资源分配方案基于智能优化算法D2D通信的底层蜂窝网络

文摘

在这篇文章中,设备间的资源分配问题(D2D)通信的底层蜂窝网络是制定和分析。在我们的场景中,我们认为D2D用户设备的数量(由于)对远比手机用户设备(线索)。与此同时,资源块分为两种类型:资源块的线索和暗示和会费。首先,给出了系统模型和资源分配问题是制定。然后,基于遗传算法的资源分配方案。为了解决这个问题的专用资源没有完全共享遗传算法,提出一种改进的和声搜索算法的资源分配。最后,的性能分析和仿真结果表明,提出的遗传算法和改进的和谐比随机算法和搜索算法比非常接近穷举算法。这个结果可以提供的有效资源配置的优化D2D通信。

1。介绍

随着移动网络数据的需求不断增长,无线频谱资源的稀缺促使我们开发新技术以提高频谱效率。D2D通信的关键技术提出了5 g来克服这个问题。D2D通信可以实现设备的直接通信基站的控制下,为用户提供高质量的体验(1]。

D2D通信系统,当D2D对同时共享同一频谱资源与线索,相邻D2D双线索将不可避免地相互干扰。因此,干扰和资源分配是关键的问题吸引了世界各地的许多研究人员。在[2],提示可以与社会密切D2D用户共享频谱资源。基于资源分配框架,作者提出了一种两步共同游戏。首先,用户与亲密关系形成相同的社区。然后,最优资源配置问题是解决D2D对。在[3),为了最大化加权D2D总和率下细胞率限制,作者提出了一种两步方法通过引入energy-splitting变量,这样分配和资源配置的代码可以独立解耦和优化。两步方法几乎没有信令开销和较低的计算复杂度。在[4),为了减少传输功率,提出了基于q学习的分布式策略和softmax决策。考虑到用户的干扰在相同的频率下,候选人D2D用户组首先降低中断概率约束。然后,构造基于此图。接下来,匈牙利算法用于寻找最优光谱匹配方案之和最大化率(5]。在[6),一个稳定的匹配方法被采用来处理能源效率优化问题。首先,博弈理论被用来分析用户设备之间的相互作用和相关性(问题),和一个迭代功率分配算法应用于建立共同的喜好。然后Gale-Shapley算法应用于匹配D2D用户与移动用户。在[7),分析和精确的符号错误率(SER)表达式D2D系统利用多载波带限正交幅度调制(QAM)信号。在这个模型中,系统资源集中配置,和一个新的多载波D2D视频传输的资源分配算法,有效地改善通信系统的性能。在[8),作者分析了D2D沟通下全双工移动网络。D2D用户可以重用蜂窝网络的上行或下行资源来提高系统的频谱效率。联合资源分配和功率控制方案提出了一个新的基于图着色,这有效地改善系统的性能。在[9),为了提高所有D2D的效用对,学习框架基于马尔可夫链与具体问题首先提出。基于当地的设计平衡方程的马尔可夫链的转移概率分布实现的。然后,一种新颖的两阶段算法进行模式选择和资源分配在每个阶段。为了减少计算复杂度的学习框架,两种类型的资源分配算法匹配理论的基础上提出了针对不同场景。在[10),一个低启发式算法也曾提出实现普通用户的对数和高数据率。在[11),一种新的自适应子载波分配方案设计并提出了一种新颖的功率分配方案,它可以提供一个最优解较低的计算复杂度。在[12),一个贪婪启发式算法和两个近似算法提出了解决电信运营商的收入最大化和频率资源的有效利用。此外,贪婪启发式算法最大化满足用户的数量。在[13),作者分析了部署无人机(UAV)作为一个基站提供无线通讯。覆盖和利率主要分析在两个场景:一个静态的无人机和移动无人机。仿真结果表明,最优值无人机高度会导致最大和速率和覆盖概率。在[14),一种方法,提出了一种自组织的算法来解决这个问题的无线小细胞网络的无线资源分配。仿真结果表明,收集社会连接的用户可以导致减少数量的交通。在[15),作者提出了一个框架,用于优化缓存的内容D2D通信。协同效应的问题一组问题内容卸载是制定合作游戏。仿真结果表明,该框架可以有效地提高系统性能。

与此同时,一些研究者采用智能优化算法来解决资源分配问题。在[16),联合资源分配和用户匹配方案,提出了基于遗传算法的晶格内的干扰降到最低。这个算法被用来在全球范围内寻找最优匹配用户解决方案,最大化系统吞吐量。在[17),用户机方案,提出了基于遗传算法和讨论,已实现多维优化最优功率分配。和遗传算法应用于获得整个网络的用户匹配算法。在[18],因为能源效率优化目标的基础上,系统吞吐量保险,而不是传统的系统吞吐量,该方案基于改进的遗传算法应用于解决问题的融合和降低不确定性多项式时间的复杂性。在[19),提出了一种遗传算法最大化最小数据速率通过D2D沟通。在[20.),作者制定网络与随机几何模型。然后,他们结合了频谱资源分配与权力选择和提出了一个启发式的混沌遗传算法,这是与四色定理总容量最大化。提高了系统容量,降低算法的复杂性。在[21),一个完全自治的可替换主体显示相对较快收敛的q学习算法来实现独立通道的选择和功率。在[22),一个简单的粒子群优化算法(SPSO)资源配置,提高系统容量。

然而,这些论文主要关注的一个线索,一个由于两人共享一个辅助通道。频谱资源的充分利用,资源分配问题的条件下,由于双的数量远远大于信号进行了分析。在我们的场景中,资源块分为两种类型:资源块为线索的线索和会费。

我们工作的主要贡献如下:(1)我们提出基于遗传算法的资源分配方案D2D通信的底层蜂窝网络(2)为了解决这个问题的专用资源没有完全共享遗传算法,提出一种改进的和声搜索算法的资源分配(3)我们评估系统性能的能力,平均传输信号的力量,和能源效率。

本文的其余部分组织如下。节2,我们描述我们的系统模型。节3,一个基于遗传算法的资源分配计划D2D通信提出和分析。其次,提出一种改进的和声搜索算法的资源分配部分4。节5、系统性能的能力,平均传输信号的力量,和能源效率模拟和讨论。最后,在得出结论部分6。

2。系统模型和问题公式化

有两种类型的用户设备(UE)蜂窝网络:移动用户设备(提示)传统蜂窝网络和D2D用户设备(由于)。会费是成对,一双会费包括D2D传输用户设备(DTUE)和D2D接收用户设备(DRUE)。让我们考虑一个蜂窝网络,在那里N线索和米由于对共存。我们假设所有的线索和费都均匀分布在一个细胞。因为它有利于使用上行资源D2D链接,我们只专注的D2D链接使用上行细胞资源。

2.1。信道分配模式

保证QoS会费和容纳更多的由于对,我们为由于对分配专用的资源块,如图1。有两种类型的资源块:蓝颜色的资源块线索和会费,会费的黄颜色的资源块。

例如,有四子信道,一子通道专用由于对和其他三个子信道共享的线索和由于对。与此同时,我们认为,有8个双和3线索在这个例子。然后,我们可以得到一个初始资源分配矩阵如下:

在这个矩阵,每一行代表一个8 D2D用户的资源分配方案,和每一行的元素表示指数的频道分配给两人。例如,第一行显示,由于3、4,由于8共享子通道1,由于2和7共享子通道2,由于1和5共享子通道3。同时,子通道4是专门为6。

2.2。健身功能的定义

在D2D通信,我们需要获得最大的产能。QoS的担保问题,信号干扰加噪声比(SINR)值应大于SINR阈值。因此,在上行时期为线索我SINR可以写成 在哪里传输信号的力量吗我,线索之间的距离吗我废话,传输DTUE的力量吗k,DTUE之间的距离吗k废话,α路径损耗指数,噪声功率。

与此同时,DRUE上行时期jSINR可以写成 在哪里DTUE之间的距离吗j和DRUEj,线索之间的距离吗米和DRUEj,DTUE之间的距离吗k和DRUEj,表示一组设备的共享米子通道。

显然,总容量由两部分组成:线索和由于对。为线索我,能力是写成 在哪里是一个辅助通道的带宽。

同样,由于对,我们认为,由于对j属于包米,也就是说, 。然后,我们有

因此,函数是表示能力 在哪里表示一些染色体。

更重要的是,平均传动功率的线索可以写成 在哪里代表SINR的阈值。

然后,能源效率可以写成

3所示。基于遗传算法的资源分配方案

在本节中,基于遗传算法的资源分配方案D2D通信的底层提出了蜂窝网络。遗传算法可以分为五个主要步骤如下(23]。

3.1。编码

不失一般性,我们认为我子通道分配给提示我。会费共享信道资源的线索。在这种情况下,染色体编码,可以作为维行向量 , 。在这里,j的索引是由于对。的价值是子通道的索引共享j由于两人。

3.2。种群初始化

总的来说,人口的数量设置为10。在每一个染色体,元素是一种离散随机变量是一个数字1 -N。的概率质量函数可以写成 。 为每个值通常有相同的概率。还有

3.3。设定适应度函数

我们选择公式的能力,平均传输信号的力量,分别和能源效率作为适应度函数。

3.4。培育过程

遗传算法类似的人口繁殖的操作过程中,我们可以获得一个最优解经过多次迭代。繁殖过程可以分为4个步骤如下:(一)选择

经典在我们计划采用轮盘赌选择方案。在这一点上,个体的概率我_k选择可以写成 。然后,我们有 (b)交叉

每一个交叉动作可以生成两个新的个体通过交换两个所选父染色体之间的一些元素。统一的交叉方案,每个元素都有相同的交叉概率P₀采用我们的算法。因此,它是可能的,一些元素同时选择实现交叉在每一个交叉的行动。均匀交叉可以属于多点交叉,和它的具体操作是确定的每个元素提供了一个新的个体的家长,通过设置一个面具。均匀交叉的主要操作过程如下:

(1)随机生成一个掩码字长度作为单独的代码相同的字符串 ,在哪里米个人代码字符串的长度吗(2)两个新的子代个体一个′和B′从两个父个体生成一个和B由以下规则:(我)如果 ,的我th元素一个′将继承的对应元素一个,我th元素B′将继承的对应元素B。(2)如果 ,的我th元素一个′将继承的对应元素B,我th元素B′将继承的对应元素一个 (c)突变

均匀变异操作,有一个小概率的P₁,替换原来的元素与一个随机的染色体数量从1到N。均匀变异的主要操作过程如下:(1)每个元素的染色体被指定为一个突变点的概率P₁按顺序(2)对于每一个突变点,从1到一个随机数N替换原来的元素(d)修正案

在每个迭代中,我们只选择染色体种群中满足约束条件的目标函数为每个操作。因此,生成一个新的人口时,我们需要删除不满足约束条件的染色体形成的后代。为新后代,我们排名和亲本种群的适应度函数值。然后,我们选择第一个10∗N个人作为新的人口。

3.5。停止条件

后全国矿工工会迭代,人口最终会进化收敛。然后,我们可以计算出最优结果基于最好的染色体。

备注1。如果策略D2D用户共享专用信道资源不存在初始化解决方案空间,D2D用户无法完全分享专用信道资源。例如,元素不存在“4”在最后一行的矩阵方程(1)。如果采用基于遗传算法的优化策略,实现交叉步骤在进化过程中通过行向量之间的交叉和其他行向量;即个人在人群中互相交叉。如果D2D用户想分享专用通道资源,遗传算法主要依赖突变的过程。但变异的概率很小,专用信道资源没有完全共享。

为了克服这个问题,和声搜索算法使用概率评估从记忆库,和记忆中的可行解银行可以摆脱约束的解决方案空间初始化概率优化策略,以找到更多的可行的解决方案。因此,我们提出一种改进的和声搜索算法基于传统和声搜索算法提高系统性能的能力,平均传输信号的力量,和能源效率。

4所示。和声搜索算法

2001年,Geem z灵感来源于音乐表演(24]。提出了一种新颖的智能优化算法。和声搜索算法显示出更好的性能在全球搜索。和声搜索算法可以实现美丽和谐,不断修改每个乐器的音调。

4.1。传统的和声搜索算法的描述

传统的和声搜索算法的步骤如下:首先,随机生成和谐内存(HM)空间,满足约束条件和歧视是否生成一个新的变量初始化的解决方案空间的概率评估显示内存银行HMCR和谐。如果HMCR值条件满意,调整新值的概率略根据音调调优票面价值;如果HMCR值条件不满意,会生成一个新的解决方案的解决方案空间外的和声记忆库。模型中的目标函数值问题是用来测量解决方案的优点和缺点。新解决方案有更好的目标函数值是用于替换在初始化解决方案空间最糟糕的解决方案。当连续迭代未能显著优化目标函数值,迭代停止。然后,解码编码解决方案空间,以获得一个最优的资源分配策略。

4.2。改进和声搜索算法

由于有机结合的内部和外部初始化和声搜索算法的解空间,有效可行的解决方案的多样性增加,但收敛速度的影响。为了提高算法的收敛速度,提出一种改进的和声搜索算法对资源分配D2D通信。详细步骤如下。

4.2.1。准备初始化

首先,初始化每个系统参数和大小HMS的和声记忆库。HMS表示个体的数量。表示的最大值的概率评估和声记忆库。表示最小值的概率评估和声记忆库。表示迭代次数表示的最大迭代数。表示轻微的调整概率。表示的最小值 。 表示的最大价值 。 和基调的最大和最小值,分别。一个表示调整因素d表示方向调整因素。这些参数的初始值如下: , , , , , , , , ,和 。

4.2.2。生成新的解决方案

比较值与HMCR随机生成的从0到1。如果小于HMCR,我们使用类似于轮盘的选择机制,根据当前解决方案的适应性比总记忆银行的健康,选择一个解决方案。然后在这条解决方案,具有较高的健身选择和谐的新变量。根据轻微调整概率 ,然后调整优化相应的位置稍微表示为通过轻微的调整带宽 。如果调整优化的范围、初始值是保留。如果大于HMCR,生成一个随机变量的解空间之外的和声记忆库。

4.2.3。和声记忆库的更新

重复步骤2生成K新的解决方案,以充分利用和声记忆库中的信息,积累K矩阵的行数等于1。在每个迭代中,HMCR的价值观, ,和将被更新。相关的公式如下:

然后,我们把这些新解决方案和和声记忆库的初始解决方案根据他们的健身功能和选择最优HMS解决方案的新的和声记忆库。

4.2.4。停止条件

通常,通过迭代马克西代,和谐记忆银行最终会进化收敛。最后,我们得到最好的解决方案和计算最优的结果。

最后,提出了详细的改进的和声搜索算法(算法1)如下:

改进的和声搜索算法的流程图如图所示2。

备注2。在我们的问题,我们需要遍历所有可能的组合。实际上,这是一个np难问题,类似于旅行推销员问题。所以很难得到全局最优解决方案使用传统的数学方法。这个问题可以解决使用智能优化算法,如遗传算法和改进的和声搜索算法。但事实上,智能算法一般可以得到原问题的次优解。虽然不会获得全局最优解,智能算法的收敛速度非常快。因此,智能优化算法非常适合我们的场景中,存在大量问题和信道状态信息的变化的速度快。与遗传算法相比,改进的和声搜索算法可以有效地平衡全局搜索和局部搜索,从而提高了鲁棒性和提高性能。基于上面的分析中,采用改进的和声搜索算法来解决我们的问题。在遗传算法和改进的和声搜索算法,排名的原因解决方案是选择和保持良好的解决方案为下一次迭代。 Although the global optimal solution may not be obtained by the method of ranking solutions in the intelligent algorithms, the obtained suboptimal solution is usually very close to the global optimal solution whilst keeping fast convergence speed.

5。模拟和讨论

在本节中,我们讨论一些重要结论得到的仿真和分析算法复杂度和开销。在我们的模拟中,我们假设线索和导航系统遵循一个均匀分布的细胞。细胞的半径来表示R,营养均匀定位圆的半径l以相应的导航系统。总结了仿真参数表1。

5.1。数值结果

我们评估下的通信系统的容量不同的资源分配算法。从图3可以看出,随机算法的性能(RA)是最糟糕的,和详尽的算法(EA)的性能是最好的。从数据3和4与遗传算法(GA)相比,具有良好的性能D2D领域的资源配置,改进和声搜索算法(IHSA)优越的全局搜索性能通过动态调整算法参数。因此,改进的和声搜索算法提出了更接近穷举算法的结果。

图5和6显示的平均传动功率信号在不同算法和累积分布函数的平均传输信号的能力。从这些数据我们可以看到,改进和声搜索算法优于遗传算法。这个改进和声搜索算法可以找到更好的资源分配方案,有效降低手机用户的传输功率。

图7和8分别显示了不同算法下的终端的能源效率和能源效率的累积分布函数。通常,当提示使用传统功率控制模式中,电力消耗的线索将减少干扰降低了。然后将增加信道容量,终端将能源效率的改善。从这个图表中我们可以得到改进的和声搜索算法具有更好的资源分配的性能。它可以减少相同频率的干扰在终端通过合理的优化,以提高能源效率。

5.2。算法复杂度分析

在这些算法中,主要计算复杂性的适应度函数计算和随机函数计算。所以我们主要分析运行随机函数的时间和这些算法的适应度函数。遗传算法的迭代的数量设置为马克西。对于每一个遗传算法的交叉操作,我们需要运行随机函数1的时间和适应度函数P_c∗2次。对于每一个遗传算法的变异操作,我们需要运行随机函数1的时间和适应度函数P_米次了。然后在每个迭代中,我们需要运行交叉操作K/ 2倍和变异操作K∗米次了。在这里,K/ 2意味着K个人在一个人口划分K/ 2双。总的来说,我们需要运行随机函数K/ 2 +K∗米时间和适应度函数K/ 2∗P_c∗2 +K∗米∗P_米在每个迭代中。最后,我们需要运行随机函数马克西∗(K/ 2 +K∗米)时间和适应度函数马克西∗(K/ 2∗P_c∗2 +K∗米∗P_米在每个算法流程)次。

与此同时,我们也可以得到改进的和声搜索算法的复杂性,随机算法,和详尽的算法,如表所示2。

5.3。开销分析

在D2D通信技术中,所需的额外的信令开销和消息传递的数量可以测量所需的试验信号用于检测信道状态信息。从接收到的线索和德鲁的SINR公式,可以看出,完全应该完全已知信道状态信息的接收者。上行传输过程中,为了计算接收到的SINR的线索,状态信息的渠道从线索的废话,从差到b应该获得的。同样,为了计算接收到的SINR德鲁的状态信息的渠道从线索德鲁和从其他的导航系统对德鲁也应该获得。

遗传算法和改进的和声搜索算法,任何可能的组合可能发生在每一次迭代。因此,我们需要得到所有可能的组合的线索和由于对。那么在这种情况下,可以计算的开销 。在这里,代表的数量差和b之间的通道。是任何营养之间的通道的数量和其他的导航系统对。

详尽的算法,我们还需要遍历所有可能的解决方案。状态信息的任何发射器和接收器之间的通道应该获得的。因此,开销也等于 。

对于随机算法,我们只需要一个组合对应一行的方程(1)。不失一般性,我们可以考虑的米由于对同样分配N包的对应N暗示。德鲁在一个包中,状态信息渠道应该是知道的。与此同时,的状态信息米渠道应该获得所有线索。因此,可以写成的开销在随机算法。

6。结论

摘要D2D通信资源分配问题是制定和讨论。在我们的场景中,我们认为D2D用户设备的数量(由于)对远比手机用户设备(线索)和资源块分为两种类型。然后,基于遗传算法的资源分配方案。为了提高系统性能,提出一种改进的和声搜索算法进行资源分配。最后,的性能分析和仿真结果表明,提出的遗传算法和改进的和声搜索算法比随机算法和非常接近穷举算法。这个结果可以应用D2D通信的设计和优化。

数据可用性

源数据用于支持本研究的结果包括在本文中。此外,源数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作由基础研究基金支持部分中央大学(2017号b14214),在江苏省六大人才高峰项目(dzxx - 008)和中国国家自然科学基金(号。51669014,61601283,61301110)。

引用

1. j·d·徐y Li Li m·艾哈迈德和p .回族“联合拓扑控制和资源分配网络编码使D2D流量卸载,”IEEE访问5卷,第22926 - 22916页,2017年。视图:出版商的网站|谷歌学术搜索
2. f . Wang y, z . Wang和z,“Social-community-aware D2D通信资源分配的底层蜂窝网络,”IEEE车辆技术,卷65,不。5,3628 - 3640年,2016页。视图:出版商的网站|谷歌学术搜索
3. h . Tang和z叮”混合模式为D2D通信传输和资源分配,”IEEE无线通信,15卷,不。1,第175 - 162页,2016。视图:出版商的网站|谷歌学术搜索
4. j . Perez-Romero j . Sanchez-Gonzalez r . Agusti b·洛伦佐和s . Glisic”高效资源配置与细胞和D2D异构网络功能,“IEEE车辆技术,卷65,不。11日,第9286 - 9272页,2016年。视图:出版商的网站|谷歌学术搜索
5. h·l . Wang唐、h·吴和g . l .存根”D2D通信资源分配衬底在瑞利衰落信道,“IEEE车辆技术,卷66,不。2、1159 - 1170年,2017页。视图:出版商的网站|谷歌学术搜索
6. z周,k Ota、m .盾和c .徐”节能匹配D2D使蜂窝网络的资源分配,”IEEE车辆技术,卷66,不。6,5256 - 5268年,2017页。视图:出版商的网站|谷歌学术搜索
7. p, p . c . Cosman和l . b . Milstein”多载波设备间视频传输的资源分配:符号错误率分析和算法设计”IEEE通信,卷65,不。10日,4446 - 4462年,2017页。视图:出版商的网站|谷歌学术搜索
8. t·杨,r·张x Cheng和l·杨,“基于图着色的资源共享计划(GCRS) D2D通信的底层全双工蜂窝网络,”IEEE车辆技术,卷66,不。8,7506 - 7517年,2017页。视图:出版商的网站|谷歌学术搜索
9. s m a伤势严重,n . h . Tran w·萨阿德et al .,”模式选择和资源配置在设备间通信:匹配游戏的方法,”IEEE移动计算,16卷,不。11日,第3141 - 3126页,2017年。视图:出版商的网站|谷歌学术搜索
10. j . Gu s . j . Bae s f·哈桑和m . y .钟”的比例公平调度启发式算法D2D-cellular系统”IEEE无线通信,15卷,不。1,第780 - 769页,2016。视图:出版商的网站|谷歌学术搜索
11. a . Sultana l .赵,x费尔南多,“有效的资源分配在设备间通信使用认知无线电技术,”IEEE车辆技术,卷66,不。11日,第10034 - 10024页,2017年。视图:出版商的网站|谷歌学术搜索
12. j . r . Bhat j.p.许凤,w . k .宝贝”收入最大化多播D2D网络资源分配方案,“IEEE访问5卷,第26353 - 26340页,2017年。视图:出版商的网站|谷歌学术搜索
13. m . Mozaffari w•萨阿德·m·班尼斯和m . Debbah”无人机与置于下面的设备间通信:性能和权衡,”IEEE无线通信,15卷,不。6,3949 - 3963年,2016页。视图:出版商的网站|谷歌学术搜索
14. o . Semiari w·萨阿德,瓦伦汀,m·班尼斯和h诉穷,“环境敏感小细胞网络:社会指标如何提高无线资源分配,”IEEE无线通信,14卷,不。11日,第5940 - 5927页,2015年。视图:出版商的网站|谷歌学术搜索
15. m . Naderi Soorki, w•萨阿德·m·h·Manshaei和h说,“社会community-aware内容放置在无线设备间通信网络,”IEEE移动计算,卷99,p . 2018。视图:出版商的网站|谷歌学术搜索
16. c·杨,x, j .汉w·拉赫曼,x道,“基于遗传算法的最优资源分配和用户在设备匹配的底层网络,”学报2014年IEEE无线通信和网络会议研讨会,页242 - 247,伊斯坦布尔,土耳其,2014年4月。视图:谷歌学术搜索
17. c .杨x徐、j·汉和x道,“基于GA用户匹配最优功率分配在D2D的底层网络,”IEEE车辆技术研讨会论文集,页1 - 5,温哥华,加拿大,2014年9月。视图:谷歌学术搜索
18. c .杨x徐、j·汉和x道,“能源高效率的设备间上行资源分配多个资源重用,“电子信件,51卷,不。3、293 - 294年,2015页。视图:出版商的网站|谷歌学术搜索
19. m·哈姆迪·d·元,m·扎伊“遗传方案公平联合信道分配和功率控制的底层D2D多播通信”无线通信和移动计算国际会议学报》上瓦伦西亚,页446 - 451年,西班牙,2017年6月。视图:谷歌学术搜索
20. 瞿m . Ru、美国阴和z,“权力和频谱分配在D2D网络着色和混沌遗传算法的基础上,“Procedia计算机科学卷,107年,第189 - 183页,2017年。视图:出版商的网站|谷歌学术搜索
21. a . Asheralieva和y Miyanaga”,基于自主学习算法联合信道和功率选择D2D对异构蜂窝网络,”IEEE通信,卷64,不。9日,第4012 - 3996页,2016年。视图:出版商的网站|谷歌学术搜索
22. y . f .黄t·h·谭b . a . Chen和y . f . Chen, s·h·刘”在设备间通信系统中资源分配的性能基于粒子群优化”学报》国际会议系统加拿大班夫,页400 - 404,2017年10月。视图:谷歌学术搜索
23. y太阳,x, x, y顾,和c·李,“基于遗传算法的资源分配方案D2D通信的底层多通道蜂窝网络,”学报2017年国际会议上5 g为未来无线网络,第684 - 675页,北京,中国,2017年4月。视图:谷歌学术搜索
24. w·g·宗庆后,j·h·金和g . v . Loganathan”一种新的启发式优化算法:和谐搜索”,模拟,卷2,不。2,60 - 68、2001页。视图:谷歌学术搜索

版权

版权©2018 Xujie李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。