CN112383932B - 基于分簇的用户关联和资源分配联合优化方法 - Google Patents
基于分簇的用户关联和资源分配联合优化方法 Download PDFInfo
- Publication number
- CN112383932B CN112383932B CN202110032789.9A CN202110032789A CN112383932B CN 112383932 B CN112383932 B CN 112383932B CN 202110032789 A CN202110032789 A CN 202110032789A CN 112383932 B CN112383932 B CN 112383932B
- Authority
- CN
- China
- Prior art keywords
- small base
- user
- base station
- sub
- channel
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于分簇的用户关联和资源分配联合优化方法,该方法包括:步骤一,构建基于控制平面和用户平面分离的B5G超密集网络架构;步骤二:制定基于分簇的用户关联、子信道分配和功率协调的网络能效优化方案;步骤三:提出基于分簇的用户关联、子信道分配和功率协调联合优化算法,该算法采用交替优化的方法,依次制定用户关联方案、子信道分配方案、功率协调方案。本发明能够降低基于CUPS的B5G超密集网络中同层干扰,从而提高能效。
Description
技术领域
本发明涉及无线通信网络技术领域,特别是涉及一种基于分簇的用户关联和资源分配联合优化方法。
背景技术
随着网络技术的不断发展,第五代移动通信网络(The fifth generation, 5G)和后5G(Beyond 5G, B5G)可以满足呈指数型增长的网络流量需求。超密集网络通过在宏基覆盖范围内灵活部署低功率小基站(Small Base Station, SBS)以避免盲区。为了连接更多的用户以及提供更高的数据速率,超密集网络被认为是5G中具有前景的关键技术之一,它通过提高系统吞吐量以及控制网络负载平衡来提升整个网络的性能。
然而,基站的密集部署会导致网络负载以及基站切换概率的增加。为了确保基站密集部署带来的增益,控制平面和用户平面分离(Control Plane and User Plane Split,CUPS)被广泛研究。在CUPS的架构下,宏基站(Macro Base Station, MBS)不仅要负责与之关联用户的控制信令和数据信息,还要负责与小基站关联用户的控制信令。然而,小基站只负责传输数据信息到它关联的基站。与传统架构相比,即每个基站需要负责与之相关联用户的控制信令和数据信息,CUPS架构减少了控制信令负载,提高了频谱效率。因此,具有CUPS架构的超密集网络在使用毫米波通信的B5G网络中也将是一种关键技术。毫米波通信由于它的高频带可以满足更高的数据速率。但是,由于毫米波小基站的密集部署,小基站之间的距离变小,干扰和功耗的增加带来的性能下降在基于CUPS架构的B5G超密集网络中不可避免。
因此,需要一种有效的资源分配方法,提高基于CUPS架构的B5G超密集网络的整体能效。
发明内容
为此,本发明的目的在于提出一种基于分簇的用户关联和资源分配联合优化方法,以降低基于CUPS的B5G超密集网络中同层干扰,从而提高能效。
一种基于分簇的用户关联和资源分配联合优化方法,所述方法包括:
步骤一,构建基于控制平面和用户平面分离的B5G超密集网络架构,其中,在每个宏基站的覆盖范围内部署密集的小基站,在控制平面和用户平面分离的架构下,宏基站通过低于6GHz的频率传输在其覆盖范围之内的小基站的控制信令以及其服务用户的数据信息,小基站通过毫米波频带传输与之相关联用户的数据信息;
步骤二:制定基于分簇的用户关联、子信道分配和功率协调的网络能效优化方案;
步骤三:提出基于分簇的用户关联、子信道分配和功率协调联合优化算法,该算法采用交替优化的方法,依次制定用户关联方案、子信道分配方案、功率协调方案;
其中,步骤一具体包括:
设定一个基于CUPS架构的B5G超密集网络,其中,一个宏基站覆盖多个毫米波通信的小基站,N个小基站通过改进的分簇算法形成了k个簇,簇的集合K定义为,每个簇的小基站数量不同,在第k个簇的小基站定义为并且满足,表示第k个簇中所有小基站的集合,表示第k个簇中的第n个小基站,N表示整个B5G超密集网络架构中小基站的数量,在B5G超密集网络架构中,子信道定义为,l表示第l个子信道,小基站用户定义为,u表示第u个小基站用户,设定一个用户只能关联一个小基站,是用户u和簇中小基站之间的关联指示变量,如果用户u与小基站关联,,否则,,同时,定义子信道变量,如果用户u在子信道l上与小基站进行通信,,否则;
其中,j和k分别表示簇集合K中的一个簇,是小基站的传输功率,是小基站的传输功率,和u分别表示用户集合U中的一个用户,是用户u和小基站的信道增益,是用户u和小基站的信道增益,表示用户u和小基站通信的子信道变量,表示用户和小基站通信的子信道变量,是加性高斯白噪声的方差,根据香农公式,用户u的可达速率表示为:
系统的整体能效表示为:
步骤二具体包括:
针对基于分簇的用户关联、子信道分配和功率分配联合优化方案,引入对数效用函数,则联合优化方案制定为:
C1~C9为约束条件,其中,C1表示在一个簇内有个小基站,C2表示小基站的总数量为N,C3表示一个用户只能关联一个小基站,C4表示小基站功率范围,定义了用户u与小基站之间的最大传输功率,C5表示用户u的可达速率,R min表示最低速率要求,C6表示的二进制索引,C7表示在簇内的小基站关联用户的数量,C8表示子信道限制,一个子信道最多能在一个簇内使用一次,C9表示的二进制索引;
步骤三具体包括:
步骤3.1小基站分簇阶段
通过改进的分簇算法对小基站进行分簇,该改进的分簇算法结合最大最小距离算法和迭代求解的聚类分析算法,簇内使用正交资源分配,簇间复用相同的信道,将所有的小基站形成了k个簇,表示为,最大最小距离算法用于生成初始的簇心和簇的数量K,然后通过迭代求解的聚类分析算法得到最终的小基站分簇集;
步骤3.2用户关联和资源分配联合优化阶段
利用交替优化的方法解决联合优化方案中有多个耦合参数以及函数非凸性的情况,首先,考虑用户关联方案,将公式(5)写为公式(6):
通过引入拉格朗日函数,求出效用函数最大时对应的小基站b:
得出最佳关联矩阵后,关注于子信道分配方案,将公式(5)写为公式(8):
利用拉格朗日函数以及极值原则,获得功率求解表达式:
其中,表示迭代t+1次的传输功率,中括号右边的和表示,当中括号内的值小于时,中括号内的取值为,当中括号内的值大于时,中括号内的取值为,当中括号内的值在和之间时,中括号内的取值为实际求出值,为引入的拉格朗日乘子,为关于自变量的函数,表示在迭代次数为t时功率矩阵,公式(12)中表示为:
根据本发明提供的基于分簇的用户关联和资源分配联合优化方法,具有以下有益效果:
(1)考虑了基于CUPS架构的B5G超密集网络场景,通过高低频部署的方式避免了跨层干扰,提高了网络吞吐量;
(2)采取改进的分簇算法,该分簇算法结合最大最小距离算法和迭代求解的聚类分析算法,迭代求解的聚类分析算法需要初始化分组和预定义簇的数量,而随机初始化分组很大程度上影响分簇结果,利用最大最小距离算法可以避免迭代求解的聚类分析算法初始值的选择太过接近,在簇内采用正交资源分配、簇间频率资源复用的方法有效地降低了同层干扰,提高了频谱资源利用率;
(3)基于分簇的用户关联和资源分配联合优化方案,以提高网络能效为目标,在密集部署小基站的情况下,得到基站选择的网络效用函数,用户选择使网络能效达到最大的基站进行关联,在确定用户关联后,进行子信道分配和功率协调,能够减少功率消耗,提高网络能效。
附图说明
图1为基于CUPS网络架构的系统模型示意图;
图2为本发明分簇阶段算法的流程图;
图3为本发明分簇结果的一个示例图;
图4为本发明用户关联和资源分配联合优化算法的流程图;
图5为本发明在能效上与现有方案比较的CDF仿真图;
图6为本发明在不同的小基站密度下,与现有方案的系统能效对比仿真图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的实施例提供一种基于分簇的用户关联和资源分配联合优化方法,应用在图1所示的网络架构下,该方法包括步骤一至步骤三。
步骤一,构建基于控制平面和用户平面分离的B5G超密集网络架构,其中,在每个宏基站的覆盖范围内部署密集的小基站,在控制平面和用户平面分离的架构下,宏基站通过低于6GHz的频率传输在其覆盖范围之内的小基站的控制信令以及其服务用户的数据信息,小基站通过毫米波频带传输与之相关联用户的数据信息。
本实施例中,设定一个基于CUPS架构的B5G超密集网络,其中,一个宏基站覆盖大量小基站。N个小基站通过改进的分簇算法形成了k个簇,簇的集合K定义为。每个簇的小基站数量不同,在第k个簇的小基站定义为并且满足,表示第k个簇中所有小基站的集合,表示第k个簇中的第n个小基站,N表示整个B5G超密集网络架构中小基站的数量,在B5G超密集网络架构中,子信道定义为,小基站用户定义为,u表示第u个小基站用户。假设一个用户只能关联一个基站,是用户u和簇中小基站之间的关联指示变量。如果用户u与基站关联,,否则,。同时,定义子信道变量,如果用户u在子信道l上与小基站进行通信,,否则。考虑毫米波信道中的阻塞效应,路径损耗表示为:
其中,j和k分别表示簇集合K中的一个簇,是小基站的传输功率,是小基站的传输功率,和u分别表示用户集合U中的一个用户,是用户u和小基站的信道增益,是用户u和小基站的信道增益,表示用户u和小基站通信的子信道变量,表示用户和小基站通信的子信道变量,是加性高斯白噪声的方差,根据香农公式,用户u的可达速率表示为:
系统的整体能效可以表示为:
步骤二:制定基于分簇的用户关联、子信道分配和功率协调的联合优化方案,通过改进的分簇算法对小基站进行分簇,该改进的分簇算法结合最大最小距离算法和K均值算法计算簇心以及簇的数量,簇内使用正交资源分配,簇间复用相同的信道。
其中,小基站分簇可以有效地减少信令负载和复杂性。为了提高能效,此发明专注于基于分簇的用户关联、子信道分配和功率分配优化方案。为了更好地制定方案,引入对数效用函数,联合优化方案可以被制定为:
C1~C9为约束条件,其中,C1表示在一个簇内有个小基站,C2表示小基站的总数量为N,C3表示一个用户只能关联一个小基站,C4表示小基站功率范围,定义了用户u与小基站之间的最大传输功率,C5表示用户u的可达速率,R min表示最低速率要求,C6表示的二进制索引,代表用户u与基站相关联,否则。为了平衡每个簇的负载,C7表示在簇内的小基站关联用户的数量,C8表示子信道限制,一个子信道最多能在一个簇内使用一次,C9表示的二进制索引,代表用户u在子信道l上与基站相关联,否则。
步骤三:提出基于分簇的用户关联、子信道分配和功率协调联合优化算法,该算法采用交替优化的方法,依次解决用户关联方案、子信道分配方案、功率协调方案。
其中,为了解决公式(5),首先需要通过改进的分簇算法解决分簇。然而,公式(5)是一个混合整数形式,很难解决。因此,本发明采用了交替优化的方式来解决公式(5)。
分簇阶段:
请结合图2,本发明采取了一种改进的分簇算法将所有的小基站形成了k个簇,表示为,图2展示了算法的具体实现流程。改进的分簇算法包括了迭代求解的聚类分析算法以及Max-Min distance算法。本实施例中,迭代求解的聚类分析算法具体采用K-means算法,即K均值算法,Max-Min distance算法用来生成初始的簇心和簇的数量K,然后我们通过K-means算法得到最终的小基站分簇集。图3展示了该发明小基站分簇的一个例子,从图3可以看出改进的分簇算法能够对超密集网络中的小基站进行合理的分簇。
用户关联和资源分配联合优化阶段:
请结合图4,图4展示了用户关联和资源分配联合优化算法的具体实现流程图。
公式(5)由于一些耦合参数(即关联变量、子信道分配变量和传输功率),是一个很难求解的公式。因此,本发明利用交替优化的方法来解决。首先考虑用户关联和子信道分配方案,可以发现仍然存在两个变量耦合的情况,即关联变量和子信道分配变量,公式(5)依旧很难解决。为了更好地求解公式(5),优先考虑用户关联方案,公式(5)可以写为公式(6):
此发明中利用相应的拉格朗日函数解决公式(6)。
其中,通过引入拉格朗日函数,求出效用函数最大时的小基站b:
(7)
得出最佳关联矩阵后,关注于子信道分配方案。公式(5)可以被写为公式(8):
其中,表示迭代t+1次的传输功率,中括号右边的和表示,当中括号内的值小于时,中括号内的取值为,当中括号内的值大于时,中括号内的取值为,当中括号内的值在和之间时,中括号内的取值为实际求出值,为引入的拉格朗日乘子,为关于自变量的函数,表示在迭代次数为t时功率矩阵,公式(12)中表示为:
此外,为了检验算法的系统性能,利用MATLAB R2018b对上述算法进行了仿真。该B5G超密集网络系统的主要参数如下:
宏基站覆盖半径为500m,系统带宽,考虑毫米波信道模型中的阻塞效应,路径损耗为,路径损耗指数在视线传输(Line of Sight, LOS)的情况下为2,在非视线传输(Not Line of Sight, NLOS)的情况下为3.4,阴影衰落因子在LOS的情况下为5.9,在NLOS的情况下为7.6。
图5和图6的仿真图中,比较算法的缩写说明:
JUSAP为此发明中提出的用户关联和资源分配联合优化算法;
JUAS为用户关联和子信道分配优化算法;
PCO-without clustering为没有分簇的功率协调和卸载算法;
Cluster-based MRA为基于分簇的最大速率关联算法。
如图5所示,本发明提出的JUSAP算法在能效上的性能明显优于其它三种算法,是因为MRA算法没有关注用户的能效性能,而PCO-without clustering算法没有进行小基站分簇,同层干扰较大,因此两种算法的能效都低于JUSAP算法。并且由于功率协调阶段降低了功率消耗,因此JUSAP比JUAS有更多的高能效用户。
如图6所示,随着小基站的密度的增加,此发明提出的JUSAP算法的能效也在增加。JUSAP算法的能效总是高于其它算法,是因为功率协调阶段有效地减少了功率的消耗。另外,由于JUAS在子信道分配阶段的干扰减少,JUAS的能效也在大多数时候高于MRA算法。因为JUAS和MRA算法没有功率协调过程,当小基站的密度增加到0.00022时,能效有所降低。可以从图6看出,此发明提出的算法最高可以提高88%的能效。
需要指出的是,图5中展示的是B5G超密集网络架构中单个用户的概率密度分布图,而图6中展示的是不同小基站密度下,整个B5G超密集网络架构的系统能效,即所有用户能效之和的变化。
综上,根据本发明提供的基于分簇的用户关联和资源分配联合优化方法,具有以下有益效果:
(1)考虑了基于CUPS架构的B5G超密集网络场景,通过高低频部署的方式避免了跨层干扰,提高了网络吞吐量;
(2)采取改进的分簇算法,该分簇算法结合最大最小距离算法和迭代求解的聚类分析算法,迭代求解的聚类分析算法需要初始化分组和预定义簇的数量,而随机初始化分组很大程度上影响分簇结果,利用最大最小距离算法可以避免迭代求解的聚类分析算法初始值的选择太过接近,在簇内采用正交资源分配、簇间频率资源复用的方法有效地降低了同层干扰,提高了频谱资源利用率;
(3)基于分簇的用户关联和资源分配联合优化方案,以提高网络能效为目标,在密集部署小基站的情况下,得到基站选择的网络效用函数,用户选择使网络能效达到最大的基站进行关联,在确定用户关联后,进行子信道分配和功率协调,能够减少功率消耗,提高网络能效。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (1)
1.一种基于分簇的用户关联和资源分配联合优化方法,其特征在于,包括:
步骤一,构建基于控制平面和用户平面分离的B5G超密集网络架构,其中,在每个宏基站的覆盖范围内部署密集的小基站,在控制平面和用户平面分离的架构下,宏基站通过低于6GHz的频率传输在其覆盖范围之内的小基站的控制信令以及其服务用户的数据信息,小基站通过毫米波频带传输与之相关联用户的数据信息;
步骤二:制定基于分簇的用户关联、子信道分配和功率协调的网络能效优化方案;
步骤三:提出基于分簇的用户关联、子信道分配和功率协调联合优化算法,该算法采用交替优化的方法,依次制定用户关联方案、子信道分配方案、功率协调方案;
其中,步骤一具体包括:
设定一个基于CUPS架构的B5G超密集网络,其中,一个宏基站覆盖多个毫米波通信的小基站,N个小基站通过改进的分簇算法形成了k个簇,簇的集合K定义为,每个簇的小基站数量不同,在第k个簇的小基站定义为并且满足,表示第k个簇中所有小基站的集合,表示第k个簇中的第n个小基站,N表示整个B5G超密集网络架构中小基站的数量,在B5G超密集网络架构中,子信道定义为,l表示第l个子信道,小基站用户定义为,u表示第u个小基站用户,设定一个用户只能关联一个小基站,是用户u和簇中小基站之间的关联指示变量,如果用户u与小基站关联,,否则,,同时,定义子信道变量,如果用户u在子信道l上与小基站进行通信,,否则;
其中,j和k分别表示簇集合K中的一个簇,是小基站的传输功率,是小基站的传输功率,和u分别表示用户集合U中的一个用户,是用户u和小基站的信道增益,是用户u和小基站的信道增益,表示用户u和小基站通信的子信道变量,表示用户和小基站通信的子信道变量,是加性高斯白噪声的方差,根据香农公式,用户u的可达速率表示为:
系统的整体能效表示为:
步骤二具体包括:
针对基于分簇的用户关联、子信道分配和功率分配联合优化方案,引入对数效用函数,则联合优化方案制定为:
C1~C9为约束条件,其中,C1表示在一个簇内有个小基站,C2表示小基站的总数量为N,C3表示一个用户只能关联一个小基站,C4表示小基站功率范围,定义了用户u与小基站之间的最大传输功率,C5表示用户u的可达速率,R min表示最低速率要求,C6表示的二进制索引,C7表示在簇内的小基站关联用户的数量,C8表示子信道限制,一个子信道最多能在一个簇内使用一次,C9表示的二进制索引;
步骤三具体包括:
步骤3.1小基站分簇阶段
通过改进的分簇算法对小基站进行分簇,该改进的分簇算法结合最大最小距离算法和迭代求解的聚类分析算法,簇内使用正交资源分配,簇间复用相同的信道,将所有的小基站形成了k个簇,表示为,最大最小距离算法用于生成初始的簇心和簇的数量K,然后通过迭代求解的聚类分析算法得到最终的小基站分簇集;
步骤3.2用户关联和资源分配联合优化阶段
利用交替优化的方法解决联合优化方案中有多个耦合参数以及函数非凸性的情况,首先,考虑用户关联方案,将公式(5)写为公式(6):
通过引入拉格朗日函数,求出效用函数最大时对应的小基站b:
得出最佳关联矩阵后,关注于子信道分配方案,将公式(5)写为公式(8):
利用拉格朗日函数以及极值原则,获得功率求解表达式:
其中,表示迭代t+1次的传输功率,中括号右边的和表示,当中括号内的值小于时,中括号内的取值为,当中括号内的值大于时,中括号内的取值为,当中括号内的值在和之间时,中括号内的取值为实际求出值,为引入的拉格朗日乘子,为关于自变量的函数,表示在迭代次数为t时功率矩阵,公式(12)中表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032789.9A CN112383932B (zh) | 2021-01-12 | 2021-01-12 | 基于分簇的用户关联和资源分配联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032789.9A CN112383932B (zh) | 2021-01-12 | 2021-01-12 | 基于分簇的用户关联和资源分配联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112383932A CN112383932A (zh) | 2021-02-19 |
CN112383932B true CN112383932B (zh) | 2021-04-09 |
Family
ID=74590359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110032789.9A Active CN112383932B (zh) | 2021-01-12 | 2021-01-12 | 基于分簇的用户关联和资源分配联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112383932B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104219713A (zh) * | 2014-01-28 | 2014-12-17 | 化存卿 | 无线局域网的信道分配和用户关联方法 |
CN104376057A (zh) * | 2014-11-06 | 2015-02-25 | 南京邮电大学 | 一种基于最大最小距离和K-means的自适应聚类方法 |
CN104780614A (zh) * | 2015-04-27 | 2015-07-15 | 上海交通大学 | 一种基于amab模型的信道分配与用户关联策略 |
CN108521673A (zh) * | 2018-04-09 | 2018-09-11 | 湖北工业大学 | 一种异构网络中基于强化学习的资源分配和功率控制联合优化方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102143590A (zh) * | 2011-03-30 | 2011-08-03 | 浙江大学 | 802.11网络资源分配优化方法 |
US10659996B2 (en) * | 2017-09-29 | 2020-05-19 | Northwestern University | Radio resource management in metropolitan area networks |
KR102521922B1 (ko) * | 2018-11-12 | 2023-04-14 | 삼성전자 주식회사 | 전자 장치 및 전자 장치의 액세스 포인트 정보 운용 방법 |
-
2021
- 2021-01-12 CN CN202110032789.9A patent/CN112383932B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104219713A (zh) * | 2014-01-28 | 2014-12-17 | 化存卿 | 无线局域网的信道分配和用户关联方法 |
CN104376057A (zh) * | 2014-11-06 | 2015-02-25 | 南京邮电大学 | 一种基于最大最小距离和K-means的自适应聚类方法 |
CN104780614A (zh) * | 2015-04-27 | 2015-07-15 | 上海交通大学 | 一种基于amab模型的信道分配与用户关联策略 |
CN108521673A (zh) * | 2018-04-09 | 2018-09-11 | 湖北工业大学 | 一种异构网络中基于强化学习的资源分配和功率控制联合优化方法 |
Non-Patent Citations (1)
Title |
---|
能效优先的用户关联与功率控制协同优化机制;彭大芹等;《计算机应用研究》;20180408;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112383932A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109842931B (zh) | 一种基于noma的d2d蜂窝系统资源分配方法 | |
CN105049098B (zh) | 大规模mimo系统中克服导频污染的部分导频复用方法 | |
CN110493804B (zh) | 一种毫米波系统的波束和功率分配方法 | |
CN108601087B (zh) | 一种基于网络切片的无线通信资源分配方法 | |
CN109039504B (zh) | 基于非正交多址接入的认知无线电能效功率分配方法 | |
CN111615202B (zh) | 基于noma与波束成型的超密集网络无线资源分配方法 | |
CN110430613A (zh) | 多载波非正交多址接入系统基于能效的资源分配方法 | |
CN107071914A (zh) | 一种能量捕获d2d网络中的动态模式选择与能量分配方法 | |
CN115278707B (zh) | 基于智能反射面辅助的noma太赫兹网络能效优化方法 | |
CN109768851B (zh) | 一种scma下行系统中基于能效的资源分配方法 | |
CN113596785A (zh) | 基于深度q网络的d2d-noma通信系统资源分配方法 | |
CN111465054A (zh) | 基于效用公平性的d2d通信资源分配方法 | |
CN109039494B (zh) | 一种基于改进和声搜索算法的5g通信系统资源分配方法 | |
CN103888234B (zh) | 一种多无线电系统中基于公平性和精细化带宽分配的资源分配方法 | |
CN110191476B (zh) | 一种基于可重构天线阵列的非正交多址接入方法 | |
CN116095690A (zh) | 一种异构网络中基于强化学习的动态资源分配优化方法 | |
Zhu et al. | Cluster-based energy-efficient joint user association and resource allocation for B5G ultra-dense network | |
CN112954806B (zh) | 异构网络中基于弦图着色的联合干扰对齐与资源分配方法 | |
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 | |
CN111447620B (zh) | 一种毫米波异构网络资源分配联合优化方法 | |
CN107333301B (zh) | 多属异构网络中的一种基于认知的联合资源再分配方法 | |
CN112383932B (zh) | 基于分簇的用户关联和资源分配联合优化方法 | |
CN107613565B (zh) | 一种全双工超密集网络中的无线资源管理方法 | |
CN110139318B (zh) | 一种noma蜂窝异构网络资源分配方法及系统 | |
CN114614925B (zh) | 一种可重构智能面辅助的毫米波非正交多址接入系统中能量效率优化方法 |
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 |