柔性双工网络中基于图神经网络的能源效率联合优化方法

在绿色通信和双碳目标的背景下,提升网络能源效率(energy efficiency,EE)是当前无线通信系统设计和可靠运行的 关键技术之一。首先,针对柔性双工网络(flexible duplex networks,Flex-Net)的“和能源效率”最大化的问题,构建了一个具 有成对固定通信链路的网络;接着,鉴于图神经网络在通信网络资源优化中的优势,提出了一种新的基于图神经网络(GNN) 架构的柔性双工网络(GFlex-Net), 以联合优化“通信方向”和“传输功率”,达到网络能效最大化。仿真结果表明,与传统的算 法相比,所提出的架构有近乎最优的性能表现,达到穷举法性能的95%,但保持了较低的计算复杂度O(n²), 同时算法揭示了 GNN 在资源优化中面对样本复杂性、可扩展性和泛化能力方面的优势。     

柔性双工网络功率分配:边剪枝加速的GNN计算

由于用户间干扰的存在,无线通信网络中的功率分配问题往往是非凸的、计算量巨大。当前图神经网络(graph neural network, GNN)成为一种有效的计算方法被用来解决该问题。为了最大限度地提高网络传输速率的同时降低计算复杂度,提出一种将设备属性和通信连接属性纳入GNN的柔性双工网络图表示方法,并构建了相应的柔性双工图神经网络(flexible duplex GNN, FD-GNN)模型,首次将节点对之间的距离、信道增益和邻居作为动态阈值引入到FD-GNN中,以适应动态环境。排除GNN中邻居的信道状态信息,通过修剪FD-GNN中的边来减少计算时间降低网络时间复杂度。仿真表明,所提出的基于信道增益邻居的阈值设定方法,性能最优且达到加权最小均方误差（weighted minimum mean square error,WMMSE）的97%,相较于Full-GNN所需的训练时间下降24%。提出的基于阈值的边剪枝有效降低了GNN运算的时间复杂度,提高了算法有效性。