CN110881197A - 一种多运营商无线供能物联网资源优化方法 - Google Patents
一种多运营商无线供能物联网资源优化方法 Download PDFInfo
- Publication number
- CN110881197A CN110881197A CN201911132359.3A CN201911132359A CN110881197A CN 110881197 A CN110881197 A CN 110881197A CN 201911132359 A CN201911132359 A CN 201911132359A CN 110881197 A CN110881197 A CN 110881197A
- Authority
- CN
- China
- Prior art keywords
- operator
- node
- energy supply
- model
- representing
- 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
Images
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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种多运营商无线供能物联网资源优化方法,首先,将运营商与无线供能装置分别建模为主导者和跟随者,通过建立其收益模型,构建基于Stackelberg博弈的供能功率、供能激励、缓存、服务激励联合映射模型;然后利用回溯法先对跟随者收益模型采用约束近似进行求解,依据优化结果对主导者收益模型进行化简和重构,进而确定迭代框架、迭代子问题和优化策略;最终经过交替迭代,得到资源映射结果。本发明主要解决多运营商物联网场景下资源利用率低、收益目标难以协调、虚拟化联合映射复杂度高等问题,能有效提高运营商收益,适用于多运营商无线供能物联网。
Description
技术领域
本发明属于无线通信网络与物联网技术领域,尤其涉及一种多运营商无线供能物联网资源优化方法。
背景技术
物联网的典型应用之一是环境监测,即通过在监测区域布置大量传感节点,实时收集并按用户要求回传数据。随着物联网监测业务的迅猛发展,单位监测面积上的传感节点数量不断增加,带来了巨大的网络建设成本和节点供能问题。
针对网络建设成本问题,多运营商之间的基础设施共享共建,是未来的发展方向,而网络虚拟化是实现共享的关键技术。运营商通过网络虚拟化将自己的网络资源向其他运营商开放和共享,可以从整体上提升网络资源利用率,避免重复建设。
同时,近年来,无线供能物联网被视为是解决节点供能问题的有效方案。通过在网络中部署若干无线供能装置,利用电磁波向节点传输能量,可以极大地提升节点能量效率,降低供能成本。
无线供能物联网的多运营商场景,将无线物联网和多运营商共享结合,能够发挥两者优势,综合解决节点供能和网络建设成本问题,因此受到业界广泛关注。然而,不同于单运营商场景,由于多运营商、无线供能装置分属于不同的利益主体,因此在进行网络资源虚拟化映射的同时,需要为各方提供相应的激励,才能确保节点共享和能量传输的实现。针对该问题,已有学者进行了研究,代表性的工作如文献[J.Yao and N.Ansari.Caching inEnergy Harvesting Aided Internet of Things:A Game-Theoretic Approach.IEEEInternet of Things Journal,2019,6(2),3194-3201]提出了一种基于博弈论的无线供能物联网资源分配和激励联合优化方法,实现了对无线供能装置和运营商之间的收益协调以及无线传输、缓存资源的有效分配。然而,该方法只考虑了单个运营商的情况,无法解决多运营商场景下的激励问题。
针对多运营商物联网的共享激励问题,现有方法主要采用博弈模型,代表性的工作如文献[D.Rawat,A.Alshaikhi,A.Alshammari,et al.Payoff Optimization ThroughWireless Network Virtualization for IoT Applications:A Three Layer GameApproach.IEEE Internet of Things Journal,2019,6(2)]提出了一种三层博弈模型,通过利用均衡点协调多个收益目标函数,实现了网络资源和激励的有效供给。然而,该方法没有涉及无线供能装置的激励以及接入网关缓存资源的映射问题,无法解决多运营商无线供能物联网的资源分配和激励问题。
发明内容
发明目的:针对现有方案无法有效解决无线供能物联网在多运营商场景下的资源映射和激励联合优化问题,本发明提出了一种多运营商无线供能物联网资源优化方法,该方法基于Stackelberg博弈,利用模型近似和分解推导出优化框架和子问题的低复杂度求解算法,从而能高效求解博弈均衡点,为博弈各方提供激励,解决多运营商物联网资源利用率低、收益目标难以协调、虚拟化联合映射复杂度高等问题。
技术方案:本发明采用如下技术方案:
一种多运营商无线供能物联网资源优化方法,包括以下步骤:
步骤1,将运营商与无线供能装置分别建模为主导者和跟随者,通过建立其收益模型,构建基于Stackelberg博弈的供能功率、供能激励、缓存、服务激励联合映射模型;
步骤2,对联合映射模型进行简化,得到重构模型;
步骤3,基于步骤2得到的重构模型,利用交替方向法确定迭代框架,最终经过交替迭代,得到资源映射结果;
步骤4,根据资源映射结果,对运营商无线供能物联网资源进行优化。
步骤1包括:
所述联合映射模型包含主导者层次和跟随者层次,如下所示:
主导者层次-目标函数:
约束条件:Pm≥0(2-A)
其中,Ni表示运营商i的节点集合,w表示节点频谱带宽,β表示无线供能装置的能量代价系数,G表示网关的回程传输速率,N0表示背景噪声功率,α表示节点接受无线供能的能量转换效率;集合X=[x1,1…,xi,j,…x|O|,|N|],O表示运营商集合,N表示节点集合,| |表示计算集合中元素个数运算符,xi,j是从属于运营商i的节点j的缓存指示变量,如果从属于运营商i的节点j将自己的监测信息缓存到网关,xi,j=1,否则,xi,j=0;xi′,j是从属于运营商i′的节点j的缓存指示变量,如果从属于运营商i′的节点j将自己的监测信息缓存到网关,xi′,j=1,否则,xi′,j=0;
集合Y=[y1,…,ym,…y|M|],M表示无线供能装置集合,ym表示无线供能装置m传输每单位功率获得的收益;
集合P=[P1,…,Pm,…P|M|],Pm表示无线供能装置m的传输功率;
集合表示运营商i通过共享自己节点为其他运营商服务而获得的单位比特收益,表示运营商i获得其他运营商节点服务所支付的单位比特开销;表示收益比例系数;li,j表示从属于运营商i的节点j的监测信息量,L表示网关缓存容量;
Ri,j表示为:
其中,Hi,j表示从属于运营商i的节点j到网关的信道增益,Hi,j,m表示从属于运营商i的节点j到无线供能装置m的信道增益。
步骤2包括:
步骤2-1、利用回溯法对跟随者收益模型即公式(2)进行约束近似,得到如下近似模型:
然后利用库恩塔克条件(Karush-Kuhn-Tucker conditions)条件对上述近似模型求解,得到最优解闭合关系式和约束:
步骤2-2、将步骤2-1得到的最优解闭合关系式和约束代入主导者收益模型即公式(1)进行化简,得到如下简化模型:
公式(1-A)~(1-F),以及公式(1-H)~(1-J);
步骤2-3、通过利用数学期望近似目标函数(3),对步骤2-2得到的简化模型重新建模,得到如下重构模型:
其中矢量Z=[z1,…,zj,…z|N|],zj是节点j的缓存指示变量,如果节点j的检测信息存储在网关缓存中,zj=1,否则,zj=0。
步骤3包括:在步骤2-3得到的重构模型中,初始化Z(k),Y(k),C(k),其中Z(k)表示矢量Z在第k次迭代后的值,Y(k)表示矢量Y在第k次迭代后的值,C(k)表示矢量C在第k次迭代后的值,k=0表示迭代序号;然后进行以下迭代:
步骤3-1:将Y(k),C(k)代入重构模型并化简,得到以下子问题:
步骤3-2:将Z(k+1),C(k)代入步骤2-3的重构模型并化简,得到以下子问题:
目标函数:
步骤3-3:将Z(k+1),Y(k+1)代入步骤2-3的重构模型并化简,得到以下线性规划问题:
目标函数如下:
检验U(Z(k+1),Y(k+1),C(k+1))-U(Z(k),Y(k),C(k))≤T是否满足,其中U表示目标函数(4),T表示迭代停止门限;如果不满足,令k=k+1,转步骤3-1;如果满足,则迭代停止,利用Z(k+1)和下列公式恢复X:
步骤4包括:根据X,将对应的节点监测信息存储到网关缓存,以完成缓存资源和无线传输资源的优化;根据Y(k+1),确定每单位功率收益,以完成无线供能装置与运营商之间的收益协调;根据P,确定无线供能装置的发送功率,以完成功率优化;根据C(k+1),确定运营商之间的单位比特收益和单位比特开销,以完成运营商之间的收益协调。
有益效果:相比于现有单运营商场景方法,本发明公开的多运营商无线供能物联网资源虚拟化映射方法,能为多运营商共享网络资源提供激励,解决多运营商物联网收益目标难以协调的问题;相比于现有多运营商物联网虚拟化资源映射方法,本发明公开的方法增加了对无线供能装置和接入网络缓存资源的建模,能够为其提供激励和资源优化;本发明公开的方法利用模型近似和分解推导出优化框架和子问题的低复杂度求解算法,从而能高效求解博弈均衡点,可以为无线供能物联网的多运营商场景应用提供低复杂度的资源映射备选算法,具有良好的工程实用性。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为多运营商无线供能物联网资源虚拟化映射模型示意图;
图2为仿真实验中本发明方法与对比方法的运营商收益性能对比图;
图3为仿真实验中本发明方法与对比方法的复杂度对比图。
具体实施方式
本发明提供了一种多运营商无线供能物联网资源优化方法,包括如下步骤:
步骤1、如图1所示,为多运营商无线供能物联网资源虚拟化映射模型,其中在一个物联网接入网关覆盖区域内,同时有多个运营商提供监测服务,用O表示运营商集合,对于任意运营商i∈O,其拥有的节点集合为Ni,随机分布在该区域。N表示所有节点集合。接入网关拥有容量为L的缓存,用于存储来自节点j、长度为li,j的监测信息,其中j∈Ni。区域中随机分布有多个无线供能装置,用M表示无线供能装置集合。在一个监控周期开始时,任意无线供能装置m∈M向所有节点以功率Pm广播能量,每个节点通过接收该能量进行信息传输,其可达速率Ri,j表示为
其中w表示节点频谱带宽,N0表示背景噪声功率,α表示节点接受无线供能的能量转换效率,Hi,j表示从属于运营商i的节点j到网关的信道增益,Hi,j,m从属于运营商i的节点j到无线供能装置m的信道增益。
每个监测周期,任意运营商i∈O有一个用户请求λi,j到达网关,λi,j表示运营商i的用户请求回传目标节点j监测信息的概率。网关首先检测目标节点的监测信息是否已存储在缓存中,如果是,则直接将其以回程速率G回传给用户,如果否,则要求运营商i通知目标节点,利用收集到的能量向网关回传监测信息。运营商i收到网关通知后,检查目标节点是否属于集合Ni,如果是,则直接要求其向网关回传监测信息,如果否,则通知拥有目标节点的运营商,通过虚拟化共享该节点,向网关回传监测信息,并按单位比特支付报酬同时,如果运营商i通过共享自己节点为其他运营商服务,则按单位比特获得收益针对上面所述模型,令矢量xi,j表示从属于运营商i的节点j的缓存指示变量,如果从属于运营商i的节点j将自己的监测信息缓存到网关,xi,j=1,否则,xi,j=0,矢量X=[x1,1…,xi,j,…x|O|,|N|],| |表示计算集合中元素个数运算符,ym表示无线供能装置m传输每单位功率获得的收益,矢量Y=[y1,…,ym,…y|M|],Pm表示无线供能装置m的传输功率,矢量P=[P1,…,Pm,…P|M|]。这样,运营商i通过利用自己节点服务自己用户请求所获得的平均收益,表示为
运营商i通过共享自己节点服务其他运营商用户请求所获得的平均收益,表示为:
运营商i通过获得其他运营商节点服务自己用户请求所获得的平均收益,表示为
如此,步骤1将运营商与无线供能装置分别建模为主导者和跟随者,建立的基于Stackelberg博弈的供能功率、供能激励、缓存、服务激励联合映射模型如下所示:
主导者层次-目标函数:
其中表示收益比例系数。约束(1-A)保证变量xi,j取0-1整数值;约束(1-B)保证在一个监测周期内,任意运营商i的用户请求最多只有一个所指目标节点的监测信息被存储在网关;约束(1-C)保证每一个节点通过将监测信息存储到网关,最多为每个运营商服务一次;约束(1-D)保证所有节点存储在网关的监测信息总量不能超过网关缓存容量;约束(1-E)保证对于任意运营商i,其用户请求最多被其他某个运营商的一个节点通过将监测信息存储到网关来服务;约束(1-F)保证对于任意运营商i,其用户请求最多被其他运营商中的节点服务一次;约束(1-G)保证变量Pm,ym的取值非负;约束(1-H)保证任意运营商i通过虚拟化共享节点支付的报酬和获得的收益非负;约束(1-I)保证对于任意任意运营商i,其获得的平均总收益为正数;约束(1-J)保证所有运营商通过共享自己节点为其他运营商服务所获得的总收益等于所有运营商通过共享其他运营商节点所支付的总报酬。
约束条件:Pm≥0 (2-A)
其中β表示无线供能装置的能量代价系数,约束(2-A)表示无线供能装置的发送功率为正值,约束(2-B)表示任意一个节点通过利用收集到的能量进行传输,其可达速率不能超过接入网关的回程速率。
采用上述博弈模型的优势在于,可以准确描述多个收益目标的相互制约关系,即运营商作为主导者,通过设定ym给予无线供能装置激励,从而影响其收益,而无线供能装置通过设置Pm,也能影响节点的可达速率,从而影响运营商的收益,同时,多个运营商之间通过矢量C的设定也互相影响对方的收益。
步骤2、利用回溯法求解步骤1模型的均衡点,首先求解跟随者收益模型(2)。对其进行约束近似,得到近似模型
采用上述约束近似的优势在于,实现了对原模型耦合约束(2-B)的解耦,有利于获得最优解闭合关系式,以降低模型复杂度。
然后利用库恩塔克条件(Karush-Kuhn-Tucker conditions)对上述近似模型求解,得到最优解闭合关系式和约束:
步骤3、将步骤2得到的最优解闭合关系式和约束代入主导者收益模型(1)进行化简,得到简化模型:
目标函数:
(1-A)~(1-F),(1-H)~(1-J);
采用上述代换得到简化模型的优势在于,减少了模型(1)中联合优化变量的个数,有利于降低联合优化的复杂度。
步骤4、通过利用数学期望近似目标函数(3),对步骤3得到的简化模型重新建模,得到重构模型如下
其中Z=[z1,…,zj,…z|N|],zj是节点j的缓存指示变量,如果节点j的检测信息存储在网关缓存中,zj=1,否则,zj=0;
采用上述重构模型的优势在于,大大减少了整数变量的个数,有利于降低优化复杂度。
步骤5、在步骤4的重构模型中,初始化Z(k),Y(k),C(k),k=0表示迭代序号;然后进行以下迭代:
第一步:将Y(k),C(k)代入重构模型并化简,得到以下子问题
采用上述代换和化简的优势在于,将子问题转换成了背包问题的形式,从而可以利用经典启发式算法求解,有利于降低复杂度。
第二步:将Z(k+1),C(k)代入步骤4的重构模型并化简,得到以下子问题
目标函数:
第三步:将Z(k+1),Y(k+1)代入步骤4的重构模型并化简,得到以下线性规划问题
目标函数:
采用上述代换和化简的优势在于,将子问题转换成了线性规划问题,从而可以利用单纯形算法快速求解,有利于降低复杂度。
检验U(Z(k+1),Y(k+1),C(k+1))-U(Z(k),Y(k),C(k))≤T是否满足,其中U表示目标函数(4),T表示迭代停止门限;如果不满足,令k=k+1,转第一步;如果满足,则迭代停止,利用Z(k +1)和下列公式恢复X:
利用Y(k+1)和关系式恢复P,将X,Y(k+1),P,C(k+1)作为最终资源映射结果,然后根据X,将对应的节点监测信息存储到网关缓存,以完成缓存资源和无线传输资源的优化;根据Y(k+1),确定每单位功率收益,以完成无线供能装置与运营商之间的收益协调;根据P,确定无线供能装置的发送功率,以完成功率优化;根据C(k+1),确定运营商之间的单位比特收益和单位比特开销,以完成运营商之间的收益协调。
采用以上迭代框架的优势在于,将三个变量联合优化问题分解成了三个相互迭代的单变量子问题,大大降低了联合优化复杂度。
实施例
下面结合仿真实验对本发明的效果做进一步说明。
1.实验条件
为了方便性能比较,采用模型(3)的最优解和多运营商之间不共享节点方案作为对比算法,其中最优解是指采用CPLEX对模型(3)求解。仿真中,假设在一个50m×50m区域,接入网关分布在区域中心,有3个无线供能装置随机均匀分布在该区域。有3个运营商,各自拥有的节点数分别为10,15,20,所以节点随机均匀分布在整个区域。采用路径损耗模型31.5+20log10 d,其中d表示两点间距离。w=1MHz,N0=160dBm/Hz,α=0.7,β=0.5,G=15Mbps,L=20Mb.每个节点的监测信息量li,j服从偏移因子为0.4的Zipf分布,迭代停止门限T=0.1。
2.实验结果分析
图2为本发明方法与对比方法的运营商收益性能对比图,其中纵坐标为运营商收益。从图中可以看出,相比于不共享的方案,本发明方法对所有运营商的收益均有所提升,其中对运营商3的收益提升非常显著。这主要是由于通过本发明方法的优化,网关的存储、无线供能装置的发送功率、虚拟化共享代价等资源得到了优化配置,并且通过均衡点协调了各方的收益函数,使得虚拟化共享得以实现,从而降低了网络的综合成本。另外,相比于最优解,本发明方法的性能在运营商1和3上与之十分接近,然而本发明方法复杂度更小,该结果证实了本发明方法的有效性。
图3为本发明方法与最优解的求解速度对比图,其中横坐标是区域节点总数,纵坐标是求解平均时长,其中时长均为在MATLAB平台采用tic和toc命令测试得到。如图所示,随着节点数的增加,本发明方法的求解速度明显快于求解器。这种速度的差别主要是由于,本发明方法迭代中的子问题最优解,分别是通过闭式解计算、背包问题启发式算法、单纯形计算得到,每步的计算复杂度较低,因此求解速度快。
本发明提供了一种多运营商无线供能物联网资源优化方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (9)
1.一种多运营商无线供能物联网资源虚拟化映射方法,其特征在于,包括以下步骤:
步骤1,将运营商与无线供能装置分别建模为主导者和跟随者,通过建立其收益模型,构建基于Stackelberg博弈的供能功率、供能激励、缓存、服务激励联合映射模型;
步骤2,对联合映射模型进行简化,得到重构模型;
步骤3,基于步骤2得到的重构模型,利用交替方向法确定迭代框架,最终经过交替迭代,得到资源映射结果;
步骤4,根据资源映射结果,对运营商无线供能物联网资源进行优化。
2.如权利要求1所述的方法,其特征在于,步骤1包括:
所述联合映射模型包含主导者层次和跟随者层次,如下所示:
主导者层次-目标函数:
约束条件:Pm≥0 (2-A)
其中,Ni表示运营商i的节点集合,w表示节点频谱带宽,β表示无线供能装置的能量代价系数,G表示网关的回程传输速率,N0表示背景噪声功率,α表示节点接受无线供能的能量转换效率;集合X=[x1,1…,xi,j,…x|O|,|N|],O表示运营商集合,N表示节点集合,| |表示计算集合中元素个数运算符,xi,j是从属于运营商i的节点j的缓存指示变量,如果从属于运营商i的节点j将自己的监测信息缓存到网关,xi,j=1,否则,xi,j=0;xi′,j是从属于运营商i′的节点j的缓存指示变量,如果从属于运营商i′的节点j将自己的监测信息缓存到网关,xi′,j=1,否则,xi′,j=0;
集合Y=[y1,…,ym,…y|M|],M表示无线供能装置集合,ym表示无线供能装置m传输每单位功率获得的收益;
集合P=[P1,…,Pm,…P|M|],Pm表示无线供能装置m的传输功率;
集合 表示运营商i通过共享自己节点为其他运营商服务而获得的单位比特收益,表示运营商i获得其他运营商节点服务所支付的单位比特开销;表示收益比例系数;li,j表示从属于运营商i的节点j的监测信息量,L表示网关缓存容量;
7.如权利要求6所述的方法,其特征在于,步骤2包括:
步骤2-1、利用回溯法对跟随者收益模型即公式(2)进行约束近似,得到如下近似模型:
然后利用库恩塔克条件对上述近似模型求解,得到最优解闭合关系式和约束:
步骤2-2、将步骤2-1得到的最优解闭合关系式和约束代入主导者收益模型即公式(1)进行化简,得到如下简化模型:
公式(1-A)~(1-F),以及公式(1-H)~(1-J);
步骤2-3、通过利用数学期望近似目标函数(3),对步骤2-2得到的简化模型重新建模,得到如下重构模型:
其中矢量Z=[z1,…,zj,…z|N|],zj是节点j的缓存指示变量,如果节点j的检测信息存储在网关缓存中,zj=1,否则,zj=0。
8.如权利要求7所述的方法,其特征在于,步骤3包括:在步骤2-3得到的重构模型中,初始化Z(k),Y(k),C(k),其中Z(k)表示矢量Z在第k次迭代后的值,Y(k)表示矢量Y在第k次迭代后的值,C(k)表示矢量C在第k次迭代后的值,k=0表示迭代序号;然后进行以下迭代:
步骤3-1:将Y(k),C(k)代入重构模型并化简,得到以下子问题:
步骤3-2:将Z(k+1),C(k)代入步骤2-3的重构模型并化简,得到以下子问题:
步骤3-3:将Z(k+1),Y(k+1)代入步骤2-3的重构模型并化简,得到以下线性规划问题:
目标函数如下:
检验U(Z(k+1),Y(k+1),C(k+1))-U(Z(k),Y(k),C(k))≤T是否满足,其中U表示目标函数(4),T表示迭代停止门限;如果不满足,令k=k+1,转步骤3-1;如果满足,则迭代停止,利用Z(k+1)和下列公式恢复X:
9.如权利要求8所述的方法,其特征在于,步骤4包括:根据X,将对应的节点监测信息存储到网关缓存,以完成缓存资源和无线传输资源的优化;根据Y(k+1),确定每单位功率收益,以完成无线供能装置与运营商之间的收益协调;根据P,确定无线供能装置的发送功率,以完成功率优化;根据C(k+1),确定运营商之间的单位比特收益和单位比特开销,以完成运营商之间的收益协调。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911132359.3A CN110881197B (zh) | 2019-11-19 | 2019-11-19 | 一种多运营商无线供能物联网资源优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911132359.3A CN110881197B (zh) | 2019-11-19 | 2019-11-19 | 一种多运营商无线供能物联网资源优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110881197A true CN110881197A (zh) | 2020-03-13 |
CN110881197B CN110881197B (zh) | 2022-08-30 |
Family
ID=69729084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911132359.3A Active CN110881197B (zh) | 2019-11-19 | 2019-11-19 | 一种多运营商无线供能物联网资源优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110881197B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111669768A (zh) * | 2020-06-05 | 2020-09-15 | 中通服咨询设计研究院有限公司 | 基于全双工自回程的无线供能蜂窝物联网资源优化方法 |
CN112422286A (zh) * | 2020-11-30 | 2021-02-26 | 中通服咨询设计研究院有限公司 | 一种基于信任中心的量子密钥分发方法 |
CN112788569A (zh) * | 2020-12-31 | 2021-05-11 | 中通服咨询设计研究院有限公司 | 无线供能蜂窝物联网中全双工基站的联合休眠与关联方法 |
CN113382428A (zh) * | 2021-06-09 | 2021-09-10 | 中通服咨询设计研究院有限公司 | 无线供能物联网全双工基站关联与缓存联合分配方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106714090A (zh) * | 2017-01-24 | 2017-05-24 | 南京邮电大学 | 网络虚拟化lte叠加d2d下基于收益的资源映射方法 |
CN108764734A (zh) * | 2018-05-30 | 2018-11-06 | 南方电网科学研究院有限责任公司 | 一种基于主从博弈的综合能源系统互动模拟方法及装置 |
CN109657946A (zh) * | 2018-09-19 | 2019-04-19 | 清华大学 | 基于博弈论的区域能源互联网规划的数学模型和规划方法 |
CN109756964A (zh) * | 2019-01-16 | 2019-05-14 | 北京科技大学 | 一种无线供能传感器网络最优功率控制方法及装置 |
-
2019
- 2019-11-19 CN CN201911132359.3A patent/CN110881197B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106714090A (zh) * | 2017-01-24 | 2017-05-24 | 南京邮电大学 | 网络虚拟化lte叠加d2d下基于收益的资源映射方法 |
CN108764734A (zh) * | 2018-05-30 | 2018-11-06 | 南方电网科学研究院有限责任公司 | 一种基于主从博弈的综合能源系统互动模拟方法及装置 |
CN109657946A (zh) * | 2018-09-19 | 2019-04-19 | 清华大学 | 基于博弈论的区域能源互联网规划的数学模型和规划方法 |
CN109756964A (zh) * | 2019-01-16 | 2019-05-14 | 北京科技大学 | 一种无线供能传感器网络最优功率控制方法及装置 |
Non-Patent Citations (3)
Title |
---|
YULUN CHENG等: "Joint Multioperator Virtual Network Sharing and Caching in Energy Harvesting-Aided Environmental Internet of Things", 《 IEEE INTERNET OF THINGS JOURNAL》 * |
王磊等: "多主多从Stackelberg博弈下的边缘缓存资源分配算法", 《信号处理》 * |
陈娴雅: "基于博弈论的无线携能通信系统的功率分配算法研究", 《中国硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111669768A (zh) * | 2020-06-05 | 2020-09-15 | 中通服咨询设计研究院有限公司 | 基于全双工自回程的无线供能蜂窝物联网资源优化方法 |
CN111669768B (zh) * | 2020-06-05 | 2022-08-26 | 中通服咨询设计研究院有限公司 | 基于全双工自回程的无线供能蜂窝物联网资源优化方法 |
CN112422286A (zh) * | 2020-11-30 | 2021-02-26 | 中通服咨询设计研究院有限公司 | 一种基于信任中心的量子密钥分发方法 |
CN112422286B (zh) * | 2020-11-30 | 2024-03-05 | 中通服咨询设计研究院有限公司 | 一种基于信任中心的量子密钥分发方法 |
CN112788569A (zh) * | 2020-12-31 | 2021-05-11 | 中通服咨询设计研究院有限公司 | 无线供能蜂窝物联网中全双工基站的联合休眠与关联方法 |
CN112788569B (zh) * | 2020-12-31 | 2022-09-02 | 中通服咨询设计研究院有限公司 | 无线供能蜂窝物联网中全双工基站的联合休眠与关联方法 |
CN113382428A (zh) * | 2021-06-09 | 2021-09-10 | 中通服咨询设计研究院有限公司 | 无线供能物联网全双工基站关联与缓存联合分配方法 |
CN113382428B (zh) * | 2021-06-09 | 2024-01-26 | 中通服咨询设计研究院有限公司 | 无线供能物联网全双工基站关联与缓存联合分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110881197B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110881197B (zh) | 一种多运营商无线供能物联网资源优化方法 | |
Ale et al. | Delay-aware and energy-efficient computation offloading in mobile-edge computing using deep reinforcement learning | |
Lu et al. | Differentially private asynchronous federated learning for mobile edge computing in urban informatics | |
CN111163519B (zh) | 系统收益最大化的无线体域网资源分配与任务卸载方法 | |
Wei et al. | Joint user scheduling and content caching strategy for mobile edge networks using deep reinforcement learning | |
CN113992676B (zh) | 端边云架构和完全信息下分层联邦学习的激励方法及系统 | |
CN111669768B (zh) | 基于全双工自回程的无线供能蜂窝物联网资源优化方法 | |
Li et al. | An optimized content caching strategy for video stream in edge-cloud environment | |
CN115021793B (zh) | 基于网络编码的卫星网络星间链路规划与功率分配方法 | |
CN116416067A (zh) | 气电机组的物联网调频交易信息信任度分析方法及系统 | |
CN116108919A (zh) | 一种基于相似特征协作的个性化联邦学习方法和系统 | |
You et al. | Hierarchical personalized federated learning over massive mobile edge computing networks | |
CN112822055A (zh) | 一种基于dqn的边缘计算节点部署算法 | |
CN116112953A (zh) | 基于移动边缘计算的区块链任务卸载和资源分配方法 | |
Qiu et al. | [Retracted] Blockchain and K‐Means Algorithm for Edge AI Computing | |
Du et al. | Adversarial deep learning for online resource allocation | |
CN111885551B (zh) | 基于边云协同模式的多移动社交网络中高影响力用户的选择和分配机制 | |
El Gaily et al. | Constrained quantum optimization for resource distribution management | |
CN116342287A (zh) | 火电机组调频交易管理的物联网信任度分析方法及系统 | |
CN115002212B (zh) | 基于交叉熵优化算法的联合缓存和卸载方法及系统 | |
CN113382428A (zh) | 无线供能物联网全双工基站关联与缓存联合分配方法 | |
Joshi et al. | Delay-energy aware task offloading and vm migration policy for mobile edge computing | |
CN115499876A (zh) | Msde场景下基于dqn算法的计算卸载策略 | |
Wang et al. | Heterogeneous Edge Caching Based on Actor-Critic Learning With Attention Mechanism Aiding | |
CN113795012A (zh) | 基于区块链的网联车辆边缘计算与视频分析资源分配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |