CN109089307B - 一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法 - Google Patents

一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法 Download PDF

Info

Publication number
CN109089307B
CN109089307B CN201810795672.4A CN201810795672A CN109089307B CN 109089307 B CN109089307 B CN 109089307B CN 201810795672 A CN201810795672 A CN 201810795672A CN 109089307 B CN109089307 B CN 109089307B
Authority
CN
China
Prior art keywords
neural network
actor
network
critic
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.)
Active
Application number
CN201810795672.4A
Other languages
English (en)
Other versions
CN109089307A (zh
Inventor
黄亮
冯旭
冯安琪
黄玉蘋
钱丽萍
吴远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201810795672.4A priority Critical patent/CN109089307B/zh
Publication of CN109089307A publication Critical patent/CN109089307A/zh
Application granted granted Critical
Publication of CN109089307B publication Critical patent/CN109089307B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
    • H04W52/267—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the information rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04W52/38—TPC being performed in particular situations
    • H04W52/46—TPC being performed in particular situations in multi hop networks, e.g. wireless relay networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0446—Resources in time domain, e.g. slots or frames
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法，包括以下步骤：1)集能型无线中继网络中通过可再生能量优化管理实现最大吞吐量，其中，优化问题描述为一个多变量优化问题；2)将问题P1分解为两部分优化：功率子优化和时隙子优化，即通过异步优势行动者评论家算法优化变量pi和
Figure DDA0001735845270000011
来得到最优的ri。本发明提供一种在集能型无线中继网络中通过联合时间调度和功率分配实现以最大吞吐量最大化系统效益的方法。

Description

一种基于异步优势行动者评论家算法的集能型无线中继网络 吞吐量最大化方法
技术领域
本发明涉及集能型无线中继网络技术领域，尤其是一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法。
背景技术
由于无线设备和新兴多媒体业务的激增，移动数据流量一直呈指数级增长。由于诸如路径损耗，阴影和小规模衰落的信道损耗，越来越多的室内和边缘用户可能会遇到低质量的服务性能。为了克服这种障碍，中继辅助接入技术已经被提出作为开发能量效率和空间分集以提高室内和小区边缘用户服务质量的有价值的解决方案。中继基站将作为边缘用户与宏蜂窝基站之间进行通信的中转站。
然而，密集地部置中继基站所产生的能耗以及随之带来的温室气体(如二氧化碳)排放量也是巨大的。出于对环境及经济效益的双重考量，能量采集技术被引入到无线中继网络中，中继基站及无线设备通过采集可再生能源(如太阳能，风能，热电，机电和环境射频能量等)进行供电已成为提高绿色中继网络能源效率和减少温室气体排放总量的可行技术。然而，由于可再生能量到达的不连续性，为了提供可靠的数据传输及网络吞吐量保障，对可再生能量优化管理变得尤为重要。
发明内容
为了避免由于信道和可再生能量不确定性导致用户服务质量下降的问题，本发明提供一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法。
本发明解决其技术问题所采用的技术方案是：
一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法，所述方法包括以下步骤：
1)集能型无线中继网络中通过可再生能量优化管理实现最大吞吐量，其中，优化问题描述为一个多变量优化问题：
P1:
Figure BDA0001735845250000028
受限于：
Figure BDA0001735845250000021
Figure BDA0001735845250000022
Figure BDA0001735845250000023
Figure BDA0001735845250000024
Figure BDA0001735845250000025
Figure BDA0001735845250000026
在此，问题P1的各参数定义如下：
pi：中继节点在时隙i的传输功率；
ri：中继节点在时隙i的数据率；
τi：源节点在时隙i的传输时间；
Figure BDA0001735845250000027
中继节点在时隙i的传输时间；
ui：源节点在时隙i的数据率；
hi：中继节点到目的节点的信道增益；
Ei：中继节点在时隙i时所采集的能量；
Emax：中继节点的电池最大容量；
Qmax：中继节点的数据缓存容量；
L：单个时隙长度；
T：传输时隙数；
W：网络带宽；
2)行动者评论家结构由行动者神经网络和评论家神经网络组成，神经网络又由多个神经元和连接两个神经元的神经链路组成，其中，单个神经元所进行的数学运算，如下所示：
Figure BDA0001735845250000031
在此，各参数定义如下：
yj：第j个神经元的输出；
f：激活函数；
Wij：连接神经元i和神经元j的权重；
xi：前一层神经元i的输出；
bj：第j个神经元的偏置；
行动者神经网络和评论家神经网络的更新方式为不断地缩小自己的误差，其中行动者神经网络的误差定义如下：
a_loss＝-logπ(at|st；θ)Rt (3)
其中，各参数定义如下：
a_loss：行动者神经网络的误差；
π：系统当前策略；
θ：神经网络参数；
st：系统在t时刻的状态；
at：系统在t时刻所采取的动作；
Rt：系统在t时刻的累积奖励；
评论家神经网络的误差定义如下：
c_loss＝vtarget-v (4)
其中，各参数定义如下：
c_loss：行动者神经网络的误差；
vtarget：行动者神经网络在某个状态下的目标价值；
v：行动者神经网络在某个状态下所预测出的价值；
3)将问题P1分解为两部分优化：功率子优化和时隙子优化，即优化变量pi和
Figure BDA0001735845250000041
来得到最优的ri，也就是问题P1的最优解，异步优势行动者评论家算法中的局部网络用于与环境交互，环境就是问题P1，同时不断调整变量pi和
Figure BDA0001735845250000042
来不断使问题P1的值最大化，而全局网络则不断协调各个局部网络，加速学习过程，使得找到最优解的速度大大提升；
通过局部网络来寻找一个最优的pi和
Figure BDA0001735845250000043
即中继节点在各时隙i的传输功率和传输时间，该局部网络系统由行动者神经网络和评论家神经网络所组成，中继节点在各时隙i的传输功率pi和传输时间
Figure BDA0001735845250000044
都被编进了行动者神经网络当前状态xt，行动者神经网络在当前状态下采取动作a进入下一个状态xt+1，动作a是对系统状态xt的更改，如果改后的系统在各时隙i的数据率ri之和比之前的要大，则使当前奖励r(xt,a)设为正值，反之设为负值，同时系统进入下一状态xt+1，在行动者神经网络和环境不断交互更新下，传输功率pi和传输时间
Figure BDA0001735845250000045
将不断被优化直到找到最优解。
进一步，所述步骤3)中，异步优势行动者评论家算法的迭代过程为：
步骤3.1：初始化算法中的全局网络和局部网络，当前系统状态为xt，t初始化为1，迭代次数k初始化为1；
步骤3.2：当k小于或等于给定迭代次数K时，局部网络中的行动者神经网络根据系统状态xt输出的动作a(t)；
步骤3.3：环境得到动作a(t)后返回奖励r(t)和下一步状态；
步骤3.4：局部网络中的评论家神经网络根据奖励r(t)指导行动者神经网络优化自己的参数；
步骤3.5：局部网络中的行动者神经网络和评论家神经网络根据各自的误差，不断缩小误差，优化自身；
步骤3.6：每隔S步，局部网络将自己误差相对参数的梯度上传至全局网络，全局网络根据梯度更新参数后，将参数复制给局部网络，同时令k＝k+1，回到步骤3.2；
步骤3.7：当k大于给定迭代次数K时，学习过程结束，得到最佳传输功率pi和传输时间
Figure BDA0001735845250000051
本发明的技术构思为：首先,我们将时间调度和功率分配作为二种可控网络资源联合起来考虑，实现以端到端的最大吞吐量最大化系统效益。换言之，希望获得一个最佳的传输功率和时间调度方案使得网络吞吐量最大化的同时，总传输功率消耗最小。接着,将传输功率pi和传输时间
Figure BDA0001735845250000052
作为优化变量，各时隙i的数据率ri之和作为优化目标，通过异步优势行动者评论家算法获得最佳传输功率pi和传输时间
Figure BDA0001735845250000053
从而得到最佳的传输功率和时间调度，实现以最大化吞吐量的最大化系统效益。
本发明的有益效果主要表现在:1、对整个集能型无线中继网络系统而言，优化时间调度和功率分配可以减少系统的资金花费，而且中继基站所产生的能耗以及随之带来的温室气体(如二氧化碳)排放量也能随之降低。集能型无线中继网络，不仅可以降低总功率消耗，而且可以提高网络的传输速率，达到端到端的最大化吞吐量，增加网络的系统效益；2、对网络运营商而言，最佳的时隙和功率分配可以使网络系统服务更多的用户，并降低由于路径损耗，阴影和小规模衰落的信道损耗等原因所导致的低质量服务的概率，从而增加用户信誉，进一步增加其利润。
附图说明
图1是集能型无线中继网络的示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
参照图1，一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法，换言之，即通过联合时间调度和功率分配实现以端到端最大化吞吐量的最大化系统效益。本发明基于一种集能型无线中继网络系统(如图1所示)。在集能型无线中继网络系统中，通过异步优势行动者评论家算法优化时间调度和功率分配，达到最大传输速率。发明在有限的数据缓存和储能电池条件下，针对集能型无线中继网络中的时间调度和功率控制问题，提出了吞吐量最大化的可再生能量优化方法，所述方法包括以下步骤：
1)集能型无线中继网络中通过可再生能量优化管理实现最大吞吐量，其中，优化问题描述为一个多变量优化问题：
P1:
Figure BDA0001735845250000071
受限于：
Figure BDA0001735845250000072
Figure BDA0001735845250000073
Figure BDA0001735845250000074
Figure BDA0001735845250000075
Figure BDA0001735845250000076
Figure BDA0001735845250000077
在此，问题P1的各参数定义如下：
pi：中继节点在时隙i的传输功率；
ri：中继节点在时隙i的数据率；
τi：源节点在时隙i的传输时间；
Figure BDA0001735845250000078
中继节点在时隙i的传输时间；
ui：源节点在时隙i的数据率；
hi：中继节点到目的节点的信道增益；
Ei：中继节点在时隙i时所采集的能量；
Emax：中继节点的电池最大容量；
Qmax：中继节点的数据缓存容量；
L：单个时隙长度；
T：传输时隙数；
W：网络带宽；
2)行动者评论家结构由行动者神经网络和评论家神经网络组成，神经网络又由多个神经元和连接两个神经元的神经链路组成，其中，单个神经元所进行的数学运算，如下所示：
Figure BDA0001735845250000081
在此，各参数定义如下：
yj：第j个神经元的输出；
f：激活函数；
Wij：连接神经元i和神经元j的权重；
xi：前一层神经元i的输出；
bj：第j个神经元的偏置；
行动者神经网络和评论家神经网络的更新方式为不断地缩小自己的误差，其中行动者神经网络的误差定义如下：
a_loss＝-logπ(at|st；θ)Rt (3)
其中，各参数定义如下：
a_loss：行动者神经网络的误差；
π：系统当前策略；
θ：神经网络参数；
st：系统在t时刻的状态；
at：系统在t时刻所采取的动作；
Rt：系统在t时刻的累积奖励；
评论家神经网络的误差定义如下：
c_loss＝vtarget-v (4)
其中，各参数定义如下：
c_loss：行动者神经网络的误差；
vtarget：行动者神经网络在某个状态下的目标价值；
v：行动者神经网络在某个状态下所预测出的价值；
3)将问题P1分解为两部分优化：功率子优化和时隙子优化，即优化变量pi和
Figure BDA0001735845250000091
来得到最优的ri，也就是问题P1的最优解，异步优势行动者评论家算法中的局部网络用于与环境交互，环境就是问题P1，同时不断调整变量pi和
Figure BDA0001735845250000092
来不断使问题P1的值最大化，而全局网络则不断协调各个局部网络，加速学习过程，使得找到最优解的速度大大提升；
通过局部网络来寻找一个最优的pi和
Figure BDA0001735845250000093
即中继节点在各时隙i的传输功率和传输时间，该局部网络系统由行动者神经网络和评论家神经网络所组成，中继节点在各时隙i的传输功率pi和传输时间
Figure BDA0001735845250000096
都被编进了行动者神经网络当前状态xt，行动者神经网络在当前状态下采取动作a进入下一个状态xt+1，动作a是对系统状态xt的更改，如果改后的系统在各时隙i的数据率ri之和比之前的要大，则使当前奖励r(xt,a)设为正值，反之设为负值，同时系统进入下一状态xt+1，在行动者神经网络和环境不断交互更新下，传输功率pi和传输时间
Figure BDA0001735845250000095
将不断被优化直到找到最优解。
进一步，所述步骤3)中，异步优势行动者评论家算法的迭代过程为：
步骤3.1：初始化算法中的全局网络和局部网络，当前系统状态为xt，t初始化为1，迭代次数k初始化为1；
步骤3.2：当k小于或等于给定迭代次数K时，局部网络中的行动者神经网络根据系统状态xt输出的动作a(t)；
步骤3.3：环境得到动作a(t)后返回奖励r(t)和下一步状态；
步骤3.4：局部网络中的评论家神经网络根据奖励r(t)指导行动者神经网络优化自己的参数；
步骤3.5：局部网络中的行动者神经网络和评论家神经网络根据各自的误差，不断缩小误差，优化自身；
步骤3.6：每隔S步，局部网络将自己误差相对参数的梯度上传至全局网络，全局网络根据梯度更新参数后，将参数复制给局部网络，同时令k＝k+1，回到步骤3.2；
步骤3.7：当k大于给定迭代次数K时，学习过程结束，得到最佳传输功率pi和传输时间
Figure BDA0001735845250000101

Claims (1)

1.一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法，其特征在于：所述方法包括以下步骤：
1)集能型无线中继网络中通过可再生能量优化管理实现最大吞吐量，其中，优化问题描述为一个多变量优化问题：
P1:
Figure FDA0002948699430000011
受限于：
Figure FDA0002948699430000012
(约束条件1)
Figure FDA0002948699430000013
(约束条件2)
Figure FDA0002948699430000014
(约束条件3)
Figure FDA0002948699430000015
(约束条件4)
Figure FDA0002948699430000016
(约束条件5)
Figure FDA0002948699430000017
在此，问题P1的各参数定义如下：
pi：中继节点在时隙i的传输功率；
ri：中继节点在时隙i的数据率；
τi：源节点在时隙i的传输时间；
Figure FDA0002948699430000018
中继节点在时隙i的传输时间；
ui：源节点在时隙i的数据率；
hi：中继节点到目的节点的信道增益；
Ei：中继节点在时隙i时所采集的能量；
Emax：中继节点的电池最大容量；
Qmax：中继节点的数据缓存容量；
L：单个时隙长度；
T：传输时隙数；
W：网络带宽；
2)行动者评论家结构由行动者神经网络和评论家神经网络组成，神经网络又由多个神经元和连接两个神经元的神经链路组成，其中，单个神经元所进行的数学运算，如下所示：
Figure FDA0002948699430000021
在此，各参数定义如下：
yj：第j个神经元的输出；
f：激活函数；
wij：连接神经元i和神经元j的权重；
xi：前一层神经元i的输出；
bh：第h个神经元的偏置；
行动者神经网络和评论家神经网络的更新方式为不断地缩小自己的误差，其中行动者神经网络的误差定义如下：
a_loss＝-logπ(at|st；θ)Rt (3)
其中，各参数定义如下：
a_loss：行动者神经网络的误差；
π：系统当前策略；
θ：神经网络参数；
st：系统在t时刻的状态；
at：系统在t时刻所采取的动作；
Rt：系统在t时刻的累积奖励；
评论家神经网络的误差定义如下：
c_loss＝vtarget-v (4)
其中，各参数定义如下：
c_loss：行动者神经网络的误差；
vtarget：行动者神经网络在某个状态下的目标价值；
v：行动者神经网络在某个状态下所预测出的价值；
3)将问题P1分解为两部分优化：功率子优化和时隙子优化，即优化变量pi和
Figure FDA0002948699430000031
来得到最优的ri，也就是问题P1的最优解，异步优势行动者评论家算法中的局部网络用于与环境交互，环境就是问题P1，同时不断调整变量pi和
Figure FDA0002948699430000032
来不断使问题P1的值最大化，而全局网络则不断协调各个局部网络，加速学习过程，使得找到最优解的速度大大提升；
通过局部网络来寻找一个最优的pi和
Figure FDA0002948699430000033
即中继节点在各时隙i的传输功率和传输时间，该局部网络系统由行动者神经网络和评论家神经网络所组成，中继节点在各时隙i的传输功率pi和传输时间
Figure FDA0002948699430000034
都被编进了行动者神经网络当前状态xt，行动者神经网络在当前状态下采取动作a进入下一个状态xt+1，动作a是对系统状态xt的更改，如果改后的系统在各时隙i的数据率ri之和比之前的要大，则使当前奖励r(xt，a)设为正值，反之设为负值，同时系统进入下一状态xt+1，在行动者神经网络和环境不断交互更新下，传输功率pi和传输时间
Figure FDA0002948699430000035
将不断被优化直到找到最优解：
所述步骤3)中，异步优势行动者评论家算法的迭代过程为：
步骤3.1：初始化算法中的全局网络和局部网络，当前系统状态为xt，t初始化为1，迭代次数k初始化为1；
步骤3.2：当k小于或等于给定迭代次数K时，局部网络中的行动者神经网络根据系统状态xt输出的动作a(t)；
步骤3.3：环境得到动作a(t)后返回奖励r(t)和下一步状态；
步骤3.4：局部网络中的评论家神经网络根据奖励r(t)指导行动者神经网络优化自己的参数；
步骤3.5：局部网络中的行动者神经网络和评论家神经网络根据各自的误差，不断缩小误差，优化自身；
步骤3.6：每隔S步，局部网络将自己误差相对参数的梯度上传至全局网络，全局网络根据梯度更新参数后，将参数复制给局部网络，同时令k＝k+1，回到步骤3.2；
步骤3.7：当k大于给定迭代次数K时，学习过程结束，得到最佳传输功率pi和传输时间
Figure FDA0002948699430000041
CN201810795672.4A 2018-07-19 2018-07-19 一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法 Active CN109089307B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810795672.4A CN109089307B (zh) 2018-07-19 2018-07-19 一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810795672.4A CN109089307B (zh) 2018-07-19 2018-07-19 一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法

Publications (2)

Publication Number Publication Date
CN109089307A CN109089307A (zh) 2018-12-25
CN109089307B true CN109089307B (zh) 2021-05-18

Family

ID=64837860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810795672.4A Active CN109089307B (zh) 2018-07-19 2018-07-19 一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法

Country Status (1)

Country Link
CN (1) CN109089307B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109769257B (zh) * 2019-01-16 2021-09-10 重庆邮电大学 基于能效的异构网络鲁棒资源分配和时长混合优化方法
CN112954814B (zh) * 2021-01-27 2022-05-20 哈尔滨工程大学 一种认知无线电中信道质量性接入方法
CN113038616B (zh) * 2021-03-16 2022-06-03 电子科技大学 一种基于联邦学习的频谱资源管理分配方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103298154A (zh) * 2013-05-31 2013-09-11 天津大学 一种基于温差电池的无线传感器网络动态能量分配方法
WO2015040351A1 (en) * 2013-09-18 2015-03-26 Toshiba Research Europe Limited Wireless device and method
CN105792218A (zh) * 2016-02-25 2016-07-20 中山大学 具有射频能量收集能力的认知无线电网络的优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101816613B1 (ko) * 2016-04-22 2018-01-09 성균관대학교산학협력단 에너지 하비스팅을 이용한 전이중 중계 통신 방법 및 에너지 하비스팅에 기반한 전이중 중계 통신 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103298154A (zh) * 2013-05-31 2013-09-11 天津大学 一种基于温差电池的无线传感器网络动态能量分配方法
WO2015040351A1 (en) * 2013-09-18 2015-03-26 Toshiba Research Europe Limited Wireless device and method
CN105792218A (zh) * 2016-02-25 2016-07-20 中山大学 具有射频能量收集能力的认知无线电网络的优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Optimal Relaying Scheme with Energy Harvesting;Thanh-Dat Le ,Oh-Soon Shin;《IEEE》;20161205;全文 *
Throughput and Outage of a Wireless Energy;Binod Prasad;《IEEE》;20161103;全文 *
Throughput Improvement by Cluster-Based Multihop Wireless;Vikash Singh;《IEEE》;20170316;全文 *

Also Published As

Publication number Publication date
CN109089307A (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
CN109195207B (zh) 一种基于深度强化学习的集能型无线中继网络吞吐量最大化方法
CN107666676B (zh) 一种集能型无线中继网络最大化系统吞吐量的在线控制方法
CN110430613B (zh) 多载波非正交多址接入系统基于能效的资源分配方法
CN109089307B (zh) 一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法
CN108990141B (zh) 一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法
CN109104734B (zh) 一种集能型无线中继网络吞吐量最大化方法
CN112637907B (zh) 毫米波网络中用户多关联和下行功率分配的联合优化方法
Chen et al. A deep learning based resource allocation scheme in vehicular communication systems
CN117614520B (zh) 基于无人机-卫星协作的去蜂窝大规模mimo资源优化方法
Giri et al. Deep Q-learning based optimal resource allocation method for energy harvested cognitive radio networks
CN108521672B (zh) 一种分布式无线能量和信息传输系统的资源分配方法
Gao et al. SWIPT-based energy scheduling for solar-powered WSN in full-duplex mode
CN114521023A (zh) Swipt辅助noma-mec系统资源分配建模方法
Baidas Distributed energy-efficiency maximization in energy-harvesting uplink NOMA relay ad-hoc networks: game-theoretic modeling and analysis
CN107872809B (zh) 一种基于移动节点辅助的软件定义传感网络拓扑控制方法
CN109104768B (zh) 一种基于模拟退火算法的非正交多址接入联合带宽和速率分配方法
CN115987375A (zh) 融合网络的电力设备关联与资源优化方法、系统及介质
Chen et al. Liquid state based transfer learning for 360 image transmission in wireless VR networks
CN104640189A (zh) 一种结合拉格朗日对偶和改进粒子群的超密集异构网络功率调整方法
CN111160513B (zh) 一种电力配电网的能量优化方法
Tian et al. Hierarchical federated learning with adaptive clustering on non-IID data
CN113595609A (zh) 一种基于强化学习的蜂窝移动通信系统协作式信号发送方法
Yuan et al. Joint multi-ground-user edge caching resource allocation for cache-enabled high-low-altitude-platforms integrated network
CN105634583A (zh) 基于二进制粒子群的卫星ofdm载波优化配置方法
CN109041195A (zh) 一种基于半监督学习的集能型无线中继网络吞吐量最大化方法

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