基于不完美CSI的异构NOMA网络能效优化算法

为了提高异构网络的能量效率和参数摄动抑制能力,减小跨层干扰,提出了一种基于能量效率最大的异构非正交多址接入网络稳健资源分配算法。首先,考虑宏用户干扰功率约束、小蜂窝基站功率约束、资源块分配约束及小蜂窝用户服务质量约束,将资源优化问题建模为混合整数非线性分式规划问题。其次,考虑椭球有界信道不确定模型,利用凸松弛法、Dinkelbach法和连续凸近似法,将原问题转化为等价的凸优化形式,并利用拉格朗日对偶方法获得解析解。仿真结果表明,与完美CSI算法相比,所提算法具有较好的能效和稳健性。

基于不完美CSI的水声自适应功率分配算法

水声信道面临带宽资源有限、环境复杂的问题,为提高水下通信速率,基于水声传感器网络的海洋应用提出自适应通信的需求。传统基于简单信噪比指标的自适应资源分配算法无法准确表述衰落信道的统计特征,利用强化学习和卷积神经网络预测信道的方法虽然可以提高一定信道状态信息(channel state information,CSI)的准确性,但这种方法需要长期的观测和大量的训练样本,不符合水声环境的实际情况。对比,构建了一种中继放大转发协作正交频分复用(orthogonal frequency division multiplexing,OFDM)通信的模型,解决了由于节点漂浮导致直接通信传输效率变低的问题,并提出一种在时延反馈CSI中基于OFDM的自适应功率比特分配算法,利用条件概率表征不完美的CSI,调整自适应通信参数,进行遍历容量最大化建模。仿真结果表明,该算法实现功率和比特的联合自适应分配,平均传输速率指标优于直接反馈CSI的功率分配算法,虽然略低于采用马尔可夫链预测信道的方法,但结合算法复杂度来看,所提算法更简单,更适合能量有限的水声传感器网络。

智能反射面辅助的多入单出共生无线电鲁棒安全资源分配算法

针对信道不确定性影响、无线信息泄露和障碍物阻挡导致通信质量下降等问题,该文提出一种基于智能反射面(RIS)辅助的多输入单输出(MISO)共生无线电(SR)鲁棒安全资源分配算法。考虑主用户的安全速率约束、次用户的最小速率约束、RIS最小能量收集约束,基于有界信道不确定性,建立了一个联合主被动波束赋形优化的资源分配问题。利用半正定松弛、S-procedure和变量替换法将含参数摄动的非凸问题转化为确定性的凸优化问题,并提出一种基于半正定松弛的鲁棒资源分配算法。仿真结果表明,与现有算法相比,该文算法具有较好的收敛性和鲁棒性。

可重构智能表面辅助多用户NOMA网络鲁棒资源分配

在不完美信道状态信息(Channel State Information,CSI)和不完美串行干扰消除(Successive Interference Cancellation,SIC)的场景下,研究了可重构智能表面(Reconfigurable Intelligent Surface,RIS)辅助多用户非正交多址接入(Non-Orthogonal Multiple Access,NOMA)网络的鲁棒资源分配问题.在考虑两类用户(信息用户和能量用户)服务质量(Quality of Service,QoS)和信息用户SIC约束下,建立了基站发射功率最小化的优化问题.该问题是一个多变量耦合的非凸优化问题.为了求解该问题,本文使用松弛变量、线性近似、S-程序、符号定性法转化该问题的非凸约束.然后将优化问题分解为两个子问题,最后使用交替优化方法迭代求解两个子问题,直到发送功率收敛.仿真结果表明:该文算法具有较好的收敛性,实现了资源的鲁棒分配,同时有效地降低基站发射功率.

智能反射面使能认知多播鲁棒波束赋形设计

针对智能反射面使能认知多播系统波束赋形设计面临不精确信道状态信息的问题,提出一种联合认知基站主动与IRS被动波束赋形的鲁棒优化方法。先利用连续凸近似方法、S-procedure和舒尔补引理处理不精确CSI导致的非凸约束,再利用交替优化解耦决策变量,进而提出基于交替优化和罚凸凹过程的次优方法。仿真结果表明所提算法收敛快,在信道估计存在一定误差时仍可用以部署IRS并显著提高认知多播网络性能。

面向分层异构网络的资源分配：一种稳健分层博弈学习方案

该文研究了信道状态不确定条件下分层异构微蜂窝网络中的无线资源分配优化问题。首先引入信道不确定模型描述无线信道的随机动态性,并将该问题建模为考虑信道不确定度的双层鲁棒斯坦伯格博弈;然后给出了该博弈的均衡点分析;最后提出了一种分布式改进型分层Q学习方案以实现宏基站和微基站的均衡策略搜索。理论分析和仿真表明,所提出的分层博弈模型可以有效抑制由于信道状态不确定引起的收益下降。所采用的学习方案较传统Q学习方案收敛速度明显加快,更加适用于短时快变的通信环境。

面向窃听用户的RIS-MISO系统鲁棒资源分配算法

针对信道不确定性影响、用户信息泄露和能效提升等问题,该文提出一种基于不完美信道状态信息的可重构智能反射面(RIS)多输入单输出系统鲁棒资源分配算法。首先,考虑能量收集最小接收功率约束、合法用户最小保密速率约束、基站最大发射功率约束及RIS相移约束,基于有界信道不确定性,建立一个联合优化基站主动波束、能量波束、RIS相移矩阵的多变量耦合非线性资源分配问题。然后,利用Dinkelbach,S-procedure和交替优化方法,将原非凸问题转换成确定性凸优化问题,并提出一种基于连续凸近似的交替优化算法。仿真结果表明,与传统非鲁棒算法对比,所提算法具有较低的中断概率。

基于非正交多址接入的网络切片联合用户关联和功率分配算法

为了满足网络切片多样化需求,实现无线虚拟资源的动态分配,该文提出在C-RAN架构中基于非正交多址接入的联合用户关联和功率资源分配算法。首先,该算法考虑在不完美信道条件下,以切片和用户最小速率需求及时延QoS要求、系统中断概率、前传容量为约束,建立在C-RAN场景中最大化长时平均网络切片总吞吐量的联合用户关联和功率分配模型。其次,将概率混合优化问题转换为非概率优化问题,并利用Lyapunov优化理论设计一种基于当前时隙的联合用户调度和功率分配的算法。最后采用贪婪算法求得用户关联问题次优解;基于用户关联的策略,将功率分配的问题利用连续凸逼近方法将其转换为凸优化问题并采用拉格朗日对偶分解方法获得功率分配策略。仿真结果表明,该算法能满足各网络切片和用户需求的同时有效提升系统时间平均切片总吞吐量。

大规模MIMO系统中功率分配的深度强化学习方法

对于最大化下行链路总和频谱效率优化问题,目前仍然缺乏针对多小区多用户大规模MIMO系统的研究,且通常未考虑上行信道状态信息的不完美.鉴于此,研究了上行信道状态信息不完美条件下的多小区多用户大规模MIMO系统下行链路总和频谱效率优化问题,以最大化下行链路总和频谱效率为目标,提出了深度Q网络和深度确定性策略梯度的两种功率分配方法.深度Q网络可解决通信系统中维度爆炸和缺乏泛化的问题,但Q-Learning算法仅适用于离散空间,必须量化传输功率.而深度确定性策略梯度是适用连续动作空间的算法,可解决由于量化功率带来的性能下降问题.仿真结果表明,与其他传统功率分配方法相比,所提方法可获得更优的总和频谱效率性能,而且时间复杂度要低得多.此外,深度确定性策略梯度方法在总和频谱效率性能和时间复杂度方面都优于深度Q网络.

基于有界信道状态信息不确定性的异构VLC/RF网络鲁棒能效资源分配算法

为解决异构可见光通信(VLC)/射频(RF)网络信道估计误差大和系统能效低的问题,本文提出了一种基于能效最大的鲁棒资源分配算法。在考虑基站最大传输功率约束、用户传输时间约束、系统带宽约束、用户服务质量约束及含有随机信道不确定性的速率中断概率约束的条件下,建立了鲁棒能效资源分配模型。基于Dinkelbach方法,将原不确定性优化问题转化成确定性优化问题。基于交替优化算法,将非凸确定性优化问题分解为两个凸优化子问题。仿真结果表明:与非鲁棒算法相比,本文算法的能效提升了7.3%;与基于功率最小的鲁棒资源分配算法相比,本文算法的鲁棒性提升了16.7%。