CN113114322A - 无线携能通信系统中基于moead的波束赋形方法 - Google Patents

无线携能通信系统中基于moead的波束赋形方法 Download PDF

Info

Publication number
CN113114322A
CN113114322A CN202110416362.9A CN202110416362A CN113114322A CN 113114322 A CN113114322 A CN 113114322A CN 202110416362 A CN202110416362 A CN 202110416362A CN 113114322 A CN113114322 A CN 113114322A
Authority
CN
China
Prior art keywords
vector
objective function
objective
bandwidth
population
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.)
Granted
Application number
CN202110416362.9A
Other languages
English (en)
Other versions
CN113114322B (zh
Inventor
唐杰
罗乾峪
马若炎
王杏林
周以恒
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110416362.9A priority Critical patent/CN113114322B/zh
Publication of CN113114322A publication Critical patent/CN113114322A/zh
Application granted granted Critical
Publication of CN113114322B publication Critical patent/CN113114322B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本发明公开了一种无线携能通信系统中基于MOEAD的波束赋形方法，包括以下步骤：无线携能通信系统中波束赋形模块的模型建立；构建波束赋形矢量的优化问题，包括最大化波束的主瓣增益、最大化3dB带宽和最小化最大副瓣电平；通过基于分解的多目标进化算法求解波束赋形矢量优化问题。本发明创造性地提出应用基于分解的多目标进化算法求解无线携能通信系统波束赋形中波束的主瓣增益、3dB带宽和最大副瓣电平互斥的多目标优化问题，以获得逼近Pareto最优前沿的分布均匀的非支配解的集合，通过在非支配解的集合中根据对波束的增益、带宽和副瓣电平的实际要求选取波束赋形矢量值，从而能够有效提高携能通信系统接收端能量收集的效率。

Description

无线携能通信系统中基于MOEAD的波束赋形方法
技术领域
本发明涉及无线携能通信领域，具体涉及一种无线携能通信系统中基于MOEAD的波束优化方法。
背景技术
自从二十世纪初人类第一次实现无线通信之后，无线通信技术已经得到了蓬勃发展，研究人员提出了大量的新型通信技术方案，并且许多方案都已经应用于实际，对人类生产生活产生了巨大的影响，比如第四代移动通信技术(Fourth Generation MobileCommunication Technology, 4G)以及即将得到广泛应用的第五代移动通信技术(FifthGeneration Mobile Communication Technology, 5G)。
对传统移动通信技术的更新，虽然在一定程度上解决了频谱资源即将匮乏的问题；然而，随着全球移动设备数量的不断增长，移动设备所消耗的能量资源也急剧增大，解决移动设备的电池充电、增加移动设备续航能力的问题也至关重要。因此研究人员已经不仅仅满足于传统通信的需求，为了解决应用通信系统传输能量的问题，L. R. Varshney在“2008 IEEE International Symposium on Information Theory”上发表文章“Transporting information and energy simultaneously”，提出了无线携能通信(Simultaneous Wireless Information and Power Transfer, SWIPT)的概念。无线携能通信结合了无线信息传输(Wireless Information Transmission, WIT)技术和无线能量传输(Wireless Power Transfer, WPT)技术，利用射频(Ratio Frequency, RF)信号传递信息的同时，还携带着移动终端所需的能量。应用SWIPT技术，有望在实现高速率信息传输的同时，还能提取RF信号中携带的能量对移动终端设备进行馈电，从而实现能量的无线传输，摆脱传统的有线充电方案或者大体积电池的限制。
另一方面，SWIPT系统往往采用多天线方案，因此会产生不同的RF链，即波束。各个波束的传播方向不一定相同，通过调整波束而使得某些角度的信号获得相长干涉，而另一些角度的信号获得相消干涉的过程称为波束赋形。在SWIPT系统中，相比于通信的成功建立，能量收集对波束质量的要求严格许多，波束的质量很大程度上影响了SWIPT系统能量收集的效率，波束的各向增益、有效带宽、副瓣电平等各项参数都会对SWIPT系统接收端能量收集产生影响，因此对波束的控制至关重要。Xiao. Lu等学者在文章“Wireless NetworksWith RF Energy Harvesting: A Contemporary Survey”中调查研究了通过优化射频波束提高能量收集效率的可能性。但目前在无线携能通信系统中，优化波束赋形矢量从而提高携能系统接收端能量收集效率的设计没有考虑波束的主瓣增益、3dB带宽和最大副瓣电平的权衡问题，波束的增益、带宽和副瓣电平是一个互斥的问题，在一方面获得良好性能的同时会导致其他方面性能的降低。
发明内容
本发明所要解决的技术问题在于针对现有技术的不足，建立无线携能通信系统的模型，并在此基础上，提出了基于分解的多目标进化算法(Multi-objective EvolutionaryAlgorithm Based On Decomposition, MOEAD)的波束赋形方法，当已知期望波束发射的方向时，以各波束发射的幅度和相位作为决策向量，利用MOEAD对波束的主瓣增益、3dB带宽和最大副瓣电平这三个互斥目标同时进行优化，得到非支配解(Non-dominated Set)的集合，并能根据对波束的增益、带宽和副瓣电平的实际要求选取波束赋形矢量值的解，实现对波束的主瓣增益、3dB带宽和最大副瓣电平的控制，从而有效提高无线携能通信系统接收端能量收集的效率。
本发明的目的可以通过如下技术方案实现。
一种无线携能通信系统中基于MOEAD的波束赋形方法，包括以下步骤：
建立无线携能通信系统波束赋形模块的模型；
构建最大化波束的主瓣增益、最大化3dB带宽和最小化最大副瓣电平的数学优化问题，并建立多目标优化模型；
基于分解的多目标进化算法求解所述多目标优化模型，得到非支配解的集合，按照需求选取波束赋形矢量值。
进一步地，所述无线携能通信系统波束赋形模块的模型包括发射天线模块和接收天线模块，波束赋形在所述发射天线模块中完成，接收天线模块接收波束后，对波束的处理分为两路，一路为信息链路，进行信息接收、解调操作；另一路为能量链路，进行能量收集、整流操作。
进一步地，所述发射天线模块包括多根发射天线，多根所述发射天线组成线阵或 者面阵，每根发射天线发射的波束在赋形阶段乘一个波束赋形矢量
Figure 941972DEST_PATH_IMAGE001
，其 中，
Figure 464089DEST_PATH_IMAGE002
是波束的馈电幅度，
Figure 114382DEST_PATH_IMAGE003
是波束的馈电相位，
Figure 396459DEST_PATH_IMAGE004
对应于发射天线的序号，
Figure 894436DEST_PATH_IMAGE005
是发射天线的数量，
Figure 603766DEST_PATH_IMAGE006
是虚数单位；所述接收天线模块包括单根或者多根 接收天线，用于接收和处理波束。
进一步地，构建所述最大化波束的主瓣增益、最大化3dB带宽和最小化最大副瓣电平的数学优化问题，并建立多目标优化模型，具体包括：确定决策向量，基于所述决策向量确定目标函数，所述目标函数包括波束的主瓣增益的目标函数、3dB带宽的目标函数和最大副瓣电平的目标函数，并基于所述波束的主瓣增益的目标函数、所述3dB带宽的目标函数和所述最大副瓣电平的目标函数建立所述多目标优化模型。
进一步地，所述确定决策向量中，所述决策向量
Figure 764793DEST_PATH_IMAGE007
为波束的馈电相位，表示为：
Figure 647298DEST_PATH_IMAGE008
(1)
其中
Figure 937465DEST_PATH_IMAGE009
是发射天线的数量，
Figure 801385DEST_PATH_IMAGE010
表示矩阵转置。
所述主瓣增益的目标函数为：
Figure 442582DEST_PATH_IMAGE011
(2)
上式中，
Figure 50150DEST_PATH_IMAGE012
为发射阵元天线的辐射电场，
Figure 460402DEST_PATH_IMAGE013
是阵元 天线到远场观察点的距离，
Figure 573852DEST_PATH_IMAGE014
是虚数单位，
Figure 686033DEST_PATH_IMAGE015
是波数，
Figure 910341DEST_PATH_IMAGE016
是天线的方向图函数，
Figure 909521DEST_PATH_IMAGE017
是球坐标系中的仰角和方位角，
Figure 380823DEST_PATH_IMAGE018
是波程差；
所述3dB带宽的目标函数为：
Figure 793350DEST_PATH_IMAGE019
(3)
上式中，波束宽度
Figure 759032DEST_PATH_IMAGE020
是关于辐射电场
Figure 127565DEST_PATH_IMAGE021
的函数；
所述最大副瓣电平的目标函数为：
Figure 254921DEST_PATH_IMAGE022
(4)
上式中，
Figure 154744DEST_PATH_IMAGE023
是副瓣的增益；
从而建立的所述多目标优化模型如下：
Figure 907805DEST_PATH_IMAGE024
(5a)
Figure 147156DEST_PATH_IMAGE025
(5b)
上式中，
Figure 694681DEST_PATH_IMAGE026
为优化问题的目标函数，决策向量
Figure 19483DEST_PATH_IMAGE007
的 取值范围约束在
Figure 389285DEST_PATH_IMAGE027
。
进一步地，所述基于分解的多目标进化算法求解所述多目标优化模型，得到非支配解的集合，按照需求选取波束赋形矢量值，具体包括：
选取一个MOEAD聚合函数，采用切比雪夫聚合方法，不失一般性为：
Figure 466831DEST_PATH_IMAGE028
(6a)
Figure 201569DEST_PATH_IMAGE029
(6b)
其中，
Figure 810405DEST_PATH_IMAGE030
是权向量，
Figure 170848DEST_PATH_IMAGE007
是决策向量，
Figure 119212DEST_PATH_IMAGE031
是目标函数的个数，
Figure 87168DEST_PATH_IMAGE032
是待优化目标函 数，
Figure 370251DEST_PATH_IMAGE033
是切比雪夫聚合式，
Figure 81855DEST_PATH_IMAGE034
是理想点，即目标函数的最小值；
设定算法迭代次数，种群规模
Figure 884726DEST_PATH_IMAGE035
，
Figure 23583DEST_PATH_IMAGE035
个均匀分布的权向量
Figure 793962DEST_PATH_IMAGE036
以及每 个权向量邻域内权向量的个数
Figure 43678DEST_PATH_IMAGE037
，缩放因子
Figure 966634DEST_PATH_IMAGE038
和交叉概率
Figure 276393DEST_PATH_IMAGE039
；
完成算法输入参数初始化后进入所述多目标进化算法获得所述非支配解的集合。
进一步地，使用所述切比雪夫聚合方法生成权向量后，为了让权向量分布均匀，使用参照向量转换式：
Figure 534068DEST_PATH_IMAGE040
(7)
通过参照向量的转换可得到分布均匀的权向量
Figure 525158DEST_PATH_IMAGE036
。
进一步地，所述多目标进化算法的具体步骤如下：
S1，初始化：
S1.1，设置外部种群EP为空集，EP是所有不受支配的波束馈电相位；
S1.2，计算任意两个权向量之间的欧氏距离，然后计算每个权向量最近的
Figure 364938DEST_PATH_IMAGE041
个权 向量。对于
Figure 32548DEST_PATH_IMAGE042
，其中
Figure 324989DEST_PATH_IMAGE035
为种群规模，设置
Figure 119770DEST_PATH_IMAGE043
，
Figure 1007DEST_PATH_IMAGE044
是第
Figure 652568DEST_PATH_IMAGE045
个权重向量的
Figure 635568DEST_PATH_IMAGE037
个邻居的编号；
S1.3，随机产生一个初始种群，设置
Figure 30777DEST_PATH_IMAGE046
，
Figure 766521DEST_PATH_IMAGE042
，
Figure 854563DEST_PATH_IMAGE035
为种群 规模，
Figure 59279DEST_PATH_IMAGE047
是随机生成的波束馈电相位，代表当前第
Figure 258179DEST_PATH_IMAGE048
个种群，
Figure 848429DEST_PATH_IMAGE049
是
Figure 107372DEST_PATH_IMAGE047
的目标函数值，即波 束的主瓣增益、3dB带宽以及最大副瓣电平关于馈电相位的值；
S1.4，通过
Figure 799385DEST_PATH_IMAGE050
初始化理想点
Figure 723347DEST_PATH_IMAGE051
，
Figure 246733DEST_PATH_IMAGE052
，
Figure 614260DEST_PATH_IMAGE053
表示矩阵转置；
S2，更新：
S2.1，随机从
Figure 590306DEST_PATH_IMAGE044
中选择两个元素，这两个元素的值分别为
Figure 317960DEST_PATH_IMAGE054
，然后对种群
Figure 899114DEST_PATH_IMAGE055
和
Figure 234280DEST_PATH_IMAGE056
使用遗传算子产生一个新的解
Figure 150153DEST_PATH_IMAGE057
，解
Figure 228967DEST_PATH_IMAGE057
的含义为根据算子产生的一个新的馈电相 位；
S2.2，应用遗传算子改进旧解
Figure 664627DEST_PATH_IMAGE057
来产生新解
Figure 357646DEST_PATH_IMAGE058
；
S2.3，更新理想点
Figure 573864DEST_PATH_IMAGE059
：如果
Figure 394052DEST_PATH_IMAGE060
，即通过交叉变异后产生的新馈电相位对 应的目标函数值小于理想点的值时，设置
Figure 746536DEST_PATH_IMAGE061
，
Figure 876035DEST_PATH_IMAGE035
为种群规模；
S2.4，更新邻域解：如果
Figure 313969DEST_PATH_IMAGE062
，设置
Figure 672270DEST_PATH_IMAGE063
，其中
Figure 144839DEST_PATH_IMAGE064
；
S2.5，更新外部种群EP：
从EP中移除被
Figure 179660DEST_PATH_IMAGE065
支配的所有向量；如果EP中没有向量支配
Figure 104891DEST_PATH_IMAGE065
，就将
Figure 266882DEST_PATH_IMAGE065
加 入到EP中；
更新记录
Figure 593958DEST_PATH_IMAGE058
；
S3，如果达到算法预设迭代次数，停止并输出EP，否则，回到S2。
根据对波束主瓣增益、3dB带宽、最大副瓣电平的实际需求EP中选择非支配解，即所述波束赋形矢量值。
进一步地，遗传算子包括交叉算子和变异算子，交叉采用差分进化的交叉方案，变异采用多项式变异方案。
进一步地，所述交叉中，在第
Figure 65260DEST_PATH_IMAGE066
次迭代中，随机选择三个种群
Figure 477786DEST_PATH_IMAGE067
， 要求所选择的种群不同，这三个种群生成的向量为：
Figure 177889DEST_PATH_IMAGE068
， 缩放因子
Figure 359472DEST_PATH_IMAGE069
，交叉表示为：
Figure 1675DEST_PATH_IMAGE070
其中
Figure 839181DEST_PATH_IMAGE071
为差分进化后的新种群，
Figure 405291DEST_PATH_IMAGE072
为待交叉的种群，
Figure 628331DEST_PATH_IMAGE073
表示随机 生成一个范围在0到1之间的随机数，交叉概率
Figure 254484DEST_PATH_IMAGE074
;
所述变异中，
Figure 579286DEST_PATH_IMAGE075
其中
Figure DEST_PATH_IMAGE076
，
Figure DEST_PATH_IMAGE077
为变异后的新种 群，
Figure DEST_PATH_IMAGE078
为预设的多项式变异分布指数。
与现有技术相比，本发明能够实现的至少有益效果如下：
本发明采取软件或者硬件的方法，建立了无线携能通信中波束赋形模块的系统模型，构建了最大化波束的主瓣增益、最大化3dB带宽和最小化最大副瓣电平的数学优化问题，利用MOEAD对多目标数学优化问题求解，获得逼近Pareto最优前沿的分布均匀的非支配解集合。相比较于传统方法一般只考虑波束的单一属性，本发明同时对波束的主瓣增益、3dB带宽和最大副瓣电平同时进行优化处理，技术人员在得到非支配解的集合中能够根据对波束的增益、带宽和副瓣电平的实际要求选取波束赋形矢量值的解，从而实现对波束的主瓣增益、3dB带宽和最大副瓣电平的控制，有效提高无线携能通信系统接收端能量收集的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方法，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提条件下，还可以根据这些附图获得其他的附图。
图1为本发明实施例无线携能通信系统中基于MOEAD的波束赋形方法流程图；
图2为本发明实施例应用于无线携能通信波束赋形阶段的示意图；
图3为本发明实施例波束赋形模块收发天线结构的示意图；
图4为本发明实施例基于分解的多目标进化算法的流程图；
图5为本发明实施例应用MOEAD后得出的非支配解集合图。
具体实施方式
下面将结合实施例及附图对本发明作进一步详细的描述，显然，所描述的实施例仅是本发明的一个实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的其他所有实施例，都属于本发明保护的范围。
本实施例结合现有的无线携能通信方案，建立无线携能通信中波束赋形的系统模型；针对携能系统波束赋形的模型，对求解各波束发射幅度和相位的问题进行数学建模；根据建立的多目标问题的数学模型，利用基于分解的多目标进化算法解决具体的数学优化问题，包括对波束的主瓣增益、3dB带宽和最大副瓣电平的优化。
如图1所示，为本实施例无线携能通信系统中基于MOEAD的波束赋形方法流程图，具体包括以下步骤：
步骤一：建立无线携能通信系统的模型，模型如图2所示，具体包括以下内容：
无线携能通信系统波束赋形模块的模型由发射天线模块、接收天线模块组成。其中波束赋形部分在发射天线模块完成，发射天线模块包括多根发射天线，多根发射天线组成线阵或者面阵，发射天线用来传输同时携带了信息和能量的射频信号；接收天线模块包括单根或者多根接收天线，接收天线接收波束后，对波束的处理分为两路，一路为信息链路，进行信息接收、解调操作；另一路为能量链路，进行能量收集、整流操作。通过该模型可以实现信息和能量的无线传输；
具体的，本实施例中，如图3所示，发射天线模块由4根发射天线组成一个线阵（在 其他实施例中，可以根据需要设置其他数量的发射天线），接收天线模块含有单根接收天 线，每根发射天线发射的波束在赋形阶段要乘一个波束赋形矢量
Figure DEST_PATH_IMAGE080
S ，p=1,2,3,4，波束赋 形矢量可具体表示为：
Figure DEST_PATH_IMAGE082
，其中
Figure 995093DEST_PATH_IMAGE002
是波束的馈电幅度，
Figure 151268DEST_PATH_IMAGE003
是波束的馈电相位；
每一波束的馈电幅度和馈电相位都会对接收端合成总波束的效果产生影响，但馈 电相位对合成总波束的影响远远大于馈电幅度造成的影响。因此在本实施例中，假设每一 波束的馈电幅度都为1，则波束赋形矢量矩阵表示为
Figure DEST_PATH_IMAGE083
；
步骤二：构建最大化波束的主瓣增益、最大化3dB带宽和最小化最大副瓣电平的数学优化问题，并建立多目标优化模型。包括确定决策空间及决策向量、目标空间及目标函数，以及约束条件的数学表达式。具体包括以下内容：
所述数学优化问题的决策向量为波束的馈电相位，表示为：
Figure DEST_PATH_IMAGE085
(1)
其中
Figure 72956DEST_PATH_IMAGE053
表示矩阵转置。
所述数学优化问题的目标函数包括波束的主瓣增益的目标函数、3dB带宽的目标函数和最大副瓣电平的目标函数，表示为：
①主瓣增益的目标函数
Figure 681792DEST_PATH_IMAGE011
(2)
其中，
Figure DEST_PATH_IMAGE087
为发射阵元天线的辐射电场，
Figure 979918DEST_PATH_IMAGE013
是阵 元天线到远场观察点的距离，
Figure DEST_PATH_IMAGE088
是波数，
Figure 928283DEST_PATH_IMAGE016
是天线的方向图函数，
Figure 896239DEST_PATH_IMAGE017
是球坐标系 中的仰角和方位角，
Figure 179322DEST_PATH_IMAGE018
是波程差，
Figure 625346DEST_PATH_IMAGE014
是虚数单位；
② 3dB带宽的目标函数
Figure 693797DEST_PATH_IMAGE019
(3)
其中，波束宽度
Figure 832654DEST_PATH_IMAGE020
是关于辐射电场
Figure 603033DEST_PATH_IMAGE021
的函数；
③ 最大副瓣电平的目标函数
Figure 852748DEST_PATH_IMAGE022
(4)
其中
Figure 775705DEST_PATH_IMAGE023
是副瓣的增益。
在本实施例中，已将目标函数统一转化为最小化问题，并对目标函数值进行归一化处理。基于上述目标函数，波束赋形矢量的多目标优化问题即多目标优化模型为：
Figure 85464DEST_PATH_IMAGE024
(5a)
Figure 366576DEST_PATH_IMAGE025
(5b)
其中
Figure 419983DEST_PATH_IMAGE026
为优化问题的目标函数，决策向量
Figure 197446DEST_PATH_IMAGE007
的取 值范围约束在
Figure 865056DEST_PATH_IMAGE027
；
步骤三：通过基于分解的多目标进化算法，求解建立的多目标优化模型，得到非支配解集，按照需求选取合适的解。在本实施例中MOEAD的流程如图4所示，具体包括：
选取一个MOEAD聚合函数，特别地，在本实施例中采用切比雪夫聚合方法，不失一般性为：
Figure 157497DEST_PATH_IMAGE028
(6a)
Figure 952278DEST_PATH_IMAGE029
(6b)
其中，
Figure 646565DEST_PATH_IMAGE030
是权向量，
Figure 485077DEST_PATH_IMAGE007
是决策向量，
Figure 468076DEST_PATH_IMAGE031
是目标函数的个数，
Figure 863285DEST_PATH_IMAGE032
是待优化目标函 数，
Figure 599029DEST_PATH_IMAGE033
是切比雪夫聚合式，
Figure 687071DEST_PATH_IMAGE034
是理想点，即目标函数的最小值；
设定算法迭代次数，种群规模
Figure 891787DEST_PATH_IMAGE035
，
Figure 825108DEST_PATH_IMAGE035
个均匀分布的权向量
Figure 680937DEST_PATH_IMAGE036
以及每 个权向量邻域内权向量的个数
Figure 939880DEST_PATH_IMAGE037
，缩放因子
Figure 366314DEST_PATH_IMAGE038
和交叉概率
Figure 368905DEST_PATH_IMAGE039
；
进一步地，使用标准切比雪夫方法生成权向量后，为了让权向量分布均匀，使用参照向量转换式：
Figure 79241DEST_PATH_IMAGE040
(7)
通过参照向量的转换可得到分布均匀的权向量
Figure 243506DEST_PATH_IMAGE036
。完成算法输入 参数初始化后进入算法：
S1，初始化：
S1.1，设置外部种群EP为空集，在本实施例中EP是所有不受支配的波束馈电相位；
S1.2，计算任意两个权向量之间的欧氏距离，然后计算每个权向量最近的
Figure 422814DEST_PATH_IMAGE041
个权 向量。对于
Figure 963517DEST_PATH_IMAGE042
，其中
Figure 528360DEST_PATH_IMAGE035
为种群规模，设置
Figure 66788DEST_PATH_IMAGE043
，
Figure 717081DEST_PATH_IMAGE044
是第
Figure 61475DEST_PATH_IMAGE045
个权重向量的
Figure 497136DEST_PATH_IMAGE037
个邻居的编号；
S1.3，随机产生一个初始种群，设置
Figure 3203DEST_PATH_IMAGE046
，
Figure 406372DEST_PATH_IMAGE047
是当前第
Figure 288877DEST_PATH_IMAGE045
个种群，
Figure 579044DEST_PATH_IMAGE042
，
Figure 442964DEST_PATH_IMAGE035
为种群规模，在本实施例中
Figure 880898DEST_PATH_IMAGE047
是随机生成的波束馈电相位，
Figure 504778DEST_PATH_IMAGE049
是
Figure 711768DEST_PATH_IMAGE047
的目标函数值，也就是波束的主瓣增益、3dB带宽以及最大副瓣电平关于馈电相位的值；
S1.4，通过
Figure 12168DEST_PATH_IMAGE050
初始化理想点
Figure 937399DEST_PATH_IMAGE051
，
Figure 99390DEST_PATH_IMAGE052
，
Figure 426466DEST_PATH_IMAGE053
表示矩阵转置；
S2，更新：
S2.1，复制：随机从
Figure 897768DEST_PATH_IMAGE044
中选择两个元素，这两个元素的值分别为
Figure 982398DEST_PATH_IMAGE054
，然后对种 群
Figure 10397DEST_PATH_IMAGE055
和
Figure 378931DEST_PATH_IMAGE056
使用遗传算子产生一个新的解
Figure 834183DEST_PATH_IMAGE057
，解
Figure 671689DEST_PATH_IMAGE057
的含义为根据算子产生的一个新的馈电 相位；
S2.2，改善：应用遗传算子改进旧解
Figure 237799DEST_PATH_IMAGE057
来产生新解
Figure 460839DEST_PATH_IMAGE058
；
进一步地，遗传算子具体为交叉算子和变异算子，交叉采用差分进化的交叉方案，变异采用多项式变异方案，具体表示为：
① 交叉：在第
Figure 86992DEST_PATH_IMAGE066
次迭代中，随机选择三个种群
Figure 146215DEST_PATH_IMAGE067
，要求所选 择的种群不同，这三个种群生成的向量为：
Figure 516017DEST_PATH_IMAGE068
，缩放 因子
Figure 859142DEST_PATH_IMAGE069
，交叉表示为：
Figure 656197DEST_PATH_IMAGE070
其中
Figure 202716DEST_PATH_IMAGE071
为差分进化后的新种群，
Figure 297580DEST_PATH_IMAGE072
为待交叉的种群，
Figure 308261DEST_PATH_IMAGE073
表示随机 生成一个范围在0到1之间的随机数，交叉概率
Figure 213900DEST_PATH_IMAGE074
;
② 变异：
Figure 310032DEST_PATH_IMAGE075
其中
Figure 208587DEST_PATH_IMAGE076
，
Figure 339354DEST_PATH_IMAGE077
为变异后的新种 群，
Figure 415894DEST_PATH_IMAGE078
为预设的多项式变异分布指数；
S2.3，更新理想点
Figure 920694DEST_PATH_IMAGE059
：如果
Figure 435989DEST_PATH_IMAGE060
，即通过交叉变异后产生的新馈电相位对应 的目标函数值小于理想点的值时，设置
Figure 358946DEST_PATH_IMAGE061
，
Figure 668704DEST_PATH_IMAGE035
为种群规模；
S2.4，更新邻域解：如果
Figure 660800DEST_PATH_IMAGE062
，设置
Figure 714206DEST_PATH_IMAGE063
，其中
Figure 491670DEST_PATH_IMAGE064
；
S2.5，更新外部种群EP：
从EP中移除被
Figure 972329DEST_PATH_IMAGE065
支配的所有向量；如果EP中没有向量支配
Figure 717300DEST_PATH_IMAGE065
，就将
Figure 308819DEST_PATH_IMAGE065
加 入到EP中；
更新记录
Figure DEST_PATH_IMAGE089
；
S3，停止准则：如果达到算法预设迭代次数，停止并输出EP。否则，回到S2。
当算法停止迭代后，本实施例生成的非支配解集的图像如图5所示，在本实施例中外部种群的含义是MOEAD对上述建立的三个目标函数同时进行优化后得出的不被支配的目标函数值和其对应的馈电相位，技术人员可以根据对波束主瓣增益、3dB带宽、最大副瓣电平的实际需求做出取舍，选择合适的非支配解，实现对波束的主瓣增益、3dB带宽和最大副瓣电平的控制，从而提高无线携能通信系统能量收集的效率。
对于本领域技术人员来说，非支配解的选取原则是基于不同工程对波束的主瓣增益、3dB带宽和最大副瓣电平的不同需求的，技术人员可以选取有着最大的主瓣增益的非支配解，也可以选取有着较大的主瓣增益和较大的3dB带宽的非支配解，诸如此类。非支配解如何选取完全取决于相关从业人员，故不在本发明的讨论范围内。
通过以上的实施方式的描述可知，本领域技术人员可以清楚了解到除了以纯计算机可读程序代码方式实现上述方法步骤以外，完全可以通过将方法步骤进行逻辑编程来使本发明申请保护的基于MOEAD的波束赋形方法以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入式微控制器等的形式来实现相同功能。

Claims (10)

1.一种无线携能通信系统中基于MOEAD的波束赋形方法，其特征在于，包括以下步骤：
建立无线携能通信系统波束赋形模块的模型；
构建最大化波束的主瓣增益、最大化3dB带宽和最小化最大副瓣电平的数学优化问题，并建立多目标优化模型；
基于分解的多目标进化算法求解所述多目标优化模型，得到非支配解的集合，按照需求选取合适的波束赋形矢量值。
2.根据权利要求1所述的一种无线携能通信系统中基于MOEAD的波束赋形方法，其特征在于，所述无线携能通信系统波束赋形模块的模型包括发射天线模块和接收天线模块，波束赋形在所述发射天线模块中完成，接收天线模块接收波束后，对波束的处理分为两路，一路为信息链路，进行信息接收、解调操作；另一路为能量链路，进行能量收集、整流操作。
3.根据权利要求2所述的一种无线携能通信系统中基于MOEAD的波束赋形方法，其特征 在于，所述发射天线模块包括多根发射天线，多根所述发射天线组成线阵或者面阵，每根发 射天线发射的波束在赋形阶段乘一个波束赋形矢量
Figure 863388DEST_PATH_IMAGE002
，其中，
Figure 295375DEST_PATH_IMAGE003
是波束的馈电 幅度，
Figure 327310DEST_PATH_IMAGE004
是波束的馈电相位，
Figure 536835DEST_PATH_IMAGE005
对应于发射天线的序号，
Figure 665721DEST_PATH_IMAGE006
，
Figure 948236DEST_PATH_IMAGE007
是发射天线 的数量，
Figure 261275DEST_PATH_IMAGE008
是虚数单位；所述接收天线模块包括单根或者多根接收天线，用于接收和处理波 束。
4.根据权利要求1所述的一种无线携能通信系统中基于MOEAD的波束赋形方法，其特征在于，所述构建最大化波束的主瓣增益、最大化3dB带宽和最小化最大副瓣电平的数学优化问题，并建立多目标优化模型，具体包括：确定决策向量，基于所述决策向量确定目标函数，所述目标函数包括波束的主瓣增益的目标函数、3dB带宽的目标函数和最大副瓣电平的目标函数，并基于所述波束的主瓣增益的目标函数、所述3dB带宽的目标函数和所述最大副瓣电平的目标函数建立所述多目标优化模型。
5.根据权利要求4所述的一种无线携能通信系统中基于MOEAD的波束赋形方法，其特征在于，
所述确定决策向量中，决策向量
Figure 774689DEST_PATH_IMAGE009
为波束的馈电相位，表示为：
Figure 241572DEST_PATH_IMAGE010
(1)
其中
Figure 34603DEST_PATH_IMAGE011
是发射天线的数量，
Figure 248985DEST_PATH_IMAGE012
表示矩阵转置；
所述主瓣增益的目标函数为：
Figure 333134DEST_PATH_IMAGE013
(2)
其中，
Figure 323698DEST_PATH_IMAGE015
为发射阵元天线的辐射电场，
Figure 330706DEST_PATH_IMAGE016
是阵元天线到远 场观察点的距离，
Figure 152425DEST_PATH_IMAGE017
是虚数单位，
Figure DEST_PATH_IMAGE018
是波数，
Figure 126416DEST_PATH_IMAGE019
是天线的方向图函数，
Figure 127477DEST_PATH_IMAGE020
是球坐标系 中的仰角和方位角，
Figure 479672DEST_PATH_IMAGE021
是波程差；
所述3dB带宽的目标函数为：
Figure 352469DEST_PATH_IMAGE022
(3)
其中，波束宽度
Figure 671762DEST_PATH_IMAGE023
是关于辐射电场
Figure 855225DEST_PATH_IMAGE024
的函数；
所述最大副瓣电平的目标函数为：
Figure 616420DEST_PATH_IMAGE025
(4)
其中，
Figure 394756DEST_PATH_IMAGE026
是副瓣的增益；
从而建立的所述多目标优化模型如下：
Figure 857355DEST_PATH_IMAGE027
(5a)
Figure 669891DEST_PATH_IMAGE028
(5b)
其中，
Figure 579816DEST_PATH_IMAGE029
为优化问题的目标函数，
Figure 96379DEST_PATH_IMAGE009
为决策向量。
6.根据权利要求1-5任一所述的一种无线携能通信系统中基于MOEAD的波束赋形方法，其特征在于，所述基于分解的多目标进化算法求解所述多目标优化模型，得到非支配解的集合，按照需求选取波束赋形矢量值，具体包括：
选取一个MOEAD聚合函数，采用切比雪夫聚合方法，不失一般性为：
Figure 224653DEST_PATH_IMAGE030
(6a)
Figure 992495DEST_PATH_IMAGE031
(6b)
其中，
Figure 776386DEST_PATH_IMAGE032
是权向量，
Figure 487902DEST_PATH_IMAGE009
是决策向量，
Figure 155951DEST_PATH_IMAGE033
是目标函数的个数，
Figure 591349DEST_PATH_IMAGE034
是待优化目标函数，
Figure 455793DEST_PATH_IMAGE035
是切比雪夫聚合式，
Figure DEST_PATH_IMAGE036
是理想点，即目标函数的最小值；
设定算法迭代次数，种群规模
Figure 121784DEST_PATH_IMAGE037
，
Figure 422884DEST_PATH_IMAGE037
个均匀分布的权向量
Figure 935293DEST_PATH_IMAGE038
以及每个权 向量邻域内权向量的个数
Figure 342876DEST_PATH_IMAGE039
，缩放因子
Figure 85442DEST_PATH_IMAGE040
和交叉概率
Figure 841433DEST_PATH_IMAGE041
；
完成算法输入参数初始化后进入所述多目标进化算法获得所述非支配解的集合。
7.根据权利要求6所述的一种无线携能通信系统中基于MOEAD的波束赋形方法，其特征在于，使用所述切比雪夫聚合方法生成权向量后，为了让权向量分布均匀，使用参照向量转换式：
Figure 589772DEST_PATH_IMAGE043
(7)
通过参照向量的转换可得到分布均匀的权向量
Figure 468123DEST_PATH_IMAGE038
。
8.根据权利要求6所述的一种无线携能通信系统中基于MOEAD的波束赋形方法，其特征在于，所述多目标进化算法的具体步骤如下：
S1，初始化：
S1.1，设置外部种群EP为空集，EP是所有不受支配的波束馈电相位；
S1.2，计算任意两个权向量之间的欧氏距离，然后计算每个权向量最近的
Figure 104509DEST_PATH_IMAGE044
个权向量； 对于
Figure 646216DEST_PATH_IMAGE045
，其中
Figure 832085DEST_PATH_IMAGE037
为种群规模，设置
Figure 8900DEST_PATH_IMAGE046
，
Figure 788375DEST_PATH_IMAGE047
是第
Figure 500548DEST_PATH_IMAGE048
个 权重向量的
Figure 557235DEST_PATH_IMAGE039
个邻居的编号；
S1.3，随机产生一个初始种群，设置
Figure 544432DEST_PATH_IMAGE049
，
Figure 811203DEST_PATH_IMAGE045
，
Figure 273540DEST_PATH_IMAGE037
为种群规 模，
Figure 91059DEST_PATH_IMAGE050
是随机生成的波束馈电相位，代表当前第
Figure 541501DEST_PATH_IMAGE051
个种群，
Figure 406820DEST_PATH_IMAGE052
是
Figure 65990DEST_PATH_IMAGE050
的目标函数值，即波束的 主瓣增益、3dB带宽以及最大副瓣电平关于馈电相位的值；
S1.4，通过
Figure 362848DEST_PATH_IMAGE053
初始化理想点
Figure 688918DEST_PATH_IMAGE054
，
Figure 563903DEST_PATH_IMAGE055
，
Figure 522369DEST_PATH_IMAGE044
表示矩阵转置；
S2，更新：
S2.1，随机从
Figure 644040DEST_PATH_IMAGE047
中选择两个元素，这两个元素的值分别为
Figure 534154DEST_PATH_IMAGE056
，然后对种群
Figure 872601DEST_PATH_IMAGE057
和
Figure 870644DEST_PATH_IMAGE058
使用遗传算子产生一个新的解
Figure 861469DEST_PATH_IMAGE059
，解
Figure 418090DEST_PATH_IMAGE059
的含义为根据算子产生的一个新的馈电相位；
S2.2，应用遗传算子改进旧解
Figure 10877DEST_PATH_IMAGE059
来产生新解
Figure 317005DEST_PATH_IMAGE060
；
S2.3，更新理想点
Figure 144760DEST_PATH_IMAGE061
：如果
Figure 842588DEST_PATH_IMAGE062
，即通过交叉变异后产生的新馈电相位对应的 目标函数值小于理想点的值时，设置
Figure 743243DEST_PATH_IMAGE063
，
Figure 221104DEST_PATH_IMAGE037
为种群 规模；
S2.4，更新邻域解：如果
Figure 269744DEST_PATH_IMAGE064
，设置
Figure 935211DEST_PATH_IMAGE065
， 其中
Figure 532284DEST_PATH_IMAGE066
；
S2.5，更新外部种群EP：
从EP中移除被
Figure 909493DEST_PATH_IMAGE067
支配的所有向量；如果EP中没有向量支配
Figure 573824DEST_PATH_IMAGE067
，就将
Figure 643149DEST_PATH_IMAGE067
加入到EP 中；
更新记录
Figure 700753DEST_PATH_IMAGE068
；
S3，如果达到算法预设迭代次数，停止并输出EP，否则，回到S2；
根据对波束主瓣增益、3dB带宽、最大副瓣电平的实际需求在EP中选择非支配解，即所述波束赋形矢量值。
9.根据权利要求8所述的一种无线携能通信系统中基于MOEAD的波束赋形方法，其特征在于，遗传算子包括交叉算子和变异算子，交叉采用差分进化的交叉方案，变异采用多项式变异方案。
10.根据权利要求9所述的一种无线携能通信系统中基于MOEAD的波束赋形方法，其特 征在于，所述交叉中，在第
Figure 523347DEST_PATH_IMAGE069
次迭代中，随机选择三个种群
Figure DEST_PATH_IMAGE070
，要求所 选择的种群不同，这三个种群生成的向量为：
Figure 344979DEST_PATH_IMAGE071
，缩放因子
Figure 227616DEST_PATH_IMAGE072
，交叉表示为：
Figure 596018DEST_PATH_IMAGE073
其中
Figure 490812DEST_PATH_IMAGE074
为差分进化后的新种群，
Figure 628270DEST_PATH_IMAGE075
为待交叉的种群，
Figure 9704DEST_PATH_IMAGE076
表示随机生成 一个范围在0到1之间的随机数，交叉概率
Figure 788040DEST_PATH_IMAGE077
;
所述变异中，
Figure 716550DEST_PATH_IMAGE078
其中
Figure 209980DEST_PATH_IMAGE080
，
Figure 532289DEST_PATH_IMAGE081
为变异后的新 种群，
Figure 842660DEST_PATH_IMAGE082
为预设的多项式变异分布指数。
CN202110416362.9A 2021-04-19 2021-04-19 无线携能通信系统中基于moead的波束赋形方法 Active CN113114322B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110416362.9A CN113114322B (zh) 2021-04-19 2021-04-19 无线携能通信系统中基于moead的波束赋形方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110416362.9A CN113114322B (zh) 2021-04-19 2021-04-19 无线携能通信系统中基于moead的波束赋形方法

Publications (2)

Publication Number Publication Date
CN113114322A true CN113114322A (zh) 2021-07-13
CN113114322B CN113114322B (zh) 2022-07-26

Family

ID=76718449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110416362.9A Active CN113114322B (zh) 2021-04-19 2021-04-19 无线携能通信系统中基于moead的波束赋形方法

Country Status (1)

Country Link
CN (1) CN113114322B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106131862A (zh) * 2016-07-01 2016-11-16 厦门大学 无线传感器网络中基于多目标进化算法的优化覆盖方法
CN107274255A (zh) * 2017-05-19 2017-10-20 西安电子科技大学 一种基于分解多目标进化算法的协同滤波推荐方法
CN108770007A (zh) * 2018-05-22 2018-11-06 华南理工大学 基于noma的无线携能通信系统多目标优化方法
CN108924846A (zh) * 2018-07-20 2018-11-30 广东工业大学 一种无线携能和多目标无线通信网络能量效率优化方法
CN109041232A (zh) * 2018-07-17 2018-12-18 广东工业大学 一种基于无线携能通信的资源分配方法及装置
CN111551923A (zh) * 2020-05-27 2020-08-18 电子科技大学 一种多约束下的均匀线性阵列低旁瓣波束形成优化方法
CN111669814A (zh) * 2020-07-02 2020-09-15 中国空间技术研究院 月面无线携能传感器网络的功率传输优化方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106131862A (zh) * 2016-07-01 2016-11-16 厦门大学 无线传感器网络中基于多目标进化算法的优化覆盖方法
CN107274255A (zh) * 2017-05-19 2017-10-20 西安电子科技大学 一种基于分解多目标进化算法的协同滤波推荐方法
CN108770007A (zh) * 2018-05-22 2018-11-06 华南理工大学 基于noma的无线携能通信系统多目标优化方法
CN109041232A (zh) * 2018-07-17 2018-12-18 广东工业大学 一种基于无线携能通信的资源分配方法及装置
CN108924846A (zh) * 2018-07-20 2018-11-30 广东工业大学 一种无线携能和多目标无线通信网络能量效率优化方法
CN111551923A (zh) * 2020-05-27 2020-08-18 电子科技大学 一种多约束下的均匀线性阵列低旁瓣波束形成优化方法
CN111669814A (zh) * 2020-07-02 2020-09-15 中国空间技术研究院 月面无线携能传感器网络的功率传输优化方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIE TANG等，: "Multi-objective Optimization of Joint Power Allocation and Splitting Control for SWIPT-enabled NOMA Systems", 《2019 INTERNATIONAL CONFERENCE ON COMPUTING, NETWORKING AND COMMUNICATIONS (ICNC)》, 21 February 2019 (2019-02-21), pages 491 - 496, XP033536537, DOI: 10.1109/ICCNC.2019.8685620 *
SHIYANG LENG等，: "Multi-objective beamforming for energy-efficient SWIPT systems", 《2016 INTERNATIONAL CONFERENCE ON COMPUTING, NETWORKING AND COMMUNICATIONS (ICNC)》, 18 February 2016 (2016-02-18), pages 1 - 7, XP032885069, DOI: 10.1109/ICCNC.2016.7440679 *
SIWEN XU等，: "A Modified MOEAD with an Adaptive Weight Adjustment Strategy", 《2019 INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING, AUTOMATION AND SYSTEMS (ICICAS)》, 8 December 2019 (2019-12-08), pages 184 - 188, XP033752364, DOI: 10.1109/ICICAS48597.2019.00046 *
王昆鹏等，: "基于自适应量子粒子群算法的阵列天线多目标综合", 《弹箭与制导学报》, vol. 38, no. 5, 2 June 2018 (2018-06-02), pages 73 - 76 *

Also Published As

Publication number Publication date
CN113114322B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN111294096B (zh) 一种智能反射面miso无线通信系统的信道容量优化方法
WO2021062913A1 (zh) 一种基于无线能量传输网络的无人机三维轨迹的设计方法
CN102110883B (zh) 一种赋形可变波束阵列天线的波束赋形方法
Baskar et al. Design of Yagi–Uda antennas using comprehensive learning particle swarm optimisation
CN106850016B (zh) 基于mift与cp混合算法的仅相位加权阵列天线波束赋形优化方法
Li et al. Improved GA and PSO culled hybrid algorithm for antenna array pattern synthesis
CN114726410A (zh) 一种适用于多天线通信感知一体化的非均匀波束空间调制方法及系统
Basu et al. A comparative study of modified particle swarm optimization, differential evolution and artificial bees colony optimization in synthesis of circular array
CN110069896B (zh) 基于稀疏2d线性阵列的涡旋电磁波产生与优化方法
Pal et al. Design of time-modulated linear arrays with a multi-objective optimization approach
CN113114322B (zh) 无线携能通信系统中基于moead的波束赋形方法
CN116227590A (zh) 基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置
Bagal et al. Energy efficient beamforming for 5G
CN110309583B (zh) 一种稀疏化无线输能trm设计方法和结构
Dimousios et al. Design and optimization of a multipurpose tri-band electronically steerable passive array radiator (ESPAR) antenna with steerable-beam-pattern for maximum directionality at the frequencies of 1.8, 1.9 and 2.4 GHz with the aid of genetic algorithms
Mahmoud et al. Performance of circular Yagi-Uda arrays for beamforming applications using particle swarm optimization algorithm
Chatterjee et al. Differential evolution and genetic algorithm for sidelobe reduction of a concentric ring array antenna by radial variation of amplitudes with fixed and variable first null beamwidth
CN109039974A (zh) 基于pso-ga混合算法的方向调制信号综合方法
Kenane et al. A novel Modified Invasive Weeds Optimization for linear array antennas nulls control
CN116632561B (zh) 一种稀布高增益天线阵列设计方法、存储介质
Truong et al. Performance analysis and optimization of multiple IIoT devices radio frequency energy harvesting NOMA mobile edge computing networks
Guo et al. Synthesis of Linear Antenna Array for Wireless Power Transmission
CN116633397B (zh) 一种分布式mimo系统ap子阵的阵列拓扑结构优化方法及装置
CN112350757B (zh) 一种基于单站阵型映射到mimo阵型的设计方法
CN110705680B (zh) 一种分布式阵列的子阵列位置优化方法及系统

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