CN105764068B - 一种基于禁忌搜索的小基站容量与覆盖优化方法 - Google Patents
一种基于禁忌搜索的小基站容量与覆盖优化方法 Download PDFInfo
- Publication number
- CN105764068B CN105764068B CN201610204356.6A CN201610204356A CN105764068B CN 105764068 B CN105764068 B CN 105764068B CN 201610204356 A CN201610204356 A CN 201610204356A CN 105764068 B CN105764068 B CN 105764068B
- Authority
- CN
- China
- Prior art keywords
- base station
- small base
- optimization
- taboo
- capacity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/241—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account channel quality metrics, e.g. SIR, SNR, CIR, Eb/lo
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于禁忌搜索的容量与覆盖优化方法,属于无线通信技术领域,该方法包括:根据小基站初始功率,计算容量与覆盖目标优化函数初始值,采用禁忌搜索算法进行迭代优化,包括:计算当前解的邻域中使目标优化函数最优的解向量;若该解向量使目标优化函数值为目前为止最优,或非目前为止最优但处于非禁忌状态,则记为当前解并加入禁忌表,否则将该解向量从当前解的邻域中排除后返回计算邻域中最优的解向量;完成迭代优化后,更新小基站发射功率,输出此时小基站系统的容量与覆盖目标优化函数值。可实现小基站系统容量与覆盖的自优化,降低优化迭代的计算复杂度,实现网络整体性能的优化提升,且能达到全局最优。
Description
技术领域
本发明属于无线通信技术领域,特别涉及一种基于禁忌搜索的小基站容量与覆盖优化方法。
背景技术
目前一方面,爆炸性增长的移动数据流量业务,对移动通信网络带宽和容量及覆盖都提出了更高的要求,这使得传统的宏基站覆盖方式难以满足现今的用户需求。另一方面,在第三代合作伙伴计划(3GPP)LTE系统中,由于大量数据业务发生在室内,室内用户的数据量大且分布不均,导致室内信号并不理想、网络出现局部拥塞情况。因此部署短距离、低功耗的小基站成为一种有效的解决方案,小基站是相对于宏基站而言,小基站的基本形式有多种,包括家庭基站、微基站、皮基站等,部署于不同场景下。小基站系统是异构网络,包括宏基站和小基站,其系统结构如图1所示,宏基站发射功率较高,部署在室外;小基站发射功率较低,部署在室内或室外;每个宏基站覆盖范围内可有一个或多个小基站簇,小基站簇内聚集若干个小基站;宏基站和小基站间通过回程链路通信,小基站簇内的小基站之间通过回程链路通信。小基站能够有效增强室外覆盖、容量提升,改善室内覆盖,进而提高全网容量,特别是对于室内外高密度业务需求区域,小基站的部署能够有效改善用户体验,提供更高效的服务。
随着网络结构的扁平化发展和小基站的引入,移动网络更趋复杂化。运营商为了提高网络性能,更好地管理网络,简化网络设计,降低网络运营成本,将自组织网络的概念引入LTE系统,使得网络可以实现自配置和自优化。网络的自配置和自优化能够替代人工配置和优化操作,进一步减少配置和网络管理的开销,并有效实现LTE小基站网络的性能优化。
网络自配置目的是为了实现新部署的小基站的自动配置,使得基站能够自动发现和建立邻区关系,能够自动配置每个小区的物理识别号(ID),降低网络规划以及网络建设管理中人工的参与度,降低网络管理的维护成本,使配置后的网络能够满足基本需求,实现即插即用的功能需求。而自优化的目的是为了进一步提升网络性能,通过监测网络运行过程中的性能指标的变化及故障事件的发生,自动选择某些优化算法来调整网络设备的参数,以达到最优的系统能力和服务范围,实现网络整体性能的优化提升。
容量和覆盖自优化属于网络自优化的一项,是多约束多优化目标的优化问题,由于容量与覆盖之间相互制约,因此该优化问题为小区覆盖和容量两个参量优化折中均衡的过程,是联合优化问题。该问题可通过一定的算法自适应地调整相应射频参数,如发射功率、天线方位角等的,来达到容量和覆盖问题的优化提升。该优化问题应包含覆盖漏洞的检测、覆盖优化、覆盖和容量间的均衡等。现已有的算法研究多基于较为简单的拓扑网络模型假设、理想的信道模型假设、并且单一化调整射频参数,使得在实际自优化系统中的应用较为受限。
禁忌搜索(TS)多应用于解决组合优化问题,尤其当问题维数较高数据量较大时,禁忌搜索能够很好的降低求解最优解的复杂度。它是一种启发式搜索算法,核心思想是标记已获得的一些局部最优解来尽量避开(但并不完全禁忌)这些局部最优解,以及通过藐视准则对一些被禁忌解进行特赦,来避免陷入局部最优解,从而以多样化的搜索途径来获得全局优化搜索。禁忌搜索涉及邻域、邻域宽度、禁忌表、禁忌对象、禁忌长度、藐视准则等概念;邻域是指当前解周围一定范围内(这个范围的宽度称为邻域宽度)的取值集合,邻域与当前解和邻域宽度相关,并且在搜索过程中是随着当前解变化的;禁忌表是一种矩阵形式的表,根据该矩阵行列标号可唯一索引对应的可能解,矩阵元素值代表的是,之前若干次搜索过程中被禁忌的某个解(即禁忌对象)还需处于禁忌状态的次数(元素值为0则代表非禁忌状态,元素取值范围为0至禁忌长度,为正整数),禁忌表可选用动态的或者固定的,动态意味着禁忌长度在搜索过程中可变,固定意味着禁忌长度在搜索过程中始终为已设定的初始值;某个解处于禁忌状态(禁忌表对应元素值大于0)则为禁忌对象,意味着在之后若干(禁忌表对应元素值)次搜索将会被避开(没有满足藐视准则的情况下);禁忌长度(为正整数,可取典型值为2,5,10等)指禁忌对象首次被存放进禁忌表中时,对应禁忌表元素的取值,代表还需处于禁忌状态的次数(即还需存放在禁忌表中的迭代次数),之后的每次迭代,每个禁忌对象对应的禁忌表元素值减一,直至该禁忌对象对应元素值为0(即禁忌对象被免除禁忌状态);藐视准则指的是,若禁忌对象对应的目标函数值优于当前最优解,则无视其处于禁忌状态的属性而仍采纳其为当前解。
现有的容量和覆盖优化算法包括:粒子群算法,一种粒子在解空间追随最优粒子搜索的优化算法,求解简单收敛快,但对于离散问题求解不佳,容易陷入局部最优难以达到全局最优;模拟退火算法,一种基于概率启发式搜索的机制,逐渐微调待调节参数,可以以一定概率接受比当前解更差的解以避免陷入局部最优,最终达到全局的容量和覆盖优化,但其收敛速度较慢。
发明内容
本发明的目的是针对小基站系统中容量和覆盖的联合优化问题,提出一种基于禁忌搜索算法的小基站容量与覆盖优化方法,本方法将禁忌搜索引入容量和覆盖的联合优化中,可实现小基站系统容量与覆盖的自优化,降低优化迭代的计算复杂度,实现网络整体性能的优化提升,且能达到全局最优。
本发明提出的一种基于禁忌搜索的容量与覆盖优化方法,其特征在于,该方法包括以下步骤:
1)根据小基站初始发射功率,计算容量与覆盖的目标优化函数的初始值,具体计算步骤如下:
设该小基站系统包含K个宏基站l、M个小基站j和N个随机分布的用户终端UEi,其中,l=1,2,…,l,…,K,j=1,2,…j,…,M,i=1,2,…,i,…,N;小基站j的发射功率为pj,小基站j与用户终端UEi之间的传输信道增益为gij,则从小基站j传输到用户终端UEi的参考信号接收功率Prx(i,j)用式(1)表达:
Prx(i,j)=pjgij (1)
设系统噪声为σ2,则小基站j经由下行链路至用户终端UEi的信干噪比SINRi表达式如式(2):
其中gik为小基站k与用户终端UEi之间的传输信道增益,pk为小基站k的发射功率,k≠j;
假定每个导频功率都占据了总发射功率的均等固定的部分,并且每个专用信道也占据总功率的同等比例部分,则用户终端UEi的归一化吞吐量ti表示为式(3):
则小基站j的归一化总吞吐量Tj为表达式(4):
其中,Uj代表小基站j服务的所有用户终端,设容量的评估指标为整个网络中用户终端的平均吞吐量,其公式表达如式(5):
以每个宏基站覆盖小区中用户吞吐量的累积分布的最低的p%来表示覆盖,用Tl,p%表示宏基站l覆盖小区中用户吞吐量累积分布的最低的p%,引入折中系数γ来平衡覆盖和容量两个性能指标,0<γ<1,则M个小基站发射功率为pj'时,pj'={p1,p2,...,pj,...,pM},网络系统容量与覆盖的目标优化函数F(pj')定义如式(6):
2)采用禁忌搜索算法生成新的小基站发射功率pj',并计算目标优化函数新的取值F(pj'),具体步骤如下:
2-a)初始化禁忌搜索的参数:设定禁忌表为空,设定禁忌长度(记为P,典型值为2,5,10等,为正整数)、邻域宽度、小基站功率的取值范围(即所有可取的功率值)、搜索的最大迭代次数m_iter;令m=1,m=1,2,...,m,...,m_iter,第m次迭代开始时,令l=1,设宏基站l覆盖小区中小基站的发射功率为X(m,l),记为当前解;
2-b)计算在当前解X(m,l)的邻域范围内,使目标优化函数F(pj')最优的解向量;并判断该解向量是否使得目标优化函数值F(pj')为目前为止最优,若最优则执行步骤2-e),否则执行步骤2-c);
2-c)判断该解向量是否处于禁忌状态,若是,则将该解向量从当前解的邻域中排除,并执行步骤2-d),否则执行步骤2-e);
2-d)判断当前解X(m,l)的邻域中是否尚有处于非禁忌状态的解向量,若尚有,则返回执行步骤2-b);否则,将当前解的邻域中最早被标记为禁忌状态的解向量改置为非禁忌状态,并返回执行步骤2-b);
2-e)将该解向量记为当前解,并将pj'中对应表示宏基站l覆盖小区中小基站的元素值更新为X(m,l)中对应值;更新禁忌表各对应元素的禁忌状态,即使得目标优化函数F(pj')最优的解向量在禁忌表的对应元素值置为P,其余已处于禁忌状态的解向量在禁忌表的对应元素值减一;判断是否遍历所有K个宏基站,若已遍历则执行步骤2-g),未完成遍历则执行步骤2-f);
2-f)令l=l+1,将宏基站覆盖小区内小基站的发射功率记为X(m,l),同时记为当前解,返回执行步骤2-b);
2-g)判断m是否小于m_iter,若小于,则令m=m+1,并循环执行步骤2);否则结束循环,执行步骤3);
3)完成m_iter次迭代优化后,小基站发射功率已更新为pj',输出此时小基站系统的容量与覆盖目标优化函数值F(pj');结束本次小基站系统容量与覆盖优化。
本发明的技术特点及有益效果:
本发明创造性地将禁忌搜索算法引入到小基站系统的容量与覆盖优化问题中,并且以每个宏基站覆盖范围内小基站为一组变量,分布式调整小基站参数,其优化的复杂度低,相比于现有方法有更高的迭代收敛速度;另外,该容量与覆盖的自优化算法能跳出局部最优的困境,较好地逼近全局最优解,优化程度相比于现有方法更高。基于禁忌搜索算法的小基站容量与覆盖优化方法,可实现小基站系统容量与覆盖的自优化,实现网络覆盖和容量的联合优化目标,实现网络整体性能的优化提升。
附图说明
图1为现有的小基站组成结构示意图。
图2为本发明的方法流程框图。
具体实施方式
本发明提出的一种基于禁忌搜索的容量与覆盖优化方法结合附图及实施例进一步说明如下:
本发明提出的一种基于禁忌搜索的容量与覆盖优化方法,是基于小基站的功率参数调整,在该小基站系统中,宏基站与小基站异频部署,由小基站服务的用户将不受宏基站的信号干扰,只受到同频小基站的信号干扰,该方法如图2所示,包括以下步骤:
1)根据小基站初始发射功率,计算容量与覆盖的目标优化函数的初始值,具体计算步骤如下:
设该小基站系统包含K个宏基站l、M个小基站j和N个随机分布的用户终端UEi,其中,l=1,2,…,l,…,K,j=1,2,…j,…,M,i=1,2,…,i,…,N;小基站j的发射功率为pj,小基站j与用户终端UEi之间的传输信道增益为gij,则从小基站j传输到用户终端UEi的参考信号接收功率Prx(i,j)用式(1)表达:
Prx(i,j)=pjgij (1)
设系统噪声为σ2,则小基站j经由下行链路至用户终端UEi的信干噪比SINRi表达式如式(2):
其中gik为小基站k与用户终端UEi之间的传输信道增益,pk为小基站k的发射功率,k≠j;
假定每个导频功率都占据了总发射功率的均等固定的部分,并且每个专用信道也占据总功率的同等比例部分,则用户终端UEi的归一化吞吐量ti可表示为式(3):
所以小基站j的归一化总吞吐量Tj为表达式(4):
其中,Uj代表小基站j服务的所有用户终端,设容量的评估指标为整个网络中用户终端的平均吞吐量,其公式表达如式(5):
以每个宏基站覆盖小区中用户吞吐量的累积分布的最低的p%(p可取的典型值为5)来表示覆盖(即用于表示边缘吞吐量),用Tl,p%表示宏基站l覆盖小区中用户吞吐量累积分布的最低的p%,引入折中系数γ来平衡覆盖和容量两个性能指标,0<γ<1,因此M个小基站发射功率为pj'时,pj'={p1,p2,...,pj,...,pM},网络系统容量与覆盖的目标优化函数F(pj')定义如式(6):
2)采用禁忌搜索算法生成新的小基站发射功率pj',并计算目标优化函数新的取值F(pj'),具体步骤如下:
2-a)初始化禁忌搜索的参数:设定禁忌表为空,设定禁忌长度(记为P,典型值为2,5,10等,为正整数)、邻域宽度、小基站功率的取值范围(即所有可取的功率值)、搜索的最大迭代次数m_iter(可取典型值为100,为正整数)等参数;令m=1,m=1,2,...,m,...,m_iter,第m次迭代开始时,令l=1,设宏基站l覆盖小区中小基站的发射功率为X(m,l),为初始解向量,同时记为当前解;
2-b)计算在当前解X(m,l)的邻域范围内,使目标优化函数F(pj')最优的解向量;并判断该解向量是否使得目标优化函数值F(pj')为目前为止最优,若最优则执行步骤2-e),否则执行步骤2-c);
2-c)判断该解向量是否处于禁忌状态,若是,则将该解向量从当前解的邻域中排除,并执行步骤2-d),否则执行步骤2-e);
2-d)判断当前解的邻域中是否尚有处于非禁忌状态的解向量,若尚有,则返回执行步骤2-b);否则,将当前解的邻域中最早被标记为禁忌状态的解向量改置为非禁忌状态(即禁忌表中对应元素值置为0),并返回执行步骤2-b);
2-e)将该解向量记为当前解,并将pj'中对应表示宏基站l覆盖小区中小基站的元素值更新为X(m,l)中对应值;更新禁忌表各对应元素的禁忌状态,即使得目标优化函数F(pj')最优的解向量在禁忌表的对应元素值置为P,其余已处于禁忌状态的解向量在禁忌表的对应元素值减一(最小为0,不可为负);判断是否遍历所有K个宏基站,若已遍历则执行步骤2-g),未完成遍历则执行步骤2-f);
2-f)令l=l+1,将宏基站覆盖小区内小基站的发射功率记为X(m,l),同时记为当前解,返回执行步骤2-b);
2-g)判断m是否小于m_iter,若小于,则令m=m+1,并循环执行步骤2);否则结束循环,执行步骤3);
3)完成m_iter次迭代优化后,小基站发射功率已更新为pj',输出此时小基站系统的容量与覆盖目标优化函数值F(pj');结束本次小基站系统容量与覆盖优化。
Claims (1)
1.一种基于禁忌搜索的容量与覆盖优化方法,其特征在于,该方法包括以下步骤:
1)根据小基站初始发射功率,计算容量与覆盖目标优化函数的初始值,具体计算步骤如下:
设该小基站系统包含K个宏基站l、M个小基站j和N个随机分布的用户终端UEi,其中,l=1,2,…,l,…,K,j=1,2,…j,…,M,i=1,2,…,i,…,N;小基站j的发射功率为pj,小基站j与用户终端UEi之间的传输信道增益为gij,则从小基站j传输到用户终端UEi的参考信号接收功率Prx(i,j)用式(1)表达:
Prx(i,j)=pjgij (1)
设系统噪声为σ2,则小基站j经由下行链路至用户终端UEi的信干噪比SINRi表达式如式(2):
其中gik为小基站k与用户终端UEi之间的传输信道增益,pk为小基站k的发射功率,k≠j;
假定每个导频功率都占据了总发射功率的均等固定的部分,并且每个专用信道也占据总功率的同等比例部分,则用户终端UEi的归一化吞吐量ti表示为式(3):
则小基站j的归一化总吞吐量Tj为表达式(4):
其中,Uj代表小基站j服务的所有用户终端,设容量的评估指标为整个网络中用户终端的平均吞吐量,其公式表达如式(5):
以每个宏基站覆盖小区中用户吞吐量的累积分布的最低的p%来表示覆盖,用Tl,p%表示宏基站l覆盖小区中用户吞吐量累积分布的最低的p%,引入折中系数γ来平衡覆盖和容量两个性能指标,0<γ<1,则M个小基站发射功率为pj'时,pj'={p1,p2,...,pj,...,pM},网络系统容量与覆盖的目标优化函数F(pj')定义如式(6):
2)采用禁忌搜索算法生成新的小基站发射功率pj',并计算目标优化函数新的取值F(pj'),具体步骤如下:
2-a)初始化禁忌搜索的参数:设定禁忌表为空,设定禁忌长度记为P、为正整数,设定邻域宽度、小基站功率的取值范围、搜索的最大迭代次数m_iter;令m=1,m=1,2,...,m,...,m_iter,第m次迭代开始时,令l=1,设宏基站l覆盖小区中小基站的发射功率为X(m,l),记为当前解;
2-b)计算在当前解X(m,l)的邻域范围内,使得目标优化函数F(pj')最优的解向量;并判断该解向量是否使得目标优化函数值F(pj')为目前为止最优,若最优则执行步骤2-e),否则执行步骤2-c);
2-c)判断该解向量是否处于禁忌状态,若是,则将该解向量从当前解的邻域中排除,并执行步骤2-d),否则执行步骤2-e);
2-d)判断当前解X(m,l)的邻域中是否尚有处于非禁忌状态的解向量,若尚有,则返回执行步骤2-b);否则,将当前解的邻域中最早被标记为禁忌状态的解向量改置为非禁忌状态,并返回执行步骤2-b);
2-e)将该解向量记为当前解,并将pj'中对应表示宏基站l覆盖小区中小基站的元素值更新为X(m,l)中对应值;更新禁忌表各对应元素的禁忌状态,即使得目标优化函数F(pj')最优的解向量在禁忌表的对应元素值置为P,其余已处于禁忌状态的解向量在禁忌表的对应元素值减一;判断是否遍历所有K个宏基站,若已遍历则执行步骤2-g),未完成遍历则执行步骤2-f);
2-f)令l=l+1,将宏基站覆盖小区内小基站的发射功率记为X(m,l),同时记为当前解,返回执行2-b);
2-g)判断m是否小于m_iter,若小于,则令m=m+1,并循环执行步骤2);否则结束循环,执行步骤3);
3)完成m_iter次迭代优化后,小基站发射功率已更新为pj',输出此时小基站系统的容量与覆盖目标优化函数值F(pj');结束本次小基站系统容量与覆盖优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610204356.6A CN105764068B (zh) | 2016-04-01 | 2016-04-01 | 一种基于禁忌搜索的小基站容量与覆盖优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610204356.6A CN105764068B (zh) | 2016-04-01 | 2016-04-01 | 一种基于禁忌搜索的小基站容量与覆盖优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105764068A CN105764068A (zh) | 2016-07-13 |
CN105764068B true CN105764068B (zh) | 2019-03-29 |
Family
ID=56347203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610204356.6A Active CN105764068B (zh) | 2016-04-01 | 2016-04-01 | 一种基于禁忌搜索的小基站容量与覆盖优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105764068B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106028345A (zh) * | 2016-07-15 | 2016-10-12 | 清华大学 | 一种基于自适应禁忌搜索的小基站容量与覆盖优化方法 |
CN107182079B (zh) * | 2017-06-08 | 2020-02-18 | 清华大学 | 一种小基站缓存方法 |
CN109756270B (zh) * | 2019-02-26 | 2021-11-09 | 重庆邮电大学 | 一种室内可见光通信系统下行干扰抑制方法 |
CN111163477B (zh) * | 2020-02-29 | 2022-06-14 | 天津灵机科技有限公司 | 一种广域三维环境下一体化智能基站自动部署方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103945388A (zh) * | 2014-04-16 | 2014-07-23 | 西安交通大学 | 一种异构网络中基于遗传算法的用户接入网络方法 |
CN103957530A (zh) * | 2014-05-05 | 2014-07-30 | 西安电子科技大学 | 基于图的超启发式的蜂窝网络频谱分配方法 |
CN104036324A (zh) * | 2014-06-24 | 2014-09-10 | 北京航空航天大学 | 一种基于遗传算法的通信网络容量可靠性最优设计方法 |
-
2016
- 2016-04-01 CN CN201610204356.6A patent/CN105764068B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103945388A (zh) * | 2014-04-16 | 2014-07-23 | 西安交通大学 | 一种异构网络中基于遗传算法的用户接入网络方法 |
CN103957530A (zh) * | 2014-05-05 | 2014-07-30 | 西安电子科技大学 | 基于图的超启发式的蜂窝网络频谱分配方法 |
CN104036324A (zh) * | 2014-06-24 | 2014-09-10 | 北京航空航天大学 | 一种基于遗传算法的通信网络容量可靠性最优设计方法 |
Non-Patent Citations (1)
Title |
---|
基于集合覆盖和禁忌搜索算法的WCDMA基站布局;林俊龙;《上海交通大学学报》;20070630;第41卷(第6期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN105764068A (zh) | 2016-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107426773B (zh) | 无线异构网络中面向能效的分布式资源分配方法和装置 | |
CN106358308A (zh) | 一种超密集网络中的强化学习的资源分配方法 | |
CN105764068B (zh) | 一种基于禁忌搜索的小基站容量与覆盖优化方法 | |
CN106507393B (zh) | 一种基于综合开销函数的接入选择方法 | |
CN107708157A (zh) | 基于能效的密集小蜂窝网络资源分配方法 | |
Koudouridis et al. | Distributed power on-off optimisation for heterogeneous networks-a comparison of autonomous and cooperative optimisation | |
Wang et al. | Dense femtocell networks power self‐optimization: an exact potential game approach | |
Yu et al. | Dynamic resource allocation in TDD-based heterogeneous cloud radio access networks | |
Wang et al. | Bi-SON: Big-data self organizing network for energy efficient ultra-dense small cells | |
CN108282822A (zh) | 用户关联与功率控制在异构蜂窝网络中的协同优化算法 | |
CN105490794B (zh) | Ofdma毫微微小区双层网络基于分组的资源分配方法 | |
CN109714786A (zh) | 基于Q-learning的毫微微小区功率控制方法 | |
Han et al. | Power allocation for device-to-device underlay communication with femtocell using stackelberg game | |
CN106028345A (zh) | 一种基于自适应禁忌搜索的小基站容量与覆盖优化方法 | |
CN104640149A (zh) | 一种用于异构网络中的自适应小区扩展偏置调整方法 | |
CN110691360B (zh) | 基于用户分簇和斯塔克尔伯格模型的联合资源分配方法 | |
Xiao et al. | Resource allocation via hierarchical clustering in dense small cell networks: A correlated equilibrium approach | |
Liu et al. | Game-theoretic hierarchical resource allocation in ultra-dense networks | |
CN106686707B (zh) | 基于集中式自组织网络架构的倾角调整动态扇区休眠方法 | |
Sun et al. | Distributed power control for device-to-device network using stackelberg game | |
CN103428843B (zh) | 一种兼顾近远域用户效用的功率协调方法 | |
Wu et al. | Load-aware energy efficiency optimization in dense small cell networks | |
Liu et al. | Distributed enhanced inter-cell interference coordination (eICIC) in LTE-Advanced HetNets: A potential game approach | |
CN104023381A (zh) | 一种基于有效容量的上行ofdma家庭基站双层网络的功率控制方法 | |
Li et al. | Distributed power control for two-tier femtocell networks with QoS provisioning based on Q-learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |