NOMA系统中最大化能量效率的功率分配

已有的上行非正交多址接入(NOMA)系统中最大化能量效率的功率分配方案的计算量有待降低,针对此问题,该文提出了上行NOMA系统中低复杂度的最大化系统能量效率的功率分配方案.首先,根据用户的最低速率需求计算每个用户所需的最低功率,以单个用户的最大发送功率和用户的最低速率需求作为约束条件,建立最大化能量效率的功率分配优化问...     

多小区下行NOMA系统中最大公平的功率分配方案

对于多小区多簇且每个簇包含任意用户的下行非正交多址接入（NOMA）系统,提出了一种最大公平的功率分配方案.首先构建了最大公平的功率分配优化问题;推导了单簇内以最大公平为准则的分配功率时,该簇内每个用户的速率与每个簇的总功率之间的关系,并基于该结论,将优化问题中用户间的功率分配转化为簇间功率分配;最后给出了一种基于迭代的簇间功率分配算法,为每个簇平均分配功率并计算单簇内最大公平准则下用户的速率.通过多次调整最大速率所在小区簇的功率和最小速率所在小区簇的功率,得到该系统中最大公平的功率分配.仿真结果显示,所提方案的公平性优于相同场景中已有的功率分配方案.     

下行NOMA系统中最大化能量效率的功率分配方案

针对多簇且每个簇包含任意用户的下行非正交多址接入（NOMA）系统,提出了一种最大化系统能量效率的功率分配方案.首先推导了满足所有用户连续干扰消除需求的情况下,单个用户及单个簇所需的最低功率,建立最大化系统能量效率的用户间功率分配优化问题,然后采用二分法求解最大化单个簇内能量效率的功率分配优化问题,基于该结论将最大化系统能量效率的用户间功率分配优化问题转换为簇间功率分配优化问题,最后给出了一种迭代的簇间功率分配方案,并根据簇间功率分配的结果为单个用户分配功率.仿真结果表明,所提方案的系统能量效率高于相同场景中的已有方案.     

下行NOMA系统中公平的功率分配方案

已有的非正交多址接入(NOMA)系统中最大化公平性的功率分配方案没有考虑到用户的最低速率需求。针对此问题,该文提出了NOMA系统中公平地提高用户速率的功率分配方案。首先根据信道条件以及每个用户的最低速率需求计算每个簇所需的最低功率,然后以每个簇所需的最低功率以及所有簇所需的最低总功率作为约束条件,建立满足所有用户最低速率需求的情况下公平地提高每个用户速率的功率分配优化问题,最后通过多次调整部分簇的功率得到既满足用户最低速率需求又公平地提高用户速率的功率分配方案。仿真结果显示,用户的最低速率需求不同时,所提方案中用户提高的速率和中断概率均优于相同场景中已有的功率分配方案。     

无人机辅助NOMA下行的用户分簇与功率分配算法

针对用户非均匀分布的无人机辅助非正交多址接入(NOMA)下行通信系统,提出了最大化和速率的用户分簇与功率分配算法。考虑用户服务质量,建立了最大化和速率的功率分配优化问题,为了解决该问题,提出了三步策略降低求解复杂度。首先,确定了无人机的最佳部署位置;其次,基于无人机位置,提出了角度密度的噪声空间聚类算法;最后,使用连续凸逼近方法获得功率分配问题的次优解。仿真结果显示,所提算法的分簇效果与通信性能优于相同场景中的传统算法。     

基于QoE的MIMO-NOMA系统功率分配方案

在多输入多输出非正交多址接入（MIMO-NOMA）系统中,衡量通信质量时仅仅考虑了用户的服务质量（QoS）,而没有考虑用户终端的满意度.为此,提出一种基于Stackelberg博弈的优化用户体验质量（QoE）的动态定价功率分配算法.在网页浏览业务场景下,用平均意见分数（MOS）值来衡量用户终端的满意度,将用户设置为买方,基站设置为卖方,小区内各用户从基站处以瞬时单位功率价格购买功率,提升其MOS值;同时,卖方基站不断调整单位功率价格,以实现自身最大化收益,最终达到Stackelberg均衡.仿真结果表明,所提算法与基于QoS的功率分配算法相比,在公平性上提升了22.73%;与传统的定价算法相比,在吞吐量和MOS值上有明显提升;与基于凸差规划的功率分配算法相比,在时间复杂度上有明显降低.     

深度学习辅助上行免调度NOMA多用户检测方法

针对上行免调度非正交多址接入（NOMA）场景中多用户检测的问题,通过结合传输数据的符号特征,提出基于深度神经网络（DNN）的联合活跃用户检测和数据检测框架. 考虑更一般化的实际场景,即用户在每个时隙中随机活跃. 将DNN求解结果作为改进的正交匹配追踪(OMP)算法先验输入,修正提升活跃用户检测和数据检测性能. 仿真结果表明,提出的多用户检测方案比传统的贪婪追踪及动态压缩感知（DCS）多用户检测算法具有更好的用户活跃性及数据检测性能.     

基于UCB算法的交替深度Q网络

在深度强化学习中,智能体需要与环境进行交互学习,这就需要智能体能够很好地去平衡利用与探索. 因此如何提升算法的样本有效性,增加算法的探索能力,一直是深度强化学习领域中非常重要的研究方向. 结合已有研究成果,提出了一种交替使用多个不同初始化深度Q网络方法,使用网络随机初始化带来的探索性能. 基于最大置信度上界算法先构造一种交替选择深度Q网络策略. 并将该调度网络策略与多个随机初始化的深度Q网络结合,得到基于最大置信度上界的交替深度Q网络算法. 在多个不同的标准强化学习实验环境上的实验结果表明,该算法比其他基准算法有更高的样本效率和算法学习效率.     

SCMA网络中基于能量效率最大化的分层多播资源分配算法

稀疏码多址接入技术可以高效的提升频谱效率,因此被作为5G网络的候选接入技术之一。首先研究稀疏码多址接入网络中的分层多播策略,在该策略下使得网络容量不再受限于多播组中最差用户的信道质量。在满足多播组服务质量需求的同时,公式了网络能量效率最大化的最优化问题,该最优化问题由码本分配与功率分配联合解决。为了减少解决最优化问题的计算复杂度,提出分离码本分配与功率分配的快速次优化算法。最后,仿真结果显示提出的分层多播的快速次优化算法在基于稀疏码多址接入网络中的网络能量效率方面要优于采用传统多播策略的稀疏码多址接入网络,和基于正交频分多址网络。并且,提出的快速次优化算法在稀疏码多址接入网络中的多播系统功效要优于正交频分复用网络中的多播系统功效。     

用于OFDMA系统多小区干扰协调的功率分配算法

提出了一种用于小区间干扰协调的多小区自适应功率分配算法. 该算法利用相邻小区同频子信道间信干比的差异,通过平衡信干比,协调同频子信道上用户的发送功率,保证系统边缘用户性能,减小同频信道干扰,提高无线资源利用率. 仿真结果表明,该算法既可以很好地保证用户公平性,又能充分利用频谱资源以保障系统吞吐量.     

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。     

基于深度强化学习的综合能源业务通道优化机制

为了保障综合能源系统的稳定运行,承载综合能源业务的通信网络需要具备高可靠、低风险等特征.依据综合能源业务的通道要求,提出了一种深度强化学习的算法,旨在对大规模综合能源业务在承载的电力通信网上寻找到整体最优的路径.该方法以整体时延和网络负载均衡度为目标,对网络拓扑进行训练,并保存模型,然后通过迭代学习获取最优的结果.仿真结果表明,该方法找到的路径既可以保证整体时延较短,又可以保证网络的整体负载均衡.同时,在网络规模很大、业务数量很多的情况下,深度强化学习算法可有效提高计算效率.     

基于DRL的6G多租户网络切片智能资源分配算法

未来第6代移动通信系统（6G）网络服务支持虚实结合、实时交互,亟需快速匹配多租户个性化服务需求,对此,提出了一种两层递阶的网络切片智能管理方案,上层部署全局资源管理器,下层部署面向不同租户的本地资源管理器.首先,考虑不同租户多类型切片请求的差异性,基于端到端切片的实时状态描述建立服务质量评估模型.结合服务质量反馈,利用深度强化学习（DRL）算法,优化上层全局资源分配和下层局部资源调整,提升不同域多维资源的使用效益,并使能租户资源定制化.仿真结果表明,所提方案能够在优化资源供应商长期收益的同时,保障服务质量.     

基于POMDP强化学习的动态频谱分配算法

提出基于VCG机制的动态频谱分配博弈模型,解决了认知无线网络环境存在的信息约束限制、分布式特性和频谱分配动态、复杂性问题;提出一种基于动态频谱分配的部分可观察马尔可夫决策过程（POMDP）强化学习算法. 认知用户通过对历史信息的观察、统计,为提高竞拍策略的奖赏值而进行不断的学习获取最优竞拍策略. 将POMDP强化学习转变为信度状态马尔可夫决策过程 (belief MDP)最优策略学习. 采用值迭代算法求解信度状态MDP模型的解. 仿真结果表明,基于POMDP强化学习算法可显著改善认知用户的行为,提高动态频谱分配性能.     

多小区环境中基于动态功率分配的干扰安排算法

在多用户MIMO（Multiple-InputMultiple-Output）干扰信道环境中,为了充分利用系统的总功率,将用户受到的干扰最大化地重叠,以提高系统性能。给出了MIMO干扰信道模型及子空间干扰安排算法分析;针对如何最大程度地利用系统功率问题提出了一种采用动态功率分配的干扰安排算法。仿真结果显示,该方案仅牺牲微小的系统容量,却显著地降低了系统的平均误码率和干扰功率,证明该算法较给定功率算法更有优势。     

结合功率分配的干扰对齐预编码优化算法

针对K用户多输入多输出干扰信道系统提出了一种基于功率分配预编码优化算法.首先通过信道的奇异值分解,基于矩阵弦距离,选出一组与最好的特征子信道最为匹配的预编码矩阵来传输信号,然后根据信道矩阵信息的强弱进行功率分配,从而对预编码矩阵进行优化,可最大化保证接收信号的强度.仿真结果表明,该算法未用迭代计算预编码矩阵和接收抑制矩阵,不仅使整个系统的复杂度大大降低,而且在系统和速率有微小损失的情况下,提高了系统的误码率性能.     

基于深度强化学习的边云协同串行任务卸载算法

在移动边缘计算任务卸载问题中,传统卸载算法仅考虑移动设备和边缘服务器计算资源,在资源利用、系统效能上存在一定的局限性.该文基于RainbowDQN算法,考虑了延迟、能耗成本和服务质量保证等因素,提出了一种边缘云协同串行任务卸载算法(ECWS-RDQN).该算法通过对串行任务的权重分配,实现了网络边缘和云端协同的串行任务...