导读:本文包含了资源联合分配论文开题报告文献综述及选题提纲参考文献，主要关键词:5G毫米波,回传与接入一体化,用户关联,资源分配
资源联合分配论文文献综述
马忠彧,李波,闫中江,杨懋[1]（2019）在《5G毫米波回传与接入一体化网络中用户关联与资源分配联合优化方法》一文中研究指出由于毫米波回传与接入一体化网络(mm-Wave IBAN)能够按需划分接入和回传链路之间的资源比例而在提升5G通信网络资利用率方面有巨大优势。从最大化全网传输业务量的角度出发提出并实现一种mm-Wave IBAN用户关联和资源分配的联合优化方法。首先将mm-Wave IBAN中用户关联和资源分配的联合问题建模为一个组合非凸优化问题,然后将其分解为2个子问题,即在接入速率和回传速率匹配约束情况下以全网接入速率最大化为目标的用户关联子问题(即子问题1)和以传输业务最大化为目标的接入与回传时间资源比例分配的子问题(即子问题2)。利用人工免疫优化算法求解子问题1,再通过对全网业务量表达式求导而得各小区接入和回传链路上的最优传输时间比例。仿真结果表明:与基于最近距离用户关联机制相比,在提升网络吞吐量方面有更大增益。(本文来源于《西北工业大学学报》期刊2019年05期）
景天琦,刘婷薇,俞菲,杨绿溪[2]（2019）在《移动边缘计算中的联合优化迁移决策和资源分配》一文中研究指出移动边缘迁移计算中,边缘服务器之间的协作能为用户提供更高效的服务。本文对正交频分复用上行无线通信系统,基于移动边缘计算技术的任务迁移的子载波选择、用户发射功率和迁移量的联合优化问题进行了研究。在公平性原则下,本文考虑最小化迁移计算的最大时延问题,并提出了一种非凸问题的拉格朗日对偶法解决方案。首先将min-max问题转化为最小化问题,再用泰勒级数将其近似为一个凸问题,最后用拉格朗日对偶法求解。本文还给出特殊情况下的简便算法,适用于低信噪比的通信环境下。仿真结果证实了本算法的收敛性和实用性。(本文来源于《信号处理》期刊2019年08期）
赵家乐,赵凌霄,马丹,穆晓敏[3]（2019）在《D2D通信中联合模式选择和资源分配方案研究》一文中研究指出为了提高设备到设备(D2D)通信的和速率与频谱利用率,提出D2D通信中基于信道增益比值的联合模式选择和资源分配的方案。首先选定模式选择标准,即信道增益比值,帮助用户选择相应的通信模式;然后基于贪婪算法的子信道分配方案为不同模式的D2D用户分配信道;最后结合遗传算法、二分法和拉格朗日乘子法帮助不同信道上的D2D用户进行功率分配。通过仿真结果对比发现,所提出的D2D通信中联合模式选择和资源分配的方案能够促进谱效的提升,极大地提高了频谱资源的利用率。(本文来源于《现代电子技术》期刊2019年13期）
崔苗,喻鑫,李学易,张广驰,刘怡俊[4]（2019）在《多用户多载波无线携能通信系统的上下行联合资源分配》一文中研究指出无线携能通信(SWIPT)技术是解决无线网络能量受限问题的有效方法,该文研究一个由基站(BS)和多用户组成的多载波SWIPT系统,其上行和下行链路均采用正交频分复用(OFDM)技术。在下行链路中,基站向用户同时进行信息与能量传输;在上行链路中,用户利用从基站接收的能量向基站回传信息。该文以最大化上下行加权和速率为目标,联合优化上行和下行的子载波分配和功率分配,提出基于拉格朗日对偶法和椭球法的最优联合资源分配算法。计算机仿真结果证实了该算法的有效性。(本文来源于《电子与信息学报》期刊2019年06期）
唐伦,马润琳,刘云龙,王耀玮,陈前斌[5]（2019）在《接入与回传一体化小基站的接入控制与资源分配联合优化算法》一文中研究指出针对全双工无线接入与回传一体化小基站场景下长期的频谱效率和能效同时最大化问题,该文提出一种基于近似动态规划理论的接入与回传一体化小基站接入控制与资源分配联合优化算法。该算法首先联合考虑当前基站的资源使用和功率配置情况,在任一用户需求动态到达以及平均时延、小基站回传速率和传输功率约束下,使用受限马尔科夫决策过程(CMDP)建立频谱效率最大化和功率消耗最小化的多目标优化模型,其次运用切比雪夫理论将多目标优化问题转化为单目标问题,并使用拉格朗日对偶分解法进一步转化为非受限的马尔科夫决策过程(MDP)问题。最后,为了解决其求解时存在的"维度灾"爆炸问题,该文提出基于近似动态规划的无线接入与回传一体化小基站资源动态分配算法进行求解,得到此时的接入与资源分配策略。仿真结果表明,所提算法能在保证平均时延约束、小基站回传速率约束和传输功率约束的同时最大化长期平均频谱效率和能效。(本文来源于《电子与信息学报》期刊2019年06期）
兰卓睿,夏玮玮,吴思运,燕锋,沈连丰[6]（2019）在《移动边缘计算系统中基于并行拍卖的无线资源与云资源联合分配（英文）》一文中研究指出提出了一种移动边缘计算场景下基于并行拍卖的无线资源与云资源联合优化分配算法.该算法将无线资源与云资源的联合分配建模为拍卖过程,旨在最大化资源供应者的效用,同时满足用户时延需求.该拍卖包括投标、胜者决定以及定价阶段.在投标阶段,用户综合考虑可用资源以及距离等因素来决定投标向量和投标优先级,从而减少处理时延,提高成功交易率.在胜者决定阶段,提出基于资源约束的效益排序算法来决定拍卖的胜者与失败者,从而最大化资源供应者的效益.在定价阶段,采用密封次高价定价法来保证资源定价与投标价格的独立性.仿真结果表明,与现有算法相比,所提算法收敛速度更快,成功交易率更高,资源提供者的平均效益和用户任务处理时延更优.(本文来源于《Journal of Southeast University(English Edition)》期刊2019年02期）
王康康[7]（2019）在《基于C-RAN架构的资源分配和联合预编码研究》一文中研究指出随着高速率、低时延无线互联网应用如高清视频、VR/AR和自动驾驶等越来越受到关注,无线数据流量急剧增长,各种新应用需要不同的业务保障。未来无线网络需要一个灵活、节能、功能强大的部署架构。云无线接入网(Cloud RAN Radio Access Network,C-RAN)以其高效的无线资源管理和能源节约等优势受到了越来越多的关注。在C-RAN中,具有射频模块的远端无线发射单元(Remote Radio Heads,RRH)负责接收/发送无线信号,云端的基带处理单元(Baseband Units,BBU)使用先进的处理器形成虚拟基站完成传统基站中的基带功能(如编码、调制、傅里叶变换),可以实现联合调度、波束赋形和干扰管理等高级功能。与此同时,在实际部署场景中,C-RAN资源分配面临着一些挑战:(1)在C-RAN中,所有的用户数据和控制数据将通过Fronthaul传送到云端进行处理,对Fronthaul产生了巨大的压力,增加了运营商建网成本。另外,基带处理功能迁移到BBU后,BBU池中计算资源的处理所消耗的功率将占系统功耗的主要部分。因此C-RAN系统的资源调度要联合考虑BBU计算资源和RRH无线资源。(2)集中式的资源管理使物理层高级技术如多点协作传输(Coordinated Multiple Point Transmission and Reception,CoMP)得以在C-RAN中有效利用。然而高CoMP增益需要完美的信道状态信息(Channel State Information,CSI)。事实上,完美的CSI很难获取,因此C-RAN系统要重点研究不完美CSI下的资源调度以保证系统的稳定性。本文针对C-RAN实际场景下的资源分配面临的问题,以最小化系统功耗为优化目标,提出相应的优化算法,主要内容如下:首先,本文对C-RAN系统的基本组成和网络架构进行分析,研究绿色C-RAN演进的关键技术,并针对目前C-RAN资源管理现状进行了一些分析总结。然后,以最小化系统功耗为优化目标,综合考虑Fronthaul容量、RRH功率、BBU计算资源和系统总时延等约束条件,研究C-RAN系统下BBU计算资源和RRH无线资源的联合分配问题。原问题是一个联合问题,很难直接解决。为了降低计算复杂度,首先将原问题分解为无线资源分配子问题和计算资源分配子问题。无线资源分配子问题是一个混合整数非线性规划问题(Mixed Integer Nonlinear Programming,MINLP),可以转化为二阶锥问题求解。计算资源分配子问题则可以转化为0-1多背包问题,采用贪心算法进行求解。仿真结果验证所提出的的联合资源分配算法可以有效的节约系统功耗。接着,针对不完美CSI状态下C-RAN系统资源分配,在考虑Fronthaul容量、RRH功率等约束条件下设计一个稳定资源分配算法以保证系统功耗最小。首先将原问题分解为虚拟机(VM)-用户(UE)计算资源映射子问题和不完美CSI下无线资源分配子问题。计算资源分配子问题可以看做是二分图加权匹配问题,使用Kuhn—Munkres算法解决。由于不完美CSI下信道的不确定性,信干噪比(Signal-to-Noise Ratio,SINR)约束的个数无法确定。为了解决此问题,采取在信道误差范围内求解SINR的最小值的方法将SINR约束个数降为一个。仿真表明,不完美CSI下的鲁棒性无线资源和计算资源联合分配算法能有效降低系统功耗。(本文来源于《北京邮电大学》期刊2019-06-03）
林峻良[8]（2019）在《移动边缘计算系统联合任务卸载及资源分配算法研究》一文中研究指出随着移动互联网的发展及智能终端的普及,增强现实、虚拟现实及自然语言处理等新型应用不断涌现。然而,各类新型应用的计算资源密集特性对智能终端任务处理能力提出严峻挑战。为解决上述问题,移动边缘计算(Mobile Edge Computing,MEC)技术应运而生。该技术通过将具备较强计算能力的MEC服务器部署至无线接入网络中,支持用户将任务卸载至MEC服务器执行计算,可有效降低终端任务执行时延及能耗,显着提升用户服务质量。在MEC系统中,综合考虑任务特性及系统可用状态,设计高效的任务卸载及资源分配机制具有重要意义。本文针对MEC系统联合任务卸载及资源分配算法开展研究,具体内容如下:本文在对MEC技术的概念及架构进行概述的基础上,对MEC关键技术及主要应用场景进行阐述,并对MEC系统任务卸载及资源分配算法的研究现状进行分析和总结。针对支持设备间通信(Device-to-Device,D2D)的蜂窝MEC系统,本文提出一种基于开销优化的联合任务卸载及资源分配算法。定义任务执行开销为任务执行所需时延及能耗的加权和,并综合考虑任务卸载、任务划分、传输速率及资源分配等限制条件,建模联合任务卸载及资源分配问题为任务执行开销最小化问题。由于该问题为混合整数非线性规划(Mixed Integer Non-Linear Programming,MINLP)问题,采用传统优化方法难以求解。本文提出一种启发式算法,将原问题转换为任务卸载子问题及资源分配子问题,并采用库恩-芒克勒斯(Kuhn-Munkres,K-M)算法和拉格朗日对偶方法依次求解,从而确定联合任务卸载及资源分配优化策略。针对支持密集组网的蜂窝MEC系统,提出一种基于能耗优化的联合任务卸载及资源分配算法。定义任务执行能耗为系统中各用户任务执行所需能耗的最大值,并综合考虑任务卸载、功率分配、传输速率及计算资源分配等限制条件,建模联合任务卸载及资源分配问题为最大任务执行能耗最小化问题。由于所建模问题为混合整数非线性规划问题,采用传统优化方法难以直接求解。本文提出一种启发式算法,将原问题转换为功率分配子问题和任务卸载及计算能力分配子问题,并采用分式规划法、拉格朗日对偶方法、变量松弛与替换及上界替换等方法进行求解,从而确定联合任务卸载及资源分配策略。(本文来源于《重庆邮电大学》期刊2019-06-02）
刘鹏[9]（2019）在《移动边缘计算环境下资源联合分配的相关问题研究》一文中研究指出随着移动设备与无线网络的迅速发展,移动设备类型不断丰富、计算能力不断增强,相应的应用程序也更加多样,诸如增强现实、人脸识别、虚拟现实等应用都需要在移动设备上运行,因此对设备的计算能力提出很高的要求。而与之矛盾的是,移动设备的计算、存储、电能等资源往往不够充足。因此,移动云计算和移动边缘计算作为一种有效的解决方案应运而生,它们将任务卸载到云数据中心或边缘服务器,利用服务器强大的计算能力弥补移动设备资源不足的问题。其中,移动边缘计算作为移动云计算的改进技术,将数据中心的计算能力下沉到网络边缘,通过缩短物理距离克服了移动云计算高延迟、数据中心压力大等问题,受到工业界和学术界的广泛关注。而随着5G、物联网、人工智能、大数据的发展,移动边缘计算更成为必不可少的支撑技术。与移动云计算中的资源管理方式不同,移动边缘计算需要考虑计算与通信资源紧密结合的特点,联合分配计算与通信资源,实现最优的分配方案。因此,目前已有很多资源联合分配方面的研究工作,较之传统的分配方式已经大幅提升了电能效率、缩短了任务延迟。而随着移动设备和应用的进一步发展,一方面对低能耗、低延迟的需求不断提升,另一方面在发展过程中也出现了很多新的问题,单纯依靠资源的优化分配开始显得力不从心。为此,本文以保证用户服务质量的前提下最小化电能消耗为目标,针对移动边缘计算场景下距离较远的移动设备传输延迟高甚至不能直接接入到边缘网络的问题、移动设备电池使用时间短的问题以及任务卸载过程带来额外电能和时间开销的问题,分别在结合Ad Hoc自组织网络、无线电能传输技术和边缘缓存技术的新型移动边缘计算系统架构下,结合实际场景建模计算、通信、上传决策等多个关键参数的联合优化问题。进一步,将问题进行形式化并提出基于凸优化、块坐标下降等先进数学优化算法的求解方法,保证以较低计算开销完成问题的求解。本文的具体贡献如下:首先,针对距离较远移动设备上传延迟过高甚至无法直接连接到基站的问题,以C-RAN环境为背景,将其视为移动边缘计算的一种实现形式,研究了在C-RAN架构下结合无线自组织网络的解决方案,远距离设备通过多跳自组织网络与基站通信,提升了网络带宽,缩短了传输延迟。在考虑到移动设备电能受限及设备移动性等问题的前提下,提出联合优化负责传输数据的稳定路径以及负责计算的虚拟机的方案,并通过启发式算法找到使总能耗最小的最优联合分配方案。模拟实验证明所提出的联合分配方案较计算与通信资源单独分配具有明显优势。其次,针对移动设备因电能受限无法长时间工作的问题,在结合无线电能传输技术的移动边缘计算架构下,采用时分复用的方式先收割电能,再利用收割到的电能执行任务。为实现最大化收割电能的同时最小化消耗电能的目标,建模了一个最大化剩余电能问题,提出联合优化卸载比率、电能收割时间、通信的上传功率、计算的CPU频率的优化方案。最终,针对形式化的优化问题提出了结合凸优化与序列无约束极小化技术的方法对问题进行求解。模拟实验证明所提出的联合分配方案能够明显提升电能效率,且求解算法具有较小的时间开销。最后,针对移动边缘计算中任务卸载过程带来的额外电能和时间开销问题,在结合边缘缓存技术的移动边缘计算架构下,重新定义了任务缓存的概念,通过在边缘服务器中缓存区域内频繁执行的任务以减少不必要的重复数据传输。为了进一步提升电能效率,建模移动边缘计算与任务缓存结合环境下的计算、通信、缓存资源及卸载比率的联合优化问题,并最终提出基于块坐标下降法与凸优化相结合的求解方法,将原始非凸问题拆解成两个部分并交替迭代求得最优分配方案。实验证明所提出的联合优化方案能够在保证用户服务质量的前提下获得更低的能耗开销,且所提出的求解方法具有较低的计算开销。总体来说,本文中每个章节均包含模型、优化算法两个层面的创新。模型层面,在结合新技术的移动边缘计算架构下,结合实际场景,建模计算、通信资源以及其它重要参数的联合优化问题。算法层面,结合凸优化等先进的数学优化算法,对问题进行严格的推导、化简、求解,保证算法的准确与高效。(本文来源于《吉林大学》期刊2019-06-01）
李艺璇[10]（2019）在《面向服务链的应用资源与光网络资源联合分配研究》一文中研究指出服务链(service function chain,SFC)是当前跨数据中心网络中最常见的一种端到端服务模式。在资源受限的环境下,寻找最优的服务链资源分配方案是建设低成本、高灵活数据中心网络的关键。传统数据中心电交换网络中的服务链资源分配问题已经取得了一些不错的研究成果。然而,电交换由于带宽窄、耗能严重、传输损耗大等方面的缺陷,已经不再适用于当前数据中心网络。为了解决这些问题,基于弹性光网络的数据中心网络架构被提出并广泛应用。数据中心光网络中的服务链光频谱资源分配受到频谱一致性、连续性和独占性叁方面的约束,这使得服务链资源分配问题变得更加复杂。本文主要研究了数据中心光网络中服务链资源分配问题,具体研究成果如下:服务链光频谱资源分配方面,为了有效降低服务链光资源分配过程中产生的光频谱资源碎片和联合资源碎片,本文提出了基于辅助图的服务链光频谱资源分配算法。该算法通过辅助图,将服务链业务流量优先部署在非数据中心节点对之间的光纤链路上,避免数据中心节点出现应用资源和光资源“不对齐”的情况,从而有效解决了联合资源碎片问题。除此之外,该算法设计还了两种频谱资源量化模型来计算虚拟网络功能链路映射(Virtual Network Function Link,VNFL)的路径开销,以确定最后的VNFL映射方案。仿真结果表明,基于辅助图的服务链光频谱资源分配算法在保证服务时延的前提下,有效减少频谱资源碎片和联合资源碎片,降低服务阻塞率。服务链应用资源和光资源联合分配方面,本文结合服务链业务特点,以最大化全局资源利用率为目标,建立了一种联合考虑虚拟网络功能(virtual network function,VNF)映射约束和路由频谱分配约束的整数线性规划模型(interfer linear programming,ILP),以获得映射成本最小的服务链联合资源分配方案。接着,针对VNF映射问题,本文提出了基于最长公共子序列的VNF聚合映射算法。该算法先通过动态规划的方法求解最长公共VNF子序列得到VNF映射候选方案,然后基于VNF聚合映射资源量化模型计算VNF部署成本,以确定最后的VNF映射方案。最后,联合前面设计的服务链光频谱资源分配算法和VNF聚合映射算法构成服务链联合资源分配算法。仿真结果表明,该服务链资源联合分配方案能在有效的时间复杂度内逼近ILP的最优解,与其他算法相比,可以在保证服务时延的前提下,有效减少频谱资源碎片和联合资源碎片,最大化应用资源利用率,降低服务链业务阻塞率。(本文来源于《北京邮电大学》期刊2019-05-31）
资源联合分配论文开题报告
（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：
移动边缘迁移计算中,边缘服务器之间的协作能为用户提供更高效的服务。本文对正交频分复用上行无线通信系统,基于移动边缘计算技术的任务迁移的子载波选择、用户发射功率和迁移量的联合优化问题进行了研究。在公平性原则下,本文考虑最小化迁移计算的最大时延问题,并提出了一种非凸问题的拉格朗日对偶法解决方案。首先将min-max问题转化为最小化问题,再用泰勒级数将其近似为一个凸问题,最后用拉格朗日对偶法求解。本文还给出特殊情况下的简便算法,适用于低信噪比的通信环境下。仿真结果证实了本算法的收敛性和实用性。
（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。
资源联合分配论文参考文献
[1].马忠彧,李波,闫中江,杨懋.5G毫米波回传与接入一体化网络中用户关联与资源分配联合优化方法[J].西北工业大学学报.2019
[2].景天琦,刘婷薇,俞菲,杨绿溪.移动边缘计算中的联合优化迁移决策和资源分配[J].信号处理.2019
[3].赵家乐,赵凌霄,马丹,穆晓敏.D2D通信中联合模式选择和资源分配方案研究[J].现代电子技术.2019
[4].崔苗,喻鑫,李学易,张广驰,刘怡俊.多用户多载波无线携能通信系统的上下行联合资源分配[J].电子与信息学报.2019
[5].唐伦,马润琳,刘云龙,王耀玮,陈前斌.接入与回传一体化小基站的接入控制与资源分配联合优化算法[J].电子与信息学报.2019
[6].兰卓睿,夏玮玮,吴思运,燕锋,沈连丰.移动边缘计算系统中基于并行拍卖的无线资源与云资源联合分配（英文）[J].JournalofSoutheastUniversity(EnglishEdition).2019
[7].王康康.基于C-RAN架构的资源分配和联合预编码研究[D].北京邮电大学.2019
[8].林峻良.移动边缘计算系统联合任务卸载及资源分配算法研究[D].重庆邮电大学.2019
[9].刘鹏.移动边缘计算环境下资源联合分配的相关问题研究[D].吉林大学.2019
[10].李艺璇.面向服务链的应用资源与光网络资源联合分配研究[D].北京邮电大学.2019