Uplink Time Scheduling with Power Level Modulation in Wireless Powered Communication Networks
在本文中，我们提出了无线供电通信网络（WPCN）的下行链路信号设计和最佳上行链路调度。现有的工作关注静态信道中的资源分配，因为用户仅配备能量接收器并且用户不能更新变化的上行链路配置。对于上行链路调度，我们提出了一个下行链路信号的设计方案，称为功率电平调制，它传达上行链路调度信息给用户。首先，我们设计了一个使用功率电平调制的下行能量信号。混合接入点（H-AP）根据信道条件在下行链路能量信号的每个子时隙中分配不同的功率电平，并且用户基于其接收信号的功率电平来优化其用于信号传输的上行链路子时隙。此外，我们制定的总和吞吐量最大化问题，该方案通过确定上下行链路的时间分配，使用凸优化问题。数值结果表明，该方案的吞吐量优于传统的计划。
2018-10-05 eess.SP
Wireless Federated Learning over MIMO Networks: Joint Device Scheduling and Beamforming Design
联邦学习（FL）被认为是支持未来6G中分布式人工智能（AI）服务的关键技术。通过支持设备之间的分散数据训练和协作模型训练，FL本质上抑制了隐私泄露并降低了传输成本。然而，无线FL的性能通常受到通信延迟的限制。多输入多输出（MIMO）技术是在有限的无线资源下构建通信高效的边缘FL系统的一种有前途的解决方案。在本文中，我们提出了一种新的联合设备调度和接收波束成形设计方法，以减少FL收敛间隙共享无线MIMO网络。具体来说，我们从理论上建立FL过程的收敛性分析，然后应用所提出的设备调度策略，以最大限度地提高加权设备的FL系统延迟和总功率约束下的数量。数值结果验证了FL收敛性的理论分析，并展示了所提出的方法的吸引力的学习性能。
2021-10-31 eess.SP
Joint Device Scheduling and Resource Allocation for Latency Constrained Wireless Federated Learning
Hitachi (China) Research & Development Cooperation（日立（中国）研发有限公司）
在联邦学习（FL）中，设备通过经由无线信道上传其本地模型更新来为全局训练做出贡献。由于有限的计算和通信资源，设备调度对FL的收敛速度至关重要。在本文中，我们提出了一种联合设备调度和资源分配策略，以在给定的总训练时间预算内最大化延迟受限的无线FL的模型精度。训练性能损失的倒数的下限，根据训练轮的数量和每轮调度的设备的数量，导出。在此基础上，将精度最大化问题分解为两个子问题进行求解。首先，给定被调度的设备，最优带宽分配建议将更多带宽分配给具有较差信道条件或较弱计算能力的设备。然后，引入贪婪设备调度算法，在每一步中选择消耗最少更新时间的设备，直到最优带宽分配的下限开始增加，这意味着调度更多的设备会降低模型的准确性。实验结果表明，该策略优于国家的最先进的调度策略下，广泛的数据分布和细胞半径的设置。
2020-07-14 cs.IT cs.LG cs.NI
Revisiting Transmission Scheduling in RF Energy Harvesting Wireless Communications
传输调度是射频能量收集通信中的一个关键问题。基于RF的能量收集系统中的现有传输策略主要基于经典模型，其中数据传输被调度在固定的可行能量隧道中。本文重新审视了经典的能量收集模型，通过理论分析和实验结果表明，可行能量隧道的边界是动态的，由于剩余能量对收集能量的影响，传输调度会影响可行能量隧道的边界。为了更准确地描述一个实际的能量收集过程，提出了一个新的模型，通过增加一个反馈回路，反映能量收集和数据传输之间的相互作用。此外，为了提高网络性能，我们重新设计的最佳传输调度策略的基础上的新模型。为了解决新模型中无休止反馈回路的问题，开发了一种递归算法。仿真结果表明，新的传输调度策略能够在能量接收效率和能量利用效率之间取得较好的平衡，与能量包长度无关，从而提高了无线通信的吞吐量性能。
2018-02-20 eess.SP
Long-Horizon Wireless Link Scheduling with State-Augmented Graph Neural Networks
University of Pennsylvania（宾夕法尼亚大学）；UCSD（加州大学圣地亚哥分校）；Duke University（杜克大学）
研究大规模无线网络最优链路调度，用拉格朗日对偶性求解约束优化问题，提出迭代算法，通过图神经网络参数化调度决策，采用状态增强技术，经数值模拟验证方法有效性。
2026-07-22 eess.SP
Control-Aware Scheduling for Low Latency Wireless Systems with Deep Learning
我们考虑在低延迟无线通信链路上调度传输以控制各种控制系统的问题。低延迟要求对于开发用于工业控制和触觉互联网的无线技术至关重要，但在保持可靠性能的同时也具有内在的挑战性。超可靠低延迟通信的替代方案是可靠性适应控制系统需求的框架。我们制定的控制感知调度问题作为一个约束的统计优化问题，其中最佳的调度程序是当前的控制和信道状态的函数。调度器使用深度神经网络进行参数化，并且使用原始-对偶学习的技术来解决约束问题，这些技术具有必要的无模型属性，因为它们不需要明确的信道模型，性能指标或系统动态知识来执行。由此产生的控制感知深度调度器进行评估，在实证模拟和强大的性能相对于其他无模型启发式调度方法。
2019-10-30 cs.SY eess.SP eess.SY
A Fast Graph Kernel Based Classification Method for Wireless Link Scheduling on Riemannian Manifold
针对黎曼流形上的设备到设备（D2D）网络中的无线链路调度问题，提出了一种新的图核方法。链路调度问题可以被认为是二元分类问题，因为每个D2D对只能保持状态活动或不活动。我们的目标是学习一种新的度量，有利于设计一个有效的，但计算要求较低的机器学习（ML）解决方案的二进制分类任务的链路调度问题，不需要信道状态信息（CSI）和训练样本的数量较少，而不是其他基准ML算法。为此，我们首先将无线D2D网络表示为图，并将每个D2D对的特征（包括其通信和干扰链路）建模为正则化的（即，正移位）拉普拉斯矩阵，其是对称正定（SPD）矩阵。通过这样做，我们表示的特征信息的每个D2D对SPD流形上的一个点，我们通过黎曼几何分析的拓扑结构。我们计算黎曼度量，例如，对数欧几里德度量（LEM），其是正则化拉普拉斯矩阵之间的合适的距离度量。然后，LEM被用来定义一个正定图核的二进制分类的链路调度决策。仿真结果表明，所提出的基于图核的方法在计算上要求较低，并且在不使用CSI和少于一百个训练网络布局的情况下，对于10个D2D对，实现了超过95%的基准算法FPLinQ [1]的总速率。
2021-06-25 eess.SP
Wireless Link Scheduling via Graph Representation Learning: A Comparative Study of Different Supervision Levels
University of Pennsylvania（宾夕法尼亚大学）
我们考虑无线干扰网络中的二进制功率控制或链路调度问题，其中功率控制策略使用图表示学习进行训练。我们利用无线网络的干扰图作为图形神经网络（GNN）骨干的底层拓扑结构，它将信道矩阵转换为所有发射机-接收机对的一组节点嵌入。我们展示了如何通过多种方式训练节点嵌入，包括通过监督，无监督和自监督学习，并比较了不同监督级别对这些方法在系统级吞吐量，收敛行为，样本效率和泛化能力方面的性能的影响。
2021-10-04 cs.IT cs.LG eess.SP
Minimum Length Scheduling for Discrete-Rate Full-Duplex Wireless Powered Communication Networks
在本文中，我们考虑了一个无线供电的通信网络，其中多个用户与RF能量收集能力的通信，以全双工模式的混合能源和信息接入点（HAP）。每个用户必须使用其电池中最初可用的能量和其可以收获的能量，以来自离散速率水平的有限集合的传输速率传输一定量的数据，直到其传输结束。考虑到这个模型，我们提出了一种新的离散速率为基础的最小长度调度问题，以确定最佳的功率控制，速率自适应和传输调度的数据，能量因果关系和最大发射功率约束。所提出的优化问题被证明是NP难的，需要指数时间算法来解决全局最优。作为一种解决策略，首先，我们证明了功率控制和速率自适应，调度问题可以单独解决的最优解。对于功率控制和速率自适应问题，我们推导出最佳的解决方案，建议的最小长度调度时隙定义的基础上。对于调度，我们分类的基础上，随着时间的推移，用户的最小长度调度时隙的分布问题。对于非重叠时隙的情况下，我们提出了最优调度算法。对于重叠场景，我们提出了一个多项式时间启发式调度算法。
2020-02-13 cs.IT eess.SP math.IT
LoFi User Scheduling for Multiuser MIMO Wireless Systems
针对多用户 MIMO 无线系统，提出基于猜测与检验程序的 LoFi 用户调度算法，支持不可微目标函数，在 mmWave 场景下以更低复杂度和误码率超越现有算法。
2024-01-08 cs.IT eess.SP math.IT
Multi-Sensor Scheduling for Remote State Estimation over Wireless MIMO Fading Channels with Semantic Over-the-Air Aggregation
EURECOM（欧洲通信研究所）；University of Granada（格拉纳达大学）
本文提出了一种基于语义空中聚合的多传感器调度方法，通过动态规划和正半定锥分解，实现无线MIMO衰落信道中的高效远程状态估计。
2026-02-04 cs.SY eess.SP eess.SY
Data Age Aware Scheduling for Wireless Powered Mobile-Edge Computing in Industrial Internet of Things
无线供电的移动边缘计算已被设想为一种有前途的范例，以增强工业物联网中低功耗无线设备的计算能力。在这种情况下，由于随机业务到达，时间耦合的上行链路/下行链路决策和不完整的系统状态知识，一个有效的资源调度方法是至关重要的，但具有挑战性的设计。为了应对这些挑战，本文提出了一种在线优化算法，以最大限度地提高长期系统效用平衡吞吐量和公平性，受数据年龄和稳定性约束。设计了一组虚拟队列，将时间相关的数据年龄约束难以求解的调度任务转化为随机优化问题。利用李雅普诺夫和凸优化技术，该方法可以在没有任何先验统计知识的情况下实现渐近近优的在线决策，并在存在部分和过时的网络状态信息的情况下保持渐近最优性。数值仿真验证了理论分析的正确性，并证明了该方法的有效性。
2020-04-27 cs.SY eess.SP eess.SY
Joint Data Routing and Power Scheduling for Wireless Powered Communication Networks
在无线供电通信网络（WPCN）中，能量接入点通过射频波传输来供应网络节点的能量需求，并且节点将接收到的能量存储在它们的电池中以用于它们将来的数据传输。在本文中，我们提出了一个在线的随机策略，共同控制能量传输从EAP的节点和节点之间的数据传输。为此，我们首先引入了一种新的扰动李雅普诺夫函数，以解决其电池所施加的节点的能量消耗的限制。然后，利用李雅普诺夫优化方法，我们提出了一个政策，这是自适应的网络中的任何任意信道统计。最后，我们提供了理论分析所提出的政策的性能，并表明，它稳定了网络，根据这种政策的网络的平均功耗是在稳定网络所需的最低功率水平的有界差距。
2018-11-01 eess.SP
Scheduling Policies for Federated Learning in Wireless Networks
受无线用户设备（UE）的计算能力增加的推动，随着智能手机、平板电脑或车辆的普及，以及对共享私人数据的日益关注，出现了一种新的机器学习模型，即联邦学习（FL），其允许在中央单元处解耦数据采集和计算。与在数据中心进行的集中式学习不同，FL通常在无线边缘网络中运行，其中通信介质资源受限且不可靠。由于有限的带宽，在每次迭代时，只能调度一部分UE进行更新。由于无线介质的共享性质，传输会受到干扰，并且无法得到保证。FL系统在这种环境下的性能还不清楚。在本文中，一个分析模型来描述FL在无线网络中的性能。特别是，听话的表达式推导出FL在无线设置的收敛速度，占调度方案和小区间干扰的影响。使用开发的分析，三种不同的调度策略，即，随机调度（RS）、轮询（RR）和比例公平（PF）在FL收敛速度方面进行了比较。结果表明，运行FL与PF优于RS和RR，如果网络是在一个高的信号与干扰加噪声比（SINR）阈值下工作，而RR是更可取的，当SINR阈值较低。此外，FL收敛速率随着SINR阈值的增加而迅速降低，从而证实了更新参数的压缩和量化的重要性。分析还揭示了在固定量的可用频谱下调度的UE的数量和子信道带宽之间的权衡。
2019-10-09 cs.IT eess.SP math.IT
Minimum Length Scheduling for Full Duplex Time-Critical Wireless Powered Communication Networks
射频（RF）能量收集是实现时间关键型无线供电通信网络的永久寿命的关键，这是由于对能量传输的完全控制、远场区域、小且低成本的电路。在本文中，我们提出了一种新的最小长度调度问题，以确定最佳的功率控制，时间分配和传输时间表的数据，能量因果关系和最大发射功率约束在全双工无线供电通信网络。我们首先制定的问题作为一个混合整数非线性规划问题，并推测该问题是NP-难的。作为一种解决策略，我们证明了功率控制和时间分配，调度问题可以单独解决的最优解。对于功率控制和时间分配问题，我们利用Karush-Kuhn-Tucker条件得到了最优解。对于调度，我们引入了一个罚函数，允许重新制定为一个总和惩罚最小化问题。基于惩罚函数的特点推导出最优性条件，提出了两种多项式时间启发式算法和一种采用智能剪枝技术的降低复杂度的精确算法.通过大量的模拟，我们说明了所提出的启发式计划优于先前提出的计划，为预定的用户传输顺序，并实现接近最优的解决方案。
2020-06-21 cs.IT eess.SP math.IT
Optimal On-Off Transmission Schemes for Full Duplex Wireless Powered Communication Networks
在本文中，我们考虑了一个全双工无线供电通信网络，多个用户与无线电频率能量收集能力进行通信的能量广播混合接入点。我们调查的最小长度调度和总和吞吐量最大化问题，考虑开关传输方案，用户要么在一个恒定的功率发送或保持沉默。针对最小长度调度问题，提出了一种多项式时间最优调度算法。对于总吞吐量最大化，我们首先推导出最优调度的特性，然后为了避免难以处理的复杂性，我们提出了一个多项式时间的启发式算法，通过数值分析表明，该算法执行近最优。
2020-02-10 cs.SY eess.SP eess.SY
Spatial Deep Learning for Wireless Scheduling
University of Toronto（多伦多大学）
在密集的无线网络中，全频率复用的干扰链路的优化调度是一个具有挑战性的任务。传统的方法是首先估计所有的干扰信道强度，然后根据模型优化调度。然而，这种基于模型的方法是资源密集型的并且计算上困难，因为信道估计在密集网络中是昂贵的;此外，找到所得到的优化问题的甚至局部最优解在计算上也可能是复杂的。本文表明，通过使用深度学习方法，可以绕过信道估计，并仅基于发射机和接收机的地理位置有效地调度链路，因为在许多传播环境中，无线信道强度在很大程度上是距离相关路径损耗的函数。这是通过在随机部署的网络上进行无监督训练来实现的，并且通过使用一种新型的神经网络架构来计算干扰或被干扰的相邻节点的地理空间卷积以及随后的多个反馈阶段来学习最佳解决方案。由此产生的神经网络提供了接近最佳的性能和速率最大化，并能够推广到更大的部署区域和部署不同的链路密度。此外，为了提供公平性，本文提出了一种新的调度方法，利用明智地选择的子集的链路的最大化的比例公平性目标在网络上的最优调度算法的和速率。所提出的方法具有很强的竞争力和推广的网络效用最大化的结果。
2021-02-04 cs.IT cs.LG eess.SP
Scheduling and Aggregation Design for Asynchronous Federated Learning over Wireless Networks
Department of Electrical Engineering (ISY), Linköping University（电气工程系（ISY），林奈大学）
本文提出了一种基于无线网络的异步联邦学习调度与聚合设计，通过信道感知数据重要性调度策略和年龄感知聚合设计，提升模型收敛性能和学习效果。
2025-12-03 cs.DC cs.IT cs.LG
