论文部分内容阅读
随着全球数字化经济的飞速发展,各行各业对高质量的通信需求也在不断地增加,无论是多样化的移动业务还是个性化的智能设备均在逐年地呈指数型增长,因此,来自大数据流量和设备接入量的挑战也在不断激励着无线网络的发展和通信技术的革新。但是,面对5G和未来6G的海量设备连接需求和日益稀缺的频谱资源,传统的正交多址接入(Orthogonal Multiple Access,OMA)技术已不能满足通信需求,在5G的候选接入技术中,非正交多址接入(Non-Orthogonal Multiple Access,NOMA)技术被认为是潜力巨大的新一代移动通信接入技术,与OMA技术相比,NOMA技术最大的特点在于多个用户可以复用在同一时频资源块上,这不仅可以增加用户接入的数量,也可以提高频谱资源利用率。因此,NOMA技术可以更好的应对未来海量设备连接需求和高质量通信需求的挑战。随着移动应用的多元化发展,越来越多的移动应用对时延和计算能力有着很高的要求,比如虚拟现实、增强现实、无人驾驶等。但是,目前移动设备依然受限于计算硬件和电池容量技术的发展,运行此类应用的移动设备在性能方面还是会受到极大的限制,而移动边缘计算(Mobile Edge Computing,MEC)技术可以有效地解决上述难题。MEC将云服务器设立在蜂窝小区的基站处,移动设备可以直接将计算任务需求交给MEC服务器来处理,而不需要再将计算任务发送到远端的服务器中心处理,这不仅有效解决了时延问题,还可以减轻移动设备的计算任务复杂度。特别地,目前的研究现状更多关注于MEC下行场景中传输的时延与能耗问题而忽略了对无线传输方式的优化,基于上述分析,本文研究了MEC场景下基于NOMA的用户配对和功率分配技术方案。在NOMA系统中,用户配对和功率分配问题均是影响系统性能的关键因素,由于用户配对和功率分配是相互耦合的联合优化问题,本文将该问题拆分为两个子问题分别进行求解并最终找到联合解决方案。针对用户配对问题,以最大化蜂窝小区内所有用户的数据和速率为目的,本文提出了一种在MEC场景下基于深度强化学习(Deep Reinforcement Learning,DRL)算法的下行NOMA系统用户配对方案。首先,将用户配对问题转化为DRL模型;其次,根据所有用户的信道状态信息构建出用户配对矩阵;最后,通过深度Q网络(Deep Q-Network,DQN)算法找到最合适的用户配对方案。仿真结果表明,提出的方案可以有效提高所有用户的数据和速率。针对功率分配问题,本文在已提出的用户配对方案基础上,研究了一种基于DRL算法的下行两用户NOMA系统功率分配方案。首先,将功率分配问题转化为DRL模型,并根据用户的信干噪比和数据速率构建出特征矩阵;其次,利用异步优势演员-评论家(Asynchronous Advantage Actor Critic,A3C)算法求解出最优功率分配方案;最后,提出了DQN-A3C用户配对和功率分配联合优化方案。仿真结果表明,相比已有的优化方案,所提方案可以有效提高NOMA系统的性能。最后,本文对全文的研究内容做了详细的总结,并对还未研究的后续内容做了展望。