基于不完全频谱感知的认知中继网络能量效率

针对认知中继网络中基于能量效率的资源分配问题,提出一种基于次用户能量效率最大化的功率分配优化算法,通过建立多重约束条件下的频谱感知和传输联合优化模型,在考虑单位发射速率消耗功率和干扰限制的情况下,利用分数规划将问题中的混合整数非线性规划问题转化为等价的凸优化问题,分析了不同参数对能量效率的影响。仿真结果表明,提出的功率分配优化算法在达到能量效率最优的同时降低了算法的计算复杂度。     

全双工双向中继系统的功率分配方案

提出了最大化系统的频谱效率(SE)和能量效率(EE)两种功率分配方案.EE优化问题用迭代算法求解,首先运用分式规划的方法把优化问题转变成易求解的非分式优化问题,然后运用Dinkelbach算法求得用户节点的最佳功率,再运用一维搜索求得最佳中继放大系数,最后利用迭代算法求得EE最大值.SE优化问题同样用迭代算法求解.仿真结果显示,针对不同目标函数的两种功率分配方案分别提高了系统的EE和SE,同时迭代算法能够快速收敛获得最优解.     

能量获取D2D异构网络中频效优化的资源管理算法

研究能量获取D2D异构网络中频谱效率优化的资源管理问题,包括D2D的通信模式选择、基站选择、信道分配、功率分配、传输时间分配,同时考虑蜂窝用户的QoS约束、能量获取约束、传输时间约束。构建的数学模型是一个混合整数非线性规划问题,为了解决该问题,基于凸优化理论、拉格朗日乘子法、可行方向法进行求解,对构建的数学模型进行化简,提出最大化频谱效率的资源管理算法SERM。研究结果表明:SERM算法对各种网络场景都能够收敛,并且能够最大化频谱效率。     

基于干扰效率的认知OFDMA网络功率分配算法

为了提高认知无线电网络的系统能量效率,同时减小对频谱授权者主用户的干扰,提出了一种新的下行传输干扰效率最大的认知正交频分多址接入(orthogonal frequency division multiplexing access, OFDMA)网络功率分配算法。干扰效率定义为次用户总的传输速率与对主用户总干扰功率的比值。由于原资源分配问题是一个非凸形式的分式规划问题,难以获得功率分配问题的解析解。利用Dinkelbach方法将原问题转换为一个凸优化问题,并利用拉格朗日对偶原理和次梯度更新算法来获得解析解。最后,仿真结果表明,该算法具有较好的收敛性能,并且在干扰效率、对主用户的干扰控制方面都优于传统能效最大的功率分配算法。     

OFDM协作通信中的机会中继和功率分配算法

研究了功率受限情况下多中继系统OFDM协作通信网络的上行链路容量最优化问题.利用混合二进制整数规划问题的优化分解方法,提出一种低复杂度的机会中继和功率分配的联合优化算法.首先针对每个中继子载波,提出了一种基于解码转发模式下的等效信道增益的机会中继选择策略;然后在此基础上通过凸优化算法,给出了源节点和多个中继节点之间的最优功率分配算法.仿真结果表明,相对于随机中继子载波选择以及平均功率分配,该算法具有较低复杂度的同时,能够显著提高系统性能和功率效率.     

时延服务质量约束下的高能效功率分配算法

为了在保障系统Qo S的同时提高系统的能量效率,以有效容量与功耗的比值作为优化目标,研究了时延Qo S约束下认知OFDMA系统中的高能效功率分配问题.为了保护主用户传输不受次用户传输的影响,对次用户的发射功率和次用户对主用户的干扰进行了约束.由于原优化问题为非线性分式规划问题,很难对其进行直接求解.为便于求解,首先通过引入变量将原优化问题转化为易于处理的一维优化问题和传统的有效容量最大化问题,然后采用黄金分割法对上述等效问题进行求解,最后提出了一种迭代的高能效功率分配算法.实验结果表明,与传统的有效容量最大化算法相比,提出的算法能够有效地提高系统的能量效率.     

基于干扰效率的星地认知网络功率分配算法

针对Underlay模式基于能量效率的功率控制算法未能准确反映次用户与主用户之间干扰性能导致系统容量下降的问题,综合考虑次用户能量有限及卫星链路和地面链路的差异性,定义干扰效率为认知卫星用户总的传输速率与地面基站接收到的干扰的比值,建立了基于干扰效率的星地认知网络上行链路功率分配模型,在此基础上提出一种基于干扰效率的功率分配算法.通过引入干扰门限约束及信干噪比约束条件,利用非线性分式规划理论和拉格朗日对偶法求解出最优功率.仿真结果表明:该算法能在较好满足次用户通信质量的前提下,有效减少对主用户的干扰,提升系统的干扰效率.     

基于深度强化学习的正交频分复用多小区蜂窝网资源分配方法

针对正交频分复用的多蜂窝网络系统，提出了一种基于深度强化学习的通信资源分配算法，该算法在满足资源分配高速率、低延时要求的前提下，同时产生信道分配方案和功率控制方案，从而最大化系统的能量效率。首先，在确定好基于正交频分复用的多蜂窝网络系统模型的基础上，将最大化能量效率的约束优化问题同深度Q强化学习算法进行问题映射。其次，将构建的深度Q神经网络（DQN）的多个隐藏层作为状态值函数，用以输出信道分配方案和功率控制方案，并实时与外界环境保持交互，不断迭代更新网络参数用以最大化系统能量效率。通过仿真对比实验可得，所提出的深度强化学习算法在保证低计算时延的同时，可获得接近于或高于其他算法的系统能量效率，且蜂窝网络规模越大，该算法优势越突出。     

MIMO双向中继信道能量效率优化算法

研究了多输入多输出(multiple input multple output,MIMO)双向中继信道的能量效率优化问题。首先考虑无功率约束下的能量效率优化问题,采用嵌套优化方法得到最优的功率分配。然后求解有功率约束时的能量效率优化问题,如果无功率约束时的最优解在最大功率约束内,则该最优解为有功率约束时的最优解;否则通过确定一部分节点的最优发射功率,减小剩下节点的发射功率的优化区间来求解该问题。仿真结果验证了所提优化算法的有效性。     

采用模拟退火算法的电动汽车复合电源能量管理系统优化

针对电动汽车的混合式复合电源工作模式切换复杂、不利于不同工作模式的功率最优分配问题,提出基于模拟退火算法的复合电源能量管理优化方法。对混合式复合电源的工作模式进行分层讨论,建立能量管理系统的各部件损耗模型,基于不同层次设计能量管理策略。在分层能量管理策略的基础上,采用模拟退火算法降低系统的损耗。搭建混合式复合电源仿真模型和实验台进行仿真和实验。仿真和实验结果表明:在NYCC和EUDC路况下,混合式复合电源能量管理系统采用模拟退火算法优化比滞环逻辑控制的总损耗降低0.8%和1.1%。混合式复合电源能量管理系统采用模拟退火算法不仅能有效降低系统损耗,实现功率最优分配,而且能及时跟随功率需求,由超级电容提供或吸收峰值功率,保证电池安全。     

非正交多址认知无线电网络功率分配算法

非正交多址和认知无线电技术能有效提高频谱效率,是新一代移动通信系统的关键技术。针对功率域非正交多址认知无线电网络的能效优化问题,建立了满足次用户最小系统吞吐量和主用户最大干扰的次用户功率分配模型,将子信道吞吐量公式进行分解,得到子信道功率分配系数和子信道功率消耗率2个子问题。针对第1个问题,采取凸差(difference of convex,DC)规划算法将目标函数等效为2个凸函数差形式,并应用一阶泰勒展开式进行连续近似,将非凸问题转换为凸优化问题,从而得到子信道复用次用户最优功率分配系数;针对第2个问题,采用Dinkelbach算法和次梯度算法,利用拉格朗日函数,得到最优子信道功率消耗率。仿真结果表明,所提功率分配算法收敛速度快,时间复杂度低,其平均系统能效性能远优于分数功率分配算法。     

基于虚拟机迁移的能量收集MEC系统资源分配策略

针对现有研究没有考虑用户移动性对移动边缘计算（mobile edge computing,MEC）服务器反馈计算结果影响的情况,提出一种基于虚拟机迁移的能量收集MEC系统资源分配策略。考虑用户移动性影响,分别给出用户移动性模型和能量收集模型;采用虚拟机迁移方式,把用户卸载给初始MEC服务器的计算任务转移到当前MEC服务器,由当前MEC服务器完成计算任务,计算结果直接反馈给用户;综合考虑用户卸载计算任务和MEC服务器反馈计算结果,将功率和子载波分配问题建模为混合整数非线性规划问题,在满足能量消耗、子载波分配和发射功率的约束条件下,最大化系统能量效率。为了降低求解复杂度,通过引入遗传算法,获得次优解。仿真结果表明,与基于遗传算法的局部功率或子载波分配方法相比,提出的方法具有更高的能量效率。     

NOMA残余干扰下D2D网络的能效资源分配算法

为了解决非理想串行干扰消除（serial interference cancellation,SIC）解码引起的残余干扰给非正交多址接入（non-orthogonal multiple access,NOMA）增强型设备到设备（device-to-device,D2D）组链路带来的高能耗、低信道利用率问题,提出一种基于能效优化的资源分配算法。在保证蜂窝、D2D组用户通信服务质量和复用子信道个数约束条件下,建立能效优化模型;使用一种以D2D组能效为权重的加权二部图最大匹配联合匈牙利算法为每个D2D组分配子信道;考虑到各接收机用户在相同和不同残余干扰下的能效问题,通过参数变换、Dinkelbach法和拉格朗日对偶法实现功率分配。仿真结果表明,提出的算法在非理想SIC条件下可有效提升系统D2D组链路的信道利用率和总能效。     

下垫式认知无线电网络的鲁棒功率分配算法

针对认知无线电网络功率分配的参数扰动性问题,提出一种基于保护因子的认知无线电鲁棒功率分配算法.该算法根据实际系统信道参数的扰动性,对授权用户干扰功率阈值引入保护机制进行鲁棒规划,运用Lagrange对偶算法和凸优化相关理论得到最优功率分配,解决了下垫式(Underlay)模式下认知无线电网络信道参数扰动性问题.仿真结果表明,该算法具有较好的鲁棒性,降低了算法复杂度,并提高了认知无线电网络的系统容量.     

非对称全双工双向中继系统能效研究

研究了频率非选择性瑞利衰落信道中,具有不对称业务特性的全双工双向中继系统能效问题,其中两个源节点在不同信息发送速率情况下,借助全双工中继节点进行消息的互通。基于解码转发中继策略,在瑞利衰落信道环境下,将能效优化问题转化为一个递进式两阶段优化子问题:首先固定传输时间,优化各个传输节点的发射功率;再对传输时间进行优化,从而给出能效优化问题的闭式解。基于此解,提出一种最小化系统总发射功率的节点功率控制和传输时间分配的联合实现算法,并通过数值仿真实验验证了所提算法的有效性。仿真结果表明:在源节点具有不对称业务情况下,所提算法具有能效性能优势,并随着业务不对称度的提高,能效性能优势越加显著,在强不对称业务情形下,比“仅发射功率控制”算法可节约60 dB总发射功率。     

分布式天线系统中基于天线选择的能量效率优化

为了进一步解决无线通信系统的能量消耗问题, 以分布式天线系统单小区为模型,提出了一种将天线选择和功率分配技术相结合的最大能量效率优化算法(max-ANPO-EE算法):通过选取用户一定距离范围内的天线后,利用拉格朗日函数和次梯度得到各个天线的最优发送功率,从而推导出相应的能量效率性能表达式,得到最优的能量效率.仿真结果表明:在用户和天线随机分布的单蜂窝小区网络内,max-ANPO-EE算法能获得比较好的性能.     

基于电力物联网的边缘计算任务卸载优化

为了解决传统卸载模型仅涉及用户设备和边缘计算资源,而在云端资源利用上存在局限性的问题,通过有效利用计算任务时延、能耗及计算资源配置,提出了基于深度强化学习算法的计算任务卸载策略和资源配置优化算法,建立了边云协同的时延、能耗及能效模型,研究了用户设备数量、任务量、任务优先级等对时延、能耗及能效的影响。结果表明：边缘计算服务器资源配置为30 GHz较为合理;高级计算任务优先处理策略和计算资源优化分配,使得时延、能耗均较低;本文所提出的优化算法在时延、能耗及能效方面均优于其他3个对比算法,表明针对不同用户设备数量和计算任务量场景,本文所提出的优化算法和建立的模型能够更有效的实现基于电力物联网的计算任务卸载策略和资源配置优化。     

基于马尔可夫链的主机负载预测能耗优化算法

现代服务应用对计算能力需求的快速增长导致云计算数据中心能耗加剧,为解决数据中心能耗问题,本文提出了一种新的融合马尔可夫链和能耗感知选择策略的能耗优化算法——基于预测的能耗优化算法(Prediction based Energy Consumption Optimization Algorithm,PECOA).实验结果表明,PECOA算法在保证服务质量的前提下,能耗与基于最小虚拟机迁移时间的本地回归算法(Local Regression based on Minimum Migration Time,lr_mmt_1.2)相比降低了约11.04%,验证了本文方法的有效性.