CN112261615B - 基于平均场无人机辅助多频段密集网络能效降解方法 - Google Patents
基于平均场无人机辅助多频段密集网络能效降解方法 Download PDFInfo
- Publication number
- CN112261615B CN112261615B CN202011145562.7A CN202011145562A CN112261615B CN 112261615 B CN112261615 B CN 112261615B CN 202011145562 A CN202011145562 A CN 202011145562A CN 112261615 B CN112261615 B CN 112261615B
- Authority
- CN
- China
- Prior art keywords
- base station
- energy efficiency
- base stations
- average field
- dense network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000015556 catabolic process Effects 0.000 title claims abstract description 16
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 16
- 238000005265 energy consumption Methods 0.000 claims abstract description 10
- 238000011217 control strategy Methods 0.000 claims abstract description 5
- 230000008901 benefit Effects 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 5
- 230000005653 Brownian motion process Effects 0.000 claims description 4
- 238000001212 derivatisation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 2
- 230000000593 degrading effect Effects 0.000 claims 2
- 238000005290 field theory Methods 0.000 abstract description 4
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- 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
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种基于平均场无人机辅助多频段密集网络能效降解方法,该方法在微波‑毫米波多频段双模的宏基站、UAV基站和陆基微基站组成的密集网络框架下,引入平均场理论,简化基站间的一对一交互,促使每个基站参与者根据它们的各自状态做出本地决策,而通过解这组方程来获得其它基站参与者的策略,将原始难解问题降解和简化,使得每个基站可以只使用其自身信道状态来决定其控制策略,不需要与其它基站交换任何信息。解决UAV基站能量有限和密集设备总能耗高的问题。
Description
技术领域
本发明涉及空地一体化网络技术领域,尤其涉及一种基于平均场无人机辅助多频段密集网络能效降解方法。
背景技术
目前的地面通信系统是根据长期的流量统计数据进行严格规划的,仅依靠地面网络并不能完全应对一些特殊情况,例如灾害等方面的突发性需求,或者在大型比赛期间提供额外带宽。如何在提高网络负载的同时,以灵活、可靠、安全的方式确保多个设备和用户无处不在的连接,蜂窝运营商面临着巨大的挑战。最近,无人机(UAV)被部署为空中基站,以协助地面基础设施实现突发热点的用户卸载、对严重阴影的普遍覆盖以及自然灾害后的快速服务恢复。由于UAV的位置较高,其能够克服地形特征对传播的限制,扩大覆盖范围,UAV基站还可以快速部署,方便增进服务。因此,在蜂窝网络上运行UAV可以结合UAV的优点和蜂窝网络的普遍可用性,将UAV纳入未来密集网络的一部分是极为必要的。然而,虽然UAV在提高网络容量方面有巨大潜力,但在超密集网络中运行仍有挑战,这主要是由于UAV的信号在高度增加的情况下需要经历更长的视线信号传播,所以UAV比地面通信更容易受到干扰。此外,由UAV的机动性和网络流动引起的拓扑结构变化,可能导致频繁的间歇性连接甚至传输故障。幸运的是,毫米波技术通过高方向性和电子可控制的波束成形为UAV通信中的干扰抑制提供了希望。
现有技术中,UAV辅助的多频段密集复杂网络中,最重要面临的是能耗问题。首先,单一UAV电池容量有限,将限制其巡航和悬停时间。其次,在密集网络环境中,尽管单个终端的传输功率很小,单一微基站一般也属于低功率基站,但是随着用户和设备数的增加,网络能耗会不断增加,这部分能耗显然不能忽视。而且,混合网络基站类型多,同时传输大量元素,导致信号传输模型异构,干扰特性和分布复杂。另外,微波和毫米波共存,频率资源复杂。这些因素进一步增加了降低网络能耗的难度。对于这样的复杂网络能耗问题,可以引入平均场均衡可以降解原始能效问题的干扰和频率复杂性。这种方法非常适用于基站密集异构、层内层间干扰互相耦合,且频段资源复杂需要妥善处理的场景。
发明内容
针对上述现有技术的不足,本发明提供一种基于平均场无人机辅助多频段密集网络能效降解方法。
为解决上述技术问题,本发明所采取的技术方案是:一种基于平均场无人机辅助多频段密集网络能效降解方法,包括如下步骤:
步骤1:根据密集部署的基站种类I、基站数量B和用户数量M,建立多频段密集网络的能量消耗模型;
所述基站种类I中包括无人机基站、宏基站、UAV基站和陆基微基站。
所述无人机基站、宏基站、UAV基站和陆基微基站均设计成微波-毫米波多频段的双模基站。
步骤1的具体过程如下:
步骤1.1:设B个基站共享带宽ω,用集合V表示多频段密集网络中的所有基站,定义k={1,2,...k,...,I}为V中第k种类型基站的集合;
其中,vi k为Vk中第i个基站,i={1,2,...i,...,nk},nk是第k种类型基站个数,因此有B=n1+n2+...+nk+...+nI;
步骤1.2:由于有I种基站类型,因此V=V1∪...Vk∪...∪VI;
步骤1.3:设B个基站为M个用户提供服务,且用户集可表示为U,U=U1∪...Uk∪...∪UI;
其中,Uk是被第k种基站集Vk服务的用户集,且而/>是被基站/>服务的用户集,且
步骤2:构造各个基站的状态空间、动作集和能量效率效益函数,并得到各个基站原始的最大化能效的效益函数表示,过程如下:
步骤2.1:用户和基站/>之间的信道增益定义为/>其中τ代表时隙;
步骤2.2:基站在时刻τ的状态与其他基站独立,只与其自身目前的可用能量与相应信道增益有关,定义/>是基站/>在时刻τ的可用能量;
步骤2.3:基站在时刻τ的状态定义为/>相应的状态空间为/>其中,/>是为简化问题而定义的/>的简便形式,/>
步骤2.4:在τ时刻的动作向量表示为/>用来决定发射功率的决策;其中,/>是本地基站/>的功率控制向量,/>是其他干扰基站的功率;
步骤2.5:基站在τ的状态/>的可用动作集可以表示为:
步骤2.6:基站在时刻τ的能量效率效益函数可以表示为:
其中,为用户/>在τ时刻接收到来自基站/>信号瞬时速率,/>代表能量效率,w0是基站/>的固定电路功率损耗;
步骤2.7:总目标为决定每个基站的最优控制策略,从而最大化能量效率函数同时保证用户的服务质量,将基站/>的最大化能效的效益函数的问题表示为:
其中,动作向量的限定时间平均期望表示为/>
步骤3:能量效率问题的混合平均场均衡转化;
如果步骤2中的原始的最大化能效的效益函数的问题满足下面两个条件,则其收敛于一个MF模型,
1)i类型中的每个基站只知道其自己的状态;
2)i类型中的每个基站都执行下面的相同的动作:
并且,
其中,为一般基站连续状态,/>为基站/>在τ的状态,w(i)为每个基站执行的相同的功率控制向量,/>为除基站/>以外其他基站的发射功率,这样可以将原始优化问题转化为平均场形式。
步骤4:能效问题的混合平均场降解;
在这个平均场模型里,能量效率最大化和状态衍化可以重新改写为:
其中,W(τ)为决策发射功率的动作向量,为一般连续状态的衍化,对于任何τ∈[T,T'],Sz=diag(0,ζ1)是一个对角矩阵,/>表示一个独立维纳过程;那么,当:
控制向量则能达到MF均衡,于是公式(5)给出的MF均衡解就是原始问题的解,从而实现了原始问题的降解;
其中,的密度,/>为/>的平均能量效率。
采用上述技术方案所产生的有益效果在于:
1、本发明提供一种基于平均场无人机辅助多频段密集网络能效降解方法,在微波-毫米波多频段双模的宏基站、UAV基站和陆基微基站组成的密集网络框架下,针对UAV基站能量有限和密集设备总能耗高的问题,将高能效功率分配问题表述为平均场均衡模型。利用平均场的作用将原始难解问题降解和简化,使得每个基站可以只使用其自身信道状态来决定其控制策略,不需要与其它基站交换任何信息。
2、本发明将密集网络中的基站划分成包括UAV在内的i种,研究确保服务质量的同时,根据每焦耳传输的比特数量最大化每种基站自身的时间平均能源效率。该优化问题可以被描述为一个动态随机博弈模型,各个基站是参与者,其决策是决定资源分配中的发射功率和用户调度策略的控制向量。
3、本发明由于超密集部署,所有基站都经历严重的干扰耦合,这个动态随机博弈求解过程变得十分复杂。于是,引入平均场理论,简化基站间的一对一交互,促使每个基站参与者根据它们的各自状态做出本地决策,而通过解这组方程来获得其它基站参与者的策略。值得注意的是,与以往研究不同,本发明中开发的平均场策略是针对不同基站分别开发的,属于混合平均场范畴,是平均场应用的扩展。
附图说明
图1为本发明实施例中基于平均场无人机辅助多频段密集网络示意图;
图2为本发明实施例中基于平均场无人机辅助多频段密集网络能效降解方法流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例通过提出UAV辅助多频段密集网络的功率分配的能量效率问题的降解方法,降低UAV辅助基站与蜂窝网络密集基站共存、微波-毫米波多波段共存的复杂网络总能耗。针对不同基站,应用平均场理论将难以处理的原始能量效率问题降解为更容易处理的平均场形式,阐明原始干扰项和平均场干扰的映射关系,寻找平均场平衡,使能效优化问题清晰表达从而得以优化,以便系统在任何状态都能定义最佳资源分配策略。具体实施方法的流程如图2所示,过程如下:
步骤1:根据密集部署的基站种类I、基站数量B和用户数量M,建立多频段密集网络的能量消耗模型;
本实施例中,将混合密集网络的示意图如图1所示,其中的基站根据属性不同分为I=3类,宏基站、UAV辅助基站和陆基微基站。由于三种基站在未来密集网络环境中都是大量部署,因此采用混合平均场均衡方法进行能效优化。将密集部署的宏基站、UAV基站和陆基微基站均设计成微波-毫米波多频段的双模基站。
步骤1.1:设B个基站共享带宽ω,用集合V表示多频段密集网络中的所有基站,定义k={1,2,...k,...,I}为V中第k种类型基站的集合;
其中,为Vk中第i个基站,i={1,2,...i,...,nk},nk是第k种类型基站个数,因此有B=n1+n2+...+nk+...+nI;
步骤1.2:由于有I种基站类型,因此V=V1∪…Vk∪…∪VI;
步骤1.3:设B个基站为M个用户提供服务,且用户集可表示为U,U=U1∪…Uk∪…∪UI;
其中,Uk是被第k种基站集Vk服务的用户集,且而/>是被基站/>服务的用户集,且
步骤2:构造各个基站的状态空间、动作集和能量效率效益函数,并得到各个基站原始的最大化能效的效益函数表示,过程如下:
步骤2.1:用户和基站/>之间的信道增益定义为/>其中τ代表时隙;
基站发出的信号经历块衰落信道,增益在块内是恒定的,而在块之间按照高斯马尔可夫过程衰落;已知块长度无限小,信道增益有以下衍化规律:
其中,μ={μx,μy},μx和μy为常数,η为参数并且0≤η≤∞,表示一个独立维纳过程;
步骤2.2:基站在时刻τ的状态与其他基站独立,只与其自身目前的可用能量与相应信道增益有关,定义/>是基站/>在时刻τ的可用能量;
步骤2.3:基站在时刻τ的状态定义为/>相应的状态空间为/>其中,/>是为简化问题而定义的/>的简便形式,/>
步骤2.4:在τ时刻的动作向量表示为/>用来决定发射功率的决策;其中,/>是本地基站/>的功率控制向量,/>是其他干扰基站的功率;
步骤2.5:基站在τ的状态/>的可用动作集可以表示为:
为简化问题,以下用代替/>
步骤2.6:基站在时刻τ的能量效率效益函数可以表示为:
其中,代表能量效率,w0是基站/>的固定电路功率损耗,/>为用户/>在τ时刻接收到来自基站/>信号瞬时速率,计算式如下:
其中,ω是基站的共享带宽,是基站/>的发射功率,wmax是基站可以提供的最大的发射功率,σ2为信道中均值为零的加性高斯白噪声的方差,/>是其他基站带来的干扰,这里只考虑同种基站间的干扰,公式如下:
其中,为除基站/>以外其他基站的发射功率,/>为除基站/>以外其他基站和用户/>之间的信道增益;
则步骤2.1中的衍化规律化简写为:
其中,并且Ω=[0,η]T,/>为/>的向量形式;
步骤2.7:总目标为决定每个基站的最优控制策略,从而最大化能量效率函数同时保证用户的服务质量,将基站/>的最大化能效的效益函数的问题表示为:
其中,动作向量的限定时间平均期望表示为/>
当基站数持续增大,直到所有的基站参与者形成连续整体,且彼此之间很难区分,于是可以将原始问题引入平均场理论求解。
步骤3:能量效率问题的混合平均场均衡转化;
可以证明,如果收敛,则原始问题收敛于一个MF模型。在密集网络场景中,如果各个状态之间存在可换性,就可以保证收敛的存在。
如果步骤2中的原始的最大化能效的效益函数的问题满足下面两个条件,则其收敛于一个MF模型,
1)i类型中的每个基站只知道其自己的状态;
2)i类型中的每个基站都执行下面的相同的动作:
并且,
其中,为一般基站连续状态,/>为基站/>在τ的状态,w(i)为每个基站执行的相同的功率控制向量,/>为除基站/>以外其他基站的发射功率,这样可以将原始优化问题转化为平均场形式。
将每个基站看成普通参与者,其一般基站连续状态是那么/>的密度是/>
其中,δ(·)是狄拉克函数,nk是每种类型基站个数。
假设φ/nk是归一化因子,φ是基站密度,因此信道增益变成:
其中,定义
步骤4:能效问题的混合平均场降解;
假设是参与基站/>的平均能量效率,它依赖于从时刻T到时刻T'的状态变化,即s(T)→s(T'):
在这个平均场模型里,能量效率最大化和状态衍化可以重新改写为:
其中,W(τ)为决策发射功率的动作向量,为一般连续状态的衍化,对于任何τ∈[T,T'],Sz=diag(0,ζ1)是一个对角矩阵,/>表示一个独立维纳过程;那么,当:
其中,为/>的密度,/>的平均能量效率;
控制向量则能达到MF均衡,于是上述给出的MF均衡解就是原始问题的解,从而实现了原始问题的降解。
本实施例在能量效率和传输功率的累积密度函数方面均具有很好的性能,同时能够保证服务质量。当网络的基站密度趋于40/km2时,网络的能量效率可以提高6.4%。当网络密度增加到100/km2时,网络的能量效率可以提高36.7%。
Claims (3)
1.一种基于平均场无人机辅助多频段密集网络能效降解方法,其特征在于,包括如下步骤:
步骤1:根据密集部署的基站种类I、基站数量B和用户数量M,建立多频段密集网络的能量消耗模型;
步骤1.1:设B个基站共享带宽ω,用集合V表示多频段密集网络中的所有基站,定义k={1,2,...k,...,I}为V中第k种类型基站的集合;
其中,为Vk中第i个基站,i={1,2,...i,...,nk},nk是第k种类型基站个数,因此有B=n1+n2+...+nk+...+nI;
步骤1.2:由于有I种基站类型,因此V=V1∪...Vk∪...∪VI;
步骤1.3:设B个基站为M个用户提供服务,且用户集可表示为U,U=U1∪...Uk∪...∪UI;
其中,Uk是被第k种基站集Vk服务的用户集,且而是被基站/>服务的用户集,且/>
步骤2:构造各个基站的状态空间、动作集和能量效率效益函数,并得到各个基站原始的最大化能效的效益函数表示;
步骤2.1:用户和基站/>之间的信道增益定义为/>其中τ代表时隙;
步骤2.2:基站在时刻τ的状态与其他基站独立,只与其自身目前的可用能量与相应信道增益有关,定义/>是基站/>在时刻τ的可用能量;
步骤2.3:基站在时刻τ的状态定义为/>相应的状态空间为其中,/>是为简化问题而定义的/>的简便形式,/>
步骤2.4:在τ时刻的动作向量表示为/>用来决定发射功率的决策;其中,/>是本地基站/>的功率控制向量,/>是其他干扰基站的功率;
步骤2.5:基站在τ的状态/>的可用动作集可以表示为:
步骤2.6:基站在时刻τ的能量效率效益函数可以表示为:
其中,为用户/>在τ时刻接收到来自基站/>信号瞬时速率,/>代表能量效率,w0是基站/>的固定电路功率损耗;
步骤2.7:总目标为决定每个基站的最优控制策略,从而最大化能量效率函数同时保证用户的服务质量,将基站/>的最大化能效的效益函数的问题表示为:
其中,动作向量的限定时间平均期望表示为/>
步骤3:能量效率问题的混合平均场均衡转化;
如果步骤2中的原始的最大化能效的效益函数的问题满足下面两个条件,则其收敛于一个MF模型,
1)i类型中的每个基站只知道其自己的状态;
2)i类型中的每个基站都执行下面的相同的动作:
并且,
其中,为一般基站连续状态,/>为基站/>在τ的状态,w(i)为每个基站执行的相同的功率控制向量,/>为除基站/>以外其他基站的发射功率,这样可以将原始优化问题转化为平均场形式;
步骤4:能效问题的混合平均场降解;
在这个平均场模型里,能量效率最大化和状态衍化可以重新改写为:
其中,W(τ)为决策发射功率的动作向量,为一般连续状态的衍化,对于任何τ∈[T,T'],Sz=diag(0,ζ1)是一个对角矩阵,/>表示一个独立维纳过程;那么,当:
其中,为/>的密度,/>为/>的平均能量效率;
控制向量则能达到MF均衡,于是公式中给出的MF均衡解就是原始问题的解,从而实现了原始问题的降解。
2.根据权利要求1所述的基于平均场无人机辅助多频段密集网络能效降解方法,其特征在于,所述基站种类I中包括无人机基站、宏基站、UAV基站和陆基微基站。
3.根据权利要求2所述的基于平均场无人机辅助多频段密集网络能效降解方法,其特征在于,所述无人机基站、宏基站、UAV基站和陆基微基站均设计成微波-毫米波多频段的双模基站。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011145562.7A CN112261615B (zh) | 2020-10-23 | 2020-10-23 | 基于平均场无人机辅助多频段密集网络能效降解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011145562.7A CN112261615B (zh) | 2020-10-23 | 2020-10-23 | 基于平均场无人机辅助多频段密集网络能效降解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112261615A CN112261615A (zh) | 2021-01-22 |
CN112261615B true CN112261615B (zh) | 2023-09-29 |
Family
ID=74263654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011145562.7A Active CN112261615B (zh) | 2020-10-23 | 2020-10-23 | 基于平均场无人机辅助多频段密集网络能效降解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112261615B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114189891B (zh) * | 2021-12-14 | 2023-10-27 | 沈阳航空航天大学 | 一种基于深度强化学习的无人机异构网络能效优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110290537A (zh) * | 2019-06-23 | 2019-09-27 | 西北工业大学 | 一种基于平均场型博弈的多类型无人机移动基站部署方法 |
CN111193536A (zh) * | 2019-12-11 | 2020-05-22 | 西北工业大学 | 一种多无人机基站轨迹优化和功率分配方法 |
-
2020
- 2020-10-23 CN CN202011145562.7A patent/CN112261615B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110290537A (zh) * | 2019-06-23 | 2019-09-27 | 西北工业大学 | 一种基于平均场型博弈的多类型无人机移动基站部署方法 |
CN111193536A (zh) * | 2019-12-11 | 2020-05-22 | 西北工业大学 | 一种多无人机基站轨迹优化和功率分配方法 |
Non-Patent Citations (1)
Title |
---|
Inhomogeneous Multi-UAV Aerial Base Stations Deployment:A Mean-Field-Type Game Approach;Yan Sun等;《IEEE Xplore》;第1204-1208页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112261615A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110149127B (zh) | 一种基于noma技术的d2d通信系统预编码向量优化方法 | |
CN111417126B (zh) | 星空地协同海洋通信网络按需覆盖方法及装置 | |
CN110062377B (zh) | 安全携能通信中功率分割因子与波束成型联合优化方法 | |
CN114245348B (zh) | 基于无蜂窝网络架构的多业务联合传输方法及装置 | |
Ge et al. | Joint user pairing and power allocation for NOMA-based GEO and LEO satellite network | |
Busari et al. | Adaptive resource allocation for energy-efficient millimeter-wave massive MIMO networks | |
Khan et al. | Rate splitting multiple access for cognitive radio GEO-LEO co-existing satellite networks | |
CN112261615B (zh) | 基于平均场无人机辅助多频段密集网络能效降解方法 | |
CN110971290A (zh) | 能效最优的无人机中继协同通信系统信息传输方法 | |
CN110768759A (zh) | 一种混合双工中继辅助的d2d通信方法 | |
CN111064501B (zh) | 基于无人机双中继通信系统的资源优化方法 | |
Lee et al. | Active interference cancellation for full-duplex multiuser networks with or without existence of self-interference | |
Leng et al. | User-level scheduling and resource allocation for multi-beam satellite systems with full frequency reuse | |
Xu et al. | Energy efficiency optimization of NOMA IoT communication for 5G | |
CN107835514B (zh) | 一种多宿主业务场景下无线网络资源匹配的建模方法 | |
CN116437370A (zh) | 低空立体覆盖场景下网络辅助全双工模式优化方法 | |
Choi et al. | Joint ML & MMSE-SIC detection for multi cell network environment | |
Badarneh | A comprehensive analysis of the achievable throughput in interference‐limited wireless‐powered networks with nonlinear energy harvester | |
Samy et al. | Full-duplex relay-aided D2D communication in heterogeneous network with imperfect CSI | |
Cheng et al. | Price-based resource allocation scheme for v2x communications underlying uplink cellular network | |
Wang et al. | Trajectory and Power Design to Balance UAV Communication Capacity and Unintentional Interference | |
CN113381788B (zh) | 基于max-sinr干扰对齐的认知mimo swipt网络频谱效率优化方法 | |
Dun et al. | Power allocation for half-duplex relay-based D2D communication with qos guarantee | |
Ding et al. | Distributed beamforming in multi-user multi-relay cooperative networks with direct links | |
Zheng et al. | NOMA-based collaborative beam hopping frequency allocation mechanism for future LEO satellite systems |
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 |