تخصیص منابع منصفانه در ارسال فروسوی سیستم های چندکاربره ی mimo-ofdma با استفاده از روش های پیش کدگذاری خطی بدون داشتن اطلاعات کامل کانال در فرستنده

سیستم های مخابراتی بی سیم مبتنی بر چند ورودی-چند خروجی (mimo) در ترکیب با دسترسی چندگانه با جداسازی فرکانسی متعامد (ofdma) و دسترسی چندگانه با جداسازی فضایی (sdma) انعطاف پذیر، دارای بازدهی طیفی زیاد و ظرفیت بالا هستند. برای تخصیص کارآمد منابع در این سیستم ها، کاربرها باید به گروه هایی تقسیم شوند که شامل کاربرهای با نرخ میانگین بالا باشند. از آنجا که منابع فرکانس و زمان را می توان بصورت متعامد طراحی نمود، مسئله ی تخصیص منابع تنها در مورد منبع فضا باقی می ماند. تخصیص بهینه ی منابع به منظور بیشینه سازی نرخ مجموع، برای کاربردهای عملی بسیار پیچیده است. از این رو استفاده از الگوریتم های زیربهینه بسیار مورد علاقه است. علاوه بر این، پیچیدگی الگوریتم گروه بندی نیز یک مسئله ی قابل توجه است، بخصوص هنگامی که تعداد کاربرها درون سیستم زیاد است. هدف الگوریتم های گروه بندی معمولا بیشنه کردن نرخ مجموع سیستم است، بدون اینکه سطح عدالت بین کاربرها را در نظر بگیرند. بنابراین، الگوریتم های گروه بندی زیربهینه ای که سطح عدالت مناسبی را فراهم کنند، مورد توجه هستند. خطای موجود در اطلاعات کانال در فرستنده باعث افت عملکرد الگوریتم های تخصیص منابع می شوند. از این رو تکنیک هایی که باعث مقاوم شدن الگوریتم های تخصیص منابع در برابر خطاهای موجود در اطلاعات کانال در فرستنده می شوند، مورد علاقه می باشند. در این پایان نامه دو الگوریتم زیربهینه ی جدید برای گروه بندی فضایی کاربرها پیشنهاد شده است. نشان داده شده است که الگوریتم های پیشنهادی در مقایسه با الگوریتم های موجود دارای عملکرد بهتری در زمینه های نرخ مجموع-پیچیدگی محاسباتی و عدالت-پیچیدگی محاسباتی می باشند. همچنین یک شاخص جدید برای اندازه گیری بازدهی الگوریتم های تخصیص منابع با در نظر گرفتن دو جنبه ی نرخ مجموع و پیچیدگی محاسباتی پیشنهاد شده است. علاوه بر این، تأثیر خطای موجود در اطلاعات کانال در فرستنده بر روی الگوریتم های موجود و پیشنهادی بررسی و نشان داده شده است که عملکرد الگوریتم های پیشنهادی نسبت الگوریتم های موجود بهتر است. در نهایت عملکرد عدالت در تخصیص منابع بین کاربرها مورد بررسی قرار گرفته است. در این زمینه نیز نشان داده شده است که الگوریتم های پیشنهادی عملکرد خوبی را ارائه می دهند.