CN107864507B - 基于量子猴群搜索机制的认知无线电功率控制方法 - Google Patents
基于量子猴群搜索机制的认知无线电功率控制方法 Download PDFInfo
- Publication number
- CN107864507B CN107864507B CN201711173666.7A CN201711173666A CN107864507B CN 107864507 B CN107864507 B CN 107864507B CN 201711173666 A CN201711173666 A CN 201711173666A CN 107864507 B CN107864507 B CN 107864507B
- Authority
- CN
- China
- Prior art keywords
- monkey
- quantum
- user
- function
- cognitive
- 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
Images
Classifications
-
- 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
- H04W52/30—TPC using constraints in the total amount of available transmission power
- H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
- H04W52/346—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading distributing total power among users or channels
-
- 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
Abstract
本发明提供一种基于量子猴群搜索机制的认知无线电功率控制方法,建立非合作博弈的认知无线电功率控制模型,计算认知用户效用函数和,引入功率代价机制,选择需要优化的目标函数的形式;受猴群活动启发,设计量子猴群搜索机制,产生量子猴群中猴子的量子位置和数量,映射系统用户发射功率与猴群的量子位置一一对应,计算适应度值;经猴群活动中攀爬的过程更新每只猴子的最优量子位置;把猴子爬过程的最优量子位置映射为发射功率,通过猴群活动的望‑跳与空翻的过程对猴子的最优位置进行更新;经数次迭代求得猴子的最优位置为最优解。本发明有更广泛的使用范围,能保证现有认知无线电系统中用户效用的提升,且用户功率的发射减少。
Description
技术领域
本发明涉及一种基于量子猴群搜索机制的认知无线电功率控制方法,属于无线通信领域。
背景技术
当前,随着各种无线通信技术的广泛应用,有限的频谱资源越来越紧张;而另一方面,大量的频谱资源没有被充分利用。为了缓解频谱资源的缺乏和频谱资源利用率低的矛盾,各种动态频谱共享的技术应运而生,其中认知无线电的发展最引人注目。认知无线电是实现无线频谱资源复用的关键技术,它可显著的提高无线频谱利用率,实现动态频谱接入。
认知无线电是一种含有人工智能特性的无线通信技术,它能够连续不断地感知周围的通信环境,通过对环境信息的分析、理解和判断,然后通过无线电知识表达语言自适应地调整其内部通信参数以适应环境的变化。其核心思想是通过检测那些处于空闲状态的频谱,在不影响授权用户的前提下智能地选择和利用这些频谱。认知无线电技术实现频谱共享的前提是必须保证对主用户不造成干扰,而每个分布式操作的认知用户的功率分配是造成干扰的主要原因,因此探索适用于认知无线电技术的分布式功率控制显得尤为重要。
经过现有技术文献的检索发现,Saraydar等在《IEEE Transactions on WirelessCommunications》(IEEE(无线通信)期刊)(PII S0090-6778(02)01363-6)上发表的“Efficient power control via pricing in wireless data networks”提出了基于代价函数的非合作功率控制博弈算法,以避免系统中单个用户过大的提高自己的发射功率,对用户起到了约束的作用,增加整个系统的收益,且可以使系统内用户能够更公平的共享频谱资源。裴涛在其毕业论文“基于量子遗传算法的认知无线电功率控制研究”中提出了将量子遗传算法运用到认知无线电功率控制中,获取认知用户的发射功率,同基于代价函数的非合作功率博弈控制算法相比,遗传算法与量子遗传算法等算法在控制认知用户发射功率及提高用户效用方面更具有优势。
在多用户传输的认知无线电传输系统中,发射功率控制受到给定的干扰温度和可用空闲频谱数量的限制,在有限的可用频谱资源以及不违反干扰温度限的条件下,选择I个用户的发射功率,从而使得所有认知用户的联合数据传输速率最大化。目前解决这一难题的主要技术是博弈论和信息论。对于认知系统里的多用户,且认知用户之间存在的合作和竞争现象,可以考虑引入博弈论模型来解决。而在传统的非合作功率控制博弈算法中,为了避免单个用户过大的提高自己的发射功率来最大化自己的效用函数,引入了代价函数去约束。因此采用基于代价函数的非合作功率控制博弈模型,并提出使用量子猴群搜索机制使得系统内认知用户稳定的工作在一个相对较低的发射功率下,且其效用函数更高。
发明内容
本发明的目的是为了提供一种基于量子猴群搜索机制的认知无线电功率控制方法,能够对认知无线电系统中各认知用户发射功率进行控制,从而达到更高的效用。
本发明的目的是这样实现的:步骤如下:
步骤一:建立使用代价函数机制的非合作功率控制博弈NPGP模型:
步骤二:初始化量子猴群中猴子的量子位置和数量,并将认知无线电中各用户发射功率的映射值与猴子的量子位置一一对应,取认知用户的效用函数和为适应度函数;
步骤三:对种群中的猴子个体进行迭代,不断的改变猴子所处的量子位置以改善其适应度函数值从而模仿猴群攀爬的过程;
步骤四:执行爬过程之后,猴群中的所有猴子均到达了各自所在位置附近的山顶,即达到了效用和函数的局部最优值;
步骤六:以当前猴群的重心所在位置为翻越支点,以一定的步长空翻到一个新的搜索区域进行猴子的空翻过程;
步骤七:经以上各过程,完成了算法的一次迭代,猴子的位置得到了更新,当进化代数达到预先设定的最大值的时候算法停止,此时具有最优适应度的猴子所在的位置即为全局最优解,若未达到进化代数设定的最大值,则返回步骤三继续进行循环。
本发明还包括这样一些结构特征:
1.步骤一具体包括:
首先得到接收终端i的概率分布为:
式中:q(γi)为接收机接到正确帧的概率,正确接受一个数据包所需的传输次数是一个随机变量k,
接收终端i正确接收数据包所需的传输次数k的数学期望就是Ei(k)=1/q(γi)
其次,基于代价函数的非合作功率控制博弈模型的效用函数为:
式中:ci(pi,P-i)为代价函数,P-i为此时除用户i以外其他用户发射功率取值的集合,Pei表示第i个用户的误比特率,用户在数据包传输L比特信息,包的总长度为M比特且有M>L,R为传输速率,第i个认知用户的发射功率是pi瓦特;
最后,定义:ci(pi,P-i)=αpi,α为一常数,则NPGP中用户i的效用函数表示为:
2.步骤二具体是:
第n只猴子当前量子位置为xn=(xn1,xn2,…,xnI),n=1,2,…N,xni为猴子n的第i维量子位取值,代表量子位置xn=(xn1,xn2,…xnI)的映射位置,其中每一量子位置的量子位0≤xni≤1,i=1,2,…I,同时其映射位置也代表第n只猴子中用户i此时的发射功率取值,每只猴子所处量子位共有I维,与I个认知用户此时的发射功率映射于[0,1]空间的值一一对应;
其第i维量子位的初始值是由[Pi min,Pi max]之间产生并映射至[0,1]空间的映射值,Pi min为第i名认知用户最低发射功率,通过γimin=2lnM(i=1,2…I)求出,第i名用户信干比表达式为:j=1,2…I,式中hi是第i个用户传输节点到基站之间的链路增益,pi是第i个用户的发射功率,σ2是系统的背景噪声功率,G是系统的处理增益;
3.步骤三具体是:
已知第n只猴子的当前量子位置为xn=(xn1,xn2,…,xnI)(n=1,2,…,N),xni是在猴
子n的第i维量子位的取值,计算种群中每只猴子的量子位置的适应度值,当寻找到最优适
应度值时,保存此时猴子的量子位置a=(a1,a2,…,aI),并求得全部N只猴子的量子位置的
平均值b=(b1,b2,…bI);第n个猴子的第i维量子位位置模拟量子旋转门进行更新
其中量子旋转角为θni=r1·(xni-ai)+r2·(xni-bi),r1是区间[0,1]内的随机数,r2是标准正态分布的随机数;
4.步骤四具体是:
第n只猴子的望-跳过程描述如下:令yn=(yn1,yn2,…ynI),yni于中产生,其中b为猴子“望”的视野长度,判断yni是否位于可行域之中且猴子位置yn所求得的各用户效用和函数U(yn)是否大于位置所得的效用和若满足则用yn替代否则重复猴子望-跳的过程,直至找到满足条件的猴子的位置yn。
5.步骤六具体是:
与现有技术相比,本发明的有益效果是:现有的文献报道对解决认知无线电功率控制算法方面的问题研究较少,特别是没有使用智能搜索机制解决认知无线电的功控问题,尚未检索到使用量子猴群搜索机制去进行认知无线电NPGP模型的功率控制的文献,即没有其它文献资料和发明专利出现与本设计相同的运用量子猴群搜索机制去解决认知无线电的功率控制的方法。所设计的基于量子猴群搜索机制的认知无线电NPGP模型的功率控制方法,与现有认知无线电功率控制算法不同,且可满足在保证各认知用户有更高效用的情况下,满足认知用户稳定的工作在一个相对较低的发射功率,且能满足一定的博弈要求,检索中未见与本专利相同的报道。本发明设计量子猴群搜索机制作为求解功率控制的策略,能够有效解决移动设备的电源能量消耗的问题。在满足通信质量要求的情况下,通过减少发射功率就可以达到省电的目的。仿真结果表明,本发明所提出的基于量子猴群搜索机制对认知用户进行功率控制,在降低了用户的发射功率的同时,使用户获得了更高的效用,满足了通信的需求。
附图说明
图1:基于量子猴群搜索机制的认知无线电功率控制方法流程图;
图2:基于量子猴群搜索机制的NPGP功率控制与基于粒子群算法的NPGP功率控制的效用函数和的收敛性能曲线比较;
图3:基于量子猴群搜索机制的NPGP功率控制与基于粒子群算法的NPGP功率控制的发射功率和的收敛性能曲线比较。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
结合图1至图3,本发明将量子猴群搜索机制运用到认知无线电功率控制中,涉及了认知无线电和智能处理两个领域。它有效的减少了各认知用户的发射功率,解决了移动终端的能源消耗的问题,并使各用户能够取得更好的效用。
本发明是通过如下技术方案来实现的,主要包括以下步骤:
步骤一,建立使用代价函数机制的非合作功率控制博弈(NPGP)模型,系统中共I名认知用户,他们各自位置与基站的距离均不同,模型内所要优化的效用函数包含了信干比和发射功率等因素。
无线数据通信系统中,用户在数据包传输L比特信息,通过信道编码,包的总长度为M比特(M>L),传输速率为R,在接收终端i其信干比为γi,接收机接到正确帧的概率为q(γi),这里的函数q(·)取决于数据传输系统的特性,包括调制方式、编码、交织、电波传播特性和接收机的结构。正确接受一个数据包所需的传输次数是一个随机变量k。假设所有传输都是统计独立的,则接收终端i的概率分布如式接收端i正确接收数据包所需的传输次数k的数学期望就是Ei(k)=1/q(γi)。每次传输的持续时间为M/R秒,那么正确接收所需的整个传输时间就是随机变量kM/R秒,若第i个认知用户的发射功率是pi瓦特,则总共需要的能量就是随机变量pikM/R焦耳,其第i个认知用户的数学期望就是Ei[k]piM/R=piM/[Rq(γi)],由于真正要传输的只是信息L比特,对第i个用户如式
接下来对效用函数进行优化,对其加以修正,设计另一个函数f(γi)替代q(γi),
于是效用函数变为式替代q(γi)的函数f(γi)称为有效函数,如式f(γi)
=(1-2Pei)M,Pei表示第i个用户的误比特率,其值的大小与调制方式有关,所以效用函数可
写成
而为了避免单个用户过大的提高自己的发射功率,最大化自己的效用函数,于是
引入了代价函数的概念。基于代价函数的非合作功率控制博弈模型的效用函数可表示为其中ci(pi,P-i)为代价函数,P-i为此时除用户i以
外其他用户发射功率取值的集合,可以定义:ci(pi,P-i)=αpi,α为一常数。这样就可以把用
户的代价函数与用户的发射功率联系起来。所以NPGP中用户i的效用函数表示如式
步骤二,初始化量子猴群中猴子的量子位置和数量,并将认知无线电中各用户发射功率的映射值与猴子的量子位置一一对应,取认知用户的效用函数和为适应度函数。
第n只猴子当前量子位置为xn=(xn1,xn2,…,xnI),n=1,2,…N,xni为猴子n的第i维量子位取值,代表量子位置xn=(xn1,xn2,…xnI)的映射位置,其中每一量子位置的量子位0≤xni≤1,i=1,2,…I,同时其映射位置也代表第n只猴子中用户i此时的发射功率取值,每只猴子所处量子位共有I维,与I个认知用户此时的发射功率映射于[0,1]空间的值一一对应。其第i维量子位的初始值是由[Pi min,Pi max]之间产生并映射至[0,1]空间的映射值,每个认知用户有着其自己的最低发射功率限定。Pi min为第i名认知用户最低发射功率,通过γimin=2lnM(i=1,2…I)求出,第i名用户信干比(SIR)表达式为:j=1,2…I,式中hi是第i个用户传输节点到基站之间的链路增益,pi是第i个用户的发射功率,σ2是系统的背景噪声功率,G是系统的处理增益。为第n只猴子的所有认知用户的效用和,其中用户i的效用函数表达式为:其和Un=Un1+Un2+…UnI取之为适应度函数。
步骤三,对种群中的猴子个体进行迭代,不断的改变猴子所处的量子位置以改善其适应度函数值从而模仿猴群攀爬的过程。
设第n只猴子的当前量子位置为xn=(xn1,xn2,…,xnI)(n=1,2,…,N),xni是在猴子n的第i维量子位的取值,计算种群中每只猴子的量子位置的适应度值,当寻找到最优适应度值时,保存此时猴子的量子位置a=(a1,a2,…,aI),并求得全部N只猴子的量子位置的平均值b=(b1,b2,…bI)。第n个猴子的第i维量子位位置模拟量子旋转门进行更新其中量子旋转角为θni=r1·(xni-ai)+r2·(xni-bi),r1是区间[0,1]内的随机数,r2是标准正态分布的随机数。用新的映射位置计算适应度值,判断猴子新的位置所求得的各用户效用和函数是否大于位置所得的效用和若满足则用替代重复猴群爬过程的操作直至达到了设定的最大迭代次数Nc。
步骤四,执行爬过程之后,猴群中的所有猴子均到达了各自所在位置附近的山顶,即达到了效用和函数的局部最优值。此时,站在“山顶”的每只猴子都会向周围眺望,如果在邻近区域发现更高的山峰,则从当前位置跳过去。
第n只猴子的望-跳过程描述如下:令yn=(yn1,yn2,…ynI),yni于中产生。其中b为猴子“望”的视野长度,此参数决定猴子从当前位置能够眺望的最远距离。判断yni是否位于可行域之中且猴子位置yn所求得的各用户效用和函数U(yn)是否大于位置所得的效用和若满足则用yn替代否则重复猴子望-跳的过程,直至找到满足条件的猴子的位置yn。
步骤六,猴子的空翻过程的主要目的是改变猴子的搜索区域,防止方法陷入局部极值从而导致搜索停滞。其主要内容是以当前猴群的重心所在位置为翻越支点,以一定的步长空翻到一个新的搜索区域。
第i只猴子的空翻过程描述如下:设空翻步长控制系数α于[c,d]中产生,区间[c,d]称为空翻的限制范围。令其中i=1,2,…,I,Vn=(Vn1,Vn2,…,VnI)为猴子空翻的支点。判断zni是否位于可行域之中且猴子位置zn所求得的各用户效用和函数U(zn)是否大于位置所得的效用和若满足则用zn替代否则重复猴子空翻的过程,直至找到满足条件的猴子的位置zn。
步骤七,经以上各过程,完成了算法的一次迭代,猴子的位置也得到了更新,当进化代数达到预先设定的最大值的时候算法停止,此时具有最优适应度(效用和函数取最大值时)的猴子所在的位置即为全局最优解(也就是此时各认知用户的发射功率值),若未达到进化代数设定的最大值,则返回步骤三继续进行。
基于代价函数机制的非合作功率控制博弈(NPGP)模型的参数如下:设I个用户距基站的距离单位均为m,用户数设置为I=6,使用相对相移键控的调制方式,六名用户距基站的距离分别为d=(460,580,690,810,920,1080)m,M=64,L=32,G=100,α=40000,σ2=5×10-14W,Pi max=0.2W,用户i的链路增益w=0.097。粒子群的种群规模为20,最大迭代次数为300次。为了比较方便,猴群的种群规模数为20,最大迭代3次数也设置为300次。
图2中的两条曲线为认知用户在量子猴群搜索机制与粒子群算法下的用户效用和函数比较,可以发现,相同迭代300次,量子猴群搜索机制下认知用户的效用和比粒子群算法下的效用和高,而由图3可看出量子猴群搜索机制下的认知用户发射功率和小于粒子群算法下的发射功率和。这说明基于量子猴群搜索机制的认知无线电功率控制在保证了用户较高的效用情况下,取得了更低的发射功率。
综上,本发明提供基于量子猴群搜索机制的认知无线电功率控制方法,它涉及的是认知无线电和智能处理两个领域。它解决了认知无线电系统现有功率控制算法中用户的通信质量不足与终端设备发射功率过大能源消耗过高的问题,实现了可以保证各认知用户可以获得更高的效用情况下,降低了功率的发射,并根据用户的信干比和发射功率等因素,从智能搜索机制中找到了最优的解。本发明包括:建立非合作博弈的认知无线电功率控制模型,计算认知用户效用函数和,引入功率代价机制,选择需要优化的目标函数的形式;受猴群活动启发,设计量子猴群搜索机制,产生量子猴群中猴子的量子位置和数量,映射系统用户发射功率与猴群的量子位置一一对应,计算适应度值;经猴群活动中攀爬的过程更新每只猴子的最优量子位置;把猴子爬过程的最优量子位置映射为发射功率,通过猴群活动的望-跳与空翻的过程对猴子的最优位置进行更新;经数次迭代求得猴子的最优位置为最优解。本发明有更广泛的使用范围,能保证现有认知无线电系统中用户效用的提升,且用户功率的发射减少。
Claims (5)
1.基于量子猴群搜索机制的认知无线电功率控制方法,其特征在于:步骤如下:
步骤一:建立使用代价函数机制的非合作功率控制博弈NPGP模型:
步骤二:初始化量子猴群中猴子的量子位置和数量,并将认知无线电中各用户发射功率的映射值与猴子的量子位置一一对应,取认知用户的效用函数和为适应度函数;
步骤三:对种群中的猴子个体进行迭代,不断的改变猴子所处的量子位置以改善其适应度函数值从而模仿猴群攀爬的过程;
已知第n只猴子的当前量子位置为xn=(xn1,xn2,…,xnI)(n=1,2,…,N),xni是在猴子n的第i维量子位的取值,计算种群中每只猴子的量子位置的适应度值,当寻找到最优适应度值时,保存此时猴子的量子位置a=(a1,a2,…,aI),并求得全部N只猴子的量子位置的平均值b=(b1,b2,…bI);第n个猴子的第i维量子位位置模拟量子旋转门进行更新
其中量子旋转角为θni=r1·(xni-ai)+r2·(xni-bi),r1是区间[0,1]内的随机数,r2是标准正态分布的随机数;
步骤四:执行爬过程之后,猴群中的所有猴子均到达了各自所在位置附近的山顶,即达到了效用和函数的局部最优值;
步骤六:以当前猴群的重心所在位置为翻越支点,以一定的步长空翻到一个新的搜索区域进行猴子的空翻过程;
步骤七:经以上各过程,完成了算法的一次迭代,猴子的位置得到了更新,当进化代数达到预先设定的最大值的时候算法停止,此时具有最优适应度的猴子所在的位置即为全局最优解,若未达到进化代数设定的最大值,则返回步骤三继续进行循环。
2.根据权利要求1所述的基于量子猴群搜索机制的认知无线电功率控制方法,其特征在于:步骤一具体包括:
首先得到接收终端i的概率分布为:
式中:q(γi)为接收机接到正确帧的概率,正确接受一个数据包所需的传输次数是一个随机变量k,
接收终端i正确接收数据包所需的传输次数k的数学期望就是Ei(k)=1/q(γi)
其次,基于代价函数的非合作功率控制博弈模型的效用函数为:
式中:ci(pi,P-i)为代价函数,P-i为此时除用户i以外其他用户发射功率取值的集合,Pei表示第i个用户的误比特率,用户在数据包传输L比特信息,包的总长度为M比特且有M>L,R为传输速率,第i个认知用户的发射功率是pi瓦特;
最后,定义:ci(pi,P-i)=αpi,α为一常数,则NPGP中用户i的效用函数表示为:
3.根据权利要求2所述的基于量子猴群搜索机制的认知无线电功率控制方法,其特征在于:步骤二具体是:
第n只猴子当前量子位置为xn=(xn1,xn2,…,xnI),n=1,2,…N,xni为猴子n的第i维量子位取值,代表量子位置xn=(xn1,xn2,…xnI)的映射位置,其中每一量子位置的量子位0≤xni≤1,i=1,2,…I,同时其映射位置也代表第n只猴子中用户i此时的发射功率取值,每只猴子所处量子位共有I维,与I个认知用户此时的发射功率映射于[0,1]空间的值一一对应;
其第i维量子位的初始值是由[Pi min,Pi max]之间产生并映射至[0,1]空间的映射值,Pi min为第i名认知用户最低发射功率,通过γimin=2lnM(i=1,2…I)求出,第i名用户信干比表达式为:式中hi是第i个用户传输节点到基站之间的链路增益,pi是第i个用户的发射功率,σ2是系统的背景噪声功率,G是系统的处理增益;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711173666.7A CN107864507B (zh) | 2017-11-22 | 2017-11-22 | 基于量子猴群搜索机制的认知无线电功率控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711173666.7A CN107864507B (zh) | 2017-11-22 | 2017-11-22 | 基于量子猴群搜索机制的认知无线电功率控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107864507A CN107864507A (zh) | 2018-03-30 |
CN107864507B true CN107864507B (zh) | 2020-09-11 |
Family
ID=61703309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711173666.7A Active CN107864507B (zh) | 2017-11-22 | 2017-11-22 | 基于量子猴群搜索机制的认知无线电功率控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107864507B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11071047B2 (en) | 2018-06-22 | 2021-07-20 | Huawei Technologies Co., Ltd. | Systems and methods for reduced network signalling based on mapping |
CN109041073B (zh) * | 2018-09-01 | 2022-03-18 | 哈尔滨工程大学 | 一种自供能无线传感器网络最优节点放置方法 |
CN110493863B (zh) * | 2019-03-25 | 2021-07-13 | 北京邮电大学 | 超密集多小区网络中的高能效功率控制方法 |
CN110533905B (zh) * | 2019-07-03 | 2022-02-15 | 广东工业大学 | 一种交通流预测的方法、系统及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102497643A (zh) * | 2011-12-13 | 2012-06-13 | 东南大学 | 一种认知无线电功率控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102892188B (zh) * | 2012-10-09 | 2016-07-06 | 中兴通讯股份有限公司 | 通信网络中基于遗传算法的上行功率控制方法及装置 |
-
2017
- 2017-11-22 CN CN201711173666.7A patent/CN107864507B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102497643A (zh) * | 2011-12-13 | 2012-06-13 | 东南大学 | 一种认知无线电功率控制方法 |
Non-Patent Citations (4)
Title |
---|
《Power Control Algorithm Based on SNR Cost Function in Cognitive Radio System》;Zu Yun-Xiao等;《2012 IEEE 18th International Conference on Parallel and Distributed Systems》;20130117;全文 * |
《基于量子遗传算法的认知无线电功率控制研究》;裴涛;《中国优秀硕士学位论文全文数据库》;20120430;第2.2.2-2.3.2-2.3.4小节 * |
《猴群算法及其应用研究》;张亚洁;《中国优秀硕士学位论文全文数据库》;20141130;第2.1-2.2节 * |
《认知无线电中基于博弈论的功率控制算法研究》;王晓冬;《中国优秀硕士学位论文全文数据库》;20160330;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107864507A (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107864507B (zh) | 基于量子猴群搜索机制的认知无线电功率控制方法 | |
Wang et al. | Hypergraph-based wireless distributed storage optimization for cellular D2D underlays | |
CN102892188B (zh) | 通信网络中基于遗传算法的上行功率控制方法及装置 | |
Gao et al. | Joint resource allocation and power control algorithm for cooperative D2D heterogeneous networks | |
CN109586820A (zh) | 衰落环境中的动态频谱抗干扰模型及强化学习抗干扰算法 | |
Wang et al. | Joint interference alignment and power control for dense networks via deep reinforcement learning | |
CN108834109B (zh) | 全双工主动窃听下基于q学习的d2d协同中继功率控制方法 | |
CN111586646B (zh) | 一种蜂窝网络中联合上下信道的d2d通信的资源分配方法 | |
CN107613556A (zh) | 一种基于功率控制的全双工d2d干扰管理方法 | |
CN108093435A (zh) | 基于缓存流行内容的蜂窝下行链路网络能效优化系统及方法 | |
Bi et al. | Deep reinforcement learning based power allocation for D2D network | |
CN106358300A (zh) | 一种微蜂窝网络中的分布式资源分配方法 | |
Qiu et al. | Subchannel assignment and power allocation for time-varying fog radio access network with NOMA | |
Zhou et al. | Multi-server federated edge learning for low power consumption wireless resource allocation based on user QoE | |
Kuang et al. | Client selection with bandwidth allocation in federated learning | |
CN110536321A (zh) | 5g iot通信中权衡能量效率和频谱效率的优化方法 | |
Liu et al. | Power allocation in ultra-dense networks through deep deterministic policy gradient | |
CN105764068A (zh) | 一种基于禁忌搜索的小基站容量与覆盖优化方法 | |
Nguyen et al. | Utility optimization for blockchain empowered edge computing with deep reinforcement learning | |
Yu et al. | Energy efficiency tradeoff in interference channels | |
Liu et al. | Primal–Dual Learning for Cross-Layer Resource Management in Cell-Free Massive MIMO IIoT | |
CN109547979A (zh) | 一种d2d缓存网络下联合能耗和用户公平性的内容分发方法 | |
Liu et al. | Energy efficiency analysis of dense small cell networks with caching at base stations | |
CN114423070A (zh) | 一种基于d2d的异构无线网络功率分配方法及系统 | |
CN103716816B (zh) | 基于能效性和干扰因子的绿色通信协作用户选择方法 |
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 |