论文部分内容阅读
移动互联网和物联网的蓬勃发展对未来无线通信网络的传输速率、通信容量及能效等性能提出了更高的要求。由于非正交多址接入（Non-Orthogonal Multiple Access,NOMA）允许多个用户共享同一无线资源从而提升用户连接数及系统容量,设备直连（Device-to-Device,D2D）允许用户直接进行通信而无需通过基站从而提升频谱效率及能效,异构网络（Heterogeneous Network,HetNet）通过在传统宏蜂窝网络中部署多个小小区从而增强覆盖及提升系统容量,NOMA、D2D及异构网络已经成为了未来无线通信网络中不可或缺的关键技术。但是在大规模连接的NOMA网络、NOMA-D2D网络和多层异构网络中,用户需求差异化、技术场景多样化,传统的无线资源分配方法难以实现高效的无线资源利用率,难以满足不同技术场景的系统需求。因此,研究面向非正交多址接入网络和异构网络的无线资源分配方法成为了无线通信领域的研究热点。本文面向大规模连接、多样化业务接入、大容量及高能效需求,以非正交多址接入网络和异构网络无线资源分配为研究目标,重点研究了基于用户公平性的子信道与功率分配算法,解决了 NOMA网络中保证用户公平性的系统容量最大化问题;重点研究了联合功率分配和频谱共享的资源分配算法,解决了 NOMA-D2D网络中系统能效提升问题;重点研究了基于Q学习的分布式功率分配算法,解决了密集双层异构网络中严重干扰条件下的系统性能提升问题。论文主要研究工作和创新点如下:1.基于用户公平性的子信道与功率分配算法论文针对大规模连接、大容量、多样化业务接入的NOMA蜂窝网络中保证用户公平性的系统容量最大化问题,提出了一种基于用户公平性的子信道与功率分配算法,该算法采用分步优化的思想将原始非凸问题分解为用户配对、子信道分配和功率分配子问题并逐一进行求解。首先提出了一种低复杂度用户配对方案以获得NOMA用户对;随后提出了一种基于信道优先级的子信道选择算法实现了 NOMA用户对与子信道间的双向选择;然后提出了功率分配因子构造法实现了子信道内功率分配;最后采用连续凸近似方法优化了子信道间功率。研究结果表明,与子信道分配的次优匹配算法相比,提出的基于信道优先级的子信道选择算法在系统容量方面提高了 3.73%;与等功率分配方法和凸差方法相比,提出的连续凸近似方法在系统容量方面分别提高了 11.97%和11.92%;与分数阶功率分配法和功率分配因子选择法相比,提出的功率分配因子构造法在用户公平性方面分别提高了约23%和 6%。2.联合功率分配和频谱共享的资源分配算法将D2D技术应用于NOMA蜂窝网络可进一步提升网络接入能力和系统容量,但大规模连接会造成较高能耗。论文针对大规模连接的NOMA-D2D蜂窝网络中系统能效提升问题,提出了 一种联合功率分配和迭代3维匹配频谱共享（Joint Power-Allocation and iterate-3-Dimensional-Matching-based Spectrum Sharing,JPA-3DMSS）的资源分配算法、一种联合功率分配和贪婪3维匹配频谱共享（Joint Power-Allocation and Greedy-3-Dimensional-Matching-based Spectrum Sharing,JPAG-3DMSS）的资源分配算法。提出的JPA-3DMSS算法首先采用结合Dinkelbach法和拉格朗日对偶分解法的迭代功率分配算法求得任意D2D用户对的功率,然后采用迭代3维匹配算法获得最终匹配。提出的JPAG-3DMSS算法在采用迭代功率分配算法后在频谱共享时采用贪婪3维匹配算法,将迭代3维匹配算法的局部最优解转换为整体能效优化,以解决迭代3维匹配算法的最大匹配问题。研究结果表明,与随机资源分配算法和高能效的联合资源块分配和功率分配算法相比,JPA-3DMSS算法在系统能效方面分别提高了 39%和5%,JPAG-3DMSS算法在系统能效方面则分别提高了 44%和9%。3.基于Q学习的分布式功率分配算法论文针对密集双层异构网络中严重干扰条件下的系统性能提升问题,提出了一种基于Q学习的分布式功率分配算法,该算法利用基于多智能体马尔可夫决策过程的分布式学习框架,采用ε-greedy策略进行动作选择,并采用一种新的乘积型收益函数对Q表进行更新,当新的毫微微小区基站加入网络时,其采用独立学习或协作学习策略进行学习。研究结果表明,在协作学习策略下,与基于二次型收益函数的Q学习算法、基于指数型收益函数的Q学习算法、基于接近型收益函数的Q学习算法相比,提出的基于Q学习的分布式功率分配算法在毫微微小区用户总容量方面分别提高了 1 6.4%、27.6%、22.4%,在毫微微小区基站总功耗方面分别降低了 56.2%、36.6%、14.5%,同时保证了所有用户的QoS和公平性。