车联网D2D通信中最大化频谱资源利用率分配算法

无线通信技术快速发展,终端设备不断增多,为缓解这一现象,提升系统网络容量,针对车联网蜂窝D2D(device to device)通信资源分配问题,提出了一种最大化频谱资源利用率分配算法.该算法以最大化频谱资源利用率为优化目标,在满足车联网通信的基本服务质量(quality of service,QoS)下,通过V2V(vehicle to vehi-cle)和V2P(vehicle to people)共享信道资源来提高频谱资源利用率.首先利用信道状态信息定义的链路增益因子为终端用户找到潜在的通信链路集合;然后证明终端用户复用链路资源时功率分配问题为一个凸优化问题,利用凸优化理论求得最优传输功率;随后求解最优的信道匹配问题,此问题为多对一的加权匹配问题,为降低算法复杂度用KM(Kuhn Munkres)算法来求解.仿真结果表明,所提算法较其他算法能够有效地提升系统吞吐量、提高频谱资源利用率、提升网络性能,优化车联网通信资源分配问题.     

面向车联网路由的转发链路增强算法

在未来车联网的设计中,基于安全类消息集对高可靠低时延的要求,可以在车联网路由设计中引入V2V机制。针对V2V链路不稳定的问题,提出了一种基于信道感知的转发链路增强算法FLEA (Forward Link Enh-anced Algorithm)。首先,基于对周边车辆的历史位置及速度信息的采集对车辆进行记忆性位置预测,然后结合信道感知计算当前时刻通信覆盖范围,预测位置在通信覆盖范围内的车辆通信链路是可靠的。将贪婪转发算法与FLEA算法结合引入到车联网路由设计中,仿真结果表明所提算法可以提升数据包投递率,并且有效降低端到端时延。     

车联网中基于联邦深度强化学习的任务卸载算法

随着车联网应用服务体系日益丰富，计算资源有限的车辆难以处理这些计算密集和时延敏感的车联网应用。计算卸载作为移动边缘计算中的一种关键技术可以解决这一难题。对于车联网中动态的多车辆多路侧单元的任务卸载环境，提出了一种基于联邦深度强化学习的任务卸载算法。该算法将每辆车都看作是智能体，采用联邦学习的框架训练各智能体，各智能体分布式决策卸载方案，以最小化系统的平均响应时间。设置评估实验，在多种动态变化的场景下对提出的算法的性能进行对比分析。实验结果显示，提出的算法求解出的系统平均响应时间短于基于规则的算法和多智能体深度强化学习算法，接近于理想方案，且求解时间远短于理想方案。实验结果表明，所提算法能够在可接受的算法执行时间内求解出接近于理想方案的系统平均响应时间。     

C-V2X通信中资源分配与功率控制联合优化

在C-V2X通信中,Mode 4资源分配方式使用基于感知的半持续调度（SB-SPS）算法进行资源分配,但该算法以最大功率传输安全消息,在高密度交通流状态下会导致系统的可靠性下降。为对SB-SPS算法进行优化,提出一种基于深度强化学习的联合资源分配与功率控制算法。车辆在感知到信道后,为安全消息选择干扰最小的子信道,并根据信道状态自适应调整传输功率,通过与环境交互学习的方式求解最优的子信道选择方案和功率控制方案。仿真结果表明,与SB-SPS优化算法相比,该算法在高密度公路场景下分组接收率提高5%,有效提升了车间通信的可靠性。     

部分CSI下C-V2X资源分配算法研究

针对蜂窝车联网（C-V2X）环境中,车辆高速移动导致无法获取完备信道状态信息（channel state information,CSI）,干扰车辆复用蜂窝网络资源的问题。在已知部分CSI下,在满足车辆到设施（vehicle to infrastructure,V2I）和车辆到车辆（vehicle to vehicle,V2V）的可靠性约束的条件下,研究最大化系统遍历总速率的资源分配优化问题,提出联合功率控制和信道复用的资源分配算法。该算法根据可靠性约束,使用几何规划分析功率可行域,求出任意单个复用对的最优功率控制。该算法将信道复用转换为最大权重二分图匹配问题,将复用对的遍历速率作为二分图的权重,并使用KM（Kuhn Munkres）算法进行求解。仿真结果表明,所提资源分配算法较其他算法,可以在保证车辆可靠通信下,优化资源分配,有效控制干扰,并提高系统遍历总速率。     

密集D2D网络中提升接入率的资源分配研究

在蜂窝网络中引入D2D通信可以增大系统吞吐量,提升资源利用率,减小终端功耗。传统资源分配算法只解决稀疏D2D网络中资源分配的问题,如何以有限的频谱资源将所有设备用接入网络是目前急需解决的问题。提出一种高接入率的资源分配算法,在基站的控制下为每条蜂窝信道选取满足接入条件的最优D2D链路接入。仿真验证表明,该算法有效提高了混合网络中D2D链路的接入率,同时有效增加了每条蜂窝信道的复用增益。     

基于非合作博弈的变电站无线网络资源研究

无线资源管理对实现资源的有效利用起着至关重要的作用.针对变电站中无线网络资源分配问题,提出了基于非合作博弈的变电站无线网络资源的优化管理算法,解决了全双工系统的无线电资源分配问题.将下行链路与上行链路的联合速率最大化问题建模成为上下行链路信道之间的非合作博弈,提出了基于非合作博弈的迭代算法.该算法有效的实现最佳上行链路与下行链路的资源分配,直到达到纳什均衡.仿真结果表明,该算法实现了快速收敛,与同等资源分配方法相比,可以显著提高全双工的性能.     

基于图着色的密集D2D网络资源分配算法

蜂窝设备到设备(D2D)网络通过D2D用户与蜂窝用户的上行链路复用,可大幅提高网络的频谱效率,但当D2D用户数大于蜂窝用户数时,即在D2D密集部署场景下,传统的资源复用算法不能满足D2D用户的频谱资源需求。针对该问题,提出基于图着色理论的D2D网络干扰协调频谱资源分配算法,可实现信道资源在多个D2D用户对间的多重复用,从而提升网络负载能力,改善网络吞吐量。在此基础上,给出一种改进的资源分配算法,以提高D2D用户的公平性。仿真结果表明,该算法在降低D2D用户获取信道资源"饥饿"概率的同时,能够提升网络信道资源的空间复用率及系统吞吐量。     

一种多接口多信道VANET动态频谱分配算法研究

为了实现多接口车载自组织网络(VANET)车辆节点之间通信频谱的动态分配,提出了一种基于信道反馈的动态频谱分配算法。在图论着色模型的基础上,分析信道的质量情况,定义了信道反馈矩阵,车辆节点可以根据信道反馈矩阵中元素的值来自主选择可用信道,从而实现了信道的最大化利用。通过软件仿真比较,可以看出该算法实现了频谱的动态分配,在兼顾最大化系统总收益的前提下大幅度减少了算法的时间开销,显著提高了多接口多信道V ANET的网络性能。     

设备直通中基于组合拍卖的联合资源分配机制

设备直通D2D(Device-to-Device Communication)通信是5G系统中的关键技术,通过复用传统蜂窝通信的频谱资源,能够大幅度提升系统频谱利用率,但却给传统蜂窝用户带来了同频干扰。针对上述问题,提出一种联合功率控制和信道分配的资源分配机制来最大化D2D链路的总吞吐量,并保证蜂窝链路的服务质量需求。该方案分为两步:底层功率控制考虑给定信道组合下的最大吞吐量,首先证明原问题属于凸优化,继而利用Karush-Kuhn-Tucker条件分析得到最优解;基于功率优化的结果,上层的信道分配等价于整数线性规划问题,一般意义下属于NP-hard难题,因此提出基于组合拍卖的分配机制来实现性能与复杂度之间的折中。最后,通过仿真验证了所提资源分配机制的有效性,并展示了联合无线资源分配的优势。     

基于强化学习的无人机网络资源分配研究

以无人机网络的资源分配为研究对象,研究了基于强化学习的多无人机网络动态时隙分配方案,在无人机网络中,合理地分配时隙资源对改善无人机资源利用率具有重要意义;针对动态时隙分配问题,根据调度问题的限制条件,建立了多无人机网络时隙分配模型,提出了一种基于近端策略优化(PPO)强化学习算法的时隙分配方案,并进行强化学习算法的环境映射,建立马尔可夫决策过程(MDP)模型与强化学习算法接口相匹配;在gym仿真环境下进行模型训练,对提出的时隙分配方案进行验证,仿真结果验证了基于近端策略优化强化学习算法的时隙分配方案在多无人机网络环境下可以高效进行时隙分配,提高网络信道利用率,提出的方案可以根据实际需求适当缩短训练时间得到较优分配结果。     

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。     

Design of Semipersistent Resource Allocation in LTE-V Network

Radio network access technology currently used in 4G/5G is Long Term Evolution-Advanced (LTE-A), which was developed by 3rd Generation Partnership Project (3GPP). Device-to-device (D2D) communication is a technology enabling direct communications among wireless devices without forwarding through an evolved Node B (eNB). Moreover, D2D transmission can support vehicles as a vehicle-to-vehicle (V2V) environment. It is possible to avoid accidents via exchanging movement-related information among vehicles and effectively increase driving safety (and efficiency). However, radio resources are limited in radio networks. A vehicle transmits through D2D in Long Term Evolution-Vehicle (LTE-V) mode-3 standard, and an eNB can allocate the same spectrum radio resources for cellular and V2V links simultaneously. When using the same radio resources, the probability of interference may increase. This study designed a semipersistent resource allocation algorithm based on different cycles in an LTE-V network. Moreover, resource allocation under different cycles was analyzed, and a scheme for resource selection is proposed based on cycle size. The proposed Semi Persistent Gain Aware Resource Allocation (SP-GARA) scheme selects resources based on the expected sum rate of the cycle size and analyzes and discusses the results of the total sum rate at different cycles and speeds for an improved performance.     

一种联合D2D资源分配的中继选择算法的研究

为提高蜂窝网络中边缘用户的QoS,可在蜂窝网络中引入了D2D辅助中继技术,然而由于D2D链路复用蜂窝资源会与蜂窝链路之间产生同频干扰,为了降低这种干扰,提出了一种联合资源分配的中继选择算法,该算法首先使用一种资源分配策略,使得D2D链路对蜂窝链路产生的干扰最小,然后结合资源分配结果提出了一个中继选择方案,该方案不仅考虑了D2D链路和回程链路的信道质量,而且还同时考虑到了对蜂窝链路的干扰问题。通过仿真验证,本文所提出的算法不仅能有效提升边缘用户吞吐量,同时保证了中心用户的QoS。     

基于MABC的中继系统资源分配策略

针对MABC的中继系统,对资源配置策略的优化问题进行研究,并将功率分配问题和中继选择问题相结合。基于此,提出了一种存在干扰情况MABC模型的多中继系统资源分配策略（IS-MABC-OPOR）。考虑双向中继系统干扰信号对其传输性能的影响,以通信链路信道容量最大化为优化目标,利用拉格朗日方法,对通信链路上的各节点进行了最优功率分配和最佳中继选择,给出了通信链路信道容量最大意义下的资源分配数学表达式。仿真结果表明,该链路的信道容量受中继节点位置以及链路总功率的制约,相比于等功率分配方案（EPA）、随机功率分配方案（RPA）和在所提方案的基础上加大干扰信号的信道增益,IS-MABC-OPOR方案有效提高了系统的信道容量,从而实现资源能够满足更高速率的业务传输需求。     

异构蜂窝网络中联合功率控制的终端直通通信资源分配

针对异构蜂窝网络中终端直通（D2D）用户和小蜂窝用户复用宏蜂窝用户资源产生的干扰问题,提出一种联合功率控制的资源分配方案。首先,在满足用户信号干扰噪声比（SINR）和发射功率约束条件的前提下,根据系统干扰模型推导出每个D2D用户和小蜂窝用户复用宏蜂窝用户信道资源时的最优发射功率;其次,将用户的信道选择规划成用户和信道之间的双边匹配问题,采用延迟接受（Gale-Shapley）算法得到一个稳定的匹配解;最后,以所得的匹配解为初始条件,通过交换搜索算法进一步优化分配方案。仿真结果表明,该方案的系统总容量和能量效率分别是最优解的93.62%和92.14%,与随机资源分配方案、无功率控制和交换搜索的分配方案,以及有功率控制无交换搜索的分配方案相比,系统容量平均增幅分别为48.29%、15.97%和4.8%,系统能量效率平均增幅分别为62.72%、44.48%和4.45%。该方案能够达到近似最优的系统总容量,有效提高频率利用率和能量效率。     

MEC中卸载决策与资源分配的深度强化学习方法

在移动边缘计算（MEC）服务器计算资源有限且计算任务具有时延约束的情况下,为缩短任务完成时间并降低终端能耗,提出针对卸载决策与资源分配的联合优化方法。在多用户多服务器MEC环境下设计一种新的目标函数以构建数学模型,结合深度强化学习理论提出改进的Nature Deep Q-learning算法Based DQN。实验结果表明,在不同目标函数中,Based DQN算法的优化效果优于全部本地卸载算法、随机卸载与分配算法、最小完成时间算法和多平台卸载智能资源分配算法,且在新目标函数下优势更为突出,验证了所提优化方法的有效性。     

基于多对一Gale-Shapley算法的D2D通信资源分配

针对D2D通信复用异构蜂窝网络上行信道产生的干扰问题和频谱资源优化问题进行研究,提出一种基于多对一Gale-Shapley算法的D2D通信资源分配方案。本方案允许多个D2D用户共享一个蜂窝用户信道资源,通过设置信干噪比（SINR）门限保证用户的通信服务质量（QOS）。根据信道分配情况,构建D2D用户和信道的偏好列表,最大化系统总容量。仿真结果表明,该方案收敛较快,复杂度较低,能够有效保证用户的通信服务质量,系统总容量接近最优解。本研究为实现D2D用户和蜂窝用户的频谱资源共享,提高频谱利用率提供了一种有效方案。