一、移动小区广播系统运营中的资源分配问题浅析（论文文献综述）
周柳杉[1]（2021）在《面向5G RAN切片的无线资源分配与移动负载均衡算法研究》文中研究说明随着移动互联网蓬勃发展,第五代移动通信系统（The Fifth Generation Mobile Communication System,5G）将支持具有更多吞吐量、延迟和可靠性要求的多样化服务,基于虚拟化的网络切片技术是应对5G网络服务多样化的使能技术之一。在实现5G无线接入网（Radio Access Network,RAN）切片过程中,需要解决切片间隔离和移动性管理等挑战。论文选题于中国联通网络技术研究院合作项目《B5G网络系统关键技术研究项目》,主要研究面向5G RAN切片的无线资源分配和移动负载均衡,提升无线资源利用率、网络容量和用户体验。论文主要工作内容如下:（1）论文综述了面向5G RAN切片的无线资源分配和移动负载均衡相关研究。首先,对网络切片技术进行简要介绍,明确了 RAN切片设计的相关原则,并讨论了网络切片引入对5G RAN设计所带来的一些挑战。然后,分别对RAN切片无线资源分配和移动负载均衡这两个重要问题的研究进展进行了总结,明确了本论文的研究方向。（2）针对5G RAN切片间资源隔离的问题,提出了一种最大化切片服务等级协议（Service Level Agreement,SLA）合约率的无线资源分配算法。首先,将SLA的业务指标映射为相应可测量的网络性能指标,以此为基础计算切片的SLA合约率。其次,根据切片的需求进行无线资源分配。最后,考虑到网络以及用户的动态性,结合切片的性能进行无线资源分配的更新,在不影响已满足SLA的切片性能基础上对不合约切片的无线资源进行动态调整,以保障切片间的隔离,最大化所有切片的SLA合约率。仿真结果表明,所提算法能够服务更多的用户,以实现更优的切片SLA合约率,同时在切片无线资源需求动态变化时能够有效的保障切片间的隔离。（3）针对网络切片架构引发面向RAN切片的移动负载均衡问题,提出了一种基于深度强化学习的移动负载均衡算法。首先,定义了系统满意度模型以衡量用户需求的满足情况,同时提出了面向RAN切片的移动负载均衡策略,包括通过射频拉远单元（Radio Remote Unit,RRU）调整分配给切片的无线资源比例实现的切片级负载控制,以及基于用户切换的小区级负载均衡。为了提升系统满意度并考虑最大化移动负载均衡的系统效用,在切片级负载控制与小区级负载均衡中分别提出了系统满意度与用户效用函数联合优化问题,并采用深度强化学习算法求解该优化问题,实现了切片级负载控制中的最佳无线资源比例分配,以及小区级负载均衡中的用户切换。仿真结果表明,所提算法可以有效地减少不满意用户的数量,实现较高的系统满意度。此外,所提算法能够有效减少系统内切换的总次数,带来较少的均衡开销。
周禹岐[2]（2021）在《基于无人机的D2D通信资源分配算法研究》文中进行了进一步梳理在5G通信系统完全商业化的今天,D2D通信（Device-to-device）作为系统中的一项重要技术,其允许用户在距离较近时不经过基站转发数据,直接进行“端到端”通信,大大降低了通信时延、减轻基站负荷并提高系统的吞吐量,受到了研究人员的广泛关注。然而D2D用户复用蜂窝信道时会对蜂窝用户和基站带来同频干扰,同时通信的场景和需求也日益多样化,传统的通信场景无法满足一些特殊情况下的通信需求,比如基站因灾害损毁或受到强烈地面电磁干扰等。面对上述问题,需要采用合理的资源分配算法来降低干扰对通信质量产生的影响,保证系统的通信质量并最大化系统吞吐量。无人机（UAV）基站以其部署灵活方便和视距链路（LOS）比重大不易受地面干扰等优势,拓展了D2D通信的应用场景范围,对提升系统性能有着重要的意义。本文基于无人机基站模型,根据系统的需求区别构建两种不同的应用场景,分别设计了不同的资源分配方案,具体分析了主要参数对通信性能的影响并得出相应结论,具体工作如下:首先,深入研究了无人机基站网络架构及D2D通信技术的模式选择和资源复用方法,重点分析无人机基站的信道增益模型,在此应用背景下建立系统模型。其次,针对系统中用户较少且对稳定性有较高需求的场景,设计了基于粒子群算法的策略方案。基站根据系统状态进行集中式决策,在少量用户随机分布于单蜂窝小区条件下,算法将系统中的用户类比为鸟类种群中的“粒子”,在求解过程中不断更新速度和位置,满足终止条件后得到系统的最优解。再次,针对系统用户位置更迭频繁且需要长期优化的场景,设计了基于强化学习Q-learning算法的策略方案。在粒子群算法中,系统的最优解仅针对当前时刻,在系统的环境发生动态变化时,需要重新计算最优解,每次重新计算都会带来额外的状态切换成本（switch-cost）,系统中用户较多时会明显增大系统的开销,引入强化学习能够最大化系统的长期吞吐量。最后,通过仿真分析并调整系统参数进行对比,结果表明在基于粒子群算法下,同传统的地面基站相比,无人机基站使得系统的吞吐量得到显着提高;引入强化学习并经过大量迭代后,系统能够收敛于最优解,即强化学习Q-learning可以在系统环境变化时长效优化系统的吞吐量。
杨特[3]（2021）在《蜂窝网络中的能量采集D2D通信资源分配》文中研究指明面对第五代（Fifth Generation,5G）移动通信场景中智能终端和多媒体应用的爆发式增长,传统蜂窝网络已无法支持海量的设备接入和10Gbps以上的高速数据传输。因此5G移动通信系统拟引入D2D（Device-to-Device）技术以实现对蜂窝通信的补充。D2D通信是LTE-A（Long Term Evolution-Advanced）为卸载蜂窝基站流量而提出的设备间直接通信技术,它允许短距离通信设备复用蜂窝授权的频谱直接建立本地连接,避免了蜂窝上下行链路通信对基站造成的压力,以实现超高数量的终端连接、更高的频谱效率和更大的系统吞吐量。随着D2D设备在5G通信系统中的大规模部署,巨大的能量消耗造成了碳排放量的超标,这给绿色通信网络的构建带来重大挑战。另外,对于部署在距核心电网较远的D2D设备,很难对其进行持续充足的能量供给,从而限制了D2D通信的优势。各种形式的能量采集技术为D2D设备的绿色通信和灵活部署提供了有效解决方案:无线信息与能量同步传输（Simultaneous Wireless Information and Power Transfer,SWIPT）作为一种重要的射频能量采集技术,可使能量受限的D2D设备在通信的同时采集射频能量补充电能;光伏能量采集技术可使D2D设备将太阳能能量转化为电能,用于自身的数据传输。本文分别针对支持SWIPT的D2D（SWIPT-D2D）通信系统和支持光伏能量采集的D2D通信系统,设计了高效的系统资源分配方案和算法,主要研究内容如下:本文针对蜂窝网络下的SWIPT-D2D通信系统,研究了 D2D接收端利用功率切片技术同时进行信息解码与射频能量采集时的资源分配问题。对此提出了同时提高信息解码速率与能量采集水平的资源分配方案,对包括频谱匹配,功率控制和功率切片控制在内的系统资源分配问题进行了联合优化,在保证D2D接收端射频能量采集需求和各通信链路速率需求条件下最大化D2D通信总速率。以上优化问题为非凸形式的混合整数非线性规划问题,难以求得最优解。本文基于贪心思想和凸逼近理论提出了两层资源分配算法。仿真结果显示,该算法对比其他资源分配算法,在满足用户设备能量和速率需求前提下显着提升了 D2D通信总速率。在支持光伏能量采集的D2D通信系统中,能量采集的不稳定特性使部分D2D设备因能量不足发生通信中断,从而无法接入蜂窝网络,这降低了 D2D设备的接入率并导致了较低的系统吞吐量。本文针对上述问题,提出了非正交多址接入（Non-Othogonal Multiple Access,NOMA）技术辅助的D2D协作通信方案。在该方案中,能量采集充足的D2D设备利用NOMA技术,在满足自身数据传输需求的条件下为能量受限的D2D设备进行中继服务。对此本文提出了包括中继选择、功率控制在内的空间域和功率域系统资源分配问题,最大化D2D通信系统吞吐量,并基于匹配理论和连续凸逼近理论提出了分布式的中继选择算法和集中式的功率控制算法。仿真结果表明,所提算法在保证蜂窝用户传输速率需求的条件下,显着提升了光伏能量采集D2D设备的接入率和通信速率。
马仕君[4]（2021）在《高通量卫星频谱资源智能管理技术研究》文中研究指明卫星通信作为空天地一体化网络的重要组成部分,是陆地通信系统的延伸和补充,也是国家经济发展和军事科学重要战略制高点。随着业务量增长和星上可用频谱资源的持续消耗,高通量卫星（High Throughput Satellite,HTS）系统通过点波束实现多个高增益、窄波束共同覆盖较大区域,并且通过频率复用技术有效提升了卫星频谱资源利用率和数据吞吐量。然而,随着多媒体业务崛起带来频谱资源需求上涨问题,HTS系统依然难以满足复杂的业务需求。高通量卫星系统作为典型的资源受限系统,如何动态、灵活地分配星上稀缺频谱资源,为地面波束小区提供通信服务得到了国内外学者的高度重视,即如何高效、合理、快速地为用户分配频谱资源,在保障用户服务质量（Quality of Service,QoS）的同时,有效提高频谱资源利用率和系统容量匹配度。近年来,深度强化学习技术尝试应用在高通量卫星通信中,但是随着波束规模增加会引起状态-动作空间维度增长的问题,从而导致训练复杂度显着提高。针对上述问题,本文基于DVB-S2X高通量卫星通信系统提出了一种基于Actor-Critic模式深度强化学习算法的频谱资源智能管理方法。首先,搭建了高通量卫星频谱资源管理仿真平台,并对高通量卫星通信场景下频谱资源管理中的优化问题进行理论分析并建立多目标优化模型,然后根据高通量卫星通信实际约束条件设计了适用于高通量卫星通信的收益变换机制,提出一种基于近端策略优化的高通量卫星高效频谱动态管理方法,可支持高通量卫星通信场景下的多维动作输出,具有计算复杂度低、训练效率高、实时性高等优点。仿真结果表明,与传统静态频谱资源分配方法、基于模拟退火算法以及基于常规深度强化学习算法的动态频谱资源管理方法相比,所提方法在保证各波束业务请求量匹配度与用户满意度的前提下,可有效提高频谱资源利用率和降低算法的计算复杂度,具有高实时性和高训练效率,满足大规模高通量卫星通信场景的频谱资源智能管理需求。
马万明[5]（2021）在《面向5G毫米波通信的干扰消除与波束资源分配方法研究》文中提出为应对Sub-6GHz频谱资源短缺和网络致密化的严峻挑战,毫米波（Millimeter Wave,mm Wave）通信能够支撑5G新型业务如虚拟现实（Virtual Reality,VR）的1Gbps高速传输,是5G关键通信技术之一。然而,在超密集网络（Ultra-Dense Network,UDN）场景中,基站间差异化的回传能力和复杂的毫米波波束间干扰使网络吞吐量的提升面临挑战。进一步,考虑用户移动性,如何动态感知毫米波波束间干扰、实现差异化的业务内容的高效传输亟需解决。因此,本文围绕非移动和移动场景下的毫米波干扰消除与波束资源分配展开研究,目标是提升频谱资源利用效率。本文主要贡献包括两方面:（1）针对UDN场景中流量负载均衡和干扰消除缺乏联合优化、网络吞吐量提升受限的难题,提出了基于多对多匹配的基站与用户间协同的网络吞吐量优化算法,能够保证线性计算复杂度。提出了基于凸优化理论的基站毫米波波束发射功率优化算法,得到了最优发射功率的理论凸上界和凸下界,并证明了该凸问题可收敛至KKT（Karush-Kuhn-Tucker Conditions）点。经仿真验证,所提算法相较于传统算法,可提升网络吞吐量71.9%,且平均成功传输概率可达89.0%;（2）针对动态车联网场景中差异化VR业务内容传输效率低的难题,提出了基于干扰预测的V2I（Vehicle to Infrastructue）车辆选择算法,通过动态感知基站内干扰,提高V2I通信累积吞吐量和车辆缓存内容片段数量。进一步,提出了利用联盟博弈理论的分布式计算框架的V2V（Vehicle to Vehicle）车辆内容分发算法,在保证线性复杂度情况下提高了收发车辆间的内容分发效率。经仿真验证,所提算法的内容平均成功传输概率可达72.63%,相较于传统算法提高了 53.4%。
张明州[6]（2021）在《面向移动终端直播的网络资源管理优化研究》文中提出随着移动智能终端的普及,移动通信流量将迎来大幅的增长,其中所占比重最大的移动终端多媒体业务发展迅速,但该业务为用户带来随时随地娱乐体验的同时,也给网络带来了很大的负担,为了解决流量负载问题,需要对网络资源进行优化管理。在移动终端多媒体业务中,移动终端直播业务具有更高的实时性要求,这需要我们对视频内容的上传与分发过程进行优化,因此本文将关注直播场景下视频内容分发的网络资源管理。eMBMS（evolved Multimedia Broadcast/Multicast Service,增强型多媒体广播多播业务）能够充分的利用频谱资源提供多媒体服务,而这种服务需要由内容中心将多播广播内容分发给各基站,降低了网络优化的灵活程度。通过边缘缓存技术,我们尝试将内容的中心卸载至网络边缘,在网络边缘优化移动直播内容的上传与分发。本文针对移动直播场景进行了网络资源管理优化的研究,将边缘缓存、多媒体广播服务进行结合应用于移动直播业务,对其服务质量进行优化。1.研究了 MEC（Multi-Access Edge Computation,多接入边缘计算）与eMBMS技术的架构、优势以及相关应用场景,为后续将两种技术结合用于针对直播场景的网络资源管理提供了理论基础,针对将MEC与eMBMS应用于直播场景的架构特点进行建模。2.为了提升移动终端直播业务的服务质量,使用基于PLSA（Probabilistic Latent Semantic Analysis,概率隐含语义分析）模型的流行度预测算法进行流行度预测,并提出了基于模拟退火算法的MEC协作边缘缓存策略,通过仿真验证了该策略能够对直播业务时延进行优化,并且在移动终端直播业务场景下相较普通的流行度协同缓存策略具有更好的时延优化效果。3.为了进一步对网络资源管理进行优化,提升频谱效率,提出了在直播场景下将MEC与eMBMS进行结合的网络资源管理优化方案,并针对广播特点对缓存策略进行了研究。对方案进行仿真证明将eMBMS与MEC结合并进行公平的资源分配,能够在保障单播业务质量的同时,有效提高系统吞吐量,并降低服务的平均时延。
林颖欣[7]（2021）在《5G蜂窝车联网中智能传输模式选择与计算任务卸载方法》文中研究指明车联网作为未来智能交通系统的重要组成部分,旨在为大规模车辆互联提供稳定的通信链路与安全的数据传输。随着车辆数目的快速增长与通信技术的变革,车载应用得到了快速的发展,出现了自动驾驶等新型应用,为未来智能交通系统发展带来了新机遇。为了保证未来车联网的发展,车辆对数据的采集与处理效率等方面提出了新的要求,但是现有的传输模式与系统处理能力无法保障车联网的服务质量。首先,数据传输质量不佳的问题主要由车辆仅使用单一传输模式所导致。在车辆网络中,智能交通系统拥有多种传输模式,包括车辆与车辆之间（Vehicle-to-Vehicle,V2V）,车辆与基础设置之间（Vehicle-to-Infrastructure,V2I）和车辆与宏基站之间（Vehicle-to-Network,V2N）的传输。V2V模式能够提供低时延的通信,但带宽较小,无法保证大规模的传输。相比而言V2I带宽较大,但覆盖范围有限且成本较高。V2N拥有更大的覆盖范围与带宽,但通信质量与时延受到距离的限制。由此可见,使用单一传输模式将存在各种缺陷,无法满足车辆的多样化需求,而根据车辆所处的环境动态的选择传输模式,可以提升数据的传输效率。其次,车载应用采集到的数据量庞大,车辆本地计算资源有限,不足以支撑大规模计算。作为计算资源的补充,单一的边缘计算节点只能提供有限的计算资源,云边协同的计算节点解决了计算资源短缺的问题,但是提高了系统的传输时延,两种方案均存在不足之处。针对数据采集与处理方面的问题,本文提出了面向5G蜂窝车联网的智能传输模式选择方法,满足数据传输的多样化需求;提出了基于多分布式边缘服务器协同的计算任务卸载方法,解决车辆计算资源不足的问题。1)基于在线强化学习的5G蜂窝车联网智能传输模式选择方法。首先,基于蜂窝车联网不同传输模式的特点,本文构建了拥有三种传传输模式的蜂窝车联网。其次,由于同一个簇中的车辆可以进行信息流的共享且现有的算法不适用于大规模场景,本文采用了基于图神经网络的自动编码器对车辆聚簇。然后提出了一种基于多智能体强化学习的传输模式选择算法,智能体通过与环境交互实现策略的动态调整,有效地提升了大规模车联网模式选择的性能。仿真结果表明,相比于谱聚类与K-Means聚簇算法,图自动编码器有更好的聚簇效果,本文提出的算法相比于随机算法和不使用智能选择算法拥有更高的系统的吞吐量。2)基于多分布式MEC协同的5G蜂窝车联网计算任务卸载方法。首先,利用5G蜂窝网络的协同特性,构建多分布式MEC协同5G蜂窝车联网,网络中车辆将执行计算密集型任务。其次,将计算卸载问题分解为多小区车辆的频谱资源分配问题与任务处理的决策问题。由于频谱资源有限,不同小区间频谱资源共享。为了降低同频调度产生的干扰问题,本文使用了二部图匹配算法确定信道分配方案。基于车联网对于能耗与时延要求,提出了一种在线李雅普诺夫优化方法来解决计算资源分配问题,实现时延与能耗的动态平衡。最后,仿真结果表明,本文提出的多分布式MEC协同架构在能耗与执行时延方面均有更好的性能。
杨利超[8]（2021）在《移动边缘网络中资源管理技术研究》文中研究指明物联网终端设备的大量普及和各种新型应用的日益丰富,对当前的移动通信网络提出了超大带宽、超低时延和海量连接等挑战。为了满足以上挑战,移动边缘网络被提出,并且受到学术界和工业界的广泛关注。移动边缘网络通过在网络边缘提供云能力,包括计算、存储以及业务服务,不仅可以解决第五代移动通信系统（The 5th Generation Mobile Communication System,5G）中海量设备连接问题,还可以缓解核心网的承载压力,成为最具应用潜力的技术之一。然而,由于边缘节点资源受限、网络环境动态变化和用户需求多样等因素影响,移动边缘网络中的资源管理变得复杂,这大大制约了“云”能力在边缘侧的部署。高效的资源管理技术能够合理利用网络资源,实现网络资源的高效分配和计算任务的优化卸载,有助于实现“云”能力在边缘侧大规模、分布式部署。因此,高效的资源管理关键技术值得深入研究。本文考虑计算任务卸载、网络环境实时变化和海量设备连接等情况,分别设计了相应的资源管理策略,以达到优化网络开销、降低用户时延以及提升边缘节点收益等目的。论文的主要创新工作如下:第一,针对网络开销最小化问题,设计了一种基于任务卸载的资源分配策略。首先,将移动边缘计算（Mobile Edge Computing,MEC）技术引入到移动边缘网络中,考虑到通信和计算资源均受限的情况,以时延和能耗为目标,建立网络开销最小化问题。其次,考虑到所建模问题中移动设备间的利益冲突情况,利用博弈理论将原问题转化为潜博弈问题,并提出一种基于任务卸载的资源分配算法。在该算法中,设计了基于阈值结构的卸载决策函数,以优化移动设备的接入选择。利用潜博弈策略,实现了网络资源的高效分配。理论上分析了所提算法的收敛性。最后,仿真结果证明所提算法可以有效降低网络开销。第二,针对网络时延最小化问题,提出了一种基于时延感知的在线资源分配机制。首先,针对实时在线任务卸载过程,提出了网络时延最小化问题,并对计算任务的实时在线卸载进行建模。其次,联合考虑回程传输策略和传输速率控制参数等因素,设计了在线资源调度机制,以均衡网络负载。最后,仿真结果表明所提资源调度机制可以有效降低计算任务的卸载时延。第三,针对网络收益最大化问题,设计了一种基于匹配理论的分布式资源管理方案。首先,将区块链技术引入到移动边缘网络中,通过两者的结合,实现移动终端计算交易的高效卸载,保证了区块链应用在终端设备的顺利部署。其次,联合考虑边缘节点的挖矿成本和挖矿奖励,提出网络收益最大化问题。再次,利用匹配理论将网络收益最大化问题建模为基于单边偏好的双边匹配博弈模型。此外,提出了分布式匹配算法以实现交易和边缘节点的高效匹配,并通过数学理论分析了所提算法的复杂度。最后,仿真结果表明所提的分布式匹配算法可以有效提升边缘节点的收益,降低交易任务的卸载时延。
邵羽丰[9]（2020）在《蜂窝网络中MTC设备随机接入拥塞避免研究》文中提出随着物联网的快速发展,机器类通信作为其关键技术之一也受到了国际产业界和学术界的广泛关注。MTC是指通过LTE网络实现机器间广泛连接的技术。随着智慧家庭,无人驾驶,远程医疗等新兴MTC产业的广泛应用,MTC设备数量必定迎来爆发增长,给传统的随机接入方式带来了巨大的挑战,本文将以MTC通信中的随机接入过程为研究重点,对大量随机接入造成的拥塞进行深入的研究。首先,针对MTC设备类型多样的特性以及大量设备接入时前导碰撞导致的资源利用率低的问题,提出一种基于增强PRACH技术的多元MTC设备随机接入方案。将MTC设备根据不同的Qo S要求分成高,中,低三种优先级,通过增强PRACH技术,提前知道前导码碰撞信息,从而避免下一步PUSCH信道资源的调度,并采用ACB机制为不同优先级设备配置不同的ACB接入限制因子,控制发起接入的MTC设备类型和数量,最后,在以业务最大接入容量为目标,高优先级Qo S要求为约束的条件下,得到上行资源PRACH和PUSCH信道资源的分配比例。仿真结果说明:所提方案实现了设备的差异化要求,在保证接入容量的前提下,优先保障了高优先级设备特定的时延和丢包率要求。其次,考虑到大部分MTC设备移动性差的特性,利用这些设备不变的定时提前信息实现对拥塞设备的识别,降低前导冲突率。从而提出了一种基于ACB的面向静态场景的MTC设备随机接入方案,方案包括前导资源分配和自适应ACB两部分。基站覆盖下的所有设备根据时延的不同要求分为时延敏感设备和时延容忍设备,优先考虑时延敏感性设备使用其前导资源,并且每个类别设备分别采用自适应ACB机制,通过查找算法寻找使接入容量最大的ACB接入限制因子。仿真结果证明:与其他相关方案相比,该方案取得了较高的前导接入成功率,并降低了接入时延。
张科成[10]（2021）在《异构云无线接入网络的资源分配理论和方法》文中研究指明为了提升热点地区容量,同时缓解去程链路压力,业界将异构网络与云无线接入网络优势相结合,提出了异构云无线接入网络（H-CRAN,Heterogeneous Cloud Radio Access Network）。然而,随着各类通信节点的增加和业务需求的提升,H-CRAN中各种资源变得日趋紧张,如何进行高效的资源分配对于充分发挥H-CRAN的性能潜力至关重要。为此,本文基于凸优化理论对H-CRAN的资源分配方法进行了研究,分别对网络的频谱效率、能量效率及传输时延性能进行了优化。本文的主要工作和创新点总结如下:1.面向频谱效率优化的无线安全资源分配方法H-CRAN的接入点数量多,存在着严重的干扰。为了减轻干扰,传统网络中接入点之间常采取异频组网的方法,这造成了频谱资源的浪费,降低了频谱效率。若采用同频组网,网络中窃听节点将更容易获取用户的信息。为了解决上述问题,本文对H-CRAN的安全频谱效率进行建模,根据矩阵优化中的Perron-Frobenius理论分析了干扰之间的联系,找到了减轻干扰的途径,并提出了一种基于同频组网的子载波和发射功率联合分配的无线安全资源分配方法,提高了H-CRAN的安全频谱效率。仿真结果表明,与传统的异频组网方法相比,所提方法能够使H-CRAN中用户的安全频谱效率提高约13%。2.面向能量效率优化的增强型软频率复用资源分配方法H-CRAN的接入点种类丰富,不同接入点之间的发射功率差别大,给能量效率的优化带来了困难。本文围绕提升H-CRAN能量效率的目标展开研究,首先提出一种增强型的软频率复用方法,根据实际服务质量需求来为用户分配不同的子载波。然后将能量效率优化问题进行数学建模,并利用对偶理论等工具将非凸的原问题转化为凸优化问题,进而提出一种高效的迭代求解算法。所提算法经过较少的迭代次数即可收敛,与传统的软频率复用方法相比,该方法能够使网络的能量效率提高约 25%。3.面向传输时延优化的联合资源分配方法H-CRAN中既有能够实现业务的本地处理和信息的本地分发的局部模式,也有能够实现对网络的集中式控制的全局模式。传统网络只关注单一接入模式下的资源分配问题,这样会造成传输时延性能的损失。为了优化异构云无线接入网络的传输时延,本文对接入模式和发射功率联合分配问题进行了研究。根据范数优化理论将离散的接入模式变量转化为连续变量,给出了选择接入模式和分配发射功率的可执行方法。结果表明,与云无线接入网络中单一接入模式相比,所提的方法能够减少传输时延约30%。
二、移动小区广播系统运营中的资源分配问题浅析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、移动小区广播系统运营中的资源分配问题浅析（论文提纲范文）
（1）面向5G RAN切片的无线资源分配与移动负载均衡算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究内容与成果 |
| 1.3 论文的组织结构 |
| 第二章 5GRAN切片相关技术研究综述 |
| 2.1 引言 |
| 2.2 网络切片技术 |
| 2.2.1 网络切片概念及标准化进展 |
| 2.2.2 端到端的网络切片 |
| 2.3 无线接入网切片 |
| 2.3.1 RAN切片的需求与设计原则 |
| 2.3.2 RAN切片的研究挑战 |
| 2.4 面向RAN切片的无线资源分配研究 |
| 2.4.1 RAN切片无线资源管理标准化进展 |
| 2.4.2 RAN切片无线资源分配研究现状 |
| 2.4.3 RAN切片无线资源分配研究挑战 |
| 2.5 面向RAN切片的移动负载均衡研究 |
| 2.5.1 RAN切片移动负载均衡标准化进展 |
| 2.5.2 RAN切片移动负载均衡研究现状 |
| 2.5.3 RAN切片移动负载均衡研究挑战 |
| 2.6 本章小结 |
| 第三章 面向5G RAN切片的无线资源分配研究 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.3 最大化切片SLA合约率的无线资源分配算法 |
| 3.3.1 SLA参数和性能指标的映射 |
| 3.3.2 RAN切片无线资源分配 |
| 3.3.2.1 子信道和功率分配 |
| 3.3.2.2 用户选择 |
| 3.3.3 RAN切片无线资源更新 |
| 3.4 性能仿真验证 |
| 3.4.1 仿真参数设置 |
| 3.4.2 仿真结果分析 |
| 3.5 本章小结 |
| 第四章 面向5G RAN切片的移动负载均衡研究 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 RAN切片模型 |
| 4.2.2 系统满意度模型 |
| 4.3 面向RAN切片的移动负载均衡策略 |
| 4.3.1 切片级负载控制 |
| 4.3.2 小区级负载均衡 |
| 4.3.3 面向RAN切片的移动负载均衡架构 |
| 4.4 基于深度强化学习的移动负载均衡算法 |
| 4.4.1 问题建模 |
| 4.4.1.1 切片级负载控制 |
| 4.4.1.2 小区级负载均衡 |
| 4.4.2 深度强化学习 |
| 4.4.2.1 强化学习的基本思想 |
| 4.4.2.2 DQN |
| 4.4.3 基于DQN的切片级负载控制 |
| 4.4.4 基于DQN的小区级负载均衡 |
| 4.5 性能仿真验证 |
| 4.5.1 仿真参数设置 |
| 4.5.2 仿真结果分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 缩略语 |
| 致谢 |
| 攻读学位期间取得的研究成果目录 |
（2）基于无人机的D2D通信资源分配算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 课题研究现状 |
| 1.2.1 D2D资源复用技术研究现状 |
| 1.2.2 无人机基站研究现状 |
| 1.3 论文的主要内容及结构 |
| 第2章 相关理论基础 |
| 2.1 D2D通信技术概述 |
| 2.1.1 D2D通信优势及应用场景 |
| 2.1.2 D2D通信模式选择和复用策略 |
| 2.1.3 D2D通信干扰分析 |
| 2.2 无人机基站及信道模型概述 |
| 2.2.1 无人机基站优势与主要应用 |
| 2.2.2 无人机基站网络架构及信道模型 |
| 2.3 强化学习概述 |
| 2.3.1 强化学习模型 |
| 2.3.2 马尔科夫决策过程及Q-learning算法 |
| 2.4 本章小结 |
| 第3章 基于粒子群算法的D2D资源复用策略 |
| 3.1 系统模型 |
| 3.2 问题描述与建模 |
| 3.3 基于粒子群的资源分配算法 |
| 3.3.1 算法简介及模型分析 |
| 3.3.2 粒子群算法对MINLP问题优化 |
| 3.4 仿真参数与结果分析 |
| 3.5 本章小结 |
| 第4章 基于Q-learning的 D2D资源复用策略 |
| 4.1 系统模型 |
| 4.2 问题描述与建模 |
| 4.3 基于Q-learning的资源分配算法 |
| 4.3.1 学习模型与问题映射 |
| 4.3.2 Q-learning算法优化流程 |
| 4.4 仿真参数与结果分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文总结 |
| 5.2 未来研究展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（3）蜂窝网络中的能量采集D2D通信资源分配（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 移动通信概述 |
| 1.2 5G相关技术简介 |
| 1.3 D2D通信概述 |
| 1.3.1 D2D通信链路建立机制 |
| 1.3.2 D2D通信模式分类 |
| 1.3.3 D2D通信频谱接入模式 |
| 1.3.4 D2D通信的干扰分析 |
| 1.4 能量采集模型 |
| 1.4.1 功率切片模型 |
| 1.4.2 时间转换模型 |
| 1.4.3 光伏能量采集模型 |
| 1.5 论文主要内容及结构 |
| 第2章 能量采集D2D通信的相关研究 |
| 2.1 引言 |
| 2.2 射频能量采集D2D通信 |
| 2.2.1 射频能量驱动的D2D通信 |
| 2.2.2 无线信息与能量同步传输D2D通信 |
| 2.3 光伏能量采集D2D通信 |
| 2.3.1 设备接入控制 |
| 2.3.2 数据传输调度 |
| 2.3.3 中继协作传输 |
| 2.4 本章小结 |
| 第3章 支持射频能量采集的D2D通信资源分配 |
| 3.1 引言 |
| 3.2 蜂窝网络下的SWIPT-D2D通信系统 |
| 3.2.1 系统模型 |
| 3.2.2 问题描述 |
| 3.3 双层资源分配算法 |
| 3.3.1 贪心比较资源分配算法 |
| 3.3.2 基于连续凸逼近的外逼近算法 |
| 3.4 仿真分析 |
| 3.4.1 仿真设置 |
| 3.4.2 仿真结果 |
| 3.5 本章小结 |
| 第4章 NOMA辅助的光伏能量采集D2D通信 |
| 4.1 引言 |
| 4.2 NOMA辅助的D2D协作通信系统 |
| 4.2.1 系统模型 |
| 4.2.2 问题描述 |
| 4.3 资源分配算法设计 |
| 4.3.1 分布式中继选择算法 |
| 4.3.2 集中式功率控制算法 |
| 4.4 仿真分析 |
| 4.4.1 仿真设置 |
| 4.4.2 仿真结果 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文总结 |
| 5.2 进一步工作 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（4）高通量卫星频谱资源智能管理技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文课题来源及研究内容和主要创新点 |
| 1.3.1 论文课题来源 |
| 1.3.2 论文研究内容和主要创新点 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 高通量卫星通信系统及相关技术介绍 |
| 2.1 高通量卫星通信系统 |
| 2.1.1 高通量卫星系统框架 |
| 2.1.2 DVB-S2X协议介绍 |
| 2.1.3 星载多波束天线及波束形成技术介绍 |
| 2.1.4 行波管放大器介绍 |
| 2.2 高通量卫星通信信道特性 |
| 2.2.1 自由空间损耗 |
| 2.2.2 大气吸收损耗 |
| 2.2.3 降雨损耗 |
| 2.2.4 阴影衰落 |
| 2.3 高通量卫星通信系统频谱资源分配策略 |
| 2.4 多目标优化问题概述 |
| 2.5 深度强化学习技术介绍 |
| 2.5.1 深度学习相关技术介绍 |
| 2.5.2 强化学习相关技术介绍 |
| 2.6 本章小结 |
| 第三章 基于近端策略优化的高通量卫星频谱资源智能管理方法研究 |
| 3.1 引言 |
| 3.2 高通量卫星频谱资源管理模型 |
| 3.2.1 高通量卫星系统场景分析 |
| 3.2.2 系统提供容量计算 |
| 3.2.3 高通量卫星频谱资源管理问题建模 |
| 3.3 基于近端策略优化的高通量卫星频谱资源智能管理方法 |
| 3.3.1 频谱资源智能管理方法整体框架 |
| 3.3.2 DBA-PPO算法 |
| 3.3.3 收益变换机制设计 |
| 3.3.4 多维动作输出模式设计 |
| 3.4 DBA-PPO算法具体流程 |
| 3.5 本章小节 |
| 第四章 频谱资源动态管理算法仿真验证及分析 |
| 4.1 仿真参数设置 |
| 4.2 仿真结果与分析 |
| 4.3 复杂度分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 下一步工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术成果 |
| 攻读硕士学位期间参加的项目 |
（5）面向5G毫米波通信的干扰消除与波束资源分配方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 5G毫米波通信概述 |
| 1.1.2 博弈论概述 |
| 1.2 研究现状 |
| 1.2.1 超密集组网下的毫米波波束资源分配 |
| 1.2.2 车联网场景下的毫米波波束资源分配 |
| 1.3 研究内容 |
| 1.3.1 面向超密集组网的毫米波波束资源分配方法 |
| 1.3.2 面向动态车联网的毫米波波束资源分配方法 |
| 1.4 研究意义 |
| 1.5 文章结构 |
| 第二章 面向超密集组网的毫米波波束资源分配方法 |
| 2.1 系统模型与问题建立 |
| 2.1.1 通信模型 |
| 2.1.2 缓存模型 |
| 2.1.3 目标函数 |
| 2.2 基于匹配理论的用户协同算法 |
| 2.2.1 基站-用户双边匹配模型 |
| 2.2.2 基于多对多匹配的用户协同算法 |
| 2.3 基于凸优化的基站毫米波波束发射功率优化算法 |
| 2.4 仿真与结果分析 |
| 2.4.1 仿真参数设置 |
| 2.4.2 性能指标分析 |
| 2.5 本章小结 |
| 第三章 面向动态车联网的毫米波波束资源分配方法 |
| 3.1 系统模型与问题建立 |
| 3.1.1 移动模型 |
| 3.1.2 缓存模型 |
| 3.1.3 通信模型 |
| 3.1.4 内容分发效率计算 |
| 3.2 V2I阶段的车辆选择算法 |
| 3.3 V2V阶段的内容分发算法 |
| 3.3.1 车辆联盟的形成 |
| 3.3.2 效用函数的设计 |
| 3.3.3 车辆联盟形成算法 |
| 3.4 仿真与结果分析 |
| 3.4.1 仿真参数设置 |
| 3.4.2 性能指标分析 |
| 3.5 本章小结 |
| 第四章 总结 |
| 4.1 论文总结 |
| 4.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（6）面向移动终端直播的网络资源管理优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及其意义 |
| 1.2 研究现状 |
| 1.2.1 内容缓存技术 |
| 1.2.2 增强型多媒体广播/多播业务 |
| 1.3 论文的主要内容与创新工作 |
| 1.3.1 直播场景下基于模拟退火的边缘缓存算法 |
| 1.3.2 MEC边缘缓存与eMBMS的联合优化方案 |
| 1.3.3 本文研究创新点 |
| 1.4 论文的结构安排 |
| 第二章 MEC与eMBMS技术研究 |
| 2.1 多接入边缘计算MEC |
| 2.1.1 MEC概述 |
| 2.1.2 MEC关键技术 |
| 2.1.3 MEC框架 |
| 2.2 eMBMS增强型多媒体广播多播业务 |
| 2.2.1 eMBMS概要 |
| 2.2.2 eMBMS系统框架 |
| 2.2.3 MBSFN区域划分 |
| 2.2.4 MBSFN信道 |
| 2.2.5 SC-PTM |
| 2.3 本章小结 |
| 第三章 基于流行度预测的直播内容缓存分发处理策略 |
| 3.1 系统模型 |
| 3.1.1 场景建模 |
| 3.1.2 用户偏好建模 |
| 3.1.3 目标收益函数 |
| 3.2 基于模拟退火的流行直播内容缓存策略 |
| 3.2.1 PLSA模型下的流行度预测算法 |
| 3.2.2 基于模拟退火的缓存算法 |
| 3.3 仿真流程及结果分析 |
| 3.3.1 缓存收益分析 |
| 3.3.2 系统平均时延分析 |
| 3.4 本章小结 |
| 第四章 eMBMS资源分配与缓存策略的联合网络资源管理优化 |
| 4.1 系统模型 |
| 4.1.1 MBSFN区域模型 |
| 4.1.2 广播/单播频谱资源分配模型 |
| 4.1.3 吞吐量 |
| 4.2 eMBMS资源分配算法 |
| 4.2.1 MBSFN区域成型 |
| 4.2.2 广播/单播频谱资源分配 |
| 4.3 基于置信传播的MBSFN区域内缓存策略 |
| 4.3.1 置信传播概述 |
| 4.3.2 目标收益函数 |
| 4.3.3 基于模拟退火的MBSFN区域内缓存策略 |
| 4.3.4 基于置信传播的MBSFN区域内缓存策略 |
| 4.4 仿真结果及性能分析 |
| 4.4.1 缓存策略对比分析 |
| 4.4.2 eMBMS的优化性能分析 |
| 4.4.3 联合网络资源管理方案仿真分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（7）5G蜂窝车联网中智能传输模式选择与计算任务卸载方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 主要研究内容 |
| 1.3 论文组织结构 |
| 第二章 研究背景及现状 |
| 2.1 蜂窝车联网介绍 |
| 2.1.1 蜂窝车联网架构 |
| 2.1.2 蜂窝车联网建模影响因素 |
| 2.2 边缘计算介绍 |
| 2.2.1 网络架构及特点 |
| 2.2.2 边缘计算卸载方式 |
| 2.3 车联网与边缘计算的结合 |
| 2.4 国内外研究现状 |
| 2.4.1 车联网传输模式选择研究 |
| 2.4.2 车联网计算卸载研究 |
| 2.5 本章小结 |
| 第三章 5G蜂窝车联网智能传输模式选择方法 |
| 3.1 引言 |
| 3.2 系统模型与问题描述 |
| 3.2.1 网络拓扑 |
| 3.2.2 传输模型 |
| 3.2.3 QoS限制条件 |
| 3.2.4 问题建模 |
| 3.3 算法设计与实现 |
| 3.3.1 基于大时间尺度的图网络车辆聚簇策略 |
| 3.3.2 基于小时间尺度的多智能体传输模式选择策略 |
| 3.4 仿真及性能分析 |
| 3.4.1 仿真场景描述 |
| 3.4.2 仿真结果 |
| 3.5 本章小结 |
| 第四章 多分布式MEC协同计算任务卸载方法 |
| 4.1 引言 |
| 4.2 系统模型与问题描述 |
| 4.2.1 网络结构 |
| 4.2.2 卸载模型 |
| 4.2.3 缓存模型 |
| 4.2.4 任务处理模型 |
| 4.2.5 问题建模 |
| 4.3 算法设计与实现 |
| 4.3.1 基于多小区多车辆资源分配策略 |
| 4.3.2 基于李雅普诺夫优化的计算资源分配 |
| 4.4 仿真及性能分析 |
| 4.5 本章小节 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 下一步展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表的学术论文目录 |
（8）移动边缘网络中资源管理技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 移动边缘网络的提出 |
| 1.1.2 移动边缘网络的架构 |
| 1.1.3 移动边缘网络的关键技术研究 |
| 1.2 移动边缘网络中资源管理关键技术概述 |
| 1.2.1 资源管理关键技术面临的挑战 |
| 1.2.2 资源管理关键技术的研究现状 |
| 1.2.3 研究意义 |
| 1.3 主要研究内容和贡献 |
| 1.4 章节安排 |
| 参考文献 |
| 第二章 移动边缘网络中资源管理的关键技术 |
| 2.1 引言 |
| 2.2 面向任务卸载的资源管理技术 |
| 2.2.1 基于单一任务的资源管理方案 |
| 2.2.2 基于异构任务的资源管理策略 |
| 2.3 基于实时性的资源管理技术 |
| 2.3.1 考虑离线模式的资源分配方案 |
| 2.3.2 基于实时在线的资源分配策略 |
| 2.4 基于分布式特性的资源管理技术 |
| 2.4.1 考虑移动边缘侧的分布式协同策略 |
| 2.4.2 考虑云-边-端的分布式协同策略 |
| 2.5 本章小结 |
| 参考文献 |
| 第三章 基于任务卸载的资源分配策略 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 移动边缘网络架构 |
| 3.2.2 通信模型 |
| 3.2.3 计算模型 |
| 3.3 问题描述 |
| 3.4 基于潜博弈的任务卸载方案 |
| 3.4.1 潜函数的建立和纳什均衡 |
| 3.4.2 基于卸载的潜博弈算法 |
| 3.5 理论分析及仿真结果 |
| 3.5.1 理论分析 |
| 3.5.2 仿真结果 |
| 3.6 本章小结 |
| 参考文献 |
| 第四章 基于时延感知的在线资源分配机制 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 网络架构 |
| 4.2.2 时延成本模型 |
| 4.3 问题建立 |
| 4.4 在线资源分配机制 |
| 4.4.1 在线资源分配机制设计 |
| 4.4.2 机制性能分析 |
| 4.5 仿真结果与分析 |
| 4.5.1 仿真场景和参数设置 |
| 4.5.2 不同在线资源分配算法对系统性能的影响 |
| 4.6 本章小结 |
| 参考文献 |
| 第五章 基于匹配理论的分布式资源管理方案 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 网络架构 |
| 5.2.2 区块链模型 |
| 5.2.3 网络模型 |
| 5.3 问题建模 |
| 5.3.1 系统约束 |
| 5.3.2 最优化问题的制定 |
| 5.4 基于匹配理论的求解算法 |
| 5.4.1 匹配博弈的构建 |
| 5.4.2 分布式匹配算法 |
| 5.5 理论分析与仿真结果 |
| 5.5.1 分布式匹配算法的收敛性证明 |
| 5.5.2 分布式匹配算法的复杂度分析 |
| 5.5.3 算法性能分析 |
| 5.6 本章小结 |
| 参考文献 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 研究展望 |
| 附录A 缩略语表 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（9）蜂窝网络中MTC设备随机接入拥塞避免研究（论文提纲范文）
| 摘要 |
| Abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文结构安排和主要贡献 |
| 1.4 本章小结 |
| 第二章 机器类通信随机接入技术概述 |
| 2.1 MTC网络架构 |
| 2.2 随机接入过程 |
| 2.2.1 随机接入过程资源配置 |
| 2.2.2 随机接入过程 |
| 2.3 MTC随机接入过载机制综述 |
| 2.3.1 分散随机接入访问请求的随机接入机制 |
| 2.3.3 基于资源分配的随机接入机制 |
| 2.3.4 基于增强PRACH技术的随机接入机制 |
| 2.3.5 静态场景下的随机接入机制 |
| 2.3.6 基于pull方法的随机接入机制 |
| 2.4 本章小结 |
| 第三章 基于增强PRACH的多元机器类通信设备接入拥塞方案 |
| 3.1 引言 |
| 3.2 系统模型及方案介绍 |
| 3.2.1 本章提出的PRACH介绍 |
| 3.2.2 设备ID传输 |
| 3.2.3 根据QoS动态调整ACB因子 |
| 3.2.4 上行信道资源分配方法 |
| 3.3 仿真结果分析 |
| 3.3.1 接入性能分析 |
| 3.3.2 仿真结果分析 |
| 3.4 本章小结 |
| 第四章 基于ACB的面向静态场景下的机器类通信接入拥塞方案 |
| 4.1 引言 |
| 4.2 系统模型及方案介绍 |
| 4.2.1 设备接入模型 |
| 4.2.2 自适应ACB方案 |
| 4.2.3 联合自适应ACB和前导码资源分配算法 |
| 4.3 仿真结果分析 |
| 4.3.1 接入性能分析 |
| 4.3.2 仿真结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 下一步研究方向 |
| 参考文献 |
| 附录1 程序清单 |
| 附录2 攻读硕士学位期间撰写的论文 |
| 附录3 攻读硕士学位期间申请的专利 |
| 附录4 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（10）异构云无线接入网络的资源分配理论和方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 异构云无线接入网络 |
| 1.2.1 异构云无线接入网络的提出和演进 |
| 1.2.2 异构云无线接入网络的研究现状 |
| 1.2.3 异构云无线接入网络主要技术挑战 |
| 1.3 异构云无线接入网络的资源分配 |
| 1.3.1 无线资源分配优化方法概述 |
| 1.3.2 面向频谱效率的无线资源分配现状 |
| 1.3.3 面向能量效率的无线资源分配现状 |
| 1.3.4 面向传输时延的无线资源分配现状 |
| 1.3.5 异构云无线接入网络的模式选择 |
| 1.3.6 异构云无线接入网络的边缘缓存 |
| 1.4 主要研究内容和贡献 |
| 1.5 论文组织结构 |
| 第二章 面向频谱效率优化的无线安全资源分配方法 |
| 2.1 引言 |
| 2.2 系统模型 |
| 2.3 基于最大化频谱效率的资源分配方法 |
| 2.3.1 子载波分配 |
| 2.3.2 功率分配方案 |
| 2.4 仿真结果和讨论 |
| 2.4.1 收敛性仿真 |
| 2.4.2 频谱效率性能仿真 |
| 2.5 总结 |
| 第三章 面向能量效率优化的增强型软频率复用资源分配方法 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.3 以最大化能量效率为目标的资源分配方法 |
| 3.3.1 优化目标转化 |
| 3.3.2 迭代算法 |
| 3.3.3 拉格朗日对偶分解法 |
| 3.4 仿真结果和讨论 |
| 3.4.1 性能对比 |
| 3.4.2 所提算法收敛性分析 |
| 3.4.3 能量效率性能分析 |
| 3.5 总结 |
| 第四章 面向传输时延优化的联合资源分配方法 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.3 以最小化时延为目标的资源分配方法 |
| 4.4 仿真结果和讨论 |
| 4.4.1 算法收敛性分析 |
| 4.4.2 算法时延性能分析 |
| 4.5 总结 |
| 第五章 总结和展望 |
| 5.1 论文工作总结 |
| 5.2 未来研究展望 |
| 参考文献 |
| 附录A 缩略词列表 |
| 致谢 |
| 攻读博士期间发表的学术论文和专利 |
四、移动小区广播系统运营中的资源分配问题浅析（论文参考文献）
- [1]面向5G RAN切片的无线资源分配与移动负载均衡算法研究[D]. 周柳杉. 北京邮电大学, 2021(01)
- [2]基于无人机的D2D通信资源分配算法研究[D]. 周禹岐. 吉林大学, 2021(01)
- [3]蜂窝网络中的能量采集D2D通信资源分配[D]. 杨特. 中国科学技术大学, 2021(08)
- [4]高通量卫星频谱资源智能管理技术研究[D]. 马仕君. 北京邮电大学, 2021(01)
- [5]面向5G毫米波通信的干扰消除与波束资源分配方法研究[D]. 马万明. 北京邮电大学, 2021(01)
- [6]面向移动终端直播的网络资源管理优化研究[D]. 张明州. 北京邮电大学, 2021(01)
- [7]5G蜂窝车联网中智能传输模式选择与计算任务卸载方法[D]. 林颖欣. 北京邮电大学, 2021(01)
- [8]移动边缘网络中资源管理技术研究[D]. 杨利超. 北京邮电大学, 2021(01)
- [9]蜂窝网络中MTC设备随机接入拥塞避免研究[D]. 邵羽丰. 南京邮电大学, 2020(02)
- [10]异构云无线接入网络的资源分配理论和方法[D]. 张科成. 北京邮电大学, 2021(01)