CN114448537B - 一种通信网络中能量效率和频谱效率的折中方法 - Google Patents

一种通信网络中能量效率和频谱效率的折中方法 Download PDF

Info

Publication number
CN114448537B
CN114448537B CN202111568514.3A CN202111568514A CN114448537B CN 114448537 B CN114448537 B CN 114448537B CN 202111568514 A CN202111568514 A CN 202111568514A CN 114448537 B CN114448537 B CN 114448537B
Authority
CN
China
Prior art keywords
optimal
unmanned aerial
aerial vehicle
compromise
algorithm
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
CN202111568514.3A
Other languages
English (en)
Other versions
CN114448537A (zh
Inventor
黄仰超
谷奕龙
胡航
安琪
韩蕙竹
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.)
Air Force Engineering University of PLA
Original Assignee
Air Force Engineering University of PLA
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 Air Force Engineering University of PLA filed Critical Air Force Engineering University of PLA
Priority to CN202111568514.3A priority Critical patent/CN114448537B/zh
Publication of CN114448537A publication Critical patent/CN114448537A/zh
Application granted granted Critical
Publication of CN114448537B publication Critical patent/CN114448537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0215—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices
    • H04W28/0221—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices power availability or consumption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0958—Management thereof based on metrics or performance parameters
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开是关于一种通信网络中能量效率和频谱效率的折中方法。该方法包括：建立频谱感知模型，并获得能量效率和频谱效率的折中参量及折中优化模型，且将所述折中参量中的权重因子的值设为预设值；通过迭代对所述无人机感知时间、所述无人机发射功率及所述判决门限进行联合优化，通过第一算法获得最优解，使得所述折中参量最大。本公开可以求得不同的一组感知时间、判决门限以及无人机发射功率值，使得该能谱效折中最优。

Description

一种通信网络中能量效率和频谱效率的折中方法
技术领域
本公开实施例涉及通信网络技术领域，尤其涉及一种通信网络中能量效率和频谱效率的折中方法。
背景技术
无人机(UnmannedAirVehicle,UAV)作为高空平台，由于其部署灵活，机动性高并通常具备较好的视距通信条件，被广泛应用于应急通信，中继通信等任务。然而，随着无线业务的爆炸式增长以及UAV的自身能量受限等问题，使得实现高频谱效率(SpectrumEfficiency,SE)和能量效率(Energy Efficiency,EE)成为UAV通信技术的发展趋势。一方面，UAV升空后将占用频谱资源进行无线通信，但是，频谱资源紧缺已经成为众多国家面临的问题，一些已分配的频谱没有得到有效利用。因此，国内外学者对于如何提高频谱利用率开展了大量研究工作。另一方面，UAV飞行过程中的工作时间以及通信服务质量等受限于其电池容量，提高UAV的能量效率成为了一个新的研究热点。然而，提高EE可能会导致SE的降低。因此，如何在UAV认知通信中进行SE-EE折中优化是一个值得研究的新问题。
因此，有必要改善上述相关技术方案中存在的一个或者多个问题。
需要注意的是，本部分旨在为权利要求书中陈述的本公开的技术方案提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
发明内容
本公开实施例的目的在于提供一种通信网络中能量效率和频谱效率的折中方法，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开实施例提供一种通信网络中能量效率和频谱效率的折中方法，包括：
建立频谱感知模型，并获得能量效率和频谱效率的折中参量及折中优化模型，且将所述折中参量中的权重因子的值设为预设值；
通过迭代对所述无人机感知时间、所述无人机发射功率及所述判决门限进行联合优化，利用第一算法获得最优解，使得所述折中参量最大。
本公开的一实施例中，所述第一算法包括：
第二算法和第三算法；
所述第二算法为二分法，所述第三算法为穷尽搜索法。
本公开的一实施例中，所述同时对所述无人机感知时间、所述无人机发射功率及所述判决门限进行迭代进行联合优化，通过第一算法获得最优解包括：
根据迭代的所述无人机发射功率和迭代的所述判决门限，通过所述第二算法和第三算法得到最优感知时间；
将所述最优感知时间和所述迭代的判决门限，代入所述第三算法得到最优发射功率；
将所述最优感知时间和所述最优发射功率，代入所述第三算法得到最优门限值；
将所述最优感知时间、所述最优发射功率和所述最优门限值代入到所述折中优化模型中，将所得到的折中参量和迭代的折中参量比较，误差大于误差精度时，对所述无人机感知时间、所述无人机发射功率及所述判决门限进行一次迭代，并进行下一次计算，直至相邻两次计算的折中参量的误差小于或等于误差精度。
本公开的一实施例中，第一次迭代时，根据初始化的所述无人机发射功率和初始化的所述判决门限，得到所述最优感知时间。
本公开的一实施例中，第一次迭代时，将所得到的折中参量和初始化的折中参量比较，并得到误差。
本公开的一实施例中，所述最优感知时间计算过程包括：
根据迭代的所述无人机发射功率和迭代的所述判决门限，分析所述无人机感知时间对所述能量效率和所述频谱效率的影响，利用第二算法得到存在最优的无人机感知时间分别使得所述能量效率最大和所述频谱效率最大，且得到所述最优的无人机感知时间取值范围；
利用所述第三算法计算获得所述最优感知时间。
本公开的一实施例中，所述最优接收功率计算过程包括：
根据所述最优感知时间和所述迭代的判决门限，分析所述无人机发射功率对所述能量效率和所述频谱效率的影响，得到存在最优的无人机发射功率使得所述折中参量最大，且得到所述最优的无人机发射功率的取值范围；
利用所述第三算法计算获得所述最优接收功率。
本公开的一实施例中，所述最优门限值计算过程包括：
根据所述最优感知时间和所述最优接收功率，分析所述判决门限对所述能量效率和所述频谱效率的影响，得到存在最优的所述判决门限使得所述折中参量最大，且得到所述判决门限的取值范围；
利用所述第三算法计算获得所述最优门限值。
本公开的一实施例中，所述折中参量的值最大，对应的无人机感知时间值、无人机发射功率值及判决门限值为所述折中优化模型的最优解。
本公开的一实施例中，所述权重因子为所述能量效率和所述频谱效率的需求，所述权重因子范围为0～1。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开的实施例中，通过上述通信网络中能量效率和频谱效率的折中方法，在地面认知通信网络的基础上研究了无人机认知通信网络中能量效率与频谱效率折中优化问题，考虑了无人机位置变化所产生的信道增益变化以及通信功率对无人机的能量效率与频谱效率的影响，从联合优化无人机认知通信的感知时间，协作感知的判决门限以及无人机的发射功率三个角度出发，解决了无人机认知通信网络中的SE-EE折中优化问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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下，还可以根据这些附图获得其他的附图。
图1示出本公开通信网络中能量效率和频谱效率的折中方法步骤图；
图2示出本公开无人机认知通信网络三维系统模型图；
图3示出本公开无人机认知通信帧结构流程图；
图4示出本公开实施例中不同融合规则下谱效与能效随感知时间变化的曲线图；
图5示出本公开示例性实施例中归一化能效与谱效随判决门限变化的曲线图；
图6示出本公开示例性实施例中能效与谱效随权重因子变化的曲线图；
图7示出本公开示例性实施例中不同噪声条件下能效与发射功率间的关系曲线；
图8示出本公开示例性实施例中最优发射功率条件下能谱效折中参量随判决门限与感知时间变化的三维图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开实施例的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
本示例实施方式中首先提供了一种通信网络中能量效率和频谱效率的折中方法。参考图1中所示，该通信网络中能量效率和频谱效率的折中方法可以包括：步骤S101～步骤S102。
步骤S101：建立频谱感知模型，并获得能量效率和频谱效率的折中参量及折中优化模型，将所述折中参量中的权重因子设为预设值；
步骤S102：通过迭代对所述无人机感知时间、所述无人机发射功率及所述判决门限进行联合优化，利用第一算法获得最优解，使得所述折中参量最大。
通过上述通信网络中能量效率和频谱效率的折中方法，在地面认知通信网络的基础上研究了无人机认知通信网络中能量效率与频谱效率折中优化问题，考虑了无人机位置变化所产生的信道增益变化以及通信功率对无人机的能量效率与频谱效率的影响，从联合优化无人机认知通信的感知时间，协作感知的判决门限以及无人机的发射功率三个角度出发，解决了无人机认知通信网络中的SE-EE折中优化问题。
下面，将参考图1至图3对本示例实施方式中的上述通信网络中能量效率和频谱效率的折中方法的各个部分进行更详细的说明。
步骤S101：建立频谱感知模型，并获得能量效率和频谱效率的折中参量及折中优化模型，将所述折中参量中的权重因子设为预设值。
具体的，假设多架UAV以小编队飞行在边界执行探测侦查等任务。如图2所示，系统模型中包含1个主用户(Primary User，PU)网络和一个择机使用授权频谱的次级用户(Secondary User，SU)网络。PU网络由一个主用户发射机(Primary Transmitter，PT)和多个主用户接收机(Primary Receiver，PR)组成。PR分布在以PT为圆心，半径为rPR的圆形区域内。每个PT-PR组可以在时帧Tc内进行数据传输，多个PT-PR组以时分多址(Time DivisionMultiple Access，TDMA)的方式在Tc内建立链路进行通信。
次级网络包含M架认知UAV，1架中心UAV作为数据融合中心(Fusion Center，FC)和1个地面次级用户接机(Secondary Receiver，SR)。M架UAV作为SU采用编队飞行的方式并进行组网通信，实时检测PU的工作状态，择机利用授权频谱与SR进行通信。假定UAV配备定位设备(如GPS等)以获得自身的位置信息，并以飞行高度H循环着PT为圆心，半径为rf的轨迹匀速飞行。假设其飞行高度H满足躲避与地面建筑、障碍物等的碰撞，避免频繁的调整飞行高度增加能耗。设θ为中心UAV垂直地面投影点与SR之间的夹角，则FC与PT之间的距离为FC与SR之间的距离为考虑UAV编队飞行间距r远小于rf，为了简化分析，采用FC到PT和SR之间的距离近似代替每一架UAV到PT和SR之间的距离。
假设UAV在认知通信的过程中，UAV与SR和PT之间的通信信道为视距链路(Line ofSight，LoS)。其运动所产生的多普勒效应已得到补偿，只考虑信道中的大尺度衰落，则UAV与SR和PT之间的信道增益可以表示为：
其中，f表示载波频率，c表示光速，LX为LoS条件下平均附加损耗。
无人机认知通信帧结构如图3所示。在次级网络中，M架UAV采用能量检测法进行频谱感知，在时间τs内检测PT发射信号能量并判断授权频谱是否处于空闲状态。为了节省带宽，UAV在时间τr内采用TDMA的方式将感知结果报告给FC。当M架UAV中有大于或等于K架报告授权频谱处于空闲状态时，FC判决结果为授权频谱空闲，而后UAV将数据传输给SR，通信时间为Tc-τs-Mτr。其中，K为FC的判决门限，并有1≤K≤M。
在本发明中，PT的忙、闲状态分别用H1和H0表示，第i架UAV的虚警概率和检测概率可表示如下：
其中，为标准的高斯分布函数，ω是能量检测的阈值，γi是第i架UAV处的感知信噪比，fs是采样频率，σ2为噪声方差。由于UAV之间的间距较小，可以假设所有UAV与PT间的信道增益相同，因此 为PT发射功率。
由于M架UAV的感知信道特性相同，因此它们的感知信噪比相同。通过联合(2)和(3)，虚警概率可重新写为：
M架UAV依次将感知结果报告给FC，FC经过决策融合，最终得到的虚警概率和检测概率为：
其中，当FC发生漏检时，UAV建立次级链路进行通信将会对PR产生较大的干扰。因此，通常设定目标检测概率当时才能较好的保护主用户正常工作。
定义PU存在的概率为P(H1)，空闲的概率为P(H0)。则当PU空闲时，每架UAV到SR的传输速率可表示为：
其中，为UAV的发射功率。设则当PU处于工作状态时，每架UAV到SR的传输速率可表示为：
次级链路的传输将分为以下两种情形：(1)FC正确检测到PU处于空闲状态。此时次级链路的吞吐量为：(Tc-τs-Mτr)C0/Tc。(2)FC发生漏检，PU实际处于工作状态但却被检测为空闲。此时次级链路的吞吐量为：((Tc-τs-Mτr)/Tc)C1。因此，次级链路的平均SE可表示为：ηSE＝ηSE1+ηSE2。在上述表达式中，
ηSE1＝((Tc-τs-Mτr)/Tc)CH0(1-PF)P(H0) (9)
ηSE2＝((Tc-τs-Mτr)/Tc)CH1(1-PD)(1-P(H0)) (10)
为了避免漏检导致的PU与SR之间产生较大干扰，且在IEEE 802.22WRAN中，要大于0.9。其次，P(H0)要足够小才能够保证认知通信经济可行且有实际意义。基于以上分析可知：ηSE1＞＞ηSE2。因此，平均吞吐量近似为
ηSE≈ηSE1＝((Tc-τs-Mτr)/Tc)CH0(1-PF)P(H0) (11)
接下来对UAV的EE进行分析。在如图2所示的模型中，UAV的感知功率、报告功率、推进功率以及悬停功率分别用和表示。其中mtot为UAV重量，g为重力加速度，ρ为空气密度，np为UAV旋翼的数量，rp为UAV旋翼的半径，vmax表示UAV的最大飞行速度，表示UAV以最大速度vmax全速飞行时的推进功率。令UAV的平均功率消耗为则有：
其中，E为UAV能量消耗。
将EE定义为(平均吞吐量与平均功率消耗的比值)，则根据表达式(11)和(12)，得到UAV通信的EE为：
为了平衡EE和SE，定义为能谱效折中参量，EE和SE的折中的优化问题表述如下：
其中，为UAV的最大发射功率，μ表示权重因子，且有0≤μ≤1。
当μ为0和1时分别表示最大化EE和最大化SE，当μ为(0，1)中某一个具体值时，该优化问题为EE和SE联合优化问题。
步骤S102：通过迭代对所述无人机感知时间、所述无人机发射功率及所述判决门限进行联合优化，利用第一算法获得最优解，使得所述折中参量最大。
具体的，本发明目标是通过优化UAV的τs，和K，解决EE和SE折中的优化问题。首先，证明存在τs opt，以及Kopt使得问题OP最优。其次，通过二分法以及穷尽搜索法分别求得τs opt，和Kopt。最后，迭代求解EE和SE折中的优化问题。
对于具体的μ值和门限K，分别通过求导分析τs对ηSE与ηEE的影响。首先，通过求ηSE关于τs的一阶偏导数可得：
其中，
由式(15)可推出，又由于代入(16)得到联立(17)有
由此可以得出，存在最优的感知时间τs opt_SE使得ηSE最大，该最大值可以通过表1所示的二分法(第二算法)求得。
表1：二分法求τs opt_SE
同理，求ηEE关于τs的一阶偏导数可得：
其中，
令则：
由上可知，代入(20)得从而又由于因此有存在最优的感知时间τs opt_EE使得ηEE最大，该最优值可通过将表1算法重置为EE相关参数后经过相同的步骤求得。
由于结合以上分析可得 因此，存在一个最优的感知时间τs opt使得最大，通过表2所示的穷尽搜索法(第三算法)可以求得该值。当τs opt_EE>τs opt_SE时，则τs opt处于[τs opt_SE，τs opt_EE]之间；当τs opt_EE<τs opt_SE时，则τs opt处于[τs opt_EE，τs opt_SE]。
表2：穷尽搜索法求τs opt
接下来分析对OP的影响。ηSE关于的一阶导数和二阶导数分别为：
由于且ηSE关于的二阶导数小于0，ηSE的值随着的增加而增加，使ηSE最大的为定义Γ＝[P(H0)(1-PF)+(1-P(H0)(1-PD)]ηEE关于的一阶导数为：
取极限得：
设
对其求一阶导得：
因此，单调递减，ηEE随先增后减，存在最优的使得ηEE最大。设使得最大的UAV发射功率为则：
(1)当时，
(2)当时，该最优值可通过将表2算法重置为发射功率相关参数后经过相同的步骤求得。
接下来分析与判决门限的关系。在式(5)中，对于任一个K值，PF服从二项分布，由二项分布的概率分布知识可知，随着K值的增大，PF将逐渐减小。因此，在式(11)中随着K值的增大，ηSE将逐渐增大，因此，使ηSE最大的K值为Kopt_SE＝M。
由式(12)和(13)构建函数求对与K的一阶偏导数可得：
令该一阶导数等于0，两边取对数，整理可得
其中，表示向上取整的函数。因为Q(x)为减函数，且则由式(2)和(3)可得，pf_i＜pd_i。故有B>0。又因为K为正整数，可推出A>0，由此可得出：
因此，存在Kopt_EE使得ηEE∈(0，θ)。结合以上分析可知，存在Kopt∈[Kopt_EE，M]使得最大，该最优值可通过将表2算法重置为判决门限相关参数后经过相同的步骤求得。
基于以上分析与算法，通过τs，与K三个参数的迭代进行联合优化使得值最大，该能效和谱效的折中优化算法设计如表3所示(第一算法)。
表3：能效和谱效的折中优化算法
下面结合具体仿真实例，进一步阐述本实施例。
本实例通过仿真结果来验证所提EE和SE折中优化方案的性能。PT所用频谱的中心频率为2.4GHz，具体的系统仿真的参数如表4所示。
表4：仿真参数
EE和SE随感知时间变化的曲线如图4所示。其中，AND和OR融合规则下K值分别为M和1。对于三种融合规则，都存在最优的感知时间使能效和谱效获得最大值。然而，与OR和AND融合规则相比，所提算法提供了更高的EE和SE值。从图中看到，AND融合规则下EE和SE的性能最差。同时，从图中可以看到SE和EE的最大值不能同时得到，且所提算法下，使EE和SE最大的最优τs值分别为τs＝1ms和τs＝12ms。因此，为了联合提升SE和EE的性能，感知时间是一个需要优化的重要参数。
图5中给出了感知时间和发射功率确定条件下的SE和EE与判决门限K之间的关系。由图可知，使EE和SE取得最大值的判决门限不同，且对于一个特定的γ＝-5dB时，分别在K＝4和K＝2时取得SE和EE的最大值。因此可以通过合理设置最优的判决门限K，使得SE和EE的折中达到更佳的性能。当感知信噪比γ发生变化时，使EE和SE取得最大值的判决门限也发生了改变。同时，当判决门限K＝M时，EE和SE均处于最小值，验证了AND融合规则下EE和SE的性能最差。
图6中展示了τs和K最优条件下EE和SE随μ值变化的曲线。注意到曲线不是平滑的，因为选择不同μ值时对应的最优的感知时间和K值是不同的。当μ的值从0到1变化的过程中，随着SE的上升，EE逐渐下降。μ＝0对应的是最大化EE的方案设计，μ＝1对应的是最大化SE的设计。同时，当考虑UAV的能量受限问题为主要因素时，可以在满足SE需求的条件下最大化EE。当考虑SU的高吞吐量时，可以在满足EE条件下的最大化SE。此时，可以根据图中所示的能谱效关系来确定适当的μ值。
如图7所示，EE随着的增大呈现先增后减的趋势，验证了相关理论分析。随着噪声功率的增大，EE逐渐下降，且使EE取得最大值的值也变大。当UAV发射功率有限时(如图中虚线所示为最大功率)，当噪声功率为-25dB时，取在该曲线的峰值处；当噪声功率为-15dB和-5dB时，使得能效最大的发射功率的取值均取在虚线与两条曲线的交点处，即最大发射功率为
图8展示了当μ＝0.5时本文所提出的迭代优化算法与现有的固定发射功率方案下得到的随感知时间和判决门限K变化的三维曲线图。结果表明，本文所提方案性能优于现有方案，且同时存在最优的感知时间和判决门限K使得最大，即该三维曲线的最高峰值，此时，能效与谱效达到最佳的均衡性能。
在UAV认知通信网络中，能量效率与频谱效率的同时优化可能会发生冲突。本文研究了基于UAV协作感知的SE-EE折中优化问题。证明存在最优的感知时间、判决门限以及UAV发射功率分别使得能量效率和频谱效率最大，并通过第二算法和第三算法求解最优值。然后，在该算法的基础上提出了一种联合优化感知时间、判决门限以及UAV发射功率的算法，以求解频谱效率和能量效率的折中优化问题。结果表明，本文所提方案优于现有方案，能量效率和频谱效率之间存在权衡，并且μ值不同，代表着能谱效的需求不同，μ值越小，能效性能越突出；μ值越大，谱效性能越突出。对于不同的μ值，可根据本文所提算法求得不同的一组感知时间、判决门限以及UAV发射功率值使得该能谱效折中最优。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (8)

1.一种通信网络中能量效率和频谱效率的折中方法，其特征在于，包括：
建立频谱感知模型，并获得能量效率和频谱效率的折中参量及折中优化模型，且将所述折中参量中的权重因子的值设为预设值；
通过迭代对无人机感知时间、无人机发射功率及判决门限进行联合优化，利用第一算法获得最优解，使得所述折中参量最大，包括：
所述第一算法包括：第二算法和第三算法；
所述第二算法为二分法，所述第三算法为穷尽搜索法；
根据迭代的所述无人机发射功率和迭代的所述判决门限，通过所述第二算法和所述第三算法得到最优感知时间；
将所述最优感知时间和所述迭代的判决门限，代入所述第三算法得到最优发射功率；
将所述最优感知时间和所述最优发射功率，代入所述第三算法得到最优门限值；
将所述最优感知时间、所述最优发射功率和所述最优门限值代入到所述折中优化模型中，将所得到的折中参量和迭代的折中参量比较，误差大于误差精度时，对所述无人机感知时间、所述无人机发射功率及所述判决门限进行一次迭代，并进行下一次计算，直至相邻两次计算的折中参量的误差小于或等于误差精度；
其中，所述判决门限对应的判决对象为报告授权频谱处于空闲状态时的无人机的数量。
2.根据权利要求1所述通信网络中能量效率和频谱效率的折中方法，其特征在于，第一次迭代时，根据初始化的所述无人机发射功率和初始化的所述判决门限，得到所述最优感知时间。
3.根据权利要求1所述通信网络中能量效率和频谱效率的折中方法，其特征在于，第一次迭代时，将所得到的折中参量和初始化的折中参量比较，并得到误差。
4.根据权利要求1所述通信网络中能量效率和频谱效率的折中方法，其特征在于，所述最优感知时间计算过程包括：
根据迭代的所述无人机发射功率和迭代的所述判决门限，分析所述无人机感知时间对所述能量效率和所述频谱效率的影响，利用所述第二算法得到存在最优的无人机感知时间分别使得所述能量效率最大和所述频谱效率最大，且得到所述最优的无人机感知时间取值范围；
利用所述第三算法计算获得所述最优感知时间。
5.根据权利要求1所述通信网络中能量效率和频谱效率的折中方法，其特征在于，最优发射功率计算过程包括：
根据所述最优感知时间和所述迭代的判决门限，分析所述无人机发射功率对所述能量效率和所述频谱效率的影响，得到存在最优的无人机发射功率使得所述折中参量最大，且得到所述最优的无人机发射功率的取值范围；
利用所述第三算法计算获得所述最优发射功率。
6.根据权利要求1所述通信网络中能量效率和频谱效率的折中方法，其特征在于，所述最优门限值计算过程包括：
根据所述最优感知时间和所述最优发射功率，分析所述判决门限对所述能量效率和所述频谱效率的影响，得到存在最优的所述判决门限使得所述折中参量最大，且得到所述判决门限的取值范围；
利用所述第三算法计算获得所述最优门限值。
7.根据权利要求1所述通信网络中能量效率和频谱效率的折中方法，其特征在于，所述折中参量的值最大，对应的无人机感知时间值、无人机发射功率值及判决门限值为所述折中优化模型的最优解。
8.根据权利要求1所述通信网络中能量效率和频谱效率的折中方法，其特征在于，所述权重因子为所述能量效率和所述频谱效率的需求，根据用户对所述能量效率和所述频谱效率的需求将所述折中参量中的权重因子的值设为预设值，所述权重因子范围为0～1。
CN202111568514.3A 2021-12-21 2021-12-21 一种通信网络中能量效率和频谱效率的折中方法 Active CN114448537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111568514.3A CN114448537B (zh) 2021-12-21 2021-12-21 一种通信网络中能量效率和频谱效率的折中方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111568514.3A CN114448537B (zh) 2021-12-21 2021-12-21 一种通信网络中能量效率和频谱效率的折中方法

Publications (2)

Publication Number Publication Date
CN114448537A CN114448537A (zh) 2022-05-06
CN114448537B true CN114448537B (zh) 2024-03-29

Family

ID=81363115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111568514.3A Active CN114448537B (zh) 2021-12-21 2021-12-21 一种通信网络中能量效率和频谱效率的折中方法

Country Status (1)

Country Link
CN (1) CN114448537B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115225175A (zh) * 2022-07-14 2022-10-21 中国人民解放军空军工程大学 一种基于短包通信的能量效率和频谱效率的折中方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010035170A (ja) * 2008-07-29 2010-02-12 Ntt Docomo Inc スペクトル検知方法、エネルギー検出方法および装置
CN105188125A (zh) * 2015-08-05 2015-12-23 东南大学 无线网络能效谱效联合优化的功率分配方法
CN106162847A (zh) * 2016-06-29 2016-11-23 重庆邮电大学 一种基于多用户多信道感知的频谱共享能量消耗优化方法
CN107948109A (zh) * 2017-11-21 2018-04-20 杭州电子科技大学 认知无线电中能效与谱效折衷的子载波比特联合优化方法
CN107947878A (zh) * 2017-11-22 2018-04-20 江苏理工学院 一种基于能效和谱效联合优化的认知无线电功率分配方法
CN110417446A (zh) * 2019-07-19 2019-11-05 上海电机学院 大规模天线能量效率和频谱效率的折中性能优化方法
CN110677176A (zh) * 2018-07-02 2020-01-10 浙江工商大学 一种基于能量效率与频谱效率的联合折中优化方法
CN111866890A (zh) * 2020-06-08 2020-10-30 中国人民解放军空军工程大学 一种认知无人机网络中高效的频谱共享方法及系统
CN111988762A (zh) * 2020-09-01 2020-11-24 重庆邮电大学 一种基于无人机d2d通信网络的能效最大资源分配方法
KR20210066682A (ko) * 2019-11-28 2021-06-07 한국산업기술대학교산학협력단 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160359330A1 (en) * 2015-06-06 2016-12-08 Ruxiang Jin Systems and Methods for Dynamic Energy Distribution

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010035170A (ja) * 2008-07-29 2010-02-12 Ntt Docomo Inc スペクトル検知方法、エネルギー検出方法および装置
CN105188125A (zh) * 2015-08-05 2015-12-23 东南大学 无线网络能效谱效联合优化的功率分配方法
CN106162847A (zh) * 2016-06-29 2016-11-23 重庆邮电大学 一种基于多用户多信道感知的频谱共享能量消耗优化方法
CN107948109A (zh) * 2017-11-21 2018-04-20 杭州电子科技大学 认知无线电中能效与谱效折衷的子载波比特联合优化方法
CN107947878A (zh) * 2017-11-22 2018-04-20 江苏理工学院 一种基于能效和谱效联合优化的认知无线电功率分配方法
CN110677176A (zh) * 2018-07-02 2020-01-10 浙江工商大学 一种基于能量效率与频谱效率的联合折中优化方法
CN110417446A (zh) * 2019-07-19 2019-11-05 上海电机学院 大规模天线能量效率和频谱效率的折中性能优化方法
KR20210066682A (ko) * 2019-11-28 2021-06-07 한국산업기술대학교산학협력단 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법
CN111866890A (zh) * 2020-06-08 2020-10-30 中国人民解放军空军工程大学 一种认知无人机网络中高效的频谱共享方法及系统
CN111988762A (zh) * 2020-09-01 2020-11-24 重庆邮电大学 一种基于无人机d2d通信网络的能效最大资源分配方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Hang Hu.SE and EE Optimization for Cognitive UAV Network Based on Location Information.《IEEE Access 》.2019,全文. *
Optimisation of Spectrum and Energy Efficiency in UAV-Enabled Mobile Relaying Using Bisection and PSO Method;Rajat Kumar Patra;《2018 3rd International Conference for Convergence in Technology (I2CT)》;全文 *
基于二分法迭代的频谱感知节能优化策略;陈长兴;林兴;任晓岳;王晓东;杨牧;曾志;;空军工程大学学报(自然科学版)(第05期);全文 *
认知无人机网络中多机协作频谱感知研究;张宏伟;达新宇;胡航;倪磊;潘钰;王浩波;;空军工程大学学报(自然科学版)(第01期);全文 *

Also Published As

Publication number Publication date
CN114448537A (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
Li et al. Placement optimization for UAV-enabled wireless networks with multi-hop backhauls
CN111970709B (zh) 一种基于粒子群优化算法的无人机中继部署方法及系统
Cao et al. Deep reinforcement learning for channel and power allocation in UAV-enabled IoT systems
CN110913402A (zh) 一种联合优化通信与编队的高覆盖效率的无人机自组网分簇方法
CN111786712B (zh) 一种基于cr的uav通信网络次级链路吞吐量优化方法
Zhang et al. Power control and trajectory planning based interference management for UAV-assisted wireless sensor networks
Chandrasekharan et al. Clustering approach for aerial base-station access with terrestrial cooperation
CN112702713B (zh) 一种多约束条件下的低空无人机通信部署方法
Shehzad et al. On the association of small cell base stations with UAVs using unsupervised learning
CN114448537B (zh) 一种通信网络中能量效率和频谱效率的折中方法
CN114189891A (zh) 一种基于深度强化学习的无人机异构网络能效优化方法
Fotouhi et al. Joint optimization of access and backhaul links for UAVs based on reinforcement learning
Zou et al. 3D placement of unmanned aerial vehicles and partially overlapped channel assignment for throughput maximization
Zhang et al. Spectrum Efficiency Optimization for UAV‐Based Cognitive Radio Network
CN117270559A (zh) 一种基于强化学习的无人机集群部署与轨迹规划方法
Huang et al. Task offloading in uav swarm-based edge computing: Grouping and role division
CN111479240B (zh) 无人机通信系统及基于用户分簇的无线传输方法
Fu et al. Joint speed and bandwidth optimized strategy of UAV-assisted data collection in post-disaster areas
CN113099425A (zh) 一种高能效的无人机辅助d2d资源分配方法
Wei et al. An energy efficient cooperation design for multi-UAVs enabled wireless powered communication networks
Ahn et al. Velocity optimization for UAV-mounted transmitter in population-varying fields
Shukla et al. Particle swarm optimization algorithms for altitude and transmit power adjustments in UAV-assisted cellular networks
Pan et al. Multi-UAV Relay Deployment Algorithm Based on Voronoi Diagram Division
Liu et al. Throughput optimization of blocked data transmission: A mobile-relay-UAV-assisted approach
CN113301532A (zh) 一种用于无人机辅助毫米波应急通信网的信道分配方法

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