硬核点过程随机蜂窝网络能量效率优化研究

基于控制/用户平面分离的异构网络架构是5G中的一种重要组网方式.微基站的密集部署引发了巨大的能量消耗问题从而无法保障用户的高质量服务(quality of service,QoS).针对此问题,基于具有最小距离约束特性的硬核点过程(hard-core point process,HCPP),研究了控制/用户平面分离网络架构中能量效率的优化方法.通过联合优化网络频谱分配比、基站的密度和基站配备的天线数量,设计了最小化基站平均能耗的优化问题.由于问题是非凸的,进一步为能量效率优化问题提出了低复杂度的迭代算法,当算法迭代直至收敛可得到天线数和网络频谱分配比的最优解,最终实现基站能耗的最小化.仿真结果表明,该算法在控制/用户平面分离网络架构下有效地降低了基站的平均功耗并提升了系统能效.     

超密集异构网中基于配对理论的用户关联算法

超密集异构网络作为提升网络数据流量和用户速率的有效手段,成为5G关键技术中的一员。但超密集部署的小小区基站势必会导致系统总能耗的增加,以及用户接入公平性等问题。解决给定目标速率条件下基于能效优化的用户关联(也称为用户接入)问题。改进了原有的功耗优化模型,使之更准确地反映基站的实际发射功率和总功耗。在此基础上,利用拉格朗日对偶和二分法对关联过程中用户分配到的资源比例和基站为每个关联用户提供的发射功率进行优化和调节;同时结合配对理论,提出一种综合考虑能效和接入公平度的用户关联算法。性能仿真和对比结果表明,算法在保持良好的用户接入公平性的基础上有效提升了系统能效。     

超密集部署下绿色能源感知的用户关联算法

为了降低网络能耗,实现5G绿色蜂窝网络,考虑电力能源和绿色能源同时供电的混合能源供应的超密集异构网络模型.为了更准确地模拟密集部署下基站与用户之间的信道衰落,采用5G中的双斜率路径损耗模型对大尺度信道衰落进行建模,并在此模型下提出一种改进的基于绿色能源感知的自适应用户关联算法.该算法为基站设置优先级和权重因子,用户根据基站的优先级和权重因子自适应地调整自身的关联策略,并结合资源分配完成用户关联过程.仿真结果验证了所提算法在能耗和能效方面的优越性.     

基于异构蜂窝业务量预测的基站休眠策略

为了提高第5代(the fifth generation,5G)移动通信中异构蜂窝网络基站的频谱效率,提升用户的服务质量.提出了一种基于小波神经网络的基站休眠策略(neural network based stations sleep strategy in macro-femto heterogene-ous networks,NNSS),在神经网络预测模型中,把隐含层的传递函数用小波函数替换,并采用梯度下降算法,建立一个小波神经网络的预测模型.预测出家庭基站在一个周期内的业务量,根据预测值制定合理的基站休眠策略;同时考虑用户与基站间的中断概率,设计用户重关联算法,实现家庭基站对用户服务质量的优化.实验结果表明,基于小波神经网络的基站休眠策略在提高系统频谱效率的同时,降低了用户的中断概率.     

基于Dinkelbach算法的优化混合网络用户关联策略研究

在5G网络中,使用混合网络,引入一些低功率节点,提出基于TDMA系统的联合优化用户关联和功率控制的能效优化方案,通过优化用户关联和功率控制来提高网络能效。以系统能效最大化为目标,限制基站最大关联用户数,设计出用户关联算法。利用Dinkelbach算法优化功率控制,获得系统最大能效,并对提出的交替优化算法进行仿真验证。     

基于智能反射面的无线携能认知网络鲁棒传输设计

针对智能反射面辅助的无线携能认知网络,提出了一种基于用户非完美信道状态信息的波束成形方案,提高网络的频谱和能量收集效率。在假设用户信道误差范数有界的条件下,建立了以信息接收用户最小可达速率最大化为目标函数,以满足信息接收用户和能量接收用户需求、主用户干扰阈值和基站最大发射功率为约束条件的优化问题。针对此非凸问题,提出利用三角不等式、交替方向乘子法和交替优化的迭代算法,以较低的计算复杂度求解得到基站的有源波束成形权矢量和智能反射面的无源波束成形矩阵。最后,仿真验证了所提方案相较于随机相位方案能够有效提高系统的性能,证明了在携能认知网络中引入智能反射面的可行性和有效性。     

认知蜂窝异构网络中能效优化的资源分配算法

在认知蜂窝异构网络中,针对大规模部署认知家庭基站带来的能量消耗问题,研究了两层异构网络上行链路的资源分配算法.提出了一种基于双循环迭代的资源联合分配算法,在实时用户服务质量(quality of service,QoS)需求约束和跨层干扰约束下最大化认知系统能量效率,将分数形式的能效函数等价转换为减数形式,使优化问题近似确定为凸优化形式,并通过迭代方法求解.仿真结果表明:该算法能够快速收敛到最优能效,并保证了实时用户的QoS需求,有效提高了系统能量效率.     

多小区全双工分布式天线系统的能效资源分配

针对多小区全双工分布式天线系统(DAS),提出了高能效的资源优化分配策略。所提策略在保证用户服务质量(QoS)需求的前提下,通过联合优化上下行波束赋形因子、用户发射功率和远端天线单元(RAU)选择来最大化系统能效。首先,把优化问题重新规划为一个秩约束的半正定规划问题,通过分式规划将目标函数由分式形式转化为减法形式,引入惩罚函数来处理整数变量,采用半正定松弛,提出了一种需要解决内部优化问题的迭代资源分配算法;然后,利用层次分解和连续凸逼近,将内部非凸问题转化为一系列凸优化问题循环迭代求解。仿真结果表明,文中提出的算法可以很快收敛,并且和其他基准算法相比可以极大地提升能效。     

多用户全双工无线携能系统中的波束赋形研究

针对多用户全双工蜂窝通信系统,提出了一种基于功耗最小及能量收获最大双目标准则的联合优化方案。该方案采用迫零消除上行链路中多用户干扰,在下行链路,为了实现信息和能量的有效传递,全双工基站分别采用信息波束赋形及能量波束赋形为用户提供通信服务,在保证用户的服务质量及功率约束的同时,实现了功率效率和频谱效率的同步改善。由于功率问题为非凸问题,通过半定松弛将其转化为凸优化问题。仿真结果表明,所提方案相比传统方案能够节约大量的功率,此外全双工基站通过能量波束赋形向下行用户传递能量,有效提高了系统的功率效率。     

基于用户协作干扰的IRS辅助安全传输方案

针对协作通信网络无线信道高度开放的信息安全问题,提出一种基于智能反射面(IRS)辅助通信与用户协作干扰的下行链路物理层安全传输方案,并给出了一种基于交替迭代的保密容量最大化算法.该方案中智能反射面通过调整反射相位辅助合法用户进行通信,并且全双工用户在接收有用信号的同时发射人工噪声,从而增强系统信息安全传输.为了求解系统保密容量的非凸优化问题,利用交替迭代算法将其分解为3个子问题,分别对基站波束成形矢量、系统功率分配系数及IRS相移矩阵进行优化.在求解的过程中推导了波束成形矢量和功率分配系数的闭式解,并分别利用连续凸近似和黎曼流形优化两种算法得到了IRS的最佳相移矩阵.分析与仿真结果表明：所提出的方案能够快速收敛,且基于黎曼流形的优化算法具有更低的复杂度.与随机相位或固定功率系数的方案相比,该方案能够显著提高系统安全性能.     

H2H与M2M共存场景下无人机辅助上行用户调度方案

针对人类用户和物联网用户共存时利用无人机作为中继节点采集物联网设备数据的场景,提出了一种基于累积分布函数的上行用户调度方案。方案在以最大化全网节点能效为优化目标的上行联合用户关联和用户资源分配问题建模过程中,考虑多用户分集以及网络负载均衡;为了求解该问题,方案利用用户吞吐量独立同分布的特点,通过松弛整数变量,结合增广拉格朗日法和标准的次梯度法,将难解的非凸问题转化为凸函数,再利用交替方向乘子法对凸问题进行分解并交替迭代优化,最终实现系统能效最大化并得到最优调度方案。仿真结果表明,该方案在全网效能和负载均衡方面优于现有方案。     

无线网络下行链路时延和功率的最优控制

研究无线网络下行链路中平均功率约束下联合跨层多用户平均时延最小化问题.基站根据不同用户的信道增益和队列长度信息,动态调整发射功率和速率,以实现系统平均时延最小化.将该优化问题转化为非约束马尔可夫动态决策过程,证明了在最优策略下系统平均时延和功率具有凸关系,仿真结果表明这种关系成立.考虑到原优化问题的特性和求解的复杂度,进而将该优化问题转化为凸优化问题,并给出了实际的求解算法和仿真结果.     

移动通信网络环境下的用户运动模式挖掘

为解决移动用户运动规律获取问题,提出了一种在移动通信网络(GSM)环境下,从用户低层基站位置信息中提取出运动模式的方法.针对基站连接的振荡、重叠等问题,该方法对原始基站位置数据进行分段、窗口化、分组和聚类处理,并将原始基站位置数据表示为聚类序列.采用关联规则挖掘算法从聚类序列中提取出用户运动模式.最后,基于真实基站位置...     

基于最小化系统功率的多小区蜂窝中继波束成形研究

为了减少小区间干扰给用户通信带来的不利影响,研究了多小区通信系统协作传输技术.提出了一种联合优化多小区基站和中继波束成形权重的迭代优化策略,在用户信干噪比限制下达到了最小化系统总功率的目标.利用半正定放松技术把上述优化问题转化为半正定规划问题,从而通过内点法得到最优解.仿真结果表明,提出的多小区基站和中继波束成形权重的迭代优化策略只需要有限的几次迭代就可达到最优的性能,并给出了在性能与基站天线和中继数目之间的折中,从而利用最少的系统资源,达到降低相邻小区用户干扰,保证用户的正常通信质量的目标.     

IRS辅助的MISO-SWIPT安全速率最大化算法

为增强系统的稳定性,基于智能反射面（intelligent reflection surface,IRS）辅助安全通信,为用户采用功率分配架构的无线携能传输（simultaneous wireless information and power transfer,SWIPT）技术以提高用户安全速率并降低用户的能量消耗,建立了系统安全速率最大化的目标函数模型;考虑IRS相移约束、基站最大发射功率、功率分配比率约束和用户最低能量采集约束,提出了一种基于交替优化的安全速率最大化算法。利用连续凸近似算法,将目标函数转化为凸的形式;采用交替优化,对耦合变量进行解耦处理;提出一种波束赋形算法以实现安全速率最大化。仿真表明,提出的算法能够有效提升IRS辅助的SWIPT系统的安全速率,至少比其他算法提高了2.63bps/Hz。     

优化延迟负载和成本的两阶段边缘服务器放置

边缘服务器放置问题是边缘计算环境建设的基础，高效的边缘服务器放置策略要求不仅为用户提供低延迟服务，而且要平衡边缘服务器之间的负载，同时降低边缘服务器的部署成本。现有的方法常面临着时间复杂度太高、只能得到局部最优解等问题，不适应大中城市的边缘服务器部署。提出了一种两阶段边缘服务器放置TSESP(two-stage edge server placement)策略，第一阶段针对小规模基站网络建立边缘服务器放置优化模型，以降低服务延迟、平衡负载和降低成本，并且在几个小型区域内对优化模型进行精确求解。第二阶段提出了基于机器学习的边缘服务器放置模型ESPML(edge server placement based on machine learning)，利用第一阶段优化模型得到的最优解集进行训练，然后在大规模基站网络中进行测试，ESPML模型的时间复杂度远小于指数级时间复杂度同时可以得到与最优解相似的结果。最后在上海电信基站数据集上的实验表明，与现有三种典型的边缘服务器放置方法相比，所提出的方法在访问延迟、负载平衡和成本等方面都具有良好的性能。     

混合业务下基于能效准则的基站开/关选择策略

为提升无线系统的能效,针对用户随时间的潮汐变化特点,文中提出了一种通过基站开关切换提升系统能效的方法——基于能效准则的基站开/关选择策略,将用户业务分为恒定比特率业务和可变比特率业务,在满足恒定比特率业务的约束下最大化能源效率.文中采用改进的自适应遗传算法来求解此约束优化问题,即基站开关状态用二进制编码,通过设计的选择、交叉、变异实现迭代寻优.仿真结果表明:文中提出的改进遗传算法收敛速度快,能有效对抗染色体群体的早熟问题;在满足恒定比特率用户需求的前提下,文中策略可有效地提升无线系统的能效,其性能接近穷举算法.     

MU-MISO场景下最优化和速率的波束赋形

研究了在一个多用户的下行网络中,基于完美信道状态信息(CSI)的波束赋形设计问题.在该场景下,基站配备多天线,每一个用户为单天线.基站将采用发送波束赋形与用户进行通信.考虑在发送总功率受限的情况下,最大化所有用户的和速率.由于目标函数形式复杂并且是非凸的,导致求解困难.为此,提出了一种基于迫零准则的波束赋形方案.该方案将原问题分解为两个子问题,分别求解.仿真结果表明:相比于传统的基于SLNR的波束赋形方案,所提的方案的性能更好.     

基于主动智能反射面和人工噪声辅助的MISO无线安全传输

为实现无线通信系统的安全传输,面向多输入单输出(Multiple Input Single Output, MISO)系统,提出了基于主动智能反射面(Intelligent Reflecting Surface, IRS)和人工噪声辅助的安全传输方案。其中,主动IRS被放置在基站和合法用户之间,用以增强基站到合法用户的机密信息传输,同时抑制窃听者接收到的信号强度。基站通过构建波束成形和人工噪声,进一步改善了系统的安全传输性能。为最大化系统的安全传输速率,设计了关于基站发射波束成形、人工噪声、主动IRS反射相位、主动IRS放大系数的联合优化问题。由于所提问题为非凸优化问题,设计了基于交替优化、连续凸逼近(Successive Convex Approximation, SCA)、半正定松弛(Semi-Definite Relaxation, SDR)的高效算法,并获得高精度的次优解。仿真结果表明,相较于被动IRS、无IRS和IRS随机相位方案,主动IRS方案有更高的系统安全传输速率;相较于无人工噪声方案,引入人工噪声可以进一步提升系统的安全传输速率。     

空地网络资源分配与无人机基站动态部署算法

为解决空地网络中地面设备数量变化引起的用户体验质量无法满足的问题,提出了一种智能网络资源分配与多无人机基站动态部署方案。首先,考虑用户体验质量和无人机、地面设备能量约束,以最小化系统总能耗为目标进行问题建模;其次,将多无人机的动态部署问题转化成具有连续动作集的马尔可夫决策过程,并根据优化目标设计了基于能耗惩罚的奖励函数;然后,采用基于确定性策略梯度的深度强化学习算法求解此问题;最后,通过仿真和对比实验验证所提方案的有效性和优越性。实验结果表明：对于海量用户场景,所提算法比深度强化学习和演员-评论家算法有更好的收敛性和更高的累积奖励,与单无人机和传统地面基站部署方案相比,所提方案系统的能耗降低约30%～40%,用户服务质量满意度提升约50%～60%。