论文部分内容阅读
随着微波无线传能技术的快速发展,学术界提出了一种新型的数能一体化无线通信网络,它将传统无线网络中相互独立的无线信息传输和无线能量传输融合起来,实现数据和能量协同传输。与传统的电池供能的无线通信网络相比,数能一体化无线通信网络消除了人工更换电池的必要,极大地减少了运营成本。此外,数能一体化无线通信网络对能量传输(传输功率、波形、时间、频率等)有充分的控制,能够针对不同的服务需求及物理环境为无线设备提供稳定的能量供应,这与传统的能量收割方法中无线设备通过随机地收集可再生能源来供电有本质的不同。本文围绕数能一体化无线通信网络资源管理这一主题,在满足无线业务需求的前提下,以提升网络能效为设计目标,通过对通信、能量、计算等多维资源进行联合优化,主要研究以下四个方面的内容:(1)基于协同传输的无线供能蜂窝网络高能效资源分配策略;(2)无线供能认知非正交接入网络的数能协同传输机制;(3)无线供能移动边缘计算网络的计算与通信资源协作机制;(4)无线供能移动边缘计算网络的能效与延迟的制约机理。本文首先研究了基于协同传输的无线供能蜂窝网络高能效资源分配技术。考虑到无线能量传输较大的路径损耗,无线供能蜂窝网络的小区边缘用户的性能难以得到保障。鉴于此,我们提出了一个用户协作机制来提升小区边缘用户的性能。在提出的协作机制中,蜂窝用户和设备到设备(Device-to-Device,D2D)用户首先收割基站传输的下行能量,然后D2D用户利用一部分收割的能量来帮助小区边缘的蜂窝用户进行上行或下行信息的传输,以此来换取D2D通信的机会。基于该协作机制,本文通过联合优化下行波束赋形、时间分配及用户传输功率,以获得最大的系统上行/下行能效,同时满足蜂窝和D2D用户的传输速率需求及能量因果性约束。基于半正定松弛和分式优化理论,我们提出了一种迭代优化算法来获得优化的资源分配策略,并证明该迭代算法能收敛且获得全局最优解。此外,我们利用拉格朗日方法推导了优化解的结构。仿真结果表明,本文提出的算法具有很好的收敛性,相比于基于吞吐率优化的方法,我们的机制能显著提升无线供能蜂窝网络的上行/下行能效。然后,本文研究了面向无线供能认知非正交接入(Non-orthogonal Multiple Access,NOMA)网络的数能协同传输机制。将认知无线电与非正交接入结合能够极大地提升无线网络的频谱效率。然而,序列干扰消除过高的解码器功耗限制了其在低功耗网络的应用。因此,本文提出通过数能同传机制来解决认知NOMA网络的能量供应问题。我们考虑一个典型的认知NOMA系统,其中次基站通过功率域复用NOMA机制服务多个次用户,同时保障其对主用户的干扰低于一个阈值。次用户可以将接收的信号分为两部分,一部分用于接收信号,另一部分用于收割能量以满足序列干扰消除解码器的功耗需求。特别地,我们采用非线性能量收割模型来反映实际电路能量收割状况。此外,本文建立了一个基于非理想信道状态信息的资源分配模型以最小化系统功耗。基于连续凸近似和半正定松弛的方法,我们提出了一个联合的波束赋形和功率分割算法来求解该问题。仿真表明,本文提出的非线性能量收割模型能够很好的反映实际的能量转换关系。与基于理想信道状态信息的方法相比,本文提出的鲁棒性机制仅仅多消耗微少的系统功耗。将无线能量传输和移动边缘计算相结合能够满足资源受限的物联网设备的能量供应和计算需求。鉴于此,本文研究了面向无线供能移动边缘计算网络的计算与通信资源协作机制。我们设计了一种典型的无线供能移动边缘计算网络架构,包括一个数能接入点和多个协同雾,在每个协同雾的用户能共享其通信和计算资源。基于经典的时分多址协议,本文提出了一种收割-卸载机制来协同无线能量传输和计算卸载。此外,本文通过联合优化能量波束赋形、时隙分配、计算任务分割及用户的中央处理器(Central Processing Unit,CPU)频率,以获得最小的系统能耗,同时满足用户的能量因果性及计算延迟约束。基于变量替换和半正定松弛方法,本文将原非凸问题转化为凸模型,并进一步利用拉格朗日方法推导了其优化解。仿真结果表明,我们提出的联合的计算与通信协同机制较现有的研究工作能实现更低的系统能耗。此外,本文也揭示了动态的CPU频率调节对系统能量节省有积极的影响。最后,我们研究了面向无线供能移动边缘计算网络的能效与延迟的制约机理。考虑到信道状态和计算任务到达的动态性,本文建立了一个联合的计算卸载和资源分配模型来优化网络能效,同时满足数据队列稳定性和能量因果性约束。基于Lyapunov优化理论,我们提出了在线的计算卸载和和资源管理算法。不同于常规的方法,本文提出的在线算法不需要信道条件和任务到达的先验分布信息,仅仅需要当前的网络状态信息来调整资源分配策略。此外,性能分析证明了提出的算法能够实现收敛,以获得全局最优的网络能效,所付出的代价是计算延迟的增加。仿真结果验证了网络能效与延迟的折中关系。与其他方法相比,本文提出的算法能获得更好的能效与延迟性能。