CN102448071B - 一种基于干扰温度的认知网络功率分配方法 - Google Patents

Abstract

本发明公开了一种基于干扰温度的认知网络功率分配方法，包括建立多认知用户小区模型；确定主用户的干扰温度限；确定各认知用户的接收机的信噪比要求；确定主用户正常工作时的测量功率值条件；确定系统效用及约束条件；采用模拟退火遗传算法估算最优功率分配。通过本发明的方法，在多个认知用户情况下，实现发射功率的最优化分配，在认知用户不对主用户造成干扰的前提下达到资源充分共享。

Description

一种基于干扰温度的认知网络功率分配方法

技术领域

本发明涉及认知网络资源分配技术领域。更具体地，本发明涉及一种基于干扰温度的认知网络功率分配方法。

背景技术

认知无线电（Cognitive Radio,CR）是一种提高频谱资源利用率的无线电技术，其核心思想是CR具有学习能力，能与周围环境交互信息，以感知和利用在该空间的可用频谱，并限制和降低冲突的发生。认知无线电网络中主要包括两类用户：主用户或称为授权用户，即拥有频谱管理机构授权使用某段频谱资格的用户；认知用户或称为二级用户，即不具有频谱管理机构授权使用某段频谱的授权许可,但是通过采用认知无线电技术,在不影响授权用户的情况下可以使用该段频谱的用户。感知频谱环境是认知无线电的首要任务，因为认知无线电最显著的特征是能感知并分析特定区域的频段并找出适合通信的频谱空穴。这里的频谱空穴(也称空闲频谱或白空间)是指己经授权的频段，但在特定时间和空间里没有被主用户使用，此时认知用户在不对主用户造成干扰的前提下可以接入此频段从而达到资源共享。在资源受限的认知无线电网络中，如何提高认知用户网络的资源利用率是一个值得考虑的问题，而认知用户利用频谱空穴的同时不对主用户造成干扰的研究重点之一在于，对认知无线电系统的功率控制方面。该研究主要存在基于对策论即博弈论和基于信息论的反复注水法两种解决方案。这两种方案主要侧重在不同的方面，基于博弈论的研究主要是为了去解决认知用户在共同使用相互冲突的频段时的功率控制问题；而基于功率注水的方案主要是用来解决正交的资源上分配功率的问题。这两种方案研究已经比较深入，但是随和认知用户数增加计算迭代次数加大，复杂度较高。

针对资源分配的非线性规划问题的求解有多种算法，常用的有：最速下降法、共轭方向法、简约梯度法和惩罚函数法。其中最速下降法和共轭方向法用于求解无约束的非线性规划问题，惩罚函数法和简约梯度法的求解复杂度随迭代次数增加收敛缓慢。

基于结构的频谱共享技术可分为集中式频谱共享和分布式频谱共享。本发明考虑集中式认知架构，认知用户通过认知频谱共享竞争短期数据服务。共享技术包括认知用户采用扩频技术，同时设置主用户的干扰温度限对认知用户的发射功率进行控制，从而保障主用户不受干扰。在多认知用户的情况下，为了达到频谱共享最充分，应该满足两个条件：一是认知用户不会对主用户的通信质量造成影响；二是保证主用户的同时，认知用户的通信质量达到最优。但是，如果认知用户数量增加，发射机数量也会不断增加，计算量会不断增大。如何使众多的认知用户的发射功率能较快的收敛到最优水平从而缩短频谱分配的处理时间，又能对认知用户的数量进行合理分配从而达到系统效用的最优化，是当前的热点问题。

发明内容

本发明目的在于提供一种基于干扰温度的认知网络功率分配方法，实现对多个认知用户情况下的认知用户发射功率的最优化分配，以及在保证系统效用最大时认知用户的最优数目。

本发明的方法，包括以下步骤：

建立多认知用户小区模型；

确定主用户的干扰温度限；

确定各认知用户的接收机的信噪比要求；

确定主用户正常工作时的测量功率值条件；

确定系统效用及约束条件；

采用模拟退火遗传算法估算最优功率分配。

进一步地，所述建立多认知用户小区模型包括：

设定m个测量点，1个主用户发射机和n个认知用户发射机；

设定r₁为认知用户1的认知小区半径；

设定L_ij为第i个认知小区到第j个认知小区的距离；

设定d_ik为第i个认知用户到第k个测量点的距离。

进一步地，所述确定主用户的干扰温度限通过以下公式计算：

$T_I(f_c,B)=\frac{P_I(f_c,B)}{k_{B}B},$

其中，T_I（f_c,B）为中心频率为f_c，带宽为B的频谱内的干扰温度；

f_c为中心频率；

B为频谱带宽；

P_I（f_c,B）为中心频率为f_c、带宽为B的频带内的平均干扰功率；

k_B=1.38×10^-23J/K是波尔兹曼常量。

进一步地，所述确定各认知用户的接收机的信噪比要求通过以下公式确定：

${\mathrm{\γ}}_i=\frac{P_i{h}_{\mathrm{ii}}}{{\mathrm{\σ}}^2+\underset{j:j\≠i}{\mathrm{\Σ}}{p}_j{h}_{\mathrm{ji}}}i=1\·\·\·n,$

其中，γ_i为第i个接收机的信噪比；

P_i为第i个发射机的发射功率；

P_j为第j个发射机的发射功率；

为不同小区发射机到接收机的路径损耗；

同一小区发射机到接收机的路径损耗；

λ=c/f_c，c=3×10⁸m/s；

r_i为认知用户小区的半径；

σ²表示背景噪声功率。

进一步地，所述确定主用户正常工作时的测量功率值条件是：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i{g}_{\mathrm{ik}}\≤T_k(f_c,B)k_{B}B,$

其中，T_k(f_c,B)k_BB为第k个测量点对应干扰温度限的功率测量值，k=1…m；

k_B=1.38×10^-23J/K；

为发射机i到第k个测量点MP的路径损耗；

d_ik为第i个认知用户到第k个测量点MP的距离。

进一步地，所述确定系统效用及约束条件包括：

将所述各认知用户的接收机的信噪比以以下效用函数进行定义U_i=10log₁₀γ_i，其中，U_i为第i个接收机的效用函数；

确定以k=1…m，并且为约束条件，其中表示第i个发射机的可调发射功率。

进一步地，所述采用模拟退火遗传算法估算最优功率分配包括以下步骤：

A）初始化算法参数；

B）产生初始种群，所述初始种群的每个个体表示所述认知用户的发射功率P_i；

C）评价所述初始种群中的个体P_i，判断是否达到收敛或结束条件，若符合条件转到G），否则转向D）；

D）遗传算法对所述初始种群进行选择、交叉和变异操作得到遗传种群；

E）对所述遗传种群进行模拟退火操作，直到稳定得到退火种群；

F）退温，把所述退火种群作为下一次迭代的初始种群，产生下一次迭代运算的初始温度，返回C）；

G）输出最优功率解。

进一步地，所述E）对所述遗传种群进行模拟退火操作，直到稳定得到退火种群包括以下子步骤：

a）设定第二初始温度并将所述遗传种群作为模拟退火初始种群；

b）内循环步骤，通过Metropolis准则获得当前的最优解；

c）外循环步骤，判断是否满足终止条件，如果不满足则转到步骤b），满足则获得退火种群。

通过本发明的方法，在多个认知用户情况下，实现发射功率的最优化分配，在认知用户不对主用户造成干扰的前提下达到资源充分共享。

附图说明

下面将参照附图并结合实施例对本发明进行具体说明。

图1为本发明的方法流程图；

图2为以三个认知小区为例的多认知小区模型；

图3为模拟退火遗传算法实施流程图；

图4退火算法部分的实现示意图；

图5为4～6个CR发射机情形下的功率收敛性能；

图6为3～6个CR发射机情形下系统性能示意图；

图7为系统效用随CR发射机数目变化趋势图。

具体实施方式

下面参照附图并借助本发明的实施例，对本发明的技术方案做详细描述。

本发明提供一种基于干扰温度的认知网络功率分配方法，包括以下步骤：

首先，建立多认知用户小区模型，包括设定1个主用户发射机和n个认知用户发射机，主用户小区半径为R，第i个认知用户小区（简称认知小区）半径为r_i，i∈{1,…n}。在主用户的区域设定m个测量点（简称MP，MeasurementPoint），为了便于数学描述及建模，对测量点的位置设置进行简化，每个MP均置于主用户小区的边缘，也就是距离主用户发射机的距离均为主用户小区的半径R。MP用来平衡的测量认知用户接入后产生的干扰，即测量认知用户的发射机产生的发射功率经空气传播后在MP处的功率值。第i个认知用户到第k个测量点的距离为d_ik，i∈{1,…n}，k∈{1,…m}。第i个认知用户到第j个认知用户的距离为L_ij，i,j∈{1,…n},i≠j。如图2所示，以具有三个认知小区为例，主用户小区的半径为R，认知用户1的认知小区半径为r₁，认知用户2的认知小区半径为r₂认知用户3的认知小区半径为r₃；认知用户1到测量点1的距离为d₁₁，认知用户1到测量点2的距离为d₁₂，认知用户1到测量点3的距离为d₁₃并以此类推；认知用户1到认知用户2的距离为L₁₂，认知用户1到认知用户3的距离为L₁₃。

第二，确定主用户的干扰温度限，干扰温度限是设定的保证授权用户系统正常运行的门限。一旦认知用户对主用户的干扰累积超过了此干扰温度限，授权用户系统就无法正常工作；反之，可以保证主用户与认知用户同时正常工作，共享频谱资源。即在实际建模中利用测量点MP测得的各认知用户的累积干扰功率与主用户干扰温度限进行比较，如果MP的干扰温度没有超过干扰温度限，则主用户的服务质量就能够得到保证。

中心频率为f_c、带宽为B的频谱内的干扰温度限满足以下公式：

$T_I(f_c,B)=\frac{P_I(f_c,B)}{k_{B}B}---\left(1\right)$

其中，f_c为中心频率，

B为频谱带宽，

P_I（f_c,B）为中心频率为f_c、带宽为B的频带内的平均干扰功率，

k_B=1.38×10^-23J/K是波尔兹曼变量。

通过公式（1）的计算，确定主用户的干扰温度限。

第三，确定各认知用户的信噪比（SINR，Signal Interference Noise Ratio）要求。因为电磁波在空气中传播时的衰减随着距离的增大而增大，因此，距离发射机q处的接收机的功率值服从：

$P_r=P_t{G}_t{G}_t{\left(\frac{\mathrm{\λ}}{4\mathrm{\πq}}\right)}^2---\left(2\right)$

其中，P_t、P_r分别表示发射机的发送功率和接收机的接收功率，G_t、G_r分别表示发送和接收天线增益，λ为载频波长，λ=c/f_c，c=3×10⁸m/s；q表示接收机与发射机之间的距离。为发射机到接收机的路径损耗。在建立模型时，假设G_t、G_r都为1，因此

在本发明的多个认知用户小区模型中，同一认知小区发射机到接收机的路径损耗为不同认知小区发射机到接收机的路径损耗为第i个发射机到第k个测量点MP的路径损耗为

在建立具有多个认知用户小区的模型时，要考虑认知用户小区发射机产生的功率通过不同的路径和角度到达主用户小区，对主用户小区造成一定的干扰；同时认知用户小区由于在地理位置上相邻，相互间也会产生一定的干扰。所以，第i小区接收机接收信噪比（SINR）的计算公式为：

${\mathrm{\γ}}_i=\frac{P_i{h}_{\mathrm{ii}}}{{\mathrm{\σ}}^2+\underset{j:j\≠i}{\mathrm{\Σ}}{p}_j{h}_{\mathrm{ji}}}---\left(3\right)$

其中，P_i为第i（i=1…n）个发射机的发射功率；

σ²表示背景噪声功率。

第四，确定主用户正常工作时的功率值条件，由于主用户小区的各MP测量的干扰温度必须在干扰温度限之内，联合公式（1）求得的主用户干扰温度限，则第k（k=1,…m）个MP测量功率值必须满足以下条件：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i{g}_{\mathrm{ik}}\≤T_k(f_c,B)k_{B}B---\left(4\right)$

其中，T_k(f_c,B)k_BB为第k个测量点对应干扰温度限的功率测量值；

P_i为第i（i=1…n）个发射机的发射功率。

第五，确定系统效用及约束条件，由以上公式推导可以得出该模型的几个重要参量，一个是信噪比（SINR），另一个是干扰温度限约束条件，为了便于问题的进一步研究，信噪比通常用分贝（dB）表示，我们利用信噪比γ_i作为系统效用的表达参数，分贝数用U_i表示，即第i个接收机的效用函数定义为：U_i=10log₁₀γ_i。

由于频谱共享要满足如下条件：1）认知用户的累积干扰温度不能超过主用户干扰温度限值；2）认知用户需要有合适的功率保证自身信息的正常传输。假定认知用户发射机的可调功率已知，所以定义要解决的非线性规划问题，即在多干扰温度限约束条件下，使多个接收机的效用函数之和最大化。

$\mathrm{Max}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{U}_i---\left(5\right)$

U_i=10log₁₀γ_i        (6)

并满足以下约束条件：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i{g}_{\mathrm{ik}}\≤T_k(f_c,B)k_B\mathrm{B\; k}=1\·\·\·m---\left(7\right)$

$P_i^{\min }\≤P_i\≤P_i^{\max }i=1\·\·\·n---\left(8\right)$

其中，表示第i个发射机的可调发射功率范围。

这样即建立了多认知用户小区模型并得到了上述约束不等式组，本发明通过模拟退火遗传算法求解该约束不等式组，获得多用户最优的功率分配及最大系统性能下认知用户数目。

第六，采用模拟退火遗传算法估算最优功率分配，模拟退火遗传算法结合遗传算法（又称GA算法）和退火算法（又称SA算法）的优点，在各温度下串行的依次进行GA和SA搜索，其中，SA的初始解来自GA的进化结果，SA经过蒙特卡洛抽样过程得到的解又成为GA进行进一步进化的初始种群。

如图3，模拟退火遗传算法步骤如下：

步骤A)初始化算法参数，包括初始化第一初始温度T_u，遗传代数u，最大迭代次数，变异概率、交叉概率等，初次迭代u=0，初始温度为T₀；

步骤B)产生初始种群C_u，种群中每个个体(或解)表示本发明中各个认知用户的发射功率，即P_i；

步骤C)评价初始种群C_u中的个体，计算种群中每个个体的适应度函数值（即效用函数U_i），判断是否达到收敛或结束条件（即预先设定遗传代数或系统迭代得到最优值趋向收敛）。其中，若已经达到预先设定的最大遗传代数，则迭代过程结束，转到G）；否则判断此次迭代过程中个体适应度值之和是否满足公式（5）且多个认知用户功率值趋向一致值，满足上述条件则系统功率分配趋向收敛，即转到G）；否则，条件均不满足则系统进入下一步步骤D)的遗传退火的迭代操作；

步骤D)对初始种群C_u进行选择、交叉和变异三个遗传算子操作，得到遗传种群C_u′。在具体实例中是通过步骤A）的选择概率、交叉概率及变异概率的预先设置来实施的。其中，选择算子（轮盘赌）是利用预先设定的选择概率对遗传种群C_u进行优胜劣汰的选择，把适应度高的个体直接遗传到下一代，把适应度低的个体排除掉；交叉算子（单点交叉）根据预先设定的交叉概率对C_u选择操作后的两个个体随机地交换某些基因，把有益基因组合在一起，大幅提升遗传算法的搜索能力。变异算子以预先设定的变异概率对交叉后的所有个体进行变异操作，当迭代通过交叉运算后已接近最优解邻域时，利用变异算子的这种局部随机搜索能力可以加速向最优解收敛。另外可以维持种群多样性，以防止出现未成熟收敛现象。

步骤E）对遗传种群C_u′进行模拟退火操作，直到稳定得到退火种群C_u″，具体操作步骤如图4所示：

a）设定第二初始温度，并且将遗传种群C_u′作为模拟退火初始种群，该种群C_u′由多个解组成，任选该种群C_u′中的一个解作为模拟退火的初始解，并将该初始解作为当前的最优解；b）内循环步骤，利用Metropolis准则（重要性采样法，即以概率接受新状态）迭代，也就是，从上述模拟退火初始解的邻域中随机选一个新解，计算初始解和新解所对应目标函数值，如该新解对应目标函数值较小，即目标函数增量△E<0，则令该新解替代当前的最优解；否则判断是否exp(-△E/T(i))>random(0,1)，如果是则亦令该新解替代当前的最优解；如果依然不满足exp(-△E/T(i))>random(0,1)，则判断该第二初始温度下是否对所述邻域完成充分搜索，若是则进入步骤c）外循环步骤，否则再次随机选新解，从而重复内循环步骤并最终获得当前的最优解。

c）外循环步骤，对所述第二初始温度进行降温并判断是否满足结束条件（即公式（5）满足最大值），若不满足转到步骤b）内循环步骤继续进行迭代运算，否则将当前的最优解作为退火最优解并输出，所述退火最优解组成退火种群C_u″。

总体来说，任选模拟退火初始种群C_u′中一个解作为初始解，在当前温度下进行Metropolis准则迭代，除了接受更优解外，还以一定概率接受恶化解。开始时，温度值较大，它可能接受较差的恶化解，随着温度值的变小，它只能接受较好的恶化解.最后在温度值趋于零时，它就不再接受任何恶化解了.这就使模拟退火算法能够从局部最优的"陷阱"中跳出，最终有可能求得问题的全局最优解。

F）退温操作，把此次迭代最终产生的退火种群C_u″作为下一次迭代的遗传算法的初始种群，即C_u+1=C_u″；以α参数作为下一次迭代运算的第一初始温度的倍数，即T_u+1=αT_u，转到下一次迭代运算即步骤C）；

G）输出结果，也就是输出满足约束条件及系统效用函数最大值的各认知用户分配功率，即最优功率解例如用表示。由于设置各认知用户网络参数相同，所以各认知用户最后收敛于相同的功率最优值，即图5所示各认知用户数目环境下的收敛曲线最终表示值。

基于上述算法中的参数配置，对4-6个认知用户情况分别进行仿真，如图6所示。为了简便起见，同一系统中各认知用户所处环境参数配置相同，所以最终收敛水平近似相同。从图中可以看出，随着认知用户数目的增加，系统功率分配性能（收敛性）减缓，迭代次数有所增加，但是最终在较短的次数限制内达到较好的控制。一方面，收敛速度的下降是因为认知用户数增加，相互之间的干扰计算增加，使得认知用户之间达到平衡状态的计算量加大。另一方面，遗传退火算法的优势结合使得各认知用户功率分配计算时可以快速的集中在最优解附近，避免陷入局部搜索，所以虽然收敛速度有所降低，但是整体迭代次数、增幅相对较小，对于实际认知网络中数量众多的认知用户，应该可以起到很快速的收敛作用，缩短频谱分配处理时间。

认知网络在改善频谱效用上是功效显著的。为了更直观的观察认知系统资源分配对整个认知网络性能的影响，分别针对以上的3-6个认知用户环境进行了相应的系统性能收敛仿真。如图7所示。从图中可以明显的看出：在相同的无线参数环境下，随着认知用户数目的增加，认知用户频繁的争用授权频段，空闲频谱越来越多的被利用起来，提升了系统的频谱利用率。

前面具体仿真并分析了3-6个认知用户环境下频谱分配收敛及对系统性能的影响。也验证了随着认知用户数目的增加，系统的频谱利用率也有相应的提升。那么，是否认知用户可以无限的多？因为认知用户数目的增加必然给主用户和其它认知用户带来更多的干扰。随着各个用户抢占系统资源，增大发射功率，系统内干扰会进一步的加剧，最终将超过主用户临界干扰门限值，导致无法保证主用户数据传输的QoS要求，连带降低整体系统性能。另外，认知用户之间的相互干扰，争用有限的频谱资源，导致冲突加剧，无法保证认知用户业务的实时性及可靠性。所以，在一定的无线网络环境下，认知用户的数目是有限的，一方面认知用户增加使得系统性能变好，另一方面，考虑干扰，认知用户数目不能无限多，这个矛盾的平衡点的求解至关重要。针对此问题，分别对10-36个认知用户的情况进行仿真分析。图8显示了随认知用户数目的变化，系统性能由提升到降低的趋势示意图。我们可以直观的得出当前系统性能最优时认知用户的最优数目，即23个。低于此最大用户数，系统性能随认知用户数目增加为增大，高于此用户数，系统资源环境开始无法承受，导致数据传输误包率增加、时延增大、干扰加重，影响整体系统性能。在现实认知系统规划中，可以据此分配认知用户数目达到最优系统效用。

应当理解，以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。本发明的保护范围仅由随附权利要求书限定。

Claims (3)

1.一种基于干扰温度的认知网络功率分配方法，其特征在于，包括以下步骤： 

通过设定r₁为认知用户1的认知小区半径，在主用户的区域设定m个测量点，1个主用户发射机和n个认知用户发射机，设定L_ij为第i个认知小区到第j个认知小区的距离，设定d_ik为第i个认知用户到第k个测量点的距离，建立多认知用户小区模型； 

利用公式确定主用户的干扰温度限；其中，T_I(f_c,B)为中心频率为f_c，带宽为B的频谱内的干扰温度，f_c为中心频率，B为频谱带宽，P_I(f_c,B)为中心频率为f_c、带宽为B的频带内的平均干扰功率，k_B＝1.38×10^-23J/K是波尔兹曼常量； 

利用公式确定各认知用户的接收机的信噪比要求，其中，i＝1…n,j＝1…n,γ_i为第i个接收机的信噪比，P_i为第i个发射机的发射功率，P_j为第j个发射机的发射功率，为不同小区发射机到接收机的路径损耗，同一小区发射机到接收机的路径损耗，λ＝c/f_c，c＝3×10⁸m/s，r_i为认知用户小区的半径，σ²表示背景噪声功率； 

利用公式确定主用户正常工作时的测量功率值条件，其中k_B＝1.38×10^-23J/K，T_k(f_c,B)k_BB为第k个测量点对应干扰温度限的功率测量值，k＝1…m；为发射机i到第k个测量点MP的路径损耗；d_ik为第i个认知用户到第k个测量点MP的距离； 

将所述各认知用户的接收机的信噪比以以下效用函数进行定义U_i＝10log₁₀γ_i，其中，U_i为第i个接收机的效用函数； 

确定以并且P_i ^min≤P_i≤P_i ^max为约束条件，其中[P_i ^min，P_i ^max]表示第i个发射机的可调发射功率；

采用模拟退火遗传算法估算最优功率分配。 

2.根据权利要求1所述的基于干扰温度的认知网络功率分配方法，其特征 在于，所述采用模拟退火遗传算法估算最优功率分配包括以下步骤： 

A)初始化算法参数； 

B)产生初始种群，所述初始种群的每个个体表示所述认知用户的发射功率P_i； 

C)评价所述初始种群中的个体P_i，判断是否达到收敛或结束条件，若符合条件转到G)，否则转向D)； 

D)遗传算法对所述初始种群进行选择、交叉和变异操作得到遗传种群； 

E)对所述遗传种群进行模拟退火操作，直到稳定得到退火种群； 

F)退温，把所述退火种群作为下一次迭代的初始种群，产生下一次迭代运算的初始温度，返回C)； 

G)输出最优功率解。 

3.根据权利要求2所述的基于干扰温度的认知网络功率分配方法，其特征在于，所述E)对所述遗传种群进行模拟退火操作，直到稳定得到退火种群包括以下子步骤： 

a)设定第二初始温度并将所述遗传种群作为模拟退火初始种群； 

b)内循环步骤，通过Metropolis准则获得当前的最优解； 

c)外循环步骤，判断是否满足终止条件，如果不满足则转到步骤b)，满足则获得退火种群。