一、图的对偶带宽问题(英文)(论文文献综述)
周柳杉[1](2021)在《面向5G RAN切片的无线资源分配与移动负载均衡算法研究》文中研究表明随着移动互联网蓬勃发展,第五代移动通信系统(The Fifth Generation Mobile Communication System,5G)将支持具有更多吞吐量、延迟和可靠性要求的多样化服务,基于虚拟化的网络切片技术是应对5G网络服务多样化的使能技术之一。在实现5G无线接入网(Radio Access Network,RAN)切片过程中,需要解决切片间隔离和移动性管理等挑战。论文选题于中国联通网络技术研究院合作项目《B5G网络系统关键技术研究项目》,主要研究面向5G RAN切片的无线资源分配和移动负载均衡,提升无线资源利用率、网络容量和用户体验。论文主要工作内容如下:(1)论文综述了面向5G RAN切片的无线资源分配和移动负载均衡相关研究。首先,对网络切片技术进行简要介绍,明确了 RAN切片设计的相关原则,并讨论了网络切片引入对5G RAN设计所带来的一些挑战。然后,分别对RAN切片无线资源分配和移动负载均衡这两个重要问题的研究进展进行了总结,明确了本论文的研究方向。(2)针对5G RAN切片间资源隔离的问题,提出了一种最大化切片服务等级协议(Service Level Agreement,SLA)合约率的无线资源分配算法。首先,将SLA的业务指标映射为相应可测量的网络性能指标,以此为基础计算切片的SLA合约率。其次,根据切片的需求进行无线资源分配。最后,考虑到网络以及用户的动态性,结合切片的性能进行无线资源分配的更新,在不影响已满足SLA的切片性能基础上对不合约切片的无线资源进行动态调整,以保障切片间的隔离,最大化所有切片的SLA合约率。仿真结果表明,所提算法能够服务更多的用户,以实现更优的切片SLA合约率,同时在切片无线资源需求动态变化时能够有效的保障切片间的隔离。(3)针对网络切片架构引发面向RAN切片的移动负载均衡问题,提出了一种基于深度强化学习的移动负载均衡算法。首先,定义了系统满意度模型以衡量用户需求的满足情况,同时提出了面向RAN切片的移动负载均衡策略,包括通过射频拉远单元(Radio Remote Unit,RRU)调整分配给切片的无线资源比例实现的切片级负载控制,以及基于用户切换的小区级负载均衡。为了提升系统满意度并考虑最大化移动负载均衡的系统效用,在切片级负载控制与小区级负载均衡中分别提出了系统满意度与用户效用函数联合优化问题,并采用深度强化学习算法求解该优化问题,实现了切片级负载控制中的最佳无线资源比例分配,以及小区级负载均衡中的用户切换。仿真结果表明,所提算法可以有效地减少不满意用户的数量,实现较高的系统满意度。此外,所提算法能够有效减少系统内切换的总次数,带来较少的均衡开销。
王祎[2](2021)在《无人机辅助蜂窝网络缓存放置与内容分发联合优化算法研究》文中提出随着移动互联网的蓬勃发展与智能终端的普及,移动互联网数据流量呈指数型爆发增长。移动边缘缓存技术可以将流行度较高的多媒体内容放置在距离用户更近的边缘节点,避免蜂窝网络内热点内容大量重复传输,从而缓解网络拥塞,减轻基站负载,减少回程链路开销。同时,随着支持无线通信的小型无人机的快速发展,利用无人机基站辅助地面蜂窝网络进行热点区域覆盖受到了广泛关注。无人机具有部署灵活性和便于移动的特性,相比于地面基站可以更方便的接近用户,建立良好的视距链路,可以在热点覆盖区域为用户终端提供高速数据传输服务。因此无人机辅助蜂窝网络缓存技术成为热点研究方向之一。本论文选题于国家自然科学基金项目《无人机辅助蜂窝网络中多级协同缓存方法研究》。为了提高内容分发效率和缓存空间利用率,本文联合优化缓存放置与内容分发,从而提高系统性能。本文考虑了无人机辅助宏蜂窝网络通信和无人机辅助D2D(Device-to-Device,设备间)蜂窝网络通信两个场景,并分别提出了相应的缓存放置与内容分发联合优化算法。论文主要工作如下:1)综述了目前无人机辅助蜂窝网络缓存技术研究现状。首先概述了无人机辅助蜂窝网络主要应用场景和研究分类。然后分别从存储功能部署位置、性能指标、缓存放置策略、内容分发策略和缓存放置与内容分发联合优化研究五个方面对蜂窝网络边缘缓存研究进行了综述。最后总结了无人机辅助蜂窝网络缓存的研究现状,并指出了现有研究中存在的问题。2)在无人机辅助宏蜂窝网络场景中,针对无人机通信与缓存资源受限影响用户体验的问题,提出了一种最大化用户体验质量的缓存放置与内容分发联合优化算法。建立了以最大化系统内用户体验质量之和为目标的最优化问题,联合优化无人机位置部署、无人机缓存放置和用户接入。为了求解所提优化问题,将该问题分解为三个子问题分别进行求解,实现了基于交换匹配的无人机位置部署子算法、基于贪婪算法的无人机缓存放置子算法,以及基于拉格朗日对偶的用户接入子算法,三个子算法交替迭代实现了缓存放置与内容分发联合优化,获得所提优化问题的次优解。最后通过仿真证明所提算法的收敛性、可行性和有效性。仿真结果表明,所提算法可以有效的降低用户获得内容时延,提高用户体验质量和回程链路流量卸载率。3)在无人机辅助D2D蜂窝网络场景中,针对无人机缓存空间受限的问题,提出了一种无人机与D2D协同缓存放置与内容分发联合优化算法。首先提出了无人机与D2D用户的协同缓存架构,利用D2D用户缓存能力缓解无人机缓存空间压力,提高系统性能。建立了以最大化缓存效用为目标的最优化问题,联合优化D2D用户缓存放置策略、无人机飞行轨迹和无人机缓存放置策略。将该优化问题分解为三个子问题分别进行求解,即基于多对多交换匹配算法求解D2D用户缓存放置策略,基于近似凸优化求解无人机飞行轨迹,以及基于动态规划求解无人机缓存放置策略,三个子问题的求解过程交替迭代,实现了缓存放置与内容分发联合优化,获得所提优化问题的次优解。最后通过仿真验证了所提算法的收敛性、可行性和有效性。仿真结果表明,所提算法可以有效的提高缓存效用和回程链路流量卸载率,为用户提供高速内容分发。
李孟辉[3](2021)在《多无线电多信道网络功率分配技术研究》文中提出无线网状网络(Wireless Mesh Network,WMN)是以无线通信为基础组建的Mesh网络,其在伸缩性、鲁棒性、吞吐量等方面相比于传统的WLAN网络拥有多种优势。由于当前接入网络的无线终端数目的增多,如何有效部署WMN网络开始成为人们的研究热点。无线通信的信道和功率是两大重要资源,如何有效利用这两大资源是部署WMN必须解决的难题,为了解决普通WMN信道利用率低的问题,多无线电多信道无线网状网络(Multi-radio Multi-channel Wireless Mesh Networks,MRMC-WMN)开始被广泛研究。当前的MRMC-WMN往往采用静态资源分配如平均功率分配的资源分配方式,这也导致其不具有很好的伸缩性,因此如何通过功率分配灵活调整网络拓扑以达到高性能的目标至关重要。本文研究了静态信道分配条件下的MRMC-WMN的功率分配问题,针对吞吐量和公平性两大网络目标提出了对应的分布式功率分配算法,主要研究内容成果如下:本文首先介绍了 MRMC-WMN的研究背景与意义,对当前的功率分配算法做出了分类总结分析,为本文的研究提供了理论支撑。以最大化全网吞吐量为目标,本文首先基于随机收发网络模型提出了吞吐量模型,并针对该目标设计了吞吐量最大化分布式功率分配算法,算法基于贪心规则与凸分析给出了理论功率分配的最优解。通过与其它现有功率分配方案的性能对比,对该算法的干扰、吞吐量等网络因素进行了分析。根据仿真结果,该算法的吞吐量性能相比于其他已有算法拥有较高提升,并且在不同的网络规模下均具有良好的适应性与收敛性。以公平性最大化为目标,为了满足所有链路的服务质量(Quality of Service,QoS)需求,结合最大化和速率(Max Sum-Rate,Max-SR)与最大化最小(Max-Min)准则提出了对应的分布式公平性最大化功率分配算法。通过对两大准则建立的非凸数学模型进行分析,建立了具有超模博弈性质的非合作博弈模型,并将非凸问题拆分为多个子凸问题,通过次梯度法得出了理论最优解。作者基于MATLAB对算法进行了仿真实现,并给出了不同网络参数下的仿真结果。结果表明,相比于其他算法,该算法能够有效提高网络的公平性。
牛帅旭[4](2021)在《望远镜中基于倾斜镜的振动抑制技术研究》文中研究说明望远镜系统已被广泛地应用在天文观测以及空间光通信领域,然而系统在实现目标跟踪及成像时会受到风振、载体振动、设备振动及本身机械结构振动等的影响,从而导致视轴抖动影响跟踪精度,于是抑制振动成为提升望远镜系统性能的关键。倾斜镜的应用使得望远镜系统的跟踪精度提升了一个数量级,是获取微弧度甚至亚微弧度的核心。因此,望远镜中基于倾斜镜的振动抑制技术成为一个极其重要的研究内容。然而,目前已有的振动抑制方法却面临以下三类问题:1、基于比例-积分控制器的经典的闭环反馈控制方法的振动抑制能力有限。由于图像传感器具有低采样、高延时的特点限制了系统的闭环带宽,使得基于比例-积分控制器的经典的反馈控制方法难以达到较好的振动抑制效果。2、增加惯性传感器(如加速度计、光纤陀螺等)测量振动从而将振动进行前馈控制的方法以及在此基础上提出的一些优化的控制算法(如LQG、H2/H∞、DOB等)虽对望远镜系统的振动抑制能力起到了一定的提升作用,但也面临系统复杂度提升的难题,且结果会受到传感器噪声、振动估计不准确及模型辨识不精准的制约。3、振动的类型多样、形式复杂。系统中的振动可能是全频段的,且不仅会存在大幅、窄带的尖峰振动,同时也可能有存在范围广、能量较大的宽频带振动。针对上述问题,本文结合Youla参数化控制器结构及扰动观测器的基本结构,提出了一种基于误差的Youla参数化的扰动观测器,将振动抑制问题转化为了Q滤波器的设计及参数优化的问题,不仅简化了设计难度,还降低了系统的振动抑制能力对精确的系统模型的依赖。继而,本文在基于误差的Youla参数化的扰动观测器的基础上根据振动类型的不同提出了以下三种振动抑制方法:1、针对望远镜系统中的窄带尖峰振动严重影响其性能这一问题,结合窄带对偶滤波器提出了一种有效的窄带振动抑制方法。2、针对望远镜系统中存在范围广、能量较大的宽带振动严重影响系统性能这一问题,在窄带振动抑制方法的基础上基于级联优化滤波的设计理念提出了一种宽频带振动抑制方法。3、望远镜系统中的振动可能存在于系统的任何频段,于是本文在改进的基于误差的扰动观测器的基础上结合低通滤波器及窄带对偶滤波器提出了一种全频振动抑制方法,提高了系统的全频振动抑制能力。此外,本文在对提出的三种振动抑制方法进行了理论及仿真分析的基础上,搭建了基于压电陶瓷的倾斜镜实验验证系统,验证了上述三种方法的有效性及优越性。最后,经过对研究内容的优势及不足的总结,本文指出了以下三个需进一步研究的内容:1、研究带宽之外的振动的抑制方法。本文研究的振动抑制方法都是在系统的带宽之内开展的,然而望远镜系统的带宽是有限的,那么是否可以在本研究的基础上研究一种带宽之外的振动的抑制方法成为一个值得关注的研究方向。2、Q滤波器参数的自动调整与优化。本文所用振动抑制方法的Q滤波器的参数是为已获取的振动的特征频率而设计,然而实际系统中的振动多种多样、容易变化,于是还需进行进一步的深入研究。于是下一步的工作计划的重点之一为:在实时地获取振动信息的基础上,根据振动信息的特征自动地调整Q滤波器的参数并进行优化。3、将该方法推广到更多的控制系统中。由于振动抑制是许多控制系统共同面临的难题,而本文提出的振动抑制方法仅需要一个图像/位置传感器,且模型依赖程度低、易于设计与优化,因此具有一定的普适性。
凌壮[5](2021)在《基于能量收集的无线体域网信息不确定性与新鲜度研究》文中研究表明当前世界人口老龄化情况的加剧、各类慢性疾病患病率和致死率的持续上升,使得如何为人民提供高质量、负担得起的、可持续的健康保健服务成为当前社会面临的最大挑战。因此,在新一代无线通信技术蓬勃发展、医疗科技不断进步和人民健康需求日益增长等多重因素推动下,以人体为核心、以数据为驱动、以通信为媒介、以需求为导向的无线体域网(WBAN,Wireless Body Area Network)受到了国内外学术界和工业界的广泛关注。无线体域网是由数个放置在人体不同部位(例如体上、体表或体内)且功能不同的传感器节点以及便携式移动设备组成的短距离无线网络,它可以实时、无线和远程监测人体健康状况,也可以提供各种无线应用,是实现生命体征的实时监测与预警、建立全民健康信息化个人智慧医疗体系的重要手段。不同于传统的无线传感器网络,无线体域网不仅每个传感器节点的能量供给、计算能力、存储容量以及通信距离是有限的,该网络还是一个随人体运动的高动态变化网络,其网络拓扑结构或人体运动姿态变化会不可避免地对信道状态信息产生不确定的影响。传统的无线体域网更多关注的是信息传输的时延和吞吐量,并不能从信息价值的角度刻画系统的通信性能,也不能满足网络实时状态更新的需求。因此,建立一个高能效、高可靠、高实时性的无线体域网能量收集和信息传输机制,具有重要的研究意义和应用价值。然而,目前尚未见到满足多场景需求的能量收集和信息传输技术的描述,缺乏有效的信道状态信息不确定性量化方法和信息传输实时性衡量指标。针对无线体域网能量收集环境受限、信道估计误差不确定和信息新鲜度难以衡量的问题,本文从网络架构-信道可信度-通信性能三个维度出发,围绕基于能量收集的无线体域网信息不确定性与新鲜度展开深入研究,构建不同场景下的无线体域网能量收集和信息传输模型,提出信道状态信息不确定情况下的分布式鲁棒优化算法,验证信息新鲜度在无线体域网中作为通信性能评价指标的可行性。主要内容和贡献如下:(1)针对传统无线体域网的传感器节点受体积和应用环境影响而引发的能量受限问题,开展无线体域网不同场景能量收集和信息传输研究,构建多场景高效混合结构能量收集和信息传输模型。本文从以下三个方面开展研究:1)在无线体域网能量收集和信息传输控制策略研究方面,提出基于时间比例控制的传输功率优化算法。2)在正常情况下无线体域网能量收集和信息传输技术的研究中,提出基于功率分配结构的传输功率优化算法。3)在异常情况下无线体域网能量收集和信息传输技术的研究中,提出基于时间分配结构的传输功率优化算法。仿真结果表明,在能量收集和信息传输不同应用场景中,该传输模型能够实现传感器节点传输功率的自适应分配,有效地优化了系统信息吞吐量,提升了系统通信性能,为无线体域网能量收集和信息传输的研究提供新思路。(2)针对无线体域网信道状态信息不确定的问题,开展基于能量收集的不确定信息研究,建立适用不同场景的分布式鲁棒信息传输机制。针对无线体域网信道状态信息不确定的问题,本文提出反射通信辅助计算任务卸载的物理模型来提升网络的通信能力和计算能力,建立基于数据传输速率机会约束和能量收集机会约束的分布式鲁棒优化模型。假设静态场景信道估计误差服从高斯分布,异常动态场景信道估计误差服从任意分布。针对不同信道特征分布,分别采用Bernstein不等式(BTI,Bernstein-Type-Inequality)方法和条件风险值(CVa R,Conditional Value-at-Risk)方法来将不确定集中的机会约束转化为半正定规划形式。提出一种低复杂度分布式鲁棒优化迭代算法求解非凸优化问题局部最优解。仿真结果比较分布式鲁棒优化算法和非鲁棒优化算法在时延方面的表现。在体表信道中,分布式鲁棒优化算法的时延相比于非鲁棒优化算法提升了40.5%。在体内信道中,所提算法的时延相比于非鲁棒优化算法提升了42.6%。基于CVa R的分布式鲁棒优化算法能够有效量化信道估计误差,基于BTI的分布式鲁棒优化算法更适合于特定的信道误差分布。(3)针对无线体域网高可靠低时延通信需求,开展基于能量收集的信息新鲜度研究,提出基于信息新鲜度衡量理论的信息传输新算法。本文为满足无线体域网信息实时更新的需求,构建以信息新鲜度为通信指标的信息传输实时性衡量理论体系,揭示信息实时传输过程中信息年龄(Ao I,Age of Information)的变化规律。针对信道状态信息不确定的问题,建立基于平均信息年龄的分布式鲁棒优化模型,最小化能量收集机会约束和信息传输机会约束影响下的平均信息年龄上界,基于条件风险值方法将分布式鲁棒机会约束转化为半正定规划形式,提出一种基于信息新鲜度衡量理论的平均信息年龄上界最小化算法来求解转化后的优化问题。仿真结果验证了信息年龄衡量无线体域网信息新鲜度的可行性,揭示信息年龄与能耗之间的一种平衡关系。所提算法的平均信息年龄相比于非鲁棒优化算法提升了22.7%,证明该算法能够在相对较差的信道条件下保证医疗信息的新鲜度。
钱磊[6](2021)在《可见光通信网络物理层安全及时延保障技术研究》文中进行了进一步梳理下一代无线网络对无线传输安全及时延服务质量(Quality of Service,Qo S)保障均提出了较高的要求。可见光通信(Visible Light Communications,VLC)占用400至800THz免授权频段进行传输,传输速率可达Gbps,有望提供更严格的时延Qo S保障,且光信号难以穿透非透明遮挡,具有天然的安全性优势。因此,VLC网络在下一代室内无线通信网络市场中展现出强大的应用潜力。然而,由于无线光信道具有天然发散性,当VLC网络部署于室内公共空间时,多用户间仍存在通过VLC直射或反射链路相互窃听的风险,VLC网络无线传输安全问题有待探究。此外,由于VLC链路与射频不同,VLC信道的随机遮挡、接收端视场角、用户的室内运动等都将对VLC网络服务过程产生影响,适用于VLC网络中用户的统计时延Qo S保障方法值得探索。进一步地,对于具有安全与时延双重保障需求的VLC网络,由于VLC网络中的安全保障与时延保障均需以牺牲带宽为代价,如何权衡安全保障、时延保障与传输速率的关系,合理分配VLC网络资源以支持安全及时延保障,是值得研究的问题。本文基于网络信息论及有效容量理论,探索安全保障、时延保障、以及安全加时延双重保障对VLC系统传输速率的影响。在此基础上,结合凸优化理论与随机优化理论,考虑VLC用户移动性、VLC信道遮挡随机性、多用户调度等,研究VLC网络物理层安全(Physical Layer Security,PLS)及统计时延Qo S保障方法,探索支持安全及时延保障的VLC网络资源分配方法。本文主要的创新工作如下:(1)在VLC网络物理层安全保障方面,借鉴智能反射平面(Intelligent Reflecting Surfaces,IRS)在射频通信系统中通过智能优化幅度与相位,构建可控的无线环境、提升无线传输安全性能的思想,首次将IRS应用于VLC安全系统中,提出IRS辅助的新型VLC物理层安全技术。首先,本文针对智能镜面阵列实现的VLC IRS系统,基于几何光学推导了平面镜阵列实现下的IRS信道增益,结合网络信息论,推导了IRS辅助的VLC系统在光峰值功率约束下的可达安全传输速率下界。其次,为增强VLC系统的安全传输性能,本文以VLC IRS系统可达安全传输速率最大为目标、以IRS镜面阵列中各镜面的旋转角度为优化变量构建优化问题,旨在通过镜面阵列的智能旋转扩大合法用户和窃听者之间的信道差异,提出智能镜面阵列辅助的VLC系统物理层安全技术。最后,由于IRS信道增益对镜面旋转角度敏感,镜面阵列旋转角度优化问题难以求解,本文提出将原镜面角度旋转优化问题转化为反射光斑位置优化问题,降低优化问题求解复杂度。仿真结果表明,在智能镜面阵列的辅助下,VLC系统的可达安全传输速率得到明显提升。(2)在VLC网络时延保障方面,本文基于有效容量理论研究了VLC系统统计时延分析方法与时延保障下的资源分配方法。(1)在室内下行VLC系统中,考虑用户运动对时延保障的影响,本文基于离散时间马尔可夫链构建用户的室内运动模型,将运动产生的对VLC直射链路距离和角度的影响映射到VLC系统服务中,构建VLC系统运动用户的马尔可夫式服务模型。进而,基于有效容量理论,推导马尔可夫式服务下室内下行VLC系统运动用户的有效容量,即统计时延约束下运动用户的传输速率。在此基础上,分析不同时延约束、接收端视场角、运动模型参数等因素对有效容量的影响。(2)在上行VLC系统中,由于光链路直射性较强,传统用于缓解多用户碰撞的载波侦听技术有效性差,因此本文采用多包接收(Multi-Packet Reception,MPR)技术缓解上行VLC接入过程中的碰撞问题,提出两阶段式VLC MPR系统上行混合接入框架,包括接入请求阶段与数据传输阶段。综合考虑VLC信道遮挡的随机性和用户接入行为的随机性,推导了请求接入阶段各用户的成功请求概率和数据传输阶段系统的传输速率。进而,基于有效容量理论,提出多用户差异化时延约束下聚合有效容量的概念,作为系统级性能度量指标,并构建聚合有效容量最大化问题,求解支持差异化时延保障的VLC系统上行资源分配策略。(3)在VLC网络物理层安全与时延双重保障方面,针对多AP多用户VLC网络中各用户互为潜在窃听者的私密通信场景,基于“以用户为中心”的思想,提出了兼顾差异化统计时延保障与无线传输安全保障的动态VLC私密小区构建算法。首先,结合多用户调度,提出了跨层的VLC私密小区构建方法。在各VLC私密小区中,采用定制化混合PLS技术提升光无线传输安全性。其次,基于网络信息论,推导了多潜在窃听者场景中各用户的可达私密传输速率,并结合有效容量理论,提出了私密有效容量的概念,用于表征用户在时延与安全双重约束下的VLC传输速率,刻画安全保障、时延保障与传输速率之间的权衡关系。进而,将兼顾安全与统计时延保障的VLC网络资源分配问题建模为多个长时间尺度统计时延保障不等式约束下的私密有效容量最大化随机优化问题。最后,基于Lyapunov优化理论,利用历史可观测传输结果,将长时间尺度优化问题逐时隙分解为各时隙确定性优化问题,并将各时隙确定性优化问题解耦为“以用户为中心”小区构建子问题与小区内部混合PLS技术优化子问题,分别采用改进的粒子群算法与基于干扰图的贪婪组网算法求解两个子问题。仿真结果表明,本文所提出的私密小区构建算法在实现安全与时延双重保障的前提下,可达到更高的传输速率。
薛娜[7](2021)在《基于先验信息的蜂窝车联网资源预分配策略研究》文中研究表明蜂窝车联网通信(Cellular Vehicle-to-everything,C-V2X)是第五代移动通信技术在智能交通领域的重要应用,是我国新型基础设施建设的重要组成部分。在蜂窝车联网中,车辆用户基于蜂窝通信和直连通信实现“人-车-路-云”的实时动态连接。该系统中,车辆的快速移动性加剧了蜂窝车联网中无线业务流量时空分布的不均匀性,从而导致蜂窝侧无线资源配置与用户需求不匹配,降低了无线网络能量资源利用效率,不符合绿色通信的要求。随着人工智能技术的发展,机器学习、大数据分析等信息技术可以对无线数据进行分析与预测,提前获知未来网络负载、用户位置等的变化情况,从而提高无线资源的利用效率。当前,如何利用数据分析得到的先验信息进行资源预分配已经成为解决蜂窝车联网中无线资源配置与用户需求不匹配的关键所在。基于此,本论文重点研究了蜂窝车联网中基于先验信息的资源预分配策略,首先对车辆用户的移动速率分布进行了数据分析并研究了基于数据分析的高能效资源预分配(Energy Efficient Resource Pre-Allocation,EE-RPA)策略。在此基础上,进一步考虑基站负载高低对能耗的影响,研究了如何进行用户关联、子载波和功率分配的联合设计实现能耗最小化。本文的主要贡献和创新点归纳如下:1)研究了蜂窝车联网中基于先验信息的能效优化策略,在用户服务质量和中断概率约束的条件下,通过时间和功率分配实现了系统总能效最大化。首先对公开数据集进行数据分析以获得车辆用户速率分布的拟合函数。在此基础上,为了最大化系统平均能效,使用信道分布信息化简中断概率约束,提出了一种基于非线性分式规划的两层迭代EE-RPA算法。该算法首先将分式形式的优化目标转化为减式形式,并引入能量效率因子进行外层迭代,然后在内层优化问题中分别使用线性规划和拉格朗日对偶理论进行求解。最后在不同的车辆用户速率分布和请求数据量的条件下,进行软件仿真并验证所提算法的性能。数据拟合结果显示高斯型核密度估计函数可以表征车辆用户速率分布特征。仿真结果显示所提算法具有良好的收敛性,相较于传统的资源分配策略,可以获得至少65%的能效增益,同时所提算法的性能也受到高低速车辆用户数目是否相同的影响。2)研究了蜂窝车联网中基于先验信息的能耗优化策略,将空闲子载波按照时序在预测窗中进行扩展,利用双边多对一匹配模型,通过用户关联、子载波和功率分配的联合优化实现了系统总能耗最小化。考虑蜂窝所消耗的能量与负载成线性比例关系的能耗模型,在保证用户服务质量的条件下,提出一种基于匹配交换的多维资源预分配算法。该算法首先将原混合整数非线性规划问题分解为离散子优化和连续子优化问题。其次,首次提出将蜂窝小区的空闲子载波在预测窗时间内根据时间帧进行虚拟扩展,并利用双边多对一匹配模型对用户关联和子载波分配的离散子优化问题进行求解。最后,利用拉格朗日对偶理论求解最优的蜂窝发射功率。仿真结果表明,所提算法具有较快的收敛速度,相较传统的资源分配策略可以显着降低系统能耗。
谢洋浩[8](2021)在《网络功能虚拟化中的资源分配研究》文中提出传统电信网络由一系列的专有物理设备组成,网络服务所需的网络功能都是专有设备。这样的网络使提供网络服务的周期长、服务敏捷性低,并且严重依赖于专用硬件。这些缺点使在传统网络中提供敏捷的、多样的服务变得极其困难。网络功能虚拟化(Network Function Virtualization,NFV)被提出来以解决这些问题。NFV使用虚拟化技术,将基于硬件的网络功能实现为基于软件的虚拟网络功能(Virtualized Network Function,VNF);然后在通用服务器上运行这些VNF,而不用购买和安装新的硬件。这样,网络服务便可以分解为,多个可以动态部署在通用服务器上的VNF。因此,NFV提供了一个设计、部署和管理网络服务的新范式。NFV在提高网络灵活性的同时,也降低了资本支出(Capital Expense,CAPEX)和运营成本(Operating Expense,OPEX)。虽然NFV具有许多优势,但是,为了应用NFV,仍然还有许多挑战亟需解决。本文主要研究了,动态场景中NFV中的资源分配问题,包括VNF的放置问题,以及云环境中的VNF供给问题。本文的研究内容和主要贡献点如下:1.基于在线原始对偶算法的性能保证的VNF放置算法研究。在考虑NFV网络的动态特征情况下,本文提出了一个可证明性能的算法DAFT。DAFT基于在线原始对偶算法框架设计,并将子问题规约到一个能够使用迪杰斯特拉(Dijkstra)算法来求解的问题,从而使算法在满足理论可证明性能的同时,保证较低的计算复杂度。理论分析表明,DAFT相对离线最优解的竞争比(Competitive ratio)为(1-1/e),其中e≈2.7183。本文还提出了一个基于DAFT改进的算法来解决DAFT可能违背容量约束这一问题,即FDAFT。仿真结果表明,DAFT和FDAFT的竞争比显着优于同类对比算法。2.基于李亚普诺夫优化的缓存感知的VNF放置算法研究。本文在考虑缓存(队列)稳定性的情况下,研究了动态网络中的VNF放置问题。本文提出了在线算法MACRO来求解这个问题。另外,为了限制最坏情况下请求的延迟,本文提出了一个改进的算法WEB-MACRO。两个算法与平均最优解的差距都为O(1/V),其中V是一个可调参数,用于控制目标函数值和队列长度的折中。此外,MACRO维护的队列长度由O(V)约束;WEB-MACRO维护的队列长度存在有限上界,从而限制了最坏情况下服务请求遇到的延迟。仿真结果表明,MACRO和WEB-MACRO的队列稳定,总成本低于同类对比算法。3.基于图神经网络和DRL的VNF-FG放置算法研究。复杂的网络服务可以被抽象为虚拟网络功能转发图(Virtual Network Function Forwarding Graph,VNF-FG),它也是一个有向无圈图(Directed Acyclic Graph,DAG)。本文研究了动态场景下VNF-FG的放置问题。为了充分利用复杂网络服务特殊的DAG结构,以及处理动态网络的复杂性,本文将图神经网络(Graph Neural Network,GNN)与深度强化学习(Deep Reinforcement Learning,DRL)结合起来,提出了一个高效的VNF-FG放置算法,即Kolin。仿真结果表明,与最新的方法相比,Kolin在系统成本、接入率和计算复杂度方面都有显着提升。4.基于组合优化算法的限制VNF迁移的VNF放置算法研究。本文研究了如何在限制VNF迁移数目的同时,减少放置VNF所需的服务器数目的问题。本文基于一个求解在线装箱问题的组合优化算法,设计了VNF放置算法SIVA。理论分析表明,SIVA每一步最多迁移λ个VNF,当k→∞的时候,该算法的渐近竞争比(Asymptotic Competitive Ratio,ACR)为3/2,其中λ=k·|N|,k是可调参数,|N|是网络支持的VNF类型的数目。仿真结果表明,SIVA利用较少的VNF迁移减少了使用的服务器,并且优于对比算法。5.基于模型预测控制的随机云环境中的VNF供给算法研究。由于NFV的优势,网络功能虚拟化提供商(Network Function Virtualization Provider,NFVP)尝试购买云资源来部署VNF,从而提供NFV服务。然而,现有的资源购买方案忽略了云环境的动态特征,从而可能导致成本过高。本文同时考虑了云资源价格,以及服务请求流量大小的动态变化,研究了NFVP应该如何购买云资源,从而降低其成本的问题。本文基于模型预测控制(Model Predictive Control,MPC)提出了算法VINOS,其中,VINOS使用长短时记忆(Long Short Term Memory,LSTM)网络来预测未来的云资源价格和服务请求流量大小。仿真结果表明,VINOS的总成本接近离线最优,并优于对比算法。
李蓉[9](2021)在《双向中继通信系统中的新型传输技术研究》文中认为作为无线通信系统的关键增强技术之一,中继通信技术是扩大无线服务覆盖范围,提升边缘用户通信质量,促进通信网络负载均衡的有效手段。其中双向中继技术因为占据高频谱效率、低中继时延等优势,备受研究领域关注。此外,为避免发射信号对接收信号造成强干扰,双向中继系统的节点大多采用半双工工作模式,这会给无线中继系统带来部分资源损失,因此结合新的技术设计有效的方案以优化现有中继系统的性能,具有重大的理论价值与实践意义。基于提升现有无线双向中继系统传输可靠性、容量等目标,本论文将双向中继技术与新型分集技术空时线码(Space-Time Line Code,STLC)、无人机(Unmanned Aerial Vehicle,UAV)通信技术结合进行研究。首先对基于STLC技术的多输入多输出(Multiple Input Multiple Output,MIMO)双向中继系统的性能进行理论分析,然后对中继轨迹和功率分配进行联合优化来提升UAV辅助的移动双向中继系统的吞吐量。本论文主要的工作内容在于以下两个方面:(1)基于STLC技术的MIMO双向中继系统的性能分析:首先介绍了基于STLC技术的MIMO双向中继系统的系统模型,分析了在Rayleigh衰落信道下,系统的中断概率(Outage Probability,OP)、平均误比特率(Bit Error Rate,BER)的理论结果,最后基于MATLAB对理论分析结果进行了仿真验证。在该章,独创性地分析了基于STLC技术的MIMO双向中继系统在Rayleigh衰落信道下的系统性能,所得结果对系统设计具有很好的指导作用。(2)UAV辅助的移动双向中继系统吞吐量最大化研究:基于UAV的高移动性,建立UAV辅助的移动双向中继系统模型,即部署UAV作为中继辅助无直接通信链路的两端节点相互交换信息。考虑在无人机移动性约束、中继平均功率和峰值功率限制以及信息因果约束下,联合优化无人机的飞行轨迹和功率分配以实现系统端到端吞吐量和最小链路平均速率最大化。利用拉格朗日对偶法、连续凸逼近(Successive Convex Approximation,SCA)等数学方法得到系统最优资源分配方案。仿真结果表明,本文提出的联合优化策略相比传统的基准策略,具有更优的性能。
张晓逸[10](2020)在《5G无线接入网络的资源分配算法研究》文中研究说明第五代移动通信系统(The Fifth Generation,5G)作为面向2020年以后移动通信发展的新一代移动通信系统,必须具备高速率、低时延、广连接等特性以满足未来的移动通信需求。为了真正实现上述目标,一些新颖的无线通信技术不断涌现,比如非正交多址接入技术(Non-Orthogonal Multiple Access,NOMA)采用功率域复用弥补了传统正交多址接入技术(Orthogonal Multiple Access,OMA)频谱效率低的缺陷。另外,通信系统的网络架构不断演进,比如云无线接入网络(Cloud Radio Access Network,CRAN)逐渐朝着异构云无线接入网络(Heterogeneous Cloud Radio Access Network,H-CRAN)的趋势发展。尽管网络资源分配存在已久,但它作为移动通信领域的重要组成部分之一,仍然对5G发展有着举足轻重的作用,同样需要适应5G发展的新需求。在这一背景下,本文深入研究了5G无线接入网络的资源分配问题,旨在使网络资源分配能够与新颖的无线通信技术和全新的通信网络架构相结合,能够适应5G发展的新需求。本文的主要研究工作如下:(1)提出了基于用户分簇的MIMO-NOMA网络资源分配算法。该算法根据用户位置信息和信道状态信息(Channel State Information,CSI)进行用户分簇,有效地缓解了共享同一资源块导致的同时同频干扰。同时该算法引入有效容量作为衡量网络性能的指标,相比传统的网络容量保证了多样的服务质量(Quality of Service,Qo S)需求。仿真结果表明,用户分簇可以有效地缓解NOMA技术引入的同时同频干扰,提升网络的整体性能,同时有效容量也保证了速率、时延和丢包率等多样的Qo S需求。(2)提出了基于多时间尺度协同优化的H-CRAN资源分配算法。传统的资源分配算法都是根据信道增益等短期瞬时信息进行小时间尺度资源分配,本文所提算法在小时间尺度资源分配之前还根据历史带宽需求等长期平均信息进行大时间尺度资源分配,更好地挖掘了用户行为等规律。同时该算法结合机器学习方法进行问题求解,相比传统的最优化方法能够更好地适应动态变化的网络环境。仿真结果表明,本文所提算法相比已有的资源分配算法可以进一步提升网络的资源利用率。(3)设计并实现了H-CRAN资源分配验证演示平台。该平台基于Jet Brains Py Charm搭建,依赖多线程技术实现分布式计算,利用Numpy和Pandas等相关库函数对网络数据进行分析和处理,利用Tenseflow和Keras等框架设计算法实现网络资源分配。该平台实现了多时间尺度协同优化的H-CRAN资源分配算法并验证了其性能。
二、图的对偶带宽问题(英文)(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、图的对偶带宽问题(英文)(论文提纲范文)
(1)面向5G RAN切片的无线资源分配与移动负载均衡算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 研究内容与成果 |
1.3 论文的组织结构 |
第二章 5GRAN切片相关技术研究综述 |
2.1 引言 |
2.2 网络切片技术 |
2.2.1 网络切片概念及标准化进展 |
2.2.2 端到端的网络切片 |
2.3 无线接入网切片 |
2.3.1 RAN切片的需求与设计原则 |
2.3.2 RAN切片的研究挑战 |
2.4 面向RAN切片的无线资源分配研究 |
2.4.1 RAN切片无线资源管理标准化进展 |
2.4.2 RAN切片无线资源分配研究现状 |
2.4.3 RAN切片无线资源分配研究挑战 |
2.5 面向RAN切片的移动负载均衡研究 |
2.5.1 RAN切片移动负载均衡标准化进展 |
2.5.2 RAN切片移动负载均衡研究现状 |
2.5.3 RAN切片移动负载均衡研究挑战 |
2.6 本章小结 |
第三章 面向5G RAN切片的无线资源分配研究 |
3.1 引言 |
3.2 系统模型 |
3.3 最大化切片SLA合约率的无线资源分配算法 |
3.3.1 SLA参数和性能指标的映射 |
3.3.2 RAN切片无线资源分配 |
3.3.2.1 子信道和功率分配 |
3.3.2.2 用户选择 |
3.3.3 RAN切片无线资源更新 |
3.4 性能仿真验证 |
3.4.1 仿真参数设置 |
3.4.2 仿真结果分析 |
3.5 本章小结 |
第四章 面向5G RAN切片的移动负载均衡研究 |
4.1 引言 |
4.2 系统模型 |
4.2.1 RAN切片模型 |
4.2.2 系统满意度模型 |
4.3 面向RAN切片的移动负载均衡策略 |
4.3.1 切片级负载控制 |
4.3.2 小区级负载均衡 |
4.3.3 面向RAN切片的移动负载均衡架构 |
4.4 基于深度强化学习的移动负载均衡算法 |
4.4.1 问题建模 |
4.4.1.1 切片级负载控制 |
4.4.1.2 小区级负载均衡 |
4.4.2 深度强化学习 |
4.4.2.1 强化学习的基本思想 |
4.4.2.2 DQN |
4.4.3 基于DQN的切片级负载控制 |
4.4.4 基于DQN的小区级负载均衡 |
4.5 性能仿真验证 |
4.5.1 仿真参数设置 |
4.5.2 仿真结果分析 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
缩略语 |
致谢 |
攻读学位期间取得的研究成果目录 |
(2)无人机辅助蜂窝网络缓存放置与内容分发联合优化算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究内容与成果 |
1.3 论文结构安排 |
第二章 无人机辅助蜂窝网络缓存技术研究综述 |
2.1 无人机辅助蜂窝网络概述 |
2.1.1 无人机辅助蜂窝网络应用场景 |
2.1.2 无人机辅助蜂窝网络研究分类 |
2.2 蜂窝网络边缘缓存技术研究综述 |
2.2.1 存储功能部署位置 |
2.2.2 缓存性能指标 |
2.2.3 缓存放置策略研究 |
2.2.4 内容分发策略研究 |
2.2.5 缓存放置与内容分发联合优化研究 |
2.3 无人机辅助蜂窝网络缓存研究现状 |
2.4 本章小节 |
第三章 无人机辅助宏蜂窝网络缓存放置与内容分发联合优化算法研究 |
3.1 引言 |
3.2 系统模型 |
3.2.1 网络架构 |
3.2.2 无人机通信信道模型 |
3.2.3 缓存模型 |
3.2.4 QoE模型 |
3.3 问题建模 |
3.3.1 内容获取时延 |
3.3.2 优化问题 |
3.4 最大化QoE的缓存放置与内容分发联合优化算法 |
3.4.1 联合优化算法步骤 |
3.4.2 联合优化算法复杂度和收敛性分析 |
3.5 性能仿真与分析 |
3.5.1 仿真参数设置 |
3.5.2 仿真性能指标 |
3.5.3 仿真结果分析 |
3.6 本章小结 |
第四章 无人机辅助D2D蜂窝网络缓存放置与内容分发联合优化算法研究 |
4.1 引言 |
4.2 系统模型 |
4.2.1 网络架构 |
4.2.2 D2D通信信道模型 |
4.2.3 无人机通信信道模型 |
4.2.4 内容服务模型 |
4.3 问题建模 |
4.3.1 缓存效用 |
4.3.2 优化问题 |
4.4 最大化缓存效用的缓存放置与内容分发联合优化算法 |
4.4.1 联合优化算法步骤 |
4.4.2 联合优化算法复杂度分析 |
4.5 性能仿真与分析 |
4.5.1 仿真参数设置 |
4.5.2 仿真结果分析 |
4.6 本章小节 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 未来工作展望 |
参考文献 |
缩略词索引 |
附录1 |
致谢 |
攻读硕士学位期间研究成果 |
(3)多无线电多信道网络功率分配技术研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及其意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 当前研究现状 |
1.2.1 集中式功率分配 |
1.2.2 分布式功率分配 |
1.3 论文研究内容和结构安排 |
第二章 MRMC-WMN与功率分配技术综述 |
2.1 MRMC-WMN概念 |
2.2 MRMC-WMN基本架构 |
2.3 MRMC-WMN关键技术 |
2.3.1 资源分配 |
2.3.2 MAC协议设计 |
2.3.3 路由协议 |
2.4 MRMC-WMM功率分配算法研究现状 |
2.4.1 干扰模型 |
2.4.2 功率分配算法分类 |
2.4.3 功率分配算法分析 |
2.5 本章小结 |
第三章 MRMC-WMN吞吐量最大化功率分配算法 |
3.1 系统模型 |
3.1.1 网络模型 |
3.1.2 干扰模型 |
3.1.3 吞吐量模型 |
3.2 关键问题 |
3.3 MRMC-WMN吞吐量最大化MCPC功率分配算法 |
3.3.1 MCPC功率分配本地优化算法 |
3.3.2 MCPC功率分配算法流程 |
3.4 算法仿真比较与分析 |
3.4.1 仿真参数设置 |
3.4.2 不同网络参数下的算法仿真性能与分析 |
3.5 本章小结 |
第四章 MRMC-WMN公平性最大化功率分配算法 |
4.1 系统模型 |
4.1.1 网络模型 |
4.1.2 公平性模型 |
4.2 关键问题 |
4.3 MRMC-WMN公平性最大化MFPC功率分配算法 |
4.3.1 MFPC功率分配博弈论建模 |
4.3.2 MFPC功率分配算法流程 |
4.4 算法仿真比较与分析 |
4.4.1 仿真参数设置 |
4.4.2 不同网络参数下的算法性能仿真与分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 论文进一步研究方向 |
参考文献 |
缩略语列表 |
致谢 |
攻读学位期间取得的研究成果 |
(4)望远镜中基于倾斜镜的振动抑制技术研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 本课题的研究背景及意义 |
1.2 光学望远镜的发展状况 |
1.2.1 国外的光学望远镜 |
1.2.2 国内的光学望远镜 |
1.3 影响望远镜系统精度的因素 |
1.4 复合轴控制技术 |
1.5 倾斜镜的振动抑制技术 |
1.6 拟解决的关键问题 |
1.7 研究内容及论文结构 |
第2章 倾斜镜闭环控制系统建模与分析 |
2.1 引言 |
2.2 倾斜镜系统的机理建模 |
2.3 倾斜镜系统模型辨识的原理 |
2.4 闭环控制系统的传递函数 |
2.5 本章小结 |
第3章 基于误差的Youla参数化的扰动观测器 |
3.1 引言 |
3.2 经典反馈控制结构 |
3.2.1 系统延时对系统振动抑制能力的影响 |
3.2.2 模型精确度对系统振动抑制能力的影响 |
3.3 扰动观测器的基本结构 |
3.4 Youla参数化 |
3.5 基于Youla参数化的改进的扰动观测器 |
3.5.1 改进的扰动观测器结构 |
3.5.2 稳定性分析 |
3.5.3 改进的扰动观测器振动抑制特性分析 |
3.6 本章小结 |
第4章 倾斜镜中基于误差观测器的窄带振动抑制方法 |
4.1 引言 |
4.2 控制器设计及特性分析 |
4.3 窄带振动抑制方法仿真分析 |
4.4 本章小结 |
第5章 基于级联优化滤波的宽频振动抑制方法 |
5.1 引言 |
5.2 基于等效滤波器理念的Q滤波器设计及特性分析 |
5.3 宽频振动抑制方法仿真分析 |
5.4 本章小结 |
第6章 基于结合滤波器的全频振动抑制方法 |
6.1 引言 |
6.2 抑制全频振动的ESF(s)设计及特性分析 |
6.3 全频振动抑制方法仿真分析 |
6.4 本章小结 |
第7章 闭环实验验证及结果分析 |
7.1 引言 |
7.2 基于倾斜镜的实验系统硬件简介 |
7.3 基于倾斜镜的实验系统的软件设计简介 |
7.4 控制器设计及结果分析 |
7.4.1 窄带振动抑制方法实验结果分析 |
7.4.2 宽带振动抑制方法实验结果分析 |
7.4.3 全频振动抑制方法实验结果分析 |
7.5 本章小结 |
第8章 总结和展望 |
8.1 论文工作总结 |
8.2 论文主要创新 |
8.3 未来研究展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(5)基于能量收集的无线体域网信息不确定性与新鲜度研究(论文提纲范文)
摘要 |
Abstract |
缩略词对照表 |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 无线体域网 |
1.2.1 典型架构 |
1.2.2 应用前景 |
1.3 国内外研究现状 |
1.3.1 无线体域网医疗服务研究 |
1.3.2 无线体域网能量收集技术研究 |
1.3.3 无线体域网信道状态信息研究 |
1.3.4 无线体域网数据传输低延迟高可靠研究 |
1.4 本文的主要内容 |
1.4.1 研究目标 |
1.4.2 研究内容 |
1.5 论文组织结构 |
第2章 理论基础 |
2.1 无线体域网基本理论 |
2.1.1 通信标准与协议 |
2.1.2 信道模型 |
2.2 凸优化理论 |
2.2.1 引言 |
2.2.2 凸集与凸函数 |
2.2.3 凸优化问题 |
2.2.4 拉格朗日对偶原理与KKT条件 |
2.3 分布式鲁棒优化理论 |
2.3.1 引言 |
2.3.2 数学优化模型 |
2.3.3 机会约束优化模型 |
2.3.4 优化模型转化方法 |
2.4 信息新鲜度理论 |
2.4.1 引言 |
2.4.2 信息年龄概念 |
2.5 本章小结 |
第3章 无线体域网能量收集和信息传输技术研究 |
3.1 引言 |
3.2 能量收集和信息传输控制策略 |
3.2.1 系统模型 |
3.2.2 优化问题求解 |
3.2.3 仿真结果与性能分析 |
3.3 正常情况下能量收集和信息传输技术 |
3.3.1 系统模型 |
3.3.2 优化问题求解 |
3.3.3 仿真结果与性能分析 |
3.4 异常情况下能量收集和信息传输技术 |
3.4.1 系统模型 |
3.4.2 优化问题求解 |
3.4.3 仿真结果与性能分析 |
3.5 本章小结 |
第4章 基于能量收集的无线体域网不确定信息研究 |
4.1 引言 |
4.2 不确定信息下能量收集和信息卸载模型 |
4.2.1 通信模型 |
4.2.2 计算任务处理模型 |
4.2.3 能量收集模型 |
4.3 优化模型 |
4.3.1 分布式鲁棒机会约束优化模型 |
4.3.2 非鲁棒机会约束优化模型 |
4.4 分布式鲁棒优化问题求解 |
4.4.1 BTI方法求解 |
4.4.2 CVa R方法求解 |
4.5 算法设计及分析 |
4.5.1 计算任务处理子问题 |
4.5.2 反射通信子问题 |
4.5.3 优化算法 |
4.5.4 算法分析 |
4.6 仿真结果与性能分析 |
4.7 本章小结 |
第5章 基于能量收集的无线体域网信息新鲜度研究 |
5.1 引言 |
5.2 不确定信息下能量收集和信息传输模型 |
5.2.1 信道模型 |
5.2.2 能量收集模型 |
5.2.3 通信模型 |
5.3 信息新鲜度分析 |
5.3.1 信息年龄 |
5.3.2 信息年龄演化过程 |
5.3.3 信息年龄表现分析 |
5.4 优化模型 |
5.4.1 分布式鲁棒机会约束优化模型 |
5.4.2 非鲁棒机会约束优化模型 |
5.4.3 目标函数分析 |
5.4.4 约束分析 |
5.5 算法设计及分析 |
5.5.1 功率分配子问题 |
5.5.2 中断概率子问题 |
5.5.3 算法分析 |
5.6 仿真结果与性能分析 |
5.7 本章小结 |
第6章 总结与展望 |
6.1 全文总结 |
6.2 工作展望 |
参考文献 |
作者简介及在学期间所取得的科研成果 |
致谢 |
(6)可见光通信网络物理层安全及时延保障技术研究(论文提纲范文)
摘要 |
Abstract |
英文缩写注释 |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 VLC网络物理层安全研究现状 |
1.2.2 无线网络统计时延QoS保障研究现状 |
1.3 论文的主要内容及结构 |
第2章 论文涉及的基础知识 |
2.1 VLC基础知识 |
2.1.1 光学度量 |
2.1.2 VLC传输方式 |
2.1.3 VLC信道模型 |
2.2 优化理论 |
2.2.1 凸优化理论 |
2.2.2 粒子群算法 |
2.3 有效带宽与有效容量理论 |
2.3.1 有效带宽理论 |
2.3.2 有效容量理论 |
第3章 智能反射平面辅助的VLC系统物理层安全技术 |
3.1 引言 |
3.2 系统模型 |
3.3 VLC系统IRS反射信道增益 |
3.4 IRS辅助的VLC系统可达安全传输速率 |
3.5 IRS辅助的VLC系统物理层安全问题构建与求解 |
3.6 仿真分析 |
3.7 本章小结 |
第4章 基于有效容量的VLC系统统计时延分析与资源分配方法 |
4.1 引言 |
4.2 统计时延约束下VLC下行系统运动用户的有效容量 |
4.2.1 用户室内运动模型 |
4.2.2 室内VLC系统运动用户的有效容量 |
4.2.3 仿真分析 |
4.3 统计时延约束下多用户上行VLC混合接入算法 |
4.3.1 系统模型 |
4.3.2 MPR辅助的多用户上行VLC系统混合接入机制 |
4.3.3 多用户上行VLC系统聚合有效容量 |
4.3.4 基于聚合有效容量的VLC上行混合接入算法 |
4.3.5 仿真分析 |
4.4 本章小结 |
第5章 支持物理层安全与统计时延双重保障的VLC私密网络组网算法 |
5.1 引言 |
5.2 系统模型 |
5.3 多AP多用户VLC网络的私密有效容量 |
5.3.1 混合物理层安全技术下用户的可达私密传输速率 |
5.3.2 统计时延约束下用户的私密有效容量 |
5.4 基于私密有效容量的VLC私密网络组网算法 |
5.4.1 长时间尺度VLC私密网络组网优化问题 |
5.4.2 基于Lyapunov DPP的长时间尺度优化问题分解方法 |
5.4.3 短时间尺度私密网络组网优化问题的求解方法 |
5.5 仿真结果分析 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
作者简介及在攻读博士期间取得的科研成果 |
致谢 |
(7)基于先验信息的蜂窝车联网资源预分配策略研究(论文提纲范文)
摘要 |
ABSTRACT |
英文缩写对照表 |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 蜂窝车联网通信研究现状 |
1.2.2 基于先验信息的资源预分配研究现状 |
1.3 论文的主要内容及结构安排 |
第2章 蜂窝车联网中资源预分配相关技术 |
2.1 蜂窝车联网通信关键技术 |
2.2 基于云边架构的蜂窝车联网感知-通信-计算融合技术 |
2.3 蜂窝车联网中的多载波技术 |
2.4 蜂窝车联网资源预分配中非确定性变量处理技术 |
2.5 蜂窝车联网中基于匹配论的关联技术 |
2.6 本章小结 |
第3章 蜂窝车联网中数据驱动的高能效资源预分配策略 |
3.1 车辆速率分布分析 |
3.2 系统模型 |
3.3 问题建模 |
3.4 基于能效最大化的资源预分配策略 |
3.4.1 分式规划问题变形 |
3.4.2 时域资源分配方案 |
3.4.3 功率分配方案 |
3.5 仿真结果与分析 |
3.5.1 仿真参数设置与数据分析结果 |
3.5.2 仿真结果分析 |
3.6 本章小结 |
第4章 蜂窝车联网中基于先验信息的低能耗资源预分配策略 |
4.1 系统模型 |
4.2 问题建模 |
4.3 基于匹配交换的资源预分配策略 |
4.3.1 基于匹配交换的用户关联和子载波分配策略 |
4.3.2 功率分配方案 |
4.4 仿真结果与分析 |
4.4.1 仿真参数设置 |
4.4.2 仿真结果分析 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 论文工作总结 |
5.2 下一步工作展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的学术论文及参与的项目 |
发表的学术论文 |
参与的科研项目 |
学位论文评阅及答辩情况表 |
(8)网络功能虚拟化中的资源分配研究(论文提纲范文)
摘要 |
abstract |
缩略词表 |
第一章 绪论 |
1.1 网络功能虚拟化概述 |
1.1.1 网络功能虚拟化架构 |
1.1.2 网络功能虚拟化用例 |
1.1.3 网络功能虚拟化面临的主要挑战 |
1.2 网络功能虚拟化中的资源分配 |
1.2.1 VNF放置问题 |
1.2.2 云数据中心的VNF供给问题 |
1.2.3 动态场景中NFV中的资源分配问题和相关工作现状 |
1.3 处理动态场景的优化算法 |
1.3.1 动态场景 |
1.3.2 优化算法 |
1.3.3 优化算法的对比 |
1.3.4 实际系统中的算法实现 |
1.4 本论文的结构安排和主要工作 |
第二章 基于在线原始对偶算法的性能保证的VNF放置算法研究 |
2.1 引言 |
2.2 相关工作 |
2.3 系统建模与数学模型 |
2.4 VNF放置算法设计 |
2.4.1 数学模型变换 |
2.4.2 算法设计 |
2.4.3 查找单个请求的最佳放置 |
2.4.4 算法性能分析 |
2.4.5 确保节点和链路容量不受违背 |
2.5 实验与性能评估 |
2.5.1 实验设计和参数设置 |
2.5.2 对比算法和性能指标 |
2.5.3 算法的竞争比 |
2.5.4 服务请求的接入率 |
2.5.5 节点和链路容量违背情况 |
2.5.6 负载均衡 |
2.5.7 扩展性 |
2.6 本章小结 |
第三章 基于李亚普诺夫优化的缓存感知的VNF放置算法研究 |
3.1 引言 |
3.2 相关工作 |
3.3 系统模型和数学建模 |
3.4 系统缓存感知的在线VNF放置算法 |
3.4.1 算法设计 |
3.4.2 算法性能分析 |
3.5 改进的最坏情况下延迟有界的算法 |
3.5.1 算法设计 |
3.5.2 算法性能分析 |
3.6 实验与性能评估 |
3.6.1 实验设计和参数设置 |
3.6.2 对比算法和性能指标 |
3.6.3 总成本和队列长度 |
3.6.4 队列长度的上界 |
3.6.5 VNF成本、路由成本和迁移成本 |
3.6.6 计算时间 |
3.6.7 不同数值的成本的影响 |
3.7 本章小结 |
第四章 基于图神经网络和DRL的 VNF-FG放置算法研究 |
4.1 引言 |
4.2 相关工作 |
4.3 系统模型和数学建模 |
4.3.1 底层网络 |
4.3.2 VNF和VNF-FG |
4.3.3 决策变量 |
4.3.4 优化模型 |
4.4 GNN辅助的DRL的算法 |
4.4.1 DRL概述和面临的挑战 |
4.4.2 状态表示 |
4.4.3 动作空间与策略网络设计 |
4.4.4 奖励设计与训练过程 |
4.4.5 算法实现 |
4.5 实验与性能评估 |
4.5.1 实验设计和参数设置 |
4.5.2 对比算法和性能指标 |
4.5.3 不同到达间隔的影响 |
4.5.4 每个请求具有不同数目的VNF的影响 |
4.5.5 不同嵌入对Kolin的性能的影响 |
4.6 本章小结 |
第五章 基于组合优化算法的限制VNF迁移的VNF放置算法研究 |
5.1 引言 |
5.2 相关工作 |
5.3 系统模型与数学建模 |
5.3.1 VNF和服务请求 |
5.3.2 底层网络 |
5.3.3 决策变量与数学模型 |
5.3.4 VNF放置问题的NP困难性 |
5.4 VNF放置算法设计 |
5.4.1 求解装箱问题的算法HR-k |
5.4.2 半在线VNF放置算法 |
5.4.3 算法性能分析 |
5.5 实验与性能评估 |
5.5.1 实验设计和参数设置 |
5.5.2 对比算法和性能指标 |
5.5.3 竞争比 |
5.5.4 VNF迁移数目 |
5.5.5 负载均衡 |
5.5.6 计算时间 |
5.5.7 参数k不同取值的影响 |
5.6 本章小结 |
第六章 基于模型预测控制的随机云环境中的VNF供给算法研究 |
6.1 引言 |
6.2 相关工作 |
6.3 系统模型和数学建模 |
6.3.1 云、VM和VNF |
6.3.2 服务请求 |
6.3.3 决策变量和数学模型 |
6.4 基于MPC的资源购买算法 |
6.5 实验与性能评估 |
6.5.1 实验设计和参数设置 |
6.5.2 对比算法和性能指标 |
6.5.3 预测的准确性 |
6.5.4 不同长度的系统时间跨度的影响 |
6.5.5 不同数量的服务请求的影响 |
6.5.6 不同数量的VNF的影响 |
6.6 本章小结 |
第七章 全文总结与展望 |
7.1 全文总结 |
7.2 后续工作展望 |
致谢 |
参考文献 |
攻读博士学位期间取得的成果 |
(9)双向中继通信系统中的新型传输技术研究(论文提纲范文)
摘要 |
abstract |
缩略词表 |
数学符号表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 无线中继技术的研究现状 |
1.2.1 双向中继系统研究概述 |
1.2.2 MIMO双向中继系统研究概述 |
1.2.3 无人机中继系统研究概述 |
1.3 论文主要研究内容 |
1.4 论文结构与安排 |
第二章 关键技术与理论基础 |
2.1 双向中继技术 |
2.2 多天线分集技术简介 |
2.2.1 MIMO基本原理 |
2.2.2 传统的多天线分集技术 |
2.2.3 STLC的设计原理 |
2.2.4 多天线分集技术性能比较 |
2.3 无人机通信理论基础 |
2.3.1 信道模型 |
2.3.2 无人机移动中继系统概述 |
2.4 凸优化理论 |
2.4.1 凸优化问题的定义 |
2.4.2 拉格朗日对偶法及KKT条件 |
2.4.3 CVX工具箱 |
2.5 本章小结 |
第三章 基于STLC的 MIMO双向中继系统性能分析 |
3.1 研究背景 |
3.2 系统模型 |
3.3 Rayleigh衰落信道下的系统性能分析 |
3.3.1 各链路信噪比的统计特性 |
3.3.2 中断概率分析 |
3.3.3 误码率性能分析 |
3.4 仿真结果与分析 |
3.5 本章小结 |
第四章 UAV辅助双向中继通信系统的性能优化研究 |
4.1 研究背景 |
4.2 UAV辅助双向中继通信的系统模型 |
4.3 最大化UAV双向中继系统的总吞吐量 |
4.3.1 优化问题建模 |
4.3.2 交替迭代优化算法 |
4.3.3 仿真结果与分析 |
4.4 最大化最小通信链路的平均速率 |
4.4.1 优化问题建模 |
4.4.2 基于SCA技术的联合优化算法 |
4.4.3 仿真结果与分析 |
4.5 本章小结 |
第五章 全文总结 |
5.1 本文贡献 |
5.2 后续工作展望 |
致谢 |
参考文献 |
个人简历 |
攻读硕士学位期间参加的科研项目及研究成果 |
(10)5G无线接入网络的资源分配算法研究(论文提纲范文)
摘要 |
abstract |
专用术语注释表 |
第一章 绪论 |
1.1 研究背景和意义 |
1.1.1 移动通信系统的发展 |
1.1.2 网络资源分配的研究意义 |
1.2 国内外研究现状 |
1.2.1 NOMA的研究现状 |
1.2.2 H-CRAN的研究现状 |
1.3 本文的研究内容 |
1.4 论文的结构安排 |
第二章 5G无线通信和机器学习相关技术 |
2.1 G无线通信概述 |
2.1.1 NOMA |
2.1.2 H-CRAN |
2.2 机器学习概述 |
2.2.1 深度学习 |
2.2.2 强化学习 |
2.3 本章小结 |
第三章 基于用户分簇的MIMO-NOMA网络多维资源分配 |
3.1 引言 |
3.2 系统模型 |
3.3 基于用户分簇的多维资源分配问题 |
3.3.1 用户分簇 |
3.3.2 波束向量分配 |
3.3.3 资源块和发射功率分配 |
3.4 多维资源分配算法 |
3.4.1 基于图论的资源块分配算法 |
3.4.2 基于最优化理论的发射功率分配算法 |
3.4.3 资源块和发射功率的联合优化算法 |
3.5 仿真分析与性能评估 |
3.6 本章小结 |
第四章 基于多时间尺度协同优化的H-CRAN资源分配 |
4.1 引言 |
4.2 系统模型 |
4.2.1 网络模型 |
4.2.2 协同优化模型 |
4.2.3 分布式计算模型 |
4.3 问题建模 |
4.3.1 大时间尺度优化问题 |
4.3.2 小时间尺度优化问题 |
4.4 多时间尺度协同优化的资源分配算法 |
4.4.1 基于深度学习的大时间尺度优化算法 |
4.4.2 基于强化学习的小时间尺度优化算法 |
4.5 仿真分析与性能评估 |
4.5.1 大时间尺度优化的仿真分析 |
4.5.2 小时间尺度优化的仿真分析 |
4.6 本章小结 |
第五章 H-CRAN资源分配验证演示平台 |
5.1 开发环境设计 |
5.1.1 JetBrains Pycharm介绍 |
5.1.2 TensorFlow和Keras介绍 |
5.2 网络环境搭建 |
5.3 大时间尺度资源分配演示平台 |
5.4 小时间尺度资源分配演示平台 |
5.5 本章小结 |
第六章 总结和展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
附录1 攻读硕士学位期间撰写的论文 |
附录2 攻读硕士学位期间申请的专利 |
附录3 攻读硕士学位期间参加的科研项目 |
四、图的对偶带宽问题(英文)(论文参考文献)
- [1]面向5G RAN切片的无线资源分配与移动负载均衡算法研究[D]. 周柳杉. 北京邮电大学, 2021(01)
- [2]无人机辅助蜂窝网络缓存放置与内容分发联合优化算法研究[D]. 王祎. 北京邮电大学, 2021(01)
- [3]多无线电多信道网络功率分配技术研究[D]. 李孟辉. 北京邮电大学, 2021(01)
- [4]望远镜中基于倾斜镜的振动抑制技术研究[D]. 牛帅旭. 中国科学院大学(中国科学院光电技术研究所), 2021(08)
- [5]基于能量收集的无线体域网信息不确定性与新鲜度研究[D]. 凌壮. 吉林大学, 2021(01)
- [6]可见光通信网络物理层安全及时延保障技术研究[D]. 钱磊. 吉林大学, 2021(01)
- [7]基于先验信息的蜂窝车联网资源预分配策略研究[D]. 薛娜. 山东大学, 2021(12)
- [8]网络功能虚拟化中的资源分配研究[D]. 谢洋浩. 电子科技大学, 2021(01)
- [9]双向中继通信系统中的新型传输技术研究[D]. 李蓉. 电子科技大学, 2021(01)
- [10]5G无线接入网络的资源分配算法研究[D]. 张晓逸. 南京邮电大学, 2020(02)