CN113099425B - 一种高能效的无人机辅助d2d资源分配方法 - Google Patents
一种高能效的无人机辅助d2d资源分配方法 Download PDFInfo
- Publication number
- CN113099425B CN113099425B CN202110391776.0A CN202110391776A CN113099425B CN 113099425 B CN113099425 B CN 113099425B CN 202110391776 A CN202110391776 A CN 202110391776A CN 113099425 B CN113099425 B CN 113099425B
- Authority
- CN
- China
- Prior art keywords
- channel
- iteration
- goblet
- user
- cue
- 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 13
- 238000013468 resource allocation Methods 0.000 title claims abstract description 9
- 238000004891 communication Methods 0.000 claims abstract description 25
- 241000251555 Tunicata Species 0.000 claims abstract description 22
- 241000251557 Ascidiacea Species 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000001413 cellular effect Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 2
- 238000009412 basement excavation Methods 0.000 abstract description 2
- 238000011217 control strategy Methods 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000238426 Anostraca Species 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
-
- 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)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种高能效的无人机辅助D2D资源分配方法,该方法基于UAV场景下的D2D通信构建系统模型,在保证用户QoS和发射功率的前提下,利用自适应种群变异樽海鞘算法求解问题,得到D2D用户的最佳信道分配和功率控制策略。首先,该方法通过引入种群变异和自适应的数量‑权重策略来优化樽海鞘算法,提出一种自适应种群变异樽海鞘算法,使得算法在全局探索和局部挖掘之间有了更好的平衡;其次,根据所求问题重新定义樽海鞘种群数量更新和位置更新方式以及算法的适应度函数,迭代求解出D2D用户对的最佳功率分配和信道分配方案,从而有效减少系统中的同频干扰、提高系统的能量效率。
Description
技术领域
本发明涉及通信技术领域,特别是涉及一种高能效的无人机(unmanned aerialvehicle,UAV)辅助设备到设备(device to device,D2D)资源分配方法,提出一种自适应种群变异樽海鞘算法(adaptive mutation salp swarm algorithm,AMSSA)。
背景技术
将无人机(unmanned aerial vehicle,UAV)集成到第五代(5th generation,5G)及以上蜂窝网络中是一项很有前途的技术。UAV可作为空中通信平台,协助地面通信,如交通卸载、自然灾害恢复、应急响应、物联网等。为了解决没有基础设施覆盖的设备的无线连接问题,如山区、孤岛,特别是由于灾害造成的通信中断,人们对UAV的无线通信进行了大量研究。UAV凭借其低成本、强机动性和高可靠性成为建立应急通信网络的一个解决方法,它可作为空中基站为灾区提供无线覆盖,快速恢复通信条件。
同时,随着数据流量的指数增长,当前的无线通信系统面临着严峻的挑战带宽和频谱不足的问题。设备到设备(device-to-device,D2D)通信是LTE-A和5G的一项关键技术。通过复用蜂窝网络资源,实现两台相邻设备之间的直接通信;D2D通信不仅可以提高传输效率,而且可以提高频谱利用率,减少传输时延。
将D2D通信引入UAV场景下的应急通信中,可以进一步提高灾难场景下的数据传输速率,改善灾区的移动通信质量。
发明内容
首先,在考虑服务质量约束的情况下,针对UAV场景下D2D系统的能量效率(energyefficiency,EE)优化问题进行建模,这是一个复杂的NP-hard问题。另外,通过引入种群变异策略以及自适应数量-权重策略来求解优化樽海鞘算法,提出了自适应种群变异樽海鞘算法(adaptive mutation salp swarm algorithm,AMSSA)。种群变异策略根据种群每次迭代的成功率对随机产生的原始种群进行变异,可以增加种群的多样性,避免随迭代进行而造成种群多样性降低、可能使算法陷入局部最优的情况。自适应的领导者-追随者数量在探索和开发能力之间有更好的平衡。同时,自适应权值更新策略使得AMSSA算法更容易跳出局部最优解。因此,提出了一种有效的迭代资源分配算法,该算法可以解决D2D用户的EE优化问题。
UAV场景下基于AMSSA的高能效D2D资源分配方法设计并实现了单小区中多个UAV充当基站时,系统中D2D用户EE最大化的D2D信道分配和功率控制方案。该方案主要包括以下步骤:(1)建立UAV场景下的D2D通信系统模型,所述通信模型包括UAV、蜂窝用户(cellular user,CUE)和D2D用户对;(2)提出一种UAV场景下基于AMSSA算法的高能效D2D资源分配方法,在保证用户服务质量(Quality of Service,QoS)和发射功率的前提下最大化D2D接收端的EE。
UAV场景下的D2D通信如图1所示。UAV作为空中移动基站来为通信用户之间建立连接。考虑一个地面基站缺失、干扰受限的单小区环境中,多个UAV充当空中基站的上行D2D通信系统模型,通信模型包括UAV、CUE和D2D用户对。
假设小区中有M个UAV。第m个UAV中的CUE记为集合D2D对记为集合小区中所有CUE的集合记为C=[C1,C2,...,Cm,...,CM],所有D2D对的集合记为D=[D1,D2,Dm,...,DM]。其中每一个D2D对包括两个D2D用户设备,一个D2D发射端(D2D-T)和一个D2D接收端(D2D-R),小区中的信道数目取决于包含CUE最多的UAV中的CUE数目,记为集合K={1,2,...,k,...,K}。在同一UAV中,每个CUE占用一个信道,信道之间相互正交,每个D2D用户对只能复用一个CUE的信道资源,一个蜂窝用户的信道资源可以被多个D2D用户对复用。因此,一个信道可能被同一UAV中的多个D2D用户对、不同UAV中的多个CUE用户以及多个D2D用户对共同使用,复用同一信道的用户之间存在干扰。
假设每对D2D对只能复用一条信道资源,对dx m-R的干扰分析如图2所示。
将干扰分为同一UAV内的干扰和不同UAV内的干扰。其中,同一UAV内的干扰表达式可写为:
其中ak,i表示信道状态指示变量,当和同时复用第k条信道时,ak,i=1;否则,ak,i=0。表示的发射功率;lx,i表示和之间的距离,β表示路径损耗指数(β≥4);表示和之间的信道增益。pc表示CUE的发射功率;lx,c表示复用同一信道的CUE和之间的距离,表示复用同一信道的CUE和之间的信道增益。
不同UAV内的干扰表达式可写为:
其中ak,j表示信道状态指示变量,当和同时复用第k条信道时,ak,j=1;否则,ak,j=0。表示的发射功率;lx,j表示和之间的距离,β表示路径损耗指数(β≥4);表示和之间的信道增益。pc′表示CUE的发射功率;lx,c′表示复用同一信道的CUE和之间的距离,表示复用同一信道的CUE和之间的信道增益。
系统中的功率消耗包括蜂窝用户的传输功率以及D2D-T的发射功率,即:
基于上述分析,D2D用户的EE为系统中各个D2D对EE的总和,即:
本发明的优化目标是在保证用户QoS和发射功率的前提下最大化D2D接收端的EE,同时减少用户间的干扰,该优化问题可表述为:
max EE (7)
s.t.SEd-R≥SEmin (8)
式中,SEmin表示系统中d-R的最小频谱效率;约束(9)(10)表示一个信道资源只能被一个D2D对复用,一个D2D对只能复用一个信道资源;约束(11)表示的发射功率不能超过指定的最大功率。C={ck,i}表示系统中所有D2D用户对的信道分配矩阵,表示系统中所有D2D用户对的功率控制矩阵。
本发明提出一种基于AMSSA算法的资源分配方法。将信道分配矩阵C和功率控制矩阵P作为樽海鞘种群的位置。首先采用种群变异策略对随机生成的樽海鞘种群位置进行变异;然后利用自适应的数量-权重策略对变异后的樽海鞘位置进行更新。
(1)种群变异策略
本算法引入种群变异策略,对每次迭代随机生成的功率控制矩阵进行变异,:
Pl i=Pbest+(1-ηl-1)(Pl m-Pl n) (12)
其中,Pl i表示变异后的功率控制矩阵;l表示当前的迭代次数,且l≥2;Pbest表示当前迭代中最优的功率控制矩阵;Pl m和Pl n表示当前迭代中任意两个功率控制矩阵,且m≠n;ηl-1表示第l-1次迭代的成功率。
若第i只樽海鞘在第l次迭代中的适应度值大于第l-1次迭代中的适应度值,则认为第i只樽海鞘的第l次迭代成功。那么种群第l次迭代的成功率ηl定义为:
其中,I表示种群中樽海鞘个体的总个数。
(2)自适应数量和权重更新策略
在樽海鞘群中,领导者樽海鞘的数量控制着算法的全局搜索能力,追随者樽海鞘的数量控制着算法的局部挖掘能力,为了更好的平衡算法的两种能力,引入了自适应的领导者-追随者数量更新策略。在种群数量固定的前提下,迭代前期存在更多的领导者樽海鞘,使得算法更集中于全局的搜索;随着迭代的进行,领导者樽海鞘数量逐渐减少,追随者樽海鞘数量逐渐增加,因此算法逐渐更集中于局部的深度挖掘,不易于陷入局部最优的情况。领导者-追随者数量更新公式为:
领导者数量:ρI
追随者数量:(1-ρ)I (16)
ρ代表数量更新权重:
其中,n表示领导者-追随者的尺度因子;l和L分别表示当前迭代次数和最大迭代次数;k表示扰动偏差因子;θ表示[0,1]之间的随机数。
领导者樽海鞘的位置更新方式为:
Cx=Cx (18)
追随樽海鞘的位置更新方式为:
式中,2≤y≤(1-ρ)I;F(Cy,Py)表示第y只追随樽海鞘的适应度。樽海鞘个体的适应度函数为:
F(Cy,Py)=EE(Cy,Py) (22)
结合本发明的D2D通信场景,AMSSSA算法的流程如表1所示。
表1自适应种群变异樽海鞘算法流程表
附图说明
图1UAV场景下的D2D通信。
图2D2D接收端的干扰分析。
图3小区中的用户分布。
图4UAV部署。
图5迭代收敛曲线。
图6不同D2D用户对距离时D2D能量效率。
图7不同UAV数量时D2D能量效率。
具体实施方式
本发明在Matlab2019a中设计仿真系统。小区范围设置为1000m×1000m,随机生成200个CUE。当两个CUE之间小于一定距离时,形成一个D2D对,进行D2D通信;在仿真中,以D2D对之间距离小于20m为例。如图3所示,表示CUE,表示D2D用户。
利用K均值聚类算法为小区内的CUE和D2D进行分簇,将UAV部署在每一簇的中心位置。如图4所示,以小区中部署7个UAV为例,“●”表示UAV,不同颜色代表归属于不同UAV的用户,圆圈代表CUE,其余形状代表D2D对。
完成UAV部署后,利用AMSSA算法求解高能效的D2D信道分配和功率控制问题。
仿真参数设置如表2所示
表2仿真参数设置
为了验证算法的有效性,选取樽海鞘算法(SSA)、自适应樽海鞘算法(ASSA)作为对比算法:
图5是三种算法适应度收敛曲线,设置D2D用户对之间距离为20m,小区中UAV数量为7。相较于SSA和ASSA,本发明的AMSSA算法可显著提高D2D用户的EE,且在迭代过程中收敛速度更快,全局搜索能力更强,搜索精度更高,更易实现D2D用户的EE最大化。
图6是不同D2D用户对距离情况下三种算法的EE仿真对比,设置小区中UAV数量为7。随着D2D用户对距离的增加,小区中D2D用户对的数量增多,D2D的EE逐渐提升;且与SSA和ASSA相比,AMSSA算法能够使系统中D2D用户的EE更高。
图7是不同UAV数量时三种算法的EE仿真对比,设置D2D用户对距离为20m。当小区中D2D用户数目固定,随着UAV数量的增加,D2D用户对之间的区间干扰增加,导致D2D用户的EE下降,但是AMSSA算法的搜索精度仍要优于SSA和ASSA。
Claims (1)
1.一种高能效的无人机辅助D2D资源分配方法,其特征在于:包括以下步骤:
步骤1:建立UAV场景下的D2D通信系统模型,所述通信模型包括UAV、CUE和D2D用户对;利用K均值聚类算法对小区中用户进行分簇,并将UAV部署在簇的中心;
步骤2:提出一种基于自适应种群变异樽海鞘算法的资源分配方案,在保证用户QoS和发射功率的前提下最大化D2D用户对的能量效率;
建立UAV场景下的D2D通信系统模型,有:
假设小区中有M个UAV;第m个UAV中的CUE记为集合D2D对记为集合小区中所有CUE的集合记为C=[C1,C2,...,Cm,...,CM],所有D2D对的集合记为D=[D1,D2,Dm,...,DM];每一个D2D对包括两个D2D用户设备,一个D2D发射端和一个D2D接收端,小区中的信道数目取决于包含CUE最多的UAV中的CUE数目,记为集合K={1,2,...,k,...,K};在同一UAV中,每个CUE占用一个信道,信道之间相互正交,每个D2D用户对只能复用一个CUE的信道资源,一个蜂窝用户的信道资源被多个D2D用户对复用;一个信道被同一UAV中的多个D2D用户对、不同UAV中的多个CUE用户以及多个D2D用户对共同使用,复用同一信道的用户之间存在干扰;
同一UAV内的干扰表达式写为:
其中ak,i表示信道状态指示变量,当和同时复用第k条信道时,ak,i=1;否则,ak,i=0;表示的发射功率;lx,i表示和之间的距离,β表示路径损耗指数;表示和之间的信道增益;pc表示CUE的发射功率;lx,c表示复用同一信道的CUE和之间的距离,表示复用同一信道的CUE和之间的信道增益;
不同UAV内的干扰表达式写为:
其中ak,j表示信道状态指示变量,当和同时复用第k条信道时,ak,j=1;否则,ak,j=0;表示的发射功率;lx,j表示和之间的距离,β表示路径损耗指数;表示和之间的信道增益;pc′表示CUE的发射功率;lx,c′表示复用同一信道的CUE和之间的距离,表示复用同一信道的CUE和之间的信道增益;
保证用户QoS和发射功率的前提下最大化D2D接收端的能量效率,同时减少用户间的干扰,有:
系统中的功率消耗包括D2D-T的发射功率以及D2D用户对的设备电路功率,即:
基于上述分析,D2D能量效率EE为系统中各个D2D对能量效率总和,即:
保证用户QoS和发射功率的前提下最大化D2D接收端的能量效率,同时减少用户间的干扰,有:
maxEE (7)
s.t.SEd-R≥SEmin (8)
式中,SEmin表示系统中的最小频谱效率;约束(9)、(10)表示一个信道资源只能被一个D2D对复用,一个D2D对只能复用一个信道资源;约束(11)表示的发射功率不能超过指定的最大功率;C={ck,i}表示系统中所有D2D用户对的信道分配矩阵,表示系统中所有D2D用户对的功率分配矩阵;
将信道分配矩阵C和功率分配矩阵P作为樽海鞘的位置;首先采用种群变异策略对随机生成的樽海鞘位置进行变异;然后利用自适应的数量-权重策略对变异后的樽海鞘位置进行更新;
(1)种群变异策略
本算法引入种群变异策略,对每次迭代随机生成的功率控制矩阵进行变异,:
Pl i=Pbest+(1-ηl-1)(Pl m-Pl n) (12)
其中,Pl i表示变异后的功率控制矩阵;l表示当前的迭代次数,且l≥2;Pbest表示当前迭代中最优的功率控制矩阵;Pl m和Pl n表示当前迭代中任意两个功率控制矩阵,且m≠n;ηl-1表示第l-1次迭代的成功率;
若第i只樽海鞘在第l次迭代中的适应度值大于第l-1次迭代中的适应度值,那么认为第i只樽海鞘的第l次迭代成功;那么种群第l次迭代的成功率ηl定义为:
其中,I表示种群的总个数;
(2)自适应数量和权重更新策略
引入了自适应的领导者-追随者数量更新策略;在种群数量固定的前提下,迭代前期存在更多的领导者樽海鞘;随着迭代的进行,领导者樽海鞘数量逐渐减少,追随者樽海鞘数量逐渐增加;领导者-追随者数量更新公式为:
领导者数量:ρI
追随者数量:(1-ρ)I (16)
ρ代表数量更新权重:
其中,n表示领导者-追随者的尺度因子;l和L分别表示当前迭代次数和最大迭代次数;k表示扰动偏差因子;θ表示[0,1]之间的随机数;
领导者樽海鞘的位置更新方式为:
Cx=Cx (18)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110391776.0A CN113099425B (zh) | 2021-04-13 | 2021-04-13 | 一种高能效的无人机辅助d2d资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110391776.0A CN113099425B (zh) | 2021-04-13 | 2021-04-13 | 一种高能效的无人机辅助d2d资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113099425A CN113099425A (zh) | 2021-07-09 |
CN113099425B true CN113099425B (zh) | 2023-04-07 |
Family
ID=76676392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110391776.0A Active CN113099425B (zh) | 2021-04-13 | 2021-04-13 | 一种高能效的无人机辅助d2d资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113099425B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506040B (zh) * | 2021-08-05 | 2022-06-03 | 重庆大学 | 一种uav蜂群中面向高性能联邦学习的调度和资源分配方法 |
CN115021816B (zh) * | 2022-07-04 | 2024-07-26 | 吉林大学 | 基于改进的樽海鞘群算法的可见光通信系统功率分配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106792451A (zh) * | 2016-12-17 | 2017-05-31 | 河海大学 | 一种基于多种群遗传算法的d2d通信资源优化方法 |
CN111274020A (zh) * | 2020-02-24 | 2020-06-12 | 武汉轻工大学 | 基于樽海鞘群的云任务调度方法、装置、设备及存储介质 |
CN112381157A (zh) * | 2020-11-18 | 2021-02-19 | 湖北工业大学 | 一种基于樽海鞘群算法优化的模糊c均值聚类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9756646B2 (en) * | 2014-04-18 | 2017-09-05 | Soongsil University Research Consortium Techno- Park | D2D communications system and allocation method of resources and power using the same |
-
2021
- 2021-04-13 CN CN202110391776.0A patent/CN113099425B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106792451A (zh) * | 2016-12-17 | 2017-05-31 | 河海大学 | 一种基于多种群遗传算法的d2d通信资源优化方法 |
CN111274020A (zh) * | 2020-02-24 | 2020-06-12 | 武汉轻工大学 | 基于樽海鞘群的云任务调度方法、装置、设备及存储介质 |
CN112381157A (zh) * | 2020-11-18 | 2021-02-19 | 湖北工业大学 | 一种基于樽海鞘群算法优化的模糊c均值聚类方法 |
Non-Patent Citations (2)
Title |
---|
An Adaptive Multi-objective Salp Swarm Algorithm for Efficient Demand Side Management;Zezheng Zhao等;《 2020 IEEE 17th International Conference on Mobile Ad Hoc and Sensor Systems (MASS)》;全文 * |
基于改进樽海鞘群算法的D2D通信系统能量效率研究;黄哲等;《高技术通讯》(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113099425A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112737837B (zh) | 一种高动态网络拓扑下无人机群带宽资源分配方法 | |
CN112104494B (zh) | 基于空地协同边缘计算网络的任务安全卸载策略确定方法 | |
CN107426820B (zh) | 一种认知d2d通信系统中多用户博弈提高能效的资源分配方法 | |
CN113099425B (zh) | 一种高能效的无人机辅助d2d资源分配方法 | |
CN111586697B (zh) | 一种基于有向超图贪心着色的信道资源分配方法 | |
CN109982437B (zh) | 一种基于位置感知加权图的d2d通信频谱分配方法 | |
CN107172576B (zh) | 一种增强蜂窝网安全性的d2d通信下行资源共享方法 | |
CN106792451A (zh) | 一种基于多种群遗传算法的d2d通信资源优化方法 | |
CN106788812B (zh) | 一种两层网络中基于分簇的干扰对齐方法 | |
CN114189870A (zh) | 基于多智能体深度强化学习的多小区多业务资源分配方法 | |
CN110290542A (zh) | 海上无人机通信覆盖优化方法及系统 | |
CN112702719A (zh) | 一种无人机场景下高能效d2d资源分配方法 | |
Zhao et al. | Transfer learning: A paradigm for dynamic spectrum and topology management in flexible architectures | |
CN112969185B (zh) | 多无人机辅助移动用户通信的功率分配与航迹设计方法 | |
Fu et al. | Joint speed and bandwidth optimized strategy of UAV-assisted data collection in post-disaster areas | |
CN114423070A (zh) | 一种基于d2d的异构无线网络功率分配方法及系统 | |
Zhang et al. | Matching-based resource allocation and distributed power control using mean field game in the NOMA-based UAV networks | |
CN111479240B (zh) | 无人机通信系统及基于用户分簇的无线传输方法 | |
CN111669834B (zh) | 毫米波蜂窝网络中基于d2d辅助的资源分配方法 | |
AlSheyab et al. | Interference minimization algorithms for fifth generation and beyond systems | |
CN115225142B (zh) | 多无人机通信中用户匹配与频谱资源联合优化方法及系统 | |
Zhu et al. | Transmission rate allocation for reliable video transmission in aerial vehicle networks | |
CN113301532B (zh) | 一种用于无人机辅助毫米波应急通信网的信道分配方法 | |
CN106102146B (zh) | 一种多蜂窝下的d2d通信的能耗优化方法 | |
CN112261615A (zh) | 基于平均场无人机辅助多频段密集网络能效降解方法 |
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 |