基于多行为融合ALA的VLC-RF网络协同资源分配方案设计与效果分析

孙洪亮; 许德军; 王超; 钱磊

doi:10.12404/j.issn.1671-1815.2506373

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (14) :6037-6044 DOI: 10.12404/j.issn.1671-1815.2506373

电子技术、通信技术

基于多行为融合ALA的VLC-RF网络协同资源分配方案设计与效果分析

孙洪亮 ¹ ,
许德军 ¹ ,
王超 ² ,
钱磊 ³

作者信息 +

Design and Performance Analysis of Cooperative Resource Allocation Scheme for VLC-RF Networks Based on ALA of Multiple Behavior Fusion

Author information +

文章历史 +

摘要

可见光通信(visible light communication, VLC)与射频(radio frequency, RF)通信融合形成的异构网络,能充分发挥二者的互补优势。在异构网络中,协调不同网络的接入过程,设计高效的资源分配方案,是提升系统性能的核心问题。面向 VLC-RF 系统设计资源分配算法,旨在满足终端设备的通信连接需求、高效保障不同终端的服务质量(quality of service, QoS)。首先,针对 VLC 信道传输易中断问题,建立VLC-RF 协同服务机制,并基于有效容量理论评估系统服务能力。采用马尔可夫调制On-Off(Markov modulated on-off, MMOO)过程对业务流量进行建模,并利用有效带宽理论分析差异化业务到达的带宽需求。然后,以最小化 RF 服务速率为优化目标,构建包含用户QoS需求、分配因子和发送概率约束的资源分配优化问题。引入反向学习策略和自适应变异机制对人工旅鼠算法(artificial lemming algorithm, ALA)进行改进,并基于改进后的ALA(improved artificial lemming algorithm, IALA)求解优化问题,设计资源分配算法,确定最佳分配方案。最后,利用MATLAB仿真平台对所提算法进行验证分析。结果表明,本文所提出的算法能够在保障终端QoS需求的前提下,实现资源的高效利用。

Abstract

The heterogeneous networks formed by the integration of VLC (visible light communication) and RF (radio frequency) communication could fully leverage their complementary advantages. Coordinating the access process of different networks and designing efficient resource allocation scheme are the core issues for improving system performance in heterogeneous networks. The resource allocation algorithm was designed for VLC-RF networks, which aims to fulfill the communication requirements of terminal devices and efficiently guarantee heterogeneous QoS (quality of service). First, to address the susceptibility of interruptions in VLC channel transmission, the cooperative service mechanism of VLC-RF is established, and the system service capability was evaluated based on the effective capacity theory. MMOO (Markov modulated on-off) process was adopted to model the service traffic, and the effective bandwidth theory was utilized to analyze the bandwidth requirements of differentiated service arrivals. Then, with the objective of minimizing the RF service rate, the resource allocation optimization problem was formulated. This problem incorporates the constraints of user QoS requirements, allocation factors, and transmission probabilities. The reverse learning strategy and the adaptive mutation mechanism were introduced to improve ALA (artificial lemming algorithm). Based on IALA (improved artificial lemming algorithm), the optimization problem was solved. Subsequently, the resource allocation algorithm was designed, and the optimal allocation scheme was determined. Finally, the proposed algorithm was verified and analyzed by the MATLAB simulation platform. The results demonstrate that the proposed algorithm could achieve efficient resource utilization while ensuring the QoS requirements of the terminals.

Graphical abstract

关键词

VLC-RF网络 / 资源分配算法 / QoS 需求 / IALA

Key words

VLC-RF networks / resource allocation algorithm / QoS requirements / IALA

引用本文

引用格式 ▾

孙洪亮, 许德军, 王超, 钱磊. 基于多行为融合ALA的VLC-RF网络协同资源分配方案设计与效果分析[J]. 科学技术与工程, 2026, 26(14): 6037-6044 DOI:10.12404/j.issn.1671-1815.2506373

SUN Hong-liang, XU De-jun, WANG Chao, QIAN Lei. Design and Performance Analysis of Cooperative Resource Allocation Scheme for VLC-RF Networks Based on ALA of Multiple Behavior Fusion[J]. Science Technology and Engineering, 2026, 26(14): 6037-6044 DOI:10.12404/j.issn.1671-1815.2506373

登录浏览全文

4963

注册一个新账户忘记密码

物联网的快速发展,智能终端接入数量呈现爆炸式增长,给无线通信网络的频谱资源和差异化服务质量 (quality of service, QoS) 保障带来了挑战。可见光通信 (visible light communication, VLC) 凭借其高速的数据传输、丰富的带宽资源等优势,能够为差异化业务提供相对严格的 QoS 保障。然而,VLC 通信存在依赖直视路径传输、易受遮挡等短板,影响了其传输的可靠性,射频 (radio frequency, RF) 通信则在覆盖范围、穿墙能力和中远距离传输上具有优势,能够有效弥补VLC通信的不足。因此,融合 VLC 和 RF 二者优势构建覆盖范围广、传输速率高、抗干扰性强的异构网络,可以提供可靠、高效的通信解决方案^[1-4]。

针对 VLC-RF 异构网络,如何设计异构资源协同优化策略,是实现网络资源高效分配必然面对的问题。文献[5]面向大规模接入的 VLC/RF 系统,设计了基于策略梯度的深度强化学习方案求解最优资源分配问题,提升了用户最大数据传输速率。文献[6]提出了一种针对 VLC-RF 网络的主动资源分配算法,降低了网络中断的概率,提高了用户的平均可实现数据速率。中国学者针对该领域同样也贡献了许多有价值的研究成果。文献[7] 提出多色载波分配与功率控制的资源分配策略,并设计基于匹配博弈的载波和子频带分配算法,提升了 VLC/RF 系统吞吐量和平均用户满意度。文献[8]设计了一个聚合 Wi-Fi/VLC 网络,提出了一种基于强化学习的资源分配策略,实现了系统吞吐量的最大化,并降低了网络切换率。文献[9]提出了一种基于强化学习的功率周期分配算法,通过协调 VLC 与 RF 间的功率分配,在提升系统整体性能的同时,确保了跨系统传输的公平性。文献[10]提出在 VLC/RF 系统下联合多约束的资源分配策略,解决了纵向联邦学习中的通信资源受限问题。

在网络资源分配中,高效保障用户的 QoS 需求也是一个值得关注的研究。文献[11]考虑到用户 QoS 需求,将 VLC/RF 网络资源优化问题建模成一个平均数据收集速率最大化的数学模型,提高了系统速率。文献[12]针对多用户混合 VLC-RF 系统,在满足不同 QoS 要求的前提下提出了一种收发器关联和功率分配的交替优化算法,实现了系统总可实现速率和能源效率最大化。文献[13]提出了一种基于距离和系统吞吐量最大化的终端直连上行链路资源分配方案,增大了系统总吞吐量,同时保证了用户的 QoS 需求。上述研究均将 QoS 保障问题建模为不同目标下的优化问题,并设计相应的算法进行求解。然而,随着网络环境复杂性的不断增加,传统优化方法在求解效率和全局优化性能方面存在局限。

近年来,群智能算法因其模拟生物群体协作的独特机制,能够有效处理多维约束条件下的优化问题。文献[14]针对低轨卫星跳波束间的多维资源分配与 QoS 保障问题,利用粒子群算法对时间、空间、功率等资源进行联合分配,提升了低轨卫星系统中用户的 QoS 性能。文献[15]针对无人机辅助网络中自主移动车辆的定位与资源分配联合优化问题,提出了一种基于遗传算法的高效求解方案,保障了用户的 QoS 需求。上述研究表明,群智能算法凭借其强大的全局优化能力和适应性,能够助力复杂通信环境下基于 QoS 保障的资源分配研究。

人工旅鼠算法 (artificial lemming algorithm, ALA) 是一种新型群智能优化算法,通过数学模型模拟了旅鼠群体在自然界中的长途迁徙、挖掘洞穴、觅食和躲避捕食者4种行为^[16]。该算法通过构建种群动态平衡模型、引入多种探索与开发策略,在保持种群多样性的同时增强全局收敛能力,为复杂优化问题的求解提供了新的思路和方法。

考虑到上述方面,针对 VLC 链路易受干扰而中断的特性,现设计异构网络协同服务机制,并构建资源分配优化问题,以实现 VLC-RF 网络资源的高效分配。设计 VLC-RF 协同服务机制,考虑各终端的差异化 QoS 需求,联合 RF 信道分配因子和各终端的发送概率构建异构网络资源分配优化模型。引入反向学习策略和自适应变异机制对 ALA 进行改进,利用改进后的 ALA (improved artificial lemming algorithm, IALA)求解优化问题并设计资源分配算法,确定最佳分配方案;以期实现用户差异化QoS需求的高效保障并节约带宽资源。

1 系统模型

所构建的室内 VLC-RF 系统包含一个位于天花板中央的 VLC 接入点 (access point, AP)、一个 RF AP、一个中央控制器和 N 个终端设备。VLC AP 由若干个 LED 组成,不仅能满足室内照明需求,还能提供通信服务,但其照射范围有限,而 RF AP 能够确保整个室内区域的无线覆盖。通过中央控制器,能够为终端U_i (i = 1,2,…,N) 分配通信资源,终端会以各自的发送概率 γ_i 向中央控制器发起业务请求。

针对 VLC 链路易受干扰而中断的特性,设计 VLC-RF 协同服务机制。将 RF 信道资源划分为竞争信道和均等带宽资源的 N 个预留子信道,每个终端对应一个专属预留子信道。系统优先采用 VLC 信道和专属预留子信道为终端分配网络资源;当 VLC 信号中断时,由 RF 竞争信道和专属预留子信道为终端提供服务;在终端接入失败的情况下仅可使用专属预留子信道资源。在不失一般性的前提下,第 i 条链路的瞬时服务过程建模为

(1)s_i(n)=$\left\{\begin{array}{ll}{R}_{VLC}+\frac{(1-\alpha ){R}_{RF}}{N},& (1-\beta ){\gamma }_{i}\prod _{k=1.k\ne i}^{N}(1-{\gamma }_{k})\\ \alpha {R}_{RF}+\frac{(1-\alpha ){R}_{RF}}{N},& \beta {\gamma }_{i}\prod _{k=1.k\ne i}^{N}(1-{\gamma }_{k})\\ \frac{(1-\alpha ){R}_{RF}}{N} ,& 1-{\gamma }_{i}\prod _{k=1.k\ne i}^{N}(1-{\gamma }_{k})\end{array}\right.$

式(1)中:R_VLC为 VLC 网络的服务速率;R_RF为 RF 网络的服务速率;β 为 VLC 信号中断概率;α为RF 信道分配因子。

采用马尔可夫调制On-Off (Markov modulated on-off, MMOO) 过程对业务的到达过程进行建模。不同终端设备的到达过程均服从 MMOO 模型,彼此独立且存在差异。MMOO 到达过程具有二态特性。当系统处于 On 态时,数据包以速率 R_i 持续到达;当系统切换至 Off 状态时,停止数据包的传输。到达过程的马尔可夫链如图1所示。

2 VLC-RF网络资源分配算法

2.1 有效容量与有效带宽评估

通信网络中的时延 QoS 是衡量网络性能的重要指标,对其进行合理评估显得尤为重要。有效容量和有效带宽作为 QoS 评估与保障领域的经典理论为本次研究提供了有效支撑。

有效容量是指在给定的 QoS 约束下,系统所能够支持的最大数据传输速率。系统服务过程的有效容量E_C(θ) 可以定义^[17]为

(2)E_C(θ)=-$\underset{n\to \infty }{lim}\frac{1}{\theta n}$lnE[e^-^θS⁽ⁿ⁾]

式(2)中:θ为QoS指数;E[·]为期望;S (n)为前n时隙累计服务的数据包数量。

因此,第 i 个终端所能获得的 E_C_i(θ_i)为

(3) $\begin{aligned}E_{\mathrm{C} i}\left(\theta_{i}\right)= & -\frac{1}{\theta_{i}} \ln \left((1-\beta) \gamma_{i} \prod_{k=1, k \neq i}^{N}\left(1-\gamma_{k}\right) \times\right. \\& \exp \left\{-\theta_{i}\left[R_{\mathrm{VLC}}+\frac{(1-\alpha) R_{\mathrm{RF}}}{N}\right]\right\}+ \\& \beta \gamma_{i} \prod_{k=1, k \neq i}^{N}\left(1-\gamma_{k}\right) \times \\& \exp \left\{-\theta_{i}\left[\alpha R_{\mathrm{RF}}+\frac{(1-\alpha) R_{\mathrm{RF}}}{N}\right]\right\}+ \\& {\left[1-\gamma_{i} \prod_{k=1, k \neq i}^{N}\left(1-\gamma_{k}\right)\right] \times } \\& \left.\exp \left[-\theta_{i} \frac{(1-\alpha) R_{\mathrm{RF}}}{N}\right]\right)\end{aligned}$

有效带宽是指当系统QoS要求固定的情况下,到达流量所需要的最小网络带宽资源。将到达过程的有效带宽E_B(θ)定义为

(4)E_B(θ)=$\underset{n\to \infty }{lim}\frac{1}{\theta n}$lnE[e^θA⁽ⁿ⁾]

式(4)中:A(n) 为前 n 时隙累计到达的数据包数量。

MMOO到达下第 i条链路的E_B_i(θ_i) 表达式^[18]为

(5) $\begin{array}{l}E_{\mathrm{B} i}\left(\theta_{i}\right)=-\frac{1}{\theta_{i}} \ln \left[\frac{1-p_{a i}+\left(1-q_{a i}\right) \mathrm{e}^{R_{i} \theta_{i}}}{2}+\right. \\\left.\frac{\sqrt{\left[1-p_{a i}+\left(1-q_{a i}\right) \mathrm{e}^{R_{i} \theta_{i}}\right]^{2}-4\left(1-p_{a i}-q_{a i}\right) \mathrm{e}^{R_{i} \theta_{i}}}}{2}\right]\end{array}$

时延是衡量系统性能的核心QoS指标之一。为准确评估系统时延 QoS,将QoS指数 θ_i 与目标时延 D之间的数学关系建模为

(6)θ_i=$\frac{-ln\epsilon }{{\mu }_{i}D}$

式(6)中:μ_i为第i条链路的平均到达强度;D为目标时延;ε为时延违反概率阈值。

2.2 资源分配优化问题构建

立足于固定的 VLC 资源,在保障终端 QoS 需求的前提下,通过联合优化发送概率和分配因子实现RF网络资源的高效配置。所构建的资源分配优化问题包含4个约束条件:时延 QoS 约束 (C1) 确保每一个终端设备的通信要求;信道分配约束 (C2~C3) 避免预留信道过载;发送概率可行域约束 (C4)。所构建的资源分配优化问题如下。

(7) $\begin{array}{c}\min _{\alpha, \gamma_{i}} R_{\mathrm{RF}} \\\text { s.t. } \mathrm{C} 1:\left\{\begin{array}{c}E_{\mathrm{B} 1}\left(\theta_{1}\right) \leqslant E_{\mathrm{C} 1}\left(\theta_{1}\right) \\E_{\mathrm{B} 2}\left(\theta_{2}\right) \leqslant E_{\mathrm{C} 2}\left(\theta_{2}\right) \\\vdots \\E_{\mathrm{B} i}\left(\theta_{i}\right) \leqslant E_{\mathrm{C} i}\left(\theta_{i}\right) \\\vdots \\E_{\mathrm{B} N}\left(\theta_{N}\right) \leqslant E_{\mathrm{C} N}\left(\theta_{N}\right)\end{array}\right. \\\mathrm{C} 2: 0＜\alpha＜1 \\\mathrm{C} 3: \alpha R_{\mathrm{RF}} \geqslant \frac{1-\alpha}{N} R_{\mathrm{RF}} \\\mathrm{C} 4:\left\{\begin{array}{c}0＜\gamma_{1}＜1 \\0＜\gamma_{2}＜1 \\\vdots \\0＜\gamma_{i}＜1 \\\vdots \\0＜\gamma_{N}＜1\end{array}\right.\end{array}$

2.3 资源分配算法设计

由于式 (7) 中的约束条件 C1 是非线性且复杂的,RF 服务速率的显式解析解难以直接求得。因此,设计了一种资源分配算法,用于求解该优化问题并获得最优的 RF 服务速率。所设计的资源分配算法是通过应用 ALA 求解异构网络资源分配优化模型来实现的。ALA 通过模拟旅鼠4种行为与能量机制,高效平衡了全局探索与局部开发,从而能更平稳、可靠地收敛到全局最优解。然而,ALA 在求解资源分配优化问题时存在初始解空间分布不均和跳出局部最优能力弱的问题,无法高效获得最优资源分配方案。为此,对 ALA 进行了改进,旨在提升其全局探索与局部开发能力,从而提高算法求解效率。

2.3.1 ALA改进

提出以下改进方案:①引入反向学习策略优化初始种群分布,增加初始种群的多样性;②采用自适应变异机制增强算法跳出局部最优能力。具体实施步骤如下。

1)基于反向学习策略的种群初始化

ALA 在进入迭代过程之前需要先对所有旅鼠的位置进行初始化 (算法中的旅鼠位置对应于优化问题中的发送概率、分配因子和 RF 服务速率),每次迭代中的最佳位置被视为最优解或迄今为止获得的近似最优解。旅鼠位置计算式为

(8)X_j=L_B+a(U_B-L_B), j=1,2,…,Q

式(8)中:X_j 为第 j 个旅鼠的位置;L_B 和 U_B 分别为旅鼠位置的下界和上界;a为 [0,1] 的随机数; Q 为旅鼠数量。

根据式(8)生成初始种群X_j的反向种群X'_j,即

(9)X'_j=a(L_B+U_B)-X_j

将反向操作后的种群与初始种群合并成新种群X_new=[X_j,X'_j]作为优化问题的初始解集^[19]。

2)基于自适应变异的扰动策略

为了增加 ALA 全局探索能力,采用以迭代次数 t 为系统参量的变异因子对算法当前找到的最优解进行自适应变异^[20]。自适应变异策略包含高斯分布与柯西分布的优点,既保留了局部精细搜索的特性,又具备跳出局部最优的能力。自适应变异过程为

(10)${\stackrel{-}{Y}}_{exce}^{t}$=${Y}_{exce}^{t}$+${Y}_{exce}^{t}$trnd(t)

(11)$Y_{\text {exce }}^{t+1}=\left\{\begin{array}{l}\bar{Y}_{\text {exce }}^{t}, f\left(\bar{Y}_{\text {exce }}^{t}\right)＜f\left(Y_{\text {exce }}^{t}\right) \\Y_{\text {exce }}^{t}, f\left(\bar{Y}_{\text {exce }}^{t}\right) \geqslant f\left(Y_{\text {exce }}^{t}\right)\end{array}\right.$

式中:

${Y}_{exce}^{t}$

和

${Y}_{exce}^{t+1}$

分别为在第t和t+1次迭代中适应度值;

${\stackrel{-}{Y}}_{exce}^{t}$

为

${Y}_{exce}^{t}$

经过自适应变异后的适应度值;trnd为t分布随机数生成函数。

2.3.2 优化问题求解

利用IALA求解最优的RF服务速率

${R}_{RF}^{*}$

,进行资源分配,为了更清晰地展示 VLC-RF 场景下的资源分配过程,绘制了相应的流程图如图2所示。图2中蓝色部分为算法的主体流程,黄色部分为算法的改进步骤。

步骤1 给定VLC网络中断概率 β 和服务速率R_VLC、最大迭代次数 T、旅鼠种群数量 Q、每个终端的到达参数 p_{a_i}、q_{a_i}、R_i等参数取值。

步骤2 采用反向学习策略生成初始化种群 (分配因子 α、每个终端的发送概率 γ_i 和RF 服务速率R_RF)。在给定目标时延的情况下,利用约束条件 C1 和C3 确定当前最优解组合。

步骤3 根据E(t)=4arctan(1-t/T)ln(1/b)计算能量因子(b为[0,1]的随机数)。当E(t)>1时,算法进入开发阶段,执行长距离迁徙或挖洞行为来更新 γ_i 、α和R_RF;当 E(t) ≤ 1时,算法进入探索阶段,执行觅食或躲避捕食者行为来更新 γ_i、α 和R_RF。

步骤4 在给定目标时延下,基于更新后的 γ_i、α 和R_RF确定满足约束条件 C1 和 C3 的所有解组合,并保留最优解组合。利用自适应变异对最优组合进行扰动,确定全局最优解组合。

步骤5 判断算法是否达到最大迭代次数。若达到最大迭代次数,则输出包含 RF 服务速率

${R}_{RF}^{*}$

、每个终端的发送概率

${\gamma }_{i}^{*}$

和 RF 信道分配因子 α^*的最优解组合;否则,返回步骤3重新计算能量因子,动态调节 γ_i、α 和 R_RF,并继续优化过程,直到达到最大迭代过程为止。

3 仿真结果及分析

通过 MATLAB 仿真平台对所提资源分配算法的性能进行评估,以终端设备 N = 3 为例。值得一提的是,算法对于更多终端同样适用。基础仿真参数如表1所示。

通过对每条链路进行时延违反概率(delay violation probabilities, DVP) 实验,并以箱图的形式展现仿真结果,旨在验证所设计的资源分配算法的有效性。图3中每个箱体的顶端和底端线分别表示时延违反概率界的最大值和最小值,中间的线为时延违反概率界的中值,红色的“+”符号表示离群值。从图3中可以看出所提资源分配算法在各目标时延D的违反概率条件下均小于给定阈值,说明算法可以保障用户QoS 需求。

为验证基于 IALA 设计资源分配算法的优越性,分别采用 IALA 与 ALA 对优化问题进行求解。为确保对比的公平性,两种算法均设置相同的种群规模Q=30和最大迭代次数T=200,仿真结果如图4所示。结果显示,与 ALA 相比,IALA 在求解最优服务率时所需的迭代次数更少,收敛速度更快,能够更快速地逼近最优解。

然后,通过不同方案的对比实验,进一步验证了所提方案的优势。图5对比了不同优化方案下求解的RF服务速率值。从图5中可以看出,在相同目标时延条件下,联合优化终端发送概率与分配因子的方案较分别优化或未优化的方案,能够得到更小的 RF 服务速率。其原因在于,联合优化能够更高效地协调资源分配与终端需求,实现系统整体性能的协同提升,在保障目标时延的前提下,最大限度地降低对 RF 链路的服务速率要求。

图6设置ε=[10^-1,10^-2,10^-3],展示了时延违反概率阈值ε改变对 RF 服务速率的影响。从图6中可知,目标时延越小,对应的 RF 服务速率越高;而当目标时延保持不变时,ε的取值越小,RF 服务速率越大。这是因为,较小的ε意味着更为严格的时延QoS约束,系统需提升 RF 服务速率以确保终端的 QoS 需求。

接下来,分析中断概率 β、时延违反概率阈值ε、终端数量 N 以及 VLC 网络服务速率 R_VLC 等参数变化对 RF 服务速率的影响。由图7可知,随着目标时延的增加,RF 服务速率逐渐降低。这是因为目标时延变大时,终端的时延 QoS 约束趋于宽松,较低的服务速率即可满足其需求。而当目标时延固定时,较大的中断概率对应着较大的RF 服务速率。其原因在于,较高的中断概率导致终端从系统中获得的 VLC 有效服务减少,为保障终端的 QoS,RF 所提供的服务应变大。

图8展示了 VLC 服务速率 R_VLC、目标时延与 RF 服务速率 R_RF之间的关系。结果显示,随着目标时延或 R_VLC 的增加,R_RF 呈现递减趋势。造成这一现象的原因在于较高的 VLC 服务速率能够处理更多的数据包,从而减少 RF 链路的负载;而目标时延的增大则意味着终端对时延违反的容忍度增加,系统对 RF 服务速率的需求随之降低。因此,在满足终端 QoS 需求的前提下,较小的 RF服务速率即可处理系统内的数据业务。

图9分析了系统内终端数量变化对 RF 服务速率的影响,实验设置终端数量 N = [3,4,5]。结果显示,目标时延减小时,RF 服务速率随之增大。此外,在目标时延保持不变的情况下,接入系统内的终端数量越多,RF 服务速率也就越大。这是因为,终端数量增加会带来更高的业务需求量,系统需分配更大的服务速率以满足整体时延 QoS 要求。

4 结论

面向 VLC-RF 网络,研究了基于 RF 信道分配因子和终端发送概率联合优化的异构网络资源分配问题,并基于 IALA 设计资源分配算法进行求解,在保障各用户的 QoS 需求的前提下,实现带宽资源的高效分配。利用 MATLAB 仿真验证了算法的可行性,结果表明,联合优化终端发送概率与分配因子的资源分配方案能够高效的协调服务资源与终端需求。同时,所提方案能够在不同时延违反概率阈值、中断概率、VLC 服务速率及用户规模条件下,自适应调整资源分配策略,高效保障终端的 QoS 需求。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Halima B N. NOMA for hybrid RF/VLC systems using intelligent reflecting surfaces[J]. Wireless Personal Communications, 2024, 135(4): 2177-2190.

[2]	Guzman B G, Cespedes M M, Jimenez V P G, et al. Resource allocation exploiting reflective surfaces to minimize the outage probability in VLC[J]. IEEE Transactions on Wireless Communications, 2025, 24(7): 5493-5507.

[3]	陈北辰, 陈硕, 孙洪亮, 等. 基于时空特性的VLC/RF网络决策机制[J]. 科学技术与工程, 2025, 25(3): 1110-1116.

[4]	Chen Beichen, Chen Shuo, Sun Hongliang, et al. Decision-making mechanism for VLC/RF networks based on spatio-temporal characteristics[J]. Science Technology and Engineering, 2025, 25(3): 1110-1116.

[5]	冷阳洋, 李传起, 周省邦, 等. 可见光通信/射频异构组网资源分配研究进展[J]. 激光杂志, 2024, 45(7): 1-8.

[6]	Leng Yangyang, Li Chuanqi, Zhou Shengbang, et al. Research progress on resource allocation in visible light communication/radio frequency heterogeneous networking[J]. Laser Journal, 2024, 45(7): 1-8.

[7]	Verma T, Raza A, Shrivastava S, et al. A novel on-policy drl-based approach for resource allocation in hybrid RF/VLC systems[J]. IEEE Transactions on Consumer Electronics, 2025, 71(1): 550-560.

[8]	Bozanis D, Evgenidis N G, Papanikolaou V K, et al. Proactive resource allocation for aggregated VLC/RF networks with outdated CSI[J]. IEEE Wireless Communications Letters, 2024, 13(4): 944-948.

[9]	陈勇, 张薇薇, 刘焕淋, 等. 室内 VLC-WiFi 异构网络中多色载波资源分配[J]. 聊城大学学报 (自然科学版), 2024, 37(5): 48-59.

[10]	Chen Yong, Zhang Weiwei, Liu Huanlin, et al. A method of multi-color carrier resource alocationfor indoor VLC-WiFi heterogeneous network[J]. Journal of Liaocheng University (Natural Science Edition), 2024, 37(5): 48-59.

[11]	Luo L, Bai B, Zhang X, et al. Reinforcement learning-based resource allocation for dynamic aggregated WiFi/VLC HetNet[J]. Optics Communications, 2024, 560: 130450.

[12]	Su Y, Lin Y, Liu S, et al. Coexistence of hybrid VLC-RF and Wi-Fi for indoor wireless communication systems: an intelligent approach[J]. IEEE Transactions on Network and Service Management, 2024, 21(6): 6465-6479.

[13]	杜忠田, 黄武威, 杨洋. VLC/RF混合系统中基于纵向联邦学习的资源优化算法[J]. 激光与光电子学进展, 2024, 61(13): 187-198.

[14]	Du Zhongtian, Huang Wuwei, Yang Yang. Resource optimization algorithm based on vertical federated learning in VLC/RF hybrid systems[J]. Laser & Optoelectronics Progress, 2024, 61(13): 187-198.

[15]	Tang T, Shi L, Li Q, et al. Sustainability-driven resource allocation for SLIPT-assisted hybrid VLC/RF IoT systems[J]. IEEE Wireless Communications Letters, 2024, 13(6): 1765-1769.

[16]	Wang F, Yang F, Pan C, et al. Hybrid VLC-RF systems with multi-users for achievable rate and energy efficiency maximization[J]. IEEE Transactions on Wireless Communications, 2023, 22(9): 6157-6170.

[17]	袁雨薇, 侯嘉. 基于距离和系统吞吐量最大化的D2D上行链路资源分配方案[J]. 科学技术与工程, 2023, 23(32): 13881-13888.

[18]	Yuan Yuwei, Hou Jia. Uplink resource allocation scheme based on distances and maximized system throughput for D2D communications[J]. Science Technology and Engineering, 2023, 23(32): 13881-13888.

[19]	周硕, 张晨, 张更新. 基于OFDM的低轨卫星跳波束系统资源调度与分配算法研究[J]. 无线电通信技术, 2025, 51(4): 823-831.

[20]	Zhou Shuo, Zhang Chen, Zhang Gengxin. Research on resource scheduling and allocation algorithm of LEO satellite beam hopping system based on OFDM[J]. Radio Communications Technology, 2025, 51(4): 823-831.

[21]	Hammami M, Chaieb C, Ajib W, et al. Meeting stringent QoS requirements in AAV-assisted networks: resource alocation and AAVs positioning[J]. IEEE Open Journal of the Communications Society, 2025, 6: 2190-2205.

[22]	Xiao Y, Cui H, Khurma R A, et al. Artificial lemming algorithm: a novel bionic meta-heuristic technique for solving real-world engineering optimization problems[J]. Artificial Intelligence Review, 2025, 58. DOI: 10.1007/s10462-024-11023-7.

[23]	Wu D P, Negi R. Effective capacity: a wireless link model for support of quality of service[J]. IEEE Transactions on Wireless Communications, 2003, 2(4): 630-643.

[24]	Cheng S C. Stability, queue length, and delay of deterministic and stochastic queueing networks[J]. IEEE Transactions on Automatic Control, 1994, 39(5): 913-931.

[25]	张莉, 张小庆, 孙民民, 等. 蝴蝶搜索与动态反向学习柯西变异的白鲸优化算法[J]. 计算机工程与应用, 2025, 61(10): 96-110.

[26]	Zhang Li, Zhang Xiaoqing, Sun Minmin, et al. Beluga whale optimization algorithm based on butterfly search and dynamic inverse learning cauchy variation[J]. Computer Engineering and Applications, 2025, 61(10): 96-110.

[27]	董红伟, 李爱莲, 解韶峰, 等. 多策略改进的蜜獾优化算法[J]. 小型微型计算机系统, 2024, 45(2): 293-300.

[28]	Dong Hongwei, Li Ailian, Xie Shaofeng, et al. Multi strategy improved honey badger optimization algorithm[J]. Journal of Chinese Computer Systems, 2024, 45(2): 293-300.