CN114629535A - 智能反射面无蜂窝大规模mimo网络容量优化方法 - Google Patents

智能反射面无蜂窝大规模mimo网络容量优化方法 Download PDF

Info

Publication number
CN114629535A
CN114629535A CN202210246227.9A CN202210246227A CN114629535A CN 114629535 A CN114629535 A CN 114629535A CN 202210246227 A CN202210246227 A CN 202210246227A CN 114629535 A CN114629535 A CN 114629535A
Authority
CN
China
Prior art keywords
solving
sensor
theta
optimization
access point
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.)
Pending
Application number
CN202210246227.9A
Other languages
English (en)
Inventor
汪清
张莹莹
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN202210246227.9A priority Critical patent/CN114629535A/zh
Publication of CN114629535A publication Critical patent/CN114629535A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B7/00Radio transmission systems, i.e. using radiation field
    • H04B7/02Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413MIMO systems
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B7/00Radio transmission systems, i.e. using radiation field
    • H04B7/02Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/04013Intelligent reflective surfaces
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B7/00Radio transmission systems, i.e. using radiation field
    • H04B7/02Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B7/00Radio transmission systems, i.e. using radiation field
    • H04B7/02Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842Weighted combining
    • H04B7/086Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W24/00Supervisory, monitoring or testing arrangements
    • H04W24/02Arrangements for optimising operational condition
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W24/00Supervisory, monitoring or testing arrangements
    • H04W24/06Testing, supervising or monitoring using simulated traffic
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W28/00Network traffic management; Network resource management
    • H04W28/02Traffic management, e.g. flow control or congestion control
    • H04W28/0215Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices
    • H04W28/0221Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices power availability or consumption
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W28/00Network traffic management; Network resource management
    • H04W28/02Traffic management, e.g. flow control or congestion control
    • H04W28/0231Traffic management, e.g. flow control or congestion control based on communication conditions
    • H04W28/0236Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W84/00Network topologies
    • H04W84/18Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本方法涉及无线通信领域,为提出一种针对智能反射面辅助的无蜂窝大规模MIMO网络的长期调度和功率控制方法,来提升网络中最小时间平均可达速率,以提升网络容量。为此,本发明采取的技术方案是,智能反射面无蜂窝大规模MIMO网络容量优化方法,建立智能反射面辅助无线供电的无蜂窝物联网模型,使用李雅普诺夫优化方法解决每个时隙的传输模式和功率控制系数求解,利用拉格朗日对偶变换和分数规划解耦方法,交替解决复杂的非凸优化问题,实现接入点基站主动波束成形和智能反射面无源元件被动波束成形的联合优化方案。本发明主要应用于无蜂窝大规模MIMO网络的长期调度和功率控制场合。

Description

智能反射面无蜂窝大规模MIMO网络容量优化方法
技术领域
本方法涉及无线通信领域,特别是无线通信系统的能量收集和网络容量优化。具体涉及智能反射面辅助的无蜂窝大规模MIMO网络容量优化方法。
背景技术
随着5G技术的发展和广泛应用,物联网技术作为一种新兴技术,广泛应用于我们生活的各个方面。由于物联网设备往往数量规模大,容易导致设备能量短缺问题,无线电力传输(Wireless power transfer,WPT)被认为是解决物联网设备能源短缺问题的有效的技术。在无线供电通信网络[1](Wireless powered communication network,WPCN)中,设备首先从下行链路收集射频能量,然后通过上行链路向基站或接入点传输数据。
在蜂窝MIMO通信网络中,多天线可以提高WPT的效率,但小区边界用户的性能仍然很差,这是由于下行WPT阶段和上行数据传输阶段的路径损耗都很大。相比较蜂窝网络,无蜂窝通信网络[2]被认为是抵抗路径损耗,提高小区边界用户性能的有效方法。具有分布式和协作特点的无蜂窝大规模MIMO,被证明可以提高频谱效率和能量效率。与蜂窝大规模MIMO相比,由于终端与服务接入点(access points,APs)之间的距离更小,可以避免小区边界终端的严重路径损耗。借助具有以用户为中心的架构的无蜂窝大规模MIMO,[3]提出了一种无线供电的无蜂窝物联网方案,具有联合优化的下行链路和上行链路功率控制系数和并置大规模MIMO相比,无蜂窝物联网的WPT效率得到了显着提高。[4]提出了一种无线供电的无蜂窝物联网网络的长期调度和功率控制方案,传感器被调度用于上行链路数据传输或下行链路功率传输,最大化所有传感器的最小时间平均可实现速率,使用李雅普诺夫优化联合确定每个时隙的传输模式和功率控制系数,提高了最小时间平均可实现速率。
为了进一步提升无蜂窝网络的容量,需要部署更多的接入点,成本和功耗都很高。智能反射面(Intelligent reflection surface,IRS)是一种低成本、高能效和高增益的超表面,正在成为未来6G通信的一种有前途的智能无线电技术[5]。凭借大量低成本的无源元件,智能反射面能够通过调整其元件的相移,以超高的阵列增益将电磁入射信号反射到任何方向。[6]提出了智能反射面辅助的无蜂窝网络的概念,用低成本、高能效的智能反射面替代部分所需的接入点,以降低成本和功耗来提高网络容量。对于典型宽带场景中提出的智能反射面辅助无蜂窝网络,在接入点和智能反射面制定联合预编码设计问题,开发了一种交替优化算法,拉格朗日对偶变换和分数规划解耦,交替解决子问题。与传统的无小区网络相比,[6]所提出方案的网络容量可以得到显着提高。
发明内容
为克服现有技术的不足,本发明旨在提出一种针对智能反射面辅助的无蜂窝大规模MIMO网络的长期调度和功率控制方法,来提升网络中最小时间平均可达速率,以提升网络容量。为此,本发明采取的技术方案是,智能反射面无蜂窝大规模MIMO网络容量优化方法,建立智能反射面辅助无线供电的无蜂窝物联网模型,使用李雅普诺夫优化方法解决每个时隙的传输模式和功率控制系数求解,利用拉格朗日对偶变换和分数规划解耦方法,交替解决复杂的非凸优化问题,实现接入点基站主动波束成形和智能反射面无源元件被动波束成形的联合优化方案。
具体步骤如下:
(1)建立系统模型和问题描述,方法如下:
第一步:建立系统模型
一个无蜂窝大规模MIMO网络中,配置R个智能反射面IRSs,同时系统中分布着L个接入点APs和K个单天线的无线传感器用户,所有接入点都通过无损耗的回程网络与一个中心处理器CPU相连。每个智能反射面上分布着M个反射单元,并由中心处理器通过无线方式控制,其中,优化算法总的持续时间为T个时隙,对于每个时隙t,有Ka个传感器处于活跃状态,传感器活跃系数:
Figure BDA0003544765270000021
定义传输模式符号
δ(t)∈{0,1},t=0,1,2,…,T (2)
当δ(t)=1时,传感器进行下行的无线能量转换WPT,当δ(t)=0时,传感器进行上行的数据传输;
第l个接入点和第k个传感器之间的信道,表示为从接入点到传感器的信道和接入点-智能反射面-传感器的信道的叠加,即
Figure BDA0003544765270000022
其中
Figure BDA0003544765270000023
表示时隙t中第r个智能反射面上的相移矩阵,约束条件
Figure BDA0003544765270000024
第二步:问题描述
当δ(t)=1时,传感器进行下行的无线能量转换,第k个传感器在本阶段接收到的信号可以表示为
Figure BDA0003544765270000025
其中
Figure BDA0003544765270000026
表示从第l个接入点到第k个传感器的波束成形向量,
Figure BDA0003544765270000027
表示加性高斯噪声,第l个接入点发射信号的能量约束为
Figure BDA0003544765270000028
那么第k个传感器收集到的能量表示为:
Figure BDA0003544765270000029
当δ(t)=0时,第l个接入点接收到的来自所有传感器的传输信号表示为
Figure BDA0003544765270000031
其中
Figure BDA0003544765270000032
表示信道中的加性高斯噪声,ρu表示第k个传感器的最大发射功率,
Figure BDA0003544765270000033
代表第k个传感器的能量控制系数,其约束条件为:
Figure BDA0003544765270000034
上行数据传输的信噪比表示为
Figure BDA0003544765270000035
那么,时隙t内第k个传感器的可达速率表示为:
Figure BDA0003544765270000036
第k个传感器在时隙t内用于上行数据传输的能量消耗为:
Figure BDA0003544765270000037
其中
Figure BDA0003544765270000038
表示第k个传感器的电池剩余电量在时隙t的初始状态,时隙间的迭代公式为
Figure BDA0003544765270000039
其中,bmax代表传感器电池的最大容量,为了确保系统正常运行,需要设定传感器正常工作电量不能低于设定值b0,即
Figure BDA00035447652700000310
以最大化时间平均传输速率最小的用户的速率,即
Figure BDA00035447652700000311
s.t.(1),(2),(3),(4),(6),(9),(11) (12)
其中P(t)={δ(t),a(t),W(t)(t)(t)}。
(2)长期李雅普诺夫优化方法
第一步:长期调度约束条件的构造
P1的优化问题是一个无穷范围内的最大化最小值问题,很难直接求解。引入一个辅助变量r(t),满足
0≤r(t)≤rmax (13)
rmax为当不考虑其他干扰时,所有传感器达到的最大速率,满足
Figure BDA00035447652700000312
并将约束(11)放宽为长期约束
Figure BDA0003544765270000041
定义队列
Figure BDA0003544765270000042
Figure BDA0003544765270000043
Figure BDA0003544765270000044
约束(14)和(15)看做是上述两个队列是长期稳定的,即
Figure BDA0003544765270000045
Figure BDA0003544765270000046
那么,问题P1可以重新写为
Figure BDA0003544765270000047
s.t.(1),(2),(3),(4),(6),(9),(13),(16),(17) (18)
第二步:李雅普诺夫问题的求解
定义二次李雅普诺夫函数
Figure BDA0003544765270000048
以及李雅普诺夫漂移变量Δ(t)=L(t+1)-L(t)。当漂移达到最小值时,队列将更趋向于达到最稳定的状态,由于长期调度约束(16)和(17),优化问题P2可以被视为最大化
Figure BDA0003544765270000049
和保持队列稳定之间的权衡,即
Figure BDA00035447652700000410
其中W是预设的权衡系数,根据李雅普诺夫函数的性质,经过简单放缩变换,得到优化目标函数:
Figure BDA00035447652700000411
优化问题写为:
Figure BDA00035447652700000412
s.t.(1),(2),(3),(4),(6),(9),(13) (21)
(3)分时隙的联合交替优化策略
第一步:求解r(t)
Figure BDA0003544765270000051
第二步:求解δ(t)
分时隙进行第四步联合求解,分δ(t)=1和δ(t)=0两种情况分别得到目标函数值Q1和Q2,选择函数值较大的一种情况进行选择;
第三步:求解a(t)
当δ(t)=1时,将Xk(t)最大的Ka个传感器的状态设为1,其余设为0;当δ(t)=0时,将Yk(t)最大的Ka个传感器的状态设为1,其余设为0;
第四步:联合求解W(t)(t)(t)
假设δ(t)=1,
Figure BDA0003544765270000052
优化问题P3写为
Figure BDA0003544765270000053
Figure BDA0003544765270000054
Figure BDA0003544765270000055
这是一个包含W(t)和Θ(t)两个变量的非凸问题,可以通过固定一个变量求解另一个变量的方法求解。
a)固定Θ(t)求解W(t)
Figure BDA0003544765270000056
其中
Figure BDA0003544765270000057
由于函数g1(W(t))对于W(t)是非凸的,用一次泰勒展开[ 4]近似求解:
Figure BDA0003544765270000058
Figure BDA0003544765270000059
其中
Figure BDA00035447652700000510
b)固定W(t)求解Θ(t)
定义辅助变量θ(t)=Θ(t)1RM,那么Θ(t)=diag(θ(t)),求解θ(t)然后可以直接得到Θ(t),目标函数
Figure BDA0003544765270000061
化为关于θ(t)的非凸函数,用一次泰勒展开[4]近似求解:
Figure BDA0003544765270000062
Figure BDA0003544765270000063
对两个变量分别固定一个求解另一个,交替进行,并得到每次优化变量
Figure BDA0003544765270000064
的值,不断迭代直到
Figure BDA0003544765270000065
的值保持收敛,并记录为Q1
Figure BDA0003544765270000066
优化问题P3写为
Figure BDA0003544765270000067
Figure BDA0003544765270000068
Figure BDA0003544765270000069
Figure BDA00035447652700000610
这是一个包含ξ(t)和Θ(t)两个变量的非凸问题,通过固定一个变量求解另一个变量的方法求解:
a)固定Θ(t)求解ξ(t)
优化问题写成
Figure BDA00035447652700000611
Figure BDA00035447652700000612
Figure BDA00035447652700000613
Figure BDA00035447652700000614
其中
Figure BDA00035447652700000615
对于变量ξ(t),使用拉格朗日变换,添加辅助变量将函数g3(t))从对数中解耦,得到一个典型的分数规划问题,利用分数规划进行求解;
b)固定ξ(t)求解Θ(t)
优化问题
Figure BDA0003544765270000071
其中
Figure BDA0003544765270000072
采用分数规划方法,并使用辅助变量θ(t)=Θ(t)1RM,将问题转化为求解一个QCQP问题:
Figure BDA0003544765270000073
Figure BDA0003544765270000074
使用matlab中的CVX工具箱求解θ(t),并进一步解出Θ(t)
对两个变量分别固定一个求解另一个,交替进行,并得到每次优化变量
Figure BDA0003544765270000075
的值,不断迭代直到
Figure BDA0003544765270000076
的值保持收敛,并记录为Q2
详细步骤如下:
第一步:初始化Xk(0)=0,Yk(0)=0,bk (0)=b0
第二步:根据公式(22)求解r(t)
第三步:根据Xk(t)和Yk(t)分别求解a(t),记为aX (t)和aY (t)
第四步:a)假设δ(t)=1,初始化Θ0 (t)
b)固定Θ(t),根据公式(25)求解W(t)
c)固定W(t),根据公式(27)求解Θ(t)
d)循环迭代b)和c),直到
Figure BDA0003544765270000077
的值保持收敛,记录为Q1
第五步:a)假设δ(t)=0,初始化Θ0 (t)
b)固定Θ(t),根据公式(29)求解ξ(t)
c)固定ξ(t),根据公式(31)求解Θ(t)
d)循环迭代b)和c),直到
Figure BDA0003544765270000078
的值保持收敛,记录为Q2
第六步:若Q1≥Q2,δ(t)=1,否则δ(t)=0;
第七步:t=t+1,返回第二步。
本发明的特点及有益效果是:
1.通过对本发明的仿真实验,得到的系统最小时间平均可达速率相较[4]中的方案有了较大提升,如图3所示。
2.本发明实现了所有传感器时间平均剩余电量的基本稳定,且基本高于预设最小工作电量,如图4所示。
附图说明:
图1系统模型。
图2信道模型。
图3仿真实验,得到的系统最小时间平均收效示意图。
图4实现所有传感器时间平均剩余电量的基本稳定效果示意图。
图5本发明流程图。
具体实施方式
本发明提出了一种针对智能反射面辅助的无蜂窝大规模MIMO网络的长期调度和功率控制方法,来提升网络中最小时间平均可达速率,以提升网络容量。本发明在无蜂窝大规模MIMO网络容量优化算法的基础上,结合智能反射面和无蜂窝大规模MIMO网络的特点,在李雅普诺夫优化算法的基础上,对网络中接入点的波束成形和传感器的能量控制算法进行改进,创新点主要有:
(1)为了进一步提升无蜂窝大规模MIMO的网络容量,本发明在无线供电的无蜂窝物联网方案基础上提出了智能反射面辅助无线供电的无蜂窝物联网模型,使用李雅普诺夫优化方法解决每个时隙的传输模式和功率控制系数求解,进一步提高最小时间平均可实现速率;
(2)利用拉格朗日对偶变换和分数规划解耦方法,交替解决复杂的非凸优化问题,实现接入点基站主动波束成形和智能反射面无源元件被动波束成形的联合优化方案。
本发明在无线供电的无蜂窝物联网方案基础上提出了一种针对智能反射面辅助的无蜂窝大规模MIMO网络的长期调度和功率控制方法,包括下列步骤:
(1)建立系统模型和问题描述,方法如下:
第一步:建立系统模型
一个无蜂窝大规模MIMO网络中,配置R个智能反射面(Intelligent ReflectionSurface,IRSs),同时系统中分布着L个接入点(Accessible Points,APs)和K个单天线的无线传感器用户,如图1所示。所有接入点都通过无损耗的回程网络与一个具有无限算力的中心处理器(Central Processing Unit,CPU)相连。每个智能反射面上分布着M个反射单元,并由中心处理器通过无线方式控制。
假设优化算法总的持续时间为T个时隙,对于每个时隙t,有Ka个传感器处于活跃状态,传感器活跃系数
Figure BDA0003544765270000081
定义传输模式符号
δ(t)∈{0,1},t=0,1,2,…,T (33)
当δ(t)=1时,传感器进行下行的无线能量转换(Wireless Power Transfer,WPT),当δ(t)=0时,传感器进行上行的数据传输。
如图2所示,第l个接入点和第k个传感器之间的信道,可以表示为从接入点到传感器的信道和接入点-智能反射面-传感器的信道的叠加,即
Figure BDA0003544765270000082
其中
Figure BDA0003544765270000083
表示时隙t中第r个智能反射面上的相移矩阵,约束条件
Figure BDA0003544765270000084
第二步:问题描述
当δ(t)=1时,传感器进行下行的无线能量转换。第k个传感器在本阶段接收到的信号可以表示为
Figure BDA0003544765270000091
其中
Figure BDA0003544765270000092
表示从第l个接入点到第k个传感器的波束成形向量,
Figure BDA0003544765270000093
表示加性高斯噪声。第l个接入点发射信号的能量约束为
Figure BDA0003544765270000094
那么第k个传感器收集到的能量可以表示为
Figure BDA0003544765270000095
当δ(t)=0时,第l个接入点接收到的来自所有传感器的传输信号可以表示为
Figure BDA0003544765270000096
其中
Figure BDA0003544765270000097
表示信道中的加性高斯噪声,ρu表示第k个传感器的最大发射功率,
Figure BDA0003544765270000098
代表第k个传感器的能量控制系数,其约束条件为
Figure BDA0003544765270000099
上行数据传输的信噪比可以表示为
Figure BDA00035447652700000910
那么,时隙t内第k个传感器的可达速率可以表示为
Figure BDA00035447652700000911
第k个传感器在时隙t内用于上行数据传输的能量消耗为
Figure BDA00035447652700000912
其中
Figure BDA00035447652700000913
表示第k个传感器的电池剩余电量在时隙t的初始状态,时隙间的迭代公式为
Figure BDA00035447652700000914
其中,bmax代表传感器电池的最大容量。为了确保系统正常运行,需要设定传感器正常工作电量不能低于设定值b0,即
Figure BDA00035447652700000915
在无蜂窝网络中最大化最小用户速率是有意义的[2]。本发明考虑了一个长期优化问题,以最大化时间平均传输速率最小的用户的速率,即
Figure BDA00035447652700000916
s.t.(1),(2),(3),(4),(6),(9),(11) (43)
其中P(t)={δ(t),a(t),W(t)(t)(t)}。
(2)长期李雅普诺夫优化方法
第一步:长期调度约束条件的构造
P1的优化问题是一个无穷范围内的最大化最小值问题,很难直接求解。引入一个辅助变量r(t),满足
0≤r(t)≤rmax (44)
rmax为当不考虑其他干扰时,假设所有传感器可以达到的最大速率,满足
Figure BDA0003544765270000101
并将约束(11)放宽为长期约束
Figure BDA0003544765270000102
定义队列
Figure BDA0003544765270000103
Figure BDA0003544765270000104
Figure BDA0003544765270000105
约束(14)和(15)可以看做是上述两个队列是长期稳定的,即
Figure BDA0003544765270000106
Figure BDA0003544765270000107
那么,问题P1可以重新写为
Figure BDA0003544765270000108
s.t.(1),(2),(3),(4),(6),(9),(13),(16),(17) (49)
第二步:李雅普诺夫问题的求解
定义二次李雅普诺夫函数
Figure BDA0003544765270000109
以及李雅普诺夫漂移变量Δ(t)=L(t+1)-L(t)。当漂移达到最小值时,队列将更趋向于达到最稳定的状态。由于长期调度约束(16)和(17),优化问题P2可以被视为最大化
Figure BDA00035447652700001010
和保持队列稳定之间的权衡,即
Figure BDA00035447652700001011
其中W是预设的权衡系数。根据李雅普诺夫函数的性质,经过简单放缩变换,得到优化目标函数
Figure BDA0003544765270000111
优化问题可以写为
Figure BDA0003544765270000112
s.t.(1),(2),(3),(4),(6),(9),(13) (52)
(3)分时隙的联合交替优化策略
第一步:求解
Figure BDA0003544765270000113
Figure BDA0003544765270000114
第二步:求解δ(t)
分时隙进行第四步联合求解,分δ(t)=1和δ(t)=0两种情况分别得到目标函数值Q1和Q2,选择函数值较大的一种情况进行选择。
第三步:求解a(t)
当δ(t)=1时,将Xk(t)最大的Ka个传感器的状态设为1,其余设为0;当δ(t)=0时,将Yk(t)最大的Ka个传感器的状态设为1,其余设为0。
第四步:联合求解W(t)(t)(t)
假设δ(t)=1,
Figure BDA0003544765270000115
优化问题P3可以写为
Figure BDA0003544765270000116
Figure BDA0003544765270000117
Figure BDA0003544765270000118
这是一个包含W(t)和Θ(t)两个变量的非凸问题,可以通过固定一个变量求解另一个变量的方法求解。
c)固定Θ(t)求解W(t)
Figure BDA0003544765270000119
其中
Figure BDA00035447652700001110
由于函数g1(W(t))对于W(t)是非凸的,可以用一次泰勒展开[4]近似求解:
Figure BDA0003544765270000121
Figure BDA0003544765270000122
其中
Figure BDA0003544765270000123
d)固定W(t)求解Θ(t)
定义辅助变量θ(t)=Θ(t)1RM,那么Θ(t)=diag(θ(t))。求解θ(t)然后可以直接得到Θ(t)。目标函数
Figure BDA0003544765270000124
可以化为关于θ(t)的非凸函数,用一次泰勒展开[4]近似求解:
Figure BDA0003544765270000125
Figure BDA0003544765270000126
对两个变量分别固定一个求解另一个,交替进行,并得到每次优化变量
Figure BDA0003544765270000127
的值,不断迭代直到
Figure BDA0003544765270000128
的值保持收敛,并记录为Q1
假设δ(t)=0,
Figure BDA0003544765270000129
优化问题P3可以写为
Figure BDA00035447652700001210
Figure BDA00035447652700001211
Figure BDA00035447652700001212
Figure BDA00035447652700001213
这是一个包含ξ(t)和Θ(t)两个变量的非凸问题,可以通过固定一个变量求解另一个变量的方法求解。
a)固定Θ(t)求解ξ(t)
优化问题可以写成
Figure BDA0003544765270000131
Figure BDA0003544765270000132
Figure BDA0003544765270000133
Figure BDA0003544765270000134
其中
Figure BDA0003544765270000135
对于变量ξ(t),这是一个典型的分数规划问题,利用分数规划[7]-[8]进行求解。具体可以使用拉格朗日变换[6],添加辅助变量将函数g3(t))从对数中解耦,得到一个典型的分数规划问题,利用分数规划[7]-[8]进行求解;
b)固定ξ(t)求解Θ(t)
优化问题
Figure BDA0003544765270000136
其中
Figure BDA0003544765270000137
采用分数规划方法[7]-[8],并使用辅助变量θ(t)=Θ(t)1RM,将问题转化为求解一个QCQP问题:
Figure BDA0003544765270000138
Figure BDA0003544765270000139
可以使用matlab中的CVX工具箱求解θ(t),并进一步解出Θ(t)
对两个变量分别固定一个求解另一个,交替进行,并得到每次优化变量
Figure BDA00035447652700001310
的值,不断迭代直到
Figure BDA00035447652700001311
的值保持收敛,并记录为Q2
本发明的一个实例具体步骤如下:
第一步:初始化Xk(0)=0,Yk(0)=0,bk (0)=b0
第二步:根据公式(22)求解r(t)
第三步:根据Xk(t)和Yk(t)分别求解a(t),记为aX (t)和aY (t)
第四步:a)假设δ(t)=1,初始化Θ0 (t)
b)固定Θ(t),根据公式(25)求解W(t)
c)固定W(t),根据公式(27)求解Θ(t)
d)循环迭代b)和c),直到
Figure BDA00035447652700001312
的值保持收敛,记录为Q1
第五步:a)假设δ(t)=0,初始化Θ0 (t)
b)固定Θ(t),根据公式(29)求解ξ(t)
c)固定ξ(t),根据公式(31)求解Θ(t)
d)循环迭代b)和c),直到
Figure BDA0003544765270000141
的值保持收敛,记录为Q2
第六步:若Q1≥Q2,δ(t)=1,否则δ(t)=0;
第七步:t=t+1,返回第二步。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
参考文献:
[1]S.Bi and R.Zhang,"Placement Optimization of Energy and InformationAccess Points in Wireless Powered Communication Networks,"in IEEETransactions on Wireless Communications,vol.15,no.3,pp.2351-2364,Mar.2016.
[2]H.Q.Ngo,A.Ashikhmin,H.Yang,E.G.Larsson and T.L.Marzetta,“Cell-freemassive MIMO versus small cells,"IEEE Transactions on WirelessCommunications,vol.16,no.3,pp.1834–1850,Mar.2017.
[3]Xinhua Wang,A.Ashikhmin,and Xiaodong Wang,“Wirelessly poweredcell-free IoT:analysis and optimization,"IEEE Internet of Things Journal,Doi:10.1109/JIOT.2020.2990378.2020.
[4]X.Wang,X.Wang and A.Ashikhmin,"Long-Term Scheduling and PowerControl for Wirelessly Powered Cell-Free IoT,"in IEEE Internet of ThingsJournal,vol.8,no.1,pp.332-344,1Jan.1,2021
[5]Y.-C.Liang,R.Long,Q.Zhang,J.Chen,H.V.Cheng,and H.Guo,“Largeintelligent surface/antennas(LISA):Making reflective radios smart,”arXivpreprint arXiv:1906.06578,Jun.2019.
[6]Z.Zhang and L.Dai,"A Joint Precoding Framework for WidebandReconfigurable Intelligent Surface-Aided Cell-Free Network,"in IEEETransactions on Signal Processing,vol.69,pp.4085-4101,2021.
[7]K.Shen and W.Yu,“Fractional programming for communicationsystems—Part I:Power control and beamforming,"IEEE Transactions on SignalProcessing,vol.66,no.10,pp.2616–2630,2018.
[8]K.Shen and W.Yu,“Fractional programming for communicationsystems—Part II:Uplink scheduling via matching,"IEEE Transactions on SignalProcessing,vol.66,no.10,pp.2631–2644,2018。

Claims (3)

1.一种智能反射面无蜂窝大规模MIMO网络容量优化方法,其特征是,建立智能反射面辅助无线供电的无蜂窝物联网模型,使用李雅普诺夫优化方法解决每个时隙的传输模式和功率控制系数求解,利用拉格朗日对偶变换和分数规划解耦方法,交替解决复杂的非凸优化问题,实现接入点基站主动波束成形和智能反射面无源元件被动波束成形的联合优化方案。
2.如权利要求1所述的智能反射面无蜂窝大规模MIMO网络容量优化方法,其特征是,具体步骤如下:
(1)建立系统模型和问题描述,方法如下:
第一步:建立系统模型
一个无蜂窝大规模MIMO网络中,配置R个智能反射面IRSs,同时系统中分布着L个接入点APs和K个单天线的无线传感器用户,所有接入点都通过无损耗的回程网络与一个中心处理器CPU相连,每个智能反射面上分布着M个反射单元,并由中心处理器通过无线方式控制,其中,优化算法总的持续时间为T个时隙,对于每个时隙t,有Ka个传感器处于活跃状态,传感器活跃系数:
Figure FDA0003544765260000011
定义传输模式符号
δ(t)∈{0,1},t=0,1,2,…,T (2)
当δ(t)=1时,传感器进行下行的无线能量转换WPT,当δ(t)=0时,传感器进行上行的数据传输;
第l个接入点和第k个传感器之间的信道,表示为从接入点到传感器的信道和接入点-智能反射面-传感器的信道的叠加,即
Figure FDA0003544765260000012
其中
Figure FDA0003544765260000013
Figure FDA0003544765260000014
表示时隙t中第r个智能反射面上的相移矩阵,约束条件
Figure FDA0003544765260000015
第二步:问题描述
当δ(t)=1时,传感器进行下行的无线能量转换,第k个传感器在本阶段接收到的信号可以表示为
Figure FDA0003544765260000016
其中
Figure FDA0003544765260000017
表示从第l个接入点到第k个传感器的波束成形向量,
Figure FDA0003544765260000018
表示加性高斯噪声,第l个接入点发射信号的能量约束为
Figure FDA0003544765260000019
那么第k个传感器收集到的能量表示为:
Figure FDA00035447652600000110
当δ(t)=0时,第l个接入点接收到的来自所有传感器的传输信号表示为
Figure FDA0003544765260000021
其中
Figure FDA0003544765260000022
表示信道中的加性高斯噪声,ρu表示第k个传感器的最大发射功率,
Figure FDA0003544765260000023
代表第k个传感器的能量控制系数,其约束条件为:
Figure FDA0003544765260000024
上行数据传输的信噪比表示为
Figure FDA0003544765260000025
那么,时隙t内第k个传感器的可达速率表示为:
Figure FDA0003544765260000026
第k个传感器在时隙t内用于上行数据传输的能量消耗为:
Figure FDA0003544765260000027
其中
Figure FDA0003544765260000028
表示第k个传感器的电池剩余电量在时隙t的初始状态,时隙间的迭代公式为
Figure FDA0003544765260000029
其中,bmax代表传感器电池的最大容量,为了确保系统正常运行,需要设定传感器正常工作电量不能低于设定值b0,即
Figure FDA00035447652600000210
以最大化时间平均传输速率最小的用户的速率,即
Figure FDA00035447652600000211
s.t.(1),(2),(3),(4),(6),(9),(11) (12)
其中P(t)={δ(t),a(t),W(t)(t)(t)}
(2)长期李雅普诺夫优化方法
第一步:长期调度约束条件的构造
P1的优化问题是一个无穷范围内的最大化最小值问题,引入一个辅助变量r(t),满足
0≤r(t)≤rmax (13)
rmax为当不考虑其他干扰时,所有传感器达到的最大速率,满足
Figure FDA00035447652600000212
并将约束(11)放宽为长期约束
Figure FDA0003544765260000031
定义队列
Figure FDA0003544765260000032
Figure FDA0003544765260000033
Figure FDA0003544765260000034
约束(14)和(15)看做是上述两个队列是长期稳定的,即
Figure FDA0003544765260000035
Figure FDA0003544765260000036
那么,问题P1可以重新写为
Figure FDA0003544765260000037
s.t.(1),(2),(3),(4),(6),(9),(13),(16),(17)(18)
第二步:李雅普诺夫问题的求解
定义二次李雅普诺夫函数
Figure FDA0003544765260000038
以及李雅普诺夫漂移变量Δ(t)=L(t+1)-L(t),当漂移达到最小值时,队列将更趋向于达到最稳定的状态,由于长期调度约束(16)和(17),优化问题P2可以被视为最大化
Figure FDA0003544765260000039
和保持队列稳定之间的权衡,即
Figure FDA00035447652600000310
其中W是预设的权衡系数,根据李雅普诺夫函数的性质,经过简单放缩变换,得到优化目标函数:
Figure FDA00035447652600000311
优化问题写为:
Figure FDA00035447652600000312
s.t.(1),(2),(3),(4),(6),(9),(13)(21)
(3)分时隙的联合交替优化策略
第一步:求解r(t)
Figure FDA0003544765260000041
第二步:求解δ(t)
分时隙进行第四步联合求解,分δ(t)=1和δ(t)=0两种情况分别得到目标函数值Q1和Q2,选择函数值较大的一种情况进行选择;
第三步:求解a(t)
当δ(t)=1时,将Xk(t)最大的Ka个传感器的状态设为1,其余设为0;当δ(t)=0时,将Yk(t)最大的Ka个传感器的状态设为1,其余设为0;
第四步:联合求解W(t)(t)(t)
假设δ(t)=1,
Figure FDA0003544765260000042
优化问题P3写为
Figure FDA0003544765260000043
Figure FDA0003544765260000044
Figure FDA0003544765260000045
这是一个包含W(t)和Θ(t)两个变量的非凸问题,可以通过固定一个变量求解另一个变量的方法求解;
a)固定Θ(t)求解W(t)
Figure FDA0003544765260000046
其中
Figure FDA0003544765260000047
由于函数g1(W(t))对于W(t)是非凸的,用一次泰勒展开[4]近似求解:
Figure FDA0003544765260000048
Figure FDA0003544765260000049
其中
Figure FDA00035447652600000410
b)固定W(t)求解Θ(t)
定义辅助变量θ(t)=Θ(t)1RM,那么Θ(t)=diag(θ(t)),求解θ(t)然后可以直接得到Θ(t),目标函数
Figure FDA0003544765260000051
化为关于θ(t)的非凸函数,用一次泰勒展开[4]近似求解:
Figure FDA0003544765260000052
Figure FDA0003544765260000053
对两个变量分别固定一个求解另一个,交替进行,并得到每次优化变量
Figure FDA0003544765260000054
的值,不断迭代直到
Figure FDA0003544765260000055
的值保持收敛,并记录为Q1
δ(t)=0,
Figure FDA0003544765260000056
优化问题P3写为
Figure FDA0003544765260000057
Figure FDA0003544765260000058
Figure FDA0003544765260000059
Figure FDA00035447652600000510
这是一个包含ξ(t)和Θ(t)两个变量的非凸问题,通过固定一个变量求解另一个变量的方法求解:
a)固定Θ(t)求解ξ(t)
优化问题写成
Figure FDA00035447652600000511
Figure FDA00035447652600000512
Figure FDA00035447652600000513
Figure FDA00035447652600000514
其中
Figure FDA00035447652600000515
对于变量ξ(t),使用拉格朗日变换,添加辅助变量将函数g3(t))从对数中解耦,得到一个典型的分数规划问题,利用分数规划进行求解;
b)固定ξ(t)求解Θ(t)
优化问题
Figure FDA0003544765260000061
其中
Figure FDA0003544765260000062
采用分数规划方法,并使用辅助变量θ(t)=Θ(t)1RM,将问题转化为求解一个QCQP问题:
Figure FDA0003544765260000063
Figure FDA0003544765260000064
使用matlab中的CVX工具箱求解θ(t),并进一步解出Θ(t)
对两个变量分别固定一个求解另一个,交替进行,并得到每次优化变量
Figure FDA0003544765260000065
的值,不断迭代直到
Figure FDA0003544765260000066
的值保持收敛,并记录为Q2
3.如权利要求1所述的智能反射面无蜂窝大规模MIMO网络容量优化方法,其特征是,详细步骤如下:
第一步:初始化Xk(0)=0,Yk(0)=0,bk (0)=b0
第二步:根据公式(22)求解r(t)
第三步:根据Xk(t)和Yk(t)分别求解a(t),记为aX (t)和aY (t)
第四步:a)假设δ(t)=1,初始化Θ0 (t)
b)固定Θ(t),根据公式(25)求解W(t)
c)固定W(t),根据公式(27)求解Θ(t)
d)循环迭代b)和c),直到
Figure FDA0003544765260000067
的值保持收敛,记录为Q1
第五步:a)假设δ(t)=0,初始化Θ0 (t)
b)固定Θ(t),根据公式(29)求解ξ(t)
c)固定ξ(t),根据公式(31)求解Θ(t)
d)循环迭代b)和c),直到
Figure FDA0003544765260000068
的值保持收敛,记录为Q2
第六步:若Q1≥Q2,δ(t)=1,否则δ(t)=0;
第七步:t=t+1,返回第二步。
CN202210246227.9A 2022-03-14 2022-03-14 智能反射面无蜂窝大规模mimo网络容量优化方法 Pending CN114629535A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210246227.9A CN114629535A (zh) 2022-03-14 2022-03-14 智能反射面无蜂窝大规模mimo网络容量优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210246227.9A CN114629535A (zh) 2022-03-14 2022-03-14 智能反射面无蜂窝大规模mimo网络容量优化方法

Publications (1)

Publication Number Publication Date
CN114629535A true CN114629535A (zh) 2022-06-14

Family

ID=81902397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210246227.9A Pending CN114629535A (zh) 2022-03-14 2022-03-14 智能反射面无蜂窝大规模mimo网络容量优化方法

Country Status (1)

Country Link
CN (1) CN114629535A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115002884A (zh) * 2022-06-29 2022-09-02 中国电信股份有限公司 一种面向无蜂窝网络的接入点关断方法及装置
CN115278728A (zh) * 2022-06-23 2022-11-01 重庆邮电大学 能量收集无线通信系统中发送功率、调制阶数和编码码率在线联合控制方法
CN115767703A (zh) * 2022-11-09 2023-03-07 哈尔滨工业大学(深圳) 面向swipt辅助去蜂窝大规模mimo网络的长期功率控制方法
CN116582208A (zh) * 2023-07-12 2023-08-11 南京邮电大学 一种ris辅助的空间相关去蜂窝大规模mimo系统优化方法
CN116865798A (zh) * 2023-07-06 2023-10-10 河北大学 高速铁路去蜂窝大规模mimo系统的智能超表面相移方法
CN117042162A (zh) * 2023-10-09 2023-11-10 中国移动紫金(江苏)创新研究院有限公司 通信方法、装置、反射平面、计算系统、增强器及中继器
CN117640409A (zh) * 2024-01-25 2024-03-01 广东广宇科技发展有限公司 一种基于智能反射面通讯的优化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108183733A (zh) * 2018-01-03 2018-06-19 中山大学 基于李雅普诺夫理论的在线noma多天线系统的波束成形优化方法
CN108306666A (zh) * 2018-01-17 2018-07-20 中山大学 基于李雅普诺夫算法的在线noma多天线系统的波束成形优化方法
CN113068262A (zh) * 2021-03-25 2021-07-02 电子科技大学 基于智能反射面辅助上行系统的动态资源分配方法
CN113078929A (zh) * 2021-03-18 2021-07-06 东南大学 网络辅助全双工无蜂窝大规模mimo双工模式优化方法
CN113179109A (zh) * 2021-04-26 2021-07-27 南京盛航海运股份有限公司 一种去蜂窝大规模mimo上行频谱效率优化方法
CN113709687A (zh) * 2021-08-23 2021-11-26 郑州大学 一种智能反射面辅助的无线传感器网络的资源分配方法
CN113708818A (zh) * 2021-08-19 2021-11-26 郑州大学 一种智能反射面辅助的fdma通信系统的资源分配方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108183733A (zh) * 2018-01-03 2018-06-19 中山大学 基于李雅普诺夫理论的在线noma多天线系统的波束成形优化方法
CN108306666A (zh) * 2018-01-17 2018-07-20 中山大学 基于李雅普诺夫算法的在线noma多天线系统的波束成形优化方法
CN113078929A (zh) * 2021-03-18 2021-07-06 东南大学 网络辅助全双工无蜂窝大规模mimo双工模式优化方法
CN113068262A (zh) * 2021-03-25 2021-07-02 电子科技大学 基于智能反射面辅助上行系统的动态资源分配方法
CN113179109A (zh) * 2021-04-26 2021-07-27 南京盛航海运股份有限公司 一种去蜂窝大规模mimo上行频谱效率优化方法
CN113708818A (zh) * 2021-08-19 2021-11-26 郑州大学 一种智能反射面辅助的fdma通信系统的资源分配方法和装置
CN113709687A (zh) * 2021-08-23 2021-11-26 郑州大学 一种智能反射面辅助的无线传感器网络的资源分配方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115278728A (zh) * 2022-06-23 2022-11-01 重庆邮电大学 能量收集无线通信系统中发送功率、调制阶数和编码码率在线联合控制方法
CN115002884A (zh) * 2022-06-29 2022-09-02 中国电信股份有限公司 一种面向无蜂窝网络的接入点关断方法及装置
CN115002884B (zh) * 2022-06-29 2024-02-06 中国电信股份有限公司 一种面向无蜂窝网络的接入点关断方法及装置
CN115767703A (zh) * 2022-11-09 2023-03-07 哈尔滨工业大学(深圳) 面向swipt辅助去蜂窝大规模mimo网络的长期功率控制方法
CN115767703B (zh) * 2022-11-09 2023-08-15 哈尔滨工业大学(深圳) 面向swipt辅助去蜂窝大规模mimo网络的长期功率控制方法
CN116865798B (zh) * 2023-07-06 2024-01-05 河北大学 高速铁路去蜂窝大规模mimo系统的智能超表面相移方法
CN116865798A (zh) * 2023-07-06 2023-10-10 河北大学 高速铁路去蜂窝大规模mimo系统的智能超表面相移方法
CN116582208B (zh) * 2023-07-12 2023-09-12 南京邮电大学 一种ris辅助的空间相关去蜂窝大规模mimo系统优化方法
CN116582208A (zh) * 2023-07-12 2023-08-11 南京邮电大学 一种ris辅助的空间相关去蜂窝大规模mimo系统优化方法
CN117042162A (zh) * 2023-10-09 2023-11-10 中国移动紫金(江苏)创新研究院有限公司 通信方法、装置、反射平面、计算系统、增强器及中继器
CN117042162B (zh) * 2023-10-09 2023-12-26 中国移动紫金(江苏)创新研究院有限公司 通信方法、装置、反射平面、计算系统、增强器及中继器
CN117640409A (zh) * 2024-01-25 2024-03-01 广东广宇科技发展有限公司 一种基于智能反射面通讯的优化方法
CN117640409B (zh) * 2024-01-25 2024-04-19 广东广宇科技发展有限公司 一种基于智能反射面通讯的优化方法

Similar Documents

Publication Publication Date Title
CN114629535A (zh) 智能反射面无蜂窝大规模mimo网络容量优化方法
Gong et al. Backscatter relay communications powered by wireless energy beamforming
Tran et al. RF wireless power transfer: Regreening future networks
Yazdan et al. Energy-efficient massive MIMO: Wireless-powered communication, multiuser MIMO with hybrid precoding, and cloud radio access network with variable-resolution ADCs
CN108923898B (zh) 硬件损伤下无线能量传输的大规模mimo系统能效优化方法
CN113114343B (zh) 一种多波束卫星的高能效智能动态波束成形方法
CN112332548A (zh) 一种无线能量传输方法及系统
CN113709687A (zh) 一种智能反射面辅助的无线传感器网络的资源分配方法
Sansoy et al. Empowering wireless sensor networks with RF energy harvesting
López et al. Energy-sustainable iot connectivity: Vision, technological enablers, challenges, and future directions
CN111446992A (zh) 无线供电大规模mimo网络中的最大化最小能效资源分配方法
Lyu et al. Optimizing the age of information in RIS-aided SWIPT networks
Zheng et al. Zero-energy device networks with wireless-powered RISs
CN113518357B (zh) 一种无源物联网的中继方法
Gong et al. Throughput maximization for asynchronous RIS-aided hybrid powered communication networks
Jalali et al. Power-efficient joint resource allocation and decoding error probability for multiuser downlink MISO with finite block length codes
Cho et al. IRS-aided energy efficient UAV communication
CN114845363B (zh) 一种反射面辅助的低功耗数据卸载方法及系统
Parida et al. Wireless powered microwave and mmwave based communication networks-a survey
CN115767703A (zh) 面向swipt辅助去蜂窝大规模mimo网络的长期功率控制方法
Rezaei et al. Optimal and near-optimal policies for wireless power transfer in energy-limited and power-limited scenarios
Yang et al. RIS-aided constant-envelope beamforming for multiuser wireless power transfer: A max-min approach
Lari Transmission delay minimization in wireless powered communication systems
Pitchai Maximizing energy efficiency using Dinklebach’s and particle swarm optimization methods for energy harvesting wireless sensor networks
Syam et al. Energy-efficient intelligent reflecting surface aided wireless-powered IIoT networks

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