Loading [MathJax]/jax/output/HTML-CSS/jax.js
高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

异构云无线接入网架构下面向混合能源供应的动态资源分配及能源管理算法

陈前斌 谭颀 魏延南 贺兰钦 唐伦

邝继顺, 刘杰镗, 张亮. 基于镜像对称参考切片的多扫描链测试数据压缩方法[J]. 电子与信息学报, 2015, 37(6): 1513-1519. doi: 10.11999/JEIT141146
引用本文: 陈前斌, 谭颀, 魏延南, 贺兰钦, 唐伦. 异构云无线接入网架构下面向混合能源供应的动态资源分配及能源管理算法[J]. 电子与信息学报, 2020, 42(6): 1428-1435. doi: 10.11999/JEIT190499
Kuang Ji-shun, Liu Jie-tang, Zhang Liang. Test Data Compression Method for Multiple Scan Chain Based on Mirror-symmetrical Reference Slices[J]. Journal of Electronics & Information Technology, 2015, 37(6): 1513-1519. doi: 10.11999/JEIT141146
Citation: Qianbin CHEN, Qi TAN, Yannan WEI, Lanqin HE, Lun TANG. Dynamic Resource Allocation and Energy Management Algorithm for Hybrid Energy Supply in Heterogeneous Cloud Radio Access Networks[J]. Journal of Electronics & Information Technology, 2020, 42(6): 1428-1435. doi: 10.11999/JEIT190499

异构云无线接入网架构下面向混合能源供应的动态资源分配及能源管理算法

doi: 10.11999/JEIT190499
基金项目: 国家自然科学基金(6157073),重庆市教委科学技术研究项目(KJZD-M201800601)
详细信息
    作者简介:

    陈前斌:男,1967年生,教授,博士生导师,研究方向为个人通信、多媒体信息处理与传输、异构蜂窝网络等

    谭颀:女,1995年生,硕士生,研究方向为5G网络切片、资源分配、随机优化理论

    魏延南:男,1995年生,硕士生,研究方向为5G网络切片、虚拟资源分配、随机优化理论

    贺兰钦:男,1995年生,硕士生,研究方向为5G网络切片,机器学习算法

    唐伦:男,1973年生,教授,博士,研究方向为下一代无线通信网络、异构蜂窝网络、软件定义无线网络等

    通讯作者:

    陈前斌 cqb@cqupt.edu.cn

  • 中图分类号: TN929.5

Dynamic Resource Allocation and Energy Management Algorithm for Hybrid Energy Supply in Heterogeneous Cloud Radio Access Networks

Funds: The National Natural Science Foundation of China (61571073), The Science and Technology Research Program of Chongqing Municipal Education Commission (KJZD-M201800601)
  • 摘要:

    针对面向混合能源供应的 5G 异构云无线接入网(H-CRANs)网络架构下的动态资源分配和能源管理问题,该文提出一种基于深度强化学习的动态网络资源分配及能源管理算法。首先,由于可再生能源到达的波动性及用户数据业务到达的随机性,同时考虑到系统的稳定性、能源的可持续性以及用户的服务质量(QoS)需求,将H-CRANs网络下的资源分配以及能源管理问题建立为一个以最大化服务提供商平均净收益为目标的受限无穷时间马尔科夫决策过程(CMDP)。然后,使用拉格朗日乘子法将所提CMDP问题转换为一个非受限的马尔科夫决策过程(MDP)问题。最后,因为行为空间与状态空间都是连续值集合,因此该文利用深度强化学习解决上述MDP问题。仿真结果表明,该文所提算法可有效保证用户QoS及能量可持续性的同时,提升了服务提供商的平均净收益,降低了能耗。

  • 图  1  混合能源供能的RRHs和电能供能的MBS下行传输场景

    图  2  不同评判家学习速率下的平均净收益

    图  3  每30 min更新1次价格得到的系统净收益

    图  4  不同量化级数下的平均网络净收益对比

    图  5  不同算法下的平均净收益对比

    图  6  不同用户数下的系统和速率

    图  7  不同用户数下系统购买的电能

    图  8  一天内的平均能效与可再生能源到达

    表  1  算法流程表

     算法1:基于DDPG算法的资源分配与能源管理算法
     (1)初始化
       随机初始化参数θQθμ;初始化目标网络参数:θQθQθμθμ;初始化拉格朗日乘子ξu0,uURRH,υu0,
       uUMBS;初始化经验回放池D
     (2)学习阶段
     For episode=1 to M do
       初始化一个随机过程作为行为噪声N,并观察初始状态x0
       For t=1 to T do
         根据at=μ(xt|θμt)+N选择一个行为
         if 约束C3-C13满足:
           执行行动at,并得到回报值rt与下一状态xt+1
           将状态转换组<xt,at,rt,xt+1>存入经验回放池D
           从经验回放池D中随机采样ND个样本,每个样本用i表示
         (a) 更新评判家网络
         从行动者目标网络得到μ(xi+1|θμ)
         从评判家目标网络中得到Q(si+1,μ(xi+1|θμ)|θQ)
         根据式(20)得到yi,从评判家网络得到Q(xi,ai|θQ)
         根据式(21)计算损失函数,并根据式(19)更新评判家网络参数θQ
         (b) 更新行动者网络
         从评判家网络得到Q(xi,ai|θQ),并根据式(22)计算策略梯度
         根据策略梯度更新行动者网络参数θμ
         (c) 更新行动者目标网络和评判家目标网络
         根据式(23)更新行动者目标网络和评判家网络参数
         (d)基于标准次梯度法[15]更新拉格朗日乘子
                 ξu,t+1[ξu,tαξ(QmaxˉQu)]+,uURRH(24)
                 νu,t+1[νu,tαν(QmaxˉQu)]+,uUMBS(25)
       End for
     End for
    下载: 导出CSV

    表  2  仿真参数

    仿真参数仿真参数
    RRH最大发射功率3 W数据包大小L4 kbit/packet
    MBS最大发射功率10 WMUEs路径损耗模型31.5+35lg(d) (d[km])
    热噪声功率谱密度–102 dBm/HzRUEs路径损耗模型31.5+40lg(d) (d[km])
    子载波个数N12折扣因子γ0.99
    单个资源块带宽180 kHzrΓ14 Mbps
    软更新因子ς0.01rΓ24.5 Mbps
    时隙长度τ10 msrMBS512 kbps
    下载: 导出CSV
  • 彭木根, 艾元. 异构云无线接入网络: 原理、架构、技术和挑战[J]. 电信科学, 2015, 31(5): 41–45.

    PENG Mugen and AI Yuan. Heterogeneous cloud radio access networks: Principle, architecture, techniques and challenges[J]. Telecommunications Science, 2015, 31(5): 41–45.
    ALNOMAN A, CARVALHO G H S, ANPALAGAN A, et al. Energy efficiency on fully cloudified mobile networks: Survey, challenges, and open issues[J]. IEEE Communications Surveys & Tutorials, 2018, 20(2): 1271–1291. doi: 10.1109/COMST.2017.2780238
    AKTAR M R, JAHID A, AL-HASAN M, et al. User association for efficient utilization of green energy in cloud radio access network[C]. 2019 International Conference on Electrical, Computer and Communication Engineering, Cox’sBazar, Bangladesh, 2019: 1–5. doi: 10.1109/ECACE.2019.8679128.
    ALQERM I and SHIHADA B. Sophisticated online learning scheme for green resource allocation in 5G heterogeneous cloud radio access networks[J]. IEEE Transactions on Mobile Computing, 2018, 17(10): 2423–2437. doi: 10.1109/TMC.2018.2797166
    LIU Qiang, HAN Tao, ANSARI N, et al. On designing energy-efficient heterogeneous cloud radio access networks[J]. IEEE Transactions on Green Communications and Networking, 2018, 2(3): 721–734. doi: 10.1109/TGCN.2018.2835451
    吴晓民. 能量捕获驱动的异构网络资源调度与优化研究[D]. [博士论文], 中国科学技术大学, 2016.

    WU Xiaomin. Resources optimization and control in the energy harvesting heterogeneous network[D]. [Ph.D. dissertation], University of Science and Technology of China, 2016.
    ZHANG Deyu, CHEN Zhigang, CAI L X, et al. Resource allocation for green cloud radio access networks with hybrid energy supplies[J]. IEEE Transactions on Vehicular Technology, 2018, 67(2): 1684–1697. doi: 10.1109/TVT.2017.2754273
    孔巧. 混合能源供能的异构蜂窝网络中能源成本最小化问题的研究[D]. [硕士论文], 华中科技大学, 2016.

    KONG Qiao. Research on energy cost minimization problem in heterogeneous cellular networks with hybrid energy supplies[D]. [Master dissertation], Huazhong University of Science and Technology, 2016.
    YANG Jian, YANG Qinghai, SHEN Zhong, et al. Suboptimal online resource allocation in hybrid energy supplied OFDMA cellular networks[J]. IEEE Communications Letters, 2016, 20(8): 1639–1642. doi: 10.1109/LCOMM.2016.2575834
    WEI Yifei, YU F R, SONG Mei, et al. User scheduling and resource allocation in HetNets with hybrid energy supply: An actor-critic reinforcement learning approach[J]. IEEE Transactions on Wireless Communications, 2018, 17(1): 680–692. doi: 10.1109/TWC.2017.2769644
    PENG Mugen, ZHANG Kecheng, JIANG Jiamo, et al. Energy-efficient resource assignment and power allocation in heterogeneous cloud radio access networks[J]. IEEE Transactions on Vehicular Technology, 2015, 64(11): 5275–5287. doi: 10.1109/TVT.2014.2379922
    陈前斌, 杨友超, 周钰, 等. 基于随机学习的接入网服务功能链部署算法[J]. 电子与信息学报, 2019, 41(2): 417–423. doi: 10.11999/JEIT180310

    CHEN Qianbin, YANG Youchao, ZHOU Yu, et al. Deployment algorithm of service function chain of access network based on stochastic learning[J]. Journal of Electronics &Information Technology, 2019, 41(2): 417–423. doi: 10.11999/JEIT180310
    深度强化学习-DDPG算法原理和实现[EB/OL]. https://www.jianshu.com/p/6fe18d0d8822, 2018.
    齐岳, 黄硕华. 基于深度强化学习DDPG算法的投资组合管理[J]. 计算机与现代化, 2018(5): 93–99. doi: 10.3969/j.issn.1006-2475.2018.05.019

    QI Yue and HUANG Shuohua. Portfolio management based on DDPG algorithm of deep reinforcement learning[J]. Computer and Modernization, 2018(5): 93–99. doi: 10.3969/j.issn.1006-2475.2018.05.019
    California ISO[EB/OL]. http://www.caiso.com, 2019.
    WANG Xin, ZHANG Yu, CHEN Tianyi, et al. Dynamic energy management for smart-grid-powered coordinated multipoint systems[J]. IEEE Journal on Selected Areas in Communications, 2016, 34(5): 1348–1359. doi: 10.1109/JSAC.2016.2520220
    LI Jian, PENG Mugen, YU Yuling, et al. Energy-efficient joint congestion control and resource optimization in heterogeneous cloud radio access networks[J]. IEEE Transactions on Vehicular Technology, 2016, 65(12): 9873–9887. doi: 10.1109/TVT.2016.2531184
  • 期刊类型引用(0)

    其他类型引用(7)

  • 加载中
图(8) / 表(2)
计量
  • 文章访问数:  2208
  • HTML全文浏览量:  877
  • PDF下载量:  82
  • 被引次数: 7
出版历程
  • 收稿日期:  2019-07-04
  • 修回日期:  2020-01-29
  • 网络出版日期:  2020-02-20
  • 刊出日期:  2020-06-22

目录

    /

    返回文章
    返回