论文部分内容阅读
进入21世纪,逐渐枯竭的陆地资源难以满足世界经济的发展需求,丰富的海洋资源受到了各国的重视。水下通信是实现海洋资源开发的先决条件。然而在水下通信环境中,陆地通信中常用的电磁波衰减速度较快,不适用于水下通信。目前人类已知的,唯一的能够在水下进行远距离无线传输的通信介质是声波,这使得声波通信成为海洋通信节点间实现中远距离信息传输的理想方式。但是由于水声通信面临水下带宽窄,能量受限以及不同的通信环境下信道状态信息不同等挑战,发展较为成熟的电磁通信技术无法应用于水下环境。因此如何合理地进行资源分配,有效的降低水声通信网络的中断概率是本文研究的主要问题。首先,本文分别简单地介绍了多载波正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术在水声网络中的作用。并且针对水下部署节点的种类越来越多与不同节点的工程属性不同的问题,本文构建了OFDM水声异构网络模型,以满足不同类型节点的通信需求。其次,针对水声通信网络中信道信息不确定情况下的联合资源分配问题,提出了一种交替迭代的鲁棒联合信道和功率分配的算法。该算法采用鲁棒理论优化信道信息的不确定项,降低不确定项对网络性能的影响。在功率分配方面,提出的算法考虑了节点的剩余能量,延长节点的生存时间。在信道分配方面,提出的算法考虑了节点的干扰因子,优先分配合适的信道给网络影响大的节点,降低该节点频繁转换信道对其他节点的影响。仿真结果证明了提出的算法能够降低网络的中断概率,延长节点的生存时间,提高整体网络的通信性能。最后,针对在OFDM水声通信网络中信道信息未知情况下的联合资源分配问题,构建了完全分布式多博弈者对抗性的多臂老虎机(Multi-armed bandit,MAB)模型,提出了无需任何先验的信道信息以及节点间直接交换信息的基于博弈的策略更新指数学习(The game-based extending strategy exponential learning,G-EEL)算法对博弈模型进行求解。在该算法中,提出了策略更新机制,扩大策略搜索空间,使算法能搜索到原始固定备选策略以外的策略,找到联合资源分配的最优解。从本质上,提出的学习算法克服了传统MAB方法只能在固定的、有限的策略集合中寻找到次优解的缺点。策略更新机制的提出导致学习算法更加复杂,学习时间增长。为了进一步地减少学习时间,提出了动态学习机制,使算法根据不同的学习阶段的特性以及不同节点的不同收敛速度调整开发-利用力度,提高算法学习效率,加速算法收敛。