频率资源稀缺和节省能耗是当前无线通信研究中的两个重要问题。为此,我们以无线通信中高频谱效率和高能量效率的功率管理作为本论文的研究对象。为了提高频谱利用率,本文研究了认知网络中主用户和次用户以underlay方式共享频谱时的联合功率控制,通过建立Stackelberg博弈模型来分析了基于频分复用的认知无线网络中层次化的主用户网络和次用户网络的联合功率分配问题。由于主用户对次用户来讲具有优先性,本文将主用户建模为领导者,将次用户建模为跟随者。模型中所有用户(主、次用户)的策略为功率在子载波上的分配,效用为各自的最大传输速率。同时建立的模型还考虑了主用户和次用户的最大功率约束以及主用户的干扰信号比约束,后者用来保证主用户的服务质量。基于以上约束,我们给出了各个用户的可行策略集合。本文对建立的Stackelberg博弈模型进行了理论分析。具体来讲,分析了下层的次用户博弈问题纳什均衡的存在性,给出了纳什均衡唯一的一个充分条件,并进一步给出了在一般信道条件下的能够收敛到纳什均衡点的分布式迭代算法。在特殊信道(完美对称信道)条件下,则给出了纳什均衡点的闭式表达式。当只考虑一个主用户时,上层博弈为包含下层次用户博弈这一子问题的优化问题。在下层次用户博弈的纳什均衡可以给出的情况下就变成了一般的优化问题。对于只有一个主用户的场景,我们在理论分析的基础上根据次用户网络私有信息的可用性给出了两类算法。在主用户能够获得次用户网络信息时,提出了解析的算法。首先主用户求解包含次用户博弈子问题的优化问题,得到最优功率分配。然后,次级用户在主用户最优功率分配下,根据下层次用户博弈的纳什均衡解进行功率分配。我们证明该算法能够得到Stackelberg均衡解。当主用户不能得到次用户网络的信息时,提出了分布式的迭代算法并证明了该算法的收敛性。为了进一步提高时间效率,我们还提出了异步迭代算法。针对多个主用户共存的场景,我们提出了相应的分布式迭代算法,拓展了算法的应用范围。针对车载无线协作网络,本文提出用联盟博弈以及定价机制的方法来提高频谱利用率的方法。具体来讲,通过车辆之间的合作、车辆与路边单元的合作,减少数据传输冲突、提高数据传输的准确性及吞吐量,从而提高频谱的有效利用率。车辆之间可以组成联盟然后在联盟中进行传输联合调度从而避免数据冲突,车辆和路边单元之间也可以组成联盟。路边单元可以充当中继来协助同一个联盟中的车辆进行数据传输提高准确度和吞吐量。虽然转发数据有消耗,但是路边单元可以通过定价机制对协作进行收费获得收益。我们分析了组成联盟能够让参与者获得效用增益的一些条件比如联盟中一定需要有车辆参加。此外,我们还分析了联盟的稳定性问题,给出了内核非空的一个必要条件。高能量效率的通信能够很好地实现节能减排,能量效率也是绿色通信的重要概念。本文中,我们研究了具有能量收割功能节点的绿色通信中物理层的功率控制与高层时延的跨层优化问题。高层产生的数据进入缓存中排队等待发送,高层时延就是指排队的时延。在每个时隙中,发送端从队列的前端发送一定数目的数据(数目的多少对应于速率)。同时,发送端还需要确定本时隙中从收割能量的存储电池中分配多少的收割能量(剩余的能量则从电网中得到)。本文在电网电量的平均值受限制的情况下,分析了时延最优的功率分配,将可用功率的效用发挥到最佳,提高能量效率。在收割能量到达、数据产生、信道变化为马尔科夫过程时,我们将该问题建模为约束马尔科夫决策问题,系统状态包括队列状态(缓存中的队列长度)、电池状态(电池中存储的能量多少)、无线信道状态、数据产生多少、收割能量的多少,行动包括传输速率的选择和从电池中分配能量的多少,也就是说策略为以传输速率和电池功率分配为元素的2维策略。在收割能量的存储电池容量无限、有限情况下分别分析了最优速率和最优电池功率分配的性质。电池容量无限时,我们证明最策略可以顺次得到即先得到最优速率,然后在此基础上得到最优电池功率分配。另外,还得到了最优速率的一些结构化性质。电池容量有限时,我们首先证明了静态确定性策略为最优策略的存在性,然后证明存在一个拉格朗日系数使得经过拉格朗日松驰后的无约束问题得到的解对于约束马尔科夫决策也是最优策略。同时,我们还证明该无约束的马尔科夫决策问题的最优策略可以通过其对应的折扣马尔科夫决策得到。我们给出了最优策略的两个必要条件,给出了尽可能多的发送数据同时尽可能多的分配电池功率为最优策略的系统状态需要满足的条件,也给出了不发送任何数据(当然同时不分配任何电池和电网功率)为最优的系统状态条件。最后,我们分析了策略的两个元素之间的相互关系,发现传输速率是主导并且提出了在给定传输速率的情况下电池功率的贪婪分配策略为最优的猜想。由此,我们研究了策略的降维问题,提出原问题等价于策略只有传输速率的一个约束马尔科夫决策的猜想。在理论分析基础上提出了两种具体的策略：激进策略和保守策略。在本文的最后一部分,我们将马尔科夫决策模型拓展应用到电动车充电调度问题中,提高了电动车充电站的能量(功率)的利用效率。充电站有多个充电节点,另外它配备有可再生能量生成装置(比如太阳能板)。同时,为了保证服务的相对稳定,充电站也可以从电网中购买电量,但是平均的购电代价是受限制的。电动车到达充电站后先进行排队等候充电。在每个周期开始时,充电站从队列的前端取一定数目的电动车进行充电服务。与此同时,充电站还需要从可再生能量中分配一定数量的功率用来满足充电需求(剩余所需电量从电网中购买)。本文考虑了电动车到达的随机性、可再生能量的不稳定性、电价的时变性质以及每辆电动车充电电量的不确定性,在此基础上研究了平均购电代价约束下时延最优的功率分配问题。当考虑了每辆电动车充电电量的不确定性这一因素后,问题变得更复杂和棘手。为此,我们提出队列映射的方法将电动车队列映射为充电能量需求队列。我们证明这两个队列平均长度最小化是等价的。在电动车到达、可再生能量生成以及电价变化都为马尔科夫过程时,平均充电能量需求队列长度最小化的功率分配问题可以在马尔科夫决策的框架下进行研究,我们建立了约束马尔科夫决策对研究的问题进行了描述。为了简便,我们给出了建立的马尔科夫决策在一种特殊情况下的分析、求解过程,对于一般情况的分析、求解可以类似的给出。本文分别考虑了传统电网和智能电网的情况。传统电网环境下,可再生能量产生后需要存储到一个电池中,这样由于存储电池的容量有限,电池的容量将会对最优策略的分析、求解带来很大影响,而在智能电网中,产生的可再生能量则可以存储到电网中从而可以不再需要存储电池,因而分配策略也不会受到电池容量的影响。相同策略下,智能电网环境下的平均电电动车队列长度不会比传统电网环境下的长。在智能电网环境下,我们证明最优策略可以顺次得到即先得到最优的进行充电服务的电动车数目；然后在此基础上得到最优的可再生功率分配。我们得到了最优的进行充电的电动车数目的一些结构化性质。在传统电网环境下,我们证明一定存在一个静态确定性策略为最优策略,同时证明约束马尔科夫决策问题的解可以由拉格朗日松弛后的非约束问题给出,而松弛后的非约束问题的最优解又可以通过其对应的折扣马尔科夫决策得到。我们给出了最优策略的必要条件以及某些策略比如尽可能多的对电池进行充电服务同时尽可能多的分配可再生能量为最优时的系统状态满足的充分条件。在两种场景下(传统和智能电网),我们都考虑了策略的降维问题。对于每个周期,猜想最优进行充电服务的电动车数目给定情况下,尽可能多的分配可再生能源来满足充电能量需求是最优策略。在此猜想下,原来的2维策略可以降低为只有进行充电服务的电动车数目这样一维。