车联网中基于深度强化学习的高可靠资源分配算法

针对车联网环境下用户通信质量下降以及频谱资源紧张导致车辆与车辆（vehicle to vehicle,V2V）链路的关键信息传输难以满足高可靠性通信需求的问题,提出了一种基于深度强化学习（deep reinforcement learning,DRL）的高可靠资源分配算法。考虑干扰、传输时延和有效传输概率等约束条件,构建了车联网的可靠性保障优化问题;为了进一步保障V2V链路关键信息传输的可靠性,设计了压缩网络来压缩环境状态信息;根据可靠性保障优化问题设计了相应的奖励函数,并基于双深度Q网络（double deep Q-network,DDQN）设计了一种智能资源分配策略。仿真结果表明,所提算法能有效提高车联网的总速率,实现V2V链路关键信息的高可靠传输。     

基于多智能体深度强化学习的车联网通信资源分配优化

无线网络的高速发展为车联网提供了更好的支持,但是如何为高速移动车辆提供更高质量的服务仍然是一个挑战.通过分析多个车对车（Vehicle-to-Vehicle,V2V）链路重用的车对基础设施（Vehicle-to-Infrastructure,V2I）链路占用的频谱,研究了基于连续动作空间的多智能体深度强化学习的车联网中的频谱共享问题.车辆高移动性带来的信道的快速变化为集中式管理网络资源带来了局限性,因此将资源共享建模为多智能体深度强化学习问题,提出一种基于分布式执行的多智能体深度确定性策略梯度（Multi-Agent Deep Deterministic Policy Gradient,MADDPG）算法.每个智能体与车联网环境进行交互并观察到自己的局部状态,均获得一个共同的奖励,通过汇总其他智能体的动作集中训练Critic网络,从而改善各个智能体选取的功率控制.通过设计奖励函数和训练机制,多智能体算法可以实现分布式资源分配,有效提高了V2I链路的总容量和V2V链路的传输速率.     

基于深度学习的物联网设备通信低功耗资源分配算法

为解决物联网中设备通信的高能耗问题,提出了基于深度神经网络的低功耗资源分配算法。考虑发射功率、干扰和服务质量3种约束,构建了物联网设备通信的总功率最小化问题。根据该问题的优化目标和约束条件,设计了损失函数并提出了基于深度神经网络的功率分配网络。为进一步降低物联网设备的总发射功率,设计了压缩网络来压缩环境状态信息。仿真结果表明,所提出的智能功率分配算法有效地降低了物联网设备的总通信功率,减少了计算时间。     

基于SDN的动态资源分配算法

针对软件定义网络(SDN)能够执行多种并发、 动态网络测量任务的特点, 提出一种自适应的网络测量框架. 该框架能动态调整分配给各测量任务的资源, 从而确保用户层面上对测量精度的要求. 设计并实现了相应的系统原型, 并采用3种不同的网络测量业务对该方法进行验证. 实验结果表明, 该方法在任务测量精度满足率和任务拒绝率上具有更优的性能, 与传统方法相比精确性更高.     

距离受限的蜂窝网络D2D通信资源分配算法

为了进一步提升第5代移动通信网络(5th Generation,5G)的系统性能以及用户的服务质量(Quality of Service,QoS),就蜂窝通信网络中终端直通(Device to Device,D2D)通信的资源分配问题,提出一种距离受限的资源分配算法。考虑D2D通信用户复用蜂窝通信用户的上行频率资源的情况。建立蜂窝网络中D2D通信系统模型; 分析D2D通信用户的接收信号和受到的干扰情况,推导出D2D通信用户的信干比表达式; 根据预设的信干比门限值,推导出D2D通信与蜂窝用户复用相同频率的安全距离; 基于推导出的复用安全距离,提出一种距离受限的资源分配算法。所提出的距离受限的资源分配算法将蜂窝通信用户占用的频率资源分配给复用安全距离之外的D2D通信对,能够确保D2D通信与蜂窝通信之间的干扰控制在合理范围之内。仿真结果表明:距离受限的资源分配算法能够有效提高系统吞吐量,并降低D2D通信的中断概率。     

基于DAQL算法的动态频谱接入方案

针对传统的动态频谱接入方案一般没有考虑自主性,不具备普适性这一缺点,提出了一种基于双动作Q学习算法DAQL（double action Q-learning）的频谱接入方案,该方案将DAQL引入到多授权用户存在的环境下频谱接入问题中,用以降低接入未知频谱环境时的冲突概率。仿真结果表明,提出的方案与随机接入方案相比,不但有更小的冲突概率,而且能动态适应环境的变化,适合认知无线电的需要。     

分层网络频谱资源分配方案

提出一种频谱资源分配方案,以提升分层毫微微小区网络的期望吞吐量.该方案为每层下行传输分配部分共享频谱资源,在单个用户期望吞吐量满足服务质量需求时,通过动态调整共享频谱资源分配比例,能够最大化网络期望吞吐量.为进一步获得每层下行传输的期望吞吐量,基于Nakagami-m衰落信道推导了每层用户下行接收信干噪比的累积分布函数.理论分析和仿真表明,该频谱资源分配方案能够有效提升网络期望吞吐量,但服务质量需求参数的增长限制了吞吐量的提升.     

基于服务质量的动态资源分配算法

在网络虚拟化过程中,当前大多数物理资源分配算法,主要考虑了资源利用率和网络收益,而忽略了虚拟网络请求的服务质量,从而在不同用户之间造成不公平。针对该问题,提出基于服务质量的动态资源分配算法。该算法在空闲时频资源非连续情况下,只有当虚拟网络请求的生命周期足够长,满足重分配影响因子情况下,才优先为资源量小的虚拟网络请求重分配物理资源;在空闲时频资源连续情况下,综合考虑优先级、时间容忍和网络收益因素影响,为虚拟网络请求分配相适应的物理资源。仿真结果表明,该算法相对于传统基于生命周期的动态资源分配算法和贪婪动态分配,在实现物理资源高效利用的前提下,不但保障了虚拟网络请求的服务质量,而且降低了该算法的运行时间。     

基于模糊聚类的D2D通信二次资源分配算法设计

针对D2D链路与蜂窝链路之间的同频干扰问题,提出了一种基于模糊聚类的二次资源分配算法.该算法采用了模糊聚类将干扰较大的D2D链路划分为一组,再用图着色进行组内一次资源分配,从而降低干扰并保证用户Qos需求和公平性.最后,采用Kuhn-munkres最优匹配算法进行二次分配来达到提高系统吞吐量的目的.通过计算机仿真可以看出,该算法既可以保证D2D用户的不同Qos需求,又提高了系统吞吐量和获得无线资源的公平性.     

基于拍卖的网络切片虚拟资源分配算法研究

网络切片可以针对不同应用场景的网络速率、时延、可靠性等需求,根据业务对网络功能、安全性等需求构建虚拟的逻辑网络,该技术是5G的关键技术之一。针对网络切片多样化的QoS需求,提出了一种以最大化收益为目标的虚拟资源分配优化算法。该算法针对各个切片业务需求的差异性以及当前用户状态定义切片优先级,并以价格代替信誉因子,确定网络切片需求资源的拍卖报价,并根据可回收的资源量动态地更新和确定价格基准,再将资源优化分配问题转换成为拍卖问题,结合价格更新算法以及资源分配算法并进行求解,为各个业务切片分配资源。仿真结果表明,所提出的资源分配算法可以在满足切片多样化的QoS需求的同时有效提升用户业务体验满意度。     

一种基于双层干扰图着色的资源分配算法

针对长期演进(long term evolution,LTE)系统中蜂窝链路和短距离链路中的同频干扰问题,提出一种基于双层同频干扰图着色的信道资源分配算法.该算法通过引入排队理论和终端服务等级要求,分析蜂窝移动通信网和短距离通信网的双层同频干扰,构造一种异构网络的双层同频干扰图.基于系统信道资源占用情况和信道资源分配优先级的考虑,对双层同频干扰图进行着色资源分配.仿真表明,该算法提高了系统平均吞吐量和满意度.     

基于OFDMA的无人机群通信链路资源分配算法研究

针对基于OFDMA的无人机群通信链路资源分配中系统容量与用户公平度之间的矛盾,提出了一种新的资源分配算法。该算法主要由子载波分配和功率分配两部分组成。该算法在子载波分配过程中,每个子载波等功率分配,通过设置公平度门限确保在最大化系统容量时兼顾用户公平度;在用户功率分配过程中,采用基于灰狼算法的功率寻优策略,通过全局搜索实现用户间的功率分配。仿真结果表明,文中提出基于灰狼算法的功率分配方法具有较好的稳健性与寻优能力,即使在用户数较多的情况下,仍然能够在最大化系统容量的同时具有较高的用户公平度,并且还可通过设置公平度门限的大小,灵活地调整系统容量与用户公平度之间的关系。     

认知异构网络中基于非理想频谱感知的凸优化资源分配算法

当前认知异构网络中无线频谱日益紧缺,而传统固定频谱分配模式日益成为限制无线通信性能的重要瓶颈,在非理想频谱感知情况下资源分配的问题尤为突出。为实现非理想频谱感知情况下无线资源的高效分配,提出一种基于认知异构网络的凸优化资源分配算法。该算法首先构建了基于主用户活跃度的用户到达模型,以精确描述认知网络中主用户的频谱使用状态,为认知用户分配资源提供依据;并通过认知异构网络干扰分析构建非理想频谱感知条件下的干扰容限条件,最后通过凸优化算法实现对认知网络中频谱资源的优化分配。仿真结果表明,在非理想频谱感知条件下,该算法能够有效降低系统平均时延,提升认知异构网络的传输速率和系统吞吐量。     

联邦学习网络中基于分层博弈的边缘关联和资源分配

在分层联邦学习网络中,引入边缘服务器需要面对边缘服务器与终端设备间交互时延和边缘聚合模型质量两大挑战。针对上述问题,利用分层博弈模型对带宽资源分配和边缘关联机制进行分析。在下层,利用演化博弈思想,提出低时延的边缘关联算法,建立终端设备自适应选择边缘服务器的机制;在上层,利用非合作博弈思想,提出平衡模型质量与带宽消耗的资源分配算法,建立边缘服务器自适应调节带宽的机制。仿真结果表明,提出的方法能够智能调节联邦学习网络中的节点,使终端设备达到低延时的边缘关联状态,边缘服务器权衡模型质量与资源消耗达到最佳带宽分配状态,可以为联邦学习网络解决边缘关联和资源分配问题提供一种新的方法。     

基于免疫克隆优化算法的传感器网络资源分配

基于无线传感器网络中资源分配的NP特性,提出了一种基于免疫克隆优化的资源分配算法.具体给出了资源分配问题的数学模型和免疫克隆算法实现过程,还包含免疫算法求解中的关键技术,抗体克隆时根据激励度进行,保证了解的多样性并避免早熟收敛.实验结果表明,本算法目标检测成功率高,具有较好的检测结果.     

基于最大最小公平性的异构VLC/RF网络资源分配算法

为了充分挖掘可见光通信(visible light communication,VLC)和射频(radio frequency,RF)通信的优势,提出了一种室内混合VLC/RF异构无线网络传输模型.针对该模型,考虑用户最大最小公平性、网络带宽约束以及最大发射功率约束条件,以用户需求速率门限值作为资源分配的重要条件,提出...     

超密集网络中基于分簇的资源分配算法

针对超密集网络(ultra-dense network, UDN)中,严重的小区间干扰制约终端用户的数据速率问题,提出一种基于染色分簇的资源分配方案。该方案采用图论中的染色算法对微蜂窝接入点(femtocell access points, FAPs)进行分簇,利用簇内每个微蜂窝用户(femtocell user equipments,FUEs)的待发送数据量、排队等待时延以及受到的干扰强度来构建相应的优先级,计算每个簇的优先级,并设定高优先级的簇可优先获得信道增益良好的子信道;最后由拉格朗日乘子法求解功率分配方案,即利用KKT(Karush-Kuhn-Tucker)条件和注水算法为FUEs分配功率。仿真结果表明,该方案能够有效地减小微蜂窝接入点之间的相互干扰,极大地满足用户的服务需求,同时提升了系统吞吐量和频谱效率。并且基于最大功率和最低速率的公平性准则能够动态地调整子信道功率,进一步提升了FUEs间的公平性。     

基于容量最优化的D2D资源分配方法的研究

D2D(Device-to-Device)通信是一种在基站的控制下,允许终端之间通过复用小区资源直接通信的新型技术.它能够增加蜂窝通信系统频谱效率,降低终端发射功率,在一定程度上解决了无线通信系统频谱资源匮乏的问题.由于在未来的移动网络中有越来越多的异构设备,一个高效的资源分配方案必须最大限度地提高系统的吞吐量,并实现更高的频谱效率.资源分配方案是在保证小区用户吞吐量的前提下,使D2D用户获得最大的吞吐量,并在文献[7]的基础上给出了一个算法来解决这个问题.通过仿真表明,算法具有较低的时间复杂度,能够有效地提高系统的吞吐量.