申请/专利权人：重庆理工大学

申请日：2023-12-15

公开（公告）日：2024-06-07

公开（公告）号：CN117715218B

主分类号：H04W72/40

分类号：H04W72/40;H04W72/50;H04W72/541;H04W72/044;H04W16/22;H04L41/16;G06N3/092

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2024.04.02#实质审查的生效;2024.03.15#公开

摘要：本发明涉及D2D辅助的超密集物联网技术领域，具体公开了一种基于超图的D2D辅助超密集物联网资源管理方法及系统，分析了通信链路之间的资源冲突关系并对通信链路之间的冲突类型进行分类，并基于逻辑层之间的资源冲突关系，建立了冲突图模型；通过团和超图理论将冲突图模型简化为冲突超图模型，将无冲突资源分配问题转化为超图的点强着色问题，并设计了一种计算超图着色冲突度的方法；提出了一种具有冲突度算法的双深度Q网络DDQN‑CD，该算法采用多Q网络学习D2D辅助UD‑IoE中的资源分配过程，并根据经验回放的样本数据动态调整资源分配方案，在保证D2D辅助的UD‑IoE避免冲突的前提下，实现了资源重用率的提高。

主权项：1.基于超图的D2D辅助超密集物联网资源管理方法，其特征在于，包括步骤：S1、构建D2D辅助超密集物联网模型；所述D2D辅助超密集物联网模型包括D2D辅助的UD-IoE层和BBU池，其中D2D表示端对端，UD-IoE表示超密集物联网，BBU表示基带单元，所述UD-IoE层包括N个IoED、M条通信链路和多个RRH，IoED表示物联网设备，RRH表示远程无线电头端；每个RRH通过高速前传链路连接到BBU池，负责提供基本覆盖和辅助接入；N个IoED采用D2D通信模式，形成自组织网络；IoED感知周围的环境信息，根据IoED之间的多跳通信链路扩展感知范围，并通过RRH发送到BBU池；由BBU和计算服务器组成的BBU池收集网络中的所有环境信息，并将资源分配给D2D辅助的UD-IoE层中的通信链路；S2、建立所述D2D辅助超密集物联网模型的冲突超图模型；所述冲突超图模型表示为GH＝{VH,EH}，其中VH是顶点集，顶点表示通信链路，EH是超边集，超边表示通信链路之间的冲突关系，EH中的任一超边是VH的子集，超边中的顶点与其它顶点具有相同的关系，GH用关联矩阵H表示任一顶点v与任一超边e的关系，H的任一行任一列的元素hv,e取值如下： 其中hv,e＝1表示顶点v与超边e是关联的，即超边e包含顶点v；所述冲突超图模型通过以下步骤构建：S21、建立所述D2D辅助超密集物联网模型的冲突图模型，所述冲突图模型表示为：GC＝VC,EC其中VC＝{e1,e2,...,eM}是表示通信链路的顶点的集合，EC是表示通信链路之间的资源冲突关系的边的集合，VC中的顶点和EC中的边之间的关系由邻接矩阵GC表示： 其中邻接矩阵GC中第i行第j列的元素ei,ej取值如下： S22、简化邻接矩阵GC为： 其中，表示将GC1的主对角线元素设置为0所得矩阵，GC1表示记录直接冲突的冲突图的邻接矩阵，I是单位矩阵，表示将GC2的主对角线元素设置为0，GC2表示记录间接冲突的冲突图的邻接矩阵；直接冲突是指两个通信链路同时使用相同的信道，并且具有相同的发送或接收IoED；间接冲突是指两个通信链路同时使用相同的信道，并且一个IoED对的发送或接收IoED在其他IoED对中的IoED的通信范围内；S23、基于团和超图理论将所述冲突图模型简化为冲突超图模型；所述步骤S23具体包括步骤：S231、根据冲突图GC＝VC,EC中顶点之间的高密度连接的性质，生成多个完全子图Gsub；S232、每个完全子图都是一个团，团中所有的顶点彼此相邻，并且每个团用一个超边来表示，基于超边与团的关系，在保持顶点相邻关系不变的情况下，将所述冲突图模型简化为冲突超图模型；S3、基于所述冲突超图模型构建无冲突资源管理模型；在所述步骤S3中，所述无冲突资源管理模型包括主Q网络、目标Q网络、ε-贪婪算法模块、损失函数模块、环境模块、重放缓存器；所述ε-贪婪算法模块用于在初始时选择一个随机动作at，或者在后续的动作选择中选择动作价值函数值所对应的一个动作at，动作价值函数值由所述主Q网络计算；所述环境模块用于执行所述ε-贪婪算法模块选择的动作at，并生成新的冲突超图模型，得到新状态st+1，并计算得到新状态st+1获得的奖励rt+1，并生成对应的经验{st,at,rt,st+1}放入所述重放缓存器进行存储，rt表示t时刻得到状态st获得的奖励；所述主Q网络用于根据st+1、rt+1、st、rt计算动作价值函数值以在所述ε-贪婪算法模块选择动作时提供动作价值函数值的动作，所述目标Q网络用于根据所述主Q网络计算的动作价值函数值以及rt、st+1计算目标函数值；所述损失函数模块用于根据所述目标Q网络计算的目标函数值和所述主Q网络计算的动作价值函数值计算损失，并采用梯度下降法更新所述主Q网络的参数w，并每隔预设步数更新所述目标Q网络的参数θ为w；所述主Q网络计算的目标函数值为： 其中，qst+1,a；w表示所述主Q网络计算的状态st+1下可采取的所有动作的动作价值函数值，表示所述主Q网络计算的动作价值函数值所对应的策略，表示所述目标Q网络计算的状态st+1下策略下的评估值，γ表示贴现因子；所述损失函数模块根据下式计算损失Lw：Lw＝[qs,a；w-y]2其中，qs,a；w表示所述主Q网络计算的动作价值函数值；在状态st下执行动作at所获得的奖励rt由下式计算： 其中，表示所述冲突超图模型执行动作at的冲突度，ρt表示所述冲突超图模型执行动作at的资源重用率； 由下式计算： 其中，表示边的列向量，hj表示边的行向量，|E|表示所述冲突超图模型的超边条数，ki表示第i个资源，Nres表示所使用的资源的数量；ρt由下式计算： 其中，|V|表示所述冲突超图模型中顶点的个数，表示在当前时隙t所使用的资源的数量；S4、采用所述无冲突资源管理模型进行资源分配。

全文数据：

权利要求：

百度查询： 重庆理工大学 基于超图的D2D辅助超密集物联网资源管理方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD