The performance evaluation of ai based resource allocation algorithms for donwlink NOMA systems
Aşağı yönlü NOMA sistemlerinde yapay zeka tabanlı kaynak tahsis algoritmalarının performans analizi
- Tez No: 815283
- Danışmanlar: PROF. DR. HAKAN ALİ ÇIRPAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: 61
Özet
Birinci nesil mobil ağlardan 5G'ye kadar Frekans Bölmeli Çoklu Erişim (FDMA), Zaman Bölmeli Çoklu Erişim (TDMA), Kod Bölmeli Çoklu Erişim (CDMA), Ortogonal Frekans Bölmeli Çoklu Erişim gibi farklı çoklu erişim teknikleri kullanılmaktadır. CDMA dışında, tüm bu teknikler, tek bir kullanıcıya hizmet vermek için aynı frekans/zaman aralığını kullanır. Bunun tersine, CDMA, çeşitli ayırt edici, kullanıcıya özgü kod dizileri kullanılarak birkaç kullanıcıya tek bir frekans/zaman dilimi tarafından hizmet verilmesini mümkün kılar. 5G ve sonrası için bu geleneksel yöntemler, yeni sistem gereksinimlerine yönelik ihtiyaçları karşılamamaktadır. Kitle iletişim ve IoT teknolojilerinin artmasıyla birlikte düşük gecikme süresi, yüksek verim ve geniş menzil gibi farklı gereksinimler ortaya çıkmıştır. Çoklu Giriş Çoklu Çıkış (MIMO) ve Dİkgen Olmayan Çoklu Erişim (NOMA) gibi çeşitli teknikler bu gereksinimleri karşılamak için önerilmiştir. MIMO'da veriler, farklı antenler kullanılarak tek bir kanal üzerinden çeşitli sinyaller olarak aynı anda iletilir. Alıcı tarafında, bu sinyaller aynı sayıda antenle ayarlanmış MIMO modülü yardımıyla yeniden birleştirilir. NOMA'da, kullanıcılar aynı zaman dilimini ve aynı frekans bandını kullanarak güç veya kod alanında çoğullanır. Dikey olmayan çoklu erişim (NOMA), verimli kaynak tahsisi ve bant genişliği kullanımı sağlar. 5G ve ötesinde kablosuz mobil ağlarda, ultra güvenilir düşük gecikmeli iletişim (URLLC), gelişmiş mobil geniş bant (eMBB) ve büyük makine tipi iletişim (mMTC) olmak üzere üç ana hizmet vardır. URLLC hizmetinin uçtan uca 1 ms'den daha az gecikmeyle güvenilir veri aktarımına ihtiyaç duyması, mMTC hizmetinin ise ağa aynı anda bağlı çok sayıda cihazı desteklemesi gibi her hizmetin kendine özgü zorlu gereksinimleri vardır. NOMA, 5G ve ötesi ağlar için sınırlı bant genişliği kaynaklarının spektral olarak verimli kullanımını sağlayan önemli teknolojilerden biridir. IoT cihazlarının sayısı önemli ölçüde arttıkça, aynı frekans kaynağı içindeki kullanıcılara farklı güç düzeylerinin atandığı birden çok kullanıcının aynı frekans kaynağını aynı anda paylaşmasına izin vererek mMTC hizmetini desteklemek için NOMA daha önemli hale gelir. NOMA genel olarak güç ya da kod alanlarında çoğullama konseptine dayalıdır. Bu çalışmada güç tabanlı çoğullama yöntemi kullanılmıştır. Bu yöntemde farklı kullanıcıların verileri aynı zaman ve frekans kaynağı ile farklı güç seviyeleri kullanılarak bir radyo kanalı üzerinden iletilir. Aynı kaynağı paylaşan kullanıcıların güç seviyelerindeki farklılıklar, alıcı tarafta ardışık girişim iptali (SIC) yönteminin uygulanmasına olanak sağlamaktadır. Kullanıcılar ikili gruplandığında ve baz istasyonuna yakın kullanıcının kanal kalitesinin uzak kullanıcıya kıyasla daha iyi olduğu varsayıldığında, yakın kullanıcı için atanması gereken iletim gücü, uzak kullanıcı için atanan iletim gücünden daha düşüktür. Bu durumda alıcı tarafında, yakın kullanıcı, güçlü sinyale sahip yakın kullanıcının sinyalini çözümleyerek elde edilen toplam sinyalden çıkararak kendi verisine ulaşır. Uzak kullanıcı ise yakın kullanıcının verilerini bir girişim olarak ele alır ve bu sinyali bastırarak kendi sinyalini elde eder. Kaynak Bloğu(RB) NOMA sistem modelindeki bir kullanıcı çiftine atanan kaynak olarak tanımlanmaktadır. Çok kullanıcılı sistemlerde kullanıcıların güç katsayılarının seçimi sistem performansında önemli bir etkendir. Kullanıcı veri hacminin maksimum geometrik ortalamasını iyileştirmek için, yinelemeli gradyan artma tabanlı güç atama yöntemi uygulanmıştır. Söz konusu güç metriğinin konveks olduğu ve tek bir maksimum değere sahip olduğu gösterilmiştir. Önerilen tasarımımda bu maksimum değeri veren güç paylaşım parametreleri iteratif gradyan çıkış yöntemi ile elde edilmiştir. Bu değer aynı kaynak bloğunu paylaşan kullanıcılar için optimum güç paylaşım parametresidir. Sistem performansını iyileştirmek amacıyla güç parametrelerinin gereksinimler doğrultusunda akıllıca atanmasının önemi olduğu kadar kullanıcıların doğru eşleşmelerle gruplanmasının da önemi vardır. Kaynak tahsisi(“Resource allocation”-RA) tüm kullanıcılar için yapılan kaynak bloğu atamalarının tamamını kapsamaktadır. Önerilen sistemde, veri hacminin geometrik ortalamasının maksimize edilmesi amaçlandığından her kullanıcının en az bir RB'ye atanması gerekmektedir. Aksi takdirde, atanmamış boşta bir kullanıcı varsa, hesaplanan verim sıfır olur. Bu yaklaşımla kullanıcılar arasında adalet de sağlanmış olur. Çok sayıda kullanıcı ve kaynak bloğuna sahip bir NOMA sistemi göz önünde bulundurulduğunda, tüm olası kullanıcı çifti çözümlerini taramak ve en iyi sonuç veren kullanıcı çiftini seçmek amacıyla kapsamlı arama(“exhaustive search”) gibi algoirtmalar kullanıldığında çok büyük bir arama uzayını taramak gerekmektedir. Kaynak ve zaman kullanımı fazla olan bu yöntem yerine arama uzayını verimli bir şekilde taramak için kullanılacak çeşitli yapay zeka yöntemleri önerilmiştir. Bu tezde, aşağı yönlü NOMA sistemleri için Genetik Algoritma(GA), Simüle Tavlama(SA) ve Tepe Tırmanışı(HC) olmak üzere üç farklı yapay zeka(AI) tabanlı kaynak tahsisi algoritması geliştirilmiştir. Önerilen yaklaşımda, her grup için frekans kaynak bloğu ile birlikte NOMA kullanıcı gruplarını belirlemek için AI algoritmalarından biri kullanılmıştır. Ardından, kullanıcı veri hacminin geometrik ortalamasını maksimize etmek için optimum güç tahsisi gerçekleştirilir. Bu sayede kullanıcılar arasında adalet sağlamak ve en yüksek verime ulaşmak arasındaki denge kurulması amaçlanmıştır. HC algoritması bir hedefin yerel en büyük değerini bulmak için kullanılan, komşuluk(yakın çevre) tabanlı bir arama yaklaşımıdır. HC algoritmasında ilk adım olarak rastgele seçilen bir başlangıç kaynak tahsis haritasının(“Resource allocation map”) sonucu hesaplanır. Ardından tüm komşu uzayı sırayla taranır ve bu komşulardan elde edilen en iyi sonucun mevcut sonuçtan daha iyi olup olmadığı belirlenir. Eğer daha iyi sonuç veren bir komşu harita varsa, bu yeni kaynak tahsis haritası olarak seçilir ve bir sonraki adımda yeni haritanın tüm komşuları taranır. Bu döngü, komşulardan hiçbiri daha iyi bir sonuç vermeyene kadar devam eder. HC algoritmasının belirli bir iterasyon sayısında tekrar çalıştırılması yöntemi sunulmuştur. Her bir algoritma döngüsü sonunda elde edilen ve yerel maksimum değeri sağlayan kaynak tahsis haritası, bir sonraki döngüde başlangıç haritası olarak kullanılmıştır. Bu yöntem sayesinde HC algoritmasının hesaplama süresi diğer algoritmalarla eşitlenecek şekilde optimize edilmiştir. SA algoritması da HC gibi komşuluk kavramı ile çalışan fakat arama uzayındaki çözümleri keşfetmek için kullandığı sıcaklık değişkenini kademeli olarak azaltan bir yaklaşımdır. Bu algoritma, sonucu iyileştiren adımları kabul eder ve ayrıca daha büyük arama alanını keşfetmek için sıcaklık değişkenine bağlı bir olasılık fonksiyonuna göre daha kötü sonuç veren komşulukların da bir sonraki adım olarak kabul edilmesine de izin verir. SA algoritmasında başlangıç sıcaklığı, zaman bütçesi ve soğutma faktörü gibi parametrelerin algoritma performansı ve hesaplama süresi üzerinde etkisi vardır. Yapılan testlerde, başlangıç sıcaklığının kullanıcı sayısıyla doğru orantılı olarak atanması gerektiği tespit edilmiştir. Eğer başlangıç sıcaklığı optimum değerden düşük olursa algoritma en iyi sonuca ulaşamadan hızlı bir şekilde sonlanır. Zaman bütçesi, sıcaklık değeri güncellenmeden önceki iterasyon sayısını belirler. Soğutma faktörü bire yakın bir değere ayarlandığında, sıcaklık düşüşünün eğimi yavaşlar. Soğutma faktörünün çok düşük seçilmesi algoritmanın hızlı bir şekilde sonlanmasına neden olabilirken, çok yüksek bir değere ayarlanması algoritmanın makul bir zaman diliminde sonlanmasını engelleyebilir. SA algoritmasının diğer algoritmalarla hemen hemen aynı sürede çalışmasını sağlamak için bu parametrelerin etkileri göz önünde bulundurularak parametre optimizasyonu yapılmıştır. Genetik algoritma, doğal seçilimden ilham alınan ve optimizasyon problemlerini çözmek için kullanılan bir yöntemdir. Bu yöntemde kromozomlar sistemin kaynak tahsisini göstermektedir. Her kromozom, ikili kullanıcı grupları barındıran kaynak bloklarından oluşur(RB). GA algoritması bu kromozomlar üzerinde çaprazlama, mutasyon gibi işlemler uygulayarak en iyi sonucu elde etmeye çalışır. MATLAB GA algoritması için sonlandırma kriteri olarak maksimum jenerasyon, fonksiyon toleransı, ve maksimum zaman bütçesi gibi çeşitli seçenekler sunmaktadır. Bu parametreler, GA algoritmasının diğer algoritmalarla neredeyse eşit sürede çalışmasını sağlayacak şekilde optimize edilmiştir. Maksimum nesil seçeneği, algoritmanın belirli bir iterasyon sayısına ulaştığında sonlandırılması için kullanılır ve kullanıcı sayısıyla orantılı olarak atanır. Fonksiyon toleransı, algoritmanın hesaplama süresinde dramatik bir değişime neden olabilir. Sondan geriye doğru belirli sayıda jenarasyonun hesaplanan sonuçlarının ortalama göreceli değişimi, fonksiyon toleransına eşit veya daha az olduğunda algoritma durur. Bu parametreler, GA algoritmasının diğer algoritmalarla neredeyse eşit sürede çalışmasını sağlayacak şekilde optimize edilmiştir. Bu üç yapay zeka algoritmasının performansını karşılaştırmak amacıyla çeşitli simülasyonlar gerçekleştirilmiştir.e Algoritmaların farklı parametrelerinin en iyi sonuca yakınsama konusundaki etkileri araştırılmıştır. Yapılan testlerde üç algoritma da aynı kaynak tahsisi ile başlatılmıştır. Algoritmaların benzer sürede çalışması sağlanarak kullanıcıların veri hacimlerinin geometrik ortalamasının en yüksek değerleri karşılaştırılmıştır. Sayısal sonuçlar, GA algoritmasının diğer algoritmalara kıyasla her zaman daha iyi sonuç sağladığını göstermektedir. HC algoritması en kötü sonuçları verirken, SA algoritması HC'ye kıyasla daha yüksek değerlere ulaşabilmiştir. Elde edilen sonuçlar, HC algoritmasının arama uzayını yeterince keşfetmeden yerel bir maksimuma yakınsadığını ve SA algoritmasının düşük bir olasılıkla kötü sonuç veren komşulukları da algoritmaya dahil ederek daha geniş arama uzayını keşfetmesi sayesinde alt-optimum bir değere yakınsadığını doğrular.
Özet (Çeviri)
From first generation of mobile networks to 5G, different multiple access techniques such as Frequency Division Multiple Access(FDMA), Time Division Multiple Access(TDMA), Code Division Multiple Access(CDMA), and Orthogonal Frequency Division Multiple Access are used. Except from CDMA, all these techniques uses same frequency/time slot for serving a single user. In contrast, CDMA makes it possible for several users to be served by a single frequency/time slot by using various distinctive, user-specific spreading sequences. For 5G and later, these traditional methods does not satisfy the needs for the new system requirements. With the increase of mass communication and IoT technologies, different requirements such as low latency, high throughput and wide range have emerged. Various techniques such as Multiple-Input Multiple-Output(MIMO) and Non-orthogonal multiple access (NOMA) have proposed to meet these requirements. In MIMO, data is transmitted simultaneously as various signals over a single channel using different antennas. On the receiver side, these signals are recombined with the help of the MIMO module tuned with the same number of antennas. In NOMA, the users are multiplexed in the power or code domain by using the same time slot and the same frequency band. NOMA provides efficient resource allocation and bandwidth utilization. There are three important services in 5G and beyond wireless mobile networks: enhanced mobile broadband (eMBB), ultra reliable low latency communication (URLLC), and massive machine type communication (mMTC). Each service has its own challenging requirement such as the URLLC service needs reliable data transfer with the end-to-end delay of less than 1 ms while the mMTC service requires supporting a huge amount of devices simultaneously connected to the network. NOMA is one of important technologies to provide the spectral efficient utilization of limited bandwidth resources for 5G and beyond networks. As the number of IoT devices increase significantly, NOMA becomes more important to support the mMTC service by allowing multiple users share the same frequency resource simultaneously, where different power levels are assigned for the users within the same frequency resource. In this thesis, we develop three different artificial intelligence (AI) based resource and power allocation algorithms, namely Hill Climbing (HC), Simulated Annealing (SA), and Genetic Algorithm, for downlink NOMA systems. In the proposed approach, one of the AI algorithms is used to determine the NOMA user groups along with the frequency resource block for each group. Then, the optimum power allocation is performed to maximize the geometric mean of the user throughputs. The simulation experiments are performed to compare and contrast the performance of these three AI algorithms. The numerical results demonstrate that the GA provides the best results while the HC performs the worst.
Benzer Tezler
- Parça yerleştirme algoritmalarının postal oluşturma problemine uygulanması
Başlık çevirisi yok
FİLİZ BUNYAK
Yüksek Lisans
Türkçe
1996
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDOÇ.DR. FÜSUN TUNALI (SEÇUK)
- Constraint programming as a technology to supportproject management
Başlık çevirisi yok
ZEYNEP BESTE GÜRAN
- İnsan kaynakları yönetimine yönelik yapay zeka algısının çalışanların çeviklik performansı ve işe bağlanması üzerindeki etkisi
Impact of artificial intelligence perception in human resource management on employee agility performance and work engagement
BEYZA NUR HACIOĞLU
- Generalized game-testing using reinforcement learning
Pekiştirmeli öğrenme kullanarak genelleştirilmiş oyun testi
UĞUR ÖNAL
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiOyun ve Etkileşim Teknolojileri Ana Bilim Dalı
DOÇ. DR. SANEM SARIEL UZER
DR. ÖĞR. ÜYESİ HÜSEYİN KUTAY TİNÇ
- Enhancing human resource decision making with image-based OSMI data analysis: leveraging PIX2PIX for accurate workplace mental health insights
İş yeri mental sağlık incelemeleri için PIX2PIX kullanarak, görüntü tabanlı OSMI veri analiziyle insan kaynakları karar süreçlerini geliştirme
FARIBA FARID
Yüksek Lisans
İngilizce
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. NİZAMETTİN BAYYURT