CN108112082A - 一种基于无状态q学习的无线网络分布式自主资源分配方法 - Google Patents
一种基于无状态q学习的无线网络分布式自主资源分配方法 Download PDFInfo
- Publication number
- CN108112082A CN108112082A CN201711366713.XA CN201711366713A CN108112082A CN 108112082 A CN108112082 A CN 108112082A CN 201711366713 A CN201711366713 A CN 201711366713A CN 108112082 A CN108112082 A CN 108112082A
- Authority
- CN
- China
- Prior art keywords
- node
- channel
- power
- moment
- action
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于无状态Q学习的无线网络分布式自主资源分配方法,首先把信道数和发射功率作为一组动作,随机选择一组动作,计算出实际网络吞吐量;然后把实际网络吞吐量和理论吞吐量的比值作为动作选择后的奖赏,并据此奖赏更新动作值函数;最后,迭代调整动作可以寻找到累计奖赏值函数最大解,其相应的动作即可达到无线网络的最优性能。本发明提出的方法能够在未知网内其他节点资源配置等先验信息的条件下,各个节点自主进行信道分配和发射功率控制使网络吞吐量最大化。
Description
技术领域
本发明属于无线通信网络领域,尤其涉及一种基于无状态Q学习的无线网络分布式自主资源分配方法。
背景技术
随着WiFi无线网络的用户急剧增多、无线设备数量和种类迅猛增长,无线业务对于接入质量的要求越来越高。为了提升WiFi网络的整体性能、改善网络的服务质量和实际用户体验,需要有效提高WiFi链路传输速率和区域吞吐量。然而在密集组网环境下由于同/异频干扰,使得实际组网环境下网络性能不高。因此,如何提高复杂环境中无线网络容量是待解决的难点问题。
WiFi网络性能优化的主要技术手段包括:AP(接入点)的工作信道分配、发射功率控制和负载均衡等。功率控制不仅可以改变每个链路传输的速率以提高频带资源的利用率,还会改变用户关联关系及网络结构,进而改善网络负载不均衡的情况。同时,信道选择可以避免个别信道的负载过大导致的网络性能下降以及信道资源浪费,从而提高网络性能并保证公平性。
目前,人们提出了一些WiFi网络信道分配和发射功率控制方法,但每个AP优化计算时,需要已知网内其他AP节点信道使用等先验信息。而在密集部署场景下,难以有效获得这些信息,故而降低了网络性能。因此,本发明提出一种无需先验信息的分布式强化学习资源分配方法。
强化学习(RL)是一类经典的机器学习的方法,包括了Q学习等算法,在多个领域得到了广泛应用。强化学习能够利用智能体(Agent)通过与环境的交互来选择能够达到目标的最优动作。强化学习模型组成如下:(1)状态集合S={s1,s2,L,sm};(2)动作集合A={a1,a2,L,an};(3)奖赏函数r;(4)策略π:S→A。强化学习的每次迭代时过程中Agent获得环境状态s,并根据当前所选择的策略选择动作a,此动作将在后续影响环境。环境在受到动作a的作用后将会变为新的环境状态s',环境同时也产生强化信号(奖赏)r并反馈给Agent。智能体根据奖赏r更新策略,并继续新的一次迭代过程。通过不断尝试,最终将会找到每个状态对应的最佳策略π*,从而最大化期望的长期累计奖赏其中,rt π(s)是在第t个迭代值时刻获得的奖赏,因奖赏函数可能无限,故需引入折扣因子(γ<1)。
强化学习在复杂、未知环境下能从观察结果中学习到性能良好的动作策略。特别地,鉴于RL中Q学习算法的自主学习能力和易实现性,本发明提出了基于无状态Q学习的分布式资源分配策略,并利用该策略在各个网络节点独立进行信道选择和功率分配,提高了整个无线网络的吞吐量。
发明内容
本发明解决的技术问题是如何在未知网内其他AP节点资源配置等先验信息的条件下,各个节点自主进行信道分配和发射功率控制使网络吞吐量最大化。
为实现上述目的,本发明采用如下的技术方案:
一种基于无状态Q学习的无线网络的分布式自主资源分配方法,包括以下实现步骤:
步骤(1):设置初始时间t0=0,Q值函数Q(ak)=0,给每个节点k分配信道数和发射功率,信道数和发射功率构成动作集{ak},设置ε初始值,其为[0,1]之间的随机值。
步骤(2):更新时间t=t0+1。
步骤(3):在迭代时刻t,随机产生0到1的数m,根据ε贪婪机制选择动作,若m<ε,则无线节点i则随机选择新的动作(即发射功率和信道数);反之,则以(1-ε)的概率选择已得到Q值中的最大Q值对应的动作(即发射功率和信道数)。
步骤(4):计算迭代时刻节点i的最大理论吞吐量。
首先根据通信距离等参数计算功率损耗值其中,PL0是单位路径损耗,α是路径损耗指数,di,j是接收端i到发送端j的距离,GS是阴影效应,Go是障碍物损耗,dobs是障碍物间的距离。
再依据节点j发送功率Ptx,j和功率损耗PLi,j计算出节点i的接收信号功率Pi,t=Ptx,j-PLi,j。最后,由接收端功率和地面噪声功率N0计算理论吞吐量其中B是根据分配的信道数获得的带宽。
步骤(5):根据选择的信道和接收到的功率计算信号干扰噪声比其中,Pi,t是WiFi网络节点i在时刻t的接收功率,Ii,t是总干扰,N0是地面噪声功率。再计算出t时刻节点i的实际信道容量Γi,t=Blog2(1+SINRi,t)。
步骤(6):计算节点i在时刻t的奖赏值函数,其为实际最大容量与理论最大容量的比值
步骤(7):网络节点根据动作ak获得的奖赏函数值t时刻的学习速率αt(αt<1)、折扣因子γ(γ<1)来更新Q值,公式如下:
步骤(8):更新ε值,其中,ε′为更新的值。
步骤(9):重复步骤(2)至步骤(8),直到矩阵Q接近于收敛状态。
有益效果
本发明采用的针对基于无状态Q学习的无线网络分布式自主资源分配方法,在动态未知的复杂环境中,无线网络进行信道选择和功率分配,观察其奖赏值和更新Q值寻找到最优策略。运用Q学习得到最优策略,无线网络各节点进行独立调整信道选择和功率分配,能使整个无线网络的吞吐量达到最优。
附图说明
图1为本发明的总体流程图。
图2为ε贪婪动作选择机制流程图。
具体实施方式
本发明提供一种基于无状态Q学习的无线网络分布式自主资源分配方法,首先,把信道数和发射功率作为一组动作,随机选择一组动作,计算出实际网络吞吐量,然后把实际网络吞吐量和理论吞吐量的比值作为动作选择后的奖赏,并据此奖赏更新动作值函数Q(s,a),其是状态s时所采取动作a而获得的累计奖赏。最后,迭代调整动作可以寻找到累计奖赏值函数最大解,其相应的动作即可达到无线网络的最优性能。
如图1、2所示,一种基于无状态Q学习的无线网络的分布式自主资源分配方法,包括以下实现步骤:
步骤(1):设置初始时间t0=0,Q值函数Q(ak)=0,给每个节点k分配信道数和发射功率,信道数和发射功率构成动作集{ak},设置ε初始值,其为[0,1]之间的随机值。
步骤(2):更新时间t=t0+1。
步骤(3):在迭代时刻t,随机产生0到1的数m,根据ε贪婪机制选择动作,若m<ε,则无线节点i则随机选择新的动作(即发射功率和信道数);反之,则以(1-ε)的概率选择已得到Q值中的最大Q值对应的动作(即发射功率和信道数)。
步骤(4):计算迭代时刻节点i的最大理论吞吐量。
首先根据通信距离等参数计算功率损耗值其中,PL0是单位路径损耗,α是路径损耗指数,di,j是接收端i到发送端j的距离,GS是阴影效应,Go是障碍物损耗,dobs是障碍物间的距离。
再依据节点j发送功率Ptx,j和功率损耗PLi,j计算出节点i的接收信号功率Pi,t=Ptx,j-PLi,j。最后,由接收端功率和地面噪声功率N0计算理论吞吐量其中B是根据分配的信道数获得的带宽。
步骤(5):根据选择的信道和接收到的功率计算信号干扰噪声比其中,Pi,t是WiFi网络节点i在时刻t的接收功率,Ii,t是总干扰,N0是地面噪声功率。再计算出t时刻节点i的实际信道容量Γi,t=Blog2(1+SINRi,t)。
步骤(6):计算节点i在时刻t的奖赏值函数,其为实际最大容量与理论最大容量的比值
步骤(7):网络节点根据动作ak获得的奖赏函数值t时刻的学习速率αt(αt<1)、折扣因子γ(γ<1)来更新Q值,公式如下:
步骤(8):更新ε值,其中,ε′为更新的值。
步骤(9):重复步骤(2)至步骤(8),直到矩阵Q接近于收敛状态。
实施例1:
一种基于无状态Q学习的无线网络的分布式自主资源分配方法,包括以下实现步骤:
步骤(1):设置初始时间t=0,Q值函数Q(ak)=0,给每个节点k分配的分别为2和0(dBm),信道数和发射功率构成动作集{ak}。设置ε初始值为0.8。
步骤(2):更新时间,t=t+1=1。
步骤(3):在迭代时刻t=1,随机产生一个数m=0.3,根据ε贪婪机制选择动作,比较二者大小,因为m<ε,无线节点i则随机选择新发射功率和信道数分别为5(dBm)和2。反之,如果m大于ε,则选择已得到Q值中的最大Q值对应的动作(即发射功率和信道数)。
步骤(4):计算迭代时刻节点i的最大理论吞吐量。
首先根据PL0是5dB,α是4.4,di,j是2m,GS是均值为9.5的正态分布,Go是均值为30的均匀分布,dobs是5,计算出功率损耗值
再根据节点j发送功率Ptx,j和功率损耗PLi,j计算出节点i的接收信号功率Pi,t=Ptx,j-PL,i j=-34.7453dBm。由于地面噪声功率N0为-100(dBm)和分配的信道数获得的带宽B是20MHz,得到理论吞吐量
步骤(5):总干扰Ii,t是-20dBm,地面噪声功率N0为-100dBm,根据选择的信道和接收到的功率Pi,t计算出信号干扰噪声比再计算出t时刻节点i的实际信道容量Γi,t=Blog2(1+SINRi,t)=7.33725。
步骤(6):计算节点i在时刻t的奖赏值函数,其为实际最大容量与理论最大容量的比值
步骤(7):设置折扣因子γ(γ<1)为0.5和的学习率αt(αt<1)为0.5。网络节点根据更新Q值,得到Q值为0.42635。
步骤(8):更新
步骤(9):重复步骤(2)至步骤(8),直到矩阵Q接近于收敛状,即可找到是网络性能达到最优的动作。
Claims (1)
1.一种基于无状态Q学习的无线网络的分布式自主资源分配方法,其特征在于:包括以下实现步骤:
步骤(1):设置初始时间t0=0,Q值函数Q(ak)=0,给每个节点k分配信道数和发射功率,信道数和发射功率构成动作集{ak}。设置ε初始值,其中,ε为[0,1]之间的概率;
步骤(2):更新时间t=t0+1;
步骤(3):在迭代时刻t,随机产生0到1的数m,根据ε贪婪机制选择动作,若m<ε,则无线节点i则随机选择新的动作(即发射功率和信道数);反之,则以(1-ε)的概率选择已得到Q值中的最大Q值对应的动作;
步骤(4):计算迭代时刻节点i的最大理论吞吐量
首先根据通信距离等参数计算功率损耗值其中,PL0是单位路径损耗,α是路径损耗指数,di,j是接收端i到发送端j的距离,GS是阴影效应,Go是障碍物损耗,dobs是障碍物间的距离;
再依据节点j发送功率Ptx,j和功率损耗PLi,j计算出节点i的接收信号功率Pi,t=Ptx,j-PLi,j;最后,由接收端功率和地面噪声功率N0计算理论吞吐量其中,B是根据分配的信道数获得的带宽;
步骤(5):根据选择的信道和接收到的功率计算信号干扰噪声比其中,Pi,t是WiFi网络节点i在时刻t的接收功率,Ii,t是总干扰,N0是地面噪声功率;再计算出t时刻节点i的实际信道容量Γi,t=Blog2(1+SINRi,t);
步骤(6):计算节点i在时刻t的奖赏值函数,其为实际最大容量与理论最大容量的比值
步骤(7):网络节点根据动作ak获得的奖赏函数值t时刻的学习速率αt(αt<1)、折扣因子γ(γ<1)来更新Q值,公式如下:
步骤(8):更新ε值,其中,ε′为更新的值;
步骤(9):重复步骤(2)至步骤(8),直到矩阵Q接近于收敛状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711366713.XA CN108112082B (zh) | 2017-12-18 | 2017-12-18 | 一种基于无状态q学习的无线网络分布式自主资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711366713.XA CN108112082B (zh) | 2017-12-18 | 2017-12-18 | 一种基于无状态q学习的无线网络分布式自主资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108112082A true CN108112082A (zh) | 2018-06-01 |
CN108112082B CN108112082B (zh) | 2021-05-25 |
Family
ID=62210861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711366713.XA Active CN108112082B (zh) | 2017-12-18 | 2017-12-18 | 一种基于无状态q学习的无线网络分布式自主资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108112082B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109407997A (zh) * | 2018-11-09 | 2019-03-01 | 长沙理工大学 | 一种数据处理方法、装置、设备及可读存储介质 |
CN109639374A (zh) * | 2018-12-29 | 2019-04-16 | 北京工业大学 | 一种基于强化学习算法的认知抗干扰通信方法 |
CN109714786A (zh) * | 2019-03-06 | 2019-05-03 | 重庆邮电大学 | 基于Q-learning的毫微微小区功率控制方法 |
CN109743778A (zh) * | 2019-01-14 | 2019-05-10 | 长沙学院 | 一种基于强化学习的资源分配优化方法和*** |
CN109787696A (zh) * | 2018-12-11 | 2019-05-21 | 杭州电子科技大学 | 基于案例推理与合作q学习的认知无线电资源分配方法 |
CN110083064A (zh) * | 2019-04-29 | 2019-08-02 | 辽宁石油化工大学 | 一种基于非策略q-学习的网络最优跟踪控制方法 |
CN110933723A (zh) * | 2019-11-21 | 2020-03-27 | 普联技术有限公司 | 一种漫游切换控制方法、装置和无线ap |
CN111211831A (zh) * | 2020-01-13 | 2020-05-29 | 东方红卫星移动通信有限公司 | 一种多波束低轨卫星智能动态信道资源分配方法 |
CN112822781A (zh) * | 2021-01-20 | 2021-05-18 | 重庆邮电大学 | 一种基于q学习的资源分配方法 |
CN113163447A (zh) * | 2021-03-12 | 2021-07-23 | 中南大学 | 基于q学习的通信网络任务资源调度方法 |
CN113543065A (zh) * | 2021-05-31 | 2021-10-22 | 北京邮电大学 | 一种基于强化学习的通信资源分配方法及其相关设备 |
CN113875294A (zh) * | 2019-06-03 | 2021-12-31 | 诺基亚通信公司 | 使用深度q学习的上行链路功率控制 |
CN115173922A (zh) * | 2022-06-30 | 2022-10-11 | 重庆邮电大学 | 基于cmaddqn网络的多波束卫星通信***资源分配方法 |
CN115361690A (zh) * | 2022-08-18 | 2022-11-18 | 国网福建省电力有限公司经济技术研究院 | 密集宏微协同组网容量与覆盖联合优化方法、设备及基站 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013100831A1 (en) * | 2011-12-29 | 2013-07-04 | Telefonaktiebolaget L M Ericsson (Publ) | A user equipment and a radio network node, and methods therein |
CN103220751A (zh) * | 2013-05-08 | 2013-07-24 | 哈尔滨工业大学 | 基于q学习资源分配策略的异构网络准入控制方法 |
CN106358308A (zh) * | 2015-07-14 | 2017-01-25 | 北京化工大学 | 一种超密集网络中的强化学习的资源分配方法 |
-
2017
- 2017-12-18 CN CN201711366713.XA patent/CN108112082B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013100831A1 (en) * | 2011-12-29 | 2013-07-04 | Telefonaktiebolaget L M Ericsson (Publ) | A user equipment and a radio network node, and methods therein |
CN103220751A (zh) * | 2013-05-08 | 2013-07-24 | 哈尔滨工业大学 | 基于q学习资源分配策略的异构网络准入控制方法 |
CN106358308A (zh) * | 2015-07-14 | 2017-01-25 | 北京化工大学 | 一种超密集网络中的强化学习的资源分配方法 |
Non-Patent Citations (1)
Title |
---|
孙花;朱锦新: "基于Q学习和双向ACO算法的云计算任务资源分配模型设计", 《计算机测量与控制》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109407997A (zh) * | 2018-11-09 | 2019-03-01 | 长沙理工大学 | 一种数据处理方法、装置、设备及可读存储介质 |
CN109787696A (zh) * | 2018-12-11 | 2019-05-21 | 杭州电子科技大学 | 基于案例推理与合作q学习的认知无线电资源分配方法 |
CN109787696B (zh) * | 2018-12-11 | 2021-05-11 | 杭州电子科技大学 | 基于案例推理与合作q学习的认知无线电资源分配方法 |
CN109639374B (zh) * | 2018-12-29 | 2021-05-14 | 北京工业大学 | 一种基于强化学习算法的认知抗干扰通信方法 |
CN109639374A (zh) * | 2018-12-29 | 2019-04-16 | 北京工业大学 | 一种基于强化学习算法的认知抗干扰通信方法 |
CN109743778A (zh) * | 2019-01-14 | 2019-05-10 | 长沙学院 | 一种基于强化学习的资源分配优化方法和*** |
CN109743778B (zh) * | 2019-01-14 | 2022-05-10 | 长沙学院 | 一种基于强化学习的资源分配优化方法和*** |
CN109714786A (zh) * | 2019-03-06 | 2019-05-03 | 重庆邮电大学 | 基于Q-learning的毫微微小区功率控制方法 |
CN109714786B (zh) * | 2019-03-06 | 2021-07-16 | 重庆邮电大学 | 基于Q-learning的毫微微小区功率控制方法 |
CN110083064A (zh) * | 2019-04-29 | 2019-08-02 | 辽宁石油化工大学 | 一种基于非策略q-学习的网络最优跟踪控制方法 |
CN113875294B (zh) * | 2019-06-03 | 2023-03-28 | 诺基亚通信公司 | 使用深度q学习的上行链路功率控制 |
CN113875294A (zh) * | 2019-06-03 | 2021-12-31 | 诺基亚通信公司 | 使用深度q学习的上行链路功率控制 |
US11463961B2 (en) | 2019-06-03 | 2022-10-04 | Nokia Solutions And Networks Oy | Uplink power control using deep Q-learning |
CN110933723A (zh) * | 2019-11-21 | 2020-03-27 | 普联技术有限公司 | 一种漫游切换控制方法、装置和无线ap |
CN110933723B (zh) * | 2019-11-21 | 2022-01-04 | 普联技术有限公司 | 一种漫游切换控制方法、装置和无线ap |
CN111211831A (zh) * | 2020-01-13 | 2020-05-29 | 东方红卫星移动通信有限公司 | 一种多波束低轨卫星智能动态信道资源分配方法 |
CN112822781B (zh) * | 2021-01-20 | 2022-04-12 | 重庆邮电大学 | 一种基于q学习的资源分配方法 |
CN112822781A (zh) * | 2021-01-20 | 2021-05-18 | 重庆邮电大学 | 一种基于q学习的资源分配方法 |
CN113163447A (zh) * | 2021-03-12 | 2021-07-23 | 中南大学 | 基于q学习的通信网络任务资源调度方法 |
CN113543065A (zh) * | 2021-05-31 | 2021-10-22 | 北京邮电大学 | 一种基于强化学习的通信资源分配方法及其相关设备 |
CN113543065B (zh) * | 2021-05-31 | 2024-02-02 | 北京邮电大学 | 一种基于强化学习的通信资源分配方法及其相关设备 |
CN115173922A (zh) * | 2022-06-30 | 2022-10-11 | 重庆邮电大学 | 基于cmaddqn网络的多波束卫星通信***资源分配方法 |
CN115173922B (zh) * | 2022-06-30 | 2024-03-15 | 深圳泓越信息科技有限公司 | 基于cmaddqn网络的多波束卫星通信***资源分配方法 |
CN115361690A (zh) * | 2022-08-18 | 2022-11-18 | 国网福建省电力有限公司经济技术研究院 | 密集宏微协同组网容量与覆盖联合优化方法、设备及基站 |
Also Published As
Publication number | Publication date |
---|---|
CN108112082B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108112082A (zh) | 一种基于无状态q学习的无线网络分布式自主资源分配方法 | |
CN106358308A (zh) | 一种超密集网络中的强化学习的资源分配方法 | |
CN108834080B (zh) | 异构网络中基于多播技术的分布式缓存和用户关联方法 | |
CN108064077B (zh) | 蜂窝网络中全双工d2d的功率分配方法 | |
Ta et al. | LoRa-MAB: Toward an intelligent resource allocation approach for LoRaWAN | |
CN103338452B (zh) | 蜂窝***中基站辅助控制的d2d通信方法 | |
CN111586646B (zh) | 一种蜂窝网络中联合上下信道的d2d通信的资源分配方法 | |
CN108449150A (zh) | 基于无线电地图信息的星地干扰协调方法、装置及设备 | |
CN107135538A (zh) | 基于斯坦科尔伯格博弈的d2d功率控制及干扰管理方法 | |
CN104703270A (zh) | 适用于异构无线蜂窝网络的用户接入和功率分配方法 | |
CN102821391A (zh) | 基于距离比的d2d链路频谱分配方法 | |
CN104883727B (zh) | 蜂窝异构网络中d2d用户速率最大化的功率分配方法 | |
CN107071695B (zh) | 一种终端直通协作中继网络的路由和频谱资源管理方法 | |
Vanninen et al. | Cognitive HF—New perspectives to use the high frequency band | |
CN110225494A (zh) | 一种基于外部性和匹配算法的机器类通信资源分配方法 | |
CN105764068A (zh) | 一种基于禁忌搜索的小基站容量与覆盖优化方法 | |
CN109743736A (zh) | 一种以用户为中心的超密集网络用户接入与资源分配方法 | |
CN103139800A (zh) | 中继蜂窝网络的节点调整方法、装置及*** | |
CN106792805B (zh) | 一种网络异步mpr吞吐率优化方法 | |
Zhang et al. | Energy efficient resource allocation in millimeter-wave-based fog radio access networks | |
CN104486744A (zh) | 一种异构小蜂窝网络中的d2d模式选择方法 | |
CN106603615B (zh) | 通信装置及通信方法 | |
CN107396383B (zh) | 一种基于平均场博弈的移动通信基站能效优化方法 | |
CN107484111B (zh) | 一种m2m通信网络关联及功率分配算法 | |
CN102118744B (zh) | 一种合作频谱感知中安全的合作用户选择方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |