CN103957530A - 基于图的超启发式的蜂窝网络频谱分配方法 - Google Patents
基于图的超启发式的蜂窝网络频谱分配方法 Download PDFInfo
- Publication number
- CN103957530A CN103957530A CN201410186159.7A CN201410186159A CN103957530A CN 103957530 A CN103957530 A CN 103957530A CN 201410186159 A CN201410186159 A CN 201410186159A CN 103957530 A CN103957530 A CN 103957530A
- Authority
- CN
- China
- Prior art keywords
- individual
- initial
- cellular network
- heuristic
- simulated annealing
- 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.)
- Granted
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出了一种基于图的超启发式的蜂窝网络的频谱分配方法,主要解决现有的蜂窝网络中频谱利用率低的问题。其实现步骤是:(1)将原有的蜂窝网络的干扰矩阵映射为一个有权图G;(2)根据蜂窝网络拓扑图和有权图G的特性,形成六种基于图的低层启发式方法;(3)根据这六种低层启发式方法的应用顺序生成启发式顺序编码串;(4)用模拟退火算法在这六种低层的启发式方法形成的空间对最优启发式顺序编码串进行迭代搜索,得到最优频谱分配结果。本发明能有效降低总的频谱数,提高频谱的使用效率,可用于无线通信。
Description
技术领域
本发明属于无线通信网络技术领域,主要涉及蜂窝无线网络中的频谱分配,可在满足干扰约束的条件下,使用尽可能少的频谱来满足每个蜂窝小区的频谱需求,从而节省频谱资源,提高频谱资源的利用率。
背景技术
在无线蜂窝网络中,网络所覆盖的整个区域可以被划分为一个个的小区,它们可以是六边形,正方形,圆形或者其它形状,基于节约设备构建成本的考虑,六边形是最好的选择。每一个小区中心都有一个基站和一定数目的移动终端设备,例如手机或者一些蜂窝工控设备。这些移动设备在本小区内通过基站进行彼此之间的通信。
在移动蜂窝网络中,总的可用带宽被分为一系列连续的信道。一个小区内的移动设备可以使用分配给本小区基站的信道。随着移动用户数目的急剧增长,现有的有限的频谱资源不能满足如此大量的信道需求。为了提高频谱利用率提出了信道复用技术,在满足一定的复用距离的条件下,同一个信道可以同时被两个不同的小区用户使用而不产生干扰。在蜂窝网络中,主要考虑三种干扰约束情况:
(1)共道干扰约束:小区距离小于最小信道复用距离的两个不同的小区不能同时使用相同的信道。
(2)邻道干扰约束:两个相邻的小区不能同时使用相邻的两个信道。
(3)同小区干扰约束:分配给同一小区内的移动用户的信道必须满足一定的最小间隔。
蜂窝网络中的信道分配问题的目标就是找到一个最优的信道分配策略,在不违反干扰约束条件下满足各个小区的频率需求,同时使用的总的信道数最小。随着网络规模的增加,寻找最优信道分配策略变得非常困难。
现有的求解信道分配方法基本上可以分为三类:
1)基于图论的方法:将蜂窝网络转化为一个图模型,同时把信道分配问题转化为传统的图着色问题去求解;
2)基于启发式的方法:包括遗传算法,免疫算法,模拟退火,禁忌搜索等;
3)基于神经网络的方法:并行神经网络,混沌神经网络等。
由于蜂窝网络中的频谱分配问题是一个多项式复杂程度的非确定性NP问题,随着网络规模和信道需求总数的增加,问题的复杂度呈指数增长。所以上述现有的求解方法对一些复杂问题的分配效果较差,频率资源利用率不高。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于图的超启发式蜂窝网络频谱分配方法,以在一些复杂的问题上,使用更少的频谱资源来满足网络的总需求,从而更好的提高频谱资源的利用率。
本发明的技术方案是:将认知网络的干扰矩阵映射成为一个有权图G,在图模型G中,每一个节点代表一个小区,每一条边所连接的两个节点代表这两个小区存在干扰约束,边上的权值代表着两个小区同时使用相同频率的最小复用距离;根据此有权图和原来的网络拓扑图形成6种低层的启发式,其实现步骤包括如下:
(1)将蜂窝网络的干扰矩阵表示为一个有权图G=(V,E,W),其中V为节点的集合,V={1,2,…,N},其中N为蜂窝网络中小区的数目,E为边的集合,W为边上的权重的集合;
(2)随机生成初始个体:A={L1,L2,…Li,…,LN},其中Li∈[1,6],代表根据第Li个低层启发式方法来选择第i个要进行频谱分配的节点;
(3)对初始个体A及其适应度值f(A)进行迭代更新,得到最终频谱分配结果:
(3a)计算初始个体A的适应度值f(A),并用计算结果表示频谱分配所需要的总的信道数;
(3b)设置初始的最优个体best为初始个体A,即best←A,初始的最优适应度值bestf等于f(A),即bestf=f(A);
(3c)设置当前迭代次数b=0,最大迭代次数为g;
(3d)设置当前模拟退火执行次数a=0;
(3e)对初始个体A执行模拟退火操作,在个体A上随机选择h个位置,其中h∈[1,N],并对这h个位置上的值依次在其取值范围内执行变异操作,操作完成后生成一个新的个体B;
(3f)计算新个体B的适应度值f(B);
(3g)判断新个体B的适应度值f(B)是否小于初始个体A的适应度值f(A),若是,则用新个体B更新初始个体A作为新的初始个体,即A←B,并对最优个体best,最优适应度值bestf同时进行更新,即:best←B,bestf=f(B);否则,以概率p=e-k/t接收新个体B作为新的初始个体,更新模拟退火执行次数a=a+1,其中k为模拟退火温度参数T更新前后的差值,t为模拟退火温度参数T的初始值;
(3h)判断模拟退火执行次数a是否大于4,若a大于4,则模拟退火过程完成,继续执行步骤(3i),否则,返回步骤(3e);
(3i)更新模拟退火中的温度参数T,同时更新当前迭代次数b=b+1;
(3j)判断当前迭代次数b是否小于最大迭代次数g,若是,则返回步骤(3d),否则,输出最优适应度值bestf为最终频谱分配结果。
本发明与现有技术相比具有以下优点:
本发明由于在设计频谱分配算法时,基于图理论中对节点特性的挖掘,形成了6种低层的启发式方法,并对其进行编码,将搜索空间转换为由低层的启发式方法构成的空间,在此空间中,用模拟退火方法搜索最优的启发式编码串,从而得到最优的频谱分配结果。这种基于图的超启发式方法与传统的启发式方法相比,可以获得更好的搜索结果,用更少的频率满足蜂窝网络对频谱的总需求,因而提高了频谱的利用率。
附图说明
图1是本发明的实现流程图;
图2是本发明实施例中蜂窝网络干扰矩阵映射的有权图;
图3是本发明仿真实验中小区规模为21的蜂窝网络拓扑图;
图4是本发明仿真实验中小区规模为55的蜂窝网络拓扑图;
具体实施方式
本发明的具体实施步骤,参照图1描述如下:
步骤1.将蜂窝网络的干扰矩阵表示为一个有权图G=(V,E,W),其中V为节点的集合,V={1,2,…,N},其中N为蜂窝网络中小区的数目,E为边的集合,W为边上的权重的集合。
本实施例主要针对一个具体的蜂窝网络进行频谱分配,该蜂窝网络的干扰矩阵为 干扰矩阵映射的有权图G如图2所示。图2中的4个节点分别代表蜂窝网络中4个不同的小区,即N=4,V={1,2,3,4};每条边所连接的两个节点表示这两个小区存在干扰约束,对应于干扰矩阵中元素不为零的位置,即E={e12,e24,e34+;边上的权值表示这两个节点同时使用某组频率而不产生干扰的最小频率间隔,W={w12,w24,w34}={4,1,2},该蜂窝网络的需求矩阵为D={1,1,1,3}。
步骤2.随机生成初始个体A。
随机生成初始个体A={L1,L2,…Li,…,LN},Li∈[1,6],其中Li=1表示选择度最大的节点;Li=2表示选择边的权重和最大的节点;Li=3表示选择信道总需求最大的节点;Li=4表示选择和已分配信道的节点冲突最小的节点;Li=5表示随机选择一个节点;Li=6表示选择和前一个已分配信道节点距离最远的节点;本实例生成的初始个体A为:A={3,2,2,4}。
步骤3.对初始个体A及其适应度值f(A)进行迭代更新,得到最终频谱分配结果。
3.1)计算初始个体A的适应度值f(A):
3.1.1)根据个体A第一个位置所表示的低层启发式方法即L1=3,在未分配节点集合Q={1,2,3,4}中选择频谱需求最大的节点,即节点4,进行频谱分配,分配结果为:f1={},f2={},f3={},f4={1,3,5},其中f1,f2,f3,f4分别表示分配给这四个节点的信道集合,并更新未分配节点集合为Q={1,2,3};
3.1.2)根据个体A第二个位置所表示的低层启发式方法即L2=2,在未分配节点集合Q={1,2,3}中选择权重最大的节点,即节点2,进行频谱分配,分配结果为:f1={},f2={2},f3={},f4={1,3,5},并更新未分配节点集合为Q={1,3};
3.1.3)根据个体A第三个位置所表示的低层启发式方法即L3=2,在未分配节点集合Q={1,3}中选择权重最大的节点,即节点1,进行频谱分配,分配结果为:f1={6},f2={2},f3={},f4={1,3,5},并更新未分配节点集合为Q={3};
3.1.4)根据个体A第四个位置所表示的低层启发式方法即L4=4,在未分配节点集合Q={3}中选择和已分配节点冲突最大的节点,即节点3,进行频谱分配,分配结果为:f1={6},f2={2},f3={7},f4={1,3,5};
3.1.5)4个节点所需的信道都被全部分配,使用的信道总数为7,则适应度值f(A)=7;
3.2)设置初始最优个体best为初始个体A,即best={3,2,2,4},初始最优适应度值bestf等于f(A),即bestf=7;
3.3)设置当前迭代次数b=0,最大迭代次数g=50;
3.4)设置当前模拟退火执行次数a=0;
3.5)对初始个体A执行模拟退火操作,生成新的个体B:
在个体A上随机选择h个位置,h∈[1,N],得到h=4,即对个体A这4个位置上的值依次在其取值范围内执行变异操作,操作完成后生成一个新个体B={2,3,5,1};
3.6)计算新个体B的适应度值f(B):
3.6.1)根据个体B第一个位置所表示的低层启发式方法即L1=2,在未分配节点集合Q={1,2,3,4}中选择边的权重和最大的节点,即节点2,进行频谱分配,分配结果为:f1={},f2={1},f3={},f4={},其中f1,f2,f3,f4分别表示分配给这四个节点的信道集合,并更新未分配节点集合为Q={1,3,4};
3.6.2)根据个体B第二个位置所表示的低层启发式方法即L2=3,在未分配节点集合Q={1,3,4}中选择频谱需求最大的节点,即节点4,进行频谱分配,分配结果为:f1={},f2={1},f3={},f4={2,4,6},并更新未分配节点集合为Q={1,3};
3.6.3)根据个体B第三个位置所表示的低层启发式方法即L3=5,在未分配节点集合Q={1,3}随机选择一个节点,即节点3,进行频谱分配,分配结果为:f1={},f2={1},f3={8},f4={2,4,6},并更新未分配节点集合为Q={1};
3.6.4)根据个体B第四个位置所表示的低层启发式方法即L4=1,在未分配节点集合Q={1}中选择度最大节点,即节点1,进行频谱分配,分配结果为:f1={5},f2={1},f3={8},f4={2,4,6};
3.6.5)4个节点所需的信道都被全部分配,使用的信道总数为8,则适应度值f(B)=8;
3.7)判断新个体B的适应度值f(B)是否小于初始个体A的适应度值f(A),若是,则用新个体B更新初始个体A作为新的初始个体,否则以概率p=e-k/t接收新个体B作为新的初始个体,更新模拟退火执行次数a;
3.7.1)根据新个体B的适应度值f(B)=8大于个体A的适应度f(A)=7的情况,在区间[0,1]内产生随机数r=0.5864,计算概率p=e-k/t=e-0/100=1,其中k为模拟退火温度更新前后的差值,t为模拟退火操作温度参数的初始值;
3.7.2)判断随机数r是否小于等于概率p,若是,则接收个体B为新的初始个体,否则维持原初始个体不变:
根据随机数r=0.5864小于概率p=1的情况,接收个体B为新的初始个体,即更新初始个体A为:A={2,3,5,1};更新模拟退火执行次数a=a+1=0+1=1;
3.8)判断模拟退火执行次数a是否大于等于4:若a≥4,继续执行步骤3.9),否则返回步骤3.5);
3.9)模拟退火操作执行完成,更新模拟退火中的温度参数T:
3.9.1)计算温度下降因子downrate:
其中bestf为当前最优适应度值,LB为此频谱分配问题的理论最优值;
3.9.2)更新模拟退火中的温度参数T,更新后的温度参数为T′,同时更新当前迭代次数b:
T′=T-downrate=100-0.5=99.5,更新当前迭代次数b=b+1=0+1=1;
3.10)判断当前迭代次数b是否小于最大迭代次数g,若是,则返回步骤3.4),否则,输出最优适应度值bestf为最终频谱分配结果。
本发明的效果可以通过以下实验进一步说明:
1.仿真条件:
在CPU为core22.4GHZ、内存2G、WINDOWS XP***上使用matlab进行了仿真。
图3给出了仿真实验中包含21个小区的蜂窝网络拓扑,图4给出了仿真实验中包含55个小区的蜂窝网络拓扑。表1给出仿真实验中两个蜂窝网络的干扰矩阵的不同取值情况,其中Cii表示同一小区内部的最小频率复用间隔,参数ρ和a用来表征在不同小区距离下必须满足的最小频率复用间隔,其取值通过表2给出。表3给出仿真实验中两个蜂窝网络的两种不同的频率需求矩阵。
2.仿真内容:
根据不同的干扰矩阵和需求矩阵的组合,对图3和图4这两种网络拓扑共形成了18组测试情况,如表4所示。
分别用本发明的方法对这18组测试网络进行频谱分配。其中对于表4中两个比较困难的测试问题11和12,设置最大迭代次数为5000,其余测试问题均设置最大迭代次数为2000。
表5给出了采用本发明方法对这18组测试问题进行仿真实验的结果,同时给出每组测试问题的理论最优值以及现有的基于采样的方法对这18组测试问题的仿真结果进行对比。
表1两种网络的干扰矩阵取值
小区数目 | ρ | a | Cii | 干扰矩阵 |
21 | 2 | 1 | 7 | C_21_1 |
21 | 2 | 2 | 7 | C_21_2 |
21 | 2 | 1 | 6 | C_21_3 |
21 | 2 | 2 | 6 | C_21_4 |
21 | 2 | 1 | 5 | C_21_5 |
21 | 2 | 2 | 5 | C_21_6 |
21 | 2 | 1 | 4 | C_21_7 |
21 | 2 | 2 | 4 | C_21_8 |
55 | 2 | 1 | 7 | C_55_1 |
表2干扰矩阵中最小频率复用间隔取值
表3两种网络的需求矩阵分布
表4测试数据
1 | C_21_1 | D_21_1 | 10 | C_21_5 | D_21_2 |
2 | C_21_1 | D_21_2 | 11 | C_21_6 | D_21_1 |
3 | C_21_2 | D_21_1 | 12 | C_21_6 | D_21_2 |
4 | C_21_2 | D_21_2 | 13 | C_21_7 | D_21_1 |
5 | C_21_3 | D_21_1 | 14 | C_21_7 | D_21_2 |
6 | C_21_3 | D_21_2 | 15 | C_21_8 | D_21_1 |
7 | C_21_4 | D_21_1 | 16 | C_21_8 | D_21_2 |
8 | C_21_4 | D_21_2 | 17 | C_55_1 | D_55_5 |
9 | C_21_5 | D_21_1 | 18 | C_55_1 | D_55_6 |
表5仿真实验结果
从表5可以看出,本发明的方法和现有基于采样的方法在一些简单的测试问题上都可以达到理论最优解,但对于一些比较困难的测试问题8,11,12,14,15,16和18,本发明的方法可以得到更加接近理论最优值的解,和现有的基于采样的方法相比可以节省更多频谱资源,提高频谱利用率。
上述实施方式仅是本发明的一个实例,不构成对本发明的任何限制,例如用本发明方法还可以对包含更多个节点的蜂窝网络进行频谱分配。
Claims (3)
1.一种基于图的超启发式的蜂窝网络频谱分配方法,包括如下步骤:
(1)将蜂窝网络的干扰矩阵表示为一个有权图G=(V,E,W),其中V为节点的集合,V={1,2,…,N},其中N为蜂窝网络中小区的数目,E为边的集合,W为边上的权重的集合;
(2)随机生成初始个体:A={L1,L2,…Li,…,LN},其中Li∈[1,6],代表根据第Li个低层启发式方法来选择第i个要进行频谱分配的节点;
(3)对初始个体A及其适应度值f(A)进行迭代更新,得到最终频谱分配结果:
(3a)计算初始个体A的适应度值f(A),并用计算结果表示频谱分配所需要的总的信道数;
(3b)设置初始的最优个体best为初始个体A,即best←A,初始的最优适应度值bestf等于f(A),即bestf=f(A);
(3c)设置当前迭代次数b=0,最大迭代次数为g;
(3d)设置当前模拟退火执行次数a=0;
(3e)对初始个体A执行模拟退火操作,在个体A上随机选择h个位置,其中h∈[1,N],并对这h个位置上的值依次在其取值范围内执行变异操作,操作完成后生成一个新的个体B;
(3f)计算新个体B的适应度值f(B);
(3g)判断新个体B的适应度值f(B)是否小于初始个体A的适应度值f(A),若是,则用新个体B更新初始个体A作为新的初始个体,即A←B,并对最优个体best,最优适应度值bestf同时进行更新,即:best←B,bestf=f(B);否则,以概率p=e-k/t接收新个体B作为新的初始个体,更新模拟退火执行次数a=a+1,其中k为模拟退火温度参数T更新前后的差值,t为模拟退火温度参数T的初始值;
(3h)判断模拟退火执行次数a是否大于4,若a大于4,则模拟退火过程完成,继续执行步骤(3i),否则,返回步骤(3e);
(3i)更新模拟退火中的温度参数T,同时更新当前迭代次数b=b+1;
(3j)判断当前迭代次数b是否小于最大迭代次数g,若是,则返回步骤(3d),否则,输出最优适应度值bestf为最终频谱分配结果。
2.根据权利要求1所述的方法,其中步骤(3a)所述的计算初始个体A的适应度值f(A),按如下步骤进行:
(3a1)按照个体A所表示的低层启发式序列A={L1,L2,…Li,…,LN},顺序地选择个体A当前位置所表示的低层启发式方法Li,其中Li∈[1,6],i=1,2,…,N,N为蜂窝网络中的小区数目;
(3a2)根据当前选择的低层启发式方法Li,在未分配信道的节点集合中选择出一个要进行频谱分配的节点,并对其进行频谱分配;
(3a3)重复执行步骤(3a1)-(3a2)共N次后,使所有N个节点所需的信道被全部分配,并将分配给N个节点的信道总数作为适应度值f(A)。
3.根据权利要求1所述的方法,其中步骤(3i)所述的更新模拟退火中的温度参数T,按如下步骤进行:
(3i1)计算温度下降因子downrate:
其中bestf为当前最优适应度值,LB为此频谱分配问题的理论最优值,N为网络中小区的数目;
(3i2)按以下公式更新模拟退火中的温度参数T,更新后的温度为T′:
T′=T-downrate。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410186159.7A CN103957530B (zh) | 2014-05-05 | 2014-05-05 | 基于图的超启发式的蜂窝网络频谱分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410186159.7A CN103957530B (zh) | 2014-05-05 | 2014-05-05 | 基于图的超启发式的蜂窝网络频谱分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103957530A true CN103957530A (zh) | 2014-07-30 |
CN103957530B CN103957530B (zh) | 2017-07-04 |
Family
ID=51334733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410186159.7A Active CN103957530B (zh) | 2014-05-05 | 2014-05-05 | 基于图的超启发式的蜂窝网络频谱分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103957530B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105764068A (zh) * | 2016-04-01 | 2016-07-13 | 清华大学 | 一种基于禁忌搜索的小基站容量与覆盖优化方法 |
CN108632906A (zh) * | 2017-03-17 | 2018-10-09 | 富士通株式会社 | 无线多跳网络的资源配置装置及方法 |
CN111083708A (zh) * | 2019-12-02 | 2020-04-28 | 北京邮电大学 | 一种基于干扰感知多图的v2v通信异质频谱分配方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102843691A (zh) * | 2012-09-11 | 2012-12-26 | 西安电子科技大学 | 基于禁忌搜索的飞蜂窝网络频谱分配方法 |
CN103347262A (zh) * | 2013-06-19 | 2013-10-09 | 上海交通大学 | 基于超图的家庭基站频率复用方法 |
-
2014
- 2014-05-05 CN CN201410186159.7A patent/CN103957530B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102843691A (zh) * | 2012-09-11 | 2012-12-26 | 西安电子科技大学 | 基于禁忌搜索的飞蜂窝网络频谱分配方法 |
CN103347262A (zh) * | 2013-06-19 | 2013-10-09 | 上海交通大学 | 基于超图的家庭基站频率复用方法 |
Non-Patent Citations (1)
Title |
---|
DIDEM GOZUPEK ET AL.: "Channel Assignment Problem in Cellular Networks:A Reactive Tabu Search Approach", 《IEEE》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105764068A (zh) * | 2016-04-01 | 2016-07-13 | 清华大学 | 一种基于禁忌搜索的小基站容量与覆盖优化方法 |
CN105764068B (zh) * | 2016-04-01 | 2019-03-29 | 清华大学 | 一种基于禁忌搜索的小基站容量与覆盖优化方法 |
CN108632906A (zh) * | 2017-03-17 | 2018-10-09 | 富士通株式会社 | 无线多跳网络的资源配置装置及方法 |
CN108632906B (zh) * | 2017-03-17 | 2021-10-22 | 富士通株式会社 | 无线多跳网络的资源配置装置及方法 |
CN111083708A (zh) * | 2019-12-02 | 2020-04-28 | 北京邮电大学 | 一种基于干扰感知多图的v2v通信异质频谱分配方法 |
CN111083708B (zh) * | 2019-12-02 | 2022-09-23 | 北京邮电大学 | 一种基于干扰感知多图的v2v通信异质频谱分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103957530B (zh) | 2017-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107333267B (zh) | 一种用于5g超密集组网场景的边缘计算方法 | |
Yang et al. | Deep neural network for resource management in NOMA networks | |
CN102316464B (zh) | 基于非支配解排序量子雁群算法的多目标频谱分配方法 | |
Doraghinejad et al. | Channel assignment in multi-radio wireless mesh networks using an improved gravitational search algorithm | |
CN103916355B (zh) | 一种认知ofdm网络中子载波的分配方法 | |
CN108901075B (zh) | 一种基于gs算法的资源分配方法 | |
CN105050192A (zh) | 密集网络中基于虚拟小区的干扰管理方法 | |
CN104936186A (zh) | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 | |
CN112217678B (zh) | 基于量子帝王蝶优化机制的双层异构网络频谱分配方法 | |
CN103200689B (zh) | 一种用于多信道无线Mesh网络的链路分配方法 | |
Hou et al. | Radio resource allocation and power control scheme in V2V communications network | |
Bettstetter et al. | An inhomogeneous spatial node distribution and its stochastic properties | |
CN105792218A (zh) | 具有射频能量收集能力的认知无线电网络的优化方法 | |
CN106658526B (zh) | 一种超密集小蜂窝网络中基于模拟退火算法频谱分配方法 | |
CN103957530A (zh) | 基于图的超启发式的蜂窝网络频谱分配方法 | |
CN105554771B (zh) | 基于密集分布的毫微微用户资源分配方法 | |
CN103428805A (zh) | 一种基于链路抗干扰性的无线网络虚拟化映射方法 | |
Marappan et al. | Divide and conquer based genetic method for solving channel allocation | |
CN103619066B (zh) | 一种基于分布式信道分配下行干扰缓解的方法 | |
Brahmi et al. | Genetic algorithm based resource allocation for V2X communications | |
CN101262701A (zh) | 一种基于遗传算法的动态信道分配方法 | |
CN102595422B (zh) | 一种认知无线电***中垂直并行的频谱分配方法 | |
CN112954806B (zh) | 异构网络中基于弦图着色的联合干扰对齐与资源分配方法 | |
CN103546895A (zh) | 认知无线电网络中基于移动性预测的信道分配方法 | |
Randhawa et al. | Performance analysis of LEACH with machine learning algorithms in wireless sensor networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |