随着5G通信技术的发展和应用,物联网也得到了快速的发展,接入物联网的设备规模不断增大,其中又以无线传感器网络为代表。这些无线传感器节点具有成本较低、数量巨大、体积较小、功耗较低、传输距离较短等特点。因此,无线传感器网络在工农业、国防、医疗健康等领域有着广泛应用。在农业领域中,无线传感器能够实时监测环境温湿度、土壤湿度、光照强度等数据。在工业生产中,无线传感器能够监测化工园区的有毒有害气体的泄漏,监测建筑路桥的结构强度。在国防领域,无线传感器将收集到的战场信息传输至后方指挥中心,实时感知战场态势。在医疗健康领域,传感器可以被放置于体表和体内的不同部位,监测血压、心电、血糖等生理指标,为医生提供诊疗依据,也就是无线体域网。这些传感器的体积微小,数量众多,难以通过有线连接的方式一一接入电网。另外,当使用电池供电时,大量且频繁的电池更换操作是不便利的;当传感器位于有毒有害区域或人体内,难以更换电池。因此,保证这些无线通信设备的电力供应成为了一个亟待解决的问题。从环境中收集能量是一种解决无线设备能量供应的有效方案。能量收集技术是指传感器利用能量转化装置,将环境中的风能、振动、太阳能、地热能、射频信号等其他形式的能量转化为电能,实现对传感器的充电。与接入电网和更换电池的方式相比,能量收集技术具有成本低、部署便利、可持续性高等优势,符合绿色通信的趋势。与风能、太阳能等波动性较大的能源相比,射频能量收集具有更高的稳定性和可控性。射频能量收集有多种实现方案,最常见的是无线供能通信网络（Wireless Powered Communication Network,WPCN）。WPCN由一个混合接入点和多个用户节点组成,混合接入点既作为用户节点的射频能量源,又是用户节点发送信息的目的地。由于“双重路径损耗”加剧了射频信号的传输衰减,研究WPCN的资源分配策略以提高其吞吐量和能量效率,对于提升系统整体传输性能有重要意义。本文首先分析了不同射频能量传输模型的特点,并总结了无线供能通信网络的研究现状及存在的问题,提出了针对WPCN的图形化资源分配算法,以及针对中继协作WPCN的数学化资源分配算法。在WPCN系统中,由于现有的算法复杂度较高,本文以总吞吐量最大化为优化目标,提出了基于“能量隧道”的图形化功率调整策略,其计算复杂度显著地低于内点法等算法;并与交替优化算法整合,实现了时间和功率的联合分配。进一步地,在传统WPCN系统中引入协作中继节点以解决“双重路径损耗”,系统采用了三阶段的单周期的传输模式,因此图形化功率调整策略不适用于此场景。以能量利用效率最大化为优化目标,基于丁克尔巴赫算法为基础,本文提出了联合优化时间和功率的数学化算法。另外,以吞吐量最大化为目标,我们提出了一种基于一维线性搜索的资源分配策略,分析了WPCN中引入中继节点对网络性能的影响。针对基于图形化的多周期功率调整策略,本文研究了由一个混合接入点和若干个不同距离处的用户节点组成的WPCN系统。该WPCN采用多周期传输方式,每个周期采用“收集-再传输”协议,即每个周期分为能量收集阶段和信息传输阶段;用户节点首先将从混合接入点接收到的射频信号转化为电能,然后通过射频信号将收集的数据发送给混合接入点。与此同时,用户节点配备有限容量的电池来存储收集的电能,以便调度不同周期内的电能。此外,用户节点的能量收集和使用必须遵循能量中性操作原则,即节点在任意时刻内累计消耗的能量不得超过其迄今累计收集的能量。由于功率调整只发生在信息传输阶段,可将每个周期的信息传输阶段抽取出来,组成一个虚拟时间队列,并认为能量收集在此序列每阶段的起始时刻瞬间完成。由于混合接入点在传输开始前就已知每个周期内的信道状态信息和能量收集持续时间,故可确定一条阶梯型的能量收集曲线。根据能量中性操作原则,节点的能量消耗曲线必须位于该阶梯型曲线的下方,否则将导致能量提前耗竭。另一方面,由于电池的容量有限,用户节点在任意时刻累计未使用的能量,即能量收集曲线高度和能量消耗曲线高度的差值,不能超过电池容量,否则会发生能量溢出。因此能量收集曲线和电池容量唯一地确定了“能量隧道”,分别对应隧道的上界和下界,能量消耗曲线只能在能量隧道内进行调整。WPCN多周期功率调整策略,应遵循如下的三条引理。在两次收集能量到来之间的时间内,当用户节点消耗同样多的能量时,只有恒定的传输速率才能实现最大的吞吐量;为了实现最优的功率调整,只有在能量到来的时刻,并且该时刻电池充满,用户节点才会增大发射功率;类似地,只有该时刻电池耗尽,用户节点才会减小发射功率;当所有周期传输结束时,用户节点应恰好耗尽累计收集的能量。在具体的图形化功率调整策略中,以能量隧道的下界左端点为起点,以能量隧道的上界右端点为终点,连接两点得到的直线即为初始的能量消耗曲线。在某些能量到来时刻,该直线穿过能量隧道,我们将这些时刻隧道边界上的点定义为偏离点,寻找这些偏离点中与能量消耗曲线偏移量最大的那一个,将其作为新的能量消耗曲线终点。连接起点和更新后的终点,得到新的能量消耗曲线,重复上述步骤,直至没有偏离点为止,此能量消耗曲线即为相应时间区间的最优策略。最终的能量消耗曲线实际为一条首尾相连的折线,它在各区间的斜率即为用户节点在相应周期内的发射功率。本文同时分析了该多周期功率调整策略的时间复杂度,与传统的内点法等凸优化算法相比,该图形化算法在求得最优解的同时,显著地降低了复杂度。在此基础上,本文提出了一种基于交替优化算法的传输功率和能量收集时间联合优化算法。该交替优化算法的优化过程为:当固定能量收集时间时,通过提出的图形化算法获取最优的功率;当固定每个周期内的传输功率时,通过单纯形法等线性规划算法计算最优的能量收集时间。持续迭代以上过程直至趋近吞吐量上限。对于吞吐量为导向的图形化功率调整策略,仿真结果验证了其解的最优性。与内点法相比,仿真结果证明了图形化功率调整策略的时间复杂度降低了两个数量级,相对于已有的多周期功率调整算法,计算复杂度也显著降低。仿真也证明了图形化多周期功率调整策略与交替优化算法的兼容性,实现了功率和时间的联合优化。相比单独的功率调整策略,联合优化策略下的吞吐量提升明显。在基于数学化的资源分配策略中,论文研究一个中继协作下的WPCN系统。由于射频能量信号在能量收集阶段和信息传输阶段要经历两次往返,大部分射频能量都消耗在“双重路径损耗”中,严重限制了射频信号的传输距离和WPCN的覆盖范围。因此本文将一个协作中继节点引入WPCN系统中,在一定程度上降低了“双重路径损耗”对系统性能的影响。此外,无线传感器节点的电池微小且功耗需求小,能量利用效率也是一个重要的WPCN性能衡量指标,提高能量利用效率有利于延长系统寿命。因此,在中继协作WPCN中,本文通过联合优化时间和功率分配实现能量效率的最大化。整个传输过程分为三个阶段。在能量收集阶段,中继节点和用户节点同时从混合接入点的射频信号中收集能量;在信息传输阶段,多个用户节点采用时分复用的方式依次向中继节点发送信息,每个节点单独占用一个时隙,不考虑用户节点和混合接入点间的直传链路;在信息转发阶段,中继节点通过译码-转发的中继模式将收到的信息转发至混合接入点。在译码-转发的中继模式下,系统的总吞吐量由用户节点到中继节点的总吞吐量和中继节点到混合接入点吞吐量中的较小值决定。在传输过程中,用户节点和中继节点耗尽所有能量,因此系统消耗的总能量取决于能量收集时间和混合接入点的发射功率。本文首先证明了当混合接入点的发射功率最大时,系统的能量效率最高。在此基础上,当能量收集时间和信息转发时间固定时,系统的总功耗固定,优化问题转化为信息传输阶段的吞吐量最大化问题,推导出了各用户节点所占用时间的比例关系。将信息传输阶段的持续时间作为一个整体参数进行优化,此时优化问题仍是一个最大值-最小化问题,我们引入一个中间变量将目标函数转化为单纯的分式函数。此时的分式函数仍为非凸的,通过引入一个中间变量来代表最优的能量效率,将分式函数转化为减法形式的整式函数;根据丁克尔巴赫定理,当且仅当该整式函数值为零时,能量效率取得最大值。当给定该中间变量时,优化问题也变为一个可解的凸问题,可求解三个阶段的占用时间,并计算系统吞吐量和消耗的能量以更新中间变量。重复上述步骤,直至能量效率趋近其上限。此外,我们提出了一个以吞吐量最大化为目标的资源分配策略,以分析在WPCN中引入中继节点对于网络性能的影响,该迭代算法基于一维线性搜索算法实现,例如黄金分割查找、二分查找等。对于该能量效率最大化为导向的数学化资源分配策略,仿真结果验证了其收敛性和收敛速度。同时对比了平均时间分配策略、以吞吐量为导向的资源分配策略的能量效率差异。另一方面,引入协作中继节点是为了在一定程度上削弱了双重路径损耗对系统性能的影响,因此仿真还对比了中继节点在网络中不同位置处的性能差异。此外,对于以吞吐量最大化为导向的资源分配算法,仿真结果证明,中继协作WPCN的吞吐量和能量效率在大多数情况下都优于无中继WPCN。仿真还证明了存在一个距离阈值,使得中继协作WPCN的总吞吐量和能量效率随着距离的增加而降低,并且当中继节点距离用户节点很近时,中继协作WPCN的吞吐量反而低于传统的无中继WPCN。