论文部分内容阅读
随着无线网络技术的突破与互联网技术的深度融合,无线网络承载的业务已从简单的语音呼叫转变为复杂的混合服务(例如,音频,视频和数据)。一方面,由于延迟和误码率,保障用户的服务质量(Quality of Service,QoS)并非易事。另一方面,落后的频谱利用策略、严重的用户干扰、信道衰落和噪声等因素,使得资源利用率较低。因此,如何在确保用户QoS的同时提高资源利用率是一个研究热点。认知无线电网络(Cognitive Radio Network,CRN)的认知用户(Secondary User,SU)通过机会访问授权用户(Primary User,PU)的许可频谱,从而实现SU和PU频谱共享。CRN打破了静态频谱接入的限制,提高了频谱利用效率而备受业界的广泛关注。目前,围绕CRN的研究主要集中在网络资源的分配上。然而,无线电频谱访问的灵活性给CRN带来了新的挑战,同时也给各层通信协议的设计增加了复杂性。频谱分配与数据传输是CRN的关键技术,这些关键技术都需要消耗能量。对CRN这样的新兴通信方式而言,有效的资源分配方案、路由策略和能量持续性保障都至关重要。本文对能量受限和能量补给两个网络场景进行研究,并提出了相应的资源分配和路由选择算法以满足网络用户的QoS和能耗需求。
首先,针对能量受限的CRN资源分配优化问题,本文建立了在QoS、干扰温度和中断概率约束下的SU节点总速率最大化问题,但该问题是不易求解的混合整数非线性规划(Mixed Integer Non-Linear Programming,MINLP)问题。为此,优化问题被分为两个子优化问题:信道分配和功率控制。本文将信道分配子问题转换为0-1整数规划问题,提出一种基于遗传算法的信道分配算法(GACA)获得最优的信道分配策略。然而,功率控制优化问题是具有耦合约束的函数。为此,当SINR足够高时,通过引入几何规划(Geometric Programming,GP)和辅助变量将非凸转换为凸几何规划(Convex Geometric Programming,CGP)来获得最佳功率控制策略。当SINR为中低值时,使用单凝聚方法(SCM)的迭代算法来解决。根据信道状态信息(Channel State Information,CSI)的特点,本文设计了一个完美CSI(理想CSI)的最优解决方案和一个非完美CSI(非理想CSI)的次优解决方案。仿真结果表明,该算法在不同的CSI状态下都能取得较好的性能。
其次,为了解决CRN能量受限的短板,本文研究了CRN在具有能量补给(能量采集:Energy Harvesting,EH)环境下的功率控制优化问题。优化目标是通过分配最优功率来最大化系统容量,同时考虑干扰,SINR,节能和QoS保证。为解决非凸非线性规划优化问题,针对能量采集CRN(EH-CRN)的资源分配提出了基于强化学习(Reinforcement Learning,RL)的Q学习资源分配算法(QLRA-EHCRN)。通过理论分析和仿真实验,证明该算法可以有效提高系统容量,提高资源利用率,同时降低SU节点对PU节点的干扰,最大限度地提高系统传输速率。
再次,研究了解码转发CRN在具有能量补给通信场景中的路由问题。路由优化过程被建模为部分可观察Markov决策过程(Partially Observable Markov Decision Process,POMDP)。为了找到满足最大化传输速率和最小化能量消耗的路由策略,本文提出一种基于Q学习的能量采集路由算法(EHR-QL),用于多跳CRN路由的选择。数值仿真结果表明,该算法可以延长网络生命周期,提高平均吞吐量,降低平均端到端延迟。
最后,本文研究了放大转发CRN在具有能量补给通信场景中的资源分配和路由选择优化问题。为了提高数据传输的可靠性,本文给出中继节点选择步骤。本文还提出一种混合博弈论的路由和功率控制算法(HGRPC)来解决系统吞吐量最大路由选择优化问题。同一路径上的SU节点相互协作,不同路径上的SU节点相互竞争。通过选择最佳的下一跳节点,可以找到最大化吞吐量的最佳策略。实验结果表明,HGRPC具有更高的吞吐量,更长的网络寿命,更小的延迟和更低的能耗。
首先,针对能量受限的CRN资源分配优化问题,本文建立了在QoS、干扰温度和中断概率约束下的SU节点总速率最大化问题,但该问题是不易求解的混合整数非线性规划(Mixed Integer Non-Linear Programming,MINLP)问题。为此,优化问题被分为两个子优化问题:信道分配和功率控制。本文将信道分配子问题转换为0-1整数规划问题,提出一种基于遗传算法的信道分配算法(GACA)获得最优的信道分配策略。然而,功率控制优化问题是具有耦合约束的函数。为此,当SINR足够高时,通过引入几何规划(Geometric Programming,GP)和辅助变量将非凸转换为凸几何规划(Convex Geometric Programming,CGP)来获得最佳功率控制策略。当SINR为中低值时,使用单凝聚方法(SCM)的迭代算法来解决。根据信道状态信息(Channel State Information,CSI)的特点,本文设计了一个完美CSI(理想CSI)的最优解决方案和一个非完美CSI(非理想CSI)的次优解决方案。仿真结果表明,该算法在不同的CSI状态下都能取得较好的性能。
其次,为了解决CRN能量受限的短板,本文研究了CRN在具有能量补给(能量采集:Energy Harvesting,EH)环境下的功率控制优化问题。优化目标是通过分配最优功率来最大化系统容量,同时考虑干扰,SINR,节能和QoS保证。为解决非凸非线性规划优化问题,针对能量采集CRN(EH-CRN)的资源分配提出了基于强化学习(Reinforcement Learning,RL)的Q学习资源分配算法(QLRA-EHCRN)。通过理论分析和仿真实验,证明该算法可以有效提高系统容量,提高资源利用率,同时降低SU节点对PU节点的干扰,最大限度地提高系统传输速率。
再次,研究了解码转发CRN在具有能量补给通信场景中的路由问题。路由优化过程被建模为部分可观察Markov决策过程(Partially Observable Markov Decision Process,POMDP)。为了找到满足最大化传输速率和最小化能量消耗的路由策略,本文提出一种基于Q学习的能量采集路由算法(EHR-QL),用于多跳CRN路由的选择。数值仿真结果表明,该算法可以延长网络生命周期,提高平均吞吐量,降低平均端到端延迟。
最后,本文研究了放大转发CRN在具有能量补给通信场景中的资源分配和路由选择优化问题。为了提高数据传输的可靠性,本文给出中继节点选择步骤。本文还提出一种混合博弈论的路由和功率控制算法(HGRPC)来解决系统吞吐量最大路由选择优化问题。同一路径上的SU节点相互协作,不同路径上的SU节点相互竞争。通过选择最佳的下一跳节点,可以找到最大化吞吐量的最佳策略。实验结果表明,HGRPC具有更高的吞吐量,更长的网络寿命,更小的延迟和更低的能耗。