近年来,随着移动数据需求的爆炸式增长,现有移动通信系统难以满足未来的发展需求,第五代移动通信系统（5G）已经成为通信业和学术界研究的热点内容。5G技术以高速率、低延时、泛在网和低功耗等特性为研究目标,具有广阔的发展前景。相比于前几代移动通信系统,多样化的业务需求是5G技术所独有的特点。具体来说,5G网络不仅需要满足前几代移动通信系统的高速数据传输等基础功能,还要满足不同节点之间的稳定互联,包括所有智能家居设备的大规模接入,以及可穿戴设备间的通信连接等,最终的目标是实现万物互联。因此,5G技术的成熟和普及,将会极大推动物联网领域的发展。物联网是互联网的延伸和扩展,它将各种信息传感设备与互联网结合起来,可以实现在任何时间、任何地点,人、机、物的互联互通。作为物联网领域的一个分支,无线体域网可以应用于医疗健康、游戏娱乐、体育运动等领域,拥有广阔的应用前景。在无线体域网中,传感器设备主要部署于人体周围,用于采集和传输相关的生理信号,因此传感器的尺寸直接影响到使用者的体验。随着大规模集成电路的高速发展,微型化逐渐成为无线传感器设备的新趋势,这大大推动了无线体域网的发展。在传统的无线体域网中,传感器节点由自身配备的不可充电电池供电。由于传感器节点一般部署在人体表面,甚至植入人体内部,因此,频繁的更换电池需要较高的成本且不方便。随着无线能量收集技术的发展,无线供能体域网开始受到学者的广泛关注。无线供能体域网主要由三部分组成,分别是混合中继节点、传感器节点以及远程云端。混合中继节点一般由手持电子终端担任,如手机,智能手环等,它们同时负责无线能量的传输和传感数据的中转。传感器节点负责采集人体的生理数据并将其传输到混合中继节点,传感器具备无线能量收集技术,可以从混合中继节点收集能量。远程云端负责接收从混合中继节点传输来的传感数据,并对数据进行进一步的处理、分析和利用。由于每个传感器负责采集和传输人体不同位置的生理信号,因此网络中的传感器是异构的,具有不同的吞吐量需求,本论文也针对此异构无线供能体域网展开研究。在异构无线供能体域网中,由于传感器节点具备能量收集技术,传感器节点的可用能量不再受自身电池容量的约束。然而,作为能量源的混合中继节点的能量却是有限的。因此,为了延长混合中继节点持续运行时间,提升用户的使用体验,需要在满足所有传感器的吞吐量需求的条件下,最小化网络的总体能量消耗。由于不同的应用场景对系统数据传输时延的要求不同,本文根据数据传输时延要求是否严格,分别建立了静态模型和动态模型,用于研究在不同场景下无线供能体域网的总体能量消耗最小化问题。此外,传感器网络异构性、电路能耗以及传输功率限制等约束条件都被考虑在内。根据文献调研,本论文是首次针对此类场景下的此类问题进行研究。在静态模型中,不同时隙间的决策独立不相关,即当前时隙中的决策不会受前面时隙决策的影响,同时也不会对后续时隙中的决策产生影响。静态模型适用于数据传输延时要求比较严格的场景,如医疗健康或游戏娱乐等应用领域。在这类场景中,要求传感器在当前时隙采集的数据,必须在当前时隙内全部传输至混合中继节点。因此,由于当前时隙的数据不会遗留至后续时隙,当前时隙内的资源分配结果不会对后续时隙中的资源分配结果产生影响。在该静态模型下,只需提出方案优化单个时隙内的系统性能即可,该方案可应用于所有的时隙。与静态模型相反,在动态模型中,当前时隙中的决策会受前面时隙决策的影响,同时也会对后续时隙中的决策产生影响。动态模型适用于数据传输延时要求不高的场景,如体育运动等领域。在这类场景中,每个传感器都配备数据缓存,用于存储采集的生理数据。因此,传感器在当前时隙采集的人体生理数据,可以存储于数据缓存中,并在后续的时隙中传输至混合中继节点。在此类场景中,不能再仅仅关注某一个时隙内的系统性能,而是需要关注系统长期平均的性能。在静态模型的场景中,本文在传感器无电池和配备电池两种场景下,分别研究了异构无线供能体域网中能量消耗最小化的静态优化问题,并基于凸优化技术提出了相应的资源分配方案进行求解。无电池场景适用于传感器尺寸受限的异构无线供能体域网,如需要植入人体内部的传感器设备。在该场景下,传感器在每个时隙内先从混合中继节点收集能量,之后再使用收集的能量进行生理信号的传输。为了避免能量的浪费,传感器需要在每个时隙中耗尽收集到的所有能量。本文通过理论推导证明了所提出的优化问题是凸优化问题,因此,通过引入障碍函数,该问题可以使用内点法进行求解。然而,当使用内点法进行求解时,需要迭代更新原始解和对偶解几十次甚至数百次才能得到原问题的最优解,因此算法的计算复杂度较高。为了降低计算复杂度,本文根据待求解问题的特征,提出了一种低复杂度的时间分配方案。该方案将梯度下降法和二分搜索法相结合,对优化问题进行求解。具体来说,本文首先利用梯度下降法确定最优解的可行集区间。然后,利用二分搜索法从可行集中寻找最优解。与内点法相比,在得到的最优解相同的情况下,本文提出的方案具有更低的计算复杂度。对于传感器配备电池的场景,每个传感器配备有电池用于存储从混合中继节点获得的能量。在该场景下,所提出的能量消耗最优化问题是非凸的。本文通过引入辅助变量将非凸优化问题转化为等价的凸优化问题,在此基础上,提出了一种基于拉格朗日对偶次梯度法的时间和功率联合分配方案,该方法可以对转化后的凸优化问题进行有效的求解。与无电池场景相比,传感器配备电池场景中系统的能量消耗和中断概率都有所降低。此外,对于上述两种场景,本文还考虑了由于信道条件过差或吞吐量需求过高等因素导致的待优化问题最优解的可行集为空的特殊情况,并基于梯度下降法给出了相应的判断方式与解决方案。最后,仿真结果证实了在两种场景下,本文所提出的资源分配方案都可以最小化异构无线传感器网络的能量消耗。在动态模型的场景中,本论文研究了异构无线供能体域网中长期平均能量消耗最小化的动态优化问题,并基于李雅普诺夫优化框架提出了时间和功率联合分配方案求解此问题。在该场景下,为了保障网络的持续运行,本文将传感器的长期平均剩余电量作为约束考虑在内。本文使用数据缓存的长期平均长度表示数据的长期平均传输时延,通过引入虚拟队列,将电池剩余能量的长期平均约束转换成了虚拟队列的稳定性约束。利用李雅普诺夫优化框架,本文将原始的动态优化问题转化为等效的只涉及当前时刻的静态优化问题。同时,通过引入的系统控制参数(1,可以调节系统长期能量消耗与数据长期传输时延的关系,以适应不同应用场景下的不同需求。然而,由此转换得到的静态优化问题是非凸的。为了求解该非凸优化问题,本文通过引入辅助变量,将非凸优化问题转化为凸优化问题,并使用标准的凸优化技术进行求解。在本文提出的时间和功率联合分配方案中,传感器的长期剩余能量可以根据不同场景的需求设定为不同的值。同时,在任意传输时延下,网络的长期能量消耗都可以达到最优值。此外,为了从理论上揭示长期能量消耗与传输时延的权衡关系,本文进一步推导了长期能量消耗和数据缓存长度的理论上界。根据推导得出的上界表达式,可以得到网络的长期能量消耗与系统控制参数(1成反比,而长期数据缓存长度与参数(1成正比的结论。根据长期平均时延与长期数据缓存长度的等价性,本论文最终得出系统长期能量消耗和传输时延的权衡关系为[(1?（1）,(（1）]的结论。通过调节系统控制参数(1的值,可以获得不同的系统能量消耗和数据传输延迟,体现了本论文所提出方案的灵活性和普适性。最后,仿真结果进一步验证了理论分析的正确性以及所提出的资源分配方案的有效性。