باتوجه به گسترش روزافزون تعداد دستگاه های متصل به اینترنت، مدیریت ارتباطات این دستگاه ها، به ویژه برای شبکه های نسل جدید مانند 5G و بعد از آن، اهمیت بسیار زیادی پیدا کرده است. این ارتباطات شامل شبکه های اینترنت اشیاء (IoT) و ارتباطات دستگاه به دستگاه (D2D) است. افزایش تعداد ارتباطات در این شبکه ها، چالش هایی از قبیل کمبود منابع رادیویی و انرژی، و همچنین نیاز به حفظ تازگی اطلاعات ارسال شده توسط دستگاه ها را به همراه دارد. این رساله به منظور مقابله با این چالش ها، به ارائه ی مدل های نوین و راهکارهای بهینه سازی در مدیریت منابع و زمان بندی در شبکه های ارتباطی دستگاه به دستگاه پرداخته است. در این رساله، برای پاسخگویی به چالش های مطرح شده، ابتدا ادبیات موضوعی و نیز کارهای پژوهشی انجام شده در حوزه ی ارتباطات دستگاه به دستگاه مورد ارزیابی و بررسی قرار گرفته شده است. در ادامه همزیستی شبکه های ارتباطی دستگاه به دستگاه و سلولی با استفاده از طیف فرکانسی باند باریک اینترنت اشیاء (NB-IoT) بررسی شده است. برای این منظور یک مدل سیستم نوآورانه معرفی شده است که انتقال اطلاعات بین کاربران دستگاه به دستگاه به صورت پخشی، با کمک یک گره رله، انجام می شود. همچنین، یک سازوکار سه مرحله ای برای انتقال همزمان داده و انرژی ارائه شده است که علاوه بر کاهش مصرف انرژی، پوشش دهی شبکه را بهبود می بخشد. مسئله ی بهینه سازی با هدف بیشینه سازی بهره وری انرژی طراحی شده است و برای حل آن از الگوریتم Dinkelbach استفاده شده است. نتایج نشان می دهد که این رویکرد باعث بهبود 40% در بهره وری انرژی و افزایش 30% در پوشش دهی شبکه نسبت به روش های مرسوم شده است.
در ادامه یک مدل سیستم مبتنی بر انتقال همزمان انرژی و اطلاعات (SWIPT) برای بهبود بیشتر بهره وری انرژی در شبکه های ارتباطی دستگاه به دستگاه ارائه شد. در این مدل، کاربران دستگاه به دستگاه در همزیستی با کاربران سلولی در نظر گرفته شده اند و از سن اطلاعات به عنوان معیاری برای به روزرسانی داده ها استفاده شده است. مسئله ی بهینه سازی طراحی شده شامل قیود مهمی مانند نرخ داده ی حداقلی، محدودیت های توان و تداخل شبکه است. به دلیل پیچیدگی مسئله که از نوع NP-hard است، از یک الگوریتم یادگیری تقویتی عمیق مبتنی بر ساختار یادگیری اتحادی اصلاح شده استفاده شده است. نتایج شبیه سازی ها نشان می دهد که این روش بهره وری انرژی را 70% بهبود داده و سن اطلاعات را 25% نسبت به روش های مرسوم کاهش داده است.
در انتها، یک مدل سیستم پیشرفته معرفی شده است که حالت های عملیاتی کاربران دستگاه به دستگاه از دو حالت سنتی (انتقال داده و برداشت انرژی) به پنج حالت بیکاری، انتقال داده، حسگری محیطی، حسگری طیفی و برداشت انرژی ارتقا یافته است. این گسترش، انعطاف پذیری بیشتری را برای مدیریت منابع در شبکه های مدرن ایجاد کرده است. قیود نوآورانه ای مانند تضمین تعداد حسگرهای محیطی فعال و دوره بازگشت به حالت حسگری محیطی نیز در این مدل در نظر گرفته شده اند. برای مدیریت منابع و زمان بندی، از الگوریتم یادگیری تقویتی SAC استفاده شده است که توانایی کاهش میانگین سن اطلاعات تا 20% را نسبت به روش های پایه مانند DDPG و RR+Greedy نشان داده است. این روش همچنین انعطاف پذیری بالایی در مواجهه با نوسانات انرژی و نیازمندی های متغیر کاربران از خود نشان می دهد. این رساله با ارائه ی مدل های نوین و روش های بهینه سازی هوشمند، چارچوبی مقیاس پذیر و کارآمد برای مدیریت شبکه های ارتباطی نسل جدید پیشنهاد می کند که می تواند مبنای پژوهش های آتی در این حوزه قرار گیرد.