采用注水因子辅助搜索的能效优先子载波功率联合优化算法

针对认知无线网络中以频带利用率为目标进行资源分配网络能效低的问题,提出了一种采用注水因子辅助搜索的能效优先子载波功率联合优化(EE-WFAS)算法。首先,以最大化认知用户总能效作为优化目标,考虑在认知用户发射功率控制、主用户干扰功率限制和认知用户最低信息传输速率限制等多个约束条件下,构造最优化函数;然后,通过能效优先子载波分配与注水因子辅助搜索(WFAS)的功率分配求解优化函数,即根据认知用户的信道增益和能效进行子载波分配;最后,对拉格朗日乘子运用二分查找法结合WFAS进行以能效为目标的功率分配。EE-WFAS优化算法可以在认知用户信息传输速率限制条件下保证系统总能效。仿真结果表明:与子载波功率平均分配算法相比,EE-WFAS优化算法的能效提高了约1.2kbit/J。     

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。     

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。     

基于功率配置和关联管理的WLAN能耗优化算法

为实现WLAN节能并保证网络性能,研究并提出了一种基于功率配置和关联管理的WLAN能耗优化算法.首先,采用细粒度的能耗模型来定义AP功率,并利用整数线性规划(ILP)对能耗优化问题进行形式化描述,即通过调度射频接口的活跃/休眠状态,配置AP的信号发射功率,以及管理AP与用户的关联关系,在保证用户带宽需求的前提下,降低网络能耗.然后,提出一种高效的启发式算法,以迭代的方式选择开启的AP及功率级,并确定所关联的用户.在每次迭代中,以最大化能效的策略进行AP及其功率级的选择.实验结果表明,该算法能有效实现WLAN节能,并具有较高的运行效率,能够适用于大规模的WLAN.     

认知无线电网络中的非正交多址资源分配算法

随着物联网的发展和移动终端的普及,用户对数据速率需求快速增长,移动通信系统依然面临着频谱资源紧缺问题。针对认知无线电网络中的非正交多址接入(non-orthogonal multiple access, NOMA)技术,研究了认知无线电网络中非正交多址信道和功率联合优化问题。以主用户干扰功率和次用户最小吞吐量以及子信道最大复用用户数为约束条件,综合考虑信道状态信息和功率资源,以提高系统能效为目标,建立了信道和功率资源分配优化模型。为了避免信道状态相近的用户复用在同一子信道上,提出了一种次优公平性可调的信道分配算法,并基于连续凸近似和Dinkelbach模型,得到子信道复用用户间的最优功率分配。仿真结果表明,所提算法可以在提高用户公平性的同时,有效提高系统能效。     

异构网络中基于非合作博弈的功率控制算法

针对异构蜂窝网络中系统能耗较高的问题,提出一种能效优先的基于非合作博弈的功率控制算法。该算法将宏基站间的功率控制过程描述为博弈模型,并在效用函数中引入了基于干扰因素的自适应代价函数,得到各基站的最佳响应策略,之后经过多步迭代调节发射功率,使系统收敛至能效最优的纳什均衡状态。仿真结果表明,所提算法与固定代价函数的功率控制优化算法相比具有较好的收敛性,系统能效有明显的提升,更适用于密集网络。     

星地认知网络能效谱效联合博弈功率控制算法

在Underlay模式下,卫星网络覆盖范围大会导致用户频率冲突干扰,针对该问题以及星地网络中移动用户的能量有限的情况,综合考虑卫星用户中地面站和移动用户的差异,构建了基于能效谱效联合博弈的星地认知网络多用户功率控制模型,并在该博弈模型基础上提出了一种能效谱效联合博弈算法(COAES),定义了能效和谱效因子,通过对不同用户的能效和谱效优化需求进行博弈,并证明每个用户均能达到最优状态即纳什均衡状态。仿真结果表明:COAES算法能满足不同用户的谱效和能效需求,并且联合因子相比NETMA算法和PRA算法分别提升了50%和35%。     

基于NOMA系统的上行链路功率分配

为解决用户速率化前提下的能效优化问题,针对非正交多址接入(NOMA)系统上行链路,提出了基于Dinkelbach算法的最佳功率分配方案.仿真结果显示:当给定用户发射功率最大限值为15 dBm时,系统的能效提升了38 bit·J~(-1)·Hz~(-1).     

认知D2D网络中基于博弈论的高能效干扰约束资源分配算法

针对认知网络中多个D2D(device-to-device)用户以Underlay模式复用蜂窝用户的频谱资源时的同频干扰和能耗增加问题,提出了认知网络中基于博弈论的最大化用户能效(energy-efficiency,EE)的D2D通信资源分配算法。不同于以前工作,在满足特定干扰门限的条件下,侧重对能效进行优化,且不牺牲系统容量。建立Underlay模式下认知D2D通信博弈模型,将D2D用户(device-to-device,DUE)作为跟随者复用蜂窝用户(cellular user,CUE)上行链路的频谱资源,由于每个用户都具有自私特性想要最大化自身的能效,所以该资源分配问题可以模拟为非协作博弈问题。在干扰门限的约束条件下构造了相应的效用函数,利用拉格朗日对偶方法求解此优化问题,得到用户的最优发送功率,保证了用户的功率和链路速率的均衡,并分析了算法复杂性。仿真结果表明,该方案能够提高用户能效和链路平均能效,改善系统总功耗及系统的容量等性能。     

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。     

反向散射辅助无线供电D2D网络中的鲁棒能效优化

为了提高反向散射辅助无线供电中设备对设备（device-to-device,D2D）的网络能效（energy efficiency,EE）和系统的鲁棒性,研究了在具有信道不确定性的反向散射辅助无线供电D2D网络中的鲁棒能效资源分配问题。在功率站最大发射功率、所需服务质量和能耗约束下,通过联合优化发射功率、传输时间和反射系数使所有D2D用户的总EE最大化;利用一个次优解的迭代鲁棒算法解决了提出问题的非凸性。仿真结果表明,提出的算法具有收敛性及对不确定信道的鲁棒性。     

LTE中基于能效的多小区资源分配算法

随着绿色通信的提出,能效优化问题成为研究热点。针对LTE网络多小区联合、负载不均衡的场景,提出了基于能效的多小区资源分配算法。联合考虑用户的最小数据速率要求、系统能耗,通过引入用户转移时的3个准则,实现了网络的节能和用户最小速率要求的满足。仿真表明,与传统资源分配算法相比,所提算法在满足用户最小速率要求的同时更有效地降低了系统的能耗,优化了系统能效。     

基于效用函数的负载平衡研究

提出一种基于效用函数的网络负载平衡的用户关联策略,该策略联合考虑了基站的负载和用户的服务质量。将用户关联问题建模为网络级的加权效用最大化问题(一次负载平衡),通过松弛用户关联因子将所提的非线性混合整数优化问题转化为凸优化问题;然后利用凸优化工具CVX求解得到最优的用户关联因子,并基于最大概率法将用户与基站进行关联。为了解决由于一次负载平衡过程中产生的某些基站过载的问题,提出了二次负载平衡算法。仿真结果表明:提出的负载平衡策略有效地改善了系统性能,在保证用户最低数据速率的前提下使系统达到了负载平衡。     

异构网络中高能效动态流量卸载

研究了异构网络中,以优化系统能效为设计目标的动态流量卸载。综合考虑了用户移动性和业务动态性的影响,利用动态规划理论对异构网络中的流量卸载问题进行了建模分析,将系统能效在连续时间上的优化问题转化成多阶段决策的最优化问题。在此基础上,基于延时流量卸载的思想,利用动态规划的分析模型,提出了一种系统能效优先的动态流量卸载算法。仿真结果表明,与已有的流量卸载算法相比,提出的动态流量卸载算法能有效地提升系统的能量效率。     

能效优先的鲁棒功率控制算法

针对卫星网络中存在信道感知误差使得传统基于理想信道感知的功率控制算法性能下降的问题,提出一种基于认知无线电的能效优先的鲁棒功率控制算法。首先考虑卫星网络中距离感知的不确定性,通过分析推导与距离相关的路径损耗和阴影效应的信道增益分布,建立星地认知功率控制模型,从而将功率控制问题转化为约束条件下的最优化求解问题,同时引入概率约束,利用分式规划与拉格朗日对偶理论,达到认知用户最优的功率控制。仿真结果表明:该算法具有较快的收敛速度和较低的复杂度;与非能效优先的功率控制算法相比,在感知误差存在情况下网络能量效率最大可提高50%。     

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。     

基于解码转发的认知无线电机会功率控制算法

频谱感知是认知无线电网络正常工作的基础,而功率控制问题的解决是认知网络和主用户网络正常运行的保证。文中研究协作认知无线电通信,在保证授权用户服务质量和认知用户最大功率受限条件下,将高信噪比时的解码转发(decode-and-forward,DF)和基于频谱感知结果的机会功率控制算法结合,提出新的机会DF功率算法。通过基于对主用户感知结果的最优中继选择策略,在保证主用户正常通信不受影响的前提下,最大程度提高次用户信道信噪比,提高认知网络容量,并且认知系统能够获得空间满分集度。理论和仿真结果同时表明,基于主用户出现概率的最优中继选择最大程度的消除了次用户对主用户的干扰,提高了认知系统容量。     

大规模MIMO系统能效优化算法研究综述

随着移动用户数与高速数据业务应用的快速增长,满足下一代网络更高频效和能效需求的大规模多输入多输出(multiple-input multiple-output,MIMO)技术成为5G的研究热点。天线数目的增加,导致大规模MIMO系统的能耗也将急剧增加。优化大规模MIMO系统能效以实现绿色通信成为5G资源管理的一项重要研究课题。针对该问题,对大规模MIMO能效优化算法进行了综述与展望。介绍了大规模MIMO系统能效模型,综述了大规模MIMO系统能效优化算法研究现状,包括基于天线选择的能效优化、基于功率分配的能效优化、频效和能效的折中和多参数联合优化能效;探讨了学术界在大规模MIMO系统能效优化算法上的重要研究成果;总结了当前研究中存在的主要问题,展望了大规模MIMO系统能效优化未来的研究趋势。     

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.     

Femtocell网络中基于对数效用的功率控制算法

针对Femtocell网络中干扰管理和功率控制的问题,考虑FBS间的同层干扰,提出基于对数效用的功率控制算法.运用K-Means算法对大量部署的FBS进行分簇,K-Means分簇算法可在低复杂度条件下将FBS划分成不同的簇,以便进行干扰管理.基于对数效用的功率控制算法,能保障FUE处于最低信干噪比,深度优化FBS的发射功率,可在保障吞吐量的同时提升系统能效.