CN111741520A - 一种基于粒子群的认知水声通信系统功率分配方法 - Google Patents

Abstract

本发明公开了一种基于粒子群的认知水声通信系统功率分配方法，所述方法包括：根据实际应用场景的物理模型建立认知水声通信系统模型；构建以系统能耗最小化为目标，包含有多个约束条件的优化问题；结合约束条件和目标函数构建基于粒子群算法的认知水声通信系统功率分配问题的适应度函数；根据粒子群算法，不断更新粒子的速度和位置信息，经过多次迭代求解出上述优化问题的最优解。本发明通过确立以系统能耗最小化为目标的优化模型并利用适当的条件对节点的发射功率进行约束，有效降低了系统的能耗的同时，还提升了系统的通信性能，提高了频谱利用率。

Description

一种基于粒子群的认知水声通信系统功率分配方法

技术领域

本发明涉及水声通信技术领域，具体涉及一种多中继参与协作的认知水声通信系统中节点功率分配方法。

背景技术

水声通信(Underwater Acoustic Communication,UWAC)技术利用声波作为通信载体，是目前实现水下无线通信的主要技术，该技术在水下舰艇间通信、海洋环境监测、海洋数据收集及灾害预警等方面发挥着重要的作用。

但由于海洋中其他生物系统的存在，使得水声通信可用的频谱资源非常紧缺，为了提高水声通信的频谱利用率，结合认知无线电技术，基于认知无线电的认知水声通信应运而生，该技术利用系统中多个中继节点协作感知空闲频谱并机会式接入，动态调整节点发射参数(如发射功率、调制方式等)。在实际工程应用中，水下设备多采用无源供电方式工作，能耗问题是水声通信系统面临的另一挑战，对节点发射功率的控制显得尤为重要。传统的功率控制方法有梯度下降法、牛顿法等，由于水声通信系统中功率控制问题较复杂，需要优化的目标多、约束条件多，而采用传统方法计算复杂度较高、实现较为复杂、对系统能耗需求较大。

发明内容

本发明的目的是，针对认知水声通信系统中节点无源供电工作方式，提供一种基于粒子群的认知水声通信系统功率分配方法，能够有效降低系统的能耗，同时还提升系统的通信性能，提高频谱利用率。

为了达到上述发明目的，本发明采用以下技术方案：

一种基于粒子群的认知水声通信系统功率分配方法，包括如下步骤：

S1、根据实际应用场景的物理模型建立认知水声通信系统模型，包含一个源节点s、一个目的节点d和K个中继节点r；

S2、构建以系统能耗F最小化为目标，包含有多个约束条件的优化问题，所述约束条件包含系统信道容量约束和节点发射功率约束；

S3、结合约束条件和目标函数构建基于粒子群算法的认知水声通信系统功率分配问题的适应度函数F_b；

S4、根据粒子群算法，不断更新粒子的速度和位置信息，经过多次迭代求解出上述优化问题的最优解。

其中，所述优化问题的目标函数表示为：

P_s和

分别表示源节点和第k个中继节点的发射功率。

所述约束条件包括：

1)中继节点当前转发方式下的系统信道容量C_DF大于等于系统正常通信的信道容量的最小值C_min，即C_DF≥C_min；；

2)节点发射功率满足：

P_s|h_sp|²≤min{I_th,T}

其中h_sp和

分别表示源节点和中继节点进行信号传输时对其他系统造成的干扰增益，I_th和T分别表示主用户和海洋生物能承受的最大干扰阈值；P_max为系统的最大发射功率。

所述适应度函数表示为：

其中Φ是惩罚因子，

根据约束条件定义的惩罚项，i＝{1,...,4}，形式如下：

其中，g₁(x)＝C_min-C_DF；

本发明提供了一种基于粒子群算法的认知水声通信系统节点功率控制方法，在多个节点协同感知基础上，通过确立以系统能耗最小化为目标的优化模型并利用适当的条件对节点的发射功率进行约束，有效降低了系统的能耗的同时，还提升了系统的通信性能，提高了频谱利用率。对比传统拉格朗日乘子方法，本发明所述方法能耗更低且性能更优，能够降低系统维护成本、延长系统服务周期，有较强的适用性。

附图说明

图1为根据本发明实施例的基于粒子群的认知水声通信系统功率分配方法流程图；

图2为根据本发明实施例的多中继协作的认知水声通信系统物理模型图；

图3为根据本发明实施例的多中继协作的认知水声通信系统模型图；

图4为根据本发明实施例的求解优化问题的粒子群算法流程图；

图5为根据本发明实施例的粒子群算法的适应度函数收敛曲线图；

图6为根据本发明实施例的不同中继节点参与协作时拉格朗日乘子方法和粒子群算法仿真时间对比图；

图7为根据本发明实施例的多个中继协作下不同方法的信道容量随信噪比的变化曲线图；

图8为根据本发明实施例的多个中继协作下不同方法的信道误码率随信噪比的变化曲线图。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案作进一步说明。

本发明提出的基于粒子群的认知水声通信系统功率分配方法，首先根据实际应用场景的物理模型建立认知水声通信系统模型，然后确定优化目标并根据应用场景构建约束条件，具体地确立以系统能耗最小化为目标含有约束条件的目标函数，通过对实际情景的分析确定该优化问题的约束条件，随后结合约束条件和目标函数构建粒子群算法的适应度函数，最后通过不断更新粒子的速度和位置信息，经过多次迭代求解出上述优化问题的最优解。本发明所述方法在保证系统通信性能的前提下，降低系统的能耗。能在系统能承受的能耗范围内获得较优的系统性能。

参照图1，在一个实施例中，基于粒子群的认知水声通信系统功率分配方法包含以下步骤：

步骤001，根据实际应用场景的物理模型建立多中继协作的认知水声通信系统模型。

图2所示为多中继协作的认知水声通信系统物理模型示例，图3是建立的认知水声通信系统模型示意图。认知水声通信系统模型包含一个源节点s、一个目的节点d和K个中继节点r，源节点和中继节点均可作为认知用户，以三节两跳传输机制进行信号的传输，即信号的传输分为两个时隙完成：第一时隙内，中继节点和目的节点分别接收到源节点广播的信息；第二时隙内，目的节点只接收到来自中继节点广播的信息。中继节点采用解码转发方式。

如图3所示，本实施例中以三个中继节点参与协作的模型为例进行仿真，即K＝3。仿真设定水下声速为1500m/s，系统带宽为8KHz，载波频率为20KHz，源节点到目的节点的水平距离为2km。粒子群规模设置为50，维度设为3，设置300次迭代次数。

步骤002，构建以系统能耗F最小化为目标，包含有多个约束条件的数学优化问题。以P_s和

分别表示源节点和第k个中继节点的发射功率，目标函数表示为：

然后确定该优化模型的约束条件，约束条件设置如下：

(1)在中继解码转发方式下，信号到达目的节点经过最大比合并处理后，系统的信道容量可表示为：

其中

表示每条协作通信的链路所占带宽，B表示系统带宽，式中

h_s,d、

分别表示源节点到目标节点S-D链路、中继节点到目标节点R_k-D链路、源节点到中继节点S-R_k链路的信道衰落系数，

则分别代表对应链路上的背景噪声方差。系统的信道容量要不低于设置的最小值才能保证系统的正常通信，故可得出约束条件：C_DF≥C_min，其中，根据经验设置C_min的值为600bit/s；

(2)在通信信号传输的K+1个时隙内，认知用户会对通信区域内的授权主用户及海洋生物产生干扰，为保障授权主用户的正常通信及考虑通信系统的生物友好性，认知用户节点的发射功率需要满足如下约束条件：P_s|h_sp|²≤min{I_th,T}、

其中h_sp和

分别表示源节点和中继节点进行信号传输时对其他系统造成的干扰增益，I_th和T分别表示授权主用户和海洋生物能承受的最大干扰阈值；

(3)设置节点的发射功率在合理的范围之内，不能超过系统的最大发射功率并保证节点的发射功率为非负实数，约束条件表示为：

其中P_max为系统的最大发射功率。

综上得到认知水声通信系统中功率分配问题的数学优化模型。

步骤003，根据上述模型建立粒子群算法所需的惩罚项和适应度函数。首先根据上述数学模型的约束条件定义惩罚项为如下式形式：

其中

分别表示由上述目标函数的约束条件定义而来的惩罚项。其中g₁(x)对应约束条件C_DF≥C_min，设置g₁(x)＝C_min-C_DF，当g₁(x)≤0时，表示解满足约束条件，则不惩罚，否则需要惩罚；相应地，g₂(x)根据约束条件P_s|h_sp|²≤min{I_th,T}得到，g₂(x)＝P_s|h_sp|²-min{I_th,T}；g₃(x)根据约束条件

得到，

g₄(x)根据约束条件

得到，

再结合目标函数，得到基于粒子群算法的认知水声功率分配问题的适应度函数，可表示为：

其中Φ是惩罚因子，取值一般大于零，

为惩罚项，i＝{1,...,4}。

步骤004，依据图4所示的粒子群算法流程图进行迭代求解，具体操作流程如下：

(1)设置学习因子c₁＝c₂＝1.49445，惯性权重w的初值，随机生成粒子位置x_id(其物理意义对应于认知水声通信网络中认知用户节点的发射功率)和速度v_id的初始值。惯性权重值较大时全局搜索能力强，反之则局部搜索能力强，为了精细所述方法的搜索范围，将惯性权重定义为如下表示的函数：

其中w_start为第一阈值，w_end为第二阈值，且w_start＞w_end，本实施例中w_start＝1、w_end＝0.2；t_max代表最大迭代次数；

(2)根据适应度函数计算每个粒子的适应度值，将第i个粒子的个体最佳位置记为p_i＝(p_i1,p_i2,...,p_iD)^T，种群的全局最佳位置记为p_g＝(p_g1,p_g2,...,p_gD)^T，其中D表示粒子的搜索维度；

(3)将当前粒子的位置、当前种群的位置分别与对应的历史最佳位置进行比较，若得到较优的结果则将粒子和种群的最佳位置进行替换；

(4)通过粒子群算法的速度和位置更新公式对粒子的速度和位置分别进行更新，更新公式如下：

v_id(t+1)＝w·v_id(t)+c₁r₁[p_id(t)-x_id(t)]+c₂r₂[p_gd(t)-x_id(t)] (9)

x_id(t+1)＝x_id(t)+v_id(t+1) (10)

其中d代表粒子当前所在维度，v_id(t)和x_id(t)分别表示粒子第t次迭代时的速度和位置，r₁和r₂是位于[0,1]区间的随机数；

(5)判断是否达到最大循环次数，不满足结束条件则返回(2)，否则迭代结束，并输出粒子最终达到的最佳位置，即认知水声通信系统中认知用户节点的最佳发射功率。

图5和图6分别给出了本发明方法的适应度收敛曲线以及本发明方法与拉格朗日乘子方法仿真时间对比。从图6中可以看出，两种方法的仿真耗时会随着参与协作的中继节点个数的增多而增加，当中继节点个数K＝3时，拉格朗日乘子方法求解的复杂度迅速增加，到达收敛所需时间约为本发明粒子群方法的3倍。结合图5不难看出，本发明中所采用的粒子群方法能够在较短时间内完成全局内最优解的搜索，尤其是当参与协作的节点增多时，本发明方法仍然具有较快的寻优能力，因此能够降低节点的功耗，从而延长水声通信网络的服务周期。

图7描述的是针对基于等功率分配方法、拉格朗日乘子方法和本发明中的粒子群方法(PSO)，当参与协作的中继节点K的个数不同时，系统信道容量随信噪比的变化曲线。从图中可以看出，在信噪比较低时本发明中的粒子群方法也能够获得相对较高的信道容量，随着信噪比的增加各个方法下的信道容量都随之增加，且本发明所提粒子群方法的性能要优于其它两种方法。另外仿真结果显示当参与协作的中继个数增加时，系统信道容量也相应的会提升。

图8显示了等功率分配方法、拉格朗日乘子方法和本发明中的粒子群方法对系统误码率的影响，从图中可以看出，随着信噪比的增加，系统误码率均随之下降，且本发明采用的粒子群方法性能优于等功率方法和拉格朗日乘子方法，尤其是在高信噪比环境下。同样地，当系统中有多个中继节点参与协作时，各方法性能均优于单节点协作通信的情况。

实施例中未明确的各组成部份均可用现有技术加以实现。

综上所述，本发明提供了一种基于粒子群的认知水声通信系统功率分配方法，较好地解决了无源供电的水下通信设备的能耗问题，对于对抗水声信号的传输衰减、提高数据传输速率、提升频谱利用率也能起到积极的作用，例如在相同个数的中继节点协作下，当信噪比相同时，本发明所述方法通信性能表现更优。在多中继协作下的认知水声通信系统中，与其他传统方法相比，本发明所述方法的系统能耗更低。

以上所述仅是本发明的优选实施方式，具体实现该技术方案的方法和途径很多。对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于粒子群的认知水声通信系统功率分配方法，其特征在于，所述方法包括以下步骤：

S1、根据实际应用场景的物理模型建立认知水声通信系统模型，包含一个源节点s、一个目的节点d和K个中继节点r；

S2、构建以系统能耗F最小化为目标，包含有多个约束条件的优化问题，所述约束条件包含系统信道容量约束和节点发射功率约束；

S3、结合约束条件和目标函数构建基于粒子群算法的认知水声通信系统功率分配问题的适应度函数F_b；

S4、根据粒子群算法，不断更新粒子的速度和位置信息，经过多次迭代求解出上述优化问题的最优解。

2.根据权利要求1所述的基于粒子群的认知水声通信系统功率分配方法，其特征在于，所述目标函数形式为：

P_s和

分别表示源节点和第k个中继节点的发射功率。

3.根据权利要求1所述的基于粒子群的认知水声通信系统功率分配方法，其特征在于，所述约束条件包括：

1)中继节点当前转发方式下的系统信道容量C_DF大于等于系统正常通信的信道容量的最小值C_min，即C_DF≥C_min；

2)节点发射功率满足：

P_s|h_sp|²≤min{I_th,T}

P_s≥0，

其中h_sp和

分别表示源节点和中继节点进行信号传输时对其他系统造成的干扰增益，I_th和T分别表示主用户和海洋生物能承受的最大干扰阈值；P_max为系统的最大发射功率。

4.根据权利要求3所述的基于粒子群的认知水声通信系统功率分配方法，其特征在于，所述适应度函数表示为：

其中Φ是惩罚因子，

为根据约束条件定义的惩罚项，i＝{1,...,4}，形式如下：

其中，g₁(x)＝C_min-C_DF；g₂(x)＝P_s|h_sp|²-min{I_th,T}；

5.根据权利要求1所述的基于粒子群的认知水声通信系统功率分配方法，其特征在于，所述粒子群算法包括：

(1)设置学习因子c₁、c₂，惯性权重w，随机生成粒子位置x_id和速度v_id的初始值，所述粒子位置x_id表征了认知水声通信网络中认知用户节点的发射功率；

(2)根据适应度函数计算每个粒子的适应度值，将第i个粒子的个体最佳位置记为p_i＝(p_i1,p_i2,...,p_iD)^T，种群的全局最佳位置记为p_g＝(p_g1,p_g2,...,p_gD)^T，D表示粒子的搜索维度；

(3)将当前粒子的位置、当前种群的位置分别与对应的历史最佳位置进行比较，若得到更优的结果则将粒子和种群的最佳位置替换为当前粒子的位置、当前种群的位置；

(4)通过速度和位置更新公式对粒子的速度和位置分别进行更新，更新公式如下：

v_id(t+1)＝w·v_id(t)+c₁r₁[p_id(t)-x_id(t)]+c₂r₂[p_gd(t)-x_id(t)]

x_id(t+1)＝x_id(t)+v_id(t+1)

其中t_max为最大迭代次数，d为粒子当前所在维度，v_id(t)和x_id(t)分别表示粒子第t次迭代时的速度和位置，r₁和r₂是位于[0,1]区间的随机数；

(5)判断是否达到最大迭代次数，不满足结束条件则返回(2)，否则迭代结束，并输出粒子最终达到的最佳位置。

6.根据权利要求5所述的基于粒子群的认知水声通信系统功率分配方法，其特征在于，所述惯性权重的计算公式为：

其中w_start为第一阈值，w_end为第二阈值，且w_start＞w_end。

Images