CN114615730B - 回程受限密集无线网络面向内容覆盖的功率分配方法 - Google Patents

回程受限密集无线网络面向内容覆盖的功率分配方法 Download PDF

Info

Publication number
CN114615730B
CN114615730B CN202210284852.2A CN202210284852A CN114615730B CN 114615730 B CN114615730 B CN 114615730B CN 202210284852 A CN202210284852 A CN 202210284852A CN 114615730 B CN114615730 B CN 114615730B
Authority
CN
China
Prior art keywords
base station
network
probability
power
representing
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
Application number
CN202210284852.2A
Other languages
English (en)
Other versions
CN114615730A (zh
Inventor
刘俊宇
武妍
盛敏
王伟
李建东
史琰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Communication Society
Xidian University
Original Assignee
China Communication Society
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Communication Society, Xidian University filed Critical China Communication Society
Priority to CN202210284852.2A priority Critical patent/CN114615730B/zh
Publication of CN114615730A publication Critical patent/CN114615730A/zh
Application granted granted Critical
Publication of CN114615730B publication Critical patent/CN114615730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
    • H04W52/265—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the quality of service QoS
    • 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
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/30—TPC using constraints in the total amount of available transmission power
    • H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/30—TPC using constraints in the total amount of available transmission power
    • H04W52/36—TPC using constraints in the total amount of available transmission power with a discrete range or set of values, e.g. step size, ramping or offsets
    • H04W52/367—Power values between minimum and maximum limits, e.g. dynamic range
    • 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

本发明公开了一种回程受限密集无线网络面向内容覆盖的功率分配方法，主要解决现有技术在网络密集部署下功率分配效果差的问题。其方案为：联合设计高效的基站侧内容缓存概率和回程链路检索概率；以网络容量为性能指标，在考虑信号传输功率的基础上对功率优化问题进行建模；将功率优化模型作为深度强化学习网络的约束条件，并用元组
Figure DDA0003557814630000011
分别表示网络系统中所有基站的状态集合、动作集合和奖励函数集合，得到具有深度强化学习能力的智能基站；智能基站利用与环境交互获取到的信息对其进行深度强化学习训练，得到密集网络功率分配的决策结果。本发明提升了网络容量，能保证密集无线网络下用户服务的连续性，可用于密集无线网络的回程优化和功率分配。

Description

回程受限密集无线网络面向内容覆盖的功率分配方法
技术领域
本发明属于蜂窝移动通信技术领域，尤其涉及一种密集无线网络功率分配方法，可用于密集无线网络的回程优化和功率分配。
背景技术
互联网用户的不断增加以及智能设备的不断发展的同时也产生了巨大的数据流量需求，到2022年，全球每月移动业余数据总量将达到77艾字节，1艾字节＝260字节。同时，远程医疗、自动驾驶、电子竞技、同声翻译这些产业的兴起也对通信网络的时延提出了新的要求。为了更好的满足日益增长的业务需求，提升无线网络内容覆盖成为最根本手段。网络密集部署是提升网络内容覆盖最有效的途径，它能够将网络容量提升近2700倍。其中密集部署指的是除传统宏基站外，网络中将布设大量的基站/接入点来缩短信号收发两端的距离，极大增强了空间复用程度。未来无线系统中的通信基础设施还将从地面扩展到空中，扩大现有地面基站的覆盖能力。
Alam A,Dooley L,Poulton A在其发表的论文“Traffic-and-InterferenceAware Base Station Switching for Green Cellular Networks”(Proc.IEEE CAMAD,2013)中提出了一种基于动态流量感知和动态流量干扰感知的基站开关算法，该算法可以无缝地结合基站睡眠和中继站转换模型，以确定在任何时刻保持活动的最佳基站集，既能严格维护用户的服务质量，从而进一步提升网络容量，又能减少基站的能源消耗。但是该方法由于未考虑密集网络下回程资源受限对网络性能的限制，无法满足密集无线网络下用户的全部需求，从而导致内容覆盖的连续性无法得到保障，故不适用于密集无线网络。
Chen Z,Pappas N,Kountouris M在其发表的论文“Probabilistic Caching inWireless D2D Networks:Cache Hit Optimal versus Throughput Optimal”(IEEECommun.Lett.,2017)中证明了应用缓存技术时考虑传输可靠性的重要意义，通过比较最大化文件的缓存命中概率与最大化网络空间吞吐量分别得到每个文件的缓存概率，并进一步求得两种考虑方式下服务的用户请求密度，以提高网络的空间吞吐量。但是该方法由于未考虑基站/接入点密集部署情况，造成最大化文件的缓存命中概率将导致网络干扰加剧的后果，从而恶化网络性能。
Nasser A,Muta O,Elsabrouty M等在其发表的论文“Interference Mitigationand Power Allocation Scheme for Downlink MIMO–NOMA HetNet”(IEEE Transactionson Vehicular Technology,2019)中提出了面向非正交多址接入和多输入多输出技术的干扰抑制和功率分配方案，其利用协作多点传输技术，缓解小区间干扰。该方案包括两个阶段：第一阶段是消除小区间的簇间干扰和共层干扰以及处理宏蜂窝间的簇间干扰；第二阶段是控制宏基站和微基站的功率以管理跨层干扰。但是该方法建立的优化问题非常复杂，且由于在解决资源管理问题时未考虑缓存网络通信存储一体化特点，导致耗时长，不适用于通信存储协同网络。
发明内容
本发明针对现有技术存在的问题，提供了一种面向内容覆盖的回程受限密集无线网络功率分配方法，以提升回程受限情况下密集无线网络的容量，并通过简化资源分配问题来实现干扰的高效管控，从而保证密集无线网络下用户内容覆盖的连续性。
为实现上述目的，本发明的技术方案包括如下：
(1)对基站侧内容缓存概率和回程链路检索概率进行联合优化设计：
(1a)设置最优基站侧内容缓存概率
Figure BDA0003557814610000021
以最大化网络容量；
(1b)在最大化网络容量的条件下，计算使回程链路检索概率发生变化的临界基站密度λ+：
Figure BDA0003557814610000022
其中，Δh表示基站与用户间的天线高度差，
Figure BDA0003557814610000023
Figure BDA0003557814610000024
表示基站最佳激活概率，α表示路径损耗因子，τ表示解调门限，2F1(,,,)表示高斯超几何函数。
(1c)根据临界基站密度λ+，确定最优回程链路检索概率：
当基站密度λ满足λ≤λ+时，最优回程链路检索概率
Figure BDA0003557814610000025
恒为1；
当λ＞λ+时，最优回程链路检索概率
Figure BDA0003557814610000031
随最优基站侧内容缓存概率/>
Figure BDA0003557814610000032
的增大而减小；
(1d)针对不同基站密度，通过调整最优基站侧内容缓存概率
Figure BDA0003557814610000033
得到最小回程检索概率/>
Figure BDA0003557814610000034
(2)以网络容量为性能指标，在考虑信号传输功率的基础上对功率优化问题进行建模：
Figure BDA0003557814610000035
Figure BDA0003557814610000036
Figure BDA0003557814610000037
0≤qr≤1,
Pi m≥Pmin,for m∈[1,M],SBSi∈ΠSBS
Figure BDA0003557814610000038
其中，
Figure BDA0003557814610000039
表示网络容量，N表示网络中的内容总数，NC表示基站侧可缓存的内容数，M表示网络中资源块的总数量，/>
Figure BDA00035578146100000310
表示基站侧内容缓存概率，qr表示回程链路检索概率，Pi m表示第i个基站在第m个资源块的传输功率，Pmin表示每个资源块上的最小传输功率，Pmax表示基站的最大传输功率，SBSi表示第i个基站，ΠSBS表示所有基站的集合；
(3)将上述功率优化模型作为深度强化学习网络的约束条件，并用元组
Figure BDA00035578146100000311
分别表示网络系统中NSBS个基站的状态集合、动作集合和奖励函数集合，得到具有深度强化学习能力的智能基站；
(4)智能基站利用与环境交互获取到的信息对其进行深度强化学习训练，得到密集无线网络功率分配的决策结果，实现对网络干扰的高效管控。
本发明与现有技术相比，具有如下优点：
第一，本发明由于考虑了回程资源受限的密集无线网络场景，利用基站侧缓存技术有效缓解回程压力，并通过对基站侧内容缓存概率和回程链路检索概率的联合优化，提升用户服务质量，从宏观上保障了内容覆盖的时间连续性；
第二，本发明由于在密集无线网络中利用深度强化学习方法获得基站最佳功率分配的决策结果，可将复杂问题简单化，并通过最佳功率分配的决策结果实现干扰的高效管控，从微观上保障了内容覆盖的时间连续性。
附图说明
图1是本发明的实现总流程图；
图2是本发明中基站侧内容缓存概率和回程链路检索概率联合优化设计的子流程图；
图3是本发明中基于深度强化学习的功率分配子流程图；
图4是分别对本发明和现有方法的网络容量仿真结果对比图。
具体实施方式
下面结合附图对本发明的实施例和效果作进一步的详细描述。
参照图1，本实例的实现步骤如下：
步骤1，对基站侧内容缓存概率和回程链路检索概率进行联合优化设计。
参照图2，本步骤具体实现如下：
1.1)设置最优基站侧内容缓存概率
Figure BDA0003557814610000047
以最大化网络容量，本例设但不限于
Figure BDA0003557814610000048
N表示网络中的内容总数，NC表示基站侧可缓存的内容数；
1.2)在最大化网络容量的条件下，计算使回程链路检索概率发生变化的临界基站密度
Figure BDA0003557814610000041
其中，Δh表示基站与用户间的天线高度差，
Figure BDA0003557814610000042
α表示路径损耗因子，τ表示解调门限，2F1(,,,)表示高斯超几何函数，
Figure BDA0003557814610000043
表示基站最佳激活概率；
1.3)根据临界基站密度λ+，确定最优回程链路检索概率：
当基站密度λ满足λ≤λ+时，最优回程链路检索概率
Figure BDA0003557814610000044
恒为1；
当λ＞λ+时，最优回程链路检索概率
Figure BDA0003557814610000045
随最优基站侧内容缓存概率/>
Figure BDA0003557814610000046
的增大而减小，其两者的的关系表示如下：
Figure BDA0003557814610000051
其中，
Figure BDA0003557814610000052
表示基站最佳激活概率，qk表示用户对于第k个内容的请求概率，k的取值范围为1,2,...,N，N表示网络中的内容总数；
1.4)针对不同基站密度，通过调整最优基站侧内容缓存概率
Figure BDA0003557814610000053
得到最小回程检索概率/>
Figure BDA0003557814610000054
表示如下：
Figure BDA0003557814610000055
其中，
Figure BDA0003557814610000056
表示基站超密部署临界密度。
步骤2，建立功率优化模型。
2.1)根据网络容量的定义得到最优回程链路检索概率
Figure BDA0003557814610000057
和最优基站侧内容缓存概率/>
Figure BDA0003557814610000058
下的网络容量表达式，表示如下：
Figure BDA0003557814610000059
其中，M表示网络中资源块的总数量，SBSi表示第i个基站，ΠSBS表示所有基站的集合，Pi m表示第i个基站在第m个资源块的传输功率，
Figure BDA00035578146100000510
表示第i个基站的功率损耗系数，由
Figure BDA00035578146100000511
可知，网络容量结果受Pi m影响；
2.2)根据网络容量受Pi m影响的情况，通过优化基站在每个资源块上分配的传输功率以完成网络容量的提升；
2.3)以最大化网络容量为目标，设置基站侧可缓存的内容数为NC，基站的最大传输功率为Pmax，每个资源块上的最小传输功率为Pmin，对基站的功率优化问题建模如下：
Figure BDA0003557814610000061
Figure BDA0003557814610000062
Figure BDA0003557814610000063
Figure BDA0003557814610000064
Pi m≥Pmin,for m∈[1,M],SBSi∈ΠSBS
Figure BDA0003557814610000065
其中，N表示网络中的内容总数。
步骤3，构建具有深度强化学习能力的智能基站。
3.1)设置元组
Figure BDA0003557814610000066
与基站的对应关系：
Figure BDA0003557814610000067
其中
Figure BDA0003557814610000068
表示第i个基站在第t个时隙的状态空间，Pi(t)＝{Pi 1(t),...,Pi m(t),...,Pi M(t)}，Pi m(t)表示第i个基站在第m个资源块的传输功率；
Figure BDA0003557814610000069
其中
Figure BDA00035578146100000610
表示第i个基站在第t个时隙的动作空间，
Figure BDA00035578146100000611
表示第i个基站在第m个资源块上的功率调整动作，+Δp表示在当前传输功率上调高Δp，-Δp表示在当前传输功率上调低Δp，0表示保持当前传输功率不变；
Figure BDA00035578146100000612
其中
Figure BDA00035578146100000613
表示第i个基站在第t个时隙的奖励函数。
3.2)将功率优化模型作为深度强化学习网络的约束条件，并用元组
Figure BDA00035578146100000614
分别表示网络系统中NSBS个基站不同集合，即用/>
Figure BDA00035578146100000615
表示网络系统中所有基站的状态集合；用/>
Figure BDA00035578146100000616
表示网络系统中所有基站的动作集合；用/>
Figure BDA00035578146100000617
表示网络系统中所有基站的奖励函数集合，得到具有深度强化学习能力的智能基站。
步骤4，智能基站利用与环境交互获取到的信息对其进行深度强化学习训练，得到密集无线网络功率分配的决策结果，实现对网络干扰的高效管控。
参照图3，本步骤具体实现如下：
4.1)重置每个智能基站初始状态
Figure BDA0003557814610000071
和初始状态对应的奖励
Figure BDA0003557814610000072
4.2)第i个智能基站在初始状态si(t)下，根据ε-贪婪策略选择第t个时隙要执行的动作ai(t)，其选择方式有两种：
一是以ε的概率从动作空间
Figure BDA0003557814610000073
中随机选择；
二是以1-ε的概率选择当前Q值最大的动作；
其中，ε表示贪婪因子；
4.3)智能基站执行所选动作ai(t)后，收到环境反馈的奖励ri(t)并进入下一状态si(t+1)；
4.4)用当前状态si(t)、动作ai(t)、奖励ri(t)及下一状态si(t+1)组成样本，将样本存储到每个智能基站的经验库中，并记录当前状态下执行当前动作的Q值结果，更新并维护第i个智能基站的内部Q表，智能基站借助内部Q表从已有经验中进行学习，提升对强化学习训练数据的稳定性。
4.5)设置阈值S和最大迭代次数G；
4.6)当经验库中样本数量超过S时，从经验库中随机抽取经验样本(si(j),ai(j),Ri(j),si(j+1))，智能基站从Q表中查询这些经验样本对应的Q值，并将其记为当前网络评估值Q(si,ai；θi)，其中θi是神经网络参数；
4.7)利用当前网络评估值Q(si,ai；θi)和神经网络目标值
Figure BDA0003557814610000074
计算损失函数/>
Figure BDA0003557814610000075
得到密集无线网络功率分配的一次决策结果；
4.8)重复(4.6)和(4.7)对密集无线网络功率分配的决策结果进行更新，并记录当前学习次数n＝n+1；
4.9)判断当前学习次数是否达到最大次数G：
如果是，则每个智能基站根据更新的决策结果完成M个资源块的功率配比,实现对网络干扰的高效管控；
否则，返回步骤4.8)。
下面结合仿真实验对本发明的效果作进一步的说明：
1.仿真实验条件：
仿真实验的软件平台为：Windows10操作系统和Matlab软件。
仿真实例的网络场景大小设为10km×10km，网络中含有N＝200个内容，每个基站随机缓存NC＝20个内容，基站的最大传输功率Pmax＝100mW，每个资源块上的最小传输功率Pmin＝1mW，接收端解调门限τ＝10dB，基站与用户的天线高度差Δh＝10m，路径损耗因子α＝4。为模拟实际场景，基站位置随机分布，总体服从参数为λ的泊松点过程，λ为基站密度，通过基站密度×场景大小确定网络中基站总数。
2.仿真内容与结果分析：
在上述仿真条件下，分别用本发明与现有功率平均分配方法对基站中的资源块进行功率配置，并对网络容量进行对比，其中本发明的贪婪因子分别取ε＝0.5，ε＝0.8，对比结果如图4所示。
从图4可以看出，当小蜂窝基站部署密度较小时，应用本发明基本不会提升网络容量，但随着小蜂窝基站部署密度的增加，本发明增益逐渐增加；且随着贪婪因子ε的增加，网络容量提升幅度增大。而现有的功率平均分配方法由于忽略了密集无线网络下传输功率对网络干扰强弱的影响，未对资源块进行功率控制，导致其网络容量在密集场景下始终小于本发明方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.回程受限密集无线网络面向内容覆盖的功率分配方法，其特征在于，包括：
(1)对基站侧内容缓存概率和回程链路检索概率进行联合优化设计：
(1a)设置最优基站侧内容缓存概率
Figure FDA0004203682160000011
以最大化网络容量；
(1b)在最大化网络容量的条件下，计算使回程链路检索概率发生变化的临界基站密度λ+：
Figure FDA0004203682160000012
其中，Δh表示基站与用户间的天线高度差，
Figure FDA0004203682160000013
Figure FDA0004203682160000014
表示基站最佳激活概率，α表示路径损耗因子，τ表示解调门限，2F1(,,,)表示高斯超几何函数；
(1c)根据临界基站密度λ+，确定最优回程链路检索概率：
当基站密度λ满足λ≤λ+时，最优回程链路检索概率
Figure FDA0004203682160000015
恒为1；
当λ＞λ+时，最优回程链路检索概率
Figure FDA0004203682160000016
随最优基站侧内容缓存概率/>
Figure FDA0004203682160000017
的增大而减小；
(1d)针对不同基站密度，通过调整最优基站侧内容缓存概率
Figure FDA0004203682160000018
得到最小回程检索概率
Figure FDA0004203682160000019
(2)以网络容量为性能指标，在考虑信号传输功率的基础上对功率优化问题进行建模：
Figure FDA00042036821600000110
Figure FDA00042036821600000111
Figure FDA00042036821600000112
Figure FDA00042036821600000113
Pi m≥Pmin,for m∈[1,M],SBSi∈ΠSBS
Figure FDA00042036821600000114
其中，
Figure FDA0004203682160000026
表示网络容量，N表示网络中的内容总数，NC表示基站侧可缓存的内容数，M表示网络中资源块的总数量，Pi m表示第i个基站在第m个资源块的传输功率，Pmin表示每个资源块上的最小传输功率，Pmax表示基站的最大传输功率，SBSi表示第i个基站，ΠSBS表示所有基站的集合；
(3)将上述功率优化模型作为深度强化学习网络的约束条件，并用元组
Figure FDA0004203682160000021
分别表示网络系统中NSBS个基站的状态集合、动作集合和奖励函数集合，得到具有深度强化学习能力的智能基站；
(4)智能基站利用与环境交互获取到的信息对其进行深度强化学习训练，得到密集无线网络功率分配的决策结果，实现对网络干扰的高效管控，实现如下：
(4a)重置每个智能基站初始状态
Figure FDA0004203682160000022
和初始状态对应的奖励
Figure FDA0004203682160000023
(4b)第i个智能基站在状态si(t)下，根据ε-贪婪策略选择第t个时隙要执行的动作ai(t)；
(4c)智能基站执行所选动作后，收到环境反馈的奖励ri(t)并进入下一状态si(t+1)；
(4d)用当前状态si(t)、动作ai(t)、奖励ri(t)及下一状态si(t+1)组成样本，并存储到每个智能基站的经验库中，在智能基站内部维护一张Q表，记录在每个状态下执行每个动作的Q值；
(4e)设置阈值S，设置最大迭代次数G；
(4f)当经验库中样本数量超过S时，从经验库中随机抽取经验样本(si(j),ai(j),Ri(j),si(j+1))，智能基站从Q表中查询这些经验样本对应的Q值，并将其记为当前网络评估值Q(si,ai；θi)，其中θi是神经网络参数；
(4g)利用当前网络评估值Q(si,ai；θi)和神经网络目标值
Figure FDA0004203682160000024
计算损失函数
Figure FDA0004203682160000025
得到密集无线网络功率分配的一次决策结果；
(4h)重复(4f)和(4g)对密集无线网络功率分配的决策结果进行更新，并记录当前学习次数n＝n+1；
(4i)判断当前学习次数是否达到最大次数：
如果是，则每个智能基站根据更新的决策结果完成M个资源块的功率配比；
否则，返回步骤(4h)。
2.根据权利要求1所述的方法，其特征在于，所述(1c)中最优回程链路检索概率
Figure FDA0004203682160000031
与最优基站侧内容缓存概率/>
Figure FDA0004203682160000032
的关系，表示如下：
Figure FDA0004203682160000033
其中，N表示网络中内容总数，
Figure FDA0004203682160000034
表示基站最佳激活概率，qk表示用户对于第k个内容的请求概率，k的取值范围为1,2,...,N，N表示网络中的内容总数。
3.根据权利要求1所述的方法，其特征在于，所述(1d)中得到的最小回程检索概率
Figure FDA0004203682160000035
，表示如下：
Figure FDA0004203682160000036
其中，
Figure FDA0004203682160000037
表示基站最佳激活概率，qk表示用户对于第k个内容的请求概率，k的取值范围为1,2,...,N，N表示网络中内容总数，/>
Figure FDA0004203682160000038
表示基站超密部署临界密度，Δh表示基站与用户间的天线高度差，/>
Figure FDA0004203682160000039
α表示路径损耗因子，τ表示解调门限，2F1(,,,)表示高斯超几何函数。
4.根据权利要求1所述的方法，其特征在于，所述(3)中的元组
Figure FDA00042036821600000310
分别表示如下：
Figure FDA0004203682160000041
其中/>
Figure FDA0004203682160000042
表示第i个智能基站在第t个时隙的状态空间，/>
Figure FDA0004203682160000043
表示第i个基站在第m个资源块的传输功率；
Figure FDA0004203682160000044
其中/>
Figure FDA0004203682160000045
表示第i个智能基站在第t个时隙的动作空间，/>
Figure FDA0004203682160000046
表示第i个智能基站在第m个资源块上的功率调整动作，+Δp表示在当前传输功率上调高Δp，-Δp表示在当前传输功率上调低Δp，0表示保持当前传输功率不变；
Figure FDA0004203682160000047
其中/>
Figure FDA0004203682160000048
表示第i个智能基站在第t个时隙的奖励函数。
5.根据权利要求1所述的方法，其特征在于，所述(4b)中根据ε-贪婪策略选择第t个时隙要执行的动作ai(t)，是通过如下任意一种方式选择：
以ε的概率从动作空间
Figure FDA0004203682160000049
中随机选择；
以1-ε的概率选择当前Q值最大的动作；
其中，ε表示贪婪因子，
Figure FDA00042036821600000410
表示第i个智能基站在第m个资源块上的功率调整动作，M表示网络中资源块总数量。
CN202210284852.2A 2022-03-22 2022-03-22 回程受限密集无线网络面向内容覆盖的功率分配方法 Active CN114615730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210284852.2A CN114615730B (zh) 2022-03-22 2022-03-22 回程受限密集无线网络面向内容覆盖的功率分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210284852.2A CN114615730B (zh) 2022-03-22 2022-03-22 回程受限密集无线网络面向内容覆盖的功率分配方法

Publications (2)

Publication Number Publication Date
CN114615730A CN114615730A (zh) 2022-06-10
CN114615730B true CN114615730B (zh) 2023-06-30

Family

ID=81864747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210284852.2A Active CN114615730B (zh) 2022-03-22 2022-03-22 回程受限密集无线网络面向内容覆盖的功率分配方法

Country Status (1)

Country Link
CN (1) CN114615730B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117098192B (zh) * 2023-08-07 2024-04-26 北京交通大学 一种基于容量和时延优化的城轨自组网资源分配方法
CN117295096B (zh) * 2023-11-24 2024-02-09 武汉市豪迈电力自动化技术有限责任公司 基于5g短共享的智能电表数据传输方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101888054A (zh) * 2010-05-31 2010-11-17 清华大学 采用滤模匹配器进行横向模式控制的波导激光器
CN104581957A (zh) * 2014-12-15 2015-04-29 北京邮电大学 针对卫星回程受限的空中平台能效最优功率分配方法
CN104936300A (zh) * 2014-03-20 2015-09-23 中兴通讯股份有限公司 上行信道处理方法、终端、基站和系统
WO2015139435A1 (zh) * 2014-03-20 2015-09-24 中兴通讯股份有限公司 一种上行控制信道聚合发送和接收方法、终端和基站
CN107241790A (zh) * 2017-05-24 2017-10-10 沈阳航空航天大学 基于内容缓存的基站协作节能策略
CN113015105A (zh) * 2021-03-08 2021-06-22 哈尔滨工业大学（深圳） 空天地一体化网络的编码缓存内容放置与资源联合优化方法
CN114205791A (zh) * 2021-12-13 2022-03-18 西安电子科技大学 一种基于深度q学习的社交感知d2d协同缓存方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9253740B2 (en) * 2012-11-29 2016-02-02 Blinq Wireless Inc. Method and apparatus for coordinated power-zone-assignment in wireless backhaul networks

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101888054A (zh) * 2010-05-31 2010-11-17 清华大学 采用滤模匹配器进行横向模式控制的波导激光器
CN104936300A (zh) * 2014-03-20 2015-09-23 中兴通讯股份有限公司 上行信道处理方法、终端、基站和系统
WO2015139435A1 (zh) * 2014-03-20 2015-09-24 中兴通讯股份有限公司 一种上行控制信道聚合发送和接收方法、终端和基站
CN104581957A (zh) * 2014-12-15 2015-04-29 北京邮电大学 针对卫星回程受限的空中平台能效最优功率分配方法
CN107241790A (zh) * 2017-05-24 2017-10-10 沈阳航空航天大学 基于内容缓存的基站协作节能策略
CN113015105A (zh) * 2021-03-08 2021-06-22 哈尔滨工业大学（深圳） 空天地一体化网络的编码缓存内容放置与资源联合优化方法
CN114205791A (zh) * 2021-12-13 2022-03-18 西安电子科技大学 一种基于深度q学习的社交感知d2d协同缓存方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
密集网络下基于Self-Backhaul感知的用户接入负载均衡算法;唐伦;梁荣;陈婉;张元宝;;北京邮电大学学报(04);全文 *

Also Published As

Publication number Publication date
CN114615730A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN111836283B (zh) 一种基于mec多服务器的车联网资源分配方法
CN114615730B (zh) 回程受限密集无线网络面向内容覆盖的功率分配方法
CN108848520B (zh) 一种基于流量预测与基站状态的基站休眠方法
CN108093435B (zh) 基于缓存流行内容的蜂窝下行链路网络能效优化系统及方法
CN113114756A (zh) 一种移动边缘计算中自适应码率选择的视频缓存更新方法
CN109194763B (zh) 一种超密集网络中基于小型基站自组织协作的缓存方法
Wang et al. Joint resource allocation and power control for D2D communication with deep reinforcement learning in MCC
CN111405646B (zh) 异构蜂窝网络中基于Sarsa学习的基站休眠方法
CN112512065B (zh) 支持mec的小小区网络中在移动感知下的卸载和迁移方法
Khan et al. On the application of agglomerative hierarchical clustering for cache-assisted D2D networks
Wang et al. Dense femtocell networks power self‐optimization: an exact potential game approach
Liu et al. Robust power allocation based on hierarchical game with consideration of different user requirements in two-tier femtocell networks
CN115801091A (zh) 面向星地协同计算的大规模星座网络资源调度方法
CN113993168B (zh) 一种雾无线接入网中基于多智能体强化学习的协作缓存方法
Zhou et al. Multi-server federated edge learning for low power consumption wireless resource allocation based on user QoE
CN108566636A (zh) 面向不同用户偏好的d2d随机缓存布设方法
Li et al. Collaborative optimization of edge-cloud computation offloading in internet of vehicles
CN111479312B (zh) 异构蜂窝网络内容缓存和基站休眠联合优化方法
Liu et al. Mobility-aware task offloading and migration schemes in scns with mobile edge computing
Lian et al. Mobile edge cooperative caching strategy based on spatio-temporal graph convolutional model
CN111432380B (zh) 面向d2d辅助数据卸载的缓存优化方法
CN111065121B (zh) 一种考虑小区差异的密集网络能耗及能效联合优化方法
CN108882269A (zh) 结合缓存技术的超密集网络小站开关方法
Zhou et al. User‐centric data communication service strategy for 5G vehicular networks
CN115915276A (zh) 基于边缘计算的能量受限终端任务在线调度装置及其方法

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