摘要：无人机携能传输技术可用于提高物联网能效,为能量受限的物联网地面设备补充能量,以支持其完成不中断信息接收任务。面对无人机携能有限的现实条件和其能耗效率提升的需求,本文针对高效节能的无人机-地面通信优化问题进行了研究,综合考虑无人机飞行耗能和地面设备能源需求,对无人机发射功率和功率分割比进行联合优化,并对无人机轨迹和地面设备唤醒时间分配进行设计。研究的节能最大化问题是一个非凸的、分式和混合整数规划问题。针对此问题,本文提出一种基于连续凸逼近(Successive convex approximation,SCA)和经典Dinkelbach方法的交替迭代优化算法。最后仿真结果验证了该算法的有效性和优越性。

摘要：考虑到信息时效性和数据新鲜度对各类实时状态更新系统带来的挑战,提出了一种无人机(Unmanned Aerial Vehicle,UAV)中继辅助的认知无线电网络(Cognitive Radio Network,CRN)信息年龄(Age of Information,AoI)最小化方案。为了降低CRN中次用户接收机处的AoI,在不影响主用户正常通信的前提下,利用UAV作为移动中继来辅助次用户发射机将数据包传输到对应的接收机。通过联合优化UAV的飞行轨迹和资源分配来确保信息新鲜度。由于联合设计问题是非凸的,故采用连续凸逼近的高效迭代算法得出问题的最优解。仿真结果表明,所提方案可以有效提高信息新鲜度,并获得峰值AoI的最小值。同时,数据包的大小和数量与AoI呈线性关系,对UAV的飞行轨迹也有影响。

摘要：为解决车辆到一切(vehicle-to-everything,V2X)通信中高数据速率需求而频谱资源短缺问题,研究V2X通信中频谱资源分配与功率控制问题,该问题属于混合整数非线性规划问题,通常很难求解。为解决该问题,将其分为两个子问题后求解。针对资源分配问题,采用多对多的频谱分配方案,充分利用频谱资源,针对功率控制问题,利用连续凸逼近方法将非凸形式的功率分配问题转化为凸问题求解,减少用户间的干扰。仿真结果表明,所提解决方案可以显著提高车辆用户的数据速率。

摘要：无线携能传输(simultaneous wireless information and power transfer,SWIPT)能够有效解决通信终端的能源受限问题,而智能反射面(intelligent reflecting surface,IRS)能够辅助增强SWIPT的效率。为了克服单个IRS覆盖范围有限的缺点,以及进一步提高SWIPT的时间和频谱资源利用率,考虑了一个双IRS辅助基于非正交多址接入技术(non-orthogonal multiple access,NOMA)的无线携能通信系统,其中发送端的波束成形矢量、每个IRS的相移以及接收端的功率分割系数将进行联合优化以最大化系统的最小用户速率。为解决上述有着高度耦合优化变量的非凸优化问题,提出一个基于半正定松弛技术(semidefinite relaxation,SDR)和连续凸逼近技术(successive convex approximation,SCA)的交替优化(alternative optimization,AO)算法来高效求解该问题。仿真结果表明,双IRS辅助的系统比传统的单IRS辅助的系统能够实现更高的最小速率,揭示了部署双IRS的优异性、所提算法的有效性以及联合优化IRS相移及功率分割系数在提升用户速率性能方面的重要性。

摘要：当前非正交多址(Non-Orthogonal Multiple Access,NOMA)系统的用户配对和功率分配通常作为独立的问题进行研究,未考虑接收端不能完美执行串行干扰消除(Successive Interference Cancellation,SIC)的限制。鉴于此,提出一种不完美SIC下NOMA系统用户配对和功率分配联合优化(Joint User Pairing and Power Allocation,JUPPA)方法。给定功率分配方案,采用自适应遗传算法求解用户配对问题,并结合哈希表结构设计自适应交叉和变异算子。给定用户配对方案,利用连续凸逼近(Successive Convex Approximation,SCA)对目标函数下界进行松弛,构造卡罗需库恩塔克(Karush-Kuhn-Tucker,KKT)条件,并基于梯度下降法对功率分配问题进行优化。上述两个过程迭代直至收敛。仿真结果表明,相比于单独优化用户配对或功率分配,JUPPA具有更高的系统和速率。

摘要：在使用无人机(UAV)作为计算卸载的数据收集器对用户设备(UE)提供移动边缘计算(MEC)服务的场景下,设计了一种通过UAV实现高效的UE覆盖的无线通信策略。首先,在给定UE分布的条件下,对于UAV的飞行轨迹和通信策略,使用了连续凸逼近(SCA)的优化方法来得出一种可以使全局能量最小化的近似最优解;此外,对于UE大范围分布或任务量较大的场景,提出了一种自适应聚类算法,以将地面的UE划分成尽量少的聚类,并保证每个聚类中全部UE的卸载数据都可以在一次飞行中全部完成收集;最后,将每个聚类中UE的计算卸载数据收集任务分配给一次飞行,从而达到减少单个UAV完成任务所需的派遣次数或多UAV执行任务所需的UAV派遣数量的目的。仿真结果表明,所提方法可以生成相比K-Means算法更少的聚类数量且能快速收敛,适用于UE大范围分布下UAV辅助的计算卸载场景。