CN112566141A - 一种网络资源调度方法及装置 - Google Patents
一种网络资源调度方法及装置 Download PDFInfo
- Publication number
- CN112566141A CN112566141A CN202011242830.7A CN202011242830A CN112566141A CN 112566141 A CN112566141 A CN 112566141A CN 202011242830 A CN202011242830 A CN 202011242830A CN 112566141 A CN112566141 A CN 112566141A
- Authority
- CN
- China
- Prior art keywords
- whale
- sub
- optimal
- allocation
- resource scheduling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 241000283153 Cetacea Species 0.000 claims abstract description 94
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 239000003795 chemical substances by application Substances 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 230000009182 swimming Effects 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 206010042135 Stomatitis necrotising Diseases 0.000 abstract description 12
- 201000008585 noma Diseases 0.000 abstract description 12
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000004134 energy conservation Methods 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 description 11
- 229920000468 styrene butadiene styrene block copolymer Polymers 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002431 foraging effect Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 241000277334 Oncorhynchus Species 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 244000062804 prey Species 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
- H04W16/225—Traffic simulation tools or models for indoor or short range network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/345—Interference values
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- 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
-
- 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
- H04W72/12—Wireless traffic scheduling
- H04W72/1263—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows
-
- 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)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种网络资源调度方法及装置,用于太赫兹频段下的双层NOMA网络场景,所述方法包括:对太赫兹室内传播环境进行建模,得到适合本场景的信道模型;将联合资源调度问题解耦为子信道分配和功率分配两个子问题;基于鲸鱼优化算法,对信道模型进行求解,得到子信道分配和功率分配的最优解,以根据求得的子信道分配和功率分配的最优解实现网络资源调度。本发明可以实现更优的网络资源调度,并同时保证绿色节能,应用于太赫兹频段NOMA多用户系统网络场景,可最大限度提高网络能量有效性以及经济效益。
Description
技术领域
本发明涉及移动通信技术领域,特别涉及一种网络资源调度方法及装置。
背景技术
在即将到来的6G时代,移动设备数量不断增加,数据速率的需求呈爆炸式增长,如何提高无线网络速率成为无线通信领域亟需解决的问题。
事实上,只有增加载波频率以获得更多的频谱资源,才能满足用户的现有需求。在这种情况下,太赫兹波因其巨大的带宽和在未来无线通信中的巨大潜力,收到了业界和学术界的广泛关注。
在电磁波谱中,太赫兹波的频率在0.1THz~10THz之间,波长在0.3mm~3mm之间。因此,太赫兹波兼具微波和光波的优点,可以提供更高的可用带宽,而且具有更好的保密性和抗干扰性,但是也会产生较大的路径损耗。一些研究建立了新的太赫兹信道模型,而且提出了基于距离感知的资源分配方案,有效提高了太赫兹频谱的距离和利用率。另外,非正交多址接入NOMA在提高无线通信的频谱效率方面具有很大的优势。与正交频分多址技术OFDMA相比,NOMA允许一个信道被分配给多个用户使用,这就提供了更多的频谱资源。
目前,在太赫兹频段NOMA多用户系统的场景环境中,如何实现更优化的子信道和功率联合分配,并同时保证绿色节能依然是一个亟待解决的难题。
发明内容
本发明提供了一种网络资源调度方法及装置,以在太赫兹频段NOMA多用户系统的场景环境中,实现更优化的子信道和功率联合分配并保证绿色节能。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供了一种网络资源调度方法,该方法包括:
对太赫兹室内传播环境进行建模,得到太赫兹室内传播环境的信道模型;
将联合资源调度问题解耦为子信道分配和功率分配两个子问题;
基于鲸鱼优化算法,对所述信道模型进行求解,得到子信道分配和功率分配的最优解,以根据求得的子信道分配和功率分配的最优解实现网络资源调度。
其中,基于鲸鱼优化算法,对所述信道模型进行求解,得到子信道分配的最优解,包括:
S1,随机为用户分配功率,初始化子信道分配因子等效的位置向量,
S2,根据初始条件计算初始适应度值;
S3,在算法迭代过程中,假设当前最优候选解为目标猎物,座头鲸实时更新自己的位置以寻找最佳的搜索代理,按照第一策略计算位置向量;
S4,随机选择某鲸鱼的位置作为参考,按照第二策略更新位置向量;
S5,在座头鲸和目标猎物之间建立一个螺旋方程,来模仿座头鲸的螺旋形捕食行为,按照第三策略更新当前位置向量;
S6,计算每一次的适应度值,选择最优位置更新位置向量;
S7,迭代执行S3~S6,直到最大迭代次数为止,输出最优子信道分配解。
其中,基于鲸鱼优化算法,对所述信道模型进行求解,得到功率分配的最优解,包括:
S1,随机为用户分配功率,初始化功率分配因子等效的位置向量;
S2,根据初始条件计算初始适应度值;
S3,在算法迭代过程中,假设当前最优候选解为目标猎物,座头鲸实时更新自己的位置以寻找最佳的搜索代理,按照第一策略计算位置向量;
S4,随机选择某鲸鱼的位置作为参考,按照第二策略更新位置向量;
S5,在座头鲸和目标猎物之间建立一个螺旋方程,来模仿座头鲸的螺旋形捕食行为,按照第三策略更新当前位置向量;
S6,计算每一次的适应度值,选择最优位置更新位置向量;
S7,迭代执行S3~S6,直到最大迭代次数为止,输出最优功率分配解。
其中,所述第一策略为:
在算法迭代过程中,当|Y|<1时,假设当前最优候选解为目标猎物,座头鲸实时更新自己的位置以寻找最佳的搜索代理。
其中,所述第二策略为:
其中,所述第三策略为:
在座头鲸和目标猎物之间建立一个螺旋方程,来模仿座头鲸的螺旋形捕食行为,所述螺旋方程的表达式为:
其中,在所述第三策略中γ=γmin+(γmax-γmin)min(var({fobj}),1);其中,γmin表示最小权值,γmax表示最大权值,fobj为各个鲸鱼所对应的适应度值;在算法迭代初期,方差var(fobj)取1,随着迭代次数的增加,方差变小,更新权值也随之变小。
另一方面,本发明还提供了一种网络资源调度装置,该装置包括:
信道模型建模模块,用于对太赫兹室内传播环境进行建模,得到太赫兹室内传播环境的信道模型;
解耦模块,用于将联合资源调度问题解耦为子信道分配和功率分配子问题;
子信道分配和功率分配最优解求解模块,用于基于鲸鱼优化算法,对所述信道模型进行求解,得到子信道分配和功率分配的最优解,以根据求得的子信道分配和功率分配的最优解实现网络资源调度。
再一方面,本发明还提供了一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
又一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括:
本发明提供了一种用于太赫兹频段NOMA多用户系统的场景环境中,利用改进的鲸鱼优化算法实现更优化的子信道和功率联合分配的网络资源调度方法及装置,本发明专注于太赫兹频段下的双层NOMA网络场景,考虑了下行链路的子信道和功率联合分配问题,采用鲸鱼优化算法来联合解决子信道和功率两种资源分配问题,并引入新的参数权值和适应度对鲸鱼优化算法进行改进,以提高迭代后期的搜索精度。可以最大限度地提高网络能量有效性以及经济效益。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的网络资源调度方法的应用场景示意图;
图2是本发明实施例提供的网络资源调度方法的流程示意图;
图3是本发明实施例提供的通过改进的鲸鱼优化算法求解子信道分配和功率分配最优解的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种网络资源调度方法,主要面向6G移动通信网络,针对太赫兹频段NOMA多用户系统,提出了一种新颖的联合资源调度机制,将联合资源分配问题解耦为子信道分配和功率分配两个子问题,利用改进的鲸鱼优化算法WOA依次求解得到问题的近似最优解,用以实现绿色节能以及经济效益最大化;如图1所示,在所提模型中,我们考虑了一个太赫兹频段下的双层NOMA网络架构,其中包括1个宏基站MBS和K个小型基站SBSs。MBS周围随机分布着M个宏蜂窝用户MUEs,每个SBS可以覆盖I个飞蜂窝用户FUEs。为了方便讨论,本实施例假设所有的基站BSs和用户UEs都只配备一个高增益天线,每个UE只接入一个最近的BS,且主要关注下行链路资源分配问题。我们将噪声的影响近似为加性高斯白噪声AWGN,AWGN~CN(0,δ2)。并定义了一个子信道分配因子ck,i,s,将子信道s分配给SBS k中FUEi时,ck,i,s=1;反之,ck,i,s=1。
基于上述,本实施例的网络资源调度方法的执行流程如图2所示,包括:
S101,对太赫兹室内传播环境进行建模,得到太赫兹室内传播环境的信道模型;
S102,将联合资源调度问题解耦为子信道分配和功率分配两个子问题;
S103,基于鲸鱼优化算法对信道模型进行求解,得到子信道分配和功率分配的最优解,以根据求得的子信道分配和功率分配的最优解实现网络资源调度。
下面,对本实施例的方法进行详细说明。
根据NOMA协议,一个子信道可以被分配给多个用户使用。因此,同一个信道上的不同用户之间也会存在干扰。基于上述系统模型设置,在子信道s上,SBS k的FUE i的信干噪比SINR可以被表示为:
另外,根据已有研究,太赫兹频段的信道建模包含了视距链路LOS和非视距链路NLOS,其中NLOS链路包括反射路径、散射路径和衍射路径。然而,太赫兹通信信道的散射路径和绕射路径只接收较少的功率,因此NLOS链路的影响可以忽略不计。
假设一个坐标系,定义MBS位于原点,则SBS和FUE之间的距离为r。SBS k中的FUE i在子信道s上的信道增益为:
其中,表示衰减,包括自由空间扩散衰减和介质分子吸收衰减,这些在太赫兹中是无法忽视的,t表示时间。自由空间扩散衰减指的是电磁波在不同介质中传播时的能量损耗,介质分子吸收衰减是大气气体或水分子碰撞的结果。已有研究使用高分辨率透射分子吸收数据库HITRAN提供的信息计算了大气分子吸收造成的衰减。因此,频率f在传播了r距离时的路径损耗可表达为:
其中,α(f)为特定频率f下的介质分子吸收系数。
因此,我们可以定义路径损耗和信道增益的关系式为:
LP(f,r)[dB]=-20lg|h(r)|
在本实施例中,能量效率的优化是主要研究目标,这就需要考虑系统的功耗。在实际情况中,除了用户的传输功率,SBS k的总功耗还包括电路功耗,可以被表示为:
紧接着,我们将能量效率定义为总和率与总功耗的比值。K个SBSs的能量效率可以被表示为:
为了实现能效最大化,这个问题可以被建模为:
C2:pk,i,s≥0
C3:ck,i,s∈{0,1}
其中,C1和C2是功率约束。C1限制了SBSs的最大传输功率;C2确保分配给FUE i的最小功率一定为正。C3和C4是子信道约束。C4限制了每个子信道分配的用户数量不超过T个。C5满足了QoS约束,保证用户的最小数据率。C6确保SBSs的功率不会对MUEs造成太大干扰。
在实际问题中,子信道分配和功率分配问题是耦合在一起的。为了便于研究,本实例将上述优化问题解耦成子信道分配和功率分配两个子问题,利用改进的WOA算法依次求解,最终得到问题的近似最优解。
在太赫兹频段NOMA网络场景下,本实施例首先提出了一种新的子信道分配方法。因为约束条件C4,所以优化问题是一个非凸优化问题,采用WOA算法可以适当降低复杂度。WOA算法是一种模仿座头鲸捕食行为的元启发式仿生智能优化算法,包括三个阶段:游动觅食阶段、包围捕食阶段和气泡攻击阶段。
阶段一:游动觅食
在算法迭代过程中,假设当前最优候选解为目标猎物,座头鲸实时更新自己的位置以寻找最佳的搜索代理。在这种情况下,每一个UE都被视为鲸鱼,信道分配因子可以等效为这条座头鲸的位置。从数学上讲,该行为可以表示为:
阶段二:包围捕食
算法从一组随机解开始。在每次迭代中,当|Y|≥1时,鲸鱼根据随机选择的搜索代理实时更新自己的位置。当该行为可被表示为如下数学表达式:
阶段三:气泡攻击
在座头鲸和目标猎物之间建立一个螺旋方程,来模仿座头鲸的螺旋形捕食行为。该数学模型可表达为:
其中,表示个体鲸鱼到处于最佳位置的座头鲸的距离向量,a是一个常量,可以表示座头鲸螺旋游动的路线形状,w为-1到1之间的随机向量。为了能够持续收缩包围圈,同时,座头鲸能沿着螺旋形路径向猎物靠近,我们建立如下公式来更新位置:
但在算法迭代后期,收敛速度会逐渐变慢,很可能陷入局部最优。为了解决这一问题,可以对传统的WOA算法进行改进。本实施例在螺旋捕食阶段,建立了如下优化公式:
其中,γ表示更新权值,计算公式被定义为:
γ=γmin+(γmax-γmin)min(var({fobj}),1)
其中,γmin表示最小权值,我们取值为0.1,γmax表示最大权值,我们取值为0.9,fobj为各个鲸鱼所对应的适应度值,用来表示上述公式中的ηF,C1-C6被看作约束条件。
在优化迭代初期,个体鲸鱼之间位置随机且有较大的差异性,适应度值和更新权值的方差var(fobj)较大。为了避免这一现象,一开始方差直接取1,这样可以加快前期迭代速度。然而,随着迭代次数的增加,个体间的差异逐渐变小,方差随之变小,更新权值也变小。这一改进有利于提高后续迭代的搜索精度。
基于上述,本实施例提出了一个新颖的子信道分配迭代法。在迭代合适的次数后,系统能效达到近似最优。然后,可以得到最佳的适应度值和个体鲸鱼的位置,即最优能效值和子信道分配结果。在最优的子信道分配后,本实施例采用改进的WOA优化算法,提出了功率分配方法。在这种情况下,个体鲸鱼的位置被等效为用户的传输功率,可被改写为如下表达式:
在一定的迭代次数后,我们可以得到能量效率的近似最优值和最优功率分配结果。
具体地,如图3所示,本实施例通过改进的鲸鱼优化算法求解子信道分配和功率分配最优解的过程包括:
其中,基于鲸鱼优化算法,对所述信道模型进行求解,得到子信道分配的最优解,包括:
步骤9,重复步骤3~步骤5;
其中,所述第一策略为:
在算法迭代过程中,当|Y|<1时,假设当前最优候选解为目标猎物,座头鲸实时更新自己的位置以寻找最佳的搜索代理。该行为可以表示为:
所述第二策略为:
所述第三策略为:
在座头鲸和目标猎物之间建立一个螺旋方程,来模仿座头鲸的螺旋形捕食行为,该数学模型为::
其中,引入新参数权值γ和适应度fobj;
建立优化公式γ=γmin+(γmax-γmin)min(var({fobj}),1)更新权值。在算法迭代初期,方差var(fobj)取1。随着迭代次数的增加,方差变小,更新权值也随之变小,可以提高迭代后期的搜索精度。
综上,本实施例利用NOMA技术来补偿太赫兹波路径损耗大的缺点,在将太赫兹室内传播环境转化为相应的信道模型后,将联合资源调度问题解耦为子信道分配和功率分配两个子问题。借助鲸鱼优化算法的智能寻优功能,本实施例依次将子信道分配解和分配给用户的传输功率等效为个体鲸鱼的位置,并引入新的参数权值和适应度进行改进,提高了迭代后期的搜索精度,通过循环迭代,依次求解以分配子信道和调度功率,最终实现绿色节能并提高经济效益。
第二实施例
本实施例提供了一种网络资源调度装置,该装置包括以下模块:
信道模型建模模块,用于对太赫兹室内传播环境进行建模,得到太赫兹室内传播环境的信道模型;
解耦模块,用于将联合资源调度问题解耦为子信道分配和功率分配子问题;
子信道分配和功率分配最优解求解模块,用于基于鲸鱼优化算法,对所述信道模型进行求解,得到子信道分配和功率分配的最优解,以根据求得的子信道分配和功率分配的最优解实现网络资源调度。
本实施例的网络资源调度装置与上述第一实施例的网络资源调度方法相对应;其中,本实施例的网络资源调度装置中的各功能模块所实现的功能与上述第一实施例的网络资源调度方法中的各流程步骤一一对应;故,在此不再赘述。
第三实施例
本实施例提供一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行,以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)和一个或一个以上的存储器,其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质,该存储介质中存储有至少一条指令,所述指令由处理器加载并执行,以实现第一实施例的方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外,需要说明的是,本发明可提供为方法、装置或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,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。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (8)
1.一种网络资源调度方法,其特征在于,所述方法包括:
对太赫兹室内传播环境进行建模,得到太赫兹室内传播环境的信道模型;
将联合资源调度问题解耦为子信道分配和功率分配两个子问题;
基于鲸鱼优化算法,对所述信道模型进行求解,得到子信道分配和功率分配的最优解,以根据求得的子信道分配和功率分配的最优解实现网络资源调度。
2.如权利要求1所述的网络资源调度方法,其特征在于,基于鲸鱼优化算法,对所述信道模型进行求解,得到子信道分配的最优解,包括:
S1,随机为用户分配功率,初始化子信道分配因子等效的位置向量,
S2,根据初始条件计算初始适应度值;
S3,在算法迭代过程中,假设当前最优候选解为目标猎物,座头鲸实时更新自己的位置以寻找最佳的搜索代理,按照第一策略计算位置向量;
S4,随机选择某鲸鱼的位置作为参考,按照第二策略更新位置向量;
S5,在座头鲸和目标猎物之间建立一个螺旋方程,来模仿座头鲸的螺旋形捕食行为,按照第三策略更新当前位置向量;
S6,计算每一次的适应度值,选择最优位置更新位置向量;
S7,迭代执行S3~S6,直到最大迭代次数为止,输出最优子信道分配解。
3.如权利要求2所述的网络资源调度方法,其特征在于,基于鲸鱼优化算法,对所述信道模型进行求解,得到功率分配的最优解,包括:
S1,随机为用户分配功率,初始化功率分配因子等效的位置向量;
S2,根据初始条件计算初始适应度值;
S3,在算法迭代过程中,假设当前最优候选解为目标猎物,座头鲸实时更新自己的位置以寻找最佳的搜索代理,按照第一策略计算位置向量;
S4,随机选择某鲸鱼的位置作为参考,按照第二策略更新位置向量;
S5,在座头鲸和目标猎物之间建立一个螺旋方程,来模仿座头鲸的螺旋形捕食行为,按照第三策略更新当前位置向量;
S6,计算每一次的适应度值,选择最优位置更新位置向量;
S7,迭代执行S3~S6,直到最大迭代次数为止,输出最优功率分配解。
7.如权利要求6所述的网络资源调度方法,其特征在于,在所述第三策略中γ=γmin+(γmax-γmin)min(var({fobj}),1);其中,γmin表示最小权值,γmax表示最大权值,fobj为各个鲸鱼所对应的适应度值;在算法迭代初期,方差var(fobj)取1,随着迭代次数的增加,方差变小,更新权值也随之变小。
8.一种网络资源调度装置,其特征在于,所述装置包括:
信道模型建模模块,用于对太赫兹室内传播环境进行建模,得到太赫兹室内传播环境的信道模型;
解耦模块,用于将联合资源调度问题解耦为子信道分配和功率分配子问题;
子信道分配和功率分配最优解求解模块,用于基于鲸鱼优化算法,对所述信道模型进行求解,得到子信道分配和功率分配的最优解,以根据求得的子信道分配和功率分配的最优解实现网络资源调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011242830.7A CN112566141B (zh) | 2020-11-10 | 2020-11-10 | 一种网络资源调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011242830.7A CN112566141B (zh) | 2020-11-10 | 2020-11-10 | 一种网络资源调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112566141A true CN112566141A (zh) | 2021-03-26 |
CN112566141B CN112566141B (zh) | 2021-10-15 |
Family
ID=75042903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011242830.7A Active CN112566141B (zh) | 2020-11-10 | 2020-11-10 | 一种网络资源调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112566141B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113612558A (zh) * | 2021-08-03 | 2021-11-05 | 东南大学 | 一种太赫兹通信系统中最大化频谱效率的资源分配方法 |
CN114786258A (zh) * | 2022-04-01 | 2022-07-22 | 北京科技大学 | 一种基于图神经网络的无线资源分配优化方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180176797A1 (en) * | 2016-12-19 | 2018-06-21 | Waterford Institute Of Technology | Terahertz communication method and system |
CN109902873A (zh) * | 2019-02-28 | 2019-06-18 | 长安大学 | 一种基于改进型鲸鱼算法的云制造资源配置的方法 |
US20190306923A1 (en) * | 2018-06-19 | 2019-10-03 | Intel Corporation | Reference signal and control information processing in 5g-nr wireless systems |
CN110417443A (zh) * | 2019-08-12 | 2019-11-05 | 长春理工大学 | 一种基于节点行为的协作传输性能优化方法及系统 |
CN110417496A (zh) * | 2019-07-15 | 2019-11-05 | 重庆邮电大学 | 一种基于能效的认知noma网络顽健资源分配方法 |
-
2020
- 2020-11-10 CN CN202011242830.7A patent/CN112566141B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180176797A1 (en) * | 2016-12-19 | 2018-06-21 | Waterford Institute Of Technology | Terahertz communication method and system |
US20190306923A1 (en) * | 2018-06-19 | 2019-10-03 | Intel Corporation | Reference signal and control information processing in 5g-nr wireless systems |
CN109902873A (zh) * | 2019-02-28 | 2019-06-18 | 长安大学 | 一种基于改进型鲸鱼算法的云制造资源配置的方法 |
CN110417496A (zh) * | 2019-07-15 | 2019-11-05 | 重庆邮电大学 | 一种基于能效的认知noma网络顽健资源分配方法 |
CN110417443A (zh) * | 2019-08-12 | 2019-11-05 | 长春理工大学 | 一种基于节点行为的协作传输性能优化方法及系统 |
Non-Patent Citations (2)
Title |
---|
HAIJUN ZHANG ET AL.: ""Energy Efficient User Clustering, Hybrid Precoding and Power Optimization in Terahertz MIMO-NOMA Systems"", 《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》 * |
梁子林: ""基于博弈论的非正交多址接入网络资源优化研究"", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113612558A (zh) * | 2021-08-03 | 2021-11-05 | 东南大学 | 一种太赫兹通信系统中最大化频谱效率的资源分配方法 |
CN113612558B (zh) * | 2021-08-03 | 2022-06-24 | 东南大学 | 一种太赫兹通信系统中最大化频谱效率的资源分配方法 |
CN114786258A (zh) * | 2022-04-01 | 2022-07-22 | 北京科技大学 | 一种基于图神经网络的无线资源分配优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112566141B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Privacy-preserving federated learning for UAV-enabled networks: Learning-based joint scheduling and resource management | |
CN111726826B (zh) | 一种基站密集型边缘计算网络中的在线任务卸载方法 | |
CN112039950B (zh) | 边缘计算网络任务调度与资源分配方法和边缘计算系统 | |
Mei et al. | Intelligent radio access network slicing for service provisioning in 6G: A hierarchical deep reinforcement learning approach | |
CN111800828B (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
Wu et al. | Deep reinforcement learning-based computation offloading for 5G vehicle-aware multi-access edge computing network | |
CN112566141B (zh) | 一种网络资源调度方法及装置 | |
CN112105062B (zh) | 时敏条件下移动边缘计算网络能耗最小化策略方法 | |
Chen et al. | Edge intelligence computing for mobile augmented reality with deep reinforcement learning approach | |
CN110233755B (zh) | 一种物联网中雾计算的计算资源和频谱资源分配方法 | |
CN113377533A (zh) | 无人机协助移动边缘计算中的动态计算卸载和服务器部署方法 | |
CN111132074A (zh) | 车联网环境下多接入边缘计算卸载和帧时隙资源分配方法 | |
Li et al. | Energy efficiency maximization oriented resource allocation in 5G ultra-dense network: Centralized and distributed algorithms | |
CN114786258A (zh) | 一种基于图神经网络的无线资源分配优化方法及装置 | |
CN109548159A (zh) | 一种非正交多址异构网络中的功率分配方法 | |
CN116321293A (zh) | 基于多智能体强化学习的边缘计算卸载和资源分配方法 | |
Zhang et al. | Joint user association and power allocation in heterogeneous ultra dense network via semi-supervised representation learning | |
Kuang et al. | Client selection with bandwidth allocation in federated learning | |
Giri et al. | Deep Q-learning based optimal resource allocation method for energy harvested cognitive radio networks | |
Wang et al. | Joint heterogeneous tasks offloading and resource allocation in mobile edge computing systems | |
CN106332257A (zh) | 超密集d2d网络中基于干扰平均场分布式功率控制方法 | |
Zong et al. | Deployment of high altitude platforms network: a game theoretic approach | |
CN116887205A (zh) | 一种面向物联网协同智能的无线联邦分割学习算法 | |
Fang et al. | Double RISs assisted task offloading for NOMA-MEC with action-constrained deep reinforcement learning | |
Wang et al. | Deep transfer reinforcement learning for resource allocation in hybrid multiple access 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 |