CN110312301B - 一种认知无线电功率的控制方法和装置 - Google Patents

一种认知无线电功率的控制方法和装置 Download PDF

Info

Publication number
CN110312301B
CN110312301B CN201910542686.XA CN201910542686A CN110312301B CN 110312301 B CN110312301 B CN 110312301B CN 201910542686 A CN201910542686 A CN 201910542686A CN 110312301 B CN110312301 B CN 110312301B
Authority
CN
China
Prior art keywords
user
cognitive
authorized
particles
users
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910542686.XA
Other languages
English (en)
Other versions
CN110312301A (zh
Inventor
陈玲玲
孟亚楠
李琦
高兴泉
姜德龙
林琳
冯琦
金小杭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin Institute of Chemical Technology
Original Assignee
Jilin Institute of Chemical Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jilin Institute of Chemical Technology filed Critical Jilin Institute of Chemical Technology
Priority to CN201910542686.XA priority Critical patent/CN110312301B/zh
Publication of CN110312301A publication Critical patent/CN110312301A/zh
Application granted granted Critical
Publication of CN110312301B publication Critical patent/CN110312301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/28—TPC being performed according to specific parameters using user profile, e.g. mobile speed, priority or network state, e.g. standby, idle or non transmission
    • H04W52/283—Power depending on the position of the mobile
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/30—TPC using constraints in the total amount of available transmission power
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/38—TPC being performed in particular situations

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种认知无线电的功率控制方法，包括：S110：建立多用户下垫式认知无线电网络系统，并初始化多用户下垫式认知无线电网络系统的各参数；S120：将授权用户和认知用户的吞吐量作为对应的多目标粒子群算法的适应度函数值；S130：对更新后的粒子进行归档，更新外部档案，同时获取粒子的档案解；S140：更新粒子的位置信息，循环执行上述步骤；S150：当粒子的更新迭代达到预设的截止条件时，获取最优的适应度函数值，并通过动态多目标优化模型在不同动态通信环境下控制多用户下垫式认知无线电网络系统做出相应的响应。利用上述发明能够保证授权和认知用户共同正常通信并且快速响应动态通信环境，提高频带利用率，为用户提供多元化的功率控制方案。

Description

一种认知无线电功率的控制方法和装置
技术领域
本发明涉及无线通信技术领域，更为具体地，涉及一种基于动态多种群协同的多目标粒子群算法的认知无线电功率控制方法和装置。
背景技术
随着无线通信的迅猛发展，现有的频谱资源已经不能满足日益增长的通信需求。为了提高无线电频谱效率和解决频谱短缺问题，认知无线电技术被提出，该技术可以智能检测频谱资源，寻找可利用的频谱资源(频谱空洞)，然后调节用户的发射机传输功率使授权用户和认知用户实现频谱共享。功率控制作为认知无线电核心技术之一，其研究价值不言而喻。
目前，多目标算法在频谱感知上得到广泛应用，但在认知无线电的功率控制方面应用的很少。另外，为了适应时变的通信环境和兼顾平衡多项通信性能的指标，动态多目标的优化问题变得至关重要。
目前，在下垫式场景下，认知无线电功率控制问题中，授权用户功率技术的调整灵活度不够高并且功率控制方案可选择性低，进而导致授权用户和认知用户吞吐量的可开发空间资源浪费。
发明内容
鉴于上述问题，本发明的目的是提供一种认知无线电功率的控制方法和装置，以解决目前下垫式模型中授权用户功率的调整灵活度不够高并且功率控制方案可选择性低，进而导致授权用户和认知用户吞吐量的可开发空间资源浪费的问题。
本发明提供一种认知无线电的功率控制方法，包括：
S110：建立多用户下垫式认知无线电网络系统，并初始化所述多用户下垫式认知无线电网络系统的各参数；同时，根据授权用户和认知用户的预设约束创建基于动态多种群协同的多目标粒子群算法的动态多目标优化模型；
S120：将所述授权用户和所述认知用户的吞吐量作为对应的多目标粒子群算法的适应度函数值；
S130：通过支配关系更新所述多目标粒子群算法的粒子的个体最优和全局最优，并对更新后的粒子进行归档，更新外部档案，同时获取所述粒子的档案解；
S140：根据所述粒子的速度、位置、个体最优、全局最优和档案解更新所述粒子的位置信息，并循环执行步骤S120至步骤S140；其中，所述认知用户和所述授权用户的发射功率与所述粒子的位置信息相对应；
S150：当所述粒子的更新迭代达到预设的截止条件时，获取最优的适应度函数值，并通过所述动态多目标优化模型在不同动态通信环境下控制所述多用户下垫式认知无线电网络系统做出相应的响应。
此外，优选地，通过所述多目标粒子群算法的哨兵粒子评价通信环境的变换程度以及用户通信状态，判断当前通信类型；其中，所述哨兵粒子由上一次迭代的外部档案的档案解组成；根据所述当前通信类型指导所述多用户下垫式认知无线电网络系统做出相应的响应。
此外，优选地，所述多用户下垫式认知无线电网络系统的参数包括：授权用户的最大功率Pi max、认知用户的最大功率
Figure BDA0002103048060000021
授权用户的最小信噪比门限值
Figure BDA0002103048060000022
认知用户的最小信噪比门限值
Figure BDA0002103048060000023
以及授权用户的干扰温度阈值Ii；
所述预设约束包括：授权用户的功率约束0≤Pi≤Pi max、认知用户的功率约束
Figure BDA0002103048060000024
授权用户的信噪比约束
Figure BDA0002103048060000025
认知用户的信噪比约束
Figure BDA0002103048060000026
以及授权用户的干扰温度约束
Figure BDA0002103048060000027
其中，N为所述授权用户的个数，M为所述认知用户的个数，Ksi为所述授权用户的干扰增益；
所述多目标包括：最大化授权用户吞吐量
Figure BDA0002103048060000028
最大化认知用户吞吐量
Figure BDA0002103048060000029
γi为授权用户的信噪比，γs为认知用户的信噪比。
此外，优选地，基于所述预设约束的违反程度，所述多目标粒子群算法将种粒子群分为种群一和种群二；其中，
所述种群一的多目标优化模型满足以下条件：
Figure BDA0002103048060000031
Figure BDA0002103048060000032
Figure BDA0002103048060000033
所述种群二的多目标优化模型满足以下条件：
Figure BDA0002103048060000034
Figure BDA0002103048060000035
Figure BDA0002103048060000036
其中，N为所述授权用户的个数，M为所述认知用户的个数，Ii为授权用户的干扰温度阈值，γi为授权用户的信噪比，
Figure BDA0002103048060000037
为授权用户的最小信噪比门限值，Ps为认知用户的功率，Ksi为授权用户接收机的干扰增益，γs为认知用户的信噪比，
Figure BDA0002103048060000038
为认知用户的最小信噪比门限值，Pi为授权用户的功率，Pi max为授权用户的最大功率，
Figure BDA0002103048060000039
为认知用户的最大功率。
此外，优选地，所述预设约束的违反程度基于惩罚函数对授权用户的信噪比约束、干扰温度约束以及认知用户的信噪比约束做惩罚处理获取；
所述预设约束的违反程度计算公式为：
Figure BDA00021030480600000310
其中，N为所述授权用户的个数，M为所述认知用户的个数，γi为授权用户的信噪比，
Figure BDA00021030480600000311
为授权用户的最小信噪比门限值，γs为认知用户的信噪比，
Figure BDA00021030480600000312
为认知用户的最小信噪比门限值，Ii为授权用户的干扰温度阈值，Ps为认知用户的功率。
此外，优选地，所述环境变化指标包括所述哨兵粒子在上一次迭代和当前迭代的适应度函数值的误差总和；
所述通信类型包括：通信类型一：通信网络中用户不变，信道参数发生变化；通信类型二：通信网络中用户断开，但没有新增用户加入，信道参数发生变化；通信类型三：通信网络中在加入新用户的前提下，还有可能有用户退出通信网络，信道参数变化。
此外，优选地，对于所述通信类型一：当环境变化程度大于预设阈值时，将上一环境的外部档案归档到当前环境的外部档案中；
同时，将每个种群40％粒子重新初始化，以及每个种群的30％粒子的任意一个维度进行变异处理；其中，
所述粒子重新初始化的百分比与所述当前环境相对应。
此外，优选地，对于所述通信类型二：当第h个用户离开通信网络时，清除第h个用户所对应的粒子维度，并将上一个环境的外部档案归档到当前环境的外部档案中，每个种群的50％粒子重新初始化，以及每个种群中30％粒子任意一个维度进行变异处理；其中，
所述粒子重新初始化的百分比与所述当前环境相对应。
此外，优选地，对于所述通信类型三：当通信网络中新增一个用户时，赋予粒子一个新的维度，当第h个用户离开通信网络，清除第h个用户所对应的粒子维度，每个种群的60％粒子重新初始化，以及每个种群中30％粒子任意一个维度进行变异处理；其中，
所述粒子重新初始化的百分比与所述当前环境相对应。
根据本发明的另一方面，还提供一种认知无线电的功率控制装置，包括：
系统及模型创建单元，用于建立多用户下垫式认知无线电网络系统，并初始化所述多用户下垫式认知无线电网络系统的各参数；同时，根据授权用户和认知用户的预设约束创建基于动态多种群协同的多目标粒子群算法的动态多目标优化模型；
适应度函数值设置单元，用于将所述授权用户和所述认知用户的吞吐量作为对应的多目标粒子群算法的适应度函数值；
粒子的档案解获取单元，用于通过支配关系更新所述多目标粒子群算法的粒子的个体最优和全局最优，并对更新后的粒子进行归档，更新外部档案，同时获取所述粒子的档案解；
粒子位置更新单元，用于根据所述粒子的速度、位置、个体最优、全局最优和档案解更新所述粒子的位置信息，并循环执行上述单元；其中，所述认知用户和所述授权用户的发射功率与所述粒子的位置信息相对应；
响应单元，用于当所述粒子的更新迭代达到预设的截止条件时，获取最优的适应度函数值，并通过所述动态多目标优化模型在不同状态通信环境下控制所述多用户下垫式认知无线电网络系统做出相应的响应。
利用上述认知无线电功率的控制方法和装置，首先建立一个授权用户可控的多用户下垫式认知无线电网络系统，使用多种群协同的多目标粒子群算法，在满足授权用户最小干扰温度线、各用户发射机传输功率在设备限制之内以及每个用户的信噪比大于阈值的条件下，最大化授权、认知用户的吞吐量，合理调节授权、认知用户发射功率。
进而考虑通信环境不断变化的认知无线电网络，使用三种不同动态响应策略分别应对三种通信环境，以获取相对最优的功率控制方案。通过本发明能够保证授权和认知用户共同正常通信并且快速响应动态通信环境，进一步提高频带利用率，为用户提供多元化的功率控制方案。
为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为根据本发明实施例的认知无线电功率的控制方法的流程图；
图2为根据本发明实施例的动态通信环境的三种类型图；
图3为根据本发明认知无线电功率的控制方法的吞吐量和真实前沿的对比图；
图4为根据本发明认知无线电功率的控制方法的干扰温度约束图；
图5为根据本发明认知无线电功率的控制方法的信噪比约束图；
图6为根据本发明认知无线电功率的控制方法的传输功率约束图；
图7a为动态策略和静态策略中CV值的对比图；
图7b为动态策略和静态策略中MS值的对比图；
图7c为动态策略和静态策略中GD值的对比图；
图7d为动态策略和静态策略中终止迭代次数CT对比图；
图7e为动态策略和静态策略中CV、MS、GD的均值图；
图7f为动态策略和静态策略中终止迭代次数CT4对比图；
图8为20种动态通信环境用户的通信状态图；
图9为动态响应策略和静态响应策略在三种环境下的性能指标对比图；
图10为根据本发明实施例的认知无线电功率的控制装置的方框示意图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。
在以下内容中，为方便表述，多目标粒子群算法均指基于动态多种群协同的多目标粒子群算法，其也可称为基于动态多种群协同的粒子群算法。
为详细描述本发明的认知无线电功率的控制方法，以下将结合附图对本发明的具体实施例进行详细描述。
图1示出了根据本发明的认知无线电功率的控制方法的流程图。
如图1所示，本发明实施例的认知无线电功率的控制方法，包括：
步骤S110：建立多用户下垫式认知无线电网络系统，并初始化所述多用户下垫式认知无线电网络系统的各参数；同时，根据授权用户和认知用户的预设约束创建基于动态多种群协同的多目标粒子群算法的动态多目标优化模型。
所述多用户下垫式认知无线电网络系统的参数包括：授权用户的最大功率Pi max、认知用户的最大功率
Figure BDA0002103048060000061
授权用户的最小信噪比门限值
Figure BDA0002103048060000062
认知用户的最小信噪比门限值
Figure BDA0002103048060000063
以及授权用户的干扰温度阈值Ii。
所述预设约束包括：授权用户的功率约束0≤Pi≤Pi max、认知用户的功率约束
Figure BDA0002103048060000064
授权用户的信噪比约束
Figure BDA0002103048060000065
认知用户的信噪比约束
Figure BDA0002103048060000066
以及授权用户的干扰温度约束
Figure BDA0002103048060000067
其中，N为所述授权用户的个数，M为所述认知用户的个数，Ksi为所述授权用户的干扰增益；Pi为授权用户的功率，Ps为认知用户的功率，γi为授权用户的信噪比，γs为认知用户的信噪比。
所述多目标包括：最大化授权用户吞吐量
Figure BDA0002103048060000071
最大化认知用户吞吐量
Figure BDA0002103048060000072
在以下公式中，N为所述授权用户的个数，M为所述认知用户的个数，γi为授权用户的信噪比，
Figure BDA0002103048060000073
为授权用户的最小信噪比门限值，Ps为认知用户的功率，Ksi为授权用户接收机的干扰增益，γs为认知用户的信噪比，
Figure BDA0002103048060000074
为认知用户的最小信噪比门限值，Pi为授权用户的功率，Pi max为授权用户的最大功率，
Figure BDA0002103048060000075
为认知用户的最大功率，Ii为授权用户的干扰温度阈值。上述表示授权用户功率Pi等的符号在以下公式中均通用，当再次出现时不再一一赘述。
具体地，在一个认知无线电网络系统多用户下垫式的频谱共享场景中，假设网络系统中有N个授权用户(PU)和M个认知用户(SU)在同一信道中共享频谱资源，设H＝{1,2,…,N+M}代表在网络中所有用户的数量；D＝{1,2,…,N}代表网络中授权用户序号的集合；F＝{N+1,N+2,…,N+M}代表在网络中认知用户序号的集合。在下垫式频谱共享中，为了保证授权用户通信的可靠性，认知用户可以给授权用户带来干扰，但是该干扰不能超过一个干扰温度限，具体的干扰温度约束需符合：
Figure BDA0002103048060000076
其中，Ps为链路s(s∈F)上认知用户发射机(SU-Tx)的传输功率(简称为认知用户的功率)；Ksi表示从链路s上SU-Tx到链路i(i∈D)上授权用户接收机(PU-Rx)的干扰增益；Ii代表链路i上授权用户的干扰温度上限，或授权用户的干扰温度阈值。
考虑到通信设备电源的限制，授权用户和认知用户的发射机的功率分别符合以下约束条件：
0≤Pi≤Pi max
Figure BDA0002103048060000077
式中，Pi max为链路i上PU-Tx的传输功率上限，即授权用户的最大功率Pi max，
Figure BDA0002103048060000078
为链路s上SU-Tx的传输功率上限，即认知用户的最大功率
Figure BDA0002103048060000079
为了最大化信息传输速率实现最优的资源分配，保证正常的通信，在上述约束条件下，建立了最大化授权用户Pus(Primary users主用户，也可以作为授权用户)和认知用户SUs(Secondary users次用户，也可以作为认知用户)吞吐量的多目标优化模型。该多目标优化模型符合以下条件：
Figure BDA0002103048060000081
Figure BDA0002103048060000082
Figure BDA0002103048060000083
其中，
Figure BDA0002103048060000084
和
Figure BDA0002103048060000085
分别代表授权用户PUs和认知用户SUs的吞吐量。
步骤S120：将所述授权用户和所述认知用户的吞吐量作为对应的多目标粒子群算法的适应度函数值。
S130：通过支配关系更新所述多目标粒子群算法的粒子的个体最优和全局最优，并对更新后的粒子进行归档，更新外部档案，同时获取所述粒子的档案解；
S140：根据所述粒子的速度、位置、个体最优、全局最优和档案解更新所述粒子的位置信息，并循环执行步骤S120至步骤S140；其中，所述认知用户和所述授权用户的发射功率与所述粒子的位置信息相对应；
S150：当所述粒子的更新迭代达到预设的截止条件时，获取最优的适应度函数值，并通过所述动态多目标优化模型在不同状态通信环境下控制所述多用户下垫式认知无线电网络系统做出相应的响应。
其中，在动态多种群协同的多目标粒子群算法的寻优过程中：
在一个H(H＝N+M)维的目标搜索空间中，随机生成m(m＝{1,2})个种群分别优化两个目标，每个种群包含ps个个体，此处的个体也可理解为上述的粒子(下同)，其中种群m的个体a的位置为
Figure BDA0002103048060000086
速度为
Figure BDA0002103048060000087
通过比较适应度函数值更新个体最优
Figure BDA0002103048060000088
全局最优gbestm。合并所有种群的个体，根据Pareto支配关系将非支配解存入外部档案Non，如果非支配解的总数超出外部档案的最大容量Cmax则使用拥挤距离的管理方法，缩减外部档案Non的大小。此外，在外部档案Non中随机选择非支配解赋值给档案解
Figure BDA0002103048060000089
作为种群中个体向Pareto(最优解)前沿解空间搜索的指导信息。
个体寻优策略为：
Figure BDA0002103048060000091
Figure BDA0002103048060000092
其中，w代表权重；c1、c2和c3均是学习因子；rand代表[0,1]之间的随机数。被更新后的个体与历史信息对比进而得到新的
Figure BDA0002103048060000093
和gbestm，在外部档案Non中加入精英策略提高种群局部搜索能力，单点变异得到解的集合与被更新后的种群以及历史外部档案Non汇总，判断汇总后的解集的支配关系，并将获得的非支配解集作为新的外部档案Non。
根据外部档案Non的规模衡量是否管理档案，然后更新
Figure BDA0002103048060000094
采用哨兵粒子以及当前信息判断环境是否变化，如果环境变化利用动态响应策略应对改变的环境，否则继续寻优。进一步，如果没有满足终止迭代条件，继续更新个体速度进而寻优。
换言之，当粒子的更新迭代达到预设的截止条件时，获取最优的适应度函数值，并通过所述动态多目标优化模型在不同动态通信环形下控制所述多用户下垫式认知无线电网络系统做出相应的响应。
其中，通过多目标粒子群算法的哨兵粒子评价通信环境的变换程度以及用户通信状态，判断当前通信类型；其中，哨兵粒子由上一次迭代的外部档案的档案解组成；根据当前通信类型指导所述多用户下垫式认知无线电网络系统做出相应的响应。
作为具体示例，以下在一个认知无线电网络多用户下垫式的频谱共享的场景中，假设网络中有N个授权用户和M个认知用户在同一信道中共享频谱资源。为了保证授权用户通信的可靠性，认知用户对授权用户的总干扰不能超过一个干扰温度限，具体为：
Figure BDA0002103048060000095
为了保证PU和SU的服务质量(QoS)，PU-Rx和认知用户接收机(SU-Rx)的实际SINR必须超过相应的阈值，具体如下所示：
Figure BDA0002103048060000096
Figure BDA0002103048060000097
在上述公式中，
Figure BDA0002103048060000101
是链路i上PU-Rx的SINR(Signal to Interference plus NoiseRatio，信噪比)阈值；
Figure BDA0002103048060000102
是链路s上认知用户接收机(SU-Rx)的SINR阈值。考虑了授权用户、认知用户带来的干扰以及背景噪声，进而得到链路i上PU-Rx的实际信噪比(γi)和链路s上SU-Rx的实际信噪比(γs)如下所示：
Figure BDA0002103048060000103
Figure BDA0002103048060000104
式中，Pi表示在链路i上授权用户发射机(PU-Tx)的传输功率；Pj表示在链路j上PU-Tx的传输功率；Gii表示在链路i上PU-Tx到PU-Rx的直接信道增益；Gji表示从链路j上PU-Tx到链路i上PU-Rx的干扰增益；∑i≠jPjGji表示在链路i上PU-Rx收到其他PU-Txs；Ps表示在链路s上SU-Tx的传输功率；Pv表示在链路v上SU-Tx的传输功率；Gvs表示在链路s上SU-Tx到链路s上SU-Rx的直接信道增益；Gvs表示从链路v上SU-Tx到链路s上SU-Rx的干扰增益；∑s≠ vPvGvs表示在链路s上SU-Rx收到其他SU-Tx的干扰的总干扰。
Figure BDA0002103048060000105
表示为链路i上PU-Rx收到所有SU-Tx的干扰总和。
Kis表示从链路i上PU-Tx到链路s上SU-Rx的干扰增益；
Figure BDA0002103048060000106
是链路s上SU-Rx收到所有PU-Tx的干扰总和；σi是链路i上授权用户的背景噪声；σs是链路s上认知用户的背景噪声。
考虑到通信设备电源的限制，每个用户发射机的传输功率为：
0≤Pi≤Pi max (6)
Figure BDA0002103048060000107
为了最大化信息传输速率实现最优的资源分配，保证正常的通信，在上述约束条件下，建立了最大化PUs和SUs吞吐量的优化模型为：
Figure BDA0002103048060000108
根据惩罚理论，将优化模型(8)的干扰温度和信噪比约束条件转化为一个新的目标，定义为违反正常通信的程度(VNC)。VNC越小，表明用户的通信稳定性越好。处理后的优化模型如下所示：
Figure BDA0002103048060000111
其中，如果
Figure BDA0002103048060000112
成立，则
Figure BDA0002103048060000113
否则，
Figure BDA0002103048060000114
Figure BDA0002103048060000115
同理
Figure BDA0002103048060000116
和
Figure BDA0002103048060000117
同样适用。
本发明以多种群协同的多目标粒子群算法为基础，根据协同进化的原理将下述优化模型(11)一分为二，即基于预设约束的违反程度，所述多目标粒子群算法将种粒子群分为种群一和种群二；种群一或者优化模型(12)最大化授权用户吞吐量、最小化VNC，种群二或者模型(13)最大化认知用户吞吐量、最小化VNC，具体如下：
Figure BDA0002103048060000118
Figure BDA0002103048060000119
预设约束的违反程度基于惩罚函数对授权用户的信噪比约束、干扰温度约束以及认知用户的信噪比约束做惩罚处理获取；
所述预设约束的违反程度计算公式为：
Figure BDA00021030480600001110
多目标粒子群算法使用两个种群分别优化模型(12)和(13)，将授权和认知用户发射机的传输功率作为决策变量，即种群中个体的位置x＝[P1,…,Pi,…,PN,PN+1,…,Ps,…,PN+M]；吞吐量和VNC作为适应度函数如下所示，其中，f(xP)表示适应度函数值：
Figure BDA00021030480600001111
环境变化指标包括所述哨兵粒子在上一次迭代和当前迭代的适应度函数值的误差总和；所述通信类型包括：
通信类型一：通信网络中用户不变，信道参数发生变化；
通信类型二：通信网络中用户断开，但没有新增用户加入，信道参数发生变化；
通信类型三：通信网络中在加入新用户的前提下，还有可能有用户退出通信网络，信道参数变化。
对于所述通信类型一：当环境变化程度大于预设阈值时，将上一环境的外部档案归档到当前环境的外部档案中；同时，将每个种群40％粒子重新初始化，以及每个种群的30％粒子的任意一个维度进行变异处理。
对于所述通信类型二：当第h个用户离开通信网络时，清除第h个用户所对应的粒子维度，并将上一个环境的外部档案归档到当前环境的外部档案中，每个种群的50％粒子重新初始化，以及每个种群中30％粒子任意一个维度进行变异处理。
对于所述通信类型三：当通信网络中新增一个用户时，赋予粒子一个新的维度，当第h个用户离开通信网络，清除第h个用户所对应的粒子维度，每个种群的60％粒子重新初始化，以及每个种群中30％粒子任意一个维度进行变异处理。
需要说明个是，在上述三种通信类型中，粒子重新初始化的百分比与所述当前环境相对应，即重新初始化粒子的百分比可以根据环境进行调整，并不限于上述具体数值。
不失一般性，下文以第m个种群为例。具体的所目标粒子群算法步骤如下所示：
步骤1、初始化两个种群，每个种群的参数如下所示：规模ps，决策变量维度DF，速度取值上下限vmax和vmin，学习因子c1、c2和c3，权重w，外部档案(Non)的最大容量Cmax(外部档案存储非支配解，即最优功率控制方案)，环境监测阈值μ。
步骤2、计算适应度函数值f(xP)，并根据Pareto支配关系对比f(xP)和历史信息(如果种群处于初始化阶段，则不需要历史信息)更新粒子(个体)的个体最优pbest、全局最优gbest。加强种间协作寻优提高对目标解空间的搜索效率，合并两个种群以及历史信息根据Pareto支配原则将非支配解归档到Non中。为了减少计算量并且提高非支配解的分布均匀程度，如果Non的内存大于Cmax则根据拥挤距离管理Non，在更新后的Non中随机选取popSize个个体作为档案解Archive。如果种群不处于初始化阶段则跳转到步骤3，否则执行步骤4。
步骤3、Non作为哨兵粒子计算本次和上一次迭代的差异评价通信环境变化的剧烈程度，如果大于环境监测阈值μ则说明环境变化，并综合用户通信状态判断环境变化类型，根据环境变化类型选择相应动态响应策略。返回步骤2(动态响应策略相当于种群初始化)。
4、在Non中引入精英策略，对非支配解单点变异处理得到精英种群EA。
5、粒子以速度v、pbest、gbest以及Archive作为指导信息，根据公式v＝wv+c1rand(x-pbest)+c2rand(x-gbest)+c3rand(x-Archive)更新粒子速度，进而为粒子飞翔做出决策x＝x+v。
6、返回步骤(2)，并且将EA同更新后的种群、历史信息一起根据Pareto支配原则归档到Non。
作为具体示例，表1示出了认知无线电网络系统仿真实验的仿真参数。
Figure BDA0002103048060000131
表1
表2示出了动态多种群协同的多目标粒子群算法参数。
Figure BDA0002103048060000141
表2
设在上述表1和表2所示的认知无线电网络中在某一通信状态下，4个授权用户、4个认知用户同时工作。采用本发明的认知无线电功率的控制方法，采用多种群协同的多目标粒子群算法最大化授权用户、认知用户的吞吐量。处理后的结果如图3根据本发明认知无线电功率的控制方法的吞吐量和真实前沿的对比所示。
通过图3可以看出，该方法获得的20组功率控制方案能均匀且高精度映射在吞吐量真实前沿上，从而为用户提供多元化、可选择性高、可靠性高的功率控制方案。
图4示出了根据本发明认知无线电功率的控制方法的干扰温度约束，通过图4可知，20组功率控制方案都能满足授权用户干扰温度的限制，保证了授权用户通信的可靠性。
图5示出了根据本发明认知无线电功率的控制方法的信噪比约束，通过图5可知，20组功率控制方案中授权用户的信噪比皆大于等于1dB，认知用户的信噪比皆大于等于0.8dB，为此授权和认知用户都能够正常通信。
图6示出了根据本发明认知无线电功率的控制方法的传输功率约束，通过图6可知，20组功率控制方案中授权用户和认知用户的发射机传输功率都能保持在界定范围内。
为了验证本发明基于动态多种群协同的多目标粒子群算法的认知无线电功率控制方法的性能，模拟实际通信系统，信道和用户数量是随机变化的。将图8所示的20种动态通信环境用户的通信状态分为三类，即将多变的通信环境分为三类，在20个动态环境中，用户通信状态和信道参数变化的结果，其中第一、第二种动态环境占25％，第三种动态环境占50％，其中三种动态环境的吞吐量可以由图2表示。
图9示出了动态响应策略和静态响应策略在三种环境下的性能指标对比。
为了评价动态响应策略，本发明提出了一种理想的静态响应策略(即，当通信环境发生变化则初始化种群的方案)。在相同迭代次数的情况下，比较两种策略获得的功率控制方法的拥挤方差CV、世代距离GD、最大伸展MS；此外，比较当满足(CV<0.1，GD<0.001，MS>0.9)时的终止迭代次数CT。其中，CV、GD、CT越小，MS越大，表明算法的性能越好。
如图7a、7b、7c、7d所示，描述了三种动态通信环境下的动态和静态策略的CV、GD、MS和CT的对比。图7d中动态策略的MS值优于静态策略；从图7d可以看出，动态策略的CT值低于静态策略，动态策略能够以成本较低计算代价达到期望性能，进而实现快速响应动态通信环境。
根据上述理论，动态策略的这两个值优于静态策略。然而，在图7a、7c中，三种类型的动态通信环境下，CV和GD在动态和静态策略上几乎没有区别。其中，动态策略的CV1和GD1明显低于图9中静态策略的CV1和GD1。究其根本原因，与图7b中的MS2-3相比，MS1中动态策略的最大搜索范围远大于静态策略，导致CV1和GD1性能下降。
此外，图7e、7f中的CV4、GD4、MS4和CT4的最大迭代次数(CV4<0.1，GD4<0.001，MS4>0.9)描述了动态和静态策略的总体性能，CT4在三种动态通信环境下的加权平均。动态策略的CV4、GD4和CT4均小于静态策略，动态策略的MS4值大于静态策略。
因此，通过以上分析，动态策略可以利用历史信息加快多种群协同的多目标粒子群算法的收敛速度，帮助PUs和SUs更快地适应动态通信环境。在多种群协同的多目标粒子群算法中，动态响应策略一般优于静态策略。
与上述认知无线电功率的控制方法相对应，本发明还提供一种认知无线电功率的控制装置，如图10所示。
通过图10可知，本发明提供的认知无线电功率的控制装置10，包括：
系统及模型创建单元11，用于建立多用户下垫式认知无线电网络系统，并初始化所述多用户下垫式认知无线电网络系统的各参数；同时，根据授权用户和认知用户的预设约束创建基于多目标粒子群算法的多目标优化模型；
适应度函数值设置单元12，用于将所述授权用户和所述认知用户的吞吐量作为对应的多目标粒子群算法的适应度函数值；
粒子的档案解获取单元13，用于通过支配关系更新所述多目标粒子群算法的粒子的个体最优和全局最优，并对更新后的粒子进行归档，更新外部档案，同时获取所述粒子的档案解；
粒子位置更新单元14，用于根据所述粒子的速度、位置、个体最优、全局最优和档案解更新所述粒子的位置信息，并循环执行上述单元；其中，所述认知用户和所述授权用户的发射功率与所述粒子的位置信息相对应；
响应单元15，用于当所述粒子的更新迭代达到预设的截止条件时，获取最优的适应度函数值，并通过所述多目标优化模型控制所述多用户下垫式认知无线电网络系统做出相应的响应。
如上参照附图以示例的方式描述根据本发明的认知无线电功率的控制方法和装置。但是，本领域技术人员应当理解，对于上述本发明所提出的网络安全接入控制方法及装置，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (8)

1.一种认知无线电的功率控制方法，其特征在于，所述控制方法包括：
S110：建立多用户下垫式认知无线电网络系统，并初始化所述多用户下垫式认知无线电网络系统的各参数；同时，根据授权用户和认知用户的预设约束创建基于动态多种群协同的多目标粒子群算法的动态多目标优化模型；
S120：将所述授权用户和所述认知用户的吞吐量作为对应的多目标粒子群算法的适应度函数值；
S130：通过支配关系更新所述多目标粒子群算法的粒子的个体最优和全局最优，并对更新后的粒子进行归档，更新外部档案，同时获取所述粒子的档案解；
S140：根据所述粒子的当前速度、位置、个体最优、全局最优和档案解更新所述粒子的位置信息，并循环执行步骤S120至步骤S140；其中，所述认知用户和所述授权用户的发射功率与所述粒子的位置信息相对应；
S150：当所述粒子的更新迭代达到预设的截止条件时，获取最优的适应度函数值，并通过所述动态多目标优化模型在不同动态通信环境下控制所述多用户下垫式认知无线电网络系统做出相应的响应；
所述多用户下垫式认知无线电网络系统的参数包括：授权用户的最大功率Pi max、认知用户的最大功率
Figure FDA0003293118870000011
授权用户的最小信噪比门限值
Figure FDA0003293118870000012
认知用户的最小信噪比门限值
Figure FDA0003293118870000013
以及授权用户的干扰温度阈值Ii；
所述预设约束包括：授权用户的功率约束0≤Pi≤Pi max、认知用户的功率约束
Figure FDA0003293118870000014
授权用户的信噪比约束
Figure FDA0003293118870000015
认知用户的信噪比约束
Figure FDA0003293118870000016
以及授权用户的干扰温度约束
Figure FDA0003293118870000017
其中，N为所述授权用户的个数，M为所述认知用户的个数，Ksi为所述授权用户的干扰增益；
所述多目标包括：最大化授权用户吞吐量
Figure FDA0003293118870000018
最大化认知用户吞吐量
Figure FDA0003293118870000019
γi为授权用户的信噪比，γs为认知用户的信噪比；
基于所述预设约束的违反程度，所述多目标粒子群算法将种粒子群分为种群一和种群二；其中，
所述种群一的多目标优化模型满足以下条件：
Figure FDA0003293118870000021
Figure FDA0003293118870000022
Figure FDA0003293118870000023
所述种群二的多目标优化模型满足以下条件：
Figure FDA0003293118870000024
Figure FDA0003293118870000025
Figure FDA0003293118870000026
其中，N为所述授权用户的个数，M为所述认知用户的个数，Ii为授权用户的干扰温度阈值，γi为授权用户的信噪比，
Figure FDA0003293118870000027
为授权用户的最小信噪比门限值，Ps为认知用户的功率，Ksi为授权用户接收机的干扰增益，γs为认知用户的信噪比，
Figure FDA0003293118870000028
为认知用户的最小信噪比门限值，Pi为授权用户的功率，Pi max为授权用户的最大功率，
Figure FDA0003293118870000029
为认知用户的最大功率。
2.如权利要求1所述的认知无线电的功率控制方法，其特征在于，
通过所述多目标粒子群算法的哨兵粒子评价通信环境的变换程度以及用户通信状态，判断当前通信类型；其中，所述哨兵粒子由上一次迭代的外部档案的档案解组成；
根据所述当前通信类型指导所述多用户下垫式认知无线电网络系统做出相应的响应。
3.如权利要求1所述的认知无线电的功率控制方法，其特征在于，
所述预设约束的违反程度基于惩罚函数对授权用户的信噪比约束、干扰温度约束以及认知用户的信噪比约束做惩罚处理获取；
所述预设约束的违反程度计算公式为：
Figure FDA00032931188700000210
其中，N为所述授权用户的个数，M为所述认知用户的个数，γi为授权用户的信噪比，
Figure FDA0003293118870000031
为授权用户的最小信噪比门限值，γs为认知用户的信噪比，
Figure FDA0003293118870000032
为认知用户的最小信噪比门限值，Ii为授权用户的干扰温度阈值，Ps为认知用户的功率。
4.如权利要求1所述的认知无线电的功率控制方法，其特征在于，
环境变化指标包括哨兵粒子在上一次迭代和当前迭代的适应度函数值的误差总和；
通信类型包括：
通信类型一：通信网络中用户不变，信道参数发生变化；
通信类型二：通信网络中用户断开，但没有新增用户加入，信道参数发生变化；
通信类型三：通信网络中在加入新用户的前提下，还有可能有用户退出通信网络，信道参数变化。
5.如权利要求4所述的认知无线电的功率控制方法，其特征在于，
对于所述通信类型一：当环境变化程度大于预设阈值时，将上一环境的外部档案归档到当前环境的外部档案中；
同时，将每个种群40％粒子重新初始化，以及每个种群的30％粒子的任意一个维度进行变异处理；其中，
所述粒子重新初始化的百分比与所述当前环境相对应。
6.如权利要求4所述的认知无线电的功率控制方法，其特征在于，
对于所述通信类型二：当第h个用户离开通信网络时，清除第h个用户所对应的粒子维度，并将上一个环境的外部档案归档到当前环境的外部档案中，每个种群的50％粒子重新初始化，以及每个种群中30％粒子任意一个维度进行变异处理；其中，
所述粒子重新初始化的百分比与所述当前环境相对应。
7.如权利要求4所述的认知无线电的功率控制方法，其特征在于，
对于所述通信类型三：当通信网络中新增一个用户时，赋予粒子一个新的维度，当第h个用户离开通信网络，清除第h个用户所对应的粒子维度，每个种群的60％粒子重新初始化，以及每个种群中30％粒子任意一个维度进行变异处理；其中，
所述粒子重新初始化的百分比与当前环境相对应。
8.一种认知无线电的功率控制装置，其特征在于，包括：
系统及模型创建单元，用于建立多用户下垫式认知无线电网络系统，并初始化所述多用户下垫式认知无线电网络系统的各参数；同时，根据授权用户和认知用户的预设约束创建基于动态多种群协同的多目标粒子群算法的动态多目标优化模型；
适应度函数值设置单元，用于将所述授权用户和所述认知用户的吞吐量作为对应的多目标粒子群算法的适应度函数值；
粒子的档案解获取单元，用于通过支配关系更新所述多目标粒子群算法的粒子的个体最优和全局最优，并对更新后的粒子进行归档，更新外部档案，同时获取所述粒子的档案解；
粒子位置更新单元，用于根据所述粒子的速度、位置、个体最优、全局最优和档案解更新所述粒子的位置信息，并循环执行上述单元；其中，所述认知用户和所述授权用户的发射功率与所述粒子的位置信息相对应；
响应单元，用于当所述粒子的更新迭代达到预设的截止条件时，获取最优的适应度函数值，并通过所述动态多目标优化模型在不同动态通信环境下控制所述多用户下垫式认知无线电网络系统做出相应的响应；其中，
所述多用户下垫式认知无线电网络系统的参数包括：授权用户的最大功率Pi max、认知用户的最大功率
Figure FDA0003293118870000041
授权用户的最小信噪比门限值
Figure FDA0003293118870000042
认知用户的最小信噪比门限值
Figure FDA0003293118870000043
以及授权用户的干扰温度阈值Ii；
所述预设约束包括：授权用户的功率约束0≤Pi≤Pi max、认知用户的功率约束
Figure FDA0003293118870000044
授权用户的信噪比约束
Figure FDA0003293118870000045
认知用户的信噪比约束
Figure FDA0003293118870000046
以及授权用户的干扰温度约束
Figure FDA0003293118870000047
其中，N为所述授权用户的个数，M为所述认知用户的个数，Ksi为所述授权用户的干扰增益；
所述多目标包括：最大化授权用户吞吐量
Figure FDA0003293118870000048
最大化认知用户吞吐量
Figure FDA0003293118870000049
γi为授权用户的信噪比，γs为认知用户的信噪比；
基于所述预设约束的违反程度，所述多目标粒子群算法将种粒子群分为种群一和种群二；其中，
所述种群一的多目标优化模型满足以下条件：
Figure FDA0003293118870000051
Figure FDA0003293118870000052
Figure FDA0003293118870000053
所述种群二的多目标优化模型满足以下条件：
Figure FDA0003293118870000054
Figure FDA0003293118870000055
Figure FDA0003293118870000056
其中，N为所述授权用户的个数，M为所述认知用户的个数，Ii为授权用户的干扰温度阈值，γi为授权用户的信噪比，
Figure FDA0003293118870000057
为授权用户的最小信噪比门限值，Ps为认知用户的功率，Ksi为授权用户接收机的干扰增益，γs为认知用户的信噪比，
Figure FDA0003293118870000058
为认知用户的最小信噪比门限值，Pi为授权用户的功率，Pi max为授权用户的最大功率，
Figure FDA0003293118870000059
为认知用户的最大功率。
CN201910542686.XA 2019-06-21 2019-06-21 一种认知无线电功率的控制方法和装置 Active CN110312301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910542686.XA CN110312301B (zh) 2019-06-21 2019-06-21 一种认知无线电功率的控制方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910542686.XA CN110312301B (zh) 2019-06-21 2019-06-21 一种认知无线电功率的控制方法和装置

Publications (2)

Publication Number Publication Date
CN110312301A CN110312301A (zh) 2019-10-08
CN110312301B true CN110312301B (zh) 2022-04-22

Family

ID=68077549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910542686.XA Active CN110312301B (zh) 2019-06-21 2019-06-21 一种认知无线电功率的控制方法和装置

Country Status (1)

Country Link
CN (1) CN110312301B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111741520B (zh) * 2020-06-22 2021-04-02 中国海洋大学 一种基于粒子群的认知水声通信系统功率分配方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106060851A (zh) * 2016-06-30 2016-10-26 南京理工大学 异构云无线接入网络中拥塞控制下的安全资源优化方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8041380B2 (en) * 2007-04-26 2011-10-18 Lingna Holdings Pte., Llc Power control in cognitive radio systems based on spectrum sensing side information
CN101982992A (zh) * 2010-10-30 2011-03-02 鲁东大学 认知无线电网络中基于改进粒子群的功率控制最优化算法
CN102892188B (zh) * 2012-10-09 2016-07-06 中兴通讯股份有限公司 通信网络中基于遗传算法的上行功率控制方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106060851A (zh) * 2016-06-30 2016-10-26 南京理工大学 异构云无线接入网络中拥塞控制下的安全资源优化方法

Also Published As

Publication number Publication date
CN110312301A (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
Sun et al. D2D-based V2V communications with latency and reliability constraints
Qin et al. Fair adaptive resource allocation for multiuser OFDM cognitive radio systems
Zhang et al. A distributed algorithm for resource allocation in OFDM cognitive radio systems
AlQerm et al. Enhanced machine learning scheme for energy efficient resource allocation in 5G heterogeneous cloud radio access networks
CN101926206A (zh) 无线通信系统中的功率净空管理
CN106454920B (zh) 一种lte与d2d混合网络中基于时延保证的资源分配优化算法
Hu et al. Adaptive distributed algorithms for optimal random access channels
US9338753B2 (en) Method and apparatus for performance management in wireless backhaul networks via power control
CN110337148B (zh) 基于非正交多址接入的认知无线电能效资源分配方法
Bossy et al. Optimization of energy efficiency in the downlink LTE transmission
CN114222371A (zh) 一种eMBB和uRLLC设备共存的流量调度方法
CN110312301B (zh) 一种认知无线电功率的控制方法和装置
Cui et al. Deep learning for robust power control for wireless networks
CN115866787A (zh) 融合终端直传通信和多接入边缘计算的网络资源分配方法
Chiumento et al. Impact of CSI feedback strategies on LTE downlink and reinforcement learning solutions for optimal allocation
KR20150086741A (ko) 인지무선 소형 셀 환경에서의 자원할당 방법 및 자원할당 장치
Cheng et al. Dynamic rate adaptation and multiuser downlink beamforming using mixed integer conic programming
CN109714818A (zh) 单小区noma系统中的功率分配方法
Adeel et al. Resource management and inter-cell-interference coordination in LTE uplink system using random neural network and optimization
CN113382414A (zh) 基于网络切片的非正交多址接入系统资源分配方法及装置
CN105611640B (zh) 一种公平度可调的CoMP下行用户调度方法
Stan et al. 5G radio resource allocation for communication and computation offloading
CN114828193A (zh) 一种无线网络上下行多业务并发功率分配方法及存储介质
Sharma et al. Differential evolution aided adaptive resource allocation in OFDMA systems with proportional rate constraints
CN111132312B (zh) 一种资源分配方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant