随着通信信息技术的快速发展,多种无线通信网络不断出现,并向着传输速率高速化、传输模式宽带化的方向发展,呈现明显的异构化格局。联合无线资源管理随之被提出,以完成多种网络的融合、协作、互补。此外,未来MBB(Mobile Broad Band,移动宽带)业务数目、业务形态与业务要求大量扩展,对网络业务承载能力提出较高的要求并超越了当前单一网络的承载能力,且由于网络管理方案对用户行为模型适配方面的不足,造成了基站设备大量部署、投资成本巨大等方面的问题,异构环境下基于多网络带宽分配策略及基于智能化的功率调节方案成为重要的研究方向。论文针对上述方向进行研究,构建了异构的网络部署场景,并提出以下方案：在对异构环境下的联合资源分配算法研究中,选择“多流并传”场景下的系统资源分配问题,并研究资源分配过程中兼顾用户体验保障与系统性能提升的算法方案,提出了异构多区域大范围覆盖网络边缘用户接入的公平性的概念。在此基础上,提出一种多区域、多业务条件下的多网络动态资源分配方案,通过多因素判决、效用函数、动态阈值等方法,实现了异构场景下用户QoS(Quality of Service,服务质量)公平性与网络系统性能的兼顾,并充分利用了无线接入网络的传输能力,仿真结果显示,在降低边缘用户接入阻塞率的基础上,实现系统资源的优化利用。算法实现简便,计算量小,调节有效,具有较高的可实用性。在对异构网络融合环境下多网络功率节约方案研究方面,提出了面向异构环境功率节约场景下多级别学习单元协作配置架构,定义了多级学习机的调度任务、调用模式,并对不同级别学习单元的交互信息等进行了定义。在此基础上,引入Q学习算法学习和适配用户行为模型,并结合功率节约问题中用户体验的保障问题,改进了Q学习算法的动作选择机制,并引入预测模型。此外论文引入神经网络算法提高了机器学习方案的泛化能力。数值仿真主要针对学习效果、节约功率性能、保障用户体验能力、节约功率原因分析等4方面的展开,仿真结果表明,所提算法和架构对用户模型具有较强的适配性,并有较好的功率节约性能,同时保障了用户的体验,随着学习过程的进行,学习的效果也显著提升,实现了算法设计的目的,具有较强的实用性。