CN109104734A - 一种基于深度确定性策略梯度的集能型无线中继网络吞吐量最大化方法 - Google Patents
一种基于深度确定性策略梯度的集能型无线中继网络吞吐量最大化方法 Download PDFInfo
- Publication number
- CN109104734A CN109104734A CN201810795748.3A CN201810795748A CN109104734A CN 109104734 A CN109104734 A CN 109104734A CN 201810795748 A CN201810795748 A CN 201810795748A CN 109104734 A CN109104734 A CN 109104734A
- Authority
- CN
- China
- Prior art keywords
- state
- execution unit
- time slot
- energy
- unit
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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]
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种基于深度确定性策略梯度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,即深度确定性策略梯度方法优化变量pi和来得到最优的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
技术领域
本发明涉及集能型无线中继网络技术领域,尤其是一种基于深度确定性策略梯度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深度确定性策略梯度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:
一种基于深度确定性策略梯度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:
受限于:
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;
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)将问题P1分解为两部分优化:功率子优化和时隙子优化,即通过优化变量pi和来得到最优的ri,其中,通过深度确定性策略梯度方法来优化中继节点在各时隙i上的传输功率pi和传输时间从而最终决定问题P1中各时隙i的数据率ri之和的最大化;
该深度确定性策略梯度方法由执行单元,评分单元和环境所组成,所有的传输功率pi和传输时间都被编进了执行单元所需的状态xt,执行单元在当前状态下采取动作a对传输功率pi和传输时间进行更改并进入下一个状态xt+1,同时得到环境返回的奖励r(xt,a),评分单元结合状态xt,动作a以及环境返回的奖励r(xt,a)给执行单元打分,即表明执行单元在状态xt下采取动作a是好是坏;执行单元的目标就是让评分单元所打的分越高越好,而评分单元的目标是让自己每次打出的分都接近真实,这可以通过奖励r(xt,a)来调节;在执行单元,评分单元和环境不断交互更新下,传输功率pi和传输时间将不断被优化直到被更新到最优,评分单元的更新方式为:
S(xt,a)=r(xt,a)+γS′(xt+1,a′) (3)
其中,各参数定义如下:
xt:在时刻t,系统所处状态;
xt+1:在时刻t+1,系统所处状态;
a:在当前状态执行单元所采取的动作;
a′:在下一状态执行单元所采取的动作;
S(xt,a):执行单元中的评估网络在状态xt下采取动作a所得到的分值;
S′(xt+1,a′):执行单元中的目标网络在状态xt+1下采取动作a′所得到的分值;
r(xt,a):在状态xt下采取动作a所得到的奖励;
γ:奖励衰减比重;
3)所有的传输功率pi和传输时间作为深度确定性策略梯度方法的状态xt,动作a则是对状态xt的更改,更改后系统在各时隙i的数据率ri之和会与一个设定的标准值进行比较,如果比这个标准值大则使当前奖励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。
进一步,所述步骤3)中,深度确定性策略梯度方法的迭代过程为:
步骤3.1:初始化深度确定性策略梯度方法中的执行单元,评分单元和记忆库,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,在状态xt下,执行单元预测出一个动作a;
步骤3.3:动作a对状态xt进行更改,使其变成下一状态xt+1并得到环境所反馈的奖励r(xt,a);
步骤3.4:按照格式(xt,a,r(xt,a),xt+1)把历史经验保存在记忆库中;
步骤3.5:评分单元接收动作a,状态xt和奖励r(xt,a),给执行单元打出分数S(xt,a);
步骤3.6:执行单元通过更新自身参数不断去最大化分数S(xt,a),尽可能地让自己在下次能做出高分动作;
步骤3.7:评分单元抽取记忆库中的历史经验,不断学习,更新参数使得自己所打的分尽可能准确,同时k=k+1,回到步骤3.2;
步骤3.8: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
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,通过深度确定性策略梯度方法获得最佳传输功率pi和传输时间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1,一种基于深度确定性策略梯度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,通过深度确定性策略梯度方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:
受限于:
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;
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)将问题P1分解为两部分优化:功率子优化和时隙子优化,即通过优化变量pi和来得到最优的ri,其中,通过深度确定性策略梯度方法来优化中继节点在各时隙i上的传输功率pi和传输时间从而最终决定问题P1中各时隙i的数据率ri之和的最大化;
该深度确定性策略梯度方法由执行单元,评分单元和环境所组成,所有的传输功率pi和传输时间都被编进了执行单元所需的状态xt,执行单元在当前状态下采取动作a对传输功率pi和传输时间进行更改并进入下一个状态xt+1,同时得到环境返回的奖励r(xt,a),评分单元结合状态xt,动作a以及环境返回的奖励r(xt,a)给执行单元打分,即表明执行单元在状态xt下采取动作a是好是坏;执行单元的目标就是让评分单元所打的分越高越好,而评分单元的目标是让自己每次打出的分都接近真实,这可以通过奖励r(xt,a)来调节;在执行单元,评分单元和环境不断交互更新下,传输功率pi和传输时间将不断被优化直到被更新到最优,评分单元的更新方式为:
S(xt,a)=r(xt,a)+γS′(xt+1,a′) (3)
其中,各参数定义如下:
xt:在时刻t,系统所处状态;
xt+1:在时刻t+1,系统所处状态;
a:在当前状态执行单元所采取的动作;
a′:在下一状态执行单元所采取的动作;
S(xt,a):执行单元中的评估网络在状态xt下采取动作a所得到的分值;
S′(xt+1,a′):执行单元中的目标网络在状态xt+1下采取动作a′所得到的分值;
r(xt,a):在状态xt下采取动作a所得到的奖励;
γ:奖励衰减比重;
3)所有的传输功率pi和传输时间作为深度确定性策略梯度方法的状态xt,动作a则是对状态xt的更改,更改后系统在各时隙i的数据率ri之和会与一个设定的标准值进行比较,如果比这个标准值大则使当前奖励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。
进一步,所述步骤3)中,深度确定性策略梯度方法的迭代过程为:
步骤3.1:初始化深度确定性策略梯度方法中的执行单元,评分单元和记忆库,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,在状态xt下,执行单元预测出一个动作a;
步骤3.3:动作a对状态xt进行更改,使其变成下一状态xt+1并得到环境所反馈的奖励r(xt,a);
步骤3.4:按照格式(xt,a,r(xt,a),xt+1)把历史经验保存在记忆库中;
步骤3.5:评分单元接收动作a,状态xt和奖励r(xt,a),给执行单元打出分数S(xt,a);
步骤3.6:执行单元通过更新自身参数不断去最大化分数S(xt,a),尽可能地让自己在下次能做出高分动作;
步骤3.7:评分单元抽取记忆库中的历史经验,不断学习,更新参数使得自己所打的分尽可能准确,同时k=k+1,回到步骤3.2;
步骤3.8: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
本实施例中,图1是本发明有关集能型中继基站的无线中继网络。在该集能型无线中继网络系统中,通过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系统,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。
本实施着眼于在满足每个用户服务质量的条件下,通过控制用户传输功率和优化时间调度来实现以最小总传输功率消耗最大化端到端吞吐量。我们的工作可以使得网络运营商获得最大利润,尽可能多地服务用户,节省网络资源,提高整个网络的性能,实现最大化的网络系统效益。
Claims (2)
1.一种基于深度确定性策略梯度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:
受限于:(约束条件1)
(约束条件2)
(约束条件3)
(约束条件4)
(约束条件5)
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;
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)将问题P1分解为两部分优化:功率子优化和时隙子优化,即通过优化变量pi和来得到最优的ri,其中,通过深度确定性策略梯度方法来优化中继节点在各时隙i上的传输功率pi和传输时间从而最终决定问题P1中各时隙i的数据率ri之和的最大化;
该深度确定性策略梯度方法由执行单元,评分单元和环境所组成,所有的传输功率pi和传输时间都被编进了执行单元所需的状态xt,执行单元在当前状态下采取动作a对传输功率pi和传输时间进行更改并进入下一个状态xt+1,同时得到环境返回的奖励r(xt,a),评分单元结合状态xt,动作a以及环境返回的奖励r(xt,a)给执行单元打分,即表明执行单元在状态xt下采取动作a是好是坏;执行单元的目标就是让评分单元所打的分越高越好,而评分单元的目标是让自己每次打出的分都接近真实,这可以通过奖励r(xt,a)来调节;在执行单元,评分单元和环境不断交互更新下,传输功率pi和传输时间将不断被优化直到被更新到最优,评分单元的更新方式为:
S(xt,a)=r(xt,a)+γS′(xt+1,a′) (3)
其中,各参数定义如下:
xt:在时刻t,系统所处状态;
xt+1:在时刻t+1,系统所处状态;
a:在当前状态执行单元所采取的动作;
a′:在下一状态执行单元所采取的动作;
S(xt,a):执行单元中的评估网络在状态xt下采取动作a所得到的分值;
S′(xt+1,a′):执行单元中的目标网络在状态xt+1下采取动作a′所得到的分值;
r(xt,a):在状态xt下采取动作a所得到的奖励;
γ:奖励衰减比重;
3)所有的传输功率pi和传输时间作为深度确定性策略梯度方法的状态xt,动作a则是对状态xt的更改,更改后系统在各时隙i的数据率ri之和会与一个设定的标准值进行比较,如果比这个标准值大则使当前奖励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。
2.如权利要求1所述的一种基于深度确定性策略梯度的集能型无线中继网络吞吐量最大化方法,其特征在于:所述步骤3)中,深度确定性策略梯度方法的迭代过程为:
步骤3.1:初始化深度确定性策略梯度方法中的执行单元,评分单元和记忆库,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,在状态xt下,执行单元预测出一个动作a;
步骤3.3:动作a对状态xt进行更改,使其变成下一状态xt+1并得到环境所反馈的奖励r(xt,a);
步骤3.4:按照格式(xt,a,r(xt,a),xt+1)把历史经验保存在记忆库中;
步骤3.5:评分单元接收动作a,状态xt和奖励r(xt,a),给执行单元打出分数S(xt,a);
步骤3.6:执行单元通过更新自身参数不断去最大化分数S(xt,a),尽可能地让自己在下次能做出高分动作;
步骤3.7:评分单元抽取记忆库中的历史经验,不断学习,更新参数使得自己所打的分尽可能准确,同时k=k+1,回到步骤3.2;
步骤3.8: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
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810795748.3A CN109104734B (zh) | 2018-07-19 | 2018-07-19 | 一种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 |
---|---|---|---|
CN201810795748.3A CN109104734B (zh) | 2018-07-19 | 2018-07-19 | 一种集能型无线中继网络吞吐量最大化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109104734A true CN109104734A (zh) | 2018-12-28 |
CN109104734B CN109104734B (zh) | 2021-10-15 |
Family
ID=64846948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810795748.3A Active CN109104734B (zh) | 2018-07-19 | 2018-07-19 | 一种集能型无线中继网络吞吐量最大化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109104734B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109769257A (zh) * | 2019-01-16 | 2019-05-17 | 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 |
CN110374804A (zh) * | 2019-07-03 | 2019-10-25 | 西安交通大学 | 一种基于深度确定性策略梯度补偿的变桨距控制方法 |
CN111328092A (zh) * | 2020-02-27 | 2020-06-23 | 中山大学 | D2d通信中继分组缓存分配中的预信息动态更新方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2323274A2 (en) * | 2009-11-11 | 2011-05-18 | Huawei Device Co., Ltd. | System and method for performing weighted processing on uplink signal |
CN103096335A (zh) * | 2012-12-26 | 2013-05-08 | 陈宏滨 | 一种无线通信系统频谱效率和能量效率的优化方法 |
CN103596251A (zh) * | 2013-11-28 | 2014-02-19 | 中国科学技术大学 | 一种采用可再生能源供电及节能方式的中继通信系统 |
US20160081034A1 (en) * | 2008-12-03 | 2016-03-17 | Interdigital Patent Holdings, Inc. | Uplink power control for distributed wireless communication |
CN107018547A (zh) * | 2017-03-16 | 2017-08-04 | 中南大学 | 一种基于带外d2d多跳中继的蜂窝下行吞吐量优化方法 |
CN107659967A (zh) * | 2017-08-25 | 2018-02-02 | 浙江工业大学 | 一种集能型无线中继网络吞吐量最大化的可再生能量优化方法 |
CN107666676A (zh) * | 2017-09-14 | 2018-02-06 | 浙江工业大学 | 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 |
-
2018
- 2018-07-19 CN CN201810795748.3A patent/CN109104734B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160081034A1 (en) * | 2008-12-03 | 2016-03-17 | Interdigital Patent Holdings, Inc. | Uplink power control for distributed wireless communication |
EP2323274A2 (en) * | 2009-11-11 | 2011-05-18 | Huawei Device Co., Ltd. | System and method for performing weighted processing on uplink signal |
CN103096335A (zh) * | 2012-12-26 | 2013-05-08 | 陈宏滨 | 一种无线通信系统频谱效率和能量效率的优化方法 |
CN103596251A (zh) * | 2013-11-28 | 2014-02-19 | 中国科学技术大学 | 一种采用可再生能源供电及节能方式的中继通信系统 |
CN107018547A (zh) * | 2017-03-16 | 2017-08-04 | 中南大学 | 一种基于带外d2d多跳中继的蜂窝下行吞吐量优化方法 |
CN107659967A (zh) * | 2017-08-25 | 2018-02-02 | 浙江工业大学 | 一种集能型无线中继网络吞吐量最大化的可再生能量优化方法 |
CN107666676A (zh) * | 2017-09-14 | 2018-02-06 | 浙江工业大学 | 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 |
Non-Patent Citations (2)
Title |
---|
YAN XIA 等: "Optimal power control for source and relay in energy harvesting relay networks", 《2013 8TH INTERNATIONAL CONFERENCE ON COMMUNICATIONS AND NETWORKING IN CHINA》 * |
赵季红 等: "整体优化的吞吐量预测中继选择策略", 《北京邮电大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109769257A (zh) * | 2019-01-16 | 2019-05-17 | 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 |
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 |
CN110374804A (zh) * | 2019-07-03 | 2019-10-25 | 西安交通大学 | 一种基于深度确定性策略梯度补偿的变桨距控制方法 |
CN110374804B (zh) * | 2019-07-03 | 2020-06-19 | 西安交通大学 | 一种基于深度确定性策略梯度补偿的变桨距控制方法 |
CN111328092A (zh) * | 2020-02-27 | 2020-06-23 | 中山大学 | D2d通信中继分组缓存分配中的预信息动态更新方法 |
CN111328092B (zh) * | 2020-02-27 | 2021-10-01 | 中山大学 | D2d通信中继分组缓存分配中的预信息动态更新方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109104734B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A hybrid framework combining solar energy harvesting and wireless charging for wireless sensor networks | |
Gu et al. | Distributed multi-relay selection in accumulate-then-forward energy harvesting relay networks | |
CN109195207A (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 | |
CN105451343A (zh) | 一种基于能量采集的多中继网络资源分配方法 | |
CN109104734A (zh) | 一种基于深度确定性策略梯度的集能型无线中继网络吞吐量最大化方法 | |
Ye et al. | Relay selections for cooperative underlay CR systems with energy harvesting | |
CN108541001B (zh) | 一种用于能量可收集双向协作通信的中断率优化方法 | |
CN107659967A (zh) | 一种集能型无线中继网络吞吐量最大化的可再生能量优化方法 | |
Du et al. | Optimal node deployment and energy provision for wirelessly powered sensor networks | |
CN108990141A (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 | |
CN109089307A (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 | |
Luo et al. | Optimal energy requesting strategy for RF-based energy harvesting wireless communications | |
Ko et al. | Energy utilization-aware operation control algorithm in energy harvesting base stations | |
He et al. | Optimizing information freshness in RF-powered multi-hop wireless networks | |
Lu et al. | Opportunistic forwarding in energy harvesting mobile delay tolerant networks | |
CN106998222A (zh) | 一种分布式天线系统中高能效的功率分配方法 | |
Baidas | Distributed energy-efficiency maximization in energy-harvesting uplink NOMA relay ad-hoc networks: game-theoretic modeling and analysis | |
Hua et al. | Energy‐efficient optimisation for UAV‐aided wireless sensor networks | |
Liu et al. | Learning-based multi-UAV assisted data acquisition and computation for information freshness in WPT enabled space-air-ground PIoT | |
Su et al. | Toward optimal deployment of UAV relays in UAV-assisted Internet of Vehicles | |
Bai et al. | Power-efficient zoning clustering algorithm for wireless sensor networks | |
Shim et al. | Priority‐Based Pipelined‐Forwarding MAC Protocol for EH‐WSNs | |
Luo et al. | DTER: Optimal two-step dual tunnel energy requesting for RF-based energy harvesting system | |
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 |