NOMA網絡能效優化

第1章 緒論 1
1.1 研究背景與意義 1
1.2 NOMA簡介 2
1.2.1 NOMA分類 2
1.2.2 NOMA的優點 3
1.2.3 NOMA主要的網絡解決方案 4
1.3 系統模型和能效優化問題 6
1.3.1 MCMC-NOMA網絡 6
1.3.2 整體能效 7
1.3.3 加權能效和 8
1.3.4 加權能效乘積 8
1.3.5 加權最小能效 8
1.4 無線系統資源分配方法 9
1.4.1 用戶調度方法 9
1.4.2 高能效功率分配方法 11
1.4.3 機器學習/深度學習方法 12
1.5 本章小結 13
第2章 能效優化的博弈方法 14
2.1 博弈論簡介 14
2.2 無線通信中的博弈論 15
2.3 均衡與穩定性 15
2.3.1 無線通信中博弈模型 17
2.3.2 資源分配中匹配博弈 18
2.3.3 功率分配的拍賣博弈 20
2.3.4 改進的功率分配拍賣博弈 21
2.3.5 資源分配的潛博弈 22
2.4 仿真結果 24
2.5 未來研究方向 29
2.6 本章小結 29
第3章 能效最大化的凸優化方法 30
3.1 基於逐次凸逼近的能效最大化資源分配 30
3.2 基於SPCA的EEM資源分配 32
3.2.1 MCMC-NOMA中基於SPCA的和速率最大化 32
3.2.2 MCMC-NOMA中基於SPCA的全局能效最大化 34
3.2.3 硬件損傷條件下MCMC-NOMA系統基於SPCA的全局能效優化 35
3.3 資源分配的分式規劃方法 40
3.3.1 Dinkelbach算法 40
3.3.2 類Dinkelbach算法 42
3.3.3 閉式分式規劃 43
3.3.4 多維二次變換 45
3.4 仿真結果 47
3.5 本章小結 58
第4章 基於元啟發式的能效優化方法 59
4.1 鯨魚優化算法 60
4.2 用戶調度的二進制鯨魚優化算法 61
4.2.1 包圍獵物 61
4.2.2 泡網攻擊 62
4.2.3 搜索獵物 63
4.3 改進的自適應鯨魚優化算法 64
4.4 基於粒子群優化算法的資源分配 67
4.4.1 基於PSO的用戶調度 68
4.4.2 一種改進PSO的功率分配 69
4.5 仿真結果 70
4.6 本章小結 73
第5章 能效優化的機器學習模型 74
5.1 學習機制與應用 75
5.2 人工智能輔助的無線網絡和機器學習的作用 75
5.3 基於模型的機制 79
5.3.1 與類型無關的數據驅動模型 79
5.3.2 特定類型的模式模型 82
5.4 深度展開方法 88
5.5 仿真結果 91
5.6 本章小結 95
第6章 無人機輔助的NOMA物聯網資源分配 96
6.1 系統模型 96
6.2 問題建模 99
6.3 能效優化算法 100
6.3.1 用戶調度 100
6.3.2 無人機位置部署 103
6.3.3 功率分配 106
6.4 覆雜度分析 109
6.5 仿真結果 110
6.6 本章小結 114
參考文獻 116