超密集网络中基于小区分簇的资源分配

针对超密集网络中毫微微小区(Femtocell)之间同层干扰以及毫微微小区与宏小区(Macrocell)之间跨层干扰问题,提出了一种基于小区动态分簇的资源分配算法。该算法分为两步:第一步首先采用了基于速率公平性的子信道分配算法为宏用户分配子信道,接着利用注水算法分配功率;第二步首先根据毫微微小区之间的干扰权值大小,利用遗传模拟退火算法为FAPs分簇,其次利用启发式信道分配算法为FUEs分配子信道,采用KKT条件为用户分配功率。仿真表明,该算法能够有效抑制这两种干扰,满足用户速率需求,提升网络频谱效率。     

超密集网络中小小区分簇和子载波分配算法

超密集网络中,严重的小区间干扰制约了终端用户尤其是边缘用户的数据速率。有效地对干扰进行管理、提升边缘用户的数据速率是超密集网络中的研究难点。在超密集网络架构的基础上,提出一种基于图论的不完全染色算法,对网络架构中的基站划分簇,同簇内的不同基站共享频带资源。同时,提出一种子载波分配算法,优先为边缘用户分配信道增益较优的子载波。通过仿真表明,不完全染色算法能够有效地减小小区间干扰,提升系统吞吐量,子载波分配算法在不影响系统吞吐量的基础上能够优化边缘用户的吞吐量。     

超密集网络中子信道和功率分配研究

超密集网络中,严重的小区间干扰制约了终端用户的数据速率,针对该问题,提出一种基于簇优先级的资源分配方案。该方案分为3个步骤:首先,采用基于图论的染色算法为毫微微接入点(Femtocell Access Points,FAPs)分簇;然后,以簇内每个毫微微用户(Femtocell User Equipments,FUEs)的待发送数据量、排队等待时延以及受干扰强度等作为优先级,计算每个簇的优先级,高优先级的簇可最先获得信道增益好的子信道;最后,利用卡罗需-库恩-塔克(Karush-Kuhn-Tucker,KKT)条件和注水算法为FUEs分配功率。仿真实验表明该方案能够有效地减小Femtocell间的干扰,并能够极大地满足用户的需求,同时提升系统的吞吐量和频谱效率。     

干扰车载网络中增强连通性的资源分配算法

随着车载网络中各种业务的飞速增长,网络密集程度不断增加,因此,愈发严重的干扰问题对网络的连通性构成了很大的挑战。已有研究中网络的连通性仅由信号强度或车辆之间的距离确定,而没有考虑资源分配引起的干扰对网络连通性的影响。针对这个问题,为了表征网络中资源与干扰对连通性的影响,使用图论对网络连通性进行了建模,定义了与资源分配相关的连通性度量指标;利用染色理论对能够保证网络连通性的所需资源数目的最小值进行了分析;提出了一种基于最小生成树的资源分配算法,以改善网络的连通性。仿真结果证实了相比其他算法,该算法能够提高车载网络的连通性。     

基于图着色的密集D2D网络资源分配算法

蜂窝设备到设备(D2D)网络通过D2D用户与蜂窝用户的上行链路复用,可大幅提高网络的频谱效率,但当D2D用户数大于蜂窝用户数时,即在D2D密集部署场景下,传统的资源复用算法不能满足D2D用户的频谱资源需求。针对该问题,提出基于图着色理论的D2D网络干扰协调频谱资源分配算法,可实现信道资源在多个D2D用户对间的多重复用,从而提升网络负载能力,改善网络吞吐量。在此基础上,给出一种改进的资源分配算法,以提高D2D用户的公平性。仿真结果表明,该算法在降低D2D用户获取信道资源"饥饿"概率的同时,能够提升网络信道资源的空间复用率及系统吞吐量。     

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。     

基于博弈资源分配的认知异构网络干扰协调算法

基于underlay频谱共享模式的认知异构网络可有效缓解频谱资源短缺问题,但同时会加剧网络中的干扰。针对该问题,提出了一种基于非合作博弈模型的动态频谱分配和功率控制算法进行干扰协调。首先,考虑频谱共享造成的干扰问题,引入认知用户优先等级,将问题构建为联合动态频谱分配与功率控制的频谱定价博弈模型;其次,通过两阶段动态博弈得到纳什均衡解,实现认知网络层频谱资源合理分配和发射功率控制。仿真表明,所提算法能够实现不同优先级用户频谱资源的合理分配和认知基站发射功率控制,有效抑制认知异构网络的跨层干扰和层内干扰。     

基于DQN的超密集网络能效资源管理

小基站的密集随机部署会产生严重干扰和较高能耗问题,为降低网络干扰、保证用户网络服务质量(QoS)并提高网络能效,构建一种基于深度强化学习(DRL)的资源分配和功率控制联合优化框架.综合考虑超密集异构网络中的同层干扰和跨层干扰,提出对频谱与功率资源联合控制能效以及用户QoS的联合优化问题.针对该联合优化问题的NP-Har...     

LTE-A中继网络中基于小区间干扰协调的分布式资源分配

针对LTE-A(long term evolution-advanced)中继系统存在的干扰问题, 提出一种基于小区间干扰协调(inter cell interference coordination, ICIC)的资源分配算法。该算法利用LTE-A网络里各个小区基站之间的交互信息, 得到邻小区资源块(resource block, RB)的使用状况, 将空闲率最大的资源块分配给信道增益最大的用户, 从而在满足用户业务需求的前提下提高小区吞吐量。仿真结果表明, 该算法优于传统的SSA(separate and sequential allocation)算法, 系统整体性能得到提升。     

基于遗传算法的网络资源配置优化

随着新一代网络的结构复杂化和应用多样化,如何进一步提高实时业务的服务质量,是急需解决的重要问题之一,而合理配置和优化网络资源是解决该问题的有效方法。针对多业务网络,提出一种以网络资源均衡度为目标、QoS为约束的优化模型;应用改进的遗传算法实现带宽和节点缓冲区资源的优化配置,以实现网络流量分布均衡,从而提高网络性能。通过分析遗传算法种群适应度的变化趋势,给出一种基于种群稳定性系数阈值的迭代终止方法,以提高算法收敛效率。通过实验验证了以上方法的有效性。     

一种基于蜂窝网络的D2D通信资源分配算法

设备直连（Device-to-device,D2D）通信用户通过复用蜂窝用户的频谱资源可提高频谱利用率和系统的整体通信容量,但复用蜂窝网络频谱资源会带来严重的干扰,影响整体通信质量。针对干扰问题,本文通过建立通信系统模型,研究系统的线性规划问题以及相应的最佳资源分配算法。考虑到最佳算法复杂度较高,本文提出一种启发式算法来分配通信资源,通过遍历D2D对用户与蜂窝用户之间的干扰矩阵找到最小干扰值,分配复用资源给相应的蜂窝用户和D2D对用户。在蜂窝用户都分配到通信资源之后,对D2D对用户进行专用通信资源分配。仿真结果表明,该算法在降低算法复杂度的基础上显著地减小了D2D对用户对蜂窝用户的干扰,能够最大程度地增加D2D对用户的数量。     

基于网络图的资源分配问题的算法研究及实现

图论是应用十分广泛的运筹学分支，用网络图来解决资源分配的问题不仅可以简化求解过程而且丰富了求解方法。在深入分析Dikstra算法的基础上，实现了基于网络图的资源分配问题的求解和图形表示，     

基于网络图的资源分配问题的算法研究及实现

图论是应用十分广泛的运筹学分支,用网络图来解决资源分配的问题不仅可以简化求解过程而且丰富了求解方法。在深入分析Dijkstra算法的基础上,实现了基于网络图的资源分配问题的求解和图形表示。     

异构网络多网共存环境中网络资源分配技术的研究

现代社会经济的快速发展促使我国无线通信技术领域的技术不断进步,无线资源以及业务服务发展之间的矛盾也在这个过程中进一步加剧。多种类型的接入技术发展形成了异构网络环境,基于此形成的多网覆盖网络选择以及资源利用效率等研究逐步形成。异构网络中多网共存环境下的资源分配技术是当前阶段最重要的技术类型。 异构网络中主要存在集中、分布以及混合结构类型模式。分布式模式作为其中一种应用性、适应性较强的模式,得到了较广泛的应用。因为多RATs覆盖条件下的属性信息本身具有较为复杂的特征,侧重从模糊逻辑视角形成了将用户作为中心内容的网络选择算法,并通过这种方式进行拓展,建立网络资源分配技术研究。     

OFDMA 协同网络中基于QoS 保证的资源分配算法

针对正交频分多址(OFDMA)协作通信系统,为了解决数据传输速率最大化并提供尽力而为业务与实时业务的服务质量(QoS)保证问题,提出新型资源分配算法.通过以总功率受限为约束条件,定义基于数据速率、时延和丢包率的效用函数,并以在协作传输中以最大化效用函数为目标进行中继选择和子载波分配.通过中继和用户上的子载波和功率分配方案的设计,从而最大化网络数据传输速率并最小化时延与丢包率,为多种业务提供服务质量保证.采用最优化理论与方法求解效用函数,得到了资源分配结果.仿真结果验证了算法收敛,并给出功率分配结果,以及网络吞吐量和时延性能指标情况,验证了算法的有效性.     

具有用户体验保障的资源优化分配算法

在研究智能电视用户体验质量(Quality of Experience,QoE)量化的基础上,提出一种具有用户体验保障的资源分配模型,并针对该模型提出两种资源分配算法:RA_BAT算法和RA_GHEU算法.实验结果表明,基于回溯法的RA_BAT能够求得问题的最优解,可作为算法比较的参照系,而启发式算法RA_GHEU可在极短的运行时间内求出接近于最优的解,适合用于智能电视资源分配的实时处理.