| 摘要 | 第5-8页 |
| ABSTRACT | 第8-10页 |
| 英文缩略语 | 第14-15页 |
| 第一章 绪论 | 第15-29页 |
| 1.1 研究背景 | 第15-17页 |
| 1.2 F-RAN资源管理研究现状及挑战 | 第17-21页 |
| 1.2.1 F-RAN无线资源管理研究现状 | 第17-18页 |
| 1.2.2 F-RAN缓存资源管理研究现状 | 第18-19页 |
| 1.2.3 F-RAN切片场景下资源管理研究现状 | 第19-20页 |
| 1.2.4 存在问题和研究动机 | 第20-21页 |
| 1.3 博弈论及其在资源管理中的应用 | 第21-23页 |
| 1.3.1 非合作博弈 | 第21页 |
| 1.3.2 联盟博弈 | 第21-22页 |
| 1.3.3 匹配博弈 | 第22-23页 |
| 1.3.4 分层博弈 | 第23页 |
| 1.4 论文的主要内容和创新 | 第23-26页 |
| 1.5 论文的组织结构 | 第26-29页 |
| 第二章 基于非合作博弈的终端模式选择和无线资源分配 | 第29-56页 |
| 2.1 引言 | 第29-31页 |
| 2.2 系统模型 | 第31-34页 |
| 2.3 问题形成 | 第34-35页 |
| 2.4 基于非合作博弈的模式选择和子信道分配 | 第35-38页 |
| 2.4.1 博弈构建 | 第35-36页 |
| 2.4.2 基于多代理强化学习的博弈算法 | 第36-38页 |
| 2.5 基于多对多匹配的RRH关联 | 第38-41页 |
| 2.5.1 匹配问题形成与算法设计 | 第38-40页 |
| 2.5.2 收敛性和稳定性 | 第40-41页 |
| 2.5.3 最优性 | 第41页 |
| 2.5.4 信令开销 | 第41页 |
| 2.6 基于分层博弈的D2D功率控制 | 第41-45页 |
| 2.6.1 博弈构建和算法设计 | 第41-43页 |
| 2.6.2 收敛性和稳定性 | 第43-45页 |
| 2.7 分布式模式选择和子信道分配算法的性质 | 第45-49页 |
| 2.7.1 收敛性和稳定性 | 第45-46页 |
| 2.7.2 与终端非合作博弈纳什均衡解的关系及最优性 | 第46-47页 |
| 2.7.3 动态环境下的收敛性 | 第47-48页 |
| 2.7.4 复杂度 | 第48页 |
| 2.7.5 信道状态信息需求 | 第48-49页 |
| 2.8 仿真结果和分析 | 第49-55页 |
| 2.8.1 场景和参数 | 第49-50页 |
| 2.8.2 收敛性验证 | 第50-52页 |
| 2.8.3 信号处理能力受限时的D2D增益 | 第52页 |
| 2.8.4 学习参数的影响 | 第52-53页 |
| 2.8.5 RRH关联算法和功率控制算法的影响 | 第53-54页 |
| 2.8.6 更大规模场景下的算法性能 | 第54-55页 |
| 2.9 本章小结 | 第55-56页 |
| 第三章 基于分层博弈的面向F-RAN切片的无线资源分配 | 第56-80页 |
| 3.1 引言 | 第56-58页 |
| 3.2 系统模型 | 第58-61页 |
| 3.2.1 切片s1的模型 | 第60页 |
| 3.2.2 切片s2的模型 | 第60-61页 |
| 3.3 问题形成 | 第61-63页 |
| 3.3.1 LRRM1的问题形成 | 第61-62页 |
| 3.3.2 LRRM2的问题形成 | 第62页 |
| 3.3.3 GRRM的问题形成 | 第62-63页 |
| 3.4 基于分层博弈的切片间资源优化 | 第63-66页 |
| 3.4.1 分层博弈形成 | 第63-64页 |
| 3.4.2 博弈均衡解的求解 | 第64-66页 |
| 3.5 博弈参与者的低复杂度资源分配算法设计 | 第66-74页 |
| 3.5.1 LRRM 1的低复杂度算法设计 | 第66-71页 |
| 3.5.2 LRRM 2的低复杂度算法设计 | 第71-73页 |
| 3.5.3 GRRM的低复杂度算法设计 | 第73-74页 |
| 3.6 仿真结果和分析 | 第74-79页 |
| 3.6.1 通过穷举法达到博弈均衡解 | 第75-77页 |
| 3.6.2 各LRRM低复杂度算法的有效性 | 第77-78页 |
| 3.6.3 GRRM低复杂度算法的有效性 | 第78-79页 |
| 3.7 本章小结 | 第79-80页 |
| 第四章 基于复合博弈的无线缓存资源联合分配 | 第80-103页 |
| 4.1 引言 | 第80-82页 |
| 4.2 系统模型 | 第82-83页 |
| 4.3 问题形成 | 第83-86页 |
| 4.3.1 FAP的问题形成 | 第83-85页 |
| 4.3.2 云端的资源管理器的问题形成 | 第85页 |
| 4.3.3 基于复合博弈的资源分配 | 第85-86页 |
| 4.4 FAP分簇算法 | 第86-87页 |
| 4.4.1 算法流程 | 第86-87页 |
| 4.4.2 算法特性 | 第87页 |
| 4.5 基于单代理强化学习的缓存优化 | 第87-90页 |
| 4.5.1 算法设计 | 第87-89页 |
| 4.5.2 算法特性 | 第89-90页 |
| 4.6 基于多代理强化学习的缓存资源优化 | 第90-96页 |
| 4.6.1 算法设计 | 第90-92页 |
| 4.6.2 算法特性 | 第92-96页 |
| 4.7 仿真结果和分析 | 第96-102页 |
| 4.7.1 基本仿真设置 | 第96页 |
| 4.7.2 分簇算法仿真 | 第96-98页 |
| 4.7.3 缓存算法仿真 | 第98-102页 |
| 4.8 本章小结 | 第102-103页 |
| 第五章 总结与展望 | 第103-106页 |
| 5.1 论文总结 | 第103-104页 |
| 5.2 未来研究展望 | 第104-106页 |
| 参考文献 | 第106-117页 |
| 致谢 | 第117-118页 |
| 攻读学位期间所取得的研究成果 | 第118-119页 |
