CN106788810A - 一种绿色认知无线电的无线能量采集和分配方法 - Google Patents
一种绿色认知无线电的无线能量采集和分配方法 Download PDFInfo
- Publication number
- CN106788810A CN106788810A CN201611135694.5A CN201611135694A CN106788810A CN 106788810 A CN106788810 A CN 106788810A CN 201611135694 A CN201611135694 A CN 201611135694A CN 106788810 A CN106788810 A CN 106788810A
- Authority
- CN
- China
- Prior art keywords
- quantum
- grey wolf
- user
- wireless energy
- energy
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
- H04B17/327—Received signal code power [RSCP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供的是一种绿色认知无线电的无线能量采集和分配方法。首先,建立绿色认知无线电无线能量采集和分配模型。其次,设计量子灰狼搜索机制,通过量子灰狼搜索方法,对量子灰狼的量子位置进行更新。使用量子灰狼搜索方法实现绿色认知无线电的无线能量采集和分配。然后,根据所得到的全局最优量子位置,并将其映射为位置,作为认知无线电无线能量采集和分配的方案。本发明在满足系统所需吞吐量的条件下,寻求系统的最小能量消耗,通过无线能量传输、采集和分配实现认知无线电系统的自供能,进而无需额外的能源供应给装置,并可以在一定程度上储存能量。
Description
技术领域
本发明涉及的是一种无线电的无线能量采集和分配方法,具体地说是一种考虑最小功率使用条件下满足吞吐量要求的无线能量采集和分配方法。
背景技术
随着无线通信技术的发展,需要越来越多的能量和频谱资源去满用户数增长和服务质量的提高。如何在提高绿色认知无线电通信系统的频谱利用率同时降低能量消耗是目前急待解决的一个问题。
近两年,无线能量采集技术越来越受到重视,因为无线能量采集技术是一项低碳环保的自供能技术。无线信号在携带信息的同时也携带了能量,这样环境中的各种干扰信号也将会通过无线能量采集技术变废为宝。因此,无线能量采集的绿色认知无线电得到了广泛的关注。Zhai Chao等在《IEEE Transactions on Vehicular Technology》上发表的“Cooperative Spectrum Sharing With Wireless Energy Harvesting in CognitiveRadio Networks”提出了认知无线电网络中能够进行无线能量采集的合作频谱共享技术,但是并没有对能量资源进行深入的分配,且没有考虑能量存储等问题,应用受限制。HaoWanming等在《IEEE Transactions on Communications》上发表的“Energy-EfficientResource Allocation in Sensing-Based Spectrum Sharing for CooperativeCognitive Radio Networks”对认知无线电网络中如何更节能的进行资源分配的问题进行了讨论,但并没有使用无线能量采集技术,因此具有改进的余地。
发明内容
本发明的目的在于提供一种能联在实现绿色通信的同时进行储能操作的绿色认知无线电的无线能量采集和分配方法。
本发明的目的是这样实现的:
无线能量采集与数据传输的时隙结构是:将一个时隙划分为2个时隙片段,分别用于无线能量采集和数据传输,每个时隙的总时间是T,无线能量采集因子为ρ,在(0,ρT]主用户传输数据、从用户用于无线能量采集的时间片段长度为ρT,剩下的时隙片段(ρT,T]用于从用户的数据传输,从用户的第k个子载波的瞬时传输速率是其中,k=1,2,…,N,N为从用户包含的子载波数,代表从用户第k个子载波分配的无线能量采集率,代表从用户发射机和接收机间第k个子载波的信道功率增益和噪声功率比,Xs代表从用户从环境信号采集能量的能量采集率,每个时隙的主用户要求的数据传输量为Qp,从用户的目标数据传输量为Rp,从用户消耗的总功率为 其中代表第k个子载波的传输功率,Rtar代表从用户的目标瞬时传输速率,代表从用户的总瞬时传输速率,从用户在一个时隙可存储的能量为
步骤一,初始化量子灰狼种群中每只量子灰狼的量子位置,种群中有H只量子灰狼,第t代第h只量子灰狼的量子位置表示为其中表示第t代第h只量子灰狼量子位置的第d维,其在量子位的定义域内随机产生,其中h=1,2,...,H,d=1,2,...,D,且D=N+1;
步骤二,对每只量子灰狼的量子位置进行适应性评价,将第t代第h只量子灰狼量子位置映射为位置其中,ld是第d维变量的下界,ud是第d维变量的上界,第t代第h只量子灰狼量子位置的适应性通过其对应位置的适应度进行度量,即
适应度值越大代表位置及其所对应的量子位置越好,其中λ为惩罚因子,根据适应性评价得到排名第1、第2和第3的量子灰狼的量子位置分别为和
步骤三,针对第t代第h只量子灰狼,依概率使用两种不同演进规则得到新的量子位置,当则使用规则一更新其量子位置,其中为[0,1]间的均匀随机数,c为[0,1]间常数;否则根据规则二更新其量子位置;
规则一:第h只量子灰狼根据其与标号为α、β和δ的量子灰狼的量子位置之间的距离更新其量子位置,对于第d维量子位,更新过程如下 和其中变量a称为收敛因子,在进化过程中a随迭代次数增加从2线性减小到0,即a=2-2t/tmax,其中tmax代表最大迭代次数,j=1,2,3,r1j和r2j代表[0,1]间的均匀随机数,其对应的量子旋转角为根据模拟的量子旋转门得到的新量子位为其中η=α,β,δ;
规则二,根据全局最优量子位置和量子位置均值更新第h只量子灰狼的量子位置,对于第d维量子位、其对应的量子旋转角为其中为[0,1]间的均匀随机数,为均值为0方差为1的高斯随机数,c1为[0,1]间比例因子,根据模拟的量子旋转门得到的新量子位为
步骤四,将更新的第h只量子灰狼的量子位置映射为位置h=1,2,...,H,计算所有新产生量子位置所对应位置的适应度,与上一代适应性评价前三的量子位置混合排序,找到适应度前三的量子位置分别记做和
步骤六,如果进化没有终止,令t=t+1,返回步骤三,否则,终止迭代,输出全局最优量子位置,并将其映射为位置,作为绿色认知无线电无线能量采集和分配的方案。
本发明提出了一种绿色认知无线电的无线能量采集和分配方法,具体是考虑最小功率使用条件下满足吞吐量要求的无线能量采集和分配方法,其对绿色认知无线电系统的无线能量采集和分配是使用量子灰狼搜索机制来实现的。本发明在满足系统所需吞吐量的条件下,寻求系统的最小能量消耗,通过无线能量传输、采集和分配实现认知无线电系统的自供能,进而无需额外的能源供应给装置,并可以在一定程度上储存能量。
本发明针对现有无线能量采集认知无线电系统的的不足,将无线能量采集和资源分配结合起来,提出绿色认知无线电无线能量采集和分配方法,该方法旨在联合获得最优的无线能量采集因子与无线能量采集率,在保证从用户所需传输功率的条件下,寻求系统的最小能量损耗,实现绿色通信的同时进行储能操作。
本发明是通过求解最优无线能量采集率和最优能量分配实现的,本发明设计了量子灰狼搜索机制,与已有的认知无线电网络相比,本发明专利具有以下优点:
(1)本发明在从用户所需吞吐量已知的条件下,设计了量子灰狼搜索机制的绿色认知无线电无线能量采集和分配方法,所设计的方法性能稳定,可以在短时间内求出最优的绿色认知无线电无线能量采集和分配方案。
(2)本发明根据“绿色通信”理念,可求出最优无线能量采集因子和在满足要求条件下进行最小能量的使用,可以实现能量需求最小,存储更多的能量。
(3)本发明将模拟的量子旋转门和灰狼演化机制等思想进行结合,设计了求解连续问题的量子灰狼搜索机制,也可以为求解其他工程问题提供新方法。
附图说明
图1绿色认知无线电的无线无线能量采集和分配方法流程图。
图2量子灰狼搜索机制示意图。
图3两种方法的从用户目标传输率和所消耗总能量的关系比较。
图4两种方法的从用户目标传输率和存储能量的关系比较。
图5两种方法的从用户信道功率增益与噪声比和所消耗总能量的关系比较。
图6两种方法的从用户信道功率增益与噪声比和存储能量的关系比较。
具体实施方式
下面举例对本发明做更详细的描述。
结合图1,本发明的绿色认知无线电的无线无线能量采集和分配方法包括如下步骤:
步骤一,建立绿色认知无线电的无线能量采集和分配模型。一个绿色认知无线电网络,由多个子网络构成,每个子网络由1个主用户网络和1个从用户网络构成,主用户网络包括1个主用户发射机和1个主用户接收机,从用户网络包括1个从用户发射机和1个从用户接收机,从用户发射机使用OFDM调制,从用户包含N个子载波。本发明提出一种无线能量采集——数据传输(saving-transmitting,ST)的时隙结构,该时隙结构将一个时隙划分为2个时隙片段,分别用于无线能量采集和数据传输。每个时隙的总时间是T,无线能量采集因子为ρ(度量无线能量采集时隙片段占总时间的比率),在(0,ρT]主用户传输数据,从用户用于无线能量采集的时间片段长度为ρT,剩下的时隙片段(ρT,T]则用于从用户的数据传输。从用户的第k个子载波的瞬时传输速率是其中代表从用户第k个子载波分配的无线能量采集率,代表从用户发射机和接收机间第k个子载波的信道功率增益和噪声功率比,Xs代表从用户从环境信号采集能量的能量采集率。考虑到每个时隙的主用户要求的数据传输量为Qp,从用户的目标数据传输量为Rp,从用户消耗的总功率为其中代表第k个子载波的传输功率,Rtar代表从用户的目标瞬时传输速率,代表从用户的总瞬时传输速率,从用户在一个时隙可存储的能量为
步骤二,初始化量子灰狼种群中每只量子灰狼的量子位置,种群中有H只量子灰狼,第t代第h只量子灰狼的量子位置表示为其中表示第t代第h只量子灰狼量子位置的第d维,其在量子位的定义域内随机产生,其中h=1,2,...,H,d=1,2,...,D,且D=N+1。
步骤三,对每只量子灰狼的量子位置进行适应性评价,将第t代第h只量子灰狼量子位置映射为位置其中,d=1,2,...,D,ld是第d维变量的下界,ud是第d维变量的上界。第t代第h只量子灰狼量子位置的适应性可通过其对应位置的适应度进行度量,即
适应度值越大代表位置及其所对应的量子位置越好,其中λ为惩罚因子。根据适应性评价得到排名第1、第2和第3的量子灰狼的量子位置分别为和
步骤四,针对第t代第h只(h=1,2,...,H)量子灰狼,可以依概率使用两种不同演进规则得到新的量子位置,当则使用规则一更新其量子位置,其中为[0,1]间的均匀随机数,c为[0,1]间常数;否则根据规则二更新其量子位置。
规则一:第h只量子灰狼根据其与标号为α、β和δ的量子灰狼的量子位置之间的距离更新其量子位置。对于第d维量子位,更新过程如下 和其中变量a称为收敛因子,它在协调算法的探索和开发能力方面起重要作用,在进化过程中a随迭代次数增加从2线性减小到0,即a=2-2t/tmax,其中tmax代表最大迭代次数。j=1,2,3。r1j和r2j代表[0,1]间的均匀随机数,其对应的量子旋转角为根据模拟的量子旋转门得到的新量子位为 d=1,2,...,D,其中η=α,β,δ。
规则二,根据全局最优量子位置和量子位置均值更新第h只量子灰狼的量子位置。对于第d维量子位,其对应的量子旋转角为其中为[0,1]间的均匀随机数,为均值为0方差为1的高斯随机数,c1为[0,1]间比例因子,根据模拟的量子旋转门得到的新量子位为 d=1,2,...,D。
步骤五,将更新的第h只量子灰狼的量子位置映射为位置h=1,2,...,H,计算所有新产生量子位置所对应位置的适应度,与上一代适应性评价前三的量子位置混合排序,找到适应度前三的量子位置分别记做和
步骤六,如果进化没有终止(通常由预先设定的最大迭代次数决定),令t=t+1,返回步骤四,否则,终止迭代,输出全局最优量子位置,并将其映射为位置,作为绿色认知无线电无线能量采集和分配的方案。
仿真中假设绿色认知无线电的频谱模型中,子载波数N=32,每个时隙的时间设为T=0.001s,每个子载波分配的从环境信号采集能量的最大能量采集率被设为0.2Xp,最小的能量存储率为Qp/(RpT)。对于量子灰狼种群,c=0.5,c1=0.5,群体规模为H=100,最大迭代次数为200,惩罚因子λ=10-5。为了说明所设计量子灰狼搜索机制的有效性,仿真中使用粒子群方法进行求解比较,对于粒子群算法群体规模为和最大迭代次数与量子灰狼搜索机制设置的相同,一些粒子群算法的具体步骤和流程可参考J.Kennedy和R.Eberhart的文献“Particle swarm optimization”。
图3和图4设置的系统参数和变量要求为:Rtar=20:2:40bit/s/Hz,Xp=300mW/s,Qp=30bit,Rp=60000bit/s,图3给出了消耗的总能量和从用户目标传输速率的关系,图4给出了存储能量和从用户目标传输速率的关系,可以看出从用户的目标传输率与存储能量之间是一种近似线性关系,表明采集的能量通过提出的分配方法被充分利用了。
图5和图6设置的系统参数和变量要求为:Rtar=30bit/s/Hz,Xp=500mW/s,Qp=30bit,Rp=60000bit/s,图5是消耗的总能量和从用户信道功率增益与噪声功率比率之间的关系,图6是存储能量和从用户信道功率增益与噪声功率比之间的关系。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (1)
1.一种绿色认知无线电的无线能量采集和分配方法,其特征是:
无线能量采集与数据传输的时隙结构是:将一个时隙划分为2个时隙片段,分别用于无线能量采集和数据传输,每个时隙的总时间是T,无线能量采集因子为ρ,在(0,ρT]主用户传输数据、从用户用于无线能量采集的时间片段长度为ρT,剩下的时隙片段(ρT,T]用于从用户的数据传输,从用户的第k个子载波的瞬时传输速率是其中,k=1,2,…,N,N为从用户包含的子载波数,代表从用户第k个子载波分配的无线能量采集率,代表从用户发射机和接收机间第k个子载波的信道功率增益和噪声功率比,Xs代表从用户从环境信号采集能量的能量采集率,每个时隙的主用户要求的数据传输量为Qp,从用户的目标数据传输量为Rp,从用户消耗的总功率为其中代表第k个子载波的传输功率,Rtar代表从用户的目标瞬时传输速率,代表从用户的总瞬时传输速率,从用户在一个时隙可存储的能量为
步骤一,初始化量子灰狼种群中每只量子灰狼的量子位置,种群中有H只量子灰狼,第t代第h只量子灰狼的量子位置表示为其中表示第t代第h只量子灰狼量子位置的第d维,其在量子位的定义域内随机产生,其中h=1,2,...,H,d=1,2,...,D,且D=N+1;
步骤二,对每只量子灰狼的量子位置进行适应性评价,将第t代第h只量子灰狼量子位置映射为位置其中,ld是第d维变量的下界,ud是第d维变量的上界,第t代第h只量子灰狼量子位置的适应性通过其对应位置的适应度进行度量,即
适应度值越大代表位置及其所对应的量子位置越好,其中λ为惩罚因子,根据适应性评价得到排名第1、第2和第3的量子灰狼的量子位置分别为和
步骤三,针对第t代第h只量子灰狼,依概率使用两种不同演进规则得到新的量子位置,当则使用规则一更新其量子位置,其中为[0,1]间的均匀随机数,c为[0,1]间常数;否则根据规则二更新其量子位置;
规则一:第h只量子灰狼根据其与标号为α、β和δ的量子灰狼的量子位置之间的距离更新其量子位置,对于第d维量子位,更新过程如下 和其中变量a称为收敛因子,在进化过程中a随迭代次数增加从2线性减小到0,即a=2-2t/tmax,其中tmax代表最大迭代次数,j=1,2,3,r1j和r2j代表[0,1]间的均匀随机数,其对应的量子旋转角为根据模拟的量子旋转门得到的新量子位为其中η=α,β,δ;
规则二,根据全局最优量子位置和量子位置均值更新第h只量子灰狼的量子位置,对于第d维量子位、其对应的量子旋转角为其中为[0,1]间的均匀随机数,为均值为0方差为1的高斯随机数,c1为[0,1]间比例因子,根据模拟的量子旋转门得到的新量子位为
步骤四,将更新的第h只量子灰狼的量子位置映射为位置h=1,2,...,H,计算所有新产生量子位置所对应位置的适应度,与上一代适应性评价前三的量子位置混合排序,找到适应度前三的量子位置分别记做和
步骤六,如果进化没有终止,令t=t+1,返回步骤三,否则,终止迭代,输出全局最优量子位置,并将其映射为位置,作为绿色认知无线电无线能量采集和分配的方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611135694.5A CN106788810B (zh) | 2016-12-12 | 2016-12-12 | 一种绿色认知无线电的无线能量采集和分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611135694.5A CN106788810B (zh) | 2016-12-12 | 2016-12-12 | 一种绿色认知无线电的无线能量采集和分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106788810A true CN106788810A (zh) | 2017-05-31 |
CN106788810B CN106788810B (zh) | 2020-06-16 |
Family
ID=58879856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611135694.5A Active CN106788810B (zh) | 2016-12-12 | 2016-12-12 | 一种绿色认知无线电的无线能量采集和分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106788810B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107592674A (zh) * | 2017-09-11 | 2018-01-16 | 哈尔滨工程大学 | 一种信能协同传输的ofdm中继网络资源分配方法 |
CN108173580A (zh) * | 2018-01-29 | 2018-06-15 | 哈尔滨工程大学 | 一种基于量子社会情感优化的Massive MIMO上行系统功率分配方法 |
CN108880734A (zh) * | 2018-04-28 | 2018-11-23 | 哈尔滨工程大学 | 量子回溯搜索优化的CCFD-Massive MIMO系统功率分配方法 |
CN114126021A (zh) * | 2021-11-26 | 2022-03-01 | 福州大学 | 一种基于深度强化学习的绿色认知无线电的功率分配方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014155028A1 (en) * | 2013-03-28 | 2014-10-02 | Toshiba Research Europe Limited | Allocating energy resources in a network signaling node |
CN104135770A (zh) * | 2014-07-02 | 2014-11-05 | 北京邮电大学 | 一种用于无线信息与能量同时传输系统中的能量分配方法 |
-
2016
- 2016-12-12 CN CN201611135694.5A patent/CN106788810B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014155028A1 (en) * | 2013-03-28 | 2014-10-02 | Toshiba Research Europe Limited | Allocating energy resources in a network signaling node |
CN104135770A (zh) * | 2014-07-02 | 2014-11-05 | 北京邮电大学 | 一种用于无线信息与能量同时传输系统中的能量分配方法 |
Non-Patent Citations (4)
Title |
---|
HONGYUAN GAO等: "《Cooperative Wireless Energy Harvesting and Spectrum Sharing in 5G Networks》", 《IEEE ACCESS》 * |
N.A.AL-ABOODY等: "《Grey Wolf Optimization-Based Energy-Efficient Routing Protocol for Heterogeneous Wireless Sensor Networks》", 《2016 4TH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL AND BUSINESS INTELLIGENCE》 * |
SIXING YIN等: "《Optimal Saving-Sensing-Transmitting Structure in Self-Powered Cognitive Radio Systems with Wireless Energy Harvesting》", 《2013 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS》 * |
龙文等: "《求解约束优化问题的改进灰狼优化算法》", 《计算机应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107592674A (zh) * | 2017-09-11 | 2018-01-16 | 哈尔滨工程大学 | 一种信能协同传输的ofdm中继网络资源分配方法 |
CN108173580A (zh) * | 2018-01-29 | 2018-06-15 | 哈尔滨工程大学 | 一种基于量子社会情感优化的Massive MIMO上行系统功率分配方法 |
CN108173580B (zh) * | 2018-01-29 | 2020-12-29 | 哈尔滨工程大学 | 一种基于量子社会情感优化的Massive MIMO上行系统功率分配方法 |
CN108880734A (zh) * | 2018-04-28 | 2018-11-23 | 哈尔滨工程大学 | 量子回溯搜索优化的CCFD-Massive MIMO系统功率分配方法 |
CN108880734B (zh) * | 2018-04-28 | 2020-05-15 | 哈尔滨工程大学 | 量子回溯搜索优化的CCFD-Massive MIMO系统功率分配方法 |
CN114126021A (zh) * | 2021-11-26 | 2022-03-01 | 福州大学 | 一种基于深度强化学习的绿色认知无线电的功率分配方法 |
CN114126021B (zh) * | 2021-11-26 | 2024-04-09 | 福州大学 | 一种基于深度强化学习的绿色认知无线电的功率分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106788810B (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106788810A (zh) | 一种绿色认知无线电的无线能量采集和分配方法 | |
Sung et al. | A noncooperative power control game for multirate CDMA data networks | |
CN102833759B (zh) | 使ofdm主用户收益最大化的认知无线电频谱分配方法 | |
CN105636057A (zh) | 超密集网络中一种基于非协作博弈的资源分配方法 | |
CN105898851B (zh) | 超密集网络中考虑能量收集的高能效功率控制方法 | |
CN103281703B (zh) | 一种基于博弈理论的认知无线电网络频谱定价方法 | |
CN110430613A (zh) | 多载波非正交多址接入系统基于能效的资源分配方法 | |
CN109089271A (zh) | 一种混合能量供能的无线协同网络资源随机分配方法 | |
CN109831808A (zh) | 一种基于机器学习的混合供电c-ran的资源分配方法 | |
Gao et al. | Dynamic access point and service selection in backscatter-assisted RF-powered cognitive networks | |
CN110418360A (zh) | 无线携能网络多用户子载波比特联合分配方法 | |
CN104301985A (zh) | 一种移动通信中电网与认知基站间能源分配方法 | |
CN110139282A (zh) | 一种基于神经网络的能量采集d2d通信资源分配方法 | |
CN110225494A (zh) | 一种基于外部性和匹配算法的机器类通信资源分配方法 | |
CN106160991A (zh) | 一种用于认知无线电ofdm系统的分布式动态资源分配方法 | |
CN111343721B (zh) | 一种最大化系统广义能效的d2d分布式资源分配方法 | |
CN109275149B (zh) | 一种认知无线供电网络中基于能量累积的资源分配方法 | |
CN110061826B (zh) | 一种最大化多载波分布式天线系统能效的资源分配方法 | |
CN109362080B (zh) | 一种中断约束下的认知无线供电网络资源分配方法 | |
Charatsaris et al. | On the accuracy-energy tradeoff for hierarchical federated learning via satisfaction equilibrium | |
Xiao et al. | Adaptive freeshape clustering for balanced energy saving in the WirelessHART networks | |
CN105681110A (zh) | 安全传输无线携能网络的联合网络选择及资源分配方法 | |
CN109462861B (zh) | 一种面向电力无线专网的分层异构网络接入协同选择方法 | |
Ren et al. | Energy efficiency-centric channel selecting in energy harvesting cognitive radio sensor network | |
Charatsaris et al. | Joint User Association and Resource Allocation for Hierarchical Federated Learning Based on Games in Satisfaction Form |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |