CN106230528B - 一种认知无线网络频谱分配方法及系统 - Google Patents
一种认知无线网络频谱分配方法及系统 Download PDFInfo
- Publication number
- CN106230528B CN106230528B CN201610600802.5A CN201610600802A CN106230528B CN 106230528 B CN106230528 B CN 106230528B CN 201610600802 A CN201610600802 A CN 201610600802A CN 106230528 B CN106230528 B CN 106230528B
- Authority
- CN
- China
- Prior art keywords
- particle
- population
- update
- iterations
- speed
- 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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种认知无线网络频谱分配方法,该方法为基于随机漂移的粒子群优化算法的认知无线电网络频谱分配方法,其中以最大化认知无线网络的总效益为目标,基于此种方法提高频谱分配的方法,本方法通过随机漂移的粒子群优化算法根据热运动和漂移运动巧妙的更新粒子的速度,并且可以兼顾局部搜索和全局搜索,将随机漂移的粒子群优化算法应用到无线频谱资源分配上能更加高效的将无线频谱资源分配给认知用户,更好的实现网络效益最大化;另外,本发明还公开了一种认知无线网络频谱分配系统。
Description
技术领域
本发明涉及无线通信技术领域,更具体的说,是涉及一种认知无线网络频谱分配方法及系统。
背景技术
随着无线通信的快速发展,频谱资源供需矛盾日益突出。对于认知无线技术的出现在一定程度上解决了频谱资源供需矛盾的问题。在认知无线网络中,认知用户可以“机会的”接入授权用户的空闲频谱,有效的提高了频谱资源的利用率,但是频谱分配是认知无线电的关键技术,主要是解决了在检测到空闲频谱后,如何满足在一定的分配目标下,将空闲频谱高效的分配给认知用户。
目前,频谱分配大都基于一些经典的数学理论以及微观经济学理论。主要有基于竞价与拍卖、背包问题、博弈论和图着色原理等。在这其中,基于图着色的频谱分配原理是比较成熟的一种算法,它将频谱分配问题表示为一个冲突图,根据不同的目标函数和规则将可用频谱段分配给用户。基于图着色的频谱分配被证明为一个NP难问题,而智能算法是求解NP难问题的有效算法,其中比较经典的是PSO(Particle Swarm optimization,基于粒子群优化算法)和GA(genetic algorithm,基于遗传算法),这两种算法应用于频谱分配中,PSO只考虑全局搜索,而GA只考虑局部搜索。
发明内容
有鉴于此,本发明提供了一种认知无线网络频谱分配方法及系统,。
为实现上述目的,本发明提供如下技术方案:
一种认知无线网络频谱分配方法,包括:
对随机漂移的粒子群进行初始化,设置所述粒子群的迭代次数的最大迭代次数为100、初始位置和初始速度;
按照适应度评估函数计算所述粒子群中各粒子的适应值,确定个体极值和全局极值;
根据随机漂移粒子群算法特有的速度更新公式和位置更新公式以及限制条件对所述个体极值和所述全局极值进行粒子速度和粒子位置的更新;
判断所述迭代次数是否达到最大迭代次数,若是,则将更新的所述粒子速度和粒子位置输出,若否,则按照适应度评估函数计算所述粒子群中更新的粒子的适应值。
优选的,所述按照适应度评估函数计算所述粒子群中各粒子的适应值,确定个体极值和全局极值之前,还包括:
判断所述粒子群的初始位置和初始速度是否符合约束条件,若否,则进行所述粒子群的初始位置和初始速度的更新,若是,则将所述粒子群的初始位置和初始速度作为最优解进行所述粒子群的更新位置。
其中,所述速度更新公式为其中,Vi t+1为粒子i在t+1时刻的速度;alpha为热系数,beta为漂移系数, 为平均最好位置,为全局最好位置。
其中,所述位置更新公式为其中,为粒子i在t+1时刻的位置信息。
其中,所述限制条件为在t+1时刻的更新策略,即:和其中,所述将所述xi限制在(0,1)之间。
一种认知无线网络频谱分配系统,包括:
初始化单元,用于对随机漂移的粒子群进行初始化,设置所述粒子群的迭代次数的最大迭代次数为100、初始位置和初始速度;
计算单元,用于按照适应度评估函数计算所述粒子群中各粒子的适应值,确定个体极值和全局极值;
更新单元,用于根据随机漂移粒子群算法特有的速度更新公式和位置更新公式以及限制条件对所述个体极值和所述全局极值进行粒子速度和粒子位置的更新;
判断单元,用于判断所述迭代次数是否达到最大迭代次数,若是,则将更新的所述粒子速度和粒子位置输出,若否,则按照适应度评估函数计算所述粒子群中更新的粒子的适应值。
优选的,所述计算单元之前,还包括:
第一判断单元,用于判断所述粒子群的初始位置和初始速度是否符合约束条件,若否,则进行所述粒子群的初始位置和初始速度的更新,若是,则将所述粒子群的初始位置和初始速度作为最优解进行所述粒子群的更新位置。
其中,所述速度更新公式为其中,Vi t+1为粒子i在t+1时刻的速度;alpha为热系数,beta为漂移系数, 为平均最好位置,为全局最好位置。
其中,所述位置更新公式为其中,为粒子i在t+1时刻的位置信息。
其中,所述限制条件为在t+1时刻的更新策略,即:和其中,所述将所述xi限制在(0,1)之间。
经由上述的技术方案可知,与现有技术相比,本发明公开了一种认知无线网络频谱分配方法,该方法为基于随机漂移的粒子群优化算法的认知无线电网络频谱分配方法,其中以最大化认知无线网络的总效益为目标,基于此种方法提高频谱分配的方法,本方法通过随机漂移的粒子群优化算法根据热运动和漂移运动巧妙的更新粒子的速度,并且可以兼顾局部搜索和全局搜索,将随机漂移的粒子群优化算法应用到无线频谱资源分配上能更加高效的将无线频谱资源分配给认知用户,更好的实现网络效益最大化;另外,本发明还公开了一种认知无线网络频谱分配系统。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种认知无线网络频谱分配方法的流程示意图;
图2为本发明实施例中认知无线网络频谱分配的示意图;
图3为本发明实施例采用随机漂移粒子算法与现有技术中GA算法、EA算法、PSP算法对比的系统收益对比图;
图4为本发明实施例提供的一种认知无线网络频谱分配系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
随机漂移的粒子群优化算法(Random Drift Particle Swarm optimization,RDPSO)是基于外部电场下的金属导体中的自由电子运动的模型。每个电子在外部电场的作用下既有热运动,又有漂移运动。漂移运动是由电场引起的,是电子朝电场相反方向的定向运动;热运动是随机的即使没有外部电场也会存在。这两种运动的结合会使电子向势能最小的方向运动,其中漂移运动会使粒子向最好的位置运动,也就是全局最佳位置,因此可以实现粒子的全局搜索;热运动使得粒子的随机性更大,可以反映出粒子的局部搜索能力,两种速度的叠加可以很好的权衡局部搜索和全局搜索。
请参阅附图1,图1为本发明实施例提供的一种认知无线网络频谱分配方法的流程示意图。如图1所示,本发明实施例公开了一种认知无线网络频谱分配方法,该方法具体包括如下步骤:
S101、对随机漂移的粒子群进行初始化,设置粒子群的迭代次数的最大迭代次数为100、初始位置和初始速度。
在本实施例中,认知网络结构包括授权用户和认知用户,每个主用户拥有一条独立信道,通过认知无线网络结构,具体的,请参阅附图2,图2为本发明实施例中认知无线网络频谱分配的示意图,首先进行数据初始化,确定以下矩阵:
可用频谱矩阵L={ln,m|ln,m∈(0,1)}N×M,效益矩阵B={bn,m|b>0}N×M,干扰矩阵C={cn,k,m|cn,k,m∈{0,1}}N×K×M,频谱分配矩阵A={an,m|an,m∈{0,1},an,m≤ln,m}N×M,an,m=1时,说明信道m分配给认知用户n时候不会对其他用户产生影响;热系数为alpha,漂移系数为beta;种群的规模大小为swarm_size=10;个体极值pi,并选出最优值及其位置为pg,找出可用矩阵L为1的元素存储在矩阵L1{(n,m)|ln×m=1}。适应度评价函数即为认知无线网络总效益函数为:
需要说明的是,n为人知用户,m为授权频段,N为人知用户的个数,N为空闲频段的个数,ln,m表示授权频段m是否为认知用户n的可用频段,ln,m=1表示表示授权频段m为认知用户n的可用频段,ln,m=0表示授权频段n为认知用户m的不可用频段;bn,m表示认知用户n在授权频段m上获得的最大效益;cm,k,n表示认知用户n和k同时使用授权频段m是否产生干扰,值为0时表示不会产生干扰,值为1时表示会产生干扰;ln×m=1表示授权频段m成功分配给认知用户n。
S102、按照适应度评估函数计算粒子群中各粒子的适应值,确定个体极值和全局极值。
在本实施例中,将中的粒子与第j个粒子进行比较,判断an,m对应1≤j≤l,(n,m)表示表L1中第j个元素和位置,搜索满足cm,k,n=1的认知用户,判断矩阵A中的第n行和m列的元素和第k行m列元素是否相等并等于1,若元素等于1,则随机把两行中任意一行的对应元素变为0,而另一行对应的元素保持不变为1。
需要说明的是,为粒子x在t时刻的位置信息。
S103、根据随机漂移粒子群算法特有的速度更新公式和位置更新公式以及限制条件对个体极值和全局极值进行粒子速度和粒子位置的更新。
在本实施例中,所述速度更新公式为其中,Vi t+1为粒子i在t+1时刻的速度;alpha为热系数,beta为漂移系数, 为平均最好位置,为全局最好位置。所述位置更新公式为其中,为粒子i在t+1时刻的位置信息。所述限制条件为在t+1时刻的更新策略,即:和其中,所述将所述xi限制在(0,1)之间。
需要说明的是,速度更新公式、位置更新公式为随机漂移粒子群算法特有的计算公式,限制条件为在t+1时刻的更新策略,使用的作用是将xi限制在(0,1)之间。
S104、判断迭代次数是否达到最大迭代次数,若是,则将更新的粒子速度和粒子位置输出,若否,则按照适应度评估函数计算粒子群中更新的粒子的适应值。
在本实施例中,判断迭代次数是否达到最大迭代次数100,若达到第100次迭代时,终止上述迭代算法,将更新的粒子速度和粒子位置作为最终的极值及其位置按照策略映射为频谱分配矩阵,即找到最佳频谱分配矩阵,实现频谱分配;若未达到第100次迭代时,则返回上述步骤S103进行粒子位置及速度的更新,计算最优适应值。
优选的,在上述步骤中的步骤S102、按照适应度评估函数计算所述粒子群中各粒子的适应值,确定个体极值和全局极值之前还包括:
判断粒子群的初始位置和初始速度是否符合约束条件,若否,则进行粒子群的初始位置和初始速度的更新,若是,则将粒子群的初始位置和初始速度作为最优解进行粒子群的更新位置。
通过本方法实现在分配频谱过程的仿真,如图3所示,与现有技术中PSP算法,GA算法,EA算法相比,在迭代次数到100,本实施例提出的基于随机漂移的粒子群优化算法在随着迭代次数增加时,系统收益大幅度提升,如图3所示,横坐标t为迭代次数,纵坐标Max-Sum-reward为系统收益,由图3可知,基于随机漂移的粒子群优化算法在系统收益和搜索时间上都比现有技术中PSP算法,GA算法,EA算法有较大的提高。
本实施例提供的一种认知无线网络频谱分配方法,该方法为基于随机漂移的粒子群优化算法的认知无线电网络频谱分配方法,其中以最大化认知无线网络的总效益为目标,基于此种方法提高频谱分配的方法,本方法通过随机漂移的粒子群优化算法根据热运动和漂移运动巧妙的更新粒子的速度,并且可以兼顾局部搜索和全局搜索,将随机漂移的粒子群优化算法应用到无线频谱资源分配上能更加高效的将无线频谱资源分配给认知用户,更好的实现网络效益最大化。
在上述公开的方法基础上,本发明还公开了一种系统。
请参阅附图4,图4为本发明实施例提供的一种认知无线网络频谱分配系统的结构示意图。如图4所示,本发明公开了一种认知无线网络频谱分配系统,具体的,该系统的结构具体包括如下:
初始化单元401,用于对随机漂移的粒子群进行初始化,设置粒子群的迭代次数的最大迭代次数为100、初始位置和初始速度;
计算单元402,用于按照适应度评估函数计算粒子群中各粒子的适应值,确定个体极值和全局极值;
更新单元403,用于根据随机漂移粒子群算法特有的速度更新公式和位置更新公式以及限制条件对个体极值和全局极值进行粒子速度和粒子位置的更新;
判断单元404,用于判断迭代次数是否达到最大迭代次数,若是,则将更新的粒子速度和粒子位置输出,若否,则按照适应度评估函数计算粒子群中更新的粒子的适应值。
优选的,在所述计算单元402之前,还包括:
第一判断单元,用于判断粒子群的初始位置和初始速度是否符合约束条件,若否,则进行粒子群的初始位置和初始速度的更新,若是,则将粒子群的初始位置和初始速度作为最优解进行粒子群的更新位置。
该系统基于上述一种认知无线网络频谱分配方法,具体的相关内容已经在方法内容进行了详细描述,再此不再进行赘述,具体内容可以参见方法部分内容。
本实施例提供的一种认知无线网络频谱分配系统,该系统为基于随机漂移的粒子群优化算法的认知无线电网络频谱分配方法,其中以最大化认知无线网络的总效益为目标,基于此种方法提高频谱分配的方法,本系统通过随机漂移的粒子群优化算法根据热运动和漂移运动巧妙的更新粒子的速度,并且可以兼顾局部搜索和全局搜索,将随机漂移的粒子群优化算法应用到无线频谱资源分配上能更加高效的将无线频谱资源分配给认知用户,更好的实现网络效益最大化。
综上所述,本发明公开了一种认知无线网络频谱分配方法,该方法为基于随机漂移的粒子群优化算法的认知无线电网络频谱分配方法,其中以最大化认知无线网络的总效益为目标,基于此种方法提高频谱分配的方法,本方法通过随机漂移的粒子群优化算法根据热运动和漂移运动巧妙的更新粒子的速度,并且可以兼顾局部搜索和全局搜索,将随机漂移的粒子群优化算法应用到无线频谱资源分配上能更加高效的将无线频谱资源分配给认知用户,更好的实现网络效益最大化;另外,本发明还公开了一种认知无线网络频谱分配系统。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
以上结合附图对本发明所提出的方法及系统进行了示例性描述,以上实施例的说明只是用于帮助理解本发明的核心思想。对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,如前后桥都有电机参与驱动的混合动力系统等。综上所述,本说明书内容不应理解为对本发明的限制。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种认知无线网络频谱分配方法,其特征在于,包括:
对随机漂移的粒子群进行初始化,设置所述粒子群的迭代次数的最大迭代次数为100、初始位置和初始速度;
按照适应度评估函数计算所述粒子群中各粒子的适应值,确定个体极值和全局极值;
根据随机漂移粒子群算法特有的速度更新公式和位置更新公式以及限制条件对所述个体极值和所述全局极值进行粒子速度和粒子位置的更新,所述速度更新公式为其中,Vi t+1为粒子i在t+1时刻的速度;alpha为热系数,beta为漂移系数, 为平均最好位置,为全局最好位置,所述位置更新公式为其中,为粒子i在t+1时刻的位置信息,所述限制条件为在t+1时刻的更新策略,即:和其中,所述将所述xi限制在(0,1)之间;
判断所述迭代次数是否达到最大迭代次数,若是,则将更新的所述粒子速度和粒子位置输出,若否,则按照适应度评估函数计算所述粒子群中更新的粒子的适应值。
2.根据权利要求1所述的方法,其特征在于,所述按照适应度评估函数计算所述粒子群中各粒子的适应值,确定个体极值和全局极值之前,还包括:
判断所述粒子群的初始位置和初始速度是否符合约束条件,若否,则进行所述粒子群的初始位置和初始速度的更新,若是,则将所述粒子群的初始位置和初始速度作为最优解进行所述粒子群的更新位置。
3.一种认知无线网络频谱分配系统,其特征在于,包括:
初始化单元,用于对随机漂移的粒子群进行初始化,设置所述粒子群的迭代次数的最大迭代次数为100、初始位置和初始速度;
计算单元,用于按照适应度评估函数计算所述粒子群中各粒子的适应值,确定个体极值和全局极值;
更新单元,用于根据随机漂移粒子群算法特有的速度更新公式和位置更新公式以及限制条件对所述个体极值和所述全局极值进行粒子速度和粒子位置的更新,所述速度更新公式为其中,Vi t+1为粒子i在t+1时刻的速度;alpha为热系数,beta为漂移系数, 为平均最好位置,为全局最好位置,所述位置更新公式为其中,为粒子i在t+1时刻的位置信息,所述限制条件为在t+1时刻的更新策略,即:和其中,所述将所述xi限制在(0,1)之间;
判断单元,用于判断所述迭代次数是否达到最大迭代次数,若是,则将更新的所述粒子速度和粒子位置输出,若否,则按照适应度评估函数计算所述粒子群中更新的粒子的适应值。
4.根据权利要求3所述的系统,其特征在于,所述计算单元之前,还包括:
第一判断单元,用于判断所述粒子群的初始位置和初始速度是否符合约束条件,若否,则进行所述粒子群的初始位置和初始速度的更新,若是,则将所述粒子群的初始位置和初始速度作为最优解进行所述粒子群的更新位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610600802.5A CN106230528B (zh) | 2016-07-27 | 2016-07-27 | 一种认知无线网络频谱分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610600802.5A CN106230528B (zh) | 2016-07-27 | 2016-07-27 | 一种认知无线网络频谱分配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106230528A CN106230528A (zh) | 2016-12-14 |
CN106230528B true CN106230528B (zh) | 2019-04-09 |
Family
ID=57534512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610600802.5A Active CN106230528B (zh) | 2016-07-27 | 2016-07-27 | 一种认知无线网络频谱分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106230528B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106992823B (zh) * | 2017-03-02 | 2020-08-11 | 南京邮电大学 | 一种认知无线电网络频谱感知方法 |
CN108260218A (zh) * | 2018-04-13 | 2018-07-06 | 桂林电子科技大学 | 具有频谱分配功能的认知车载通信方法和系统 |
CN110012473B (zh) * | 2019-03-06 | 2022-03-08 | 西安电子科技大学 | 基于群体智能移动代理协作感知方法、认知无线网络系统 |
CN111585674B (zh) * | 2020-05-06 | 2022-05-10 | 深圳大学 | 一种认知无线电网络中频谱分配方法及系统 |
CN113950154B (zh) * | 2021-09-27 | 2023-04-18 | 石河子大学 | 一种综合能源数据采集网络中的频谱分配方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980470A (zh) * | 2010-10-03 | 2011-02-23 | 鲁东大学 | 一种基于混沌粒子群优化的ofdm系统资源分配算法 |
CN101982922A (zh) * | 2010-10-10 | 2011-03-02 | 深圳市威特宝科技发展有限公司 | 一种手机无线充电装置 |
CN102316464A (zh) * | 2011-09-19 | 2012-01-11 | 哈尔滨工程大学 | 基于非支配解排序量子雁群算法的多目标频谱分配方法 |
CN103401625A (zh) * | 2013-08-23 | 2013-11-20 | 西安电子科技大学 | 基于粒子群优化算法的协作频谱感知优化方法 |
CN104168572A (zh) * | 2014-07-09 | 2014-11-26 | 天津工业大学 | 人工物理优化的认知无线电网络频谱分配方法 |
CN104467999A (zh) * | 2014-11-18 | 2015-03-25 | 北京邮电大学 | 一种基于量子蛙跳的频谱感知算法 |
CN105282746A (zh) * | 2015-09-11 | 2016-01-27 | 华东交通大学 | 基于嵌入式粒子群博弈的认知无线网络频谱分配方法 |
-
2016
- 2016-07-27 CN CN201610600802.5A patent/CN106230528B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980470A (zh) * | 2010-10-03 | 2011-02-23 | 鲁东大学 | 一种基于混沌粒子群优化的ofdm系统资源分配算法 |
CN101982922A (zh) * | 2010-10-10 | 2011-03-02 | 深圳市威特宝科技发展有限公司 | 一种手机无线充电装置 |
CN102316464A (zh) * | 2011-09-19 | 2012-01-11 | 哈尔滨工程大学 | 基于非支配解排序量子雁群算法的多目标频谱分配方法 |
CN103401625A (zh) * | 2013-08-23 | 2013-11-20 | 西安电子科技大学 | 基于粒子群优化算法的协作频谱感知优化方法 |
CN104168572A (zh) * | 2014-07-09 | 2014-11-26 | 天津工业大学 | 人工物理优化的认知无线电网络频谱分配方法 |
CN104467999A (zh) * | 2014-11-18 | 2015-03-25 | 北京邮电大学 | 一种基于量子蛙跳的频谱感知算法 |
CN105282746A (zh) * | 2015-09-11 | 2016-01-27 | 华东交通大学 | 基于嵌入式粒子群博弈的认知无线网络频谱分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106230528A (zh) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106230528B (zh) | 一种认知无线网络频谱分配方法及系统 | |
Wang et al. | Joint deployment and task scheduling optimization for large-scale mobile users in multi-UAV-enabled mobile edge computing | |
CN104936186B (zh) | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 | |
Tang et al. | Minimum throughput maximization for multi-UAV enabled WPCN: A deep reinforcement learning method | |
Pan et al. | A self-adaptive global best harmony search algorithm for continuous optimization problems | |
CN112737837B (zh) | 一种高动态网络拓扑下无人机群带宽资源分配方法 | |
Yadav et al. | Energy aware optimized clustering for hierarchical routing in wireless sensor network | |
CN101980470B (zh) | 一种基于混沌粒子群优化的ofdm系统资源分配方法 | |
CN102316464B (zh) | 基于非支配解排序量子雁群算法的多目标频谱分配方法 | |
CN106358300B (zh) | 一种微蜂窝网络中的分布式资源分配方法 | |
CN103916355B (zh) | 一种认知ofdm网络中子载波的分配方法 | |
Qu et al. | Empowering edge intelligence by air-ground integrated federated learning | |
CN106231665B (zh) | 数能一体化网络中基于rrh动态模式切换的资源分配方法 | |
CN108880709B (zh) | 一种认知无线网络中分布式多用户动态频谱接入方法 | |
CN104684095A (zh) | 一种异构网络融合场景中基于遗传运算的资源分配方法 | |
CN108712746A (zh) | 一种部分重叠信道聚合博弈模型及学习算法 | |
Mehto et al. | Optimal rendezvous points selection to reliably acquire data from wireless sensor networks using mobile sink | |
CN107864507B (zh) | 基于量子猴群搜索机制的认知无线电功率控制方法 | |
Guo et al. | On the interplay between communication and computation in green C-RAN with limited fronthaul and computation capacity | |
Wang et al. | Communication-, computation-, and control-enabled UAV mobile communication networks | |
CN103108397B (zh) | 基于粒子群的无线Mesh网快速信道分配方法 | |
CN105282746A (zh) | 基于嵌入式粒子群博弈的认知无线网络频谱分配方法 | |
CN109768839A (zh) | 基于改进混沌粒子群算法的认知无线电频谱分配方法 | |
Torkestani | RETRACTED: Energy-efficient backbone formation in wireless sensor networks | |
Zhang et al. | Power control based on the asynchronous distributed pricing algorithm in cognitive radios |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |