Do tính chất dựa trên đám mấy, H-CRAN như một giải pháp đầy triển vọng được nhiều tổ chức nghiên cứu. Mục đích của H-CRAN là đồng hóa cơng nghệ đám mây và HetNets để có thể thực hiện được các chức năng mạng và xử lý thông tin hợp tác tập trung quy mơ lớn, do đó hiệu suất phổ và EE được cải thiện đáng kể ngoài HetNets và CRAN hiện có.
Kiến trúc CRAN được xem xét trong đó một số BS chỉ được cấp nguồn duy nhất với việc thu năng lượng. Ngoài các BS tự vận hành này, các BS này cũng truyền thông tin không dây cũng như năng lượng đến bộ thu năng lượng đồng thời. Một vấn đề tối đa hóa thơng lượng được đưa ra ở thiết kế tạo chùm khớp trong thời gian hữu hạn. Vấn đề bị hạn chế với lượng năng lượng tích điện RF đủ của bộ thu năng lượng. Bài tốn lồi có cơng thức là bài tốn có giới hạn trên bởi các giá trị tối ưu bậc một của bài toán dạng lỏng.
Kiến trúc CRAN với các RRH chỉ được cung cấp bởi năng lượng năng lượng thu được. Bằng cách cùng xem xét quá trình thu hoạch năng lượng và các điều kiện kênh khơng dây, việc tối ưu hóa vấn đề chức năng tiện tích được xây dựng. Phương pháp phân rã vấn đề được sử dụng dựa trên kỹ thuật Lyapunov để tối ưu hóa. Vấn đề phân rã riêng biệt tối ưu hóa lập lịch dữ liệu, thu hoạch năng lượng và phân bổ tài nguyên. Một thuật toán giúp hiệu quả năng lượng lượng trực tiếp được đề xuất nhằm đảm vảo sự ổn định của cả bộ đệm năng lượng và bộ đệm dữ liệu.
Phân chia mạng nhiều đối tượng trong mạng H-CRAN,việc phân chia mạng động được đề xuất xem xét mức độ ưu tiên của người thuê, QoS tài nguyên băng tần cơ sở, sự can thiệp và dung lượng của các liên kết fronthaul và backhaul. Cấp trên của mạng cắt lát
quản lý việc phân bổ tài nguyên băng tần cơ sở, liên kết người dùng và kiểm soát kết nạp trong khi cấp dưới quản lý việc phân bổ tài nguyên vô tuyến. Các đề án được đề xuất cho thấy thông lượng mạng và hiệu suất QoS được cải thiện.
[13] các tác giả đã đề xuất một khuôn khổ phân cấp cho việc thiết kế và phân tích H- CRAN với RRH được hỗ trợ bởi EH và nhà cung cấp dịch vụ internet không đồng nhất. Khung phân cấp được đề xuất hoạt động hiệu quả bằng cách giao dịch mơ hình năng lượng giữa các ISP và sử dụng mơ hình chia sẻ năng lượng. Nghiên cứu cũng kết hợp giao tiếp D2D dựa trên năng lượng sẵn có và tình trạng tải lưu lượng của các RRH. Sử dụng quy trình quyết định Markov nhiều thang thời gian (MMDP), một kế hoạch lập kế hoạch năng lượng nhiều thang thời gian được đề xuất. Tỷ lệ EH, trạng thái kênh và liên kết người dùng được xem xét trong khi thiết kế chương trình đề xuất. Két quả cho thấy thuật tốn được đề xuất làm giảm đáng kể chi phí tiêu thụ năng lượng của mạng.
EE được tối đa hóa trong H-CRAN bằng cách sử dụng mơ hình học trực tiếp để tối ưu hóa phân bổ tài nguyên và năng lượng được hỗ trợ bởi kết quả mô phỏng và triển khai thử nghiệm. Phương pháp học trực tiếp gần đúng được đề xuất để cùng phân bổ nguồn và năng lượng cho người dùng. Phân vùng tần só phức tạp được đề xuất để giảm thiểu nhiễu. Kết quả bao gồm cải thiện EE, SE, tỷ lệ lỗi bit và tốc độ dữ liệu trong hệ thống. Mạng H-CRAN trong đó BS macro được cấp nguồn bằng năng lượng lưới và RRH chỉ được cung cấp bằng năng lượng xanh. Một bài tốn phân bổ tài ngun được hình thành trên cơ sở đó một bài tốn mới về việc sử dụng tối đa năng lượng xanh được hình thành. Bài toán đề xuất được đánh giá bằng phương pháp phân rã kép Lagrange. Kết quả cho thấy rằng thuật toán được đề xuất làm tăng việc sử dụng năng lượng xanh dẫn đến làm giảm tiêu thụ năng lượng bằng điện lưới.
Xem xét việc tạo chùm hợp tác với khả năng vận chuyển phía trước và cải thiện hàng đợi dữ liệu ổn địn trong EE của H-CRAN đa phương tiện. Một xác xuất tối ưu hóa để tối đa hóa EE của hệ thống H-CRAN nhạn biết hàng đợi được xây dựng, bị hạn chế bởi năng lực fronthaul riêng lẻ và can thiệp bên trong. Bài toán được định nghĩa lại trên cơ sở kỹ thuật tối ưu hóa Lyapunov. Sau khi biến đổi, bài tốn này bây giờ được chuyển đổi thành thuật tốn thiết kế hình thành chùm hợp tác cái mà bị hạn chế bởi giao thoa giữa các tầng, công suất tức thời và cơng suất trung bình. Để giải quyết vấn đề được định dạng lại, kỹ thuật sai số trung bình bình phương tối thiểu có trọng số tổng quát được sử dụng. Mô phỏng cho thấy kết quả của sự cân bằng giữa EE và độ trễ theo thứ tự hàng tùy thuộc và giới hạn khả năng của fronthaul.
Để giảm thiểu nhiễu liên tầng giữa RRH và các nút công suất cao (HPN) và để cải thiện EE của hệ thống, việc mô tả mối liên hệ của người dùng với RRH hoặc HPN được xem xét. Tái sử dụng tần số phân đoạn mềm (S-FFR) được tăng cường hơn nữa để đạt được
mục tiêu. Dựa trên ràng buộc của liên kết người dùng S-FFR nâng cao, một bài tốn tối đa hóa EE khơng lồi được xây dựng cho H-CRAN dựa trên OFDMA. Bài tốn khơng lồi được xây dựng lại thành một tốn khả thi lồi tương đương và các biểu thức phân bổ nguồn và công suất được suy ra ở dạng gần bằng cách sử dụng phương pháp phân rã kép Lagrange. EE được cải thiện đáng kể bằng cách sử dụng e-SFFR.
Nghiên cứu sự phân bổ tài nguyên chung và tối ưu hóa kiểm sốt tắc ngẵn để cân bằng hiệu quả năng lượng và độ trễ. Một vấn đề tối ưu hóa ngẫu nhiễn nếu được xây dựng, tối đa hóa thơng lượng trung bình bị hạn chế bởi EE u cầu, phân bổ cơng suất, kiểm sốt nhập học, phân bổ tài nguyên và các ràng buộc liên kết người dùng. Kỹ thuật tối ưu hóa Lyapunov được sử dụng để phân tách vấn đề đã xây dựng thành ba vấn đề con, có thể được giải quyết trong từng vị trí trong hệ thống H-CRAN đường xuống có rãnh. Kết quả cho thấy giải pháp được đề xuất ổn định hàng đợi và tối ưu hóa mức tiêu thụ điện năng của hệ thống.
Xem xét liên kết người dùng, phân bổ chức năng và kiểm sốt nhập học để tối đa hóa thơng lượng của hệ thống. Bài tốn cơng thức là bài tốn lập trìn phi tuyến tính số ngun hỗ hợp và có tính chất NP-Hard. Bài tốn NP-Hard được đơn giản hóa bằng cách sử dụng phương pháp xấp xỉ ngồi (OAA) từ lập trình tuyến tính. OAA đảm bảo sự hộ tụ của vấn đề trong một phép tính hữu hạn.