| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 研究目的和意义 | 第13-14页 |
| 1.4 研究的内容 | 第14-15页 |
| 1.5 本章小结 | 第15-17页 |
| 第二章 相关理论与技术 | 第17-28页 |
| 2.1 Q-learning算法理论 | 第17-21页 |
| 2.1.1 增强学习 | 第17-19页 |
| 2.1.2 Q-learning算法过程 | 第19-21页 |
| 2.2 ADMM算法理论 | 第21-23页 |
| 2.2.1 ADMM算法背景 | 第21-22页 |
| 2.2.2 ADMM计算框架 | 第22-23页 |
| 2.3 KM算法理论 | 第23-25页 |
| 2.3.1 基础概念 | 第23-24页 |
| 2.3.2 KM算法过程 | 第24-25页 |
| 2.4 C-RAN | 第25-26页 |
| 2.4.1 基本思想 | 第25页 |
| 2.4.2 C-RAN优势 | 第25-26页 |
| 2.5 软件定义网络 | 第26-27页 |
| 2.5.1 SDN网络架构 | 第26-27页 |
| 2.5.2 SDN的优势与特点 | 第27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 无线网络能耗优化系统设计 | 第28-39页 |
| 3.1 场景描述 | 第28-29页 |
| 3.2 问题分析 | 第29-33页 |
| 3.2.1 开关RRH | 第30-31页 |
| 3.2.2 用户关联 | 第31-32页 |
| 3.2.3 综合优化问题定义 | 第32-33页 |
| 3.3 系统设计 | 第33-38页 |
| 3.3.1 RRH开关决策模块 | 第33-37页 |
| 3.3.1.1 State相关信息采集 | 第34-35页 |
| 3.3.1.2 Reward相关信息采集 | 第35-36页 |
| 3.3.1.3 开关RRH决策 | 第36-37页 |
| 3.3.2 关联决策模块 | 第37-38页 |
| 3.3.2.1 网络状态信息采集 | 第37-38页 |
| 3.3.2.2 关联决策 | 第38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于KM算法的能耗优化策略 | 第39-54页 |
| 4.1 最优关联决策模型 | 第39-41页 |
| 4.2 基于KM的总体算法设计 | 第41-48页 |
| 4.2.1 KM算法原理示例 | 第41-45页 |
| 4.2.2 KM算法的改进 | 第45-46页 |
| 4.2.3 基于改进KM的最优关联算法设计 | 第46-48页 |
| 4.3 仿真实验 | 第48-53页 |
| 4.3.1 仿真场景与参数配置 | 第48-50页 |
| 4.3.2 对比算法 | 第50页 |
| 4.3.3 仿真结果分析 | 第50-53页 |
| 4.4 本章小节 | 第53-54页 |
| 第五章 基于Q-Learning与ADMM的能耗优化策略 | 第54-73页 |
| 5.1 功率分配模型 | 第54-60页 |
| 5.1.1 香农定理 | 第54-55页 |
| 5.1.2 基于香农定理的速率模型 | 第55-57页 |
| 5.1.3 功率分配模型 | 第57-60页 |
| 5.2 基于Q-Learning的开关基站框架 | 第60-62页 |
| 5.2.1 Q-learning中的Q函数与最优策略 | 第60页 |
| 5.2.2 state、action以及reward函数的定义 | 第60-62页 |
| 5.3 基于Q-learning与ADMM的总体算法设计 | 第62-64页 |
| 5.4 仿真实验 | 第64-72页 |
| 5.4.1 仿真场景与参数配置 | 第64-67页 |
| 5.4.2 简单网络拓扑场景 | 第67-70页 |
| 5.4.2.1 对比算法 | 第67页 |
| 5.4.2.2 仿真结果分析 | 第67-70页 |
| 5.4.3 复杂网络拓扑场景 | 第70-72页 |
| 5.4.3.1 对比算法 | 第70-71页 |
| 5.4.3.2 仿真结果分析 | 第71-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 本文总结 | 第73页 |
| 6.2 未来展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间取得的成果 | 第80页 |
