智能电网中基于二分图匹配的网络切片资源分配算法

为了解决智能电网中多类业务的服务质量需求难以同时得到满足的问题并兼顾电力终端和网络侧经济效用,提出了一种基于二分图匹配的网络切片资源分配算法。针对智能电网场景中的控制类和采集类业务,为电力终端分别制定相应的投标信息,并据此计算支付价格和效用矩阵;将网络切片与电力终端之间的资源分配建模为二分图匹配问题,根据不同业务的时延、传输速率或能耗需求,向终端分配不同的切片资源以最大化系统效用。仿真结果表明,相较于已有的双向拍卖算法和贪心算法,所提算法能够提高10%~20%的系统效用。

基于用户窃听的MU-MISO反向散射通信系统鲁棒资源分配算法

针对反向散射通信系统信道估计不准、信息容易被窃听等问题,该文提出一种基于用户窃听的多用户-多输入单输出(MU-MISO)反向散射通信系统鲁棒资源分配算法,以提高系统传输鲁棒性与信息安全性。首先,考虑基站最大功率、时间分配、信道不确定性、能量收集和保密率等约束,建立一个MU-MISO的反向散射通信系统鲁棒资源分配问题。其次,基于非线性能量收集模型和有界球形信道不确定性模型,利用变量松弛法和S过程将原NP-hard问题转化为确定性问题,随后利用连续凸近似、半正定松弛与块坐标下降法将其转化为凸优化问题求解。仿真结果表明,与传统非鲁棒算法对比,所提算法具有较高的系统容量和较低的中断概率。

基于流量感知的无线接入网智能切片资源分配方法研究

为保障业务服务等级协议(Service Level Agreements, SLA)需求,使不同应用间差异化的服务质量需求同时得到良好满足,无线接入网(Radio Access Network, RAN)的动态网络资源配置十分关键。本文针对网络流量波动、网络状态快速变化的场景,提出一种结合时间序列预测和深度强化学习的智能化带宽分配策略,通过合理利用长短期记忆(Long Short-Term Memory, LSTM)网络和Dueling深度Q网络(Dueling Deep Q Network, Dueling DQN)以最大限度提高无线接入网切片的频谱效率和SLA满意度。通过使用LSTM网络对切片中数据流量进行预测,可以将深度强化学习算法的计算周期与实际切片配置周期有效解耦。同时为了在保障LSTM性能的同时降低其计算复杂度,以适应RAN中有限的计算资源,本文采用控制神经元连接比例的随机连接长短期记忆(Randomly Connected LSTM, RCLSTM)网络。此外,Dueling DQN与传统DQN相比,能够提高切片策略学习过程的Q值估计精度,以提升收敛速度。仿真结果表明:与原始DQN、优势Actor-Critic(Advantage Actor Critic, A2C)和硬切片方法相比,所提RCLSTM-Dueling DQN方案可以通过提前感知网络性能变化,有效降低网络环境波动对密集流量场景下无线切片资源管理的影响,在具有三种不同流量波动模式及服务质量需求的RAN切片场景中,可以获得收敛速度、频谱效率和切片SLA满意率的明显提升。同时,10%连接比例的RCLSTM网络能在保持极低性能损失的前提下,将原始LSTM的计算时间降低约11%。

配电网中任务卸载决策与边缘资源分配优化方法

移动边缘计算可以减轻配电网核心网络中海量数据的传输及处理压力,相对于云计算,边缘节点有限的计算能力使边缘资源的高效利用成为挑战。基于此,提出一种配电网中任务卸载决策与边缘资源分配优化方法。在包含多边缘节点多用户设备的配电网场景中,考虑任务随机、资源有限、计算能力不均衡及时延要求高等因素,构建云-边-端三层任务卸载及边缘资源分配优化模型;将优化过程分为计算卸载和资源拍卖两个阶段,在计算卸载阶段设计基于DRL的在线决策算法,在资源拍卖阶段设计基于补偿策略的多轮迭代拍卖算法;提出基于改进DQN算法的任务卸载与资源分配优化方法。仿真结果表明,在动态变化的配电网场景中,所提算法可有效提高系统计算能效和边缘节点效益。

低地球轨道卫星边缘计算场景中任务卸载与资源分配联合优化算法

针对低地球轨道(LEO)卫星边缘计算场景中地面用户计算任务的卸载需求,提出联合卸载与资源分配优化(JORAO)算法。考虑到LEO卫星的有限覆盖时间,以最小化所有地面用户的平均服务时延为目标,联合优化卸载策略、LEO卫星的通信和计算资源分配。将任务卸载与资源分配的联合优化问题分解为卸载决策和资源分配子问题,使用交替优化方法,获得原始优化问题的次优解。对于任务卸载决策子问题,将其建模为联盟博弈模型,当博弈达到纳什均衡时,获得最小化平均服务时延的地面用户卸载策略;对于资源分配子问题,使用拉格朗日乘子法获得最优的通信和计算资源分配结果。此外,还证明了所提算法的收敛性和稳定性。仿真结果表明,所提算法具有良好的收敛性,能显著降低地面用户的平均服务时延和提高任务卸载成功率。

边端协同环境中的任务卸载和资源分配方法

将终端任务卸载至边缘计算环境弥补了云计算距离较远而产生较大延迟的缺陷,同时还降低了设备能耗.但从资源方面来讲,边缘服务器的各类资源并不像云服务器那么充足,因此,任务卸载和资源分配的联合优化成为边缘计算的研究热点之一.已有的任务卸载和资源分配联合优化研究通常假设任务卸载至单个边缘服务器,默认每个终端设备产生一个任务,即使有研究多服务器的,也通常忽略服务器间的负载均衡.为此,本文在一个多边缘服务器多用户多任务的边端系统中,提出了一种权衡时延、能耗和负载均衡指标(即效益)的任务卸载和资源分配方法,其通过优化任务卸载决策、服务器计算资源分配和终端设备发射功率,实现任务卸载效益最大化.最后,为了验证所提方法的有效性,进行了充分的对比实验.实验结果表明,与对比方法相比,所提出的方法在提升卸载效益和实现服务器间负载均衡方面有良好的性能.

面向密集场景的空天地网络资源分配算法

空天地网络具有覆盖范围大、吞吐量高、弹性强等优点。该文针对大量用户并发接入、网络负载不均衡所引发的网络拥塞、服务质量恶化等问题,提出一种面向密集场景的资源分配算法。首先以用户需求为中心,根据不同类型用户任务的偏好来构建用户效用函数,然后基于匹配博弈的网络选择算法和结合对偶上升法的功率控制算法来实现负载均衡,优化资源分配方案。实验表明,相较于传统策略,所提策略整体用户接入率至少提高35%,时延和吞吐量方面性能提升超过50%;在密集场景下,能更有效地均衡负载,提升网络性能。

工业物联网中基于任务紧急程度的资源分配算法

工业物联网中任务的生成通常具有连续性和周期性,并且任务对时延要求很高,这给系统成本带来了挑战。为应对这一挑战,提出了一种基于任务紧急程度的成本最小化资源分配算法。通过遗传算法优化任务的卸载策略和系统的资源分配策略,对于卸载的任务,根据任务的紧急程度进行调度,并在满足时延要求的前提下计算任务的最优发射功率。仿真结果表明,所提算法有效改善了系统总能耗成本。

空地协同通信感知一体化系统的轨迹与资源分配联合优化

该文研究空地协同通信感知一体化系统,其中无人车(UGV)基站和无人机(UAV)中继集群组成空地协同网络,为用户提供通信服务,同时对目标区域进行探测感知。在更加准确的莱斯衰落信道模型下,研究联合优化无人机集群的通信感知关联、发射功率和飞行轨迹以及无人车基站的发射功率和行进轨迹,在目标区域感知频率和有效感知功率阈值的约束下,最大化用户最小平均通信速率。为了解决变量高度耦合且非凸的整数优化问题,首先利用块坐标下降法将原问题分解成4个子问题;接着引入松弛变量并将整数约束转化为惩罚项,然后证明莱斯信道下的有效感知功率是关于轨迹变量和松弛变量凸复合函数的联合凸函数;再利用连续凸优化法处理非凸项,并提出一种双层迭代算法高效求解次优解。仿真结果表明,与几种基准方案相比,所提优化算法在相同感知性能下,提高了用户最小平均通信速率,更好地实现了通信与感知性能之间的权衡,并具有良好的收敛性。

空中IRS辅助的MISO系统安全鲁棒资源分配算法

空中智能反射面(Aerial Intelligent Reflecting Surface,AIRS)结合了空中平台与智能反射面(Intelligent Reflecting Surface,IRS)的优势,能被灵活地部署在各种无线网络拓扑中以提高通信系统的性能指标。针对无线传输易受到障碍物阻挡和用户窃听而导致传输质量差和安全性能低的问题,本文提出了一种AIRS辅助的多输入单输出(Multiple-Input Single-Output,MISO)通信系统安全鲁棒资源分配算法。考虑到窃听信道的不确定性,以最大化系统的最坏情况总保密速率为目标,在满足基站最大发射功率约束、AIRS相移约束、AIRS部署位置约束以及合法用户最小保密速率约束的条件下,建立了一个联合设计基站主动波束成形、多个AIRS被动波束成形以及多个AIRS部署位置的多变量资源分配问题。然而,优化变量之间的高度耦合导致所建立的问题是复杂非凸的。为了求解上述非凸问题,首先利用块坐标下降(Block Coordinate Descent,BCD)方法将原问题分解为三个子问题,然后应用变量松弛、罚函数以及连续凸近似(Successive Convex Approximation,SCA)等方法来处理这些非凸子问题,最后提出一种交替迭代算法对原优化问题进行迭代求解。仿真结果表明,所提出的资源分配算法相较于其他基准算法能够更为显著地提高通信系统的最坏情况总保密速率并且具有良好的鲁棒性。这一结果不仅验证了AIRS在实现安全无线通信方面的巨大潜力,同时也突显出合理设计AIRS部署位置及其被动波束成形的重要性。

基于硬件损伤的认知反向散射通信网络鲁棒安全资源分配算法

为了提高反向散射通信网络频谱效率、传输鲁棒性及信息安全性,该文提出一种基于硬件损伤的认知反向散射通信网络鲁棒安全资源分配算法。首先,考虑认知反向散射用户的最小安全速率、传输时间、能量收集和反射系数等约束,基于有界信道不确定性和频谱感知误差模型,建立一个多变量耦合的吞吐量最大化非凸资源分配问题。其次,利用最坏准则、连续凸近似和交替优化方法,将原问题转换为凸优化问题,并提出一种基于迭代的鲁棒资源分配算法。仿真结果表明,与现有算法对比,所提算法具有较好的鲁棒性。

铁路应急场景下无人机通信感知一体化无线网络资源智能分配算法

面向恶劣自然环境下地面基础设施受损的铁路场景,该文提出一种无人机(UAV)通信感知一体化无线接入网络架构,实现对列车运行环境的实时感知及应急信息回传。考虑到无人机的续航能力有限,通过建立列车制动距离模型与无人机能耗模型,在满足信息回传通信性能与列车环境感知需求的情况下,联合调整无人机飞行速度和通信发射功率以优化无人机整体能耗。通过分析发现,该优化问题符合马尔可夫决策过程(MDP),基于此,提出一种基于深度双Q网络(DDQN)的无人机通信感知一体化无线资源智能分配算法解决上述问题。最后,该文对所提算法的收敛性能、无人机环境感知距离和无人机能耗进行了仿真实验。仿真结果显示,所提算法具有良好的收敛性能,在满足铁路应急场景环境感知及信息回传需求的同时,能够最大化无人机通信作业时长。

移动边缘计算中计算卸载与资源分配联合优化策略

为了在移动边缘计算(MEC)中最大限度地减少处理用户任务的时延和能耗,改善用户体验,以最小化用户的完成时间和能耗的加权和为目标,在计算资源的约束下研究了多用户、多MEC服务器中的计算卸载问题。针对此问题,考虑卸载决策和资源分配之间存在的依赖关系,首先将原问题解耦为卸载决策和计算资源分配2个子问题。然后,使用鲸鱼优化算法求解卸载决策问题,通过添加非线性收敛因子和惯性权重加快收敛速度;引入反馈机制,防止陷入局部最优,得到更高概率可行的卸载决策;对于资源分配问题使用拉格朗日乘子法得到每个卸载决策下的最佳计算资源分配解。最后,通过多次迭代得到稳定的收敛解。仿真实验结果表明,与其他基准方案相比,最多减少了44.6%的系统开销。

基于多目标深度强化学习的车车通信无线资源分配算法

针对车联网动态不确定特性、业务类型多元化以及无线通信资源稀缺性,研究了蜂窝车联网车与网络(vehicle-to-network,V2N)和车与车(vehicle-to-vehicle,V2V)链路共存且共享频谱场景下保证业务多指标需求和无线资源有效利用的问题.首先建立多目标优化问题模型来表示蜂窝车联网信道选择和功率控制的决策过程,该问题考虑了网络环境动态变化的影响,旨在实现优化目标V2V链路的性能(即信息年龄、延迟以及传输速率)和V2N链路传输速率之间的权衡.在此基础上,提出了基于多目标深度强化学习的车车通信无线资源分配算法进行神经网络训练和问题求解.通过训练好的神经网络模型可以得到多目标优化问题的帕累托前沿.仿真实验表明,所提出算法能够有效地权衡不同通信链路可实现的性能.与4种有代表性的算法比较,V2V链路信息年龄降低12.0%~17.2%,V2N链路传输速率提升11.4%~21.6%,V2V链路传输成功率提高4.6~13.91个百分点,决策延迟时间降低10.6%~20.3%.

基于深度强化学习的空天地一体化网络资源分配算法

空天地一体化网络(SAGIN)通过提高地面网络的资源利用率可以有效满足多种业务类型的通信需求,然而忽略了系统的自适应能力和鲁棒性及不同用户的服务质量(QoS)。针对这一问题,该文提出在空天地一体化网络架构下,面向城区和郊区通信的深度强化学习(DRL)资源分配算法。基于第3代合作伙伴计划(3GPP)标准中定义的用户参考信号接收功率(RSRP),考虑地面同频干扰情况,以不同域中基站的时频资源作为约束条件,构建了最大化系统用户的下行吞吐量优化问题。利用深度Q网络(DQN)算法求解该优化问题时,定义了能够综合考虑用户服务质量需求、系统自适应能力及系统鲁棒性的奖励函数。仿真结果表明,综合考虑无人驾驶汽车,沉浸式服务及普通移动终端通信业务需求时,表征系统性能的奖励函数值在2 000次迭代下,相较于贪婪算法提升了39.1%;对于无人驾驶汽车业务,利用DQN算法进行资源分配后,相比于贪婪算法,丢包数平均下降38.07%,时延下降了6.05%。

NOMA增强型D2D组的鲁棒资源分配算法

为提高非正交多址接入(non-orthogonal multiple access,NOMA)增强型设备到设备(device-to-device,D2D)组链路的鲁棒性和能效,考虑非理想信道状态信息(channel station information,CSI),提出一种能效优化的鲁棒资源分配算法.首先,在保证子信道分配、蜂窝用户和D2D组最小速率以及D2D组最大传输功率约束下,建立最大最小鲁棒能效模型;其次,考虑最坏情况法将信道不确定性建模为有界信道估计误差,并用泰勒级数展开式、凸松弛、变量转换法将原多变量耦合问题转化为凸优化问题;最后,用拉格朗日对偶理论求解.仿真结果表明,所提出的算法将传输速率控制在最低速率阈值以上,具有良好的鲁棒性,与其他算法相比能效提高了8.3%.

利用A2C-ac的城轨车车通信资源分配算法

在城市轨道交通列车控制系统中,车车(T2T)通信作为新一代列车通信模式,利用列车间直接通信来降低通信时延,提高列车运行效率。在T2T通信与车地(T2G)通信并存场景下,针对复用T2G链路产生的干扰问题,在保证用户通信质量的前提下,该文提出一种基于多智能体深度强化学习(MADRL)的改进优势演员-评论家(A2C-ac)资源分配算法。首先以系统吞吐量为优化目标,以T2T通信发送端为智能体,策略网络采用分层输出结构指导智能体选择需复用的频谱资源和功率水平,然后智能体做出相应动作并与T2T通信环境交互,得到该时隙下T2G用户和T2T用户吞吐量,价值网络对两者分别评价,利用权重因子β为每个智能体定制化加权时序差分(TD)误差,以此来灵活优化神经网络参数。最后,智能体根据训练好的模型联合选出最佳的频谱资源和功率水平。仿真结果表明,该算法相较于A2C算法和深度Q网络(DQN)算法,在收敛速度、T2T成功接入率、吞吐量等方面均有明显提升。

预测性维护任务计算卸载与资源分配联合优化

针对预测性维护(predictive maintenance,PdM)人工参与资源调配的问题,提出了一种基于改进人工蜂群算法(artificial bee colony,ABC)的计算卸载和资源分配方案。该方法利用遗传算法的进化思想,改进了侦察蜂的搜寻步骤,解决了传统人工蜂群算法容易陷入局部最优解、多样性不足等缺点,能够根据设备故障率生成维护成本最低的资源分配方案。仿真实验结果表明,该算法较其他算法收敛速度更快、收敛质量更高、减少维护成本更明显,能够有效解决PdM场景的计算卸载和资源分配问题。

不同时延约束下计算卸载和资源分配联合优化

移动边缘计算(Mobile Edge Computing,MEC)目的是将计算任务卸载至网络边缘为用户提供计算和存储资源,以节省任务完成时延和能耗.而边缘服务器资源有限,为高效利用有限的服务器资源,降低系统的时延和能耗,针对时延敏感度不同的用户集,提出一种计算卸载与资源分配的联合优化策略.首先,采用平均化思想进行任务预分类,并确定优先级;其次,考虑到同侪效应的存在以及用户间的干扰,提出一种为卸载用户匹配MEC服务器与子信道资源的外部性匹配算法,利用Karush-Kuhn-Tucker(KKT)条件下的拉格朗日乘子法进行计算资源分配;最后,设计联合优化算法得到用户最优卸载决策.结果表明,本文所提策略在用户时延需求高满意率的同时有效降低了系统的总计算开销.

不确定网络环境中任务卸载和资源分配联合优化方法

在不确定的无线网络环境中,由于任务到达、用户移动的随机性以及无线信道状态的时变性,导致出现不确定的任务云端排队时延、设备网络连接时间等网络环境特征,极大影响计算卸载效率和网络资源利用率。针对这一问题,建立了算网协同的动态任务卸载和资源联合分配模型,以最小化系统总能耗为目标,提出了基于随机模拟的任务卸载和算网资源联合分配多阶段随机规划优化算法(SS-MSSP),采用多阶段随机规划理论制定多阶段策略,并以后验算网资源分配的方式来追索补偿不确定网络环境的影响。仿真结果表明,在不确定的网络环境中,SS-MSSP算法保证了用户的计算时延需求,同时有效降低了系统能耗。