Joint Model Caching and Resource Allocation in Generative AI-Enabled Wireless Edge Networks
本文研究了生成式AI赋能的无线边缘网络中的联合模型缓存与资源分配问题，采用基于DDPG的强化学习方法平衡AIGC服务质量与延迟，实现了更高的模型命中率和更低延迟。
2024-11-13 cs.NI eess.SP
Transfer Learning for Mixed-Integer Resource Allocation Problems in Wireless Networks
有效的资源分配对无线网络的性能优化起着至关重要的作用。不幸的是，典型的资源分配问题是混合整数非线性规划（MINLP）问题，这是NP-难的。最近出现的基于机器学习的方法作为一种破坏性的方式，以获得接近最佳的性能与负担得起的计算复杂性的MINLP问题。然而，当网络参数发生变化时，它们会遭受严重的性能恶化，这在实践中经常发生，可以被描述为任务失配问题。在本文中，我们提出了一种通过自我模仿的迁移学习方法，以解决这个问题，在无线网络中的有效资源分配。它是基于一个通用的“学习优化”的框架来解决MINLP问题。所提出的方法的一个独特的优点是，它可以解决任务不匹配的问题与一些额外的未标记的训练样本，这是特别重要的，当转移到大规模的问题。数值实验表明，该方法具有更少的训练时间，达到了相当的性能从零开始训练的模型与足够数量的标记样本。据我们所知，这是第一个将迁移学习应用于无线网络资源分配的工作。
2018-11-17 eess.SP
GNN-Based Joint Channel and Power Allocation in Heterogeneous Wireless Networks
University of Melbourne（墨尔本大学）
本文提出JCPGNN，将异构无线网络建模为异构图，通过共享消息计算层和两个任务特定层联合优化信道与功率分配，在保证性能的同时提升计算效率。
2024-07-28 cs.IT cs.LG cs.NI
Learning Decentralized Wireless Resource Allocations with Graph Neural Networks
我们考虑了无线网络中广泛的分散式最优资源分配问题，它可以被表述为一个局部信息结构的约束统计学习问题。我们开发了聚合图神经网络（Agg-GNNs）的使用，它处理一系列延迟和潜在的异步图聚合状态信息，这些信息是从多跳邻居的每个发送器本地获得的。我们进一步利用无模型的原始-对偶学习方法来优化分散网络固有的延迟和延迟约束下的性能。我们证明了所产生的资源分配策略的置换等方差属性，可以证明该属性有助于转移到动态网络配置。通过数值模拟验证了所提出的框架，该框架表现出比基线策略更优越的性能。
2022-03-29 eess.SP
Optimal Wireless Resource Allocation with Random Edge Graph Neural Networks
我们考虑在无线网络中的一组发射机和接收机的最优分配资源的问题。由此产生的优化问题采取的形式约束统计学习，其中的解决方案可以找到一个无模型的方式通过参数化的资源分配政策。卷积神经网络架构是参数化的一个有吸引力的选择，因为它们的维度很小，并且不随网络大小而扩展。我们介绍了随机边缘图神经网络（REGNN），它在无线网络中的衰落干扰模式形成的随机图上执行卷积。基于REGNN的分配策略保留了一个重要的置换等方差属性，使它们能够转移到不同的网络。我们进一步提出了一个无监督的无模型的原始-对偶学习算法来训练REGNN的权重。通过数值模拟，我们证明了强大的性能REGNNs获得相对于启发式基准和他们的转移能力。
2020-03-05 eess.SP
MAxLM: Multi-Agent Language Model-Based Scheduling and Resource Allocation in MU-MIMO-OFDMA-Enabled Wireless Networks
University of Louisville（路易斯维尔大学）
本文提出MAxLM框架，利用预训练语言模型优化无线网络的上行调度接入，通过WiSER平台实现自主调度与资源分配，实验表明其在不同STA数量和天线设置下均优于基准方法。
2026-05-15 cs.MA cs.NI eess.SP
Optimal Resource Allocation in Wireless Control Systems via Deep Policy Gradient
在无线控制系统中，通过在无线信道上闭合控制回路来实现对设备的远程控制。由于无线通信是有噪声的并且易受分组丢失的影响，因此跨工厂适当地分配有限的资源（例如，传输功率）对于维持可靠的操作是至关重要的。在本文中，我们制定了一个最佳的资源分配策略，使用当前的工厂状态和无线信道状态分配资源用于发送控制驱动信息回工厂的设计。虽然这个问题由于其无限维度以及对显式系统模型和状态知识的需求而具有挑战性，但我们提出使用深度强化学习技术来找到基于神经网络的资源分配策略。特别是，我们使用无模型的政策梯度方法，直接学习连续的功率分配政策，而不需要了解植物动态或通信模型。数值模拟表明，学习的政策相对于基线资源分配方法的设置中，状态信息是有和没有噪音的强大性能。
2019-10-25 cs.SY eess.SP eess.SY
Joint Routing and Resource Allocation for Millimeter Wave Picocellular Backhaul
微微蜂窝架构对于提供满足对移动数据的不断增长的需求所需的空间重用是必不可少的。关键的部署挑战是提供具有足够高的数据速率的回程连接。提供有线支持（例如，使用光纤）到机会性地部署在灯柱和屋顶上的微微基站是不切实际的，因此无线回程成为一种有吸引力的方法。一个多跳网状网络组成的定向毫米波链路被认为是在这里为此目的。回程设计问题被公式化为联合路由和资源分配问题之一，考虑同时活动链路之间的相互干扰。利用干扰的局部性质和稀疏最优分配的可证明存在性，开发了一种计算上易于处理的制剂。数值结果提供了毫米波（mm）网状网，这是非常适合于缩放回程数据速率，由于丰富的频谱，并能够形成高度定向，电子可操纵的波束。
2018-09-20 eess.SP
Comprehensive Review of Advances and Challenges in Next Generation Wireless Networks: From Novel Hardware Technologies to Learning Based Resource Allocation in 6G
School of Electrical and Computer Engineering College of Engineering, University of Tehran（德黑兰大学工程学院电气与计算机工程学院）
本文综述了第六代无线网络中先进通信技术与基于机器学习的资源分配优化方法，分析了当前挑战并提出开放研究问题。
2026-05-09 eess.SP
Resource Allocation for a Wireless Powered Integrated Radar and Communication System
雷达与通信系统一体化是下一代无线通信网络的发展方向。然而，其性能受到有限能量的限制。为了克服这一问题，提出了一种无线供电的雷达与通信系统一体化系统。能量最小化问题制定的雷达和通信性能的约束。能量波束形成和雷达通信波形的联合优化，以最小化消耗的能量。利用半定松弛和辅助变量方法解决了具有挑战性的非凸问题。证明了可以得到最优解。仿真结果表明，我们提出的优化设计优于基准计划。
2018-09-02 eess.SP
LLM-Empowered Resource Allocation in Wireless Communications Systems
Yonsei University（延世大学）
本文提出一种基于 LLM 的无线通信资源分配方法，通过两发射对问题验证其在能效或频效最大化上的可行性，并结合低复杂度技术弥补可靠性不足。
2024-08-06 cs.AI cs.SY eess.SP
Resource Allocation for Secure Communications in Cooperative Cognitive Wireless Powered Communication Networks
我们考虑一个认知无线供电通信网络（CWPCN）共享频谱的主网络谁面临的安全威胁窃听（EAVs）。提出了一种新的无线供电次用户（SU）与主用户（PU）的协作协议。在该协议中，SU首先在无线功率传输（WPT）阶段从认知混合接入点发送的功率信号中获取能量，然后在无线信息传输（WIT）阶段使用所获取的能量来干扰EV并同时获得传输机会。以SU遍历速率最大化为设计目标，在PU保密约束下，针对信道状态信息（CSI）完全和合谋/非合谋的情况，提出了基于对偶优化法和块坐标下降法的资源分配算法.提出了以最小化PU秘密中断概率为目标的更有利于PU的贪婪算法。我们进一步考虑未知EAVs的CSI情况，并提出了一种有效的算法来提高PU的安全性能。大量的仿真结果表明，我们提出的协议和相应的资源分配算法不仅可以让SU获得传输机会，但也提高了PU的安全性能，即使未知的EAVs的CSI。
2018-09-29 eess.SP
Adversarial Training: Enhancing Out-of-Distribution Generalization for Learning Wireless Resource Allocation
Beihang University（北京航空航天大学）
本文提出一种基于对抗训练的离线无监督方法，提升无线资源分配中DNN对分布偏移的鲁棒性，通过混合预编码实验验证了多种DNN在不同信道分布下的性能提升。
2026-03-01 eess.SP
Post-Decision State-Based Online Learning for Delay-Energy-Aware Flow Allocation in Wireless Systems
本文提出基于事后状态的强化学习方法，用于无线系统中延迟和能耗感知的流量分配，通过分离动作动力学与外生因素实现高效自适应分配。
2026-01-06 eess.SP
Resource Allocation for a Wireless Coexistence Management System Based on Reinforcement Learning
OWL University of Applied Sciences（东威斯特伐利亚应用科学大学）；Institute of Industrial Information Technologies（工业信息技术研究所）
在工业环境中，使用越来越多的无线设备，这些设备利用免许可频带。由于这些相互干扰的无线系统可能会降低共存的状态。因此，需要一种中央共存管理系统，其将无冲突资源分配给无线系统。为了确保无冲突的资源利用，在分配资源之前预测预期的介质利用是有用的。本文提出了一种基于强化学习的自学习概念。基于神经网络的强化学习代理的模拟评估，称为深度Q网络和双深度Q网络，实现了示例性和实际相关的共存场景。对双深度Q网络的评估表明，在所有调查的情况下，预测准确率至少可以达到98%。
2018-05-24 cs.LG cs.NI eess.SP
Effect of receiver orientation on resource allocation in optical wireless systems
光无线通信（OWC）系统已经成为大量关注的主题，因为它们可以用于第六代（6G）无线通信以提供高数据速率并同时支持多个用户。本文研究了波分多址接入（WDMA）方案下，接收机朝向对光无线系统中资源分配的影响。三个不同的系统，具有不同的接收器的取向进行了检查，在这项工作中。这些系统中的每一个在两种情况下考虑8个同时的用户。WDMA用于支持多个用户，并基于每个AP的红、黄、绿、蓝（RYGB）LD提供的四个波长。角度分集接收机（ADR）用于具有不同取向的每个系统中。通过使用混合整数线性规划（MILP）模型，获得波长和接入点（AP）方面的优化资源分配。在所有系统中，信道带宽和SINR在两种情况下确定。结果表明，改变接收机的方向可以影响信道带宽和SINR的水平。然而，所有用户在两种情况下的SINR都高于阈值（15.6dB）。所得到的SINR在所有系统中在这两种情况下都可以支持5.7Gbps的数据速率。
2020-03-04 eess.SP
A Heuristic Method for Simplified Resource Allocation based on Comparative Advantage in Wireless Access Systems
本文提出一种基于比较优势的无线接入系统资源分配启发式简化方法，以PD-NOMA为例验证其可减半搜索空间维度、降本提效，适用于下一代无线网络。
2025-08-03 cs.SY eess.SP eess.SY
Resource Allocation for Simultaneous Wireless Information and Power Transfer Systems: A Tutorial Overview
在过去的十年中，由于低功率电子技术和无线通信技术的显著进步，同步无线信息和功率传输（SWIPT）已经成为连接和充电电池有限设备的实用且有前途的解决方案。为了实现所承诺的潜力，先进的资源分配设计在揭示、理解和利用利用射频（RF）信号用于无线充电和通信的双重用途的内在速率-能量权衡方面起着决定性作用。在本文中，我们从资源分配设计的角度提供了SWIPT的全面教程概述。介绍了基本概念、系统结构和RF能量收集（EH）模型。特别是，三种常用的EH模型，即线性EH模型，非线性饱和EH模型，和基于非线性电路的EH模型的特点和讨论。然后，对于一个典型的无线系统设置，我们建立了一个广义的资源分配设计框架，其中包括传统的资源分配设计问题的特殊情况。随后，我们详细说明了相关的工具，从优化理论和利用它们来解决有代表性的资源分配设计问题的SWIPT系统，并没有完善的信道状态信息（CSI）在发射机上，分别。还强调了相关的技术挑战和见解。此外，我们讨论了几个有前途和令人兴奋的未来研究方向的资源分配设计SWIPT系统交织在一起的尖端通信技术，如智能反射表面，无人机，移动边缘计算，联邦学习，和机器学习。
2021-10-14 cs.IT eess.SP math.IT
Graph Neural Networks for Distributed Power Allocation in Wireless Networks: Aggregation Over-the-Air
分布式功率分配对于具有密集收发器对的干扰受限无线网络是重要的。在本文中，我们的目标是设计低信令开销的分布式功率分配方案，通过使用图神经网络（GNNs），这是可扩展的无线链路的数量。我们首先应用消息传递神经网络（MPNN），GNN的统一框架，来解决这个问题。我们表明，信令开销的增长二次方网络规模的增加。从空中计算（AirComp）的启发，我们然后提出了一个Air-MPNN框架，其中来自相邻节点的消息由导频的发射功率表示，并且可以通过评估总干扰功率来有效地聚合。Air-MPNN的信令开销随着网络规模的增加而线性增长，并且我们证明了Air-MPNN是置换不变的。为了进一步减少信令开销，提出了Air消息传递递归神经网络（Air-MPRNN），每个节点利用前一帧中的图嵌入和局部状态更新当前帧中的图嵌入。由于现有的通信系统在每个帧期间发送导频，因此可以通过调整导频功率将Air-MPRNN集成到现有标准中。仿真结果验证了所提出的框架的可扩展性，并表明，他们优于现有的功率分配算法的总和速率的各种系统参数。
2023-03-03 eess.SP
Joint Access and Fronthaul Resource Allocation for Cell-Free Massive MIMO with Wireless Fronthaul
KTH Royal Institute of Technology（皇家理工学院）；Bilkent University（比尔肯特大学）
研究具有无线前传的无小区大规模 MIMO 网络性能，提出联合接入与前传资源分配算法，通过该算法在满足前传负载约束时最大化最小用户设备频谱效率，揭示功率分配结构及前传限制影响，证明分割选项 8 不实用。
2026-07-29 cs.SY eess.SP eess.SY
Efficient Joint Resource Allocation for Wireless Powered ISAC with Target Localization
RWTH Aachen University（亚琛工业大学）；Global Energy Interconnection Research Institute Europe GmbH（全球能源互联研究院欧洲有限公司）
本文研究了具有目标定位需求的无线供能ISAC系统，通过联合分配无线供能时间、ISAC传输时间及发射功率，最大化最小吞吐量，提出基于SCA的迭代算法以解决非凸优化问题。
2026-03-16 eess.SP
Joint Wireless and Computing Resources Allocation in Multi-Cell MEC
针对移动边缘计算（MEC）系统中存在多个接入点，用户可以连接到多个接入点，并同时利用多台服务器的计算能力，提出了无线接入和计算资源分配的结合问题。考虑了在响应时间约束下总传输能量最小化问题。证明了该优化问题是非凸的。研究了部分系统参数优化的复杂性，并在此基础上提出了一种迭代资源分配算法，该算法收敛于局部最优解。通过将联合资源分配的性能与由更不灵活或更灵活的多小区MEC架构定义的下限和上限进行比较来评估联合资源分配的性能。结果表明，接入点的自由选择是良好的系统性能的关键。
2021-11-26 cs.IT eess.SP math.IT
A Partially Observable Deep Multi-Agent Active Inference Framework for Resource Allocation in 6G and Beyond Wireless Communications Networks
针对6G及未来无线通信网络资源分配的非凸耦合、动态实时需求及部分可观测难题，提出PODMAI框架，通过基于信念的变分自由能学习和去中心化多智能体策略，在无人机频谱共享场景下显著提升次级网络总速率与收敛速度。
2023-08-27 cs.SY eess.SP eess.SY
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
Goal-Oriented Wireless Communication Resource Allocation for Cyber-Physical Systems
针对信息物理系统(CPS)中无线通信资源分配与操作目标脱节的问题，提出目标导向带宽分配框架，通过分治与贪婪算法最大化信息效用增益，保障最优CPS性能并适用于多种应用场景。
2024-07-31 cs.SY eess.SP eess.SY
Data Processing Efficiency Aware User Association and Resource Allocation in Blockchain Enabled Metaverse over Wireless Communications
本文提出数据处理效率（DPE）概念及DAUR算法，通过将非凸问题转化为凸优化并交替优化用户关联、卸载、计算、带宽和功率等资源变量，提升区块链使能元宇宙无线通信中的单位资源数据处理量。
2024-11-25 cs.DC cs.ET cs.NI
Data-Importance Aware Radio Resource Allocation: Wireless Communication Helps Machine Learning
丰富的移动数据和边缘计算使无线网络激发了在网络边缘部署人工智能（AI），称为\emph{edge AI}，它集成了无线通信和机器学习。在通信中，数据位同样重要，而在机器学习中，有些数据位更为重要。因此，我们可以将更多的无线电资源分配给更重要的数据，而将更少的无线电资源分配给不太重要的数据，从而有效地利用有限的无线电资源。为此，如何定义数据的“重要性”是关键问题。在这篇文章中，我们提出了两个重要性标准来区分数据的重要性，基于它们对机器学习的影响，一个是集中式边缘机器学习，另一个是分布式边缘机器学习。然后，提出了相应的无线资源分配方案，以提高机器学习的性能。大量的实验进行验证所提出的数据重要性感知无线电资源分配方案的有效性。
2020-05-20 cs.IT eess.SP math.IT
Focusing Metasurfaces of (Un)equal Power Allocations for Wireless Power Transfer
本文提出三种用于无线功率传输的聚焦超表面，通过近场相位补偿实现双极化双焦点1:1、2:1和3:1功率分配，最大聚焦效率分别达71.6%、65.2%和57.5%，实验验证了其在物联网场景中的有效性。
2025-05-08 eess.SP
Wireless Resource Allocation with Collaborative Distributed and Centralized DRL under Control Channel Attacks
School of Electrical and Computer Engineering, The University of Sydney（悉尼大学电气与计算机工程学院）
针对CPS控制信道DoS攻击下的无线资源分配问题，提出CDC-DRL算法，通过协同分布式与集中式决策优化资源分配策略，显著优于现有DRL基准。
2024-11-16 cs.IT cs.LG cs.SY
Improving Learning Efficiency for Wireless Resource Allocation with Symmetric Prior
Beihang University（北京航空航天大学）
提高学习效率对于在高度动态环境中的无线通信中使用深度神经网络（DNN）学习资源分配至关重要。将领域知识转化为学习是处理这个问题的一种有前途的方法，这是无线社区中的一个新兴话题。在本文中，我们首先简要总结了两类使用领域知识的方法：将数学模型或先验知识引入深度学习。然后，我们考虑了一种对称的先验，置换等方差，这广泛存在于无线任务。为了解释如何利用这种通用先验来提高学习效率，我们采用了排名，它对DNN的输入和输出进行联合排序。我们使用子载波之间的功率分配，概率内容缓存和干扰协调来说明利用该属性的学习效率的提高。从案例研究中，我们发现，所需的训练样本，以实现给定的系统性能的子载波或内容的数量减少，由于一个有趣的现象：“样本硬化”。仿真结果表明，利用先验知识可以大大减少训练样本、DNN中的自由参数和训练时间。在排序后训练DNN所需的样本可以减少$15 \sim 2,400$倍，以实现与不使用先验的对应物相同的系统性能。
2021-11-11 cs.LG eess.SP
Placement and Resource Allocation of Wireless-Powered Multiantenna UAV for Energy-Efficient Multiuser NOMA
本文研究了一种新的下行非正交多址接入（NOMA）系统，其中多天线无人机（UAV）由无线功率传输（WPT）供电，并作为多对地面用户（GU）的基站，每对地面用户运行NOMA。能量效率（EE）最大化问题被公式化以联合优化WPT时间和UAV的放置，以及UAV的发射功率在不同NOMA用户对之间和每对内的分配。为了有效地解决这个非凸问题，我们分解成三个子问题，使用块坐标下降。对于每个NOMA用户对内功率分配的子问题，我们构造了一个超模块博弈，并确定收敛到一个纳什均衡。在给定用户对内功率分配的情况下，利用逐次凸逼近方法对WPT时间分配和用户对间功率分配子问题进行凸化求解。最后，利用拉格朗日乘子法求解无人机布局子问题。仿真结果表明，我们的方法可以大大优于它的替代品，不使用NOMA和WPT技术或不优化无人机的位置。
2022-04-20 cs.IT eess.SP math.IT
Optimal Blocklength Allocation towards Reduced Age of Information in Wireless Sensor Networks
服务器端数据的新鲜度或及时性是传感器网络的一个重要的关键性能指标，特别是在工厂自动化等容差关键应用中。作为一种有效而直观的数据时效性度量方法，信息时代（AoI）近年来引起了广泛的研究兴趣。将无线传感器网络在有限块长（FBL）环境下的AoI问题作为一个资源分配问题进行研究，提出将长期折扣系统AoI最小化作为一个马尔可夫决策过程（MDP）.通过仿真验证，该方法的最优解由强化学习技术求解，优于基准，包括传统的错误率最小化政策。
2019-08-20 cs.IT eess.SP math.IT
Graph Neural Networks for Power Allocation in Wireless Networks with Full Duplex Nodes
University of Melbourne（墨尔本大学）
针对含全双工节点的无线网络功率分配非凸难题，提出新型图表示法并设计F-GNN模型分配发射功率以最大化吞吐量，在显著减少计算时间的同时实现了性能与复杂度的优异权衡。
2024-01-08 cs.IT cs.LG cs.NI
Unsupervised Deep Unfolded PGD for Transmit Power Allocation in Wireless Systems
Aalborg University（奥尔堡大学）
本文提出一种基于深度展开投影梯度下降的无监督低复杂度发射功率控制算法，通过在线或离线学习优化步长，在密集D2D场景中以更少迭代实现更优性能。
2023-06-20 cs.LG eess.SP
Power Allocation for IRS-aided Two-way Decode-and-Forward Relay Wireless Network
本文研究了一种智能反射面（IRS）辅助的双向解码转发（DF）中继无线网络，其中两个用户通过IRS和DF中继进行信息交换。为了提高和速率性能，提出了三种功率分配（PA）策略。首先，提出了一种最大化和速率（Max-SR）的方法来联合优化用户U1、用户U2和中继站（RS）的PA因子。为了进一步提高和速率性能，提出了两种高性能的方案：最大化最小和速率方案（Max-Min-SR）和带速率约束的最大化和速率方案（Max-SR-RC）。仿真结果表明，所提出的三种方法优于等功率分配（EPA）方法的和速率性能。特别是，Max-SR-RC方法实现的最高性能增益比EPA高达45.2%。此外，还验证了总功率和随机阴影变量Xσ对和速率性能的影响。
2022-03-26 cs.IT eess.SP math.IT
Graph Signal Diffusion Models for Wireless Resource Allocation
University of Pennsylvania（宾夕法尼亚大学）
本文提出利用图信号扩散模型进行无线网络资源优化，通过生成对抗性策略实现近最优资源分配，展示了在功率控制中的高效与泛化能力。
2026-07-30 cs.IT cs.LG eess.SP
Graph Neural Networks for Resource Allocation in Multi-Channel Wireless Networks
Department of Electrical and Electronic Engineering, University of Melbourne, Australia（墨尔本大学电子与电气工程系）；School of Information Science and Technology, Harbin Institute of Technology (Shenzhen), Shenzhen, China（哈尔滨工业大学（深圳）信息科学与技术学院）
本文提出图神经网络方法JCPGNN-M，通过拉格朗日框架与GNN结合迭代求解多信道无线网络中的联合信道与功率分配问题，在提升数据速率的同时显著降低推理时间并具备良好泛化能力。
2025-06-04 cs.LG eess.SP
Generative Diffusion Models for Resource Allocation in Wireless Networks
本文提出用生成式扩散模型学习无线网络随机资源分配策略，通过模仿专家策略并在遍历QoS约束下最大化效用，结合图神经网络实现跨网络配置泛化，在功率控制中验证了近最优性能。
2025-09-21 cs.LG eess.SP
Robust Beamforming Design and Time Allocation for IRS-assisted Wireless Powered Communication Networks
针对功率受限的物联网（IoT）智能设备，提出了一种新型的智能反射面（IRS）辅助无线供电通信网络（WPCN）架构，利用IRS提高WPCN在信道状态信息（CSI）不完善情况下的性能。在非理想CSI和非线性能量收集模型下，通过联合优化时间分配、HAP能量波束形成、接收波束形成、用户发射功率分配、IRS能量反射系数和信息反射系数，提出了一个混合接入点（HAP）发射能量最小化问题.由于优化变量之间的高度耦合，该问题是一个难以直接求解的非凸优化问题。为了解决上述具有挑战性的问题，交替优化（AO）技术被应用到解耦的优化变量来解决问题。具体而言，通过AO将时间分配、HAP能量波束形成、接收波束形成、用户发射功率分配、IRS能量反射系数和信息反射系数分解为三个子问题交替求解。在求解IRS的能量反射系数和信息反射系数时，采用凸差分（DC）规划来解决秩为一的非凸约束。数值仿真结果验证了该优化算法在降低HAP发射能量方面的优越性。
2021-12-06 cs.IT eess.SP math.IT
Resource Allocation in Wireless Networks Assisted by Reconfigurable Intelligent Surfaces
可重构智能表面（RISs）最近吸引了广泛的兴趣，由于他们的能力，调谐无线传播环境，以提高系统性能的无线网络。本文研究了RIS辅助下的多用户单小区无线网络。首先，对于单用户系统的特殊情况，示出了三种可能的方法，以便相对于在基站处使用的波束形成器和RIS相移来优化信噪比。然后，对于多用户系统，假设信道匹配波束成形，相对于基站发射功率和RIS相移配置，跨用户的下行链路信号与干扰加噪声比的几何平均值被最大化。数值结果表明，所提出的方法是有效的，大大提高了所考虑的系统的性能。
2020-04-19 cs.IT eess.SP math.IT
Low-complexity Resource Allocation for Uplink RSMA in Future 6G Wireless Networks
针对上行RSMA中用户数量大时寻找最优解码顺序复杂度高的问题，提出一种基于用户配对的低复杂度资源分配算法以最小化最大延迟，其性能优于NOMA且与未配对RSMA相当，同时显著降低了复杂度。
2023-11-27 cs.IT eess.SP math.IT
Energy-Aware Resource Allocation for Energy Harvesting Powered Wireless Sensor Nodes
针对能量收集供电无线传感器网络因射频供电间歇性、功率低难维持持续通信的问题，提出异步积累-然后-传输协议下的能量感知资源分配方案，联合优化功率与EH时间占比，用迭代算法保障局部最优，提升了长期吞吐量与队列表现。
2025-01-11 cs.IT eess.SP math.IT
Resource Allocation for RIS-Empowered Wireless Communications: Low-Complexity and Robust Designs
本文研究RIS赋能无线通信的低复杂度鲁棒资源分配技术，阐明相关基础方法并给出数值验证，同时提出该领域的未来研究方向。
2023-11-06 cs.IT eess.SP math.IT
Multi-Agent Deep Reinforcement Learning for Dynamic Power Allocation in Wireless Networks
这项工作展示了深度强化学习技术在无线网络中传输功率控制的潜力。现有技术通常通过解决具有挑战性的优化问题来找到接近最优的功率分配。由于这些算法的计算复杂度和瞬时跨小区信道状态信息（CSI）要求，这些算法中的大多数不能扩展到真实世界场景中的大型网络。本文提出了一种基于无模型深度强化学习的分布式执行动态功率分配方案。每个发射机从几个邻居收集CSI和服务质量（QoS）信息，并相应地调整其自己的发射功率。目标是最大化加权和速率效用函数，该函数可以被特殊化以实现最大和速率或比例公平调度。CSI中的随机变化和延迟都是使用深度Q学习来解决的。对于一个典型的网络架构，所提出的算法，以实现近最佳的功率分配实时延迟CSI测量提供给代理的基础上。该方案特别适用于系统模型不准确且CSI时延不可忽略的实际场景。
2019-04-08 cs.IT eess.SP math.IT
Freshness-aware Resource Allocation for Non-orthogonal Wireless-powered IoT Networks
本文针对无线供能物联网网络的信息新鲜度保障问题，通过构建EWSAoI最小化问题并转化为MDP，设计了基于瞬时AoI和剩余电量的最优传输调度与功率分配策略，验证了其有效性及决策边界切换特性。
2024-02-27 cs.IT eess.SP math.IT
Optimal Energy Allocation and Task Offloading Policy for Wireless Powered Mobile Edge Computing Systems
本文研究了一种具有波动信道和随时间动态任务到达的无线供电移动边缘计算（MEC）系统。我们共同优化的能量发射机（ET）的WPT和本地计算和卸载在一个特定的有限的地平线上的用户的任务分配的传输能量分配，在ET的总传输能量消耗最小化的目标，同时确保用户的成功执行任务。首先，为了表征基本性能极限，我们通过假设信道状态信息和任务状态信息的完美知识（即，任务到达定时和量）是先验已知的。在这种情况下，我们通过凸优化技术获得了结构良好的最优解的能量最小化问题的封闭形式。接下来，受到上面获得的结构化离线解决方案的启发，我们开发了启发式在线设计的联合能量和任务分配时，CSI/TSI的知识只是因果关系已知。最后，数值结果表明，所提出的联合设计实现显着更小的能量消耗比基准计划，只有本地计算或完全卸载在用户，所提出的启发式在线设计执行接近最优离线解决方案。
2020-01-13 cs.IT eess.SP math.IT
Resource Allocation for UAV Assisted Wireless Networks with QoS Constraints
对于拥挤和热点区域，通常部署无人机（UAV）以提高覆盖率。该模型将无人机辅助通信分为控制消息、非实时通信和实时通信三种类型，能够满足无人机辅助通信系统用户的大部分实际需求。带宽分配问题被认为是最小化该系统的总能耗，同时满足要求。为了提高系统的性能，本文引入了两种技术。第一种方法是将地面用户分为多个用户组，并为每个用户组提供具有不同带宽的唯一RF信道。第二种方法是在系统中部署多架无人机。每种方案的带宽优化都是一个凸优化问题。仿真结果表明，所提出的方案的优越性，在能源消耗。
2020-02-09 cs.SY eess.SP eess.SY
