论文部分内容阅读
随着5G网络的兴起,移动数据流量在未来数年内将呈现井喷式增长,而密集组网是解决这种超高流量需求的一种有效方式。然而无线网络采用密集组网形式无疑对基站的能耗提出了巨大的挑战。因此,本文将基于云无线接入网络(C-RAN)来构建一个面向能耗优化的无线网络系统,目的在于降低活跃(active)基站的数量以及发射功率的消耗,从而降低无线网络的整体能耗。活跃基站的数量与开关基站策略有关,而发射功率的消耗与用户关联策略有关。因此,本文提出了一种考虑开关基站与用户关联两方面的基于Q-learning与ADMM的能耗优化方案,同时提出了一种主要针对基站开关的基于KM算法的能耗优化方案。具体来讲,本篇文章主要包括以下两个方面工作:(1)基于Q-learning与ADMM的能耗优化策略。该能耗优化策略考虑开关基站与用户关联两部分,并且将使用不同算法来求解。针对开关基站方面,将基于Q-learning来优化处于active状态的基站的数量,在满足用户服务质量的前提下,尽可能地使用少量的基站来提供网络服务,降低处于active状态的基站的数量,从而节省网络能耗。另一方面,当用户关联到信号较差的基站时,将消耗更多的发射功率来满足用户需求,因此本文提出基于ADMM算法来解决用户关联,从而使发射功率消耗最小,在一定程度上降低无线网络能耗。(2)基于KM算法的能耗优化策略。该策略主要考虑到基站的能耗,从开关基站方面入手。通过将用户以及基站看做二分图的两个顶点集,并建立两个顶点集之间的权值,依据我们提出的基于KM算法的改进算法来做带权二分图的匹配。即建立用户与基站之间的关联关系,达到使用尽可能少的基站来满足用户服务需求的目的,从而降低无线网络的能耗。基于上述的研究内容,我们做了大量的仿真实验来验证评估基于Q-learning与ADMM的能耗优化策略以及基于KM算法的能耗优化策略的性能。由于经评估基于KM算法的策略性具有能耗优化效果,因此为了实验更加丰富以及更具可靠性,我们将其用于对比验证本文主要研究点基于Q-learning与ADMM的能耗优化策略的性能。