针对数据中心网络的传统流量调度方法容易引起网络拥塞及链路负载不均衡等问题，提出了一种差分进化（DE）融合蚁群（ACO）算法（DE-ACO）的动态流量调度机制，对数据中心网络中的大象流调度进行优化。首先，利用软件定义网络（SDN）技术捕获实时网络状态信息并设定流量调度的优化目标；然后，通过优化目标重定义DE算法，计算出多条可用候选路径，作为ACO算法的初始化全局信息素；最后，结合全局网络状态以求得全局最优路径，并重新路由拥堵链路上的大象流。实验结果表明，以在随机通信模式下为例，与等价多路径路由（ECMP）算法和基于蚁群算法的SDN数据中心网络流量调度（ACO-SDN）算法相比，所提算法的平均对分带宽分别提高了29.42%~36.26%和5%~11.51%，降低了网络的最大链路利用率（MLU），较好地实现了网络负载均衡。
针对可重构智能超表面（RIS）辅助无线通信系统中使用传统信道估计方法导频开销过高的问题，提出了一种基于块稀疏的正交匹配追踪（OMP）信道估计方案。首先，根据毫米波（mmWave）信道模型推导出级联信道矩阵，并将其转换到虚拟角域（VAD）中以获得级联信道的稀疏表示；其次，利用级联信道特有的稀疏特性将信道估计问题转换成稀疏矩阵恢复问题，并使用压缩感知的重构算法进行稀疏矩阵的恢复；最后，通过分析特殊的行-块稀疏结构，对传统的OMP方案进行优化，从而进一步减少导频开销并提升估计性能。仿真结果表明，与传统的OMP方案相比，所提出的基于行-块稀疏结构的优化OMP方案的归一化均方误差（NMSE）减小了大约1 dB。可见，所提出的信道估计方案能够有效减少导频开销并获得更好的估计性能。
为了解决应急通信场景下使用无人机作为空中基站进行辅助通信时涉及的无人机基站部署策略中的用户簇划分问题，在兼顾无人机基站性能和用户体验的条件下，提出一种基于特征加权的模糊聚类（Improved FCM）算法。首先，根据每个无人机基站的信号覆盖范围和最大服务用户数量的性能约束，针对随机分布条件下的用户簇在划分过程中算法计算量大不易收敛的问题，提出一种基于距离加权的特征加权节点数据投影算法；其次，针对同一用户处于多个簇有效范围内时用户划分的有效性和无人机基站资源的最大化利用问题，提出一种基于用户位置和无人机基站负载均衡的价值加权算法。实验结果表明，所提方法充分满足无人机基站的服务性能约束，且与几何分形法（GFA）、谱聚类（Sp-C）等算法相比，特征加权模糊聚类算法获得的平均负载率和覆盖比是最优的，分别达到了0.774和0.026 3，因此，该算法可为应急通信场景下的用户簇划分问题提供一种可行的解决方案。
无线通信网络流量预测对运营商建设网络、管理基站无线资源和提升用户体验具有重要意义。然而，现有的集中式算法模型面临着复杂性和时效性问题，难以满足城市全域尺度的通信流量预测需求。因此，提出一个分布式的云边协同下的无线通信流量预测框架，以较低的复杂度和通信开销实现基于单栅格基站的流量预测。在分布式架构的基础上，提出了基于联邦学习的无线通信流量预测模型。各个栅格流量预测模型同步训练，通过中心云服务器利用JS（Jensen-Shannon）散度挑选出流量分布相似的栅格流量模型，并采用联邦平均（FedAvg）算法融合具有相似流量分布的栅格流量模型的参数，从而在提高模型泛化性的同时达到保持对本地流量精准刻画的目的。此外，由于城市范围内不同地区流量具有高度差异化的特征，在FedAvg的基础上，提出了基于合作博弈的联邦训练方法，将栅格作为合作博弈的参与者，结合超可加性准则筛选栅格，并引入合作博弈的核和夏普利值分配收益以确保联盟的稳定性，提高模型预测的准确性。实验结果表明，以短消息业务（SMS）流量为例，与栅格独立式训练相比，所提模型的预测误差下降在郊区最为明显，下降范围在26.1%~28.7%，在市区下降范围在0.7%~3.4%，在市中心下降范围在0.8%~4.7%；与栅格集中式训练相比，3个区域的模型预测误差下降范围在49.8%~79.1%。
针对传统多用户毫米波中继系统波束赋形方案计算复杂度高的问题，提出一种基于深度学习（DL）的奇异值分解（SVD）方法来设计混合波束赋形，以优化发送端、中继端和接收端波束赋形器。首先，利用DL方法设计发送端、中继端的波束赋形矩阵最大化可实现的频谱效率；然后，设计中继端、接收端的频带波束赋形矩阵以最大化等效信道增益；最后，在接收端设计最小均方误差（MMSE）滤波器消除用户间干扰。理论分析和仿真结果表明，基于DL的混合波束赋形方法相较于交替最大化（AltMax）与传统SVD 方法 在高维信道矩阵和较多的用户情况下，计算复杂度分别降低了12.5%和23.44%；在已知信道状态信息（CSI）的情况下，频谱效率分别提高了2.277%和21.335%，在非完美CSI情况下，频谱效率分别提高了11.452%和43.375%。
分层联邦学习中隐私安全与资源消耗等问题的存在降低了参与者的积极性。为鼓励足够多的参与者积极参与学习任务，并针对多移动设备与多边缘服务器之间的决策问题，提出基于多领导者Stackelberg博弈的激励机制。首先，通过量化移动设备的成本效用与边缘服务器的支付报酬，构建效用函数并定义最优化问题；其次，将移动设备之间的交互建模为演化博弈，将边缘服务器之间的交互建模为非合作博弈。为求解最优边缘服务器选择和定价策略，提出多轮迭代边缘服务器选择算法（MIES）和梯度迭代定价算法（GIPA），前者用于求解移动设备之间的演化博弈均衡解，后者用于求解边缘服务器之间的定价竞争问题。实验结果表明，所提算法GIPA与最优定价预测策略（OPPS）、历史最优定价策略（HOPS）和随机定价策略（RPS）相比，可使边缘服务器的平均效用分别提高4.06%、10.08%和31.39%。
低轨（LEO）卫星多波束通信场景下，传统固定资源分配算法无法满足不同用户对信道容量的差异需求。以适应用户需求分配为主要目标，建立联合信道分配、带宽分配和功率分配的最小供需差优化模型，并引入图样分割多址接入技术（PDMA）提升信道资源的利用率。针对该模型的非凸特性，通过Q-learning算法学习资源分配最优策略为每个用户分配适合的信道容量，并引入奖励阈值进一步改进算法，加快算法的收敛，且使算法达到收敛时供需差异更小。仿真结果表明，改进后的算法收敛速度约是改进前的3.33倍：改进算法能满足更大的用户需求，比改进前Q-learning算法提升14%，是传统固定算法的2.14倍。
边缘计算（EC）与无线携能通信（SWIPT）技术能够提升传统网络性能，但同时也增加了系统决策制定的难度和复杂度。而基于最优化方法所设计的系统决策往往具有较高的计算复杂度，无法满足系统的实时性需求。为此，针对EC与SWIPT辅助的无线传感网络（WSN），联合考虑网络中波束成形、计算卸载与功率控制问题，建立了系统能效最优化数学模型；其次，针对该模型的非凸与参数耦合特征，通过设计系统的信息交换过程，提出基于深度强化学习的联合优化方法，该方法无须建立环境模型，采用奖励函数代替Critic网络对动作进行评估，能降低决策制定难度并提升实时性；最后，基于该方法设计了改进的深度确定性策略梯度（IDDPG）算法，并与多种最优化算法和机器学习算法进行仿真对比，验证了联合优化方法在降低计算复杂度、提升决策实时性方面的优势。
针对距离矢量跳（DV-Hop）定位模型定位精度低、优化策略场景依赖性强的问题，提出一种基于函数分析和模拟定参的改进DV-Hop模型——函数修正距离矢量跳（FuncDV-Hop）定位模型。首先，分析DV-Hop模型的平均跳距、距离估计和最小二乘法中的误差原因，引入待定系数优化、阶跃函数分段实验、带等效点的权重函数策略和极大似然估计修正；其次，考虑多应用场景，用控制变量法，分别将总节点数、信标节点比例、通信半径、信标节点数和待测节点数作为变量，设计对照实验；最后，进行仿真定参和整合优化测试两阶段实验，最终的改进策略较原DV-Hop模型的定位精度提高了23.70%~75.76%，平均优化率57.23%。实验结果表明，FuncDV-Hop模型的优化率最高达到了50.73%，与基于遗传算法和神经动力学改进的DV-Hop模型相比，FuncDV-Hop模型的优化率提升了0.55%~18.77%。所提模型不引入其他参量，不增加无线传感器网络（WSN）的协议开销，且有效提高定位精度。
针对空中计算网络中无线传感器的功率资源限制及其与现有无线通信网络的频谱竞争，研究一个包含信息通信和空中计算功能的认知无线网络，其中，主网络实现无线信息通信功能，次网络实现空中计算功能，且次网络中的传感器利用主网络基站发送的信号收集无线能量。考虑空中计算的均方误差（MSE）约束和网络中各节点的功率约束，基于随机信道不确定性构建目标函数为无线通信用户的和速率最大化的鲁棒资源分配优化问题，提出一个交替优化（AO）-改进的约束随机连续凸逼近（ICSSCA）算法，即AO-ICSSCA算法，将原鲁棒优化问题转换为确定性优化的子问题，并以交替的方式优化主网络基站的下行波束成形向量、次网络中传感器的功率因子和融合中心的融合波束成形向量。仿真实验结果表明，相较于改进前的约束随机连续凸逼近（CSSCA）算法，AO-ICSSCA算法能以更短的计算用时实现更好的优化性能。
针对终端直通（D2D）通信增强的蜂窝网络中存在的同频干扰，通过联合调控信道分配和功率控制最大化D2D链路和速率，并同时满足功率约束和蜂窝链路的服务质量（QoS）需求。为有效求解上述资源分配所对应的混合整数非凸规划问题，将原问题转化为马尔可夫决策过程，并提出一种基于深度确定性策略梯度（DDPG）算法的机制。通过离线训练，直接构建了从信道状态信息到最佳资源分配策略的映射关系，而且无需求解任何优化问题，因此可通过在线方式部署。仿真结果表明，相较于遍历搜索机制，所提机制在仅损失9.726%性能的情况下将运算时间降低了4个数量级（99.51%）。
针对中继协作通信在发射机和接收机之间的直接路径信号较弱，且信噪比（SNR）低的场景，提出一种智能反射面（RIS）辅助解码转发（DF）中继的协作索引调制（IM）系统（RIS-DF-IM）。在该系统中，RIS作为智能接入点（AP）充当源节点和中继节点发射机的一部分，根据发射信息对反射信道进行相位补偿，最大化接收天线的SNR，并对中继和目的节点接收机的多天线进行索引调制，提高系统的频谱效率；同时，利用矩母函数（MGF）法求解所提出的双跳系统误码率（BER）的理论联合界。此外，还提出了一种预贪婪的最大似然简化（SPML）检测器，通过预贪婪减少遍历天线索引数量，以及简化最大似然译码准则式，降低计算复杂度。蒙特卡洛仿真结果表明，在RIS元件数取128且采用空间调制时，RIS-DF-IM与RIS在远端不接入发射机的协作空间调制系统相比，BER降低了约10；与传统的预编码空间调制系统相比，BER大幅降低，约20；SPML检测器相较于最大似然（ML）检测器，BER增加了约1.4，但是计算复杂度减少了一半，实现了BER与复杂度之间的有效平衡。
随着区块链技术的不断发展，区块的传输延迟成为区块链系统可扩展性的性能瓶颈。远程直接内存访问（RDMA）技术能够支持高带宽和低时延的数据传输，为低延迟区块传输提供了新的思路。因此，结合RDMA原语的特性，设计了用于区块信息共享的区块目录结构，并在此基础上设计并实现了区块传输的基本工作过程。实验结果表明，相较于基于TCP的方案，在1 MB大小的区块上基于RDMA的区块传输机制将节点间的区块传输延迟降低了44%，全网络的区块传输延迟降低了24.4%，在10 000节点规模的区块链上，区块链发生临时分叉的数量降低了22.6%。可见，基于RDMA的区块传输机制充分发挥了高速网络的性能优势，降低了区块传输延迟及临时分叉的数量，提高了现有区块链系统的可扩展性。
针对多接入边缘计算（MEC）服务器高可靠、低时延和大数据量的数据传输要求，基于无冲突接入、优先级架构和弹性服务技术，提出一种适用于车辆边缘计算场景下的媒体访问控制（MAC）调度策略。所提策略由车联网（IoV）路侧单元（RSU）集中协调信道接入权，优先确保车载网络中车载通信单元（OBU）与MEC服务器之间的链路传输质量，以及时传输车辆到网络（V2N）业务数据；同时，对本地OBU之间的业务采取弹性服务方式，增强密集车辆接入时应急消息传输的可靠性。首先，构建调度策略的排队分析模型；其次，根据各时刻系统状态变量的无后效性特点建立嵌入式马尔可夫链，并通过概率母函数的分析方法对系统进行理论分析，得到MEC服务器通信单元和OBU的平均排队队长、平均等待时延和RSU查询周期等关键指标的精确解析表达式。计算机仿真实验结果表明，统计分析结果与理论计算结果一致，所提调度策略在高负载情况下能够提高IoV的稳定性和灵活性。
针对软件定义车联网（SDIV）的车-路实时查询类通信场景中单链路故障的问题，提出一种面向SDIV的链路故障快速恢复方法，综合考虑了链路恢复过程时延和恢复后路径的传输时延。首先，对故障恢复时延建模，将最小化时延的优化目标转化为0-1整数线性规划问题。然后，分析该问题，力图最大化复用已有计算结果，并根据不同情况提出两种算法：在流表更新时延相对路径传输延迟不可被忽略的情况下，提出基于拓扑划分的路径恢复算法（PRA-TP）；在流表更新时延相对路径传输延迟较小可被忽略的情况下，提出基于单链路搜索的路径恢复算法（PRA-SLS）。实验结果表明，相较于Dijkstra算法，PRA-TP的计算时延和路径恢复时延分别降低25%和40%，PRA-SLS的计算时延降低60%，可实现快速的汽车端的信息传输单链路故障恢复。
针对下行的异构认知超密集异构网络（UDN）的多维资源配置问题，提出一种以毫微微小区用户最大吞吐量为目标的联合优化用户关联和资源分配的改进遗传算法。首先，在算法开始之前进行预处理，初始化用户可达基站和可用信道矩阵；其次，采用符号编码，将用户与基站以及用户与信道的匹配关系编码为一个二维的染色体；然后，将动态择优复制+轮盘赌作为选择算法，以加快种群的收敛；最后，为避免算法陷入局部最优，在变异阶段加入早熟判决的变异算子，从而在有限次迭代下求得基站、用户、信道的连接策略。实验结果表明，在基站与信道数量一定时，所提算法与三维匹配的遗传算法相比在用户总吞吐量方面提高了7.2%，在认知用户吞吐量方面提高了1.2%，且计算复杂度更低。所提算法缩小了可行解的搜索空间，能在较低复杂度下有效提高认知UDN的总吞吐量。
针对工业无线传感器网络（IWSNs）中复杂链路环境、温度波动等造成的链路时延动态变化、时钟计时干扰、时间戳获取不确定等问题，提出一种基于精确时间协议（PTP）的IWSNs时间同步方法。首先，融合PTP双向时间同步过程的时钟计时干扰、非对称链路时延噪声，建立时钟状态空间模型和观测模型；其次，构建反向自适应卡尔曼滤波算法以滤除噪声干扰；然后，利用反向估计和正向估计的时钟状态归一化新息比值来评估噪声统计模型的合理性；最后，在设定检测阈值后，动态调整时钟状态过程噪声，以实现时钟参数的精确估计。仿真结果表明，相较于经典卡尔曼滤波算法和PTP，在不同时钟计时精度下，反向自适应卡尔曼滤波算法估计的时钟偏移和偏移率均有较小且更稳定的误差标准差，有效解决了噪声不确定等原因造成的卡尔曼滤波发散问题，提高了时间同步的可靠性。
