随着智能移动终端数量的不断增多和新颖的移动数据服务的不断涌现,对无线通信流量的需求正在以一个爆炸式的速度增长。多层异构网络的出现虽然在一定程度上满足了急速增加的移动终端对数据的需求,但也使得对频谱等有限资源的使用越来越捉襟见肘。无线资源越来越有限同人们对移动业务要求越来越严格的矛盾日益突出,同时资源的重复利用会导致严重的干扰和资源的不合理分配又弱化了网络的性能。因此,亟需对无线资源进行高效的管理、控制和调度,以满足各种业务需求,保证服务质量(Quality of Service,QoS),提高资源利用率和缓解资源紧缺的情况。随着5G的到来,多种网络的融合和多种新技术的融入使得干扰的场景更加复杂,需要分配的资源类型更多,资源分配方案的研究将会更加迫切。本论文深入研究了“多层异构无线通信网络中的资源分配方案研究”这一课题,针对含小小区和端到端(Device-to-Device,D2D)通信的多层异构网络,考虑基于吞吐量、能效、中断性能、用户关联和回程节省等资源分配问题,研究了多层异构无线通信网络中的高效资源分配方案。本论文研究的内容包括面向异构网络上行吞吐量的联合基站选择和资源分配方案、面向异构网络下行中断性能的资源分配方案、面向D2D和小基站通信网络吞吐量的联合信道分配和功率控制方案设计、面向火车车厢异构通信网络能效的联合子载波和功率分配方案、面向异构云接入网络和速率的联合用户关联和功率控制方案设计、面向空地通信网络多目标优化的缓存方案和部署方案设计。具体研究内容和主要贡献如下:1.针对基于正交频分多址接入的异构蜂窝网络(Heterogeneous Cellular Network,HCN),提出了面向网络吞吐量最大化的联合基站关联和资源分配方案,设计了两种基于势博弈的分布式学习算法,并理论证明和分析了收敛到两种均衡解的性能。系统吞吐量最大化问题是一个NP-hard问题,首先引用权重变量将原优化问题转化为一个易于处理的形式,再将转化后的问题建模成一个完全势博弈并证明了存在一个最优纳什均衡点是原问题的一个近似最优解。为了获得原问题的最优解,引入状态空间将原问题重新建模为一个带有状态变量的普通势博弈,并证明了存在一个最大化系统吞吐量的循环状态均衡。其次,分别提出了 Max-logit学习算法的两个变体进而获得这两种势博弈的均衡点:一个是用户间较少信息交换的同步学习算法并被证明了能够收敛到完全势博弈的最优纳什均衡点;另一个有效的学习算法被用于带有状态变量的普通势博弈模型中并证明其能够收敛到全局最优解。最后,通过仿真实验,相关理论结果得到了验证。2.在推导出HCN下行中断概率表达式的情况下,针对基于系统中断性能的优化问题,提出了一个分布式资源分配方案,设计了基于匹配博弈的分布式算法以减轻网络干扰和提高系统性能。在HCN中,部署的小小区基站与宏基站共享频谱资源,导致了严重的跨层干扰和系统性能的损失。具体来说,首先推导出系统中断概率的闭合表达式。然后,提出了一个资源分配问题,进一步降低网络的中断概率。为了实现用户和资源块之间有效的匹配,资源分配问题被建模为一个匹配博弈,其稳定的匹配被认为是资源分配问题的解。最后,为了求解这个匹配问题,提出了一个可以收敛到稳定匹配的分布式算法。分析和仿真结果表明,理论推导的正确性得到了验证和算法的应用进一步提高了 HCN的整体性能。3.针对蜂窝网络中部署有D2D通信和小小区基站的上行通信网络,提出了面向网络吞吐量最大化的联合功率控制和子信道分配方案,推导出了最优功率解的闭合表达式并设计了两种博弈学习算法用于求解耦合的子信道分配问题。对于多层异构网络吞吐量最大化的资源分配问题,采用基于博弈论的学习方法来求解。然而,该资源分配问题是一个混合有整数的非凸问题,求解其最优解具有高挑战性。为了解决这个难题,首先通过预先设定子信道分配策略,推导出了各种情况下最优功率的闭合表达式。其次,基于最优功率控制的子信道分配问题构造为一个博弈模型,并且定义了一个能够反映优化目标最优性能的福利函数。为了最大化福利,提出了一种分布式的试错学习算法,并证明其收敛到一个随机稳定状态。由于收敛到的稳定状态并不能保证是最优解,所以将这个子信道分配问题重新构造为一个完全势博弈模型,并提出了另一种分布式学习算法,其能够找到最优的纳什均衡且是问题的最优解。为了加速算法收敛,通过剔除不可用的策略组合,文中进一步改进了这两种算法。最后,仿真结果验证算法具有极快的收敛速度。4.针对铁路运输通信网络的车厢通信部分,在车厢异构通信网络中含有能够收集能量的D2D通信的场景下,提出了联合子载波和功率分配方案,设计了基于博弈论的学习方法求解联合优化问题以优化网络的加权能量效率(Energy Efficiency,EE)。具体来说,首先提出了一个新的能效指标来评估网络EE性能并优化其下界。然而,联合资源分配问题的可行域中混合有整数,这是一个难以处理的棘手问题。为此.通过交替固定子载波和功率分配策略,将联合优化问题分解为两个资源分配子问题。这两个子问题被分别建模为两个完全势博弈,并且分析了它们均衡解的存在性和最优性。接下来,分别提出了一个用于求解功率分配问题的虚拟分布式迭代学习算法,该算法具有较快的收敛速度并推导出了均衡唯一性的存在条件,确保其能够获得全局最优解(即,最优的纳什均衡),以及提出了一个用于求解子载波分配问题的完全分布式Max-logit迭代算法,并且验证了该算法仅需要交互局部信息就能以任意高概率获得最优的纳什均衡解。通过两种算法的交替迭代操作,最终能够得到联合资源分配问题的最优分配策略。最后,数值仿真结果表明该方案与一些现有的资源分配方案相比具有显著的性能优势。5.在保证异构云接入网络中用户QoS要求的情况下,提出了面向和速率最大化的联合用户关联和功率分配方案,根据构造的Stackelberg博弈模型设计了基于变分不等式理论的分布式算法用于求解耦合的功率分配问题。然而,QoS限制的存在使得功率控制的策略空间之间是耦合的。基于此,该联合优化问题被建模为一个广义的Stackelberg博弈,设计了一个集中-分布式算法,并且理论上证明了所提出的算法收敛到资源分配问题的最优解。具体来说,通过云端强大的计算能力求解用户的关联问题,并基于变分不等式理论提出了一个分布式功率分配算法。最后,仿真结果验证了算法的收敛性,以及所提方案与穷举方法具有相近的性能。6.在降低传输时延和提供超高吞吐量方面,主动缓存受欢迎内容到基站端已经成为了一个有前景的解决方案。在地面HCN中,通过规划联合服务提升和缓存内容放置策略,提出了有效和速率和回程节省之间的最佳权衡方案,同时保证用户终端的QoS要求和基站的回程流量约束。然而,在这个非线性优化问题中存在有整数可行域这一棘手问题。为此,通过交替固定三类变量中的两个(即地面终端关联,功率控制和内容放置),将资源优化问题分解为三个子问题。针对这三类子问题,分别将它们转化为凸问题或松弛为易于处理的形式,并提出了相应的迭代算法。进而,提出了一个三层迭代算法,用于求解联合地面终端关联、功率控制和缓存放置问题。另外,当地面用户终端关联不到地面基站时,装置有具有缓存功能基站的无人机被部署,为这些终端提供通信服务。在保证QoS要求的情况下,提出了无人机的多目标部署方案(例如传输功率、无人机数目、位置和缓存内容)。具体的说,提出了一个基于强化学习的方法,求解多目标的部署问题同时保持功率消耗和回程节省之间的最优折中。最后,数值仿真结果验证了所提方案的有效性。