CN110677858B - 基于物联网任务迁移周期的传输功率与计算资源分配方法 - Google Patents
基于物联网任务迁移周期的传输功率与计算资源分配方法 Download PDFInfo
- Publication number
- CN110677858B CN110677858B CN201911026324.1A CN201911026324A CN110677858B CN 110677858 B CN110677858 B CN 110677858B CN 201911026324 A CN201911026324 A CN 201911026324A CN 110677858 B CN110677858 B CN 110677858B
- Authority
- CN
- China
- Prior art keywords
- terminal
- task
- migration
- transmission power
- internet
- 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.)
- Active
Links
- 238000013508 migration Methods 0.000 title claims abstract description 117
- 230000005012 migration Effects 0.000 title claims abstract description 115
- 230000005540 biological transmission Effects 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013468 resource allocation Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000005265 energy consumption Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 14
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000001976 improved effect Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000001939 inductive effect Effects 0.000 claims description 2
- 241000255588 Tephritidae Species 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/30—TPC using constraints in the total amount of available transmission power
- H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
- H04W52/346—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading distributing total power among users or channels
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
Description
技术领域
本发明涉及物联网领域,具体涉及一种基于物联网任务迁移周期的传输功率与计算资源分配方法。
背景技术
边缘计算(edge computing,EC)在距离应用现场更近的无线接入网部署边缘服务器,提供数据处理能力,创建低时延、高可靠的服务环境。利用边缘计算网络,物联网终端可将计算密集型任务迁移到边缘服务器处理,降低物联网终端的处理能力和能耗;海量物联网终端生成的数据也可接入就近的边缘服务器,降低处理时延,减轻回程负担。大规模MIMO(multi-input multi-output)技术通过增加基站天线数量,利用空间资源,既能提升频谱效率和复用能力,也能利用分集增益和阵列增益改善能量效率。将大规模MIMO与EC融合构成大规模MIMO-EC物联网***,能为物联网终端提供强大的迁移计算服务。
2015年,西班牙加泰罗尼亚大学针对单蜂窝MIMO-EC网络,提出了一种联合最优迁移比与计算资源分配方法,以实现能耗-时延折中;意大利罗马萨宾萨大学针对多蜂窝MIMO-EC网络,提出了一种联合通信资源和计算资源分配方法;美国亚利桑那州立大学基于分布式雾计算,提出了一种以最小化能耗为目标的上行链路资源分配方法;2016年,美国新泽西理工学院针对多小区多用户边缘计算网络,提出了一种联合天线选择、通信资源、计算资源和回程资源分配方法。2017年,北京交通大学设计了一种支持边缘计算的无定型小区(free-cell)大规模MIMO***架构,基站配置边缘云服务器,中央服务器作为云计算中心服务器,提出了一种联合任务迁移、边缘云关联、传输功率分配方法。2018年,加拿大魁北克大学针对大规模MIMO-EC蜂窝网络,以最小化所有终端设备的最大加权能耗和为目标,提出了一种迁移决策与计算、通信资源分配方法。但上述资源分配方法并未有效解决联合导频、数据传输功率分配和计算资源分配问题。
因此,为解决以上问题,需要一种基于物联网任务迁移周期的传输功率与计算资源分配方法,能够高效、合理地分配联合导频、数据传输功率和计算资源。
发明内容
有鉴于此,本发明的目的是克服现有技术中的缺陷,提供基于物联网任务迁移周期的传输功率与计算资源分配方法,能够高效、合理地分配联合导频、数据传输功率和计算资源。
本发明的基于物联网任务迁移周期的传输功率与计算资源分配方法,包括如下步骤:
其中,k为物联网中的终端编号,取值为1,2,…,N;
其中,为终端k的导频序列传输功率;为终端k的迁移任务数据的传输功率;fk为边缘服务器分配给终端k的CPU工作频率;为基于以及fk来求解终端计算任务迁移周期的最小值;max为所有终端计算任务迁移周期中的最大值;tp为导频序列的传输时间;为终端k迁移任务数据的传输时间;为终端k迁移任务的处理时间;K为物联网的终端数目,取值为1,2,…,N;fS为边缘服务器的最大CPU工作频率;pmax为终端的最大传输功率。
进一步,对终端计算任务迁移周期的最小化处理模型的函数关系及约束条件进行归纳分析,得到辅助函数F(pp,pu,f,τ,μ),借助辅助函数F(pp,pu,f,τ,μ)对终端计算任务迁移周期的最小化处理模型进行快速求解;其中,根据如下公式确定辅助函数F(pp,pu,f,τ,μ):
F(pp,pu,f,τ,μ)=τ+μ(A+B+C);
其中,K为物联网的终端数目,取值为1,2,…,N;pp为终端的导频序列传输功率的集合,取值为pu为终端迁移任务数据的传输功率的集合,取值为f为边缘服务器分配给终端的CPU工作频率的集合,取值为f=[f1,f2,......,fK];τ为辅助变量,且μ为惩罚系数;A、B以及C为与最小化处理模型中的约束条件相关的惩罚项。
进一步,分别根据如下公式确定惩罚项A、B以及C:
进一步,步骤S4具体包括:
其中,n=1,…,N;
S44:将最小次优解中的终端导频序列传输功率与迁移任务数据传输功率作为果蝇群体的初始化位置,执行改良的果蝇优化算法,得到终端计算迁移任务周期最小值对应的传输功率与计算资源。
本发明的有益效果是:本发明公开的一种基于物联网任务迁移周期的传输功率与计算资源分配方法,通过计算物联网终端迁移任务周期的最小值,对联合传输功率和计算资源的高效、合理分配。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的方法流程示意图;
图2为本发明的大规模MIMO-EC网络***结构示意图;
图3为本发明的计算任务迁移周期的时隙分配示意图;
具体实施方式
以下结合说明书附图对本发明做出进一步的说明,如图所示:
本发明的基于物联网任务迁移周期的传输功率与计算资源分配方法,包括如下步骤:
其中,k为物联网中的终端编号,取值为1,2,…,N;
大规模MIMO-EC物联网***如图2所示,包括K个单天线物联网终端和一个基站,基站配置有M根天线和边缘服务器,同时具备通信与计算能力。K个单天线物联网终端具有并发任务数据迁移需求,物联网终端k∈K的任务迁移用四元组描述,其中,是任务迁移比特数,是处理结果比特数,是任务生存时间,Xk是任务计算密度(CPU指令周期数/比特),即物联网终端k∈K将比特的任务经过无线传输迁移到边缘服务器中处理,需要的CPU指令周期数为之后将任务计算产生的比特处理结果反馈给物联网终端,要求在任务生存时间内完成。
K个物联网终端基于空分多址(SDMA)接入基站,边缘服务器为每个物联网终端分配独立虚拟机(VM)并行处理迁移任务。在信道相干时间内,将K个长度为K的导频序列分配给各个物联网终端执行基于导频辅助的信道估计,基站基于信道估计结果执行信号检测,所有导频序列彼此正交。
本实施例中,步骤S1中,将计算任务迁移周期划分为导频序列传输、任务数据传输和迁移任务处理三个阶段,时间分别为tp,tu,tvm,如图3所示。
基站利用信道估计结果gk,基于最大比合并(MRC)准则执行接收信号检测,即将接收信号向量yk(i)乘以GH=[g1,...,gK]H,解码来自所有物联网终端发送的所有迁移任务数据比特物联网终端k∈K的传输速率:
Rk=log2(1+SINRk) (3)
在迁移任务处理阶段,边缘服务器为不同的物联网终端分配独立的虚拟机(VM),提供迁移任务的并行处理,处理性能取决于为其分配的CPU工作频率。用fS表示边缘服务器的最大CPU工作频率,分配给物联网终端k∈K的CPU工作频率fk≤fS,处理该终端迁移任务的时间为:
本实施例中,步骤S3中,以导频序列传输功率、迁移任务数据传输功率和边缘服务器分配的CPU工作频率为决策变量,以最小化所有物联网终端中最大计算任务迁移周期为优化目标,建立大规模MIMO-EC物联网***中联合传输功率分配与计算资源分配模型
其中,为终端k的导频序列传输功率;为终端k的迁移任务数据的传输功率;fk为边缘服务器分配给终端k的CPU工作频率;为基于以及fk来求解终端计算任务迁移周期的最小值;max为所有终端计算任务迁移周期中的最大值;tp为导频序列的传输时间;为终端k迁移任务数据的传输时间;为终端k迁移任务的处理时间;K为物联网的终端数目,取值为1,2,…,N;fS为边缘服务器的最大CPU工作频率;pmax为终端的最大传输功率;C1为终端k的能耗约束;C2为边缘服务器的计算资源约束;C3为终端的传输功率约束。
结合计算资源约束C2的边界条件,将上式简写为:
求解上式可以得到f1,然后根据式(8)计算边缘服务器分配给所有物联网终端的计算资源f={f1,…,fK},其分配结果取决于导频序列传输功率和迁移任务数据传输功率。
其中,C0表示各物联网终端的计算任务迁移周期均小于一个常数。
F(pp,pu,f,τ,μ)=τ+μ(A+B+C) (11)
若的决策变量(pp,pu,f,τ,μ)位于可行域内,则有F(pp,pu,f,τ,μ)=τ;若的决策变量(pp,pu,f,τ,μ)不在可行域内,则设置辅助函数F(pp,pu,f,τ,μ)中的惩罚项系数μ为递增且趋于无穷大的数列{μt},t=1,2,…,t是迭代次数,旨在对不在可行域内的决策变量进行惩罚,迫使迭代过程不断接近可行域。
根据式(8)和(9),计算资源分配结果f={f1,…,fK},此资源分配取决于导频序列传输功率和迁移任务数据传输功率。在大规模MIMO-EC物联网***中联合传输功率分配与计算资源分配方法(IFOA-PFSA)的实现流程如以下算法1所述:
2:构造辅助函数F((pp,pu,f)(t-1),τ,μt);
3:使用算法3求解minF((pp,pu,f)(t-1),τ,μt);
所述算法3采用最速下降法求解minF((pp,pu,f)(t-1),τ,μt)。算法3的流程如下:
1:对于(pp,pu,f)(0),给定最速下降梯度精度δ,迭代次数m←0;
所述算法4为改良的果蝇优化算法,该算法是一种基于果蝇觅食行为推演的智能算法,即果蝇首先利用其良好的嗅觉搜集气味以寻找食物源,飞到食物附近后再用敏锐的视觉发现食物及同伴,并飞向同伴聚集地。
算法4分为四个阶段,依次为:初始化、嗅觉搜索过程、视觉搜索过程以及迭代处理,其实现流程如下:
阶段1:初始化
1:果蝇群体规模为物联网终端的导频传输功率和迁移任务数据传输功率(pp,pu),最大迭代次数T,果蝇单次飞行距离(Δpp,Δpu),果蝇群体的初始位置即果蝇群体中每个个体k=1,…,K的初始位置t←1;
阶段2:嗅觉搜索过程
阶段3:视觉搜索过程
阶段4:t←t+1,重复阶段2与阶段3,直到迭代次数达到T
以应用于智能变电站的物联网***为例阐述本方法的实施效果。单蜂窝大规模MIMO-EC物联网***如图2所示,基站部署在智能变电站内,配置的边缘服务器最大CPU工作频率fS=100GHz,配置的天线数M=32~256,具有任务迁移需求的物联网终端数K在[10,20]均匀分布,对于物联网终端k=1,...,K,功率约束pmax=0.2W,能量约束任务迁移比特数物联网终端与基站之间的距离d在[10,60]m之间均匀分布。
设置导频序列传输时间tp=10ms,功率控制次优解精度ε=0.005W,最速下降梯度精度δ=10-4,惩罚项系数数列{μt}={5×t},t=1,2,…,在改良的果蝇优化算法中,最大迭代次数T=10,物联网终端的导频传输功率和数据传输功率迭代步长,即果蝇单次飞行距离Δpp=Δpu=0.001W。
在基于导频辅助的信道估计中,物联网终端k∈K到基站信道的大尺度衰落因子βk=zk/(dk)α,zk表示阴影衰落,其对数服从0均值,方差为的正态分布,dk表示物联网终端k∈K与基站的通信距离,α为路径损失指数。在本实施例中,取α=3.7,σsh=8dB,基站利用无线定位技术已获得通信距离dk,即物联网终端k∈K到基站信道的大尺度衰落因子βk是已知的。
将经典的果蝇优化算法(TFOA)与本方法(IFOA-PFSA)的性能进行对比分析如下:
图4所示为最大计算任务迁移周期随物联网终端数变化曲线,基站配置天线数M=32,每个物联网终端任务迁移比特数边缘服务器最大CPU工作频率fS=100GHz。由图可知,IFOA-PFSA与TFOA的最大计算任务迁移周期均随物联网终端数的增加而增大,其原因是:一方面,在给定天线数的大规模MIMO***中,随着物联网终端数的增加,相互干扰增大,传输速率降低,造成迁移任务数据传输时间增加;另一方面,由于计算资源受限,分配给每个物联网终端的计算资源随物联网终端数的增加而减少,也会造成最大计算任务迁移周期增加。但IFOA-PFSA的性能优于TFOA,且随着物联网终端数的增加越来越显著。
图5所示为最大计算任务迁移周期随物联网终端任务迁移比特数变化曲线,基站配置天线数M=32,物联网终端数K=10,边缘服务器最大CPU工作频率fS=100GHz。由图可知,IFOA-PFSA与TFOA的最大计算任务迁移周期均随物联网终端任务迁移比特数增加而上升,其原因是:一方面,在传输速率不变下,任务迁移数据量的增加会增大传输时间;另一方面,相同的计算资源需要处理的数据量增多也会增大处理时间。但IFOA-PFSA的性能优于TFOA,且随着物联网终端任务迁移比特数的增加越来越显著。
图6所示为最大计算任务迁移周期随基站天线数变化曲线,物联网终端数K=10,每个物联网终端任务迁移比特数边缘服务器最大CPU工作频率fS=100GHz。由图可知,IFOA-PFSA与TFOA的最大任务迁移周期均随天线数的增加而减小,其原因是:基站天线数增加能为各个物联网终端提供更大的空间分集增益,增大SINR,提升传输速率,从而减少任务数据的传输时间。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于物联网任务迁移周期的传输功率与计算资源分配方法,其特征在于:包括如下步骤:
其中,k为物联网中的终端编号,取值为1,2,…,N;
其中,为终端k的导频序列传输功率;为终端k的迁移任务数据的传输功率;fk为边缘服务器分配给终端k的CPU工作频率;为基于以及fk来求解终端计算任务迁移周期的最小值;max为所有终端计算任务迁移周期中的最大值;tp为导频序列的传输时间;为终端k迁移任务数据的传输时间;为终端k迁移任务的处理时间;K为物联网的终端数目,取值为1,2,…,N;fS为边缘服务器的最大CPU工作频率;pmax为终端的最大传输功率;
4.根据权利要求1所述的基于物联网任务迁移周期的传输功率与计算资源分配方法,其特征在于:对终端计算任务迁移周期的最小化处理模型的函数关系及约束条件进行归纳分析,得到辅助函数F(pp,pu,f,τ,μ),借助辅助函数F(pp,pu,f,τ,μ)对终端计算任务迁移周期的最小化处理模型进行快速求解;其中,根据如下公式确定辅助函数F(pp,pu,f,τ,μ):
F(pp,pu,f,τ,μ)=τ+μ(A+B+C);
6.根据权利要求1所述的基于物联网任务迁移周期的传输功率与计算资源分配方法,其特征在于:步骤S4具体包括:
其中,n=1,…,N;
S44:将最小次优解中的终端导频序列传输功率与迁移任务数据传输功率作为果蝇群体的初始化位置,执行改良的果蝇优化算法,得到终端计算迁移任务周期最小值对应的传输功率与计算资源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911026324.1A CN110677858B (zh) | 2019-10-25 | 2019-10-25 | 基于物联网任务迁移周期的传输功率与计算资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911026324.1A CN110677858B (zh) | 2019-10-25 | 2019-10-25 | 基于物联网任务迁移周期的传输功率与计算资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110677858A CN110677858A (zh) | 2020-01-10 |
CN110677858B true CN110677858B (zh) | 2022-05-17 |
Family
ID=69084095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911026324.1A Active CN110677858B (zh) | 2019-10-25 | 2019-10-25 | 基于物联网任务迁移周期的传输功率与计算资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110677858B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111372260B (zh) * | 2020-03-09 | 2021-09-07 | 西安交通大学 | 一种基于流量预测与果蝇优化算法的网络负载均衡方法 |
CN111586146B (zh) * | 2020-04-30 | 2022-04-22 | 贵州电网有限责任公司 | 基于概率转移深度强化学习的无线物联网资源分配方法 |
CN112214301B (zh) * | 2020-10-29 | 2023-06-02 | 华侨大学 | 面向智慧城市基于用户偏好的动态计算迁移方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109151864A (zh) * | 2018-09-18 | 2019-01-04 | 贵州电网有限责任公司 | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 |
CN109286664A (zh) * | 2018-09-14 | 2019-01-29 | 嘉兴学院 | 一种基于拉格朗日的计算迁移终端能耗优化方法 |
CN109413676A (zh) * | 2018-12-11 | 2019-03-01 | 西北大学 | 一种超密异构网络中联合下上行的边缘计算迁移方法 |
CN109819046A (zh) * | 2019-02-26 | 2019-05-28 | 重庆邮电大学 | 一种基于边缘协作的物联网虚拟计算资源调度方法 |
CN109905470A (zh) * | 2019-02-18 | 2019-06-18 | 南京邮电大学 | 一种基于边缘网关***的开销优化任务调度方法 |
CN109992419A (zh) * | 2019-03-29 | 2019-07-09 | 长沙理工大学 | 一种优化的协同边缘计算低延迟任务分配卸载方法 |
CN110187964A (zh) * | 2019-05-07 | 2019-08-30 | 南京邮电大学 | 物联网场景中完成时间最小化雾计算迁移方法 |
-
2019
- 2019-10-25 CN CN201911026324.1A patent/CN110677858B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109286664A (zh) * | 2018-09-14 | 2019-01-29 | 嘉兴学院 | 一种基于拉格朗日的计算迁移终端能耗优化方法 |
CN109151864A (zh) * | 2018-09-18 | 2019-01-04 | 贵州电网有限责任公司 | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 |
CN109413676A (zh) * | 2018-12-11 | 2019-03-01 | 西北大学 | 一种超密异构网络中联合下上行的边缘计算迁移方法 |
CN109905470A (zh) * | 2019-02-18 | 2019-06-18 | 南京邮电大学 | 一种基于边缘网关***的开销优化任务调度方法 |
CN109819046A (zh) * | 2019-02-26 | 2019-05-28 | 重庆邮电大学 | 一种基于边缘协作的物联网虚拟计算资源调度方法 |
CN109992419A (zh) * | 2019-03-29 | 2019-07-09 | 长沙理工大学 | 一种优化的协同边缘计算低延迟任务分配卸载方法 |
CN110187964A (zh) * | 2019-05-07 | 2019-08-30 | 南京邮电大学 | 物联网场景中完成时间最小化雾计算迁移方法 |
Non-Patent Citations (2)
Title |
---|
Fog Computing:Towards Minimizing Delay in the Internet of Things;Ashkan Yousefpour 等;《2017 IEEE 1st international conference on edge computing》;20171231;17-24 * |
一种能效优先的物联网任务协同迁移策略;周龙雨等;《物联网学报》;20190630;第3卷(第2期);64-71 * |
Also Published As
Publication number | Publication date |
---|---|
CN110677858A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110677858B (zh) | 基于物联网任务迁移周期的传输功率与计算资源分配方法 | |
CN110289895B (zh) | 能效谱效联合优化的大规模mimo下行功率分配方法 | |
CN110166090B (zh) | 能效最优的大规模mimo下行单播波束域功率分配方法 | |
KR101087873B1 (ko) | Ofdma 기반 네트워크를 지원하는 방법, 장치 및 시스템 | |
CN105162507B (zh) | 大规模mimo fdd***中基于信漏噪比的两阶段预编码方法 | |
CN109104225A (zh) | 一种能效最优的大规模mimo波束域多播传输方法 | |
CN113708804B (zh) | 基于鲸鱼算法的用户调度和模拟波束选择优化方法 | |
CN110311715B (zh) | 能效最优的大规模mimo非正交单播多播传输功率分配方法 | |
CN112468196A (zh) | 一种基于pzf预编码的去蜂窝大规模mimo***中功率分配方法 | |
CN111970033B (zh) | 能效谱效联合优化的大规模mimo多播功率分配方法 | |
CN113490219B (zh) | 一种面向超密集组网的动态资源分配方法 | |
Hao et al. | Pilot allocation algorithm based on K-means clustering in cell-free massive MIMO systems | |
Ni et al. | User association and hybrid beamforming designs for cooperative mmWave MIMO systems | |
CN109951219B (zh) | 一种低成本的大规模非正交多接入方法 | |
CN109787672B (zh) | 基于参数学习的大规模mimo格点偏移信道估计方法 | |
CN107346985B (zh) | 一种结合发射天线选择技术的干扰对齐方法 | |
CN114302487B (zh) | 基于自适应粒子群功率分配的能效优化方法、装置及设备 | |
CN107872255B (zh) | 适用于大规模mimo蜂窝移动通信网络的导频调度方法 | |
Alharbi et al. | A time-and energy-efficient massive MIMO-NOMA MEC offloading technique: A distributed ADMM approach | |
CN113922849B (zh) | 一种毫米波mimo-noma***下的用户分组和功率分配方法 | |
Hadi et al. | Joint resource allocation, user clustering and 3-d location optimization in multi-uav-enabled mobile edge computing | |
CN113258985B (zh) | 单站多星mimo上注***能效优化方法 | |
CN110545204B (zh) | 一种基于外罚函数与果蝇优化的资源分配方法及服务器 | |
CN115133969A (zh) | 毫米波大规模mimo-noma***的性能提高方法 | |
CN108063656A (zh) | 一种适用于大规模mimo蜂窝网络的新型导频分配方法 |
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 |