绿色无线通信网络中的接入关系优化研究
发布时间：2021-12-21 21:00
近几十年来,随着通信技术的不断发展和无线智能设备的普及使用,用户数量和需求史无前例地爆发式增长,为保证服务质量而增设的通讯基站（Base Station,BS）的种类和数量也越来越多,进而造成无线通信网络的能量消耗持续增高。在无线蜂窝网络中,维持基站运行和频繁的用户切换造成的功率消耗占无线网络总消耗的绝大部分,因此对无线网络中的基站-用户关系进行优化是有望削减网络总开销的有效途径之一。国内外学者针对这一问题做了大量研究,基站-用户接入关系主要分为两个方面考虑:用户接入控制与基站激活控制。本文主要从以上两个方面开展研究。目前的用户接入控制一般是和功率控制联合优化的,在满足用户服务质量（Quality-of-Service,QoS）的条件下以最小功率消耗服务最大用户数,力图在服务用户数和发送功率之间寻找一个平衡。然而,目前相关算法都是针对即时信道状态信息（Channel State Information,CSI）做决策,导致用户接入状态存在频繁断开接入的风险,致使网络花费额外的能量克服这种结果。因此,本文在原有问题基础上考虑一段时间内的用户链路切换率,期望在接入用户集的稳定性和灵活性之间...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：103 页
【学位级别】：硕士
【部分图文】：
典型无线蜂窝网络中的功率消耗[1]
t期望大小。如果 =0 ，则智能体仅考虑当前的奖励大小；如果 =1，则智能体仅考虑长期获取的总奖励大小。 状态值函数V(s) 和行为-状态值函数Q(s,a) 用来估计在策略 下的状态或行为-状态对的好坏： ( ) | t tss V G S = = (2-11) ( , ) | , t t ts a G S s A a Q = = = (2-12) 其中 表示求期望。简单来说，强化学习是一种智能体与环境不断交互的学习过程（如图 2-1 所示），在该过程中，智能体根据环境状态信息周期性的做出决策，观察结果，然后自动调整其策略以实现最佳策略。
第三章长期用户接入控制策略和瞬时波束成形联合设计29率，假设平台有足够的处理器（比如(J+1)(M+1)个核）。这些核被分成(J+1)个群组，每个群组由一个主核和M个辅助核构成，并且(J+1)个群组可以彼此独立地运行。具体的，群组r更新索引为r的变量即v(r),W(r),x(r),y(r),z(r),¨h。这些任务被分配到如下的(M+1)个核中：群组r中的主核：更新W(r)(和Ω(r)群组r中的辅助核m：更新()()()mmmxt,at,dt，()()()mmmyt,bt,ct，(),()mmfrvr，()mzr和(),(),(),(),(),(),1,2,,mmmmmmrrrrrrm=M图3-2显示了算法3-3的并行化执行过程。在每次迭代中，群组r的主核负责更新W(r)(和计算(r)=(r)(r),(r)GHW1Ω；同时群组r的辅助核m负责更新()()()mmmxt,at,dt和()()(),1,2,,mmmt,bt,ctmMy=，接下来主核将gm(r)通过高速片上数据通路传给辅助核m。辅助核m收到()mgr后更新(),()mmfrvr和()mzr，然后将()mfr发送回主核以构建F(r)。主核利用F(r)更新Ω(r)，同时辅助核m更新(),(),(),(),(),()mmmmmmrrrrrr。图3-2基于ADMM的分布式线上算法实现从上图可以看出，群组r每次迭代的时间复杂度大概是22(maxMN,MN)，主要消耗在更新W(r)(上。由于这里有(J+1)个群组，因此算法3-3每次迭代的时间复杂度是()22(J+1maxMN,MN)。相比而言，经典的内点法在解决问题(3-15)
本文编号：3545170
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：103 页
【学位级别】：硕士
【部分图文】：
典型无线蜂窝网络中的功率消耗[1]
t期望大小。如果 =0 ，则智能体仅考虑当前的奖励大小；如果 =1，则智能体仅考虑长期获取的总奖励大小。 状态值函数V(s) 和行为-状态值函数Q(s,a) 用来估计在策略 下的状态或行为-状态对的好坏： ( ) | t tss V G S = = (2-11) ( , ) | , t t ts a G S s A a Q = = = (2-12) 其中 表示求期望。简单来说，强化学习是一种智能体与环境不断交互的学习过程（如图 2-1 所示），在该过程中，智能体根据环境状态信息周期性的做出决策，观察结果，然后自动调整其策略以实现最佳策略。
第三章长期用户接入控制策略和瞬时波束成形联合设计29率，假设平台有足够的处理器（比如(J+1)(M+1)个核）。这些核被分成(J+1)个群组，每个群组由一个主核和M个辅助核构成，并且(J+1)个群组可以彼此独立地运行。具体的，群组r更新索引为r的变量即v(r),W(r),x(r),y(r),z(r),¨h。这些任务被分配到如下的(M+1)个核中：群组r中的主核：更新W(r)(和Ω(r)群组r中的辅助核m：更新()()()mmmxt,at,dt，()()()mmmyt,bt,ct，(),()mmfrvr，()mzr和(),(),(),(),(),(),1,2,,mmmmmmrrrrrrm=M图3-2显示了算法3-3的并行化执行过程。在每次迭代中，群组r的主核负责更新W(r)(和计算(r)=(r)(r),(r)GHW1Ω；同时群组r的辅助核m负责更新()()()mmmxt,at,dt和()()(),1,2,,mmmt,bt,ctmMy=，接下来主核将gm(r)通过高速片上数据通路传给辅助核m。辅助核m收到()mgr后更新(),()mmfrvr和()mzr，然后将()mfr发送回主核以构建F(r)。主核利用F(r)更新Ω(r)，同时辅助核m更新(),(),(),(),(),()mmmmmmrrrrrr。图3-2基于ADMM的分布式线上算法实现从上图可以看出，群组r每次迭代的时间复杂度大概是22(maxMN,MN)，主要消耗在更新W(r)(上。由于这里有(J+1)个群组，因此算法3-3每次迭代的时间复杂度是()22(J+1maxMN,MN)。相比而言，经典的内点法在解决问题(3-15)
本文编号：3545170
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3545170.html
