论文研究-认知无线网络中基于蚁群算法的下行链路资源分配 .pdf

发布时间：2022-05-29 发布人：admin 分类：说明书资料大小：0.32M 资料格式：pdf 举报版权申诉

weixin_39840588-11569204-4744302542872234646.pdf-第1页.png

第1页 / 共7页

weixin_39840588-11569204-4744302542872234646.pdf-第2页.png

第2页 / 共7页

weixin_39840588-11569204-4744302542872234646.pdf-第3页.png

第3页 / 共7页

weixin_39840588-11569204-4744302542872234646.pdf-第4页.png

第4页 / 共7页

weixin_39840588-11569204-4744302542872234646.pdf-第5页.png

第5页 / 共7页

weixin_39840588-11569204-4744302542872234646.pdf-第6页.png

第6页 / 共7页

weixin_39840588-11569204-4744302542872234646.pdf-第7页.png

第7页 / 共7页

文本预览

中国科技论文在线 http://www.paper.edu.cn 认知无线网络中基于蚁群算法的下行链路资源分配朱建尧，刘建毅** 5 10 15 20 25 30 （北京邮电大学信息安全中心，北京 100876）摘要：基于 OFDMA 的认知无线网络下行链路的资源分配问题中，约束条件通常包括认知用户对于主用户的干扰限制、认知基站发射功率限制以及子载波上认知用户的速率离散取值等等限制，对应的资源分配问题是 NP 问题，不存在复杂性有效的最优算法，只能考虑次优算法。本文研究这类资源分配问题，并提出了复杂性有效的次优算法求解此问题。该次优算法分为两步进行：首先，采用蚁群算法分配子载波；然后，基于平均功率的思想控制各个子载波上的发射功率。仿真结果表明，该算法能够达到更好的系统性能。关键词：通信与信息系统；资源分配；蚁群算法中图分类号：TN929.533 Downlink Resource Allocation Based on Ant Colony Algorithm in Cognitive Radio Networks (Beijing University of Posts and Telecommunications, Information Security Center, Beijing, Zhu Jianyao, Liu Jianyi 100876) Abstract: In the resource allocation problem of OFDMA based downlink cognitive radio network, the constraints always involves interference power limitation to primary users, transmitting power limitation for cognitive radio base station and the discrete value of transmittiong rate. The corresponding problem belongs to the classification of NP problem, so that there is no complexity efficient optimal solution and suboptimal algorithm should be developed. In this paper, we proposed the suboptimal algorithm which is divided into 2 steps: first, allocate sub-carriers by ant colony algorithm; and then, control the transmitting power on each sub-carrier by average power algorithm. Simulation experiments illustrate that the proposed algorithm achieves better system performance. Key words: information and communication engineering; resource allocation; ant colony algorithm 0 引言近年来，随着无线用户数目的迅猛增长以及通信业务需求的提高，无线频谱资源越来越 35 稀缺。而另一方面，大量的研究与统计数据表明，传统的固定频谱分配方式导致较低的频谱利用率，部分已被分配的频带在多数时间内未被有效使用[1]。为了提高无线频谱资源的利用率、缓解频谱供需之间的矛盾，研究人员提出了认知无线电技术（Cognitive Radio，CR）[2、 3]。在基于认知无线技术的认知无线网络（Cognitive Radio Network，CRN）中，同时存在主用户（Primary Users，PU）与认知用户（Cognitive Users，CU）两类用户，后者具有动态的 40 频谱接入功能，可以在不影响主用户正常通信的前提下，伺机利用无线环境中的空闲频谱进行通信，从而提高频谱资源的利用率[4]。在众多认知无线网络的多址接入技术中，正交频分多址接入（Orthogonal Frequency 通信联系人：刘建毅(1980-)，男，副教授，主要研究方向：灾难备份，信息内容安全，信息检索，智能信息处理等. E-mail: liujy@bupt.edu.cn 作者简介：朱建尧(1990-)，男，硕士研究生，主要研究方向：人工智能算法，认知无线网络等 - 1 -

中国科技论文在线 http://www.paper.edu.cn Division Multiple Access，OFDMA）技术因在动态频谱分配方面具有较大的灵活性而受到了广泛地关注[5]。目前，已有较多的文献针对这类认知无线网络中的资源分配问题展开研究。文献[6、7]研究了这类系统中的资源分配问题，同时涉及到子载波的分配与各子载波发射功率 45 的调整，考虑了认知用户的总功率限制及认知用户对主用户的干扰功率限制等约束条件，但各个子载波上用户的速率连续取值，为信干噪声比(Signal-to-Interference- plus-Noise Ratio, SINR)的连续函数，这不符合实际情况。文献[8、9]研究了类似的问题，子载波的分配与速率调整显式地分作两步进行，但认知用户的速率同样为连续取值。事实上，实际通信系统存在 50 速率离散取值的约束，对应的资源分配问题是组合优化问题，属于 NP 问题的范畴，不存在复杂性有效的最优解法，因此，只能考虑次优解法。针对上述资源分配问题，已有研究表明，蚁群算法(Ant Colony Algorithm, ACA)能够针对组合优化问题的求解提供行之有效的解决方案[10]。为此，本文采用蚁群算法求解基于 OFDMA 认知无线网络中的资源分配问题，类似于文献[8、9]，所提出的算法同样分为两步，但不同于已有的文献，子载波的分配基于蚁群算法， 55 各子载波上的发射功率控制采用平均功率算法。仿真结果表明，本文所提出的算法能够达到更好的系统性能。 1 系统模型本文考虑基于 OFDMA 的认知无线网络下行链路的情形，即认知基站利用空闲频谱向 60 认知用户发送信息的情形。假设系统中存在 1 个主用户，M 个认知用户，N 个 OFDM 子载波，对应的频谱占用模型如图所示[11]： Free frequency Active frequency band of PU 65 图 1 主用户与认知用户频率相间共存 Fig . 1 the coexistance of CU and PU 其中，主用户使用中间的频带，并可被认知用户感知。认知用户使用未被占用的空闲频谱，即图中左右两侧的频段。认知用户与主用户共存于同一物理区域，认知基站与认知用户之间的信息传输会对主用户的通信形成干扰，为此，考虑认知用户对于主用户的干扰问题。 70 假设第 n 个子载波分配给第 m 个认知用户，其对应的功率谱密度(Power Spectral Density, PSD)为[11]： (1) - 2 - HzmW2,,sin()()snmnmssfTfPTfTfmWf/2fN/2fN

中国科技论文在线 http://www.paper.edu.cn 其中，为分配给第 m 个认知用户的第 n 个子载波的功率，为每个码元的周期。将此功率谱密度关于主用户的通信频段做积分即为该子载波分配给第 m 个认知用户之 75 后对主用户所产生的干扰 [11]：其中，为第 n 个子载波和主用户之间的频谱距离。表示第 n 个子载波和主用户之间的信道增益。进一步地，考虑多个认知用户对于主用户的干扰功率。为了表述的方便，定义子载波 80 分配标记如下： (2) 相应地，认知用户对于主用户的干扰功率写出如下： (3) (4) 其中，表示第 n 个子载波分配给第 m 个认知用户而对主用户所产生的干扰。 85 再来考虑子载波分配之后，各个认知用户可能的速率。假设为第 n 个子载波与第 m 个用户之间的信道增益，则在第 n 个子载波上第 m 个认知用户的速率为[11]： (5) 其中，为各个子载波上的背景噪声功率，为向下取整函数，这是由于实际调制方式的限制，各个子载波上认知用户的速率取值只能为整数的缘故。 90 相应地，对应的 OFDMA 认知无线网络的资源分配模型可以写出如下：约束条件： 95 (6) (7) (8) (9) (10) (11) 其中，式(6)为优化目标，表示最大化系统吞吐量即系统总速率。式(7)、(8)表示各个子载波 100 只能分配给单个认知用户。式(11)表示认知基站的功率限制。式(12)表示为了不干扰主用户 (12) - 3 - ,nmPsT,nmI2/22,,/2sin()()nmnmfWsnmnnmsfWsfTIgPTfTnfng,nmx,1subcarrier is engaged by CU 0 otherwisesnmnmx,,11MNtotalnmnmmnIxI,nmI,nmh2,,2,0log1nmnmnmhRPNf0Nf,,11Max R=maxMNsumnmnmmnxR,1,0,nmxnm,11Nnmnxn,0,nmPnm,0,nmInm,,1NnmnmthnxPPmtotalthII

中国科技论文在线 http://www.paper.edu.cn 的正常通信，认知用户对于主用户的干扰功率的约束要求，此处的为对应的干扰功率门限。考虑到以及的离散取值，上述资源分配问题是组合优化问题，属于 NP 问题的范畴，不存在复杂性有效的最优解法，只能考虑次优算法。 2 资源分配算法 105 本节首先给出基于蚁群算法的子载波分配机制；然后，采用平均功率算法控制各个子载波的发射功率；最后，给出结合这两步的资源分配算法流程。 2.1 基于蚁群算法的子载波分配蚁群算法的灵感来源于蚂蚁在寻找食物过程中发现路径的行为，具有较好的鲁棒性和便于并行处理等特点，普遍适用于各种 NP 问题。将蚁群算法应用到上述资源分配问题中，算 110 法的主要操作如下： 1)蚂蚁的编码该步决定以何种形式编码蚂蚁。针对上述资源分配问题，每个蚂蚁用 N 个数字编码，表示第配给第个子载波。每个数的取值范围是 1 至 M 的十进制数字，表示该子载波分个认知用户。蚁群的种群数量为 K，表示一共有 K 个解决方案。该种编 115 码方法简单直观，容易理解而且减小了计算量。 2)生成可行解根据每只蚂蚁的选择概率矩阵获得该蚂蚁选择的可行解。第ｋ只蚂蚁的选择概率矩阵共有个元素，其每个元素取值为： (13) 120 其中，为子载波 n 与认知用户 m 间的信息素浓度，为期望程度，和为常量，用于调节信息素和启发信息的重要程度。针对第ｋ只蚂蚁，由于，故选用轮盘赌方式决定子载波 n 的分配方式。确定子载波 n 分配方式之后，可以生成对应的子载波分配标记。 3)更新信息素浓度和期望程度 125 在进行此步之前，需要根据 3.2 节所述方法完成计算各个蚂蚁所对应的系统吞吐量。进而，更新信息素，方式如下： (14) (15) 其中，为更新之后的信息素浓度，表示信息素的挥发系数，为信息素 130 浓度增量，为第 k 只蚂蚁留下的信息素浓度，其计算方法如下： - 4 - thI,nmx,nmR1,2,3,,N1,2,3,,MNM,,,,,1nmnmknmMnmnmmp,nm,nm,11Mknmmp,nmx,nm,,,`(1)nmnmnm,,1Kknmnmk,`nm(0,1),nm,knm

中国科技论文在线 http://www.paper.edu.cn (16) 其中，表示信息素强度，表示第 k 只蚂蚁获得的系统吞吐量，为第 k 只蚂蚁的子载波分配标记。期望程度的更新方法如下： 135 (17) 其中，为调节常数，表示第 k 只蚂蚁中，第 n 个子载波上第 m 个认知用户的速率。一般而言，更多的蚂蚁选择将子载波 n 分配给认知用户 m，且该分配方式获得的系统吞吐量更高，则该子载波 n 与认知用户 m 间的信息素浓度与期望程度也相对更高。进一步的，在下一轮迭代过程中，选择该分配方式的蚂蚁数量也会提高，最终使蚁群收敛于最优解。 140 2.2 采用平均功率算法的功率控制本文中，平均功率算法是最简单、计算量最小的功率控制算法，完整流程分为 3 步。首先，在不考虑干扰门限的前提下，计算各个子载波的发射功率；进而，根据干扰门限，对各个子载波进行行功率调整；最后，根据求得的发射功率计算各个子载波速率并向下取整。算法的具体操作如下： 145 1)发射功率计算根据式(5)，可知在单位功率下信道增益越好的信道可获得更高的速率，因此，对信道增益越好的信道分配更多的发射功率，计算如下： (18) 上式中，由于先前已经完成了子载波的分配即 m 和 n 已经建立了某种匹配关系( )， 150 故与可以简化表示为与。 2)发射功率调整上一步计算出的会出现不满足干扰功率约束条件的情形，此处对不满足条件的进行发射功率的调整。其调整方法为： (19) 155 其中，为调整之后的发射功率，为的简化，与的计算参照式(2)和(4)。此发射功率调整方法将干扰功率超出部分均摊于各个子载波，可以有效避免出现负功率情形。 3)计算各子载波速率根据式(5)，计算各个子载波的速率： - 5 - 1,, 10 otherwiseskkknmnmQRifx1QkR,knmx,nm,,2,1KkknmnmnmkxQR2Q,knmR221nthnNnnhPPh()mfn,nmh,nmPnhnPnPnP1'ntotalthnnNnnIIIPPI'nPnI,mnInItotalI

中国科技论文在线 http://www.paper.edu.cn 160 (20) 其中，为的简写。同样的，可以求得系统吞吐量等其他所需参数。 2.3 资源分配算法的完整流程结合上述子载波的分配机制以及功率控制的方法，对应的资源分配算法的流程如下： 1)：初始化，随机产生第一代蚂蚁。 165 2)：根据信息素浓度和期望程度求得选择概率矩阵。 3)：通过选择概率矩阵获得每只蚂蚁对应的子载波分配方式。 4)：计算各个子载波对应的发射功率。 5)：针对不满足干扰功率约束的子载波进行发射功率调整。 6)：根据每只蚂蚁获得的系统吞吐量更新信息素浓度和期望程度。 170 7)：判断是否满足算法结束条件，本文选取指定迭代次数为结束条件，如果满足条件，则算法结束；如果不满足条件，则返回 2)。 3 仿真结果与性能分析系统的仿真参数设置如下：码元持续时间，噪声功率谱密度，主用户带宽，子载波带宽，子载波数，认知 175 用户数，对应的信道增益与假设为瑞利分布。此外，蚁群算法中所涉及到的蚂蚁种群规模，信息素挥发系数，常量和，最大迭代次数。 180 (a) (b) 图 2 算法的收敛性能曲线图 Fig. 2 convergence performance of the proposed algorithm 图 2 (a)与(b)分别给出不同的认知基站发射功率限制与主用户干扰功率限制的条件下，本文算法随着代数增长的收敛性能曲线。在图 2(a)中，主用户的干扰门限为； 185 在图 2 (b)中，认知基站发射功率为。从图中可以看出，在迭代次数更新到 20 代时，算法已经收敛，这表明算法有较好的收敛性能。此外，在图 2 (a)与(b)中，随着认知基站发射功率限制或者主用户干扰功率限制的提高，认知用户的速率将得以增长，相应地，系统吞吐量有所提高，这是符合实际情况的。 - 6 - 220log1nnnhRPNfnR,mnR4sTus6010W/HzN0.625MHzmW0.3125MHzf150N45M,nmhng20K0.30.5120genMax02468101214161820500550600650700750800850900950迭代次数总吞吐量 Pth=0.001Pth=0.005Pth=0.0102468101214161820500550600650700750迭代次数总吞吐量 Ith=2e-8Ith=3e-8Ith=4e-8710WthI1WthP710WthI1WthP

中国科技论文在线 http://www.paper.edu.cn 190 (a) (b) Fig. 3 The system performance achieved by the proposed algorithm 图 3 总吞吐量变化曲线图图 3 (a)与(b)分别给出不同的认知基站发射功率限制与主用户干扰功率限制下，本文所 195 提出的算法实现的性能。在图 3 (a)与(b)中，随着认知基站发射功率或者主用户干扰功率限制的提高，认知用户可以发送的速率将得以增长，相应地，系统吞吐量有所提高，这同样符合实际情况。此外，当且时，总吞吐量增长曲线变得平缓，这表明此时系统能多的受到发射功率门限约束。 4 结语 200 本文研究了基于 OFDMA 的认知无线网络下行链路的资源分配问题，由于存在多种复杂的约束条件，对应的资源分配问题是 NP 问题，不存在复杂性有效的最优算法，只能考虑次优算法。为了在资源分配过程中最大化现有资源，定义优化目标为认知用户的速率和，即系统总吞吐量，并着重强调了各个子载波发射速率取值为整数。针对该优化问题，本文结合蚁群算法与平均功率算法提出了复杂性有效的次优算法。仿真结果表明，该算法可以实现较 205 好的系统性能。 [参考文献] (References) [1] Federal Communications Commission, Spectrum policy task force report, FCC 02-155, Nov. 2002. [2] J. Mitola, and G. Q. Maguire, "Cognitive radio: Making software radios more personal," IEEE pers. Commun., vol.6, no.4, pp.13-18, Aug.1999. [3] S. Haykin, "Cognitive Radio: Brain-Empowered Wireless Communications," IEEE Journal on selected Areas in communications, vol.23, no.2, pp.201-220, February 2005. [4] E. Hossain and V. K. Barghava, Cognitive Wireless Communication Networks, New York: Springer Science Business Media, 2007. [5] H. Mahmoud, T. Yucek, and H. Arslan, "OFDM for cognitive radio: merits and challenges", IEEE Wireless Commun., vol. 16, no. 2, pp. 6-15, Apr. 2009. [6] S. Wang, "Efficient Resource Allocation Algorithm for Cognitive OFDM Systems," IEEE Commun. Lett., vol.14, no.8, pp.725-727, Aug. 2010. [7] Y. P. Wang, L. X. Yang, X. Liu, "Resource allocation algorithm for uplink OFDMA-based cognitive radio systems," in Proc. IEEE 3rd International Conference on Communication Software and Networks (ICCSN), IEEE Press, 2011, pp. 16-20. [8] X. Mao, P. B. Si, H. Ji, and V.C.M. Leung, "A two-step resource allocation in multiuser OFDM-based cognitive radio systems," in Proc. 7th Inernational Symposium on Wireless Communication Systems (ISWCS), 2010, pp. 996-1000. [9] S. Musbah, and B. Faouzi, "A Two-step Resource Allocation Algorithm in Multicarrier Based Cognitive Radio Systems," Wireless Communications Networking Conference (WCNC2010), 2010 IEEE, IEEE Press, 2010, pp.1-6. [10] T. Liao, K. Socha, M.A. Montes de oca, M. Dorigo, "Ant Colony Optimization for Mixed-Variable Optimization Problems," IEEE Trans on evolutionary computation, vol. 18, no. 4, Aug 2014. [11] Y. Ma, Y. Xu, and D. Zhang, "Power allocation for orthogonal Frequency division multiplexing-based cognitive radio systems with and without integral bit rate consideration," IET Communication, 2011, pp.575-586. 210 215 220 225 230 - 7 - 1e-82e-83e-84e-85e-8500550600650700750800850干扰功率门限总吞吐量 Pth=10.0050.010.050.10.550060070080090010001100120013001400发射功率门限总吞吐量 Ith=1e-61WthP610WthI610WthI0.1WthP

分享到：

赞收藏

资料库

论文研究-认知无线网络中基于蚁群算法的下行链路资源分配 .pdf

相关推荐

开发技术

热门标签

最新资料