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。     

多IRS辅助的NOMA URLLC系统性能优化

工业自动化等新型无线通信场景具有严格的低时延性和高可靠性需求，在网络中联合使用智能反射面(IRS)、非正交多址接入(NOMA)以及超可靠低时延通信(URLLC)技术能支持海量终端接入，并提供更低的通信时延、更高的可靠性，以及更高的吞吐量性能。考虑多IRS辅助的NOMA URLLC系统在多个用户被划分为多个簇的情况下，用户簇和IRS如何最佳配对和通信资源如何优化的问题，研究了联合优化用户发射功率分配、IRS反射波束成型以及用户簇IRS配对决策问题，最大化用户的吞吐量之和。为解决所考虑的非凸优化问题，提出一种基于交替迭代算法，通过巧妙地引入松弛变量，并采用半正定松弛方法，高效求解功率分配优化、IRS反射波束成型优化以及用户簇IRS配对决策优化三个子问题。仿真结果表明，所提算法能显著提高系统吞吐量，并且显示了用户簇IRS配对决策优化的必要性与有效性。     

面向物联网环境的高效通信接收机设计

物联网（IoT）通信系统具有活跃用户数低、数据帧短等特性,而信道估计和多用户识别所需的导频和用户识别码会显著降低IoT系统的通信效率和响应速度。针对上述问题,提出了一种基于非正交多址接入（NOMA）的盲信道估计和多用户检测算法。首先,利用码分多址（CDMA）系统中的扩频矩阵对每个用户所占用载波进行分配,并采用差分编码解决盲估计所引发的星座点旋转问题;其次,根据用户所分配载波具有的稀疏性,引入伯努利-高斯（B-G）分布作为先验分布,利用变量间的隐马尔可夫特性进行因式分解和建模,由用户数据的稀疏特征进行多用户识别;最后,应用消息传递算法对上述模型进行推导,解决NOMA引起的多用户干扰,得到面向IoT环境的联合信道估计和检测接收算法。仿真结果表明,相对于块稀疏单测量向量（BS-SMV）算法和块稀疏自适应子空间求解（BSASP）算法,所提算法能够在不提高复杂度的条件下获得约1 dB的性能增益。     

软件定义车联网中缓存辅助的NOMA功率分配方案研究

由于对丰富多媒体服务的需求日益增长,车联网需要提供海量的设备连接以满足高频谱效率和低延迟的需求。软件定义网络（SDN）、缓存和非正交多址接入（NOMA）被认为是有效解决这些关键挑战的潜在技术。针对软件定义车联网,提出了一种缓存辅助的NOMA功率分配方案。首先,针对车联网中车辆总是处于高速运动状态的特点,提出了一种新的簇头选择算法,到达的道路交通将借助SDN进行预测,实现自适应车辆分簇。其次,引入了缓存辅助的NOMA方案,每个车辆在文件缓存阶段使用NOMA原理缓存和请求文件。再次,针对双Nakagami-m衰落条件下的两个簇头车辆通信场景,提出了一种最优功率分配策略,将优化问题公式化为找到每辆车的最佳功率曲线,从而最大化地在每辆车上成功解码目标文件的概率。最后,数值仿真和理论分析表明,所提缓存辅助NOMA功率分配方案,性能明显优于传统的NOMA和缓存辅助的OMA。     

NOMA网络中考虑回程约束的联合资源分配算法

针对应用非正交多址接入（NOMA）技术的异构蜂窝网络,提出了一种具有回程容量约束的能效最大化的功率和带宽分配算法。首先,考虑小蜂窝发射功率约束、小蜂窝速率约束和回程链路容量约束,构建了功率和带宽分配模型。然后,对于功率分配,利用凸差（DC）规划和函数的拟凹性将原问题转换为等价的凸问题,并使用凸差迭代法和二分法求得全局最优解;对于回程链路带宽分配,将其转换为可行性问题并给出了解析解。仿真结果显示,该方案的能量效率高于相同场景中的已有方案。     

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。     

基于NOMA-MEC的车联网任务卸载、迁移与缓存策略

在移动边缘计算(MEC)与非正交多路接入(NOMA)技术相结合的车联网系统中,针对用户处理计算密集型和时延敏感型任务时面临的高时延问题,提出了一种基于博弈论和Q学习的任务卸载、迁移与缓存优化策略。首先,对基于NOMA-MEC的车联网任务卸载时延、迁移时延与缓存时延进行建模;其次,采用合作博弈算法获得最优用户分组,以实现卸载时延优化;最后,为避免出现局部最优,通过Q学习算法优化用户分组中的迁移缓存联合时延。仿真结果表明,所提方案相比对比方案,能有效提升卸载效率并降低约22%~43%的任务时延。     

基于HAGA的D2D-NOMA资源分配优化算法

针对无线系统带宽资源有限、基站负载压力大、传输时延长等问题,提出一种基于非正交多址接入技术的D2D系统吞吐量最大化资源分配算法。在不同用户的服务质量约束条件下,建立D2D系统吞吐量最大化资源分配模型。该模型的优化目标是一个混合整数非线性规划问题,将其解耦为信道匹配与功率分配2个子问题并分别进行处理,利用自适应惩罚函数法处理约束条件并提出一种基于爬山策略的自适应遗传算法以对问题进行求解。仿真结果表明,与GA、AGA算法相比,该算法能够有效提高D2D系统的吞吐量,且收敛性能更好。     

下行链路NOMA用户分组和功率分配算法

对下行链路中非正交多址接入(Non-Orthogonal Multiple Access,NOMA)系统用户匹配和子带功率分配两个问题进行研究。提出优化分组方案,结合用户质量及子带吞吐量进行用户匹配,从而保证系统性能显著提升;提出基于比例公平的优化边缘用户质量因子的功率分配方案,在保证用户服务质量(Quality of Service,QoS)基础上优化边缘用户的传输性能,并利用Karush-Kuhn-Tucker(KKT)条件进行求解。仿真结果表明,系统吞吐量比传统的正交多址接入(Orthogonal Multiple Access,OMA)系统有明显提升。     

基于NOMA系统的用户分组和功率分配策略

针对非正交多址接入（NOMA）系统的最优用户分组和功率分配方案的高复杂度问题,提出一种改进的用户分组和功率分配策略。首先,对用户进行分组,由信道增益值确定每个子信道的第一个用户,再由贪婪匹配方法分配剩余用户;然后,对用户的功率进行分配,将该功率分配问题分成子信道间和子信道内两部分,对于子信道间采用线性注水算法分配功率,对于子信道内则采用所提的迭代功率分配算法分配功率;最后,构造拉格朗日函数以实现在最大发射功率以及保证每个用户最低数据速率的约束下系统吞吐量的最大化。仿真结果表明,在多用户的情况下,与线性注水的分数阶功率分配（LWF-FTPA）算法和等分数阶功率分配（EQ-FTPA）算法相比,系统吞吐量分别提高了8%和20%,所提策略优于传统算法。     

基于终端直通通信的多用户计算卸载资源优化决策

随着计算密集和时延敏感类应用的激增,移动边缘计算（MEC）被提出应用在网络边缘为用户提供计算服务。针对基站（BS）端边缘服务器计算资源有限以及网络边缘用户远距离计算卸载的时延较长等问题,提出了基于终端直通（D2D）通信的多用户计算卸载资源优化决策,将D2D融入MEC网络使用户以D2D方式直接卸载任务到相邻用户处执行,从而能够进一步降低卸载时延和能耗。首先,以最小化包括时延和能耗的系统计算总开销为优化目标,建模多用户计算卸载和多用户计算资源分配的联合优化问题;然后,将求解该问题看作是一个D2D配对过程,并提出基于稳定匹配的低复杂度的多用户计算卸载资源优化决策算法;最后,迭代求解D2D卸载的优化分配决策。通过理论证明分析了所提算法的稳定性、最优性和复杂度等特性。仿真结果表明,所提算法相较于随机匹配算法能够有效降低10%~33%的系统计算总开销,并且其性能非常接近最优的穷举搜索算法。可见,所提基于D2D卸载的决策有利于改善时延和能耗开销性能。     

智能无人机轨迹与任务卸载联合优化

移动边缘计算（MEC）是云计算技术在边缘基础设施之上的应用拓展。考虑一个高能效的无人机移动边缘计算系统,通过联合优化无人机的运动轨迹、任务卸载策略和计算资源分配来最小化系统的能耗。为解决以上问题,提出一种双层优化方法,在上层用基于无监督学习的信道增益-自组织特征映射网络（h-SOM）对用户进行实时聚类,该聚类是以信道增益作为判断类别的指标并得到无人机的最佳部署位置;在下层根据无人机的部署,将计算卸载和计算资源分配问题转化为混合整数非线性规划问题（MINLP）,并采用带有精英初始策略和自适应双变异策略的改进差分进化算法（IDE）进行迭代求解,精英初始策略可以根据h-SOM的聚类结果提供优秀的初始解,自适应双变异策略能够提高算法的全局搜索能力并促进算法收敛,从而获得更好的任务卸载决策。通过仿真实验验证了所提方法的有效性,并与传统算法进行了比较,其优化效果显著,为MEC系统的联合优化提供了一种新思路。     

移动云计算中能效感知的计算卸载机制研究

移动云计算可以将任务从移动设备计算卸载至云端以增强设备计算能力,而如何实现能效计算卸载机制是当前的主要挑战。为了解决该问题,以降低移动设备能耗和应用完成时间为目标,将计算卸载问题形式化为满足任务顺序与截止时间约束的能效代价最小化问题,并提出一种动态能效感知计算卸载算法。算法由三个子算法组成：计算卸载选择、时钟频率控制及传输功率分配。实验结果表明,通过局部计算时优化调整移动设备CPU时钟频率,以及云端计算时自适应分配传输功率,新算法可以有效降低应用执行能效代价,同时确保满足约束条件,提高执行效率。     

Adaptive channel and power allocation of downlink multi-user MC-CDMA systems

The Multi-Carrier Code Division Multiple Access (MC-CDMA) is becoming a very attractive multiple access technique for high-rate data transmission in the future wireless communication systems. This paper is focused on the joint channel and power allocation in the downlink transmission of multi-user MC-CDMA systems and considers the throughput maximization problem as a mixed integer optimization problem. For simple analysis, the problem is divided into two less complex sub-problems: power allocation and channel allocation, which can be solved by a suboptimal Adaptive Power Allocation (APA) algorithm and an optimal Adaptive Channel Allocation (ACA) algorithm, respectively. By combining APA and ACA algorithms, an adaptive channel and power allocation scheme is proposed. The numerical results show that the proposed APA algorithm is more suitable for MC-CDMA systems than the conventional equal power allocation algorithm, and the proposed channel and power allocation scheme can significantly improve the system throughput performance.     

改进人工蜂群算法及其在边缘计算卸载的应用

移动边缘计算（MEC）通过将算力下沉到网络边缘来降低计算时延和设备能耗。针对计算密集型和时延敏感型应用场景,提出了一种单多维动态种群策略的人工蜂群算法（OMABC）来实现计算任务的卸载。建立一个包含云服务器的边缘计算卸载模型,并构建一个以能耗为惩罚项的代价函数;将计算任务的卸载决策转化为人工蜂群算法对代价函数的寻优过程。通过仿真实验,在CEC 2017测试函数上验证了OMABC的有效性,并在边缘计算模型仿真中与本地卸载策略、随机卸载策略、基于粒子群算法（PSO）的卸载策略、基于人工蜂群算法（ABC）的卸载策略进行对比。实验结果表明,基于OMABC的边缘计算卸载策略能够有效降低MEC系统的时延及代价函数,提供更高效的服务。     

无线供能移动边缘计算系统的安全卸载优化

针对能量受限的多用户移动边缘计算（MEC）系统存在恶意窃听节点的问题,提出一种联合无线能量传输（WPT）和MEC的安全部分计算卸载方案。该方法以系统接入点（AP）能耗最小化为优化目标,在计算延迟、安全卸载和能量捕获约束条件下,联合优化AP能量传输协方差矩阵、本地CPU频率、用户卸载比特数、用户卸载时间分配以及用户传输功率。针对AP能耗最小化问题为非凸问题,首先采用凸差分算法（DCA）将原始非凸问题转换为凸问题,然后采用拉格朗日对偶法以半封闭形式获得问题最优解。当计算任务数为5×10⁵比特时,与本地计算和安全全部计算卸载方法相比,安全部分卸载方案的能量消耗分别降低了61.3%和84.4%;当窃听节点距离超过25 m时,安全部分卸载方案所消耗的能量远小于本地计算和安全全部计算卸载。仿真实验结果表明,在保证物理层安全卸载的情况下,所提方案能够有效降低AP能耗、提高系统性能增益。     

基于MIMO多跳认知无线电网络的跨层优化研究

多输入多输出（MIMO）技术是突破香农（Shannon）容量限制的一项有效手段。而认知无线电（CR）是近几年的热点研究领域,它能够极大的提高网络资源使用效率。结合这两种技术,研究了基于MIMO的认知无线网络的跨层优化：路由选择、能量分配和带宽分配。采用对偶分解算法将主问题分解为网络层和物理层子问题,并提出了交替更新算法有效解决了物理层子问题。     

不完全SIC下CR-NOMA系统的功率分配算法

在不完全连续干扰消除（SIC）条件下,对认知无线电-非正交多址混合系统中的次用户总传输速率进行研究,提出一种基于参数变换和KKT条件的功率分配算法。采用非正交多址方式使次用户接入授权信道,在主次用户服务质量、最大发射功率等约束条件下,通过参数变换对原约束条件进行改写设计新的优化问题,并利用KKT条件求解最优功率分配因子进而实现系统中次用户总传输速率的最大化。仿真结果表明,与CNPA算法和等功率分配算法相比,该算法可明显提高系统中次用户的总传输速率,并且对于不完全SIC具有更强的承受能力。