本书对不同实际应用场景下NOMA网络的能效问题进行建模分析和算法优化设计，分别介绍采用博弈论、凸优化、元启发式和机器学习等方法来处理NOMA网络能效优化中涉及的用户调度、子载波分配和功率分配等问题。全书共6章，主要内容包括：能效优化的博弈方法、能效最大化的凸优化方法、基于元启发式的能效优化方法、能效优化的机器学习模型和无人机辅助的NOMA物联网资源分配。

更多科学出版社服务，请扫码获取。

获得国家发明专利4项，计算机软件著作权登记证书2个；获得重庆市科技进步奖二等奖1项、三等奖2项，重庆市发展研究奖1项。

目录
第1章 绪论 1
1.1 研究背景与意义 1
1.2 NOMA简介 2
1.2.1 NOMA分类 2
1.2.2 NOMA的优点 3
1.2.3 NOMA主要的网络解决方案 4
1.3 系统模型和能效优化问题 6
1.3.1 MCMC-NOMA网络 6
1.3.2 整体能效 7
1.3.3 加权能效和 8
1.3.4 加权能效乘积 8
1.3.5 加权最小能效 8
1.4 无线系统资源分配方法 9
1.4.1 用户调度方法 9
1.4.2 高能效功率分配方法 11
1.4.3 机器学习/深度学习方法 12
1.5 本章小结 13
第2章 能效优化的博弈方法 14
2.1 博弈论简介 14
2.2 无线通信中的博弈论 15
2.3 均衡与稳定性 15
2.3.1 无线通信中博弈模型 17
2.3.2 资源分配中匹配博弈 18
2.3.3 功率分配的拍卖博弈 20
2.3.4 改进的功率分配拍卖博弈 21
2.3.5 资源分配的潜博弈 22
2.4 仿真结果 24
2.5 未来研究方向 29
2.6 本章小结 29
第3章 能效最大化的凸优化方法 30
3.1 基于逐次凸逼近的能效最大化资源分配 30
3.2 基于SPCA的EEM资源分配 32
3.2.1 MCMC-NOMA中基于SPCA的和速率最大化 32
3.2.2 MCMC-NOMA中基于SPCA的全局能效最大化 34
3.2.3 硬件损伤条件下MCMC-NOMA系统基于SPCA的全局能效优化 35
3.3 资源分配的分式规划方法 40
3.3.1 Dinkelbach算法 40
3.3.2 类Dinkelbach算法 42
3.3.3 闭式分式规划 43
3.3.4 多维二次变换 45
3.4 仿真结果 47
3.5 本章小结 58
第4章 基于元启发式的能效优化方法 59
4.1 鲸鱼优化算法 60
4.2 用户调度的二进制鲸鱼优化算法 61
4.2.1 包围猎物 61
4.2.2 泡网攻击 62
4.2.3 搜索猎物 63
4.3 改进的自适应鲸鱼优化算法 64
4.4 基于粒子群优化算法的资源分配 67
4.4.1 基于PSO的用户调度 68
4.4.2 一种改进PSO的功率分配 69
4.5 仿真结果 70
4.6 本章小结 73
第5章 能效优化的机器学习模型 74
5.1 学习机制与应用 75
5.2 人工智能辅助的无线网络和机器学习的作用 75
5.3 基于模型的机制 79
5.3.1 与类型无关的数据驱动模型 79
5.3.2 特定类型的模式模型 82
5.4 深度展开方法 88
5.5 仿真结果 91
5.6 本章小结 95
第6章 无人机辅助的NOMA物联网资源分配 96
6.1 系统模型 96
6.2 问题建模 99
6.3 能效优化算法 100
6.3.1 用户调度 100
6.3.2 无人机位置部署 103
6.3.3 功率分配 106
6.4 复杂度分析 109
6.5 仿真结果 110
6.6 本章小结 114
参考文献 116