基于量子布谷鸟搜索的认知无线网络频谱分配

为了有效解决认知无线网络频谱分配的离散优化问题,将量子计算引入布谷鸟搜索算法,提出了一种新的组合优化算法——量子布谷鸟搜索算法。该算法使用量子鸟窝表征问题的多维解,通过Lévy flights随机游动方式和量子突变策略快速搜索到全局最优位置。通过使用基准函数验证了算法的高效性,并提出了一种基于量子布谷鸟搜索的认知无线网络频谱分配方法。然后与经典频谱分配算法在不同的网络效益函数下进行仿真性能比较。结果表明,所提出的频谱分配方法能够较快找到全局最优解,并且在不同网络效益函数下均优于已有的经典频谱分配算法。     

一种面向系统公平性的频谱资源分配方法

针对认知无线网络频谱分配过程中公平性和全局优化问题,提出了一种面向网络系统公平的频谱分配方法,以系统公平性为目标函数,基于认知无线网络的特性及改进的量子遗传算法,将频谱分配模型中的分配矩阵与改进量子遗传算法中的可行解相对应,在保证系统公平性的同时,避免了局部最优现象的出现。仿真结果表明,该算法能更好地实现网络效益最大化和系统公平性。     

基于多目标禁忌搜索算法的认知无线电频谱分配

针对认知无线电动态频谱分配问题,建立图着色频谱分配模型,将模型中的分配矩阵和禁忌搜索算法中的可行解相对应,提出基于禁忌搜索的智能求解算法。同时将高斯柯西算子引入到禁忌搜索的更新策略当中,改善了算法的收敛速度和爬坡能力。在最大化认知无线电网络效益和最大化公平效益准则下建立多目标评价函数,将禁忌搜索算法和粒子群算法在图着色频谱分配模型基础上进行性能比较,结果表明在不同权重的评价函数下,禁忌搜索算法找到的理想最优解都要优于粒子群算法。     

一种公平的多天线多小区联合调度算法

为了能够以较小的实现复杂度有效减少多天线蜂窝系统中的小区间干扰,同时保证系统中的用户公平性,提出一种新的多小区联合调度算法,提出的算法的复杂度远远低于最优多小区联合调度算法。该算法将系统分簇并在每个簇内按一定比例选择部分平均速率较低的用户,之后在簇内按照给定的优化目标进行联合调度。仿真结果表明：与单小区调度算法相比,提出的多小区联合调度算法可以显著增加系统平均速率,而且可以取得与单小区调度算法类似的用户公平性。     

基于鲶鱼粒子群优化算法的认知无线电频谱分配

目前亟待解决如何获得认知无线电系统效益最大化问题,而求解最优频谱分配方法是一项关键技术,针对传统粒子群(PSO)算法收敛速度慢、易陷入局部最优解等缺陷,提出一种基于鲶鱼粒子群算法(CE-PSO)的认知无线电频谱分配方法。首先建立认知无线电频谱分配优化的数学模型,然后以用户取得的效益最大化为优化目标,引入"鲶鱼效应",保持粒子群的多样性,通过粒子间信息交流找到空闲频谱最优分配方案,最后采用仿真实验测试CE-PSO算法的有效性。结果表明,CE-PSO算法克服了PSO算法的缺陷,可以快速、准确地寻找到最优频谱分配方案,更好地实现系统效益的最大化,可以满足认知无线电系统的应用需求。     

基于改进布谷鸟搜索算法的图像分割

针对布谷鸟搜索算法在应用其进行图像分割时计算量大、易陷入局部极小值解、收敛速度慢的问题。文中采用一种基于改进布谷鸟搜索算法的多阈值图像分割算法。该算法以Ostu算法设计自适应度函数,将布谷鸟搜索算法和K均值算法融合,增加种群的多样性,且能自适应地确定阈值个数及其范围,并找到待分割图像的最优阈值。实验结果表明,与K均值算法和布谷鸟搜索算法相比,该算法找到的阈值质量更佳,图像分割结果更好。     

面向船联网的NOMA系统用户公平性研究

非正交多址技术(Non-orthogonal Multiple Access, NOMA)有助于提升船联网的连接数量和频谱效率。通过研究公平性约束下船联网NOMA系统的能量效率优化问题,设计基于速率方差的用户公平性因子,并提出了一种公平性约束下NOMA系统的能量效率优化策略。首先,假设基站到各个簇的发射功率相同且簇内用户数固定,以最大化能量效率作为用户分簇的目标,利用遗传算法对用户分簇方案进行优化;其次,在满足最小公平因子的条件下对簇内用户间的功率分配进行优化。仿真结果表明该优化策略能提高能量效率且用户公平性得到了保证。     

超密集网络中基于BCD的联合频谱资源优化方法

针对超密集网络(ultra dense network, UDN)中基站密集部署导致的严重层间干扰问题,构建了考虑频谱复用和共信道干扰条件下最大化系统总吞吐量问题模型,提出了一种基于块坐标下降(block coordinate descent, BCD)法的联合频谱资源优化(joint resource optimization based on BCD, JROBB)方法。该方法将原问题分解为分簇、子信道分配和功率分配三个子问题,通过BCD法迭代优化子信道分配和功率分配,逼近原问题的最优解。仿真分析表明,在复杂度提升有限的情况下,系统总吞吐量比现有典型算法平均至少提升22%,可以有效提升频谱利用率。     

宏微协同组网下基于小区分簇的联合传输与无线资源分配

针对宏微协同组网下小区间无线资源管理问题,文章提出一种大规模多入多出系统下基于微小区分簇的联合传输和动态频谱分配策略,该策略分两步执行以优化网络加权和速率.首先,所提算法根据各用户当前的信道状态执行微小区分簇,以尽可能地降低小区间干扰,提升系统容量.接着,宏基站和各微小区簇根据所服务用户当前的业务请求信息分别为其动态分配子载波,以最大化网络加权和速率,并提升资源利用率.仿真结果显示,该文提出的微小区分簇和动态频谱分配策略能在尽可能降低宏微协同组网中用户间干扰的同时,有效地提升系统吞吐量.     

基于混沌量子蜂群算法的认知无线电频谱分配

在图论着色模型的基础上,提出了一种基于混沌量子蜂群算法的认知无线电频谱分配方法.该算法基于人工蜂群理论,结合量子计算的高效性和混沌初始化的遍历性来实现频谱分配的优化问题.通过实验仿真比较了此算法与颜色敏感度图论算法、量子遗传算法、量子蜂群算法的性能,结果表明该算法具有更好的收敛性和网络效益.     

OFDMA系统基于QoS保证和最大最小公平性准则下的动态资源分配

正交频分多址(OFDMA)技术以其更高的频谱效率和抗多径衰落特性成为高速无线通信网络的候选标准。兼顾效率和公平性是OFDMA系统资源分配亟待解决的问题。本文研究了OFDMA系统中的无线资源分配问题,既要保证QoS用户的最小速率要求,同时“尽力而为”用户之间必须满足最小速率最大化公平性(max-min fairness)准则;该资源分配问题可以表述为一个系统总功率约束下的子载波分配和功率控制的混合离散型优化模型,这是难解的NP-hard问题,穷举搜索的代价是极其巨大的。针对该非凸模型,本文设计一个拉格朗日松弛的优化算法,该算法中采用修正的椭球算法求解对偶问题。算法具有多项式时间复杂度,且与子载波数目呈线性增长关系。仿真结果表明,该算法能近似最优地满足用户QoS及最大最小公平性要求。      

Adaptive subcarrier and bit allocation based on ant colony optimization

The problem of resource allocation in multiuser orthogonal frequency division multiplexing (OFDM) system is a combinatorial optimization problem, difficult to obtain optimal solutions in polynomial time. For the sake of reducing complexity, it can be solved either by relaxing constraints and making use of linear algorithms or by metaheuristic methods. In this paper, an algorithm based on ant colony optimization (ACO), which is a typical algorithm of metaheuristic methods, is proposed for the problem, utilizing excellent search performance of ACO to obtain good solutions. In addition, a parameter is applied to balance the efficiency and fairness of resource allocation. Performance analysis between algorithms based on ACO and genetic algorithm (GA) is carried out, indicating that the proposed algorithm based on ACO outperforms traditional linear algorithms as well as GA in the system throughput with assurance of fairness simultaneously, being as a promising technology for OFDM resource allocation.     

OFDMA系统中基于多目标优化的无线资源分配算法

本文提出了OFDMA系统中基于多目标优化的无线资源分配算法.针对不同业务的QoS要求,建立多目标优化模型,并提出一种多业务分级分配算法通过确定优先级、引入合适的参数获得次优解.仿真结果表明,该算法不但能够保证不同业务的QoS要求,而且能够兼顾相同业务的用户之间的公平性.     

多目标量子编码遗传算法

如何使算法快速收敛到真正的Pareto前沿,并保持解集在前沿分布的均匀性是多目标优化算法重点研究解决的问题。该文提出一种基于量子遗传算法的多目标优化算法,利用量子遗传算法的高效全局搜索能力,在整个解空间内快速搜索多目标函数的Pareto最优解,利用量子遗传算法维持解集多样性的特点,使搜索到的Pareto最优解在前沿均匀分布。通过求解带约束的多目标函数优化问题,对该文算法的多目标优化性能进行了考察,并与NSGAII,PAES,MOPSO和Ray-Tai-Seows算法等知名多目标优化算法进行比较,结果证明了该文算法的有效性和先进性。     

接入与回传一体化小基站的接入控制与资源分配联合优化算法

针对全双工无线接入与回传一体化小基站场景下长期的频谱效率和能效同时最大化问题,该文提出一种基于近似动态规划理论的接入与回传一体化小基站接入控制与资源分配联合优化算法。该算法首先联合考虑当前基站的资源使用和功率配置情况,在任一用户需求动态到达以及平均时延、小基站回传速率和传输功率约束下,使用受限马尔科夫决策过程(CMDP)建立频谱效率最大化和功率消耗最小化的多目标优化模型,其次运用切比雪夫理论将多目标优化问题转化为单目标问题,并使用拉格朗日对偶分解法进一步转化为非受限的马尔科夫决策过程(MDP)问题。最后,为了解决其求解时存在的“维度灾”爆炸问题,该文提出基于近似动态规划的无线接入与回传一体化小基站资源动态分配算法进行求解,得到此时的接入与资源分配策略。仿真结果表明,所提算法能在保证平均时延约束、小基站回传速率约束和传输功率约束的同时最大化长期平均频谱效率和能效。     

一种新型低复杂度双层分组天线选择算法

针对平坦相关瑞利衰落信道环境下的端到端大规模MIMO系统复杂度过高的问题,提出一种基于离散布谷鸟搜索的低复杂度双层分组天线选择算法。该算法首先基于天线信道相关性对大规模天线阵列进行分组处理,进而利用新型双层算法对分组的天线集合进行优化天线选择。其中,新型双层算法的第一层是每小组天线基于离散布谷鸟搜索的内部选择,第二层是对第一层选择的所有天线利用离散布谷鸟搜索进行最终的选择。提出的新型天线选择算法可有效降低大规模MIMO系统复杂度。仿真结果验证了在平坦相关瑞利衰落信道环境下,提出的天线选择算法能够以较低选择复杂度获得接近最优选择方法的容量性能和较优的BER性能。     

OFDM系统Femtocell网络下行联合资源分配

为进一步提高家庭基站(Femtocell)网络中频谱利用率并优化功率分配,在基于正交频分复用技术(OFDM)系统网络中,提出一种子载波联合优化的多用户资源分配算法,即以最大化频谱利用率作为目标函数,加入基站选择因子对家庭基站进行待机模式选择优化,再对用户的子载波资源进行公平分配,最后利用线性封顶注水算法对小区基站用户功率进行优化分配。仿真结果表明,多用户资源分配算法不仅使频谱和功率利用率都得到显著增长,而且提高了系统吞吐量和用户公平性。该家庭基站资源寻优模型有效地改善了频谱紧缺和功率浪费现状,降低了家庭基站之间的干扰。      

协作D2D异构网络的联合资源分配和功率控制

针对下行协作D2D(Device-to-Device)异构网络中复用蜂窝用户的联合资源分配和功率控制问题,提出了一种量子珊瑚礁优化算法(Quantum Coral Reef Optimization Algorithm,QCROA).首先,构建异构网络模型并推导得到整个网络总吞吐量的数学表达式;其次,基于QCROA算法...     

Deep reinforcement learning based resource allocation algorithm in cellular networks

In order to solve multi-objective optimization problem,a resource allocation algorithm based on deep reinforcement learning in cellular networks was proposed.Firstly,deep neural network (DNN) was built to optimize the transmission rate of cellular system and to complete the forward transmission process of the algorithm.Then,the Q-learning mechanism was utilized to construct the error function,which used energy efficiency as the rewards.The gradient descent method was used to train the weights of DNN,and the reverse training process of the algorithm was completed.The simulation results show that the proposed algorithm can determine optimization extent of optimal resource allocation scheme with rapid convergence ability,it is obviously superior to the other algorithms in terms of transmission rate and system energy consumption optimization.