自组网中基于自适应波束天线的拓扑控制算法

定向天线自组网拓扑的构建问题比全向天线网络复杂.基于自适应波束定向天线模型提出一种分布式拓扑控制算法,通过调整节点发射功率,改变天线波束的朝向、宽度和增益来构建拓扑.网络中每个节点收集其邻居节点信息,采用功率控制调度策略选择最优相邻节点,并选取覆盖所有最优相邻节点的最小发射功率为此节点的发射功率.算法在保证网络连通性与无向性的同时,降低了节点的发射功率,减小了节点的平均度数,从而降低节点能耗,减少了节点间干扰,提高了网络吞吐量.仿真结果表明,算法显著提高了网络性能.     

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。     

自适应波束天线自组网拓扑控制算法

定向天线能显著提高无线系统的性能和容量,但采用定向天线的自组网拓扑构建问题比全向天线网络复杂。拓扑控制是一种保证网络连通和性能优化的有效手段。基于自适应波束定向天线模型提出一种拓扑控制算法,确定天线的主波束朝向,调整节点的发射功率构建拓扑。算法在保证网络连通的基础上,利用主波束的高增益,降低了节点的发射功率,从而降低节点能耗;同时利用定向天线方向性强的特点,减少了节点间干扰,提高了网络吞吐量。仿真结果表明,算法显著提高了网络性能。     

基于天线分组的高铁大规模多输入多输出自适应波束赋形方案

针对高铁大规模多输入多输出（MIMO）系统的吞吐量未被充分提升的问题，提出一种基于天线分组的自适应波束传输方案。首先利用基站（BS）预知的列车位置信息，并将波束赋形技术引入高速场景，建立高铁大规模MIMO的三维模型；其次验证BS天线分组情况下，子波束的吞吐量与其对应的发射天线数满足非线性关系，且子波束天线数变化并未对其他波束的吞吐量产生影响。基于此，以天线分组的自适应波束赋形方案对列车运行至不同位置的波束数和子波束所需的发射天线数进行调整，保证不同位置的最优系统吞吐量。计算机仿真表明，该方案与传统的单波束、双波束、八波束相比，在列车距基站125 m范围内分别实现了系统吞吐量87.9%、62.3%、50.6%的提升，在125 m之外与单波束赋形的系统吞吐量相近。实验结果表明，所提方案无论列车距BS较近或较远时，系统吞吐量均处于最佳水平，更好地适应高速铁路环境。     

FD Massive MIMO协作多点传输场景下提升系统频谱效率的算法研究

近年来,随着智能终端数量的增长与第五代移动通信技术的发展,移动通信系统对系统频谱效率以及数据吞吐量的需求越来越高。因此,如何能提升未来无线移动通信系统频谱效率成为了5G研究的重点方向。在第五代无线移动通信新空口技术(5G NR)研究进程中,协作多点传输技术(CoMP)通过其多个传输点的联合传输,降低小区间干扰(Inter-cell Interference),从而提升小区边缘用户的覆盖性能,实现了网络容量以及频谱效率的大幅提升。另一方面,全维度大规模多输入多输出技术(FD Massive MIMO)充分运用了FD MIMO的维度资源、波束赋形以及角度调整技术以及Massive MIMO的大规模的天线跟波束资源,进一步实现了网络频谱效率的提升。本文在FDMassiveMIMO协作多点传输场景下深入研究了提升系统频谱效率的算法,通过对比分析总结出一种有效提升频谱效率并同时实现干扰协调的算法。最后,给出了系统级仿真结果并证明了该算法在提升系统频谱效率方面的优越性能。     

异构网中联合载波选择和波束形成的小区选择算法研究

为提高异构网系统容量和热点覆盖,引入了微微小区,但选择微微小区的用户数量很少,且层间干扰异常复杂,微微小区的平均吞吐量和边缘用户性能无法提高。为此,在载波聚合条件下提出一种联合成员载波选择、波束形成的小区选择新算法。通过将该算法与参考算法仿真对比,得出此方案能够协调宏小区与微微小区之间的干扰,进而提高微微小区的平均吞吐量和边缘用户性能,使整个系统的吞吐量得到很大的提高。     

抗干扰自组网路由中定向波束的调度及性能研究

介绍了一种基于位置信息对定向天线传输方向进行控制与调整的调度策略. 在低算法复杂度的基础上, 利用波束集中特性, 改善了分组递交率、吞吐量、时延以及开销等性能, 提升了自组织网络的抗干扰能力. 仿真结果验证了该调度机制的有效性, 同时表明, 不同的路由协议由此所获得的性能改善存在较大的差异.     

感知无线电网络中的联合波束成形与调度算法

感知无线电作为提高频谱使用效率的有效手段而得到研究人员的广泛关注,成为当前无线通信领域研究的热点.基于子空间理论,文中针对感知网络提出了一种能够最大程度地保持用户间正交性、抑制用户间干扰的低复杂度调度算法.在该调度算法的基础上,通过对发送波束成形、调度以及功率分配的联合优化,提出了一套完整的感知网络下行链路解决方案.仿真结果表明,所提出的方案能够在保证对主用户的干扰满足要求的前提下,使感知网络达到较大的吞吐量.同时,该算法还具有良好的健壮性,即使是使用简单而非最优的等功率分配策略,也不会带来明显的性能下降.     

5G超密异构网络中联合虚拟波束形成的小区选择算法

随着移动通信技术的发展,移动用户设备呈爆炸性增长趋势,使异构网中小区密集,造成小区间严重干扰,严重影响系统吞吐量.基于5G超密异构网络结构,研究了以用户为中心,基于动态小区选择与联合优化,提出了联合虚拟波束形成的小区选择算法.仿真结果表明:该算法协调了小区间干扰和频谱效率的矛盾,提高了边缘用户的性能和小区的平均吞吐量.     

基于自适应波束天线的局部优化拓扑控制算法

拓扑控制有助于提高ad hoc网络的性能,采用定向天线的自组网拓扑控制比全向天线网络更为复杂。基于自适应波束定向天线模型提出一种局部区域优化的拓扑控制算法。该算法利用分簇的思想将网络划分为可重叠的多个区域,区域内节点采用最小生成树（MST）的思想确定邻居关系,通过调整节点发射功率,改变天线波束的朝向、宽度和增益来构建拓扑。算法减小了节点的平均度数,降低了节点的发射功率,从而降低节点能耗,减少了节点间干扰,提高了网络吞吐量,仿真结果表明,算法显著提高了网络性能。     

基于FQLC的异构密集蜂窝网络容量与覆盖联合优化

针对异构蜂窝网络下微蜂窝密集部署的不规则性,提出了一种基于强化学习的自优化控制系统,通过微蜂窝功率控制解决微蜂窝密集部署下的网络的容量与覆盖问题。将模糊逻辑与Q学习算法相结合,综合考虑网络的平均用户性能、边缘用户性能和网络环境相互影响来设计模糊逻辑与Q学习算法的联合瞬时回报奖惩值,进行网络容量与覆盖的联合自优化。仿真结果表明,该方法能实现密集化微蜂窝部署下的容量与覆盖自优化,有效提高系统平均用户吞吐量和边缘用户吞吐量。     

基于HSDPA的增强型分组调度算法研究

从系统吞吐量、用户公平性等方面分析研究了HSDPA系统中支持非实时业务的三种经典分组调度算法RR、Max C/I和PF。针对PF算法重传时延过长问题,提出了一种结合混合自动请求重传HARQ的增强分组调度算法。该算法通过提高重传分组的优先级降低重传时延,有效地避免系统资源的浪费。MATLAB仿真结果表明,该算法在降低单用户重传时延的同时,仍能保证用户间的公平性和系统的吞吐量。     

OFDMA中继系统中基于速率约束的资源调度算法

针对无线资源调度算法中系统吞吐率与用户公平性之间的矛盾,研究了OFDMA多用户多中继系统中的比例公平调度算法,并提出了基于速率约束的资源调度方案,该方案充分考虑不同用户对传输速率的最小约束,通过给不能满足速率要求的用户增加优先权,使其优先分配子信道,保证了用户的速率QoS要求。仿真结果表明,该方案在满足系统吞吐率的同时能更好地保证用户的公平性。     

多速率CDMA系统下行波束成形的联合多变量优化

下行波束成形能用来限制由于高速率数据用户引起的干扰，也能改善系统性能。另一方面，功率控制、数据速度分配也是改善无线多媒体通信频谱利用率的两种基本技术。在文章里，阐述了DS—CDMA系统中给定系统吞吐量和软的目标SIR门限值条件下，下行波束成形权值和数据速率的优化问题。基于上面的内容，给出了一种改进的IVPW算法，可以将其应用于未来的无线通信系统，为所有用户提供稳定的最大吞吐量。     

OFDMA系统的下行调度算法研究

在三扇区单频小区的正交频分多址（Orthogonal Frequency Division Multiple Access,简称OFDMA）蜂窝系统中,为了改善系统的吞吐量,提出了改进的调度算法。该算法基于用户在不同子信道的状态差异,尽量使用户在各自有利的信道上传输数据。通过计算机仿真,对其性能进行了分析和比较。结果表明,该算法可以在满足用户公平性的基础上,有效地提高系统的吞吐量。     

认知超密集网络用户关联与资源分配联合优化遗传算法

针对下行的异构认知超密集异构网络（UDN）的多维资源配置问题,提出一种以毫微微小区用户最大吞吐量为目标的联合优化用户关联和资源分配的改进遗传算法。首先,在算法开始之前进行预处理,初始化用户可达基站和可用信道矩阵;其次,采用符号编码,将用户与基站以及用户与信道的匹配关系编码为一个二维的染色体;然后,将动态择优复制+轮盘赌作为选择算法,以加快种群的收敛;最后,为避免算法陷入局部最优,在变异阶段加入早熟判决的变异算子,从而在有限次迭代下求得基站、用户、信道的连接策略。实验结果表明,在基站与信道数量一定时,所提算法与三维匹配的遗传算法相比在用户总吞吐量方面提高了7.2%,在认知用户吞吐量方面提高了1.2%,且计算复杂度更低。所提算法缩小了可行解的搜索空间,能在较低复杂度下有效提高认知UDN的总吞吐量。     

有缓冲的认知无线电系统的接入控制算法

采用连续时间马尔科夫链对有缓冲机制的认知系统进行建模和分析,针对过多的认知用户接入会导致业务中断的特点,设计算法控制认知用户的接入概率,在满足用户中断概率限制的前提下最大化系统容量。仿真结果表明,在使用该算法的系统中,用户的接入概率与系统吞吐量随中断概率限制的增大而增大,中断概率限制下的最大接入概率即为最大化系统容量的接入概率,用户中断概率限制的满足是以牺牲系统吞吐量为代价的。同时,引入缓冲机制能够提高用户的接入概率和系统容量。     

基于OFDMA系统的改进型功率分配贪婪算法研究

通过考虑功率分配中OFDMA系统的吞吐量与用户间公平性能的平衡问题,在公平约束条件下,提出一种改进型功率分配贪婪算法.该算法根据用户请求进行子载波的预分配,可以有效地实现每个用户具体的比特分配和功率分配.仿真结果表明,该算法的吞吐量逼近于迭代注水功率分配算法,可以在OFDMA系统的吞吐量与用户间的公平性能之间寻求到一个理想的平衡点.     

基于Q-learning的机会频谱接入信道选择算法

针对未知环境下机会频谱接入的信道选择问题进行研究。将智能控制中的Q-learning理论应用于信道选择问题, 建立次用户信道选择模型, 提出了一种基于Q-learning的信道选择算法。该算法通过不断与环境进行交互和学习, 引导次用户尽量选择累积回报最大的信道, 最大化次用户吞吐量。引入Boltzmann学习规则在信道探索与利用之间获得折中。仿真结果表明, 与随机选择算法相比, 该算法在不需要信道环境先验知识或预测模型下, 能够自适应地选择可用性较好的信道, 有效提高次用户吞吐量, 且收敛速度较快。     

Joint beamforming and scheduling in the downlink of cognitive radio networks

Cognitive radio has been recently proposed as a promising technology to improve the spectrum utilization. In this paper, we consider a system where a licensed radio spectrum is shared by a primary network and a secondary network. Based on the subspace theory, a novel low-complexity algorithm for secondary user selection has been proposed. On the basis of the scheduling scheme, we jointly consider transmit beamforming, scheduling and power allocation, and subsequently present a complete set of solution for secondary network downlink. Simulation results has shown that our proposed scheme not only can limit the introduced interference at primary users within the tolerable range, but also can achieve high sum-rate throughput of secondary network, simultaneously. Furthermore, as is proved by simulation results, our scheme is very robust due to the fact that only a little tolerable performance drop is introduced when simple but nonoptimal equal power allocation is adopted.