基于车辆的基于NOMA的V2V系统运动特性的联合资源配置和功率控制

抽象的

由于非正交多次访问（NOMA）的高频频谱利用率，它成为未来无线通信系统的潜在候选技术之一。与此同时，在新的广播中，在3中提出了一切（V2X）的车辆^rd.一代合作项目（3GPP）。本文研究了具有功率控制策略的资源分配机制，可以充分利用基于NOMA的车辆在车辆（V2V）通信系统中的车辆的移动特性。首先，通过光谱聚类根据其移动特性进行分组车辆。然后，在同一组中的车辆与NOMA策略分配相同的无线资源。为高速公路和城市情景而设计了两种分组方法。此后，基于利用Q-Learning的功率控制策略的结果来调整车辆的传输功率。仿真结果表明，与基于能量感应的资源分配方法相比，可以显然改善了V2V系统在分组接收的比率（PRR）方面的性能。

1.介绍

随着智能交通系统(ITS)的发展，车辆与车辆通信成为近年来研究的重点。随着车辆越来越多，无线频谱资源越来越稀缺，资源分配方案的设计成为学术界和工业界研究的热点。

在所有的学术研究中，使用最多的是图论和最优化理论。例如，在[中，资源分配问题转化为最大权重匹配问题。1，而在[2］.在工业区，属于3的特定群体^rd.Generation Partnership Project (3GPP)一直在做V2V通信的标准化工作。在无线接入网(RAN) 80^TH.基于从第14份的标准，3GPP，新的无线电（NR-）车辆（V2X）的会议已经提出了长期演化 - （LTE-）V2X的标准。在过去的会议上，3GPP ran讨论了几种资源分配机制。这些机制包括涉及基站（BS）在车辆中的基站（BS）调度资源的机制动态地以及车辆通过BS的辅助机器自动选择资源的机制。这两种类型的资源分配机制分别在3GPP中称为模式1和模式2 [3.］.在所有讨论的资源选择方法中，基于能量感测的机制[4]是最典型的例子。另外，利用车辆的地理位置也是3GPP提出的另一种资源选择方法[5，6］.

在NR通信系统中，将整个频带划分为子载波。在时域上，一个传输周期包含几十个时隙。12个子载波对应一个频域中的资源块RB (Resource Block)。车辆在特定的车位和特定的时段发送信号。考虑到V2V通信可以使用的带宽有限，例如10mhz，如果车辆较多或者需要频繁的交互，那么RBs和时隙中的无线资源就不够。因此，在V2V系统中，由于资源冲突，一些车辆必须在同一个RB上传输信号，从而大大降低了通信性能。

为了缓解资源冲突导致的性能下降，提出了一种很有前途的技术，即多辆车共享同一资源来发送消息，并确保这些发送的车辆仍能被接收方识别。这种技术就是非正交多址接入(NOMA)。在功率域NOMA中，不同的发射机可以在同一RB上以不同的功率水平同时发送各自的信息，而接收机则采用逐次干扰消除(SIC)对接收到的信号按照信道增益递减的顺序进行解码[7］.因此，NOMA频谱利用率高，适用于V2V通信系统[8］.然而，据笔者所知，关于NOMA在V2V通信中的应用研究还很少[9- - - - - -11.］.

将NOMA应用于V2V通信系统时，关键步骤是车辆分组。同一组的车辆将被分配到同一资源。一个简单的想法是让同一组的车辆彼此远离。由于V2V通信系统是一个动态场景，因此需要对车辆的移动进行分组考虑，分组考虑包括移动方向、速度、距离、通信链路类型等移动特性。考虑到车辆在没有资源分配信息的情况下，在车辆分组过程中充分利用车辆的不同特征，建议采用无监督聚类算法。集群后，同一集群内的车辆以NOMA方式共享相同的无线资源。

根据资源配置结果，进一步进行功率控制。功率控制的目的是使接收机在发射机覆盖范围内的分组接收比(PRR)最大。众所周知，q学习是一种在新环境中学习并给出良好策略的好方法。已有多篇论文将其应用于Femtocell通信和D2D通信的功率控制[12.，13.]，研究Q-learning算法在基于noma的V2V通信系统中应用于车辆功率控制的可行性。

本文的其余部分安排如下。在部分2，描述了V2V通信系统的系统模型和问题制定。资源分配机制和功率控制策略在部分中提出3.．在部分3.1介绍了高速公路分组的方法。部分3.2基于光谱聚类显示城市场景中的资源分配。部分3.3.是基于Q-learning的功率控制策略。部分3.4说明了资源分配机制的信令流程。然后，本节给出了仿真场景、仿真结果和计算复杂度分析4．最后，结论在一节中给出5．

2.系统模型和问题制定

2.1。系统模型

在V2V广播系统中，每辆车广播自己的消息，其他车接收消息并尝试解码，如图所示1．和以数据包的形式传送其信息; ， ，和试图接收数据包以及数据包 ． 它表示接收器的干扰加噪声比（SINR）的信号从发射机可以通过

在(1），发射机的发射功率是多少我，表示发射机的信道系数接收 ，N₀为加性高斯白噪声(AWGN)的单边功率谱密度，是发射机的带宽用于传递信息表示V2V通信系统中的车辆数量。二元变量等于1和同时在相同的无线资源上传输消息（1A）.另一个二进制变量说明了SIC的应用效果。当 ，车辆j解码来自车辆的信息首先和解码车辆的消息然后。在这种情况下，二元变量等于一个，这意味着从发射机干扰的存在。否则,等于零表示与SIC取消的干扰（1B.）.

在图中1,当和在NOMA方式使用相同的资源，可以解码两者的数据包和成功地。因为接近而且远离 ，它可以解码具有通过噪声归一化归一化的频道增益的最佳顺序的消息。进一步来说，解码信号从首先，虽然它处理信号从当它接收到信号时，就会产生干扰从两者起来和 ．信号之后从被解码，它在信号中取消前解码信号从随后，也就是减去从和解码信号后。因此，接收器的SINR解码来自是 而不是 ，SINR也是如此 ．然而，无法解码任何强烈可能的信号，也不能也从 ，因为它几乎接收了来自的信号几乎相同的信号和 ．

在V2V通信系统中，安全相关信息通过航母周期性地广播。在3GPP中，PRR被定义为典型的性能指标，这是所有数据包的概率的统计平均值。实质上，数据包解码的概率正确取决于接收器处的SINR。PRR越高，车辆之间的通信越高。

２.２.问题的形成与分析

在3GPP的规定中，一种通信类型是车辆作为发射机广播其信息，另一种通信类型是车辆作为接收机接收信息。如前所述，PRR是所有包成功解码概率的统计平均值。因此，资源分配和功率控制的目标是使所有车辆的PRR最大化。此外，由于数据包被正确解码的概率基本上取决于接收机的SINR，目标警报以最大限度地提高所有车辆的总SINR。PRR与SINR的关系如图所示2，说明了用SINR替代PRR作为资源配置和功率控制目标的可行性:

假设有NV2V系统中的车辆。将总可用带宽划分为米子信道(一个子信道由多个RB组成)和一个传输周期被划分T槽。本文将频域上的一个子信道和时域上的一个时隙定义为资源块组(Resource Block Group, RBG)，作为资源分配的基础。因此，有完全一个时期的rbg。假设BS通过专门的反馈通道拥有系统中所有车辆的完美通道状态信息。每辆车我用电源传输数据包在RBG上，该RBG由BS分配。除发射器外的所有车辆都按照本节讨论的信道增益递减的最佳顺序解码消息2.1．对于每个时隙，特定子信道被分配给用于传输分组的车辆，并且计算接收器的SINR。一段时间内所有车辆的总SINR可以通过（2）.

在这种配方中，设定表示使用子通道的车辆在槽在设置时传输消息表示接收消息的其他车辆(2）.约束（2A）对应于发送限制，即一个车辆应该在一个时段中仅用一个子信道发送分组，这意味着每个车辆在每个时段中使用一个RBG以进行传输。约束（2B.）表示每个RBG只能分配到最多以NOMA方式使用，这也是使用相同RBG的车辆的最大数量。更大的是，解码和接收的过程就越复杂。等于1意味着没有资源冲突发生。二元变量只在子通道时等于1米在槽t分配给车辆我（2C）.约束（2D）显示在NOMM方式中使用SIC的结果：何时 ，二元变量等于1，意味着发射器的干扰k存在;等于表示干扰的零已被SiC取消。约束（2e)表示每辆车的传动功率不应超过最大功率 ．

优化目标如(2)是一个非凸问题，也是一个np困难问题，因为变量是二元的，并且存在干扰。但是，(2)，即传输车辆之间不发生干扰的情况。由于干扰的存在，这个上界永远无法实现。因此，基于机器学习的资源分配和功率控制联合算法求解(2）在下一节提出。

3.资源配置机制与功率控制策略

通过这种约束找到最佳解决方案并不容易。即使使用贪婪的方法，目前的最佳解决方案并不意味着它在下一刻是最佳解决方案，因为每个两辆车之间的距离在时间不断变化。简化问题（2)，它被分解为两个阶段。

第一阶段，假设所有车辆的传输功率相同，建立基于车辆运动特性的资源分配机制。第二阶段根据第一阶段的资源分配结果进一步进行功率控制。

本文考虑了高速公路和城市两种典型情景，分别对应比较简单和复杂的车辆交通状况。在不同的交通场景中，车辆不同的运动特性的重要性是不同的。例如，在高速公路上行驶的车辆很少改变方向和速度等移动状态。在大多数情况下，发射机和接收机之间的链路类型是视线(LOS)。然而，在城市场景中，由于交通堵塞和交通灯的控制等原因，车辆可能会在任何十字路口改变行驶方向，车速也会不时改变。甚至两辆车之间的连接类型也可能因为积木的可能性而改变。因此，本文针对不同的场景，提出了不同的用户分组方法。

3．1.高速公路资源配置机制

如前所述，资源分配机制设计的关键步骤是用户分组。在高速公路场景中，在设计时需要考虑一些问题。首先，应选择距离尽可能远的车辆以NOMA方式使用相同的RBG。原因是当分配给同一资源的两个发射机距离较近时，它们的邻居作为接收器，由于它们之间的干扰较大，无法成功地接收和解码来自两者的数据包。为减少上述情况的发生，设置一个参数定义为表示共享同一资源的车辆之间的最小距离。

在用户分组中，还应考虑与传输车辆类似的接收器。原因是这种接收器通常不能解码来自任何发射机的消息;例如，在图中1无法解码消息既不是也不有可能。

基于上述考虑，提出了根据其移动特征组的集中调度机制。同一组中的车辆以所提出的资源调度算法分配给相同的资源。预计同一组中的车辆具有相似的速度和类似的移动方向。此外，它们之间的距离应该大于 ．通过这种方式，同一组成员之间的距离相对稳定，可以避免共用资源的发射机之间距离近而产生的干扰。

详细的资源分配算法描述如下:在第一步中，根据车速和方向将所有车辆分成若干类。方向和速度相似的车辆属于同一类别 ．高速公路的道路主要是为两种或三种车辆的速度而设计的，如行车道和超车车道分别为相对较慢的车辆和较快的车辆。因此，Section中的仿真采用了两种速度4.1来模拟现实中的高速公路。车速越分散，类别的数量越大将是，每个类别的车辆越少，反之亦然。在每个类别中执行以下步骤并且资源分配算法将结束，直到每个车辆属于一个组。因此，无论车辆的速度如何分散或密集，都没有对本文提出的资源分配机制的影响。

在第二步，我们将决定哪些车辆可以被选择在同一组。车辆j在算法的开头随机选择，并假设车辆j是在组, ．可以与vehicle属于同一组的车辆j应该与车辆相同的类别j．然后我们按照此类别检查每辆车（3.）和最大参数的车辆被选中在与车辆相同的组中j．假设有N系统中的车辆;（3.)确保车辆我是属于同一类别的吗j远离了j．同时，最小化与使用相同资源的发射器​​类似距离的接收器的数量。

在(3.），为车辆之间的最小距离我和车辆在同一组j（3）;表示与车辆距离几乎相等的车辆数量我和车辆j；表示车辆之间的距离我和车辆j；二元变量当距离接收者的距离差为1时k对发射机我与接收机的距离k对发射机j是在米和这种接收器k基本上无法正确解码任何发射器发出的讯息(3 b）;二元变量什么时候等于一个我，j属于同一类别(3 c）;车辆我应该远离吗j它们之间的距离应该大于（3 d）.考虑到两个发射机之间距离相似的车辆数量与两个发射机之间的距离相比可能是一个相当小的数目，是通过乘来适当放大的吗 ．

重复搜索，直到同一类别的车辆均不符合(3.）.然后是同一类别的车辆j与前一组中所有车辆距离最小的车辆视为下一组的第一个元素。重复检查(3.）并找到下一个组的第一个成员，直到本类别的所有车辆都被选中到组中。然后选择另一个类别并重复上述步骤，直到所有车辆都是组中的成员。

同一组中的车辆使用相同的资源。如果组数大于资源数，则重复降低，并且车辆被分组，直到组的数量略小于资源数量。

为了在频谱稀缺的情况下获得更好的性能，通过以上步骤计算共享同一资源的车辆之间的最小距离，即距离取决于无线资源的多少。如果无线资源足够传输车辆信息，共享同一资源的车辆之间的最小距离将大于无线资源少的情况下的最小距离。

算法的详细描述1，车辆分组算法如下所示。

车辆继续传输分配的资源，直到它改变它的运动状态，比如离开道路或改变速度、方向，等等。一旦发生上述情况，它就会离开原来的组，需要重新组合。满足(3.）是为了加入的小组。如果没有组满足（3.），它成为存在空闲资源时的新组的唯一成员。没有群体满足（3.）没有资源空闲，符合满足的组（3.)而是放松(3 d)可以成为它加入的群体。对于车辆移动状态的改变，整个RBG重新分配算法在算法中显示2．

3.2。城市情景资源分配机制

在城市情景中，车辆的运动特性比高速公路情景更复杂。由于例如由建筑物或树阻挡，车辆频繁地改变行驶方向和速度并且两个车辆之间的链路类型可能会改变不可预测的。在用户分组算法中，除了在高速公路方案中考虑的距离之外，应考虑这些特性。

光谱簇（SC）作为无监督方法可以根据多个功能将数据分配为不同的组。在大多数情况下，SC的优越性归因于度量函数和亲和图的设计[14.］.针对城市情景下车辆流量变化不断且不可预测的情况，本文以车辆为数据点，考虑SC来解决资源分配问题。车辆的地理位置、行驶方向、速度和通信链路类型是考虑的主要运动特征。

除了选择适当的运动功能之外，还应考虑到它们对设计度量功能之间的通信的影响，构建适当的重量。在城市情景中的适当分组车辆方法需要量化关于车辆的特征，并在车辆之间建立适当的重量来评估车辆的相似性。根据相似性，车辆通过例如BS在每个发送周期期间聚集。聚类后​​，同一群集中的车辆以诺马瘤方式共享相同的资源。

在接下来的部分中，首先简要介绍了SC的主要步骤——标准化切割。然后描述了特征选择和度量的建立，提出了城市情景下的资源配置算法。

3.2.1之上。正规化切割简介

当输入数据集时和 -维的样品,如 ，聚类算法可以进行分组进入集群 目的是保持同一集群内的数据彼此接近，而不同集群的数据点保持分离。也就是说，归一化切割不仅使不同聚类之间的边权值最小化，而且使聚类内部边权值最大化[15.］.

正火切割的主要步骤如下:（1）构造相似矩阵S.(2）构造邻接矩阵W和度矩阵D。（3）计算拉普拉斯矩阵l（4)做的标准化l（5）计算最小的特征值l和它们各自的特征向量f。（6）规范化矩阵l由相应的特征向量组成f逐行并形成特征矩阵F的 ．每一行F是一个 -尺寸样本。（7）集群上面n例如，k- 模糊，群集维度是 ．（8）获取群集分区 ．

3.2.2。特征选择

特征1：车辆之间的距离。类似于高速公路场景，车辆之间的相对位置，即距离，仍然很重要。在车辆分组中，共享相同资源的车辆预计将尽可能远离彼此。从距离特征计算的重量被设计成与距离成比例。较近的车辆是，它们在同一群体中的可能性越小。特点二:车速。速度是另一个重要的特征，因为车辆的速度会动态地影响它们之间的距离。当车与车之间有速度差异时，车与车之间的距离会急剧地持续变化。这就带来了距离的不确定性。例如，两辆车在开始时相距很远，并且朝同一方向行驶。如果在不考虑速度的情况下将它们分配到相同的资源中，当后面的车辆比前面的车辆快时，它们之间的距离会在很短的时间内变小。因此，重量应与速度的差成反比，以保证速度差大的车辆以较低的概率进入同一簇。考虑到城市是有大量不同速度的车辆的情景，本节采用了城市机动模拟(Simulation of urban Mobility, SUMO)4.2．以模拟真实的城市场景。每辆车的速度是正常行驶和遵守交通规则的结果。特点三:车辆移动方向。与速度类似，移动方向也会影响车辆之间距离的变化，比如接近或分离。功能4：车辆之间的通信链路类型。我们参考这里的链接类型是LOS和非视线（NLOS）。如果两个车辆之间的链接被建筑物或其他障碍阻挡，则链接被视为NLO。否则，它是洛杉矶。当传输车辆之间的通信链路类型是NLO时，接收车辆和每个传输车辆之间的通信链路类型更可能是不同的。因此，来自不同传输车辆的接收功率值更有可能具有更大的差异，这有助于接收车辆以利用NOMM方式从两个发射器解码消息。因此，预计使用NLOS链路的车辆将共享相同的资源来减少干扰。

3.2.3。度量函数建立

构造邻接矩阵有几种策略。在所有策略中，计算邻接矩阵即权值矩阵最常用的方法是全连接(见下式):

考虑不同的功能对V2V通信具有不同的影响。计算权重矩阵的方法是在不同的特征上设计的。

在(5）， ，在哪里是车辆的数值我的速度和是车辆的数值我行驶方向;四个移动方向，上升，向下，左右，分别表示为1,2,3和4;二维协方差矩阵在吗 ．车辆之间的车速和移动方向的相似性我和车辆j由mahalanobis距离测量这确保了每个变量与测量标度无关。表示从距离计算的重量，是之间的距离我和j，和是固定的，比 ．共享相同资源的车辆之间的距离更接近，接收来自其中任何一个的接收器的干扰越多。可以在[16.，当使用相同资源的发射车辆之间的距离大于300米时，干扰相对较小。因此，使用300米作为分界点分段重量计算配方来自距离。因此，这里， 和 ；的价值距离大时，距离大;当比 ， 等于 ；当小于并且比较大 ， 小于一个;当比并且比较大 ， 大于1;否则等于零。因为乘法其他项等于 ， 意思是车辆的可能性我和车辆j要被划分为相同的组，并且使用相同的无线资源来增加用于传输的可能性相应地增加。否则，这意味着它们不太可能被分成同一组。因为车辆处于半双工模式，所以一定范围内的车辆不能同时发送信息，或者它们绝对不能从其他方面接收信息。因此，当 意思是车辆的可能性我和车辆j分为群集并使用相同的无线资源进行传输基本上为零（5）.在(5 b），指根据车辆之间的通信链路类型计算的重量我和车辆j，表示车辆之间的通信链路类型我和车辆j, 和 都是固定的，如 和 ；当通信链接到车辆我到车辆j是NLOS时，它们使用相同无线资源进行信息传输的可能性增加;否则，则减少。

3.2.4。资源分配机制

算法3.(车辆聚类算法)，在每个传输周期的开始进行如下所示的归一化切割。同一分区中的车辆共享相同的资源;因此，集群的数量k等于rbg的数量。

3.3。资源分配机制的信令过程

本文提出的资源分配机制是由BS完成的，即BS需要收集车辆的信息。经过3GPP 94讨论，一致认为NR支持用户(UE)向生成节点B (gNB)报告协助信息^TH.会议(17.］.整个信令流程如图所示3.．一开始，每个车辆向BS报告地理和速度相关信息。接下来，BS执行资源分配机制。然后，BS将关于资源分配结果的消息发送到车辆和车辆接收该消息。在解码相应的消息之后，车辆获得它可以用于向其他车辆发送消息的RBG。

3.4。基于Q学习的功率控制

Q-learning是一种无模型的强化学习算法，它可以通过最大化期望报酬来学习寻找最优策略。在复杂系统中表现出良好的性能。本文引入q学习来解决功率控制问题。

在Q-learning中，状态、行动和奖励是三个主要元素。Q-learning的详细内容见[18.］.在基于noma的V2V功率控制问题中，状态表示为使用相同无线资源的所有发射车辆的发射功率值的集合。为了限制状态集中元素的数量，假设车辆可以使用一个可能的离散功率值发送信息(见下面的公式):

因为每辆车的传动功率值的上限为 ，每个可能的功率值比这个小。当车辆使用相同资源，状态设置表示如下：

操作集是使用相同资源的所有传输车辆的传输功率的变化。为了限制动作集中的元件的数量，每个传输车辆的传输功率值的变化只能减小，增加，并保持不变，它们分别由-1,0和1表示。当车辆使用相同的资源，有可能的行动。此时，是车辆的动力改变作用吗 ，和行动集由下式表示:

每个车辆的发射功率值的上限是 ．在车辆使用功率值的情况下传递信息，如果不断增加使传输功率大于 ，不采取增加传输功率的行动;同样，如果持续减少使传输功率等于或小于零，不会拍摄减少传输功率的动作。

奖励是其他车辆从发射车辆接收信息时的SINR之和，因为信息被成功解码的可能性与SINR成正比。当车辆使用相同资源时，接收车辆接收信息时的SINR之和为:

使用贪婪搜索，实现探索和利用之间的平衡。探索速度等于一，然后逐渐减小。根据每一步产生的随机数大于时已知的信息选择动作 ；否则，随机选择动作。基于Q学习的功率控制策略学习过程以算法显示4．当估计值函数 -TH. 采样和 -th抽样众所周知， 可以通过增量求和获得（10.),是学习率，指示放弃旧价值的速度有多快。

学习后，得到Q值最大的动作就是功率控制策略。

4.仿真结果

本节通过系统级仿真对所提出的联合资源分配和功率控制机制进行评估。

4．1.高速公路场景

在本节中，提出了3GPP定义的高速公路场景下的机制[19.]如图所示4是评估。主要仿真参数如表所示1．

这里选取传感机制作为比较算法，它是一种由3GPP规范的资源分配方案。每个车辆感知每个RBG的能量，并从低到高排列它们。当重新分配发生时，它会转换为RBG，这是RBG中的一个，对应最低的20%的能源，只要20^TH.RBG的最小值为3 dB，而不是其使用的RBG的能量值[1］.这种机制需要交通工具来持续感知能量。

数字5显示PRR用于传感机制的性能和所提出的机制。很明显，具有或没有功率控制策略的PRR的建议机制高于传感机制的机制。在三种机制中，拟议的电力控制机制具有最佳性能。当车辆之间的距离大于250μm时，与所提出的机制相比，感测机构的性能大大降低。原因在于，车辆的移动特性被充分考虑以确定本文提出的资源分配，这使得车辆尽可能地使用相同的资源。

为了进一步评估资源利用效率，资源的利用率被定义为已分配给除以可用的RBG总数的车辆的RBG的数量。如图所示6，在所提出的机制中，RBG的利用率是恒定的，而传感机制的利用率是经常变化的。这意味着传感机制中的资源再分配比提议机制中的资源再分配更为频繁。在高速公路场景下，车辆不容易改变运动特性，所提出的机构捕捉这些稳定特性具有非常稳定的性能。

在V2V通信系统中，为了获得更好的性能，同一资源分配的车辆数量应该更少，车辆之间的距离应该更远，以消除干扰。图7和8表明传感机构和所提机构在不同时间共享相同资源的车辆数量与车辆距离的关系，所提机构中共享资源的车辆相对较远，而传感机构中共享资源的车辆在整个道路长度上是均匀分布的。显然，在资源配置中考虑距离特征的机制具有较好的性能。

4.2。城市情景

在图中曼哈顿的真实地图下，评估城市情景下的资源联合配置和权力控制机制9．Sumo进一步抽象了模拟场景[20.，如图所示10.．车辆的移动特征也由SUMO根据地图而获得，例如，在交叉处的移动速度和方向的变化。主要仿真参数如表所示2，包括本节中描述的集群参数3.．

数字11.给出了该机构在无功率控制和有功率控制和传感机制的情况下的PRR性能。与高速公路情景相比，城市情景下车辆间距增大时，车辆间距减小幅度更大。与高速公路情景下的结果相似，该机制的PRR高于感知机制。在三种机制中，拟议的电力控制机制具有最佳性能。

图12.和13.展示了城市情景下，感知机制和建议机制在不同时间共享相同资源的车辆数量与车辆距离的关系。显然，距离越远的车辆共享同一资源的可能性越大。而在城市情景下，车辆聚类需要考虑的特征更多，包括距离。因此，该机构更有可能将具有相似运动特性的车辆分组，而不仅仅是相距较远的车辆共享同一资源。

数字14.演示了在不同距离范围内共享同一资源的车辆的平均数量。可以看出，在最大距离值下，与感知方案相比，所提机制中共享相同资源的车辆较少，说明所提机制可以更有效地利用资源，具有更好的PRR性能。

4．3．计算复杂度分析

在感知机制中，车辆需要收集调度分配(Schedule Assignment, SA)消息，在每个RBG上检测接收到的能量，并基于SA消息排除RBG。每辆车根据自己的平均接收能量对rbg进行排名，并为自己选择rbg。以上所有步骤都是由车辆自己完成的，这意味着车辆的计算能力对延迟的影响很大。随着排序过程的存在，计算复杂度介于和根据采用哪种分类算法，而n是RBG的数量。

本文提出的高速公路场景车辆分组资源分配算法的复杂性为 ，而N是车辆数量和米是本集团的车辆数量除以它们的速度。因为在典型的高速公路场景中[19.车辆的数量N比RBG的数量更大，而组中的车辆数量除以它们的速度米时，车辆分组算法的计算复杂度介于感知机构的下限和上限之间。基于供应链的城市情景车辆聚类资源分配算法的计算复杂度为比传感装置要大。但考虑到本文提出的高速公路和城市场景资源分配机制的计算过程是由收集车辆地理相关信息等的BS完成的，且BS的计算能力远远超过车辆设备的计算能力，延迟小于或至少可与高PRR的传感机制相比较。

在接收到BS的资源分配结果之后，车辆根据利用Q学习的功率控制策略调整它们的功率。由于钢筋学习的学习过程，计算复杂性相对较高，这取决于每集中的步骤的数量。该方法的优点是可以随着环境的改变而调整发射功率。将来，可以采用一些有效的方法来减少迭代的数量并降低计算复杂性。

5.结论

本文将NOMA引入V2V通信系统，以增强有限频率资源的利用，以及基于车辆的移动特性的联合资源分配和功率控制机构。根据高速公路和城市情景中的不同移动条件，设计了两个资源分配算法，根据其移动特征将车辆分成几组。之后，通过Q学习获得功率控制策略。系统级仿真结果表明，与能量传感机制相比，可以改善所提出的机构的PRR。

数据可用性

用于支持本研究结果的仿真代码的数据可根据要求从通信作者处获得。

的利益冲突

提交人声明有关本文的出版物没有利益冲突。

致谢

基金资助:国家重大科技专项(批准号:2018 zx03001024)。

参考文献

1. W. Sun, E. G. Ström, F. Brännström, K. C. Sou, Y. Sui，“基于d2d的V2V通信的无线电资源管理”，IEEE车辆技术汇刊，卷。65，不。8，pp。6636-6650,2016。视图:出版商网站|谷歌学者
2. Q. Wei，W. Sun，B. Bai，L. Wang，E.G.Tröm和M.歌曲，“V2X通信的资源分配：基于本地搜索的3D匹配方法，”2017年IEEE通信国际会议论文集，pp.1-6，巴黎，法国，2017年5月。视图:出版商网站|谷歌学者
3. 3GPP，“第3GPP TSG的最终报告RAN WG1 94 v1.0.0，Tech。代表，ETSI，哥德堡，瑞典，2018年，技术报告R1-1810051。视图:谷歌学者
4. 3GPP，“第三代合作伙伴项目”;技术规范组无线接入网;基于lte的V2X服务研究，Rel-14 V0.5.0，”Tech. Rep.， ETSI, Sophia Antipolis, France, 2016, Technical Report TR 36.885。视图:谷歌学者
5. 3GPP，“3GPP TSG的最终报告Ran WG1＃83 v1.0.0，Tech。代表，ETSI，Anaheim，CA，USA，2015，技术报告R1-157773。视图:谷歌学者
6. 顾晓云，丁勇，“基于地理信息的LTE-V2V动态资源选择算法”无线通信和网络杂志， 2018年第1期，第186页。视图:谷歌学者
7. A. Benjebbour, Y. Saito, Y. Kishiyama, A. Li, A. Harada，和T. Nakamura，“未来无线接入的非正交多址(NOMA)的概念和实际考虑”，在2013年智能信号处理与通信系统国际研讨会论文集，页770-774，那霸，日本，2013年11月。视图:出版商网站|谷歌学者
8. B. DI，L.歌曲，Y.LI和G. Y.LI，“非正交多次访问5G系统中的高可靠性和低延迟V2X通信”，“在通信中选定区域的IEEE日记帐，卷。35，不。10，pp。2383-2397,2017。视图:出版商网站|谷歌学者
9. S.Pfletschinger和M.Navarro，“非正交多次访问车辆通信，”2018年第15届无线通信系统国际研讨会（ISWCS）的诉讼程序，pp.1-5，里斯本，葡萄牙，2018年8月。视图:出版商网站|谷歌学者
10. Wang B.， R. Shi, C. Ji, and J. Hu， " Joint precoding and user scheduling for全双工MIMO-NOMA V2X networks， " in chinese, 20062019 IEEE第90届汽车技术大会(VTC2019-Fall)论文集，第1-6页，檀香山，HI，美国，2019年9月。视图:出版商网站|谷歌学者
11. B. W. Khoueiry和M. R. Soleymani合著的《车辆互联网中有效的Noma V2X通信方案》2017 IEEE第85届汽车技术大会(VTC Spring)论文集，第1-7页，澳大利亚悉尼，2017年6月。视图:出版商网站|谷歌学者
12. Z.Gao，B. Wen，L. Huang，C. Chen和Z.Su，“LTE企业毫微微小区网络的Q-Learnal的电源控制”，IEEE系统杂志，第11卷，第5期。4, pp. 2699-2707, 2017。视图:出版商网站|谷歌学者
13. 聂胜，樊振东，顾旭东，“基于q -学习的D2D通信功率控制算法”2016年IEEE第27届年度国际专题讨论会的课程（PIMRC），第1-6页，巴伦西亚，西班牙，2016年9月。视图:出版商网站|谷歌学者
14. Z. Li，F. nie，X. chang，Y. yang，C. Zhang和N.Sebe，“使用多个功能的光谱聚类动态亲和力图构造”神经网络与学习系统，卷。29，不。12，pp。6323-6332,2018。视图:出版商网站|谷歌学者
15. J. Shi和J. Malik， "归一化切割和图像分割"，图案分析和机器智能的IEEE交易第22卷第2期8、2000年。视图:出版商网站|谷歌学者
16. 3GPP，“NR V2X侧墨系统级评估，3GPP TSG RAN WG1 meeting #95，”技术代表，HiSilicon, Spokane, WA, USA, 2018，技术报告R1-1812210。视图:谷歌学者
17. 3GPP，“第3GPP TSG的最终报告RAN WG1＃94BIS v1.0.0，Tech。代表，ETSI，成都，中国，2018年，R1-1812101。视图:谷歌学者
18. B. J. A. Kröse，“从延迟的奖励中学习，”机器人和自主系统，卷。15，不。4，pp。233-235,1995。视图:出版商网站|谷歌学者
19. 3GPP，“第三代合作伙伴项目”;“基于LTE和NR的新型车辆到一切(V2X)用例评估方法研究”，技术代表，ETSI, CA，美国，技术报告37.885,2017，https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=3209．视图:谷歌学者
20. 相扑,城市交通模拟，Sumo，柏林，德国，2019年，http://www.sumo.dlr.de/userdoc/sumo.html ,2019-08-27.．

版权

版权所有©2020顾新宇等人。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。