دانشجو
فرزاد مرادی دانشجوی سیدوحید ازهری – دکتر وصال حکمی مورخ : ۱۴۰۳/۸/۱۴ ساعت : ۱۷:۳۰ از رساله دکتری خود با عنوان "تخصیص منابع در شبکه های MIMO عظیم بدون سلول با انرژی ترکیبی" " دفا ع خواهند نمود.
|
ارائه دهنده:
فرزاد مرادی
استاد راهنما:
دکتر سیدوحید ازهری
دکتر وصال حکمی
هیات داوران:
دکتر احمد اکبری ازیرانی
دکتر زینب موحدی
دکتر مسعود صبائی
دکتر حامد خانمیرزا
زمان :۱۴آبان ماه ۱۴۰۳
ساعت: ۱۷:۳۰
مکان : دانشکده مهندسی کامپیوتر: طبقه ۳ – اتاق دفاع
چکیده پایان نامه :
شبکههای چند خروجی چند ورودی عظیم بدون سلول (CF-mMIMO) به عنوان یک معماری جدید برای شبکههای دسترسی رادیویی پیشنهاد شدهاند که شامل تعداد زیادی نقطۀ دسترسی (AP) در یک منطقه وسیع است که به طور همزمان و در یک باند فرکانسی یکسان خدمات را به تجهیزات کاربر (UEs) ارائه میدهند. با این حال، تامین انرژی تعداد زیادی از APها و همچنین عدم امکان یا هزینه بالای دسترسی به شبکه برق در برخی سناریوها، یک چالش کلیدی در آزادسازی کامل پتانسیل و قابلیتهای شبکههای CF-mMIMO است. یک راهحل توسل به اشکال مختلف منابع انرژی تجدیدپذیر و استفاده از APهای مجهز به قابلیتهای برداشت انرژی سبز است. با توجه به ماهیت غیرقابلپیشبینی منابع انرژی تجدیدپذیر، تکنیکهای تخصیص منابع انرژی کارآمد باید به گونهای توسعه داده شوند که APها همیشه فعال باشند.
در این رساله، ما یک شبکه CF-mMIMO را در نظر میگیریم که در آن AP های مختلف توان مصرفی خود را از شبکه برق، منابع انرژی خورشیدی و یا هر دو دریافت میکنند. هدف ما طراحی یک طرح تخصیص توان AP-to-UE با هدف به حداقل رساندن مصرف انرژی شبکه برق است که در عین حال محدودیتهای بازده طیفی (SE) را نیز رعایت کند. علاوه بر این، از مکانیسم بودجهبندی انرژی سبز برای جلوگیری از کمبود انرژی در زمانی که انرژی خورشیدی کمیاب است، استفاده میکنیم. ابتدا مسئلۀ برونخط ایدهآل از مسئلۀ مورد نظر را پیشنهاد میکنیم و آن را به یک مسئلۀ برنامهنویسی مخروطی مرتبه دوم (SOCP) تبدیل میکنیم. سپس، الگوریتم اکتشافی نزدیکبین بدون مدل سبکوزن Myopic-Final و در ادامه الگوریتم اکتشافی و مبتنی بر یادگیری بهینهسازی (L۲O) به نام Online-NN با استفاده از شبکه عصبی پیشنهاد میگردد. هدف از استفاده از L۲O، کاهش پیچیدگی زمانی نسبت به الگوریتمهای برونخط و برخط است، هرچند که قبل از به کارگیری باید زمانی برای آموزش شبکه عصبی اختصاص داده شود. شبیهسازیهای انجام گرفته نشان میدهند که از لحاظ میانگین SE، الگوریتم Myopic-Final عملکردی تقریبا مشابه الگوریتم برونخط و الگوریتم Online-NN عملکرد ۹۷% در مقایسه با الگوریتم برونخط را تامین میکنند. از لحاظ مصرف انرژی از شبکه برق، در صورتیکه بودجه انرژی سبز و انرژی موجود در باتریها کافی باشد، هر سه الگوریتم عملکرد یکسان و در غیر اینصورت Myopic-Final عملکرد پایینتری را نشان میدهد.
:Abstract
Cell-free massive multiple-input multiple-output (CF-mMIMO) networks have been proposed as a new architecture for radio access networks (RANs), which consists of a large number of access points (APs) in a wide area that simultaneously serving user equipment (UEs) in the same frequency band. However, supplying energy to a large number of APs, as well as the impossibility or high cost of accessing the power grid in some scenarios, is a key challenge in fully releasing the potential and capabilities of CF-mMIMO networks. One of the solutions is resorting to different forms of renewable energy sources and using APs equipped with green energy harvesting capabilities. Due to the unpredictable nature of renewable energy resources, efficient energy resource allocation techniques need to be developed so that APs are always active.
In this thesis, we consider a CF-mMIMO network where different APs receive their power consumption from the power grid, a solar energy source, or both. Our goal is to design an AP-to-UE power allocation scheme with the aim of minimizing the power consumption of the power grid while also meeting the spectral efficiency (SE) constraints of UEs. In addition, we use the green energy budgeting mechanism to avoid energy shortages when solar energy is scarce. First, we propose the ideal offline problem of the target problem and transform it into a second-order cone programming problem (SOCP). Then, a light-weight model-free myopic heuristic algorithm named Myopic-Final and, afther that, a heuristic algorithm based on learning to optimization (L۲O) named Online-NN using neural networks is proposed. The purpose of using L۲O is to reduce the time complexity compared to offline and online algorithms, although time must be allocated to train the neural network before using it. The performed simulations show that in terms of average SE, the Myopic-Final algorithm provides almost the same performance as the offline algorithm and the Online-NN algorithm provides ۹۷% performance compared to the offline algorithm. In terms of energy consumption from the power grid, if the green energy budget and the energy in the batteries are sufficient, all three algorithms perform the same, otherwise Myopic-Final shows a slightly lower performance.
Keywords: Cell-free massive MIMO, energy harvesting, resource allocation, L۲O, neural network.
|