，最终得出能效最优解。实验结果表明，在相同条件下，所提联合优化方法的能效相较于仅优化传输功率的能效提升了约84.3%；同时验证了信道估计误差因子为0.01时，所提方法的网络能效降低了约1.9%。     

能效优先的用户关联与功率控制协同优化机制

在异构蜂窝网络中,针对系统的能效,提出了一种基于效用函数最大化模型的用户关联与功率控制协同优化方案,该方案表示为非线性混合整数问题。为了求得该问题的最优解,设计了一种迭代算法,首先将原问题转换为带参数的多项式形式的问题,在外层循环利用Dinkelbach方法求得最佳的能效因子,然后在内层循环分别求得最佳的用户关联矩阵和传输功率。最终实验结果表明,用户关联与功率控制协同的优化方案在能效和负载平衡方面比固定功率条件下的用户关联策略的性能更优。     

蜂窝网络分布式中继选择算法

针对蜂窝网络中的功耗优化问题,研究了如何最小化两跳中继蜂窝网络的系统总功耗。首先根据信道传输功率的闭合表达式得到满足信道最小中断概率情况下的最优链路传输功率,然后通过使用基于Acknowledgement的分布式拍卖算法(DAA-ACK)和改进的分布式拍卖算法(IDAA)帮助用户节点选择合适的中继基站。仿真结果显示,这两种算法仅需要用户节点与邻居中继基站交换少量信息,并可通过有限次迭代快速选择出使系统总功率最小的中继节点。     

小蜂窝云中功率与负载的联合优化分配算法

移动终端资源有限及本地服务基站资源不足会引起移动终端体验质量降低、卸载任务时延长的问题。为此,提出一种新的联合优化分配算法。基于小蜂窝信道质量和剩余可用计算资源建立小蜂窝云(SCC),按照信道质量和剩余可用计算资源分配负载(卸载任务)到SCC,并采用启发式算法求解发送功率的次优解。仿真结果表明,该算法在小蜂窝云计算场景中能提高无线与计算资源的利用率,同时提升用户的体验质量。     

基于微基站功率分配的异构蜂窝网络能效优化

针对异构蜂窝网络中微基站密集部署带来能耗不断攀升的问题,对二层异构蜂窝网络能量效率进行了分析,提出一种通过调整微基站发射功率来最大化网络能量效率的方法。首先,利用齐次泊松点过程对异构蜂窝网络进行建模,推导出各层基站的覆盖率;其次,根据能量效率定义,分别推导出网络总功耗和总吞吐量,并给出能量效率的闭式表达式;最后,分析了微基站发射功率对网络能量效率的影响,提出一种能够最大化能量效率的微基站功率优化算法。仿真结果表明,微基站的发射功率对异构蜂窝网络能量效率有显著影响,通过优化微基站发射功率能有效提升异构蜂窝网络能量效率。     

能效最优准则下的无人机中继系统的功率分配算法

由于无人机（Unmanned aerial vehicle,UAV）机动性好且部署简单,基于无人机中继的传输技术受到了广泛关注。功率作为通信系统的重要资源,其分配问题直接影响各条链路的性能和整个通信系统的能量效率。本文以莱斯衰落信道为背景,提出了一种在系统能效准则下的无人机中继通信系统的功率分配算法。首先在双跳放大转发（Amplify-and-forward,AF）中继传输模型的基础上建立功率分配的优化模型,将功率分配问题转化为求解最大系统能效的优化问题。在最优功率分配的求解过程中,先固定发射信号功率,获得波束形成优化方案;然后通过大信噪比区间近似,将非凸优化问题转化为凸优化问题;最后利用KKT（Karush-Kuhn-Tucker）条件,计算得出功率分配方案的闭式解。仿真实验表明,本文算法相对于迭代算法降低了算法复杂度。     

基于NOMA异构云无线接入网的联合子信道和功率分配算法

针对基于NOMA异构云无线接入网中增加网络效用需要以更高的能源消耗为代价,从而导致能源效率低的问题,提出了一种联合子信道和功率分配方案。首先,该方案定义网络效用和电网能源成本之间的差值为系统收益,考虑了最大传输功率、能量收集（energy harvesting,EH）电池容量、用户最小数据速率需求和跨层干扰阈值等约束,以最大化系统收益为目标建立优化问题;然后,采用贪心算法给用户配对并分配子信道,实现低复杂度次优解;最后,利用基于交替方向乘子法的拉格朗日最大化方法优化了功率分配。仿真结果表明,与NOMA系统中未配备EH单元的方案相比,系统收益提高了约18.8%;与OFDMA系统中配备EH单元的方案相比,系统收益提高了约11.8%。     

基于微基站发射功率的异构蜂窝网络能效优化

异构蜂窝网络（HetNet）的能量效率近年来引起了广泛的关注,然而,对于宏基站采用非泊松过程系统的能量效率的研究并不多。针对这一问题,研究了两层HetNet的能量效率,其中宏基站的部署采用β-Ginibre点过程（β-GPP）建模。首先,采用一种简单的近似方法分析了两层网络的信干比（SIR）分布;然后,推导出HetNet的覆盖概率、吞吐量和系统的能量效率;最后,提出一种有效的能量效率优化算法,寻找最优的微基站发射功率,使能量效率最大化。仿真结果表明,当β=1,宏基站的分布密度为2×10^-4 m^-2,微基站的分布密度为宏基站分布密度的2倍时,采用所提能量效率优化方案可以使系统能量效率提高约20%。实验结果验证了理论分析的准确性和提出的能效优化算法的有效性。     

下行多用户NOMA系统中基于能效优化的资源分配

非正交多址接入技术（Non-orthogonal multiple access, NOMA）提高了通信系统的频谱效率且可支持大量用户接入,因此受到广泛关注。以能量效率（简称能效）最大化为目标的多用户NOMA系统下行链路的资源分配问题,是一个难以求解的非凸问题,为此,将问题分解成用户分组和功率分配2个子问题。首先采用一种基于贪婪算法的用户分组方式降低了穷举法的计算复杂度;其次根据确定的分组方式,得到各个子信道上复用用户的功率分配系数表达式。为了进一步提高系统的能效,研究了子信道间非等功率分配方案,将子信道功率分配问题规划成非线性非凸的比率和问题,并利用Dinkelbach类算法得到次优解。仿真结果显示,文中采用的方案可以达到更好的系统容量和能效。     

一种基于混合NOMA的IRS-MEC系统能量效率优化方案

在移动边缘计算系统（MEC）中结合智能反射面（IRS）和资源分配策略以提高系统能量效率是当前国内外研究的热点。基于混合非正交多址（NOMA）传输模式,通过对用户的本地运算频率、传输功率、传输时间和智能反射面离散相移的联合优化,实现智能反射面辅助的移动边缘计算系统能量效率最大化。由于优化过程涉及难以求解的非凸分式规划问题,提出了Dinkelbach-SCA的两步迭代算法：首先利用Dinkelbach方法将初始问题转换成易于求解的形式,通过分离变量对智能反射面离散相移进行优化;其次为了解耦传输功率与时间之间的耦合关系,引入辅助变量,并结合逐次凸逼近（SCA）方法将非凸问题转换成凸问题,求出优化解。仿真结果表明采用的系统方案的能量效率优于其他对比方案,并发现系统的能量效率随用户2的最小计算数据量减少而提升。     

基于无线携能通信的传感云系统Sink节点最优能效策略

无线携能通信能够提升传感器网络的能量效率和资源复用率,然而当前研究均优化无线携能通信参数以实现系统增益,忽略了信道质量变化对系统能量效率的影响.为了解决该问题,针对无线携能通信的传感云系统,提出基于最优停止理论的Sink节点能效优化策略.首先设计下行无线携能通信、上行信息传输的工作时序,其中下行阶段Sink节点采用机会调度策略,选择信道质量较好时刻开始下行链路传输.Sink节点能效定义为系统所实现的上行吞吐量与下行能耗之比.继而基于最优停止理论,建立Sink节点能效最优化问题并证明该问题存在最优停止规则.最后设计最优能效算法求解Sink节点最优下行无线携能传输时刻,从而制定相应的能效优化策略.通过仿真实验验证最优能效算法的有效性与性能,同时通过不同策略的对比验证所提策略在提升Sink节点能效方面的优势.     

Energy management for multi-microgrid system based on model predictive control

To reduce the computation complexity of the optimization algorithm used in energy management of a multi-microgrid system, an energy optimization management method based on model predictive control is presented. The idea of decomposition and coordination is adopted to achieve the balance between power supply and user demand, and the power supply cost is minimized by coordinating surplus energy in the multi-microgrid system. The energy management model and energy optimization problem are established according to the power flow characteristics of microgrids. A dual decomposition approach is imposed to decompose the optimization problem into two parts, and a distributed predictive control algorithm based on global optimization is introduced to achieve the optimal solution by iteration and coordination. The proposed method has been verified by simulation, and simulation results show that the proposed method provides the demanded energy to consumers in real time, and improves renewable energy efficiency. In addition, the proposed algorithm has been compared with the particle swarm optimization (PSO) algorithm. The results show that compared with PSO, the proposed method has better performance, faster convergence, and significantly higher efficiency.