基于学习的能量采集认知M2M通信资源分配算法

本文针对能量采集认知机器到机器（Machine-to-Machine,M2M）通信的能量效率问题,在保证服务质量（Quality of Service,QoS）的条件下,提出了一种能效优化算法.以最大化网络中用户能效为目标,综合考虑传输功率控制、时隙分配、传输模式选择、中继选择以及每个设备的能量状态为约束,将优化问题建模为一个混合整数非线性规划问题.将该能效优化问题转化为离散时间有限状态马尔科夫决策过程（Discrete-time and Finite-state Markov Decision Process,DFMDP）进行求解.提出一种基于深度强化学习的算法寻找最优策略.仿真结果表明,所提算法在平均能效方面优于其他方案,且收敛速度在可接受范围内.     

SWIPT-D2D通信中基于深度强化学习的资源分配

针对信道状态信息未知SWIPT-D2D((Simultaneous Wireless Information and Power Transfer Device to Device)无线通信网络环境下设备间信号干扰以及设备能量损耗问题,提出通过使用近端策略优化(Proximal Policy Optimization, PPO)算法,在满足蜂窝用户通信质量要求的前提下同时对D2D用户的资源块、发射功率以及功率分割比三部分进行联合优化。仿真结果表明,所提算法相比于其他算法能够为D2D用户制定更好的资源分配方案,在保证蜂窝用户保持较高通信速率的同时使D2D用户获得更高的能效。同时,当环境中用户数量增加时,所提算法相比于Dueling Double DQN(Deep Q-Network)以及DQN算法,D2D能效分别平均提高了15.95%和23.59%,当通信网络规模变大时所提算法具有更强的鲁棒性。     

面向6G通感算融合的多粒度资源分配算法

面向6G通信-感知-计算(通感算)融合的发展需求,亟需突破其资源高效分配算法。提出一种面向6G通感算融合的多粒度资源分配算法,该算法根据感知的网络状态以及基站自身状态,在多时间粒度上调整资源分配策略时间。首先,该算法将通信、感知、计算资源联合优化问题建模为多时间粒度上的最大化效用函数问题;其次,采用决斗深度Q网络(Dueling Deep Q-network, Dueling DQN)算法关注重要状态,忽视不重要状态,可以较快地找到最佳动作;最后在所搭建的实验平台中,将所提算法与多种资源分配算法进行对比,提高网络频谱效率,并降低传输时延、处理时延和资源分配动作执行的成本。     

一种通信对抗干扰资源分配智能决策算法

针对战场通信对抗智能决策问题,该文基于整体对抗思想提出一种基于自举专家轨迹分层强化学习的干扰资源分配决策算法(BHJM),算法针对跳频干扰决策难题,按照频点分布划分干扰频段,再基于分层强化学习模型分级决策干扰频段和干扰带宽,最后利用基于自举专家轨迹的经验回放机制采样并训练优化算法,使算法能够在现有干扰资源特别是干扰资源不足的条件下,优先干扰最具威胁目标,获得最优干扰效果同时减少总的干扰带宽.仿真结果表明,算法较现有资源分配决策算法节约25％干扰站资源,减少15％干扰带宽,具有较大实用价值.     

一种通信对抗干扰资源分配智能决策算法

针对战场通信对抗智能决策问题,该文基于整体对抗思想提出一种基于自举专家轨迹分层强化学习的干扰资源分配决策算法(BHJM),算法针对跳频干扰决策难题,按照频点分布划分干扰频段,再基于分层强化学习模型分级决策干扰频段和干扰带宽,最后利用基于自举专家轨迹的经验回放机制采样并训练优化算法,使算法能够在现有干扰资源特别是干扰资源不足的条件下,优先干扰最具威胁目标,获得最优干扰效果同时减少总的干扰带宽。仿真结果表明,算法较现有资源分配决策算法节约25%干扰站资源,减少15%干扰带宽,具有较大实用价值。     

基于深度强化学习的多租户PON在线带宽资源分配算法

为了解决运营商共享网络资源带来的资源分配问题,提出了一种基于深度强化学习(DRL)的在线带宽资源分配算法.该算法将多租户无源光网络(PON)系统映射到DRL模型中,DRL代理通过与环境交互,为各个待处理的带宽请求和当前剩余带宽做决策,并不断更新策略参数直至模型收敛,从而完成算法优化.搭建了仿真系统,对该算法进行了可行性...     

引入D2D通信的蜂窝网上行资源分配算法

该文研究了引入Device-to-Device (D2D)通信的蜂窝网系统中的上行资源分配问题。首先将该问题建模为一个简洁的二值整数规划问题。然而整数规划仍是NP难问题。该文利用Canonical对偶理论,得到其对偶形式。该对偶问题是一个连续域内的凸问题。证明了在特定的条件下,可以通过求解对偶问题得到原问题的最优解,且对偶间隙为零。提出了一个基于Barrier方法的算法来求解对偶问题。仿真结果表明,该文的算法优于现有算法,且性能接近最优。     

语义通信中基于深度双Q网络的多维资源联合分配算法

5G技术的不断发展,带来了网络中数据量的爆发式升高与越来越多的涉及图像视频的语义理解任务,无疑对通信、计算和缓存资源造成了极大的压力。为更好地满足视频语义理解任务的资源需求,缓解资源紧缺现象,研究了语义通信中基于深度双Q网络的多维资源联合分配算法。首先,基于车联网场景,改进了现有的联合资源分配算法,引入缓存资源构建了新的面向语义的多维资源联合分配模型;其次,针对其动态时变的特性,搭建了深度双Q网络求解最优资源分配策略;最后,仿真验证了所提多维资源联合分配算法的性能优势。     

一种融合噪声网络的深度强化学习通信干扰资源分配算法

针对传统干扰资源分配算法在处理非线性组合优化问题时需要较完备的先验信息,同时决策维度小,无法满足现代通信对抗要求的问题,该文提出一种融合噪声网络的深度强化学习通信干扰资源分配算法(FNNDRL)。借鉴噪声网络的思想,该算法设计了孪生噪声评估网络,在避免Q值高估的基础上,通过提升评估网络的随机性,保证了训练过程的探索性;基于概率熵的物理意义,设计了基于策略分布熵改进的策略网络损失函数,在最大化累计奖励的同时最大化策略分布熵,避免策略优化过程中收敛到局部最优。仿真结果表明,该算法在解决干扰资源分配问题时优于所对比的平均分配和强化学习方法,同时算法稳定性较高,对高维决策空间适应性强。     

基于改进DQN强化学习算法的弹性光网络资源分配研究

针对光网络资源分配中频谱资源利用率不高的问题,提出了一种改进的深度Q网络（DQN）强化学习算法。该算法基于ε-greedy策略,根据动作价值函数和状态价值函数的差异来设定损失函数,并不断调整ε值,以改变代理的探索率。通过这种方式,实现了最优的动作值函数,并较好地解决了路由与频谱分配问题。此外,采用了不同的经验池取样方法,以提高迭代训练的收敛速度。仿真结果表明：改进DQN强化学习算法不仅能够使弹性光网络训练模型快速收敛,当业务量为300 Er l ang时,比DQN算法频谱资源利用率提高了10.09%,阻塞率降低了12.41%,平均访问时延减少了1.27 ms。     

基于并行CNN的RIS辅助D2D保密通信系统资源分配算法

为满足智能信号处理和物理层安全需求,针对频谱资源紧缺问题,提出了一种智能超表面辅助设备到设备(D2D)通信的资源分配算法.D2D用户通过复用蜂窝用户频谱资源实现通信,考虑D2D传输速率、基站发射功率和RIS发射相移约束,构建了用户保密速率最大化问题.为了解决该非线性规划问题,提出了一种并行卷积神经网络算法,以得到最佳资...     

一种采用联邦深度强化学习的车联网资源分配方法

在车联网中,为了充分利用可用资源,车到车(Vehicle to Vehicle,V2V)链路需要动态地复用固定分配给车到基础设施(Vehicle to Infrastructure,V2I)链路的信道。传统的集中式信道资源分配方法会产生较大的通信开销,也难以适应转瞬即逝的车辆环境。为此,提出了一种基于分布式联邦深度强化学习(Federated Deep Reinforcement Learning,FDRL)的信道资源分配方法。首先,所有V2V智能体基于局部观察的环境信息独立地训练自己的模型,但彼此间保持相同的奖励以激励它们相互协作进而达成全局最优方案;然后,这些V2V智能体通过基站的帮助聚合部分模型参数,以增加接入公平性并加快模型学习效率。通过上述两阶段的迭代训练,每个V2V智能体训练出独特的决斗深度神经网络信道接入决策模型。仿真结果表明,所提出的FDRL方法与现有的优化方法相比具有更高的V2I链路总容量和V2V链路传输成功率。     

面向5G网络的通信和计算资源分配算法研究

现代技术更新递进,从2G到如今的5G只是稍纵即逝。在面向5G网络时代,一方面要跟紧他的脚步不让自己落后,另外一方面也要知道5G网络的通信和计算资源分配算法。5G网络是时代发展的趋势,对于移动通信来说移动云计算是重要的一项技术,要想要掌握移动云这项技术就需要知道它主要途径是通过任务卸载机制将移动终端产生的运算密集型产业进行迁移到丰富资源的云端进行处理。     

5G移动网络下通信资源分配算法

传统的通信资源分配方法具有局限性,在当前5G移动网络条件下,通信过程中的信息传输速率不能满足通信频谱的资源利用率要求,为此,文章提出5G移动网络下通信资源分配算法。在研究边缘网络的基础上,建立5G移动网络的边缘计算模型,将数据传输端进行分层处理,包括计算云层、边缘层以及终端层三个层级,拉近云计算服务器与用户个体之间的数据传输距离。根据模型建立边缘计算的资源分配框架,计算无线链路的数据传输速率,避免陷入局部最优解。同时,将终端层用户进行分簇处理,避免数据传输过程中的同频干扰,提升资源分配效率。在此基础上,基于A3A算法构建簇间的通信资源分配模型,并使用最优化理论对所建立的资源分配算法模型进行优化,实现5G移动网络下通信资源分配算法设计。最后,通过实验对比传统D2D算法与设计的分配算法,结果表明,该算法能够适应5G移动网络环境,保证通信服务过程中信息传输速率的稳定,能够实现通信资源的高效分配。     

基于多智能体深度强化学习的D2D通信资源联合分配方法

设备对设备(D2D)通信作为一种短距离通信技术,能够极大地减轻蜂窝基站的负载压力和提高频谱利用率。然而将D2D直接部署在授权频段或者免授权频段必然导致与现有用户的严重干扰。当前联合部署在授权和免授权频段的D2D通信的资源分配通常被建模为混合整数非线性约束的组合优化问题,传统优化方法难以解决。针对这个挑战性问题,该文提出一种基于多智能体深度强化学习的D2D通信资源联合分配方法。在该算法中,将蜂窝网络中的每个D2D发射端作为智能体,智能体能够通过深度强化学习方法智能地选择接入免授权信道或者最优的授权信道并发射功率。通过选择使用免授权信道的D2D对(基于“先听后说”机制)向蜂窝基站的信息反馈,蜂窝基站能够在非协作的情况下获得WiFi网络吞吐量信息,使得算法能够在异构环境中执行并能够确保WiFi用户的QoS。与多智能体深度Q网络(MADQN)、多智能体Q学习(MAQL)和随机算法相比,所提算法在保证WiFi用户和蜂窝用户的QoS的情况下能够获得最大的吞吐量。     

探讨核电站设备无线监测路由与通信资源分配算法

在核电站生产运行的过程中为了保证安全性,就需要对核电设备运行的状态进行监控。想要使路由与通信资源的分配问题得到较好的解决,就需要对工业无线技术进行分析以及参考,在核电站设备的基础上提出无线监测路由与通信资源分配算法,针对核电站设备中无线监测的实际情况,对频段的时槽分配机制以及改进的路由进行采用。文章通过对核电站应用背景的分析,针对核电站设备无线监测路由与通信资源分配算法提出几点参考意见。     

LTE-A网络中D2D通信的资源分配算法研究

该文研究了D2D通信使用LTE-A网络上行链路的资源分配问题。首先将问题建模为混合整数非线性规划问题(MINLP),其次根据待接入用户对各信道的青睐程度计算特征值列表并形成相应联盟。在保证各用户服务质量(QoS)的情况下,利用最大加权二部图匹配(MWBM)方法为待接入网络用户寻找合适的资源及复用的组合。仿真结果表明,该算法打破了D2D用户在数据传输过程中一直处于专用或者复用模式的束缚,扩大了D2D用户对可选用的资源范围,与现有算法相比,可有效提高系统的总速率。     

基于车车通信的路况信息采集算法的研究

为了及时准确地获取道路交通的路况信息,改进了基于车车通信方式的交通信息采集算法,采用广播通信方式,避免了周期性广播带来的网络堵塞问题,提出了基于车车通信方式的交通信息采集系统的工作方式及其工作流程。同时在NS2网络仿真器上进行了仿真模拟及相应的算法验证,通过与单播通信方式的比较,验证了广播方式下该交通信息采集算法的准确性。     

蜂窝车联网中基于服务异构性的V2V通信资源分配算法研究

在支持车与车直接通信(V2V)的蜂窝网络场景下,针对密集环境下复用车与设备(V2I)上行链路的资源分配问题,在V2V的干扰下,利用移动链路的信道状态信息(CSI)的慢衰落统计,联合通信可靠性、功率控制,建立最大化V2I信道容量的优化模型以满足车辆网络服务的异构性的需求。基于此,该文提出一种基于超图理论和遗传算法的资源分配算法。仿真结果表明,该算法在保证V2V通信可靠性的前提下,提高了V2I的信道容量。     

基于不完美CSI的D2D通信网络鲁棒能效资源分配算法

针对设备到设备(D2D)直连通信网络传统最优资源分配算法在随机信道时延、信道估计误差影响下鲁棒性弱的问题,该文在考虑参数不确定性影响的条件下,提出D2D用户总能效最大的鲁棒资源分配算法.考虑干扰功率门限、用户最小速率需求、最大传输功率和子信道分配约束,建立了下垫式频谱共享模式下多用户D2D网络资源分配模型.基于有界信道不确定性模型,利用最坏准则方法将原非凸鲁棒资源分配问题转换为确定性的凸优化问题.然后利用拉格朗日对偶理论求得资源分配的解析解.仿真结果表明所提出的算法具有很好的鲁棒性.