基于用户需求和等待时间的改进型频谱分配算法

通过对最新的图论着色频谱分配算法进行分析,提出了一种基于用户需求和等待时间的改进型频谱分配算法。解决了频谱资源紧张情况下用户等待时间太长的问题。使认知用户机会均等地使用频谱资源。经过频谱复用,更好地满足了用户频谱需求。仿真结果表明该算法是有效的,提出的算法提高了频谱利用率并且保证了系统公平性。     

基于效用理论的多标拍卖信道分配算法

针对传统多标拍卖信道分配机制无法确保认知用户获得频谱资源公平性的问题,结合微观经济学中的效用理论提出了一种新的标价算法。该算法基于用户自身带宽需求和等待时间等因素对信道效用的影响,以信道效用为基准对信道进行等效标价处理,确保在系统效益最大的同时可获得频谱资源认知用户数量容纳性的最大化。对采用该算法与采用传统算法的系统中用户等待时间、需求满足情况及系统总体效益等关键技术性能在频谱资源充足与频谱资源匮乏两种情况下进行了仿真对比分析,结果显示该算法不仅能够在频谱资源充足时获得较好的系统效益,在频谱资源匮乏时能够在保证系统效益的同时大大提高了弱势用户获得频谱资源的概率,提高系统的公平性。     

基于多目标遗传算法的认知无线电频谱分配

频谱共享技术是认知无线电的关键技术。基于多目标遗传算法,将认知无线电网络的最大系统效益和次用户间的最大比例公平作为目标函数,运用图论着色频谱分配模型,实现认知无线电中空闲频谱在次用户间的动态分配,并与颜色敏感图论着色算法(CSGC)进行了比较。通过仿真验证了该算法在认知无线电网络中进行频谱分配的可行性,且性能优于CSGC算法。     

认知无线电中基于频谱聚合的需求改进型频谱分配算法

在认知无线电中,合理的频谱分配算法是提高频谱利用率的关键。针对现有频谱分配算法对不连续频谱的利用率较低的问题,提出一种基于频谱聚合的需求改进型频谱分配算法。该算法建立在图论着色模型的基础上,综合考虑了认知用户可用频谱的多样性、不连续频谱的可聚合性以及频谱聚合的最大范围限制等因素,并联合频谱聚合技术与用户的当前需求信息进行设计。算法提出了3种不同的标注准则,通过仿真对比了不同准则下的系统效益。结果证明,所提算法在频谱紧张、用户需求较大的认知环境下,不仅有较好的系统分配率和吞吐量,也能兼顾到认知用户间的公平性。     

基于极大独立集的协作竞价频谱分配算法

将认知无线电中的动态频谱分配归结为图论中的着色问题.针对目前基于系统吞吐量的分布式贪婪算法和基于复杂度的分布式随机算法效率不高的问题,提出了一种改进的基于极大独立集(MIS)的协作竞价算法.根据MIS中协作用户出价高于集外认知用户最大效用,可以获得授权用户的效用曲线,从而最大化系统总效用,达到充分利用频谱资源的目的.此外,协作竞价算法还能在一定程度上抑制用户之间的共谋.     

认知无线电中基于极大独立集的频谱分配算法

针对认知无线电系统的特点和要求,建立图论着色扩展模型,提出一种基于极大独立集的频谱分配算法.在不考虑频谱效益差异性的情况下,该算法能够有效兼顾频谱分配的利用率和公平性,并能够减小分配的收敛时间,更加适合认知无线电动态频谱分配的实际要求.对于算法的频谱利用率和公平性能,该算法与列表着色贪婪算法和列表着色公平算法进行比较,仿真结果分析验证了该算法的性能.     

基于Kuhn-Munkres算法保证认知用户QoS的动态频谱分配

本算法采用图论方法解决认知无线网络动态频谱分配(DSA)问题.首先,根据认知用户的服务质量(QoS)以及空闲信道的状态,分别为认知用户和信道划分优先权.然后,提出一种新的计算方式预计认知用户使用信道可获得的带宽效益.最后,将划分优先权后的认知用户、信道建立二分图,将带宽效益作为图的权重.在兼顾考虑认知用户的带宽效益和频谱利用率的前提下,使用Kuhn-Munkres算法将信道分配给认知用户.实验仿真结果表明,本算法可以同时优化带宽效益和频谱利用率,在认知用户等待分配信道时间方面也能取得较好服务质量要求.     

基于带宽约束的云计算负载调度算法

负载调度是云计算得以大规模应用及提高服务性能的关键技术,对提高云供应商服务质量、用户满意度以及数据中心集群资源利用率等有极其重要的意义.云计算环境中,由于用户任务类型的不同,对带宽的需求也不尽相同,若不区分不同任务对不同带宽的要求,可能会造成资源的浪费,增长用户等待时间.本文对经典Min-Min算法进行改进,提出了BCLL-Min-Min算法,该算法满足带宽需求约束,并且实现相对负载均衡调度.仿真实验表明,BCLL-Min-Min算法能够适应云计算环境下任务多样性和不确定性的情况,使用该调度算法可以提高集群的吞吐率、较大改善数据中心的负载均衡性.     

认知无线电网络中基于图着色的动态频谱分配

动态频谱分配是解决认知无线电网络中频谱资源利用率低下的有效手段.针对现有频谱分配中认知用户"饿死"这一难点问题,以最大化系统接入率为目标,提出一种基于图着色的动态频谱分配算法.构造了基于图着色模型的效能函数,通过动态更新可用矩阵完成有效的频谱分配.一系列仿真实验表明,所提算法获得了较高的系统接入率,兼顾了系统的吞吐量和公平性,具有比现有算法更优的性能.     

基于离散频带的中继协作网络频谱聚合算法研究

随着移动通信的高速发展,传统的连续频谱分配策略已经无法满足当前用户的带宽需要。LTE-A建议采用频谱聚合技术,通过聚合离散的频谱碎片,解决用户对带宽资源的需求,动态地改善频谱效率。针对两跳中继协作通信系统,综合考虑频谱利用率和协作速率双重因素,提出了一种基于离散频带的中继协作网络中的频谱聚合方法。仿真结果表明,与传统的连续分配方法相比,该方法可以大幅度地提高系统吞吐量,改善频谱利用率,从而满足用户日益增长的带宽需求。     

A parallel algorithm for statistical-fairness-based spectrum allocation of cognitive radios

A parallel algorithm for statistical-fairness-based spectrum allocation of cognitive radios is proposed in this paper. The key idea of the algorithm is to pursue the maximum total spectrum utilization of the system by adopting a parallel technique in every spectrum allocation, and to ensure the statistical fairness rule by deploying a particular scheme during a series of allocations. The simulation results show that the proposed algorithm not only achieves a fairer and more efficient allocation of spectrum resources, but also has much shorter allocation duration than the color sensitive graph coloring (CSGC) algorithm.     

超密集网络中基于集群分配的干扰管理与资源分配

针对超密集网络通信场景, 提出一种基于集群分配的干扰管理与资源分配算法, 以消除超密集网络中由于大量部署低功率基站而降低吞吐量等影响. 首先, 基于距离、 小区间干扰、 可用资源情况3个条件权衡为家庭基站分配集群; 其次, 根据分配结果将干扰关系建模为干扰加权无向图, 按适当标准对家庭基站进行分类, 针对不同类型的家庭基站采用不同着色算法; 最后, 根据整体着色结果图完成频谱资源块分配. 仿真结果表明, 该算法可以为家庭基站选择最适合的集群加入, 降低集群间干扰, 提升频谱资源利用率, 提高网络的吞吐量.     

并行环境下基于图着色理论的空间数据部署

在面向计算部署到数据节点端执行的分布式并行环境下,提出一种基于图着色理论的适用于矢量空间数据的部署方法,将空间数据粒度的部署问题转化为图顶点着色的过程,提高了任意空间区域的信息查询效率.给出基于图着色理论的数据部署方法,并通过节点的任务量进一步改进算法,使得该算法可实现海量空间数据粒度的离散化部署,提高了空间数据检索和查询的并行化程度,充分利用了并行计算资源.     

关于图染色的算法

本文给出了图上顶点染色,边染色的算法.其中边染色算法是一个非多项式时间的精确算法,该算法是先求出所有极大匹配,然后再求极小匹配覆盖,最后得出最优边染色.顶点染色算法是一个多项式时间的近似算法,该算法的时间复杂性为O(n~3logn),空间复杂性为O(n~3)的近似算法,它是由贪吃策略得到的.对于任意的图,该算法所用的期望颜色数为「log(n 1)」.     

认知无线电的频谱分配算法

认知无线电的频谱分配问题存在瓶颈用户,针对该问题,分析了并行频谱分配算法和CSGC(color-sensitive graph coloring)算法,提出在CMMB(collaborative-max-min-bandwidth)准则下,用并行分配算法来解决瓶颈用户问题,并对系统时间开销和频谱利用率等性能指标进行了仿真分析.结果表明,并行分配算法和CSGC算法的频谱利用情况大致相当,但并行算法的系统时间开销却明显减少,更有利于满足认知无线电中频谱快速分配的要求.