干扰信道中基于竞争博弈的准最佳功率分配方案

频率选择性高斯干扰信道下多用户总速率最大化的问题被建模成一个带有补偿函数的非合作博弈模型．补偿函数也近似成子信道之间进行博弈的模型(子信道博弈)．通过子信道之间的迭代计算,子信道博弈能够达到一个纳什均衡,也就是渐近最佳补偿．接着提出了多领导斯坦克尔伯格均衡的概念,来描述带有渐近最佳补偿函数的非合作博弈的均衡点．利用凸优化技术,开发了一种迭代多水平面功率注水算法,来达到斯坦克尔伯格均衡．在该均衡点上,所有用户都会工作在准最佳速率区域边界上．仿真结果表明,迭代多水平面功率注水算法所能达到的总速率比迭代功率注水算法有明显的提高,并且能达到一个准最佳的可达速率区域．     

非理想功率控制下超宽带系统多用户性能分析

针对超宽带系统中现有的技术及硬件水平难于实现理想的功率控制,使系统的误码性能下降的问题,提出一种非理想功率控制下超宽带系统的多用户模型,得到系统的平均误码率,并同理想功率控制系统之间的平均误码性能进行了比较.结果表明:随着信道衰减系数、用户数和数据传输速率的增加,两者之间的差距逐渐变大.在各种参数条件下,用户传输速率的上限都随着系统用户数的增大而减小,而且减小的速率越来越慢.     

多用户MIMO系统下行链路中SDMA的全局MMSE设计

在多用户MIMO系统下行链路中,使用SDMA技术可以提高整个系统的容量.BD算法通过将多用户MIMO信道块对角化,使整个多用户MIMO信道分解为独立并行的点对点MIMO等效信道,从而完全抑制了不同用户之间的多用户干扰(MUI).以此为基础,提出了一种基于整个系统均方误差最小化(MMSE)的SDMA设计方法,该方法在下行链路总发射功率的约束下,可根据各用户等效信道的噪声功率,来动态的分配各用户的发射功率,联合优化基站端的编码滤波器和各用户端的解码滤波器.     

电力线通信系统中基于动态规划的自适应资源分配

分析了电力线通信OFDM系统在多种约束下,多用户多业务在多子载波上自适应的比特和功率分配模型,提出了一种新的基于动态规划的速率和功率自适应相结合的动态资源分配算法,其先给实时用户分配资源以满足固定速率下总功率最小,再利用剩余功率和未用子载波给非实时用户分配资源以满足最小速率下总速率最大．在典型电力线信道环境下的仿真结果表明,该算法的性能优于已有的多用户资源分配优化算法,且其能更好的满足电力线通信系统中多用户资源分配的多目标要求．     

基于强化学习的多路口可变车道协同控制方法

为了解决传统的可变导向车道控制方法无法适应多路口场景下的复杂交通流的问题,提出基于多智能体强化学习的多路口可变导向车道协同控制方法来缓解多路口的交通拥堵状况. 该方法对多智能体强化学习 (QMIX)算法进行改进,针对可变导向车道场景下的全局奖励分配问题,将全局奖励分解为基本奖励与绩效奖励,提高了拥堵场景下对车道转向变化的决策准确性. 引入优先级经验回放算法,以提升经验回放池中转移序列的利用效率,加速算法收敛. 实验结果表明,本研究所提出的多路口可变导向车道协同控制方法在排队长度、延误时间和等待时间等指标上的表现优于其他控制方法,能够有效协调可变导向车道的策略切换,提高多路口下路网的通行能力.     

伙伴选择问题的多Agent强化学习演化博弈方法

为了解决可供选择的企业伙伴组合规模日益扩大的问题,根据企业结盟伙伴选择招、投标问题的特点,建立了实现竞标费用和拖期惩罚费用之和最小的非线性整数规划模型.利用多Agent的强化学习思想和协调机制,在演化博弈算法的基础上,提出了多Agent强化学习演化博弈算法.将算法在多个不同规模的仿真实例上与遗传算法和演化博弈算法进行了对比分析,研究结果表明,该方法在处理规模较大的伙伴选择问题上,计算速度和达优率两方面的综合性能优势明显.     

可变扩频增益CDMA系统的功率速率联合控制

为了使移动通讯系统获取最大容量,针对可变扩频因子码分多址接入(CDMA)系统,给出了一种基于信干比(SIR)平衡的功率速率联合控制方案.该方案根据反馈的SIR动态地改变数据的速率和功率,其中功率控制优先于速率控制,当信道变化缓慢时,数据率保持在一个相对稳定的值上,调节发射功率来维持SIR平衡;当功率调节无法弥补信道的衰落时,则通过调节速率来维持SIR的平衡.仿真和分析结果显示,功率速率联合控制的方案显著地提高了系统的性能;参与判断改变数据速率的时隙数目的选取应针对不同的信道衰落环境来设置.     

认知无线电中频谱分配方法研究

为了解决频谱分配中的授权用户定价博弈问题,提出了一种基于博弈论的认知无线电频谱分配方法,结合控制理论中参数整定的思想对该方法中的参数进行了整定.将信道分配模型等效为博弈论中的差别双寡头市场模型,给出了认知用户的效用函数;根据博弈论中的Bertrand、Cournot均衡理论,给出了基于Cournot模型的利润函数和基于Bertrand模型的授权用户信道竞争价格的动态博弈算法.分析稳定的纳什均衡解与速率调整参数的关系,提出了利用控制理论中指数函数模型研究博弈过程速率参数快速整定和分析的方案,得出纳什均衡点和边际成本的关系,较高的边际成本可以获得高的出租信道价格,并通过仿真实验证明了指数函数模型整定速率参数方法的有效性.     

移动机器人的可变遗忘因子离散迭代学习控制

为了提高迭代学习控制方法在移动机器人轨迹跟踪问题中的收敛速度,提出了一种带有可变遗忘因子的离散迭代学习控制算法.该算法是在开闭环离散迭代学习控制律基础上,通过可变遗忘因子对上一次的控制量进行调节,并增加了带有可变遗忘因子的初始修正项.通过适当选取学习律中的初始控制输入,带遗忘因子的初始修正项可以避免迭代轨迹的大幅度摆动,从而可以使迭代学习的收敛速度得到显著提高.并利用范数理论对算法的收敛性进行了严格证明,得到了使算法收敛的范数形式的充分条件.最后通过仿真实验验证了所提算法的有效性.     

干扰信道中容量可达的率分裂方案

为了能有效地逼近高斯干扰信道的容量边界,提出了一种分布式率分裂的方案.以二用户高斯干扰信道为例,该分布式率分裂方法能建模成一个非协作博弈论模型,并且提出一种迭代多水平面功率注水算法,能达到该博弈模型的纳什均衡,同时给出了迭代收敛的一个充分条件.计算机仿真表明,通过分布式率分裂方案以及迭代多水平面功率注水算法而获得的高斯...     

一种协作多点多用户通信系统的预编码方法

提出了新的线性预编码方法,适用于联合处理模式下的协作多点多用户多输入多输出下行链路传输系统. 该方法通过信道矩阵的扩展,引入低复杂度的矩阵分解方法,有效抑制了噪声和多用户干扰这2个因素对系统的影响,并适用于接收端各用户配置任意根天线的系统;提出了在基站总功率受限的约束条件下次优的功率分配方案. 通过对算法复杂度的分析和性能仿真可知,所提方法不仅从总体上降低了中央控制站的处理复杂度,而且改善了系统性能.     

无线Mesh网络功率控制与信道分配联合优化

针对无线Mesh网络网关节点和网络链路承载的负载不均问题,择优选择网关节点,并设计链路权重,构建以网络加权吞吐量为优化目标的资源分配模型.在构建的资源分配模型下,提出一种基于Q学习和差分进化的联合功率控制与信道分配算法（QDJPCA）.该算法通过获取功率控制的反馈结果,采用基于多重变异和自适应交叉因子的差分进化算法进行信道分配;针对每次迭代产生的信道分配结果,采用基于状态聚类和状态修正的Q学习算法实现功率控制.NS-3仿真结果表明,QDJPCA能够有效求解所提资源分配模型,在优先保证网关负载均衡和高负载链路吞吐量性能的基础上提升网络整体性能.     

一种容量最大化的OFDMA资源分配算法

针对功率受限的多用户OFDMA系统,提出了一种简化的子载波和功率分配算法,此算法在最大化系统容量的同时兼顾了用户间的公平性。算法首先依据当前的信道状况计算出各用户所需的载波数量,并分配子载波,然后以注水算法对各载波上的功率进行分配。仿真结果表明,以此算法对OFDMA的系统资源进行分配可显著提高系统的多项性能。     

基于用户分簇的物理层增强安全多播算法

物理层安全技术是无线网络技术中一项重要的关键技术。在大量多播用户和窃听用户共存的场景中,针对传统物理层安全技术中在波束赋形下增加人工噪声时不能很好地应用于多播传输的问题,提出了一种基于多播用户分簇策略下的物理层增强安全多播算法。首先,具有相近信道矢量的多播用户被分为同一个多播簇,不同的多播簇分配不同的子载波传输多播数据;其次,基于多播用户分簇策略的结果,提出了通过采用联合功率分配和波束赋形设计算法,最大化整个多播系统的安全多播速率;最后,为了降低算法的计算复杂度,提出了新的搜索算法处理联合功率分配和波束赋形设计算法。仿真结果显示：与传统安全多播算法相比,基于多播用户分簇策略的物理层增强安全多播算法不但能够获得更高的多播安全传输速率,而且其计算复杂度也大大低于采用遍历搜索的传统安全多播算法。     

OFDMA网络比例公平性的中继资源分配

在中继协作正交频分多址（OFDMA/Relay）系统中,应用协作博弈论提出一种比例公平性的多用户中继资源（子载波和功率）分配方案.定义了用户基于比特传输速率的效用函数,并建立中继资源分配的协作博弈模型.求解此博弈的纳什议价解（NBS）具有较高的计算复杂度,为此,提出一种快速子载波与功率联合分配算法,即：先进行固定发射功率的最优子载波分配,再进行最优的发射功率分配,最终通过上述迭代方式获得联合资源分配的NBS.仿真试验表明：与已有的OFDMA/Relay系统资源分配算法相比,所提出的NBS求解算法能够在提高系统频谱资源利用率的同时,对用户进行更为公平的中继资源分配.     

多播系统中基于多用户分集的资源分配

针对无线多播系统中传输速率受限于多播组中最差用户信道容量的问题,提出一种组内资源分配算法.在考虑用户之间不同速率需求的前提下,对多播组内用户进行子载波分配和功率分配,来最大化多播系统归一化速率.子载波分配算法利用每个子载波上多播用户之间的多用户分集,将子载波分配给该子载波上性能较好的多个用户.功率分配算法采用基于梯度的功率分配方式对各子载波上所分配的功率做局部优化,进一步提高多播系统的传输速率.仿真结果表明,与传统多播组内资源分配方案相比,显著提升多播系统的归一化速率.     

基于交替方向乘子法与深度强化学习算法的资源分配

为了研究在有限信道状态信息下,密集型网络的资源分配问题,提出了交替方向乘子法结合深度强化学习算法的模型驱动学习框架。该框架区别于数据驱动框架,能够根据具体问题进行一对一建模。针对资源分配的问题建模内容包括：将基站选择、功率和子载波分配用交替方向乘子法进行交替优化;用深度强化学习算法优化权重,求解目标函数,提高算法性能;框架利用有效信道状态信息而非多余信息,降低了通信开销;加强对最低用户服务质量要求参数的约束,可以在保证用户的体验下最大化小区频谱效率。仿真结果表明,该模型驱动学习框架在较少的迭代次数下即可收敛。     

比例速率约束下基于遗传策略的多用户OFDM系统资源自适应分配算法

基于遗传策略提出了载波和功率自适应分配算法,它在最大化多用户OFDM系统下行链路总容量的同时维持用户之间的比例公平性,是一种将子载波分配和功率分配独立开的低复杂度次优算法。当总功率在载波间均等分布时,首先进行子载波的分配。随后引入遗传算法通过全局搜索实现用户间的功率分配,以满足比例公平性要求。功率分配结束后,针对每一个用户使用等功率分配方式实现容量分配并实现总功率的最大化。仿真结果表明,所提出的资源分配算法平衡了总容量和公平性之间的折中问题。与最小容量最大化算法相比,满足了用户之间不同的速率要求。相对于总容量最大化算法,容量在用户之间分布更公平。     

多信道无线网络中窃听与干扰攻击的对抗策略

为了在无线网络中同时对抗智能干扰与窃听攻击,论文基于斯坦伯格博弈,通过功率控制的方法,设计了一个窃听与干扰攻击对抗策略。在该策略中,干扰者的目标是造成源节点的能量损耗与通信质量的下降,而源节点则通过功率控制来对抗干扰者的干扰,论文不仅严格证明了该博弈模型均衡的存在,而且提出一种分布式学习算法,使得博弈过程可以在节点间没有信息交换的情况下高效地收敛于该均衡。在此基础上,我们通过分析安全容量与窃听概率,证明了提高干扰信道的信道增益可以同时降低窃听者的窃听概率。在性能分析中,通过与其他博弈模型的分析对比,论文提出的策略在对抗非合谋的智能干扰与窃听攻击方面可以达到很好的抗攻击效果。