CN113115456A - 基于量子星系搜索机制的双层异构网络功率分配方法 - Google Patents
基于量子星系搜索机制的双层异构网络功率分配方法 Download PDFInfo
- Publication number
- CN113115456A CN113115456A CN202110357285.4A CN202110357285A CN113115456A CN 113115456 A CN113115456 A CN 113115456A CN 202110357285 A CN202110357285 A CN 202110357285A CN 113115456 A CN113115456 A CN 113115456A
- Authority
- CN
- China
- Prior art keywords
- star
- iteration
- kth
- cycle
- base station
- 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 49
- 230000007246 mechanism Effects 0.000 title claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000000739 chaotic effect Effects 0.000 claims description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 15
- 230000002452 interceptive effect Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 230000002427 irreversible effect Effects 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000002238 attenuated effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000006855 networking Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000006317 isomerization reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
本发明提供一种基于量子星系搜索机制的双层异构网络功率分配方法,包括:建立双层异构网络功率分配模型;初始化星体量子位置;更新量子旋转角,实现局部搜索的寻优搜索过程;判断是否达到最大循环次数K1,若未达到,返回步骤三;若达到,终止循环;选出更优的星系;判断是否达到最大循环次数K2,若未达到,返回步骤五;若达到,终止循环;判断标志变量flag;实现局部搜索的寻优搜索过程;判断是否达到最大循环次数K3,若未达到,返回步骤八;若达到,终止循环,将第g迭代中得到的作为最优结果,判断是否达到最大迭代次数G,若未达到,返回到步骤三;若达到,则终止迭代,将第G次迭代中的最优星体位置输出。本发明能获得比其他的智能求解机制更优秀的系统性能。
Description
技术领域
本发明涉及一种基于量子星系搜索机制的双层异构网络功率分配方法,属于资源分配领域。
背景技术
现如今,全球的能量消耗正以惊人的速度增长,资源枯竭已到了迫在眉睫的地步,绿色可持续的发展方式早已经被提到日程。为了解决覆盖问题而大量布置宏基站必然会带来更多的能量消耗,用于基站供能的过多能耗显然与当前绿色可持续发展的理念不符,整个网络系统的能量效率势必下降。这一个方面其实就足以否定这个方案。对于通信运营商来说,提高能量效率,减少碳排放,也能够体现出其社会价值和担当,提高能量效率更能给运营商带来巨大的经济效益。所以,传统的蜂窝网络的组网方式在面对现如今的种种挑战下已经不再适用,要想很好的解决上述问题,既保障商业中心、写字楼等用户密集区域的用户体验,同时也保障用户稀疏区域的用户体验,仅仅依靠宏基站已经不能够满足用户对网络性能的需求,而低功率的小基站、微基站应运而生,正好满足了这种情况下的组网需求。
正是由于低功率基站的出现,3GPP提出了异构网络(Heterogeneous Network,HetNet)的概念。作为一种全新的组网技术,异构网络有不同于蜂窝网络的地方,它是不同类型网络的融合,大功率基站和低功率基站的覆盖范围相互之间交叉重叠,从而组成的包含了很多不同制式的通信网络。异构网络会包含多种不同类型的基站,最典型的情况是:在一个由宏基站(Macrocell Base Station)所服务的蜂窝小区中,根据需求灵活的分布一些其他的微网络,用来解决一些用户较密集区域的覆盖、系统吞吐量不足等问题,或解决蜂窝小区边缘的覆盖盲区问题。这里所说的微网络就是由一些低功率基站所构成的网络,包括微基站(Picocell Base Station)、家庭基站(Femtocell Base Station)等。任何一种单一的网络都不可能同时满足用户对业务的所有需求,比如高的传输速率、低的价格以及何时何地都存在覆盖等,以后的通信网络势必会朝着异构化趋势发展,并逐渐走向互联互通。
Macrocell/Femtocell作为新一代的异构网络,在用于增加网络覆盖和提高系统吞吐量以及保证用户服务需求上有很大的优势,但任何事物都有两面性,异构网络在有上述种种优点的同时,不可避免的也会存在一些缺点。为了提高频谱利用率,Macrocell和Femtocell之间通常采用共享频谱的方案,而且由于Femtocell的覆盖范围小,其所使用的发射频率一般不受管控,无需申报,这会导致处在宏基站和家庭基站共同覆盖范围下的用户会受到跨层干扰(Cross-Tier Interference,CTI)的影响,从而明显地影响异构网络的信道容量,降低异构网络的传输性能。在这种情况下,合理得资源分配方案尤为重要,可以起到提高频谱资源利用率、降低或避免同层干扰(Intra-Tier Interference,ITI)和跨层干扰的作用。因此,功率分配在异构网络的干扰管理中举足轻重,也是无线资源管理中的一个重要研究课题。本发明就是基于这种新型异构组网技术,针对其中的跨层干扰、同层干扰和功率限制,对系统能量效率等进行功率分配。
通过对现有技术文献的检索发现,刘鹏飞等在西安邮电学院学报(2010,15(1):9-12)上发表的“一种基于注水机制的认知OFDM系统资源分配方法”提出的约束注水机制相比平均功率分配机制,系统的吞吐明显地提高,但是该机制只考虑了吞吐量的变化,没有考虑系统的噪声,不如用系统能效的变化来表示方法的鲁棒性更加清晰,不能明显表现出该功率分配方法的优势。王业胜等在计算机技术与发展(2013(1):79-82)上发表的“认知OFDM系统中一种改进的注水功率分配机制”,在传统的注水机制的基础上,考虑到干扰温度限制,提出了改进的注水机制,并且将机制与各子信道的噪声值相结合,从而合理的对信道进行了功率分配。但是机制过于复杂,而利用离散的量子星系搜索机制,可以得到收敛性更好,鲁棒性更强并且适用性更广泛的功率检测方法。
已有文献的检索结果表明,现有无线网络的功率检测方法,计算复杂度高,鲁棒性差,更难于在Macrocell/Femtocell两层异构网络的复杂功率控制问题求解,缺少一种能多方面考虑信道干扰,噪声等情况下的快速且鲁棒性好的方法,因此提出一种量子星系搜索机制,用离散和连续相结合的智能机制解决双层异构网络功率分配这个连续优化的高维度优化难题,解决现有功率检测方法的技术难题。
发明内容
针对Macrocell/Femtocell两层异构网络,本发明设计了一种智能功率分配方法,通过采用量子星系搜索机制,用离散和连续相结合的智能量子星系搜索机制解决双层异构网络功率分配这个连续优化的高维度难题,并且获得比其他的智能求解机制更优秀的系统性能。
本发明的目的是这样实现的:步骤如下:
步骤一:建立双层异构网络功率分配模型;
步骤二:初始化星体量子位置,并设定参数;
步骤三:根据混沌扰动更新量子旋转角,使用量子旋转门实现局部搜索的寻优搜索过程;
步骤四:判断是否达到最大循环次数K1,若未达到,令k1=k1+1,当时,返回步骤三;若达到,则终止循环;设定螺旋混沌移动的最大循环为K2,循环次数标号为k2,k2∈[1,K2];则第g次迭代中的第k2次循环中第l个星体的位置为l=1,2,…,L;第g次迭代中的初次循环中第l个星体的位置为
步骤五:进行螺旋混沌移动,更新星体的位置,选出更优的星系;
步骤六:判断是否达到最大循环次数K2,若未达到,令k2=k2+1,返回步骤五;若达到,则终止循环;
步骤七:判断标志变量flag,若flag=1,设定最大循环次数为K3,循环数标号为k3,k3∈[1,K3];第g次迭代中的第k3次循环中,第l个星体的位置为l=1,2,…,L,第g次迭代中的初次循环中第l个星体的位置为或者进行步骤八;若flag=0,进行步骤十;
步骤八:进行混沌负向和正向移动,实现局部搜索的寻优搜索过程;
本发明还包括这样一些结构特征:
1.步骤一具体为:
异构网络中系统吞吐量模型建立为:
其中:Nm是系统中MUE总数量;FNf是系统中FUE总数量;和分别表示第i个MUE和第j个FUE用户的吞吐量,根据香农公式有和 和分别表示第i个MUE和第j个FUE的信噪比,具体形式为和Hi和Hj表示基站用户i和基站用户j对其分别正常进行服务的基站之间的信道增益,和分别表示干扰基站与干扰用户i和干扰用户j之间的信道增益;Pi和Pj分别表示对应基站为第i个MUE和第j个FUE分配的功率;和分别表示对应基站为干扰用户分配的功率;Gi和Gr为正常服务基站到其所服务的用户的路径损耗;和为干扰基站到被干扰用户的路径损耗;n0表示环境噪声;并且上述公式中即分别代表第i个MUE和第j个FUE的跨层干扰和同层干扰的干扰和;以网络消耗的总能量为P=PM+PF,PM和PF分别表示网络中Macrocell消耗的总能量和所有Femtocell消耗的总能量,总能量不光包括基站的发射功率,还包括电路损耗,通过计算: 和分别表示对应基站为第i个MUE和第j个FUE所分配的功率;PCM和PCF分别表示Macrocell层和Femtocell层的电路损耗;
网络能效作为目标函数,网络能效是网络总吞吐量与网络消耗的总能量之比为:
2.步骤二具体包括:首先设定种群中的个体数目为L,最大迭代次数为G,迭代数标号为g,g∈[1,G];设定局部搜索最大循环次数为K1,循环数标号为k1,k1∈[1,K1];则第g次迭代中的第k1次循环中,第l个星体的量子位置为:
其中:l=1,2,…,L;设定第g次迭代中的第k1次循环中,第l个星体的位置l=1,2,…,L;初代星体的位置前Nm维初始化为之间的随机数,Nm+1维到Nm+FNf维初始化为之间的随机数,为Macrocell最大的总功率,为每个Femtocell最大的总功率,Nm为MUE总数量,Nf为每个家庭基站中的FUE总数量。
是第g次迭代中的第k1+1次循环中第l个星体动态参数,第g次迭代中的第k1+1次循环中第l个星体的移动步长dmax是最大移动步长,是第g次迭代中的第k1+1次循环第l个星体的混沌因子,混沌因子范围属于[0,1],使用模拟量子旋转门更新第g次迭代中的第k1+1次循环中第l个星体的量子位置为:l=1,2,…,L,y=1,2,…,Nm×c1+F×Nf×c2;得到第g迭代中的第k1+1次循环中第l个星体对应的位置,测量方程为l=1,2,…,L,y=1,2,…,Nm×c1+F×Nf×c2;是均匀分布在[0,1]之间的随机数;
将星体的位置进行编码,得到第g次迭代中的第k1+1次循环中第l个星体对应的实数位置,前Nm维表示每一个MUE分配到的功率,Nm+1维到Nm+FNf维表示每一个FUE分配到的功率,编码关系为l=1,2,…,L,j=1,2,…,Nm+FNf,为Macrocell最大的总功率,为每个Femtocell最大的总功率,Nm为MUE总数量,Nf为每个家庭基站中的FUE总数量;当第g迭代中的第k1+1次循环中第l个星体动态参数为l=1,2,…,L,进行步骤四;否则动态参数不变,继续进行;
第g次迭代中的第k1+1次循环中种群中的第l个星体对应新的量子旋转角为:
其中:是第g次迭代中的第k1+1次循环中第l个星体动态参数,第g次迭代中的第k1+1次循环中第l个星体的移动步长dmax是最大移动步长,是第g次迭代中的第k1+1次循环第l个星体的混沌因子,l=1,2,…,L;使用模拟量子旋转门更新第g迭代中的第k1+1次循环中第l个星体的量子位置为:
其中:l=1,2,…,L,y=1,2,…,Nm×c1+F×Nf×c2;得到第g迭代中的第k1+1次循环中第l个星体对应的位置,测量方程为l=1,2,…,L,y=1,2,…,Nm×c1+F×Nf×c2;是均匀分布在[0,1]之间的随机数;
将量体的位置进行编码,得到第g迭代中的第k1+1次循环中第l个星体对应的实数位置,前Nm维表示每一个MUE分配到的功率,Nm+1维到Nm+FNf维表示每一个FUE分配到的功率,编码关系为l=1,2,…,L,j=1,2,…,Nm+FNf,为Macrocell最大总功率,为每个Femtocell最大总功率,Nm为MUE总数量,Nf为每个家庭基站中的FUE总数量;当时,第g次迭代中的第k1+1次循环中第l个星体动态参数为l=1,2,…,L;当时,
4.步骤五具体步骤为:
设定第g次迭代中的初次循环的第l个星体的移动步长第g次迭代中的初次循环的第l个星体的螺旋角 是第g次迭代中的初次循环中第l个星体的混沌因子;设定标志变量flag=0;在第g次迭代中的第k2+1次循环时,将种群中的第l个星体位置更新为l=1,2,…,L,j=1,2,…,Nm+F×Nf;是第g次迭代中的第k2+1次循环第l个星体的混沌因子,混沌因子范围属于[0,1],是第g次迭代中的第k2+1次循环中第l个星体的移动步长,移动步长随着循环次数k2变化,第g次迭代中的第k2+1次循环中第l个星体的移动步长 是第g次迭代中的第k2+1次循环第l个星体的混沌因子;螺旋角也随着循环次数k2变化,在第g次迭代中的第k2+1次循环中第l个星体的螺旋角为当时,并且l=1,2,…,L,为Macrocell最大总功率,为每个Femtocell最大总功率,Nm为MUE总数量,Nf为每个家庭基站中的FUE总数量;新的星体位置利用贪婪机制保留较优解为:
再次将第g次迭代中的第k2+1次循环中第l个星体位置更新为:
其中l=1,2,…,L,j=1,2,…,Nm+F×Nf;是第g次迭代中的第k2+1次循环第l个星体的混沌因子,是第g次迭代中的第k2+1次循环中第l个星体的移动步长,是第g次迭代中的第k2+1次循环中第l个星体的螺旋角;当时,l=1,2,…,L,j=1,2…,Nm+F×Nf;再利用贪婪机制保留较优解并且确定标志变量l=1,2,…,L,当flag=1;将作为螺旋混沌移动的最优结果,进行步骤七;否则,继续进行。
6.5.步骤八具体步骤为:
设定第g次迭代中的初次循环中第l个星体的动态参数将第g次迭代中的第k3+1次循环中第l个星体的位置更新为l=1,2,…,L,j=1,2,…,Nm+F×Nf;是第g次迭代中的第k3+1次循环中第l个星体的动态参数,第g次迭代中的第k3+1次循环中第l个星体的移动步长dmax是最大移动步长,是第g次迭代中的第k3+1次循环中第l个星体的混沌因子,混沌因子范围属于[0,1],它由逻辑映射产生;逻辑映射是一维不可逆映射,它能够生成混沌序列c4是控制参数,l=1,2,…,L,混沌序列的初始值是个[0,1]的均匀随机数;当时,l=1,2,…,L,j=1,2,…,Nm+F×Nf;当第g迭代中的第k3+1次循环中第l个星体动态参数为l=1,2,…,L,进行步骤九;否则动态参数不变,继续进行;
再次更新第l个星体的位置为l=1,2,…,L,j=1,2,…,Nm+F×Nf;是第g次迭代中的第k3+1次循环中第l个星体的动态参数,第g次迭代中的第k3+1次循环中第l个星体的移动步长dmax是最大移动步长,是第g次迭代中的第k3+1次循环中第l个星体的混沌因子;并且l=1,2,…,L,为Macrocell最大总功率,为每个Femtocell最大总功率,Nm为MUE总数量,Nf为每个家庭基站中的FUE总数量;当第g迭代中的第k3+1次循环中第l个星体动态参数为l=1,2,…,L;当
与现有技术相比,本发明的有益效果是:
本发明针对双层异构网络功率分配这个连续优化的高维度难题,采用低功率节点的布置符合了当前全世界范围内的绿色可持续发展的理念,低功率节点还要灵活便携的多,而且也不会有过多的能量消耗。
本发明的设计的量子星系搜索机制可以在很好的发挥Macrocell/Femtocell两层异构网络优势的同时,可以有效的减少异构网络中出现的同层、跨层干扰问题,对功率的分配进行优化,实现了更高得能量效率。
本发明设计的基于量子星系搜索机制的双层异构网络功率控制方法,用离散和连续相结合的智能机制解决功率分配问题,使之随着迭代次数增加能效随之增加,并且获得比其他的智能机制更优的系统性能,更快的收敛速度,更具鲁棒性。
本发明采用实数态和二进制态协同演化,相互影响,相互促进,解决该双层异构网络功率分配这个连续优化的高维度难题,可以达到比单一态更好的演化效果。
附图说明
图1本发明所设计的基于量子星系搜索方法的双层异构网络的功率控制方法研究示意总图。
图2基站和基站用户的位置示意图。
图3是本发明的仿真图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
结合图1至图3,本发明的步骤如下:
步骤一,建立双层异构网络功率分配模型。
假设在一个宏小区内,半径为Rm,随机选取位置分布F个家庭基站,半径为Rf,这样构成了Macrocell/Femtocell两层异构网络。其中宏基站内随机分布Nm个宏基站用户,每个家庭基站中随机分布Nf个家庭基站用户。
假设共用的带宽为B的频谱资源一共被划分为Q个子信道,由全部的宏基站用户(MUE)和家庭基站用户(FUE)共同使用。先在Nm个宏基站用户中随机抽取Q个宏基站用户平均分配在Q个子信道,再将Nm-Q(2Q>Nm>Q)个宏基站用户随机分配到Q个子信道,将FNf个家庭基站用户随机分配到Q个子信道中。下面对各种情况的干扰进行计算:
寻找MUE的同层干扰用户,并计算MUE之间的同层干扰。当宏基站内的用户i和宏基站内的用户j同时占用了信道,那么如果将宏基站看作干扰基站的话,则其用户j就为干扰用户,其对宏基站中的用户i产生Macrocell层下行同层干扰,按以下公式计算:在子信道上,为干扰基站到正常用户i的信道增益,为干扰基站为干扰用户j所分配的功率,为干扰基站到正常用户i的路径损耗。从宏基站(MBS)到MUE的信道增益,可对其进行建模为:bM表示在MBS与MUE之间的距离。路径损耗的选择过程为:设定基站为干扰用户所发射的功率对被干扰用户的影响为:当两个用户处于同一个扇区内,即两个用户方位角小于等于120度时,基站发送给干扰用户的功率到达被干扰用户时衰减3dB,即当两个用户不在一个扇区内时,功率衰减6dB,即减小为原来的
寻找MUE的跨层层干扰用户,并计算Femtocell对MUE的跨层干扰。当宏基站为其用户i分配了子信道,并且家庭基站为其用户j也分配了同一子信道时,此时会产生跨层干扰。这时对于MUE来说,Femtocell就是干扰基站,Femtocell对MUE的干扰公式为 为干扰基站到正常用户i的信道增益,为干扰基站为干扰用户j所分配的功率,为干扰基站到正常用户i的路径损耗。家庭基站(FBS)对室内MUE的信道增益通过式计算:Zc为一个损耗因子;ZF通过求得,λ为波长,zF为FBS和室内MUE之间的距离。路径损耗的选择过程为:设定基站为干扰用户所发射的功率对被干扰用户的影响为:当两个用户处于同一个扇区内,即两个用户方位角小于等于120度时,基站发送给干扰用户的功率到达被干扰用户时衰减3dB,即当两个用户不在一个扇区内时,功率衰减6dB,即减小为原来的所以对于第i个MUE受到的跨层干扰和同层干扰的干扰和为
寻找FUE的跨层干扰用户,并计算Macrocell对FUE的跨层干扰:当家庭基站为其用户i分配了子信道时,宏基站同时也为其用户j分配了相同的子信道,这时对于FUE来说,Macrocell就是干扰基站。则干扰宏基站就会对家庭基站用户i产生跨层干扰,用户i受到的干扰如式 为干扰基站到正常用户i的信道增益,为干扰基站为干扰用户j所分配的功率,为干扰基站到正常用户i的路径损耗。MBS到FUE的信道增益与MBS到MUE的信道情况相同,所以模型为:e表示在MBS与FUE之间的距离。路径损耗的选择过程为:设定基站为干扰用户所发射的功率对被干扰用户的影响为:当两个用户处于同一个扇区内,即两个用户方位角小于等于120度时,基站发送给干扰用户的功率到达被干扰用户时衰减3dB,即当两个用户不在一个扇区内时,功率衰减6dB,即减小为原来的
由于假设每个FBS内FUE不会占用相同子信道,所以FUE之间不存在同层干扰。
实际环境中还有大量其他噪声。高斯白噪声经常被作为通信系统分析中所采用的噪声,本专利中也采用加性高斯白噪声作为环境噪声。
异构网络中系统吞吐量模型可建立为Nm是系统中MUE总数量;FNf是系统中FUE总数量;和分别表示第i个MUE和第j个FUE用户的吞吐量,根据香农公式有和 和分别表示第i个MUE和第j个FUE的信噪比,具体形式为和Hi和Hj表示基站用户i和基站用户j对其分别正常进行服务的基站之间的信道增益,和分别表示干扰基站与干扰用户i和干扰用户j之间的信道增益;Pi和Pj分别表示对应基站为第i个MUE和第j个FUE分配的功率;和分别表示对应基站为干扰用户分配的功率;Gi和Gr为正常服务基站到其所服务的用户的路径损耗;和为干扰基站到被干扰用户的路径损耗;n0表示环境噪声。并且上述公式中 即分别代表第i个MUE和第j个FUE的跨层干扰和同层干扰的干扰和。以网络消耗的总能量为P=PM+PF,PM和PF分别表示网络中Macrocell消耗的总能量和所有Femtocell消耗的总能量,总能量不光包括基站的发射功率,还包括电路损耗,通过计算: 和分别表示对应基站为第i个MUE和第j个FUE所分配的功率;PCM和PCF分别表示Macrocell层和Femtocell层的电路损耗。
网络能效作为目标函数,网络能效是网络总吞吐量与网络消耗的总能量之比。定义为:其中,C为网络消耗的总吞吐量,P为网络消耗的总能量,P=PM+PF,PM和PF分别表示网络中Macrocell消耗的总能量和所有Femtocell消耗的总能量。
步骤二,初始化星体量子位置,并设定参数。
首先设定种群中的个体数目为L,最大迭代次数为G,迭代数标号为g,g∈[1,G]。因为首先采用离散的智能机制,所以用c1维表示一个MUE分配的功率,用c2维表示一个FUE分配的功率。再设定局部搜索最大循环次数为K1,循环数标号为k1,k1∈[1,K1]。则第g次迭代中的第k1次循环中,第l个星体的量子位置
l=1,2,…,L。初代星体的量子位置每一维初始化为[0,1]之间的随机数。设定第g次迭代中的第k1次循环中,第l个星体的位置l=1,2,…,L。初代星体的位置前Nm维初始化为之间的随机数,Nm+1维到Nm+FNf维初始化为之间的随机数,为Macrocell最大的总功率,为每个Femtocell最大的总功率,Nm为MUE总数量,Nf为每个家庭基站中的FUE总数量。
步骤三,根据混沌扰动更新量子旋转角,使用量子旋转门实现局部搜索的寻优搜索过程,具体步骤为:
设定第g次迭代中的初次循环中第l个星体的动态参数第g次迭代中的第k1+1次循环中种群中的第l个星体对应量子旋转角 是第g次迭代中的第k1+1次循环中第l个星体动态参数,第g次迭代中的第k1+1次循环中第l个星体的移动步长dmax是最大移动步长,是第g次迭代中的第k1+1次循环第l个星体的混沌因子,混沌因子范围属于[0,1],它由逻辑映射产生。逻辑映射是一维不可逆映射,它能够生成混沌序列c4是控制参数,l=1,2,…,L,混沌序列的初始值是个[0,1]的均匀随机数。使用模拟量子旋转门更新第g次迭代中的第k1+1次循环中第l个星体的量子位置为l=1,2,…,L,y=1,2,…,Nm×c1+F×Nf×c2。利用随机数,将星体的量子位置测量,得到第g迭代中的第k1+1次循环中第l个星体对应的位置,测量方程为l=1,2,…,L,y=1,2,…,Nm×c1+F×Nf×c2。是均匀分布在[0,1]之间的随机数。
将星体的位置进行编码,得到第g次迭代中的第k1+1次循环中第l个星体对应的实数位置,前Nm维表示每一个MUE分配到的功率,Nm+1维到Nm+FNf维表示每一个FUE分配到的功率,编码关系为l=1,2,…,L,j=1,2,…,Nm+FNf,为Macrocell最大的总功率,为每个Femtocell最大的总功率,Nm为MUE总数量,Nf为每个家庭基站中的FUE总数量。当第g迭代中的第k1+1次循环中第l个星体动态参数为l=1,2,…,L,进行步骤四;否则动态参数不变,继续进行。
第g次迭代中的第k1+1次循环中种群中的第l个星体对应新的量子旋转角是第g次迭代中的第k1+1次循环中第l个星体动态参数,第g次迭代中的第k1+1次循环中第l个星体的移动步长dmax是最大移动步长,是第g次迭代中的第k1+1次循环第l个星体的混沌因子,l=1,2,…,L。使用模拟量子旋转门更新第g迭代中的第k1+1次循环中第l个星体的量子位置为l=1,2,…,L,y=1,2,…,Nm×c1+F×Nf×c2。利用随机数,将星体的量子位置测量,得到第g迭代中的第k1+1次循环中第l个星体对应的位置,测量方程为l=1,2,…,L,y=1,2,…,Nm×c1+F×Nf×c2。是均匀分布在[0,1]之间的随机数。
将量体的位置进行编码,得到第g迭代中的第k1+1次循环中第l个星体对应的实数位置,前Nm维表示每一个MUE分配到的功率,Nm+1维到Nm+FNf维表示每一个FUE分配到的功率,编码关系为l=1,2,…,L,j=1,2,…,Nm+FNf,为Macrocell最大总功率,为每个Femtocell最大总功率,Nm为MUE总数量,Nf为每个家庭基站中的FUE总数量。当时,第g次迭代中的第k1+1次循环中第l个星体动态参数为l=1,2,…,L;当时,
步骤四,判断是否达到最大循环次数K1,若未达到,令k1=k1+1,当时,返回步骤三;若达到,则终止循环。并设定螺旋混沌移动的最大循环为K2,循环次数标号为k2,k2∈[1,K2]。则第g次迭代中的第k2次循环中第l个星体的位置为l=1,2,…,L。第g次迭代中的初次循环中第l个星体的位置为
步骤五,进行螺旋混沌移动,更新星体的位置,选出更优的星系,具体步骤为:
设定第g次迭代中的初次循环的第l个星体的移动步长第g次迭代中的初次循环的第l个星体的螺旋角 是第g次迭代中的初次循环中第l个星体的混沌因子。设定标志变量flag=0。在第g次迭代中的第k2+1次循环时,将种群中的第l个星体位置更新为l=1,2,…,L,j=1,2,…,Nm+F×Nf。是第g次迭代中的第k2+1次循环第l个星体的混沌因子,混沌因子范围属于[0,1],它由逻辑映射产生。逻辑映射是一维不可逆映射,它能够生成混沌序列c4是控制参数,l=1,2,…,L,混沌序列的初始值是个[0,1]的均匀随机数。是第g次迭代中的第k2+1次循环中第l个星体的移动步长,移动步长随着循环次数k2变化,第g次迭代中的第k2+1次循环中第l个星体的移动步长是第g次迭代中的第k2+1次循环第l个星体的混沌因子。螺旋角也随着循环次数k2变化,在第g次迭代中的第k2+1次循环中第l个星体的螺旋角为当时,并且l=1,2,…,L,为Macrocell最大总功率,为每个Femtocell最大总功率,Nm为MUE总数量,Nf为每个家庭基站中的FUE总数量。新的星体位置利用贪婪机制保留较优解并且确定标志变量l=1,2,…,L。当flag=1,将作为螺旋混沌移动的最优结果,进行步骤七;否则,继续进行。
再次将第g次迭代中的第k2+1次循环中第l个星体位置更新为l=1,2,…,L,j=1,2,…,Nm+F×Nf。是第g次迭代中的第k2+1次循环第l个星体的混沌因子,是第g次迭代中的第k2+1次循环中第l个星体的移动步长,是第g次迭代中的第k2+1次循环中第l个星体的螺旋角。因为分配功率不能小于零,所以需要加入判断机制,当时,l=1,2,…,L,j=1,2…,Nm+F×Nf。再利用贪婪机制保留较优解并且确定标志变量l=1,2,…,L,当flag=1。将作为螺旋混沌移动的最优结果,进行步骤七;否则,继续进行。
步骤六,判断是否达到最大循环次数K2,若未达到,令k2=k2+1,返回步骤五;若达到,则终止循环。
步骤七,判断标志变量flag,若flag=1,设定最大循环次数为K3,循环数标号为k3,k3∈[1,K3]。第g次迭代中的第k3次循环中,第l个星体的位置为l=1,2,…,L,第g次迭代中的初次循环中第l个星体的位置为或者进行步骤八;若flag=0,进行步骤十。
步骤八,进行混沌负向和正向移动,实现局部搜索的寻优搜索过程,具体步骤为:
设定第g次迭代中的初次循环中第l个星体的动态参数将第g次迭代中的第k3+1次循环中第l个星体的位置更新为l=1,2,…,L,j=1,2,…,Nm+F×Nf。是第g次迭代中的第k3+1次循环中第l个星体的动态参数,第g次迭代中的第k3+1次循环中第l个星体的移动步长dmax是最大移动步长,是第g次迭代中的第k3+1次循环中第l个星体的混沌因子,混沌因子范围属于[0,1],它由逻辑映射产生。逻辑映射是一维不可逆映射,它能够生成混沌序列c4是控制参数,l=1,2,…,L,混沌序列的初始值是个[0,1]的均匀随机数。因为分配功率不能小于零,所以需要加入判断机制,当时,l=1,2,…,L,j=1,2,…,Nm+F×Nf。当第g迭代中的第k3+1次循环中第l个星体动态参数为l=1,2,…,L,进行步骤九;否则动态参数不变,继续进行。
再次更新第l个星体的位置为l=1,2,…,L,j=1,2,…,Nm+F×Nf。是第g次迭代中的第k3+1次循环中第l个星体的动态参数,第g次迭代中的第k3+1次循环中第l个星体的移动步长dmax是最大移动步长,是第g次迭代中的第k3+1次循环中第l个星体的混沌因子。并且l=1,2,…,L,为Macrocell最大总功率,为每个Femtocell最大总功率,Nm为MUE总数量,Nf为每个家庭基站中的FUE总数量。当第g迭代中的第k3+1次循环中第l个星体动态参数为l=1,2,…,L;当
在图3中,本发明所设计的基于量子星系搜索机制的双层异构网络的功率分配方法记为GBSA;基于遗传机制的双层异构网络的功率分配方法记作GA;基于粒子群机制的双层异构网络的功率分配方法记作PSO。GA的参数选择根据Barros,A.S.and Rutledge,D.N.在hemometrics and Intelligent Laboratory Systems(1998,40(1):65–81)发表的“Genetic algorithm applied to the selection of principal components”。PSO的参数选择根据M.A.Sahnehsaraei,M.J.Mahmoodabadi,M.Taherkhorsandi,K.K.和Villar,S.M.M.Yazdi在Complex System Modelling Control Intelligent Soft Computations(2015:45–86)发表的“hybrid global optimization algorithm:particle swarmoptimization inassociation with a genetic algorithm”。其余参数选择和GBSA一致。
仿真实验参数设置如下:Nm=50,Nf=5,F=5,Rm=500m,Rf=70m,L=100,Q=40,PM=5000mW,PF=300mW,PCM=50mW,PCF=50mW,K1=100,K2=500,K3=100,G=1000,dmax=2,Lc=-30dB,c1=7,c2=6,c3=1,c4=4,c5=0.015,c6=0.05,c7=0.001,c8=-1,c9=2,c10=0.01,c11=0.01。
从仿真图图3中可以看出本发明所设计的基于量子星系搜索机制的双层异构网络的功率分配方法,随着迭代次数能效不断增加,与其他的智能方法相比性能更好,收敛速度更快。
Claims (6)
1.基于量子星系搜索机制的双层异构网络功率分配方法,其特征在于:步骤如下:
步骤一:建立双层异构网络功率分配模型;
步骤二:初始化星体量子位置,并设定参数;
步骤三:根据混沌扰动更新量子旋转角,使用量子旋转门实现局部搜索的寻优搜索过程;
步骤四:判断是否达到最大循环次数K1,若未达到,令k1=k1+1,当时,返回步骤三;若达到,则终止循环;设定螺旋混沌移动的最大循环为K2,循环次数标号为k2,k2∈[1,K2];则第g次迭代中的第k2次循环中第l个星体的位置为l=1,2,…,L;第g次迭代中的初次循环中第l个星体的位置为
步骤五:进行螺旋混沌移动,更新星体的位置,选出更优的星系;
步骤六:判断是否达到最大循环次数K2,若未达到,令k2=k2+1,返回步骤五;若达到,则终止循环;
步骤七:判断标志变量flag,若flag=1,设定最大循环次数为K3,循环数标号为k3,k3∈[1,K3];第g次迭代中的第k3次循环中,第l个星体的位置为l=1,2,…,L,第g次迭代中的初次循环中第l个星体的位置为或者进行步骤八;若flag=0,进行步骤十;
步骤八:进行混沌负向和正向移动,实现局部搜索的寻优搜索过程;
2.根据权利要求1所述的基于量子星系搜索机制的双层异构网络功率分配方法,其特征在于:步骤一具体为:
异构网络中系统吞吐量模型建立为:
其中:Nm是系统中MUE总数量;FNf是系统中FUE总数量;和分别表示第i个MUE和第j个FUE用户的吞吐量,根据香农公式有和 和分别表示第i个MUE和第j个FUE的信噪比,具体形式为和Hi和Hj表示基站用户i和基站用户j对其分别正常进行服务的基站之间的信道增益,和分别表示干扰基站与干扰用户i和干扰用户j之间的信道增益;Pi和Pj分别表示对应基站为第i个MUE和第j个FUE分配的功率;和分别表示对应基站为干扰用户分配的功率;Gi和Gr为正常服务基站到其所服务的用户的路径损耗;和为干扰基站到被干扰用户的路径损耗;n0表示环境噪声;并且上述公式中即分别代表第i个MUE和第j个FUE的跨层干扰和同层干扰的干扰和;以网络消耗的总能量为P=PM+PF,PM和PF分别表示网络中Macrocell消耗的总能量和所有Femtocell消耗的总能量,总能量不光包括基站的发射功率,还包括电路损耗,通过计算:Pi m和分别表示对应基站为第i个MUE和第j个FUE所分配的功率;PCM和PCF分别表示Macrocell层和Femtocell层的电路损耗;
网络能效作为目标函数,网络能效是网络总吞吐量与网络消耗的总能量之比为:
3.根据权利要求2所述的基于量子星系搜索机制的双层异构网络功率分配方法,其特征在于:步骤二具体包括:首先设定种群中的个体数目为L,最大迭代次数为G,迭代数标号为g,g∈[1,G];设定局部搜索最大循环次数为K1,循环数标号为k1,k1∈[1,K1];则第g次迭代中的第k1次循环中,第l个星体的量子位置为:
4.根据权利要求1、2或3所述的基于量子星系搜索机制的双层异构网络功率分配方法,其特征在于:步骤三具体步骤为:设定第g次迭代中的初次循环中第l个星体的动态参数第g次迭代中的第k1+1次循环中种群中的第l个星体对应量子旋转角是第g次迭代中的第k1+1次循环中第l个星体动态参数,第g次迭代中的第k1+1次循环中第l个星体的移动步长dmax是最大移动步长,是第g次迭代中的第k1+1次循环第l个星体的混沌因子,混沌因子范围属于[0,1],使用模拟量子旋转门更新第g次迭代中的第k1+1次循环中第l个星体的量子位置为:l=1,2,…,L,y=1,2,…,Nm×c1+F×Nf×c2;得到第g迭代中的第k1+1次循环中第l个星体对应的位置,测量方程为l=1,2,…,L,y=1,2,…,Nm×c1+F×Nf×c2;是均匀分布在[0,1]之间的随机数;
将星体的位置进行编码,得到第g次迭代中的第k1+1次循环中第l个星体对应的实数位置,前Nm维表示每一个MUE分配到的功率,Nm+1维到Nm+FNf维表示每一个FUE分配到的功率,编码关系为l=1,2,…,L,j=1,2,…,Nm+FNf,为Macrocell最大的总功率,为每个Femtocell最大的总功率,Nm为MUE总数量,Nf为每个家庭基站中的FUE总数量;当第g迭代中的第k1+1次循环中第l个星体动态参数为l=1,2,…,L,进行步骤四;否则动态参数不变,继续进行;
第g次迭代中的第k1+1次循环中种群中的第l个星体对应新的量子旋转角为:
其中:是第g次迭代中的第k1+1次循环中第l个星体动态参数,第g次迭代中的第k1+1次循环中第l个星体的移动步长dmax是最大移动步长,是第g次迭代中的第k1+1次循环第l个星体的混沌因子,l=1,2,…,L;使用模拟量子旋转门更新第g迭代中的第k1+1次循环中第l个星体的量子位置为:
其中:l=1,2,…,L,y=1,2,…,Nm×c1+F×Nf×c2;得到第g迭代中的第k1+1次循环中第l个星体对应的位置,测量方程为l=1,2,…,L,y=1,2,…,Nm×c1+F×Nf×c2;是均匀分布在[0,1]之间的随机数;
5.根据权利要求4所述的基于量子星系搜索机制的双层异构网络功率分配方法,其特征在于:步骤五具体步骤为:
设定第g次迭代中的初次循环的第l个星体的移动步长第g次迭代中的初次循环的第l个星体的螺旋角 是第g次迭代中的初次循环中第l个星体的混沌因子;设定标志变量flag=0;在第g次迭代中的第k2+1次循环时,将种群中的第l个星体位置更新为l=1,2,…,L,j=1,2,…,Nm+F×Nf;是第g次迭代中的第k2+1次循环第l个星体的混沌因子,混沌因子范围属于[0,1],是第g次迭代中的第k2+1次循环中第l个星体的移动步长,移动步长随着循环次数k2变化,第g次迭代中的第k2+1次循环中第l个星体的移动步长 是第g次迭代中的第k2+1次循环第l个星体的混沌因子;螺旋角也随着循环次数k2变化,在第g次迭代中的第k2+1次循环中第l个星体的螺旋角为当时,并且l=1,2,…,L,为Macrocell最大总功率,为每个Femtocell最大总功率,Nm为MUE总数量,Nf为每个家庭基站中的FUE总数量;新的星体位置利用贪婪机制保留较优解为:
再次将第g次迭代中的第k2+1次循环中第l个星体位置更新为:
6.根据权利要求5所述的基于量子星系搜索机制的双层异构网络功率分配方法,其特征在于:步骤八具体步骤为:
设定第g次迭代中的初次循环中第l个星体的动态参数将第g次迭代中的第k3+1次循环中第l个星体的位置更新为l=1,2,…,L,j=1,2,…,Nm+F×Nf;是第g次迭代中的第k3+1次循环中第l个星体的动态参数,第g次迭代中的第k3+1次循环中第l个星体的移动步长dmax是最大移动步长,是第g次迭代中的第k3+1次循环中第l个星体的混沌因子,混沌因子范围属于[0,1],它由逻辑映射产生;逻辑映射是一维不可逆映射,它能够生成混沌序列c4是控制参数,l=1,2,…,L,混沌序列的初始值是个[0,1]的均匀随机数;当时,l=1,2,…,L,j=1,2,…,Nm+F×Nf;当第g迭代中的第k3+1次循环中第l个星体动态参数为l=1,2,…,L,进行步骤九;否则动态参数不变,继续进行;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110357285.4A CN113115456B (zh) | 2021-04-01 | 2021-04-01 | 基于量子星系搜索机制的双层异构网络功率分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110357285.4A CN113115456B (zh) | 2021-04-01 | 2021-04-01 | 基于量子星系搜索机制的双层异构网络功率分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113115456A true CN113115456A (zh) | 2021-07-13 |
CN113115456B CN113115456B (zh) | 2022-07-12 |
Family
ID=76713628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110357285.4A Active CN113115456B (zh) | 2021-04-01 | 2021-04-01 | 基于量子星系搜索机制的双层异构网络功率分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113115456B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113747557A (zh) * | 2021-09-08 | 2021-12-03 | 哈尔滨工程大学 | 一种双层异构网络功率控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106465374A (zh) * | 2014-05-30 | 2017-02-22 | 夏普株式会社 | 终端装置、基站装置以及通信方法 |
US20180084733A1 (en) * | 2016-09-25 | 2018-03-29 | Illum Technology, Llc | Method and apparatus for horticultural lighting and associated optic systems |
CN112134614A (zh) * | 2020-10-26 | 2020-12-25 | 中国人民解放军32039部队 | 一种多波束通信卫星的下行载波资源分配方法及系统 |
-
2021
- 2021-04-01 CN CN202110357285.4A patent/CN113115456B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106465374A (zh) * | 2014-05-30 | 2017-02-22 | 夏普株式会社 | 终端装置、基站装置以及通信方法 |
US20180084733A1 (en) * | 2016-09-25 | 2018-03-29 | Illum Technology, Llc | Method and apparatus for horticultural lighting and associated optic systems |
CN112134614A (zh) * | 2020-10-26 | 2020-12-25 | 中国人民解放军32039部队 | 一种多波束通信卫星的下行载波资源分配方法及系统 |
Non-Patent Citations (2)
Title |
---|
张新等: "异构网络中基于资源分配的功率控制算法", 《计算机工程与设计》 * |
高洪元等: "《大规模MIMO系统的智能天线选择与功率分配方法研究》", 《系统工程与电子技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113747557A (zh) * | 2021-09-08 | 2021-12-03 | 哈尔滨工程大学 | 一种双层异构网络功率控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113115456B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | Energy saving technology of 5G base station based on internet of things collaborative control | |
CN106954227B (zh) | 超密集无线网络基于干扰协调的能效资源分配方法 | |
CN111586720B (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
Qiu et al. | Hierarchical resource allocation framework for hyper-dense small cell networks | |
Li et al. | Cluster‐based resource allocation scheme with QoS guarantee in ultra‐dense networks | |
CN106358308A (zh) | 一种超密集网络中的强化学习的资源分配方法 | |
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 | |
CN112217678B (zh) | 基于量子帝王蝶优化机制的双层异构网络频谱分配方法 | |
CN106231610B (zh) | Femtocell双层网络中基于分簇的资源分配方法 | |
CN113115456B (zh) | 基于量子星系搜索机制的双层异构网络功率分配方法 | |
CN114615730A (zh) | 回程受限密集无线网络面向内容覆盖的功率分配方法 | |
Su et al. | A power allocation scheme based on deep reinforcement learning in HetNets | |
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 | |
CN113747557B (zh) | 一种双层异构网络功率控制方法 | |
CN110602718B (zh) | 基于交替方向乘子法的异构蜂窝网络功率分配方法及系统 | |
Rohoden et al. | Evolutionary game theoretical model for stable femtocells’ clusters formation in hetnets | |
Sharma et al. | Evolutionary Multi-Objective Optimization Algorithm for Resource Allocation using Deep Neural Network in Ultra-Dense Networks | |
You et al. | Distributed deep learning for RIS aided UAV-D2D communications in space-air-ground networks | |
CN112887995B (zh) | 在虚拟化多租户CF-mMIMO系统中的资源分配方法 | |
Melhem et al. | Machine learning for resource allocation in mobile broadband networks | |
CN114423070A (zh) | 一种基于d2d的异构无线网络功率分配方法及系统 | |
Park et al. | Cluster splitting and combining in ultra‐dense networks | |
CN105792367B (zh) | 一种两层非均匀拓扑结构异构网络下的网络资源分配方法 | |
Fan et al. | Bat algorithm based semi‐distributed resource allocation in ultra‐dense networks | |
CN117119573B (zh) | 超密集网络中基于凝聚式层次聚类算法的资源优化方法 |
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 |