دانلود شبیه سازی مقاله بهینه سازی پردازش سیگنال: متعادل کردن معیارهای تناقض در 5G

پروژه متلب سیستم های 5G

ما در حال حاضر، در نقطه ای از زمان هستیم که بسیاری از محققان صنعتی و دانشگاهیان در تلاش برای تدوین انتظارات و ملزومات خودشان در مورد شبکه های ارتباطات بی سیم نسل بعدی هستند.

تکامل شبکه های سلولی با هدف و آرمان اتصالات بی سیم فراگیر (در همه مکان ها)، هدایت شده است. هر سرویس مبتنی بر داده، لازم است در همه جا فوراً در دسترس باشد. با هر نسل از شبکه های سلولی، به این آرمان نزدیکتر شده ایم؛ ابتدا با ارائه دسترسی بی سیم به ارتباطات صوتی، سپس با فراهم کردن خدمات دیتای بی سیم و لزوماً با تحویل یک تجربه شبیه به وای فای با یک پوشش منطقه گسترده و مدیریت تحرک کاربر، دست پیدا می کنیم. پشتیبانی برای نرخ داده زیاد، در سالهای اخیر به هدف اصلی تبدیل شده است، همانگونه که در تاکید و توجه دانشگاهیان بر بهینه سازی «نرخ مجموع» و تلاش های هیئت های استاندارد سازی برای برآورده کردن اوج نرخ الزامات مشخص شده در IMT پیشرفته، این امر مشاهده می شود. برعکس، یک سری معیارها و اهداف در طراحی های فنی برای شبکه های 5G، مطرح شده اند که عبارتند از: پیک نرخ بالاتر، بهبود پوشش با تجربه کاربری یکنواخت، قابلیت اطمینان بالاتر و تاخیر کمتر، بازده انرژی بهتر، ادوات و خدمات کاربری کم هزینه تر، مقیاس پذیری بهتر براساس تعداد ادوات و غیره. این اهداف چندگانه، به هم وابسته هستند، و اغلب به شکلی متناقض به نحوی که بهبود در یک هدف باعث تنزل اهداف دیگر می شود. بنابراین، طراحی شبکه های نسل بعدی، نیاز به ابزارهای بهینه سازی جدید دارد که به درستی، توازن بین چندین هدف را مدیریت می کنند. در این مقاله، مروری بر مقالات در زمینه بهینه سازی چندهدفی (MOO) ارائه می دهیم که یک چارچوب ریاضیاتی برای حل مسائل طراحی با چند هدف متناقض و متعارض است. برخلاف رویکردهای ابتکاری متداول که تعدادی هدف به قید تبدیل می شوند، MOO، یک طراحی شبکه قوی و دقیق را ممکن می سازد. MOO در بسیاری از رشته های مرتبط با مهندسی و اقتصاد بکار گرفته شده است، اما توجه اندکی از جانب جوامع پردازش سیگنال و ارتباطات بی سیم، دریافت کرده است. در این مقاله، یک بررسی کلی از تعاریف پایه، خواص و ابزارهای الگوریتمی در MOO، انجام می دهیم. این آشکار کننده نحوه استفاده از الگوریتم های پردازش برای تصویر سازی تعارض ذاتی بین اهداف عملکردی 5G است و در نتیجه به طراح شبکه امکان می دهد تا نکات عملکردی احتمالی و نحوه متوازن سازی اهداف به نحو کارآمد و رضایت بخش، را درک کند. جهت شفافیت، یک مطالعه موردی در مورد سیستم های «چند ورودی چند خروجی» (MIMO) عظیم ارائه می دهیم که یکی از توانمند کننده های کلیدی شبکه های سلولی 5G می باشند.

این شبیه سازی در محیط نرم افزار متلب انجام شده و در ادامه نیز تصاویر مربوط به خروجی های شبیه سازی قرار داده شده اند که منطبق با نتایج مقاله اصلی می باشند:

انتظارات طراحی در مورد شبکه های بی سیم 5G را نمی توان با فقط یک هدف عملکردی، تصریح کرد. اهداف متعارض بسیاری، مانند بهبود پیک نرخ های کاربر، میانگین نرخ های منطقه و بازده انرژی، وجود دارند. بنابراین، طراحی شبکه نیاز به بهینه سازی چند هدفه دارد که چارچوبی قوی برای مطالعه و حل مسائل طراحی با چند هدف می باشد. این مقاله، یک بررسی مروری درباره این موضوع، ارائه کرده است. هیچ جواب بهینه عینی برای این نوع مسائل وجود ندارد، اما دو روش اصلی برای یافتن جواب های بهینه غیرعینی وجود دارند که نیازهای طراح شبکه را برآورده می کنند. یکی از روش های آن، روش خلفی (posterior) است که نقاط نمونه را برروی مرز پارتو (مجموعه نقاط عملیاتی تجربی که بدون تنزل دادن هدف دیگر، نمی توان هیچ هدفی را بهبود داد)، محاسبه می کند. نقاط نمونه برای ترسیم مرز پارتو برای طراح شبکه، قابل استفاده هستند. سپس طراح شبکه می تواند براساس آن، تصمیمات طراحی آگاهانه بگیرد. به نحوی دیگر، طراح می تواند یک تابع هدف مشخص کند که توصیف کننده توازن های قابل قبول بین اهداف است و استنباط کننده یک نظم برروی نقاط کاری قابل حصول است. سپس می توان این تعادل را با حل یک مسئله بهینه سازی متعادل، بیشینه سازی کرد و در نتیجه مناسب ترین نقطه مرز پارتو، بدست آید. همچنین، یک مطالعه موردی در مورد تعیین ابعاد شبکه های سلولی ارائه می دهیم که نصب گسترده MIMO را ممکن می سازد. این مثال، نشان دهنده چشم انداز ما در مورد نحوه بهره گیری از چارچوب MOO جهت متوازن سازی اهداف عملکردی متوازن هنگام طراحی شبکه های ارتباطاتی بی سیم آینده می باشد. در حالی که ابزارهای طراحی فراهم شده بوسیله MOO بخوبی جا افتاده اند، اما کاربردهای آن مربوط به شبکه های ارتباطاتی هنوز به میزان زیادی مورد مطالعه و بررسی قرار نگرفته اند. یکی از چالش های پژوهشی این است که MOOP ها را با یک دانه بندی مدل سازی فرموله کنیم که به ما امکان می دهد تا به پرسش های طراحی اساسی مرتبط با نحوه مدیریت کارآمد ویژگی های 5G ناهمخوان و نامتناسب توصیف شده در مقدمه توسط این سیستم، پاسخ دهیم. برای رسیدن به این هدف، مدل ها باید مشخصات انتشار عملی را استخراج کنند تا در برابر مشکلات سخت افزاری و پارامترهای مدل سازی غیرقطعی، استوار باشند و بهینه سازی روش های پردازش سیگنال را ممکن سازند. همه این ها باید هنگام مهارپذیر کردن انجام عملیات های بهینه سازی پایه (برای مثال، آزمون عضویت توصیف شده در بالا) از لحاظ محاسباتی، انجام شوند.