基于功率控制的認知無線網(wǎng)絡能效研究

韓賓　鄧冬梅　江虹

摘? ?要：針對Underlay頻譜共享模式下的認知無線網(wǎng)絡的能量效率問題，提出了一種雙重改進的粒子群功率控制優(yōu)化算法（Dual Improved Particle Swarm Optimization， DIPSO），通過最小化約束條件下認知用戶的發(fā)射功率以實現(xiàn)網(wǎng)絡能量效率優(yōu)化.在仿真過程中，以保證認知用戶基本通信的同時不對主用戶正常通信構(gòu)成影響為基本前提，對信道衰落及噪聲干擾進行了綜合考慮，搭建出多約束條件下的網(wǎng)絡能量效率函數(shù)，實現(xiàn)認知無線網(wǎng)絡中認知用戶發(fā)射功率的最小化.仿真結(jié)果表明：該算法可有效提升無線網(wǎng)絡的能量效率.

關(guān)鍵詞：認知無線電;DIPSO;功率控制;能效優(yōu)化

中圖分類號：TN915.5? ? ?? ? ? ? ? ? ? ? ? ? ?文獻標志碼：A

Study on Energy-efficient of Cognitive Wireless

Networks Based on Power Control

HAN Bin1，2， DENG Dongmei2， JIANG Hong2

（1. State Key Laboratory of Environment-friendly Energy Materials，Southwest University of Science

and Technology，Mianyang 621010，China;

2. School of Information Engineering，Southwest University of Science and Technology，Mianyang 621010，China）

Abstract：Aiming at the problem of cognitive wireless network energy efficiency under underlay spectrum sharing mode，a double improved particle swarm optimization algorithm（DIPSO） for power control was proposed.? The optimization of network energy efficiency was realized by recognizing the transmitted power of users under the condition of minimizing constraints. In the simulation process，under the circumstance of considering channel fading and noise interference，the fuction of network energy efficiency and relevant constraints were constructed on the premise where the normal communication of main users was not affected，the basic communication of users was guaranteed， and the transmission power of cognitive users in the cognitive wireless network was minimized. The simulation shows that the proposed algorithm can effectively improve the energy efficiency of wireless network.

Key words：cognitive wireless radio;dual improved particle swarm optimization（DIPSO）;power control;energy-efficient optimization

隨著無線網(wǎng)絡應用和需求的不斷發(fā)展，無線網(wǎng)絡對提升通信速率、提高頻譜利用率的要求也日益增強.同時，通信網(wǎng)絡的能耗也已成為必須考慮的問題，網(wǎng)絡能量效率更是成為衡量通信網(wǎng)絡能耗的一項重要指標[1].認知無線電技術(shù)的發(fā)展，將傳統(tǒng)無線網(wǎng)絡中的用戶按用頻優(yōu)先權(quán)的不同分為：1）對頻譜具有絕對優(yōu)先使用權(quán)限的主用戶（Primary User，PU）;2）利用頻譜感知與判決結(jié)果伺機而動共享主用戶頻譜的認知用戶（Second User，SU）[2].認知用戶利用動態(tài)頻譜接入技術(shù)，實現(xiàn)與主用戶共享頻譜，以提高頻譜資源緊缺背景下頻譜資源的利用率.頻譜共享方式目前主要分為Overlay（覆蓋式）及Underlay（共存式）兩種.Overlay中主用戶和認知用戶在同一時隙中不共存，認知用戶只能在主用戶不占用信道時才能伺機接入并使用其信道進行傳輸.Underlay模式則允許認知用戶在不影響主用戶通信的前提下與主用戶共享同一頻譜[3].在Underlay頻譜共享方式中，認知用戶發(fā)射功率的大小將直接影響到主用戶及認知用戶的通信情況.發(fā)射功率過低可能無法保證認知用戶的通信質(zhì)量，發(fā)射功率過高又將對主用戶的正常通信造成同頻干擾.認知用戶必須保證對主用戶造成的累計干擾功率之和能在主用戶允許的門限范圍內(nèi)，還要盡可能地滿足自身的通信要求[4]，更何況還需考慮認知用戶間的干擾抑制和可用頻譜間的差異.因此認知無線網(wǎng)絡中的認知用戶的發(fā)射功率必須受到嚴格約束，功率控制問題成為了一個復雜的多維多目標的優(yōu)化問題.而網(wǎng)絡能量效率的高低與發(fā)射功率的大小密不可分，因此，Underlay頻譜共享模式中，在有效保護主用戶通信質(zhì)量的前提下，如何實現(xiàn)對認知用戶的發(fā)射功率進行合理有效控制，成為了認知無線網(wǎng)絡中必須要考慮的重要問題.

近幾年，針對CRN（Cognitive Radio network）功率控制策略方面的研究已取得一定的成果，這些研究可以從合作方式和算法類型上進行分類.從合作方式上分為合作式功率控制及非合作式功率控制，從功率控制算法上又分博弈論、群智能、凸優(yōu)化等等. LUO等人[5]以用戶信干噪比（Signal to Interference plus Noise Ratio，SINR）為目標，利用博弈論提出了兩種線性成本函數(shù)功率控制算法，達到最小化發(fā)射功率的目的.諸一琦[6]通過對SU的服務質(zhì)量需求（Quality of Service，QOS）和通信系統(tǒng)的總吞吐量進行綜合考慮，提出一種非合作功率控制博弈的CRN功率控制算法來對各SU的發(fā)射功率進行控制.文獻[7]在用戶可接受的QOS體驗約束條件下，最大限度減少傳輸?shù)哪芰肯模岢鲆环N在線策略迭代算法，直接優(yōu)化服務質(zhì)量約束下的能量消耗.文獻[8]聯(lián)合遍歷容量和最大限度地減少次用戶網(wǎng)絡的平均傳輸功率的同時提高網(wǎng)絡能源效率，將多目標優(yōu)化轉(zhuǎn)化為單目標優(yōu)化問題.

現(xiàn)有文獻中，將能量效率作為效益目標而進行多約束條件下的功率控制的研究還相對較少，因此本文在考慮了無線電信號傳播過程中的自由衰落的前提下，針對Underlay頻譜共享模式下的認知無線網(wǎng)絡，基于干擾溫度模型提出了一種雙重改進的粒子群功率控制優(yōu)化算法（DIPSO），實現(xiàn)網(wǎng)絡能量效率優(yōu)化.

1? ?系統(tǒng)建模與分析

1.1? ?網(wǎng)絡模型

圖1所示為Underlay頻譜共享模式下CRN傳輸模型，多個SU與PU共存并共用同一信道.SU1、SU2為認知用戶，PU為主用戶，實線箭頭代表用戶之間正在使用信道進行通信，虛線箭頭代表正在通信的用戶對使用了同一頻譜的其他用戶造成的通信干擾.SU用戶感知外界通信環(huán)境的變化，如主用戶出現(xiàn)與否，根據(jù)感知情況進行自身決策，當主用戶未占用頻譜資源下，對主用戶的干擾就不必考慮，此種情況下，SU用戶的功率約束就相對簡單很多.當主用戶出現(xiàn)時，SU用戶則必須考慮對主用戶的干擾，在綜合衡量下，利用尋優(yōu)決策出最優(yōu)的發(fā)送功率，以達到既保證通信質(zhì)量又減少不必要的能量消耗的目的.因此SU的尋優(yōu)決策結(jié)果，關(guān)系著SU對外界通信環(huán)境變化自身發(fā)射功率的調(diào)整，對網(wǎng)絡能量效率尤為關(guān)鍵.

假設信號傳輸滿足自由空間衰落模型，則信號發(fā)射端發(fā)射功率與接收端接收功率之間滿足

式中：pr 表示接收端接收功率;pt表示發(fā)射端發(fā)送功率;d表示接收端與發(fā)射端之間的距離，c為光速;f為電磁波發(fā)射頻率;Gr、Gt分別表示接收端天線增益、發(fā)射端天線增益.

1.2? ?數(shù)學模型

由M個主用戶PU和N個認知用戶SU構(gòu)成的認知無線網(wǎng)絡中，PU和SU采用Underlay頻譜共享模式.該模型中認知用戶SU必須滿足不能對主用戶PU的正常通信產(chǎn)生影響，因此，PU接收機端接收到的來自SU發(fā)射機端的總干擾有以下的約束條件，即

式中：pi表示第i個認知用戶發(fā)射機的發(fā)送功率，i∈[1，N];Gik代表第i個認知用戶發(fā)射機和第k個主用戶接收機之間的信道增益;P kth代表第k個主用戶發(fā)射機的干擾功率允許的最大閾值.由于認知用戶必須滿足自身的通信質(zhì)量要求，因此每個認知用戶接收機的信干噪比值（SINR）需滿足以下約束條件：

γ i? ?th≤ γiγ i? ?th > 0? ? ? ? ? ? ? ?（3）

式中：γ i? ?th表示在鏈路i上認知用戶接收機最小的信干噪比閾值;γi表示在鏈路i上認知用戶的實際信干噪比值.γi的計算方式如下：

式中：pi表示認知鏈路i上發(fā)射機的發(fā)射功率;Gi代表認知鏈路i上SU發(fā)射機與接收機之間的信道增益;δ2代表認知鏈路i上的加性高斯白噪聲;pjGji表示認知鏈路i上接收機接收到來自認知鏈路j的干擾;pj代表認知鏈路j上發(fā)射機發(fā)送功率;Gji表示從認知鏈路j上發(fā)射機到認知鏈路i上接收機之間的干擾增益;pkGki表示認知鏈路i上接收機接收到來自主鏈路k的干擾;pk表示主鏈路k上發(fā)射機的發(fā)射功率;Gki表示從主鏈路k上發(fā)射機到認知鏈路 上接收機之間的干擾增益.

根據(jù)香農(nóng)公式，認知鏈路i上的最大傳輸速率 si必須滿足：

si = Wi log2（1 + γi）? ? ? ? ?（5）

式中：Wi表示每個子信道的帶寬，根據(jù)公式（5）可以得出功率與傳輸速率之間的關(guān)系.

每個認知用戶發(fā)射機傳輸功率不能夠超過其發(fā)射機所允許的最大功率閾值，設pmaxi? ? ? 為每個認知用戶發(fā)射機的最大傳輸功率，因此有

0 ≤ pi ≤ pmaxi? ? ? ? ? ? ? ? ? （7）

利用網(wǎng)絡吞吐量與能量消耗的關(guān)系，以單位功耗內(nèi)的吞吐量構(gòu)造網(wǎng)絡能量效率

為提升網(wǎng)絡的能量效率，本文擬在滿足上述約束條件下，最小化鏈路的平均傳輸功率.最后，優(yōu)化問題可以歸納為下面約束條件下的聯(lián)合優(yōu)化.

2? ?改進的粒子群功率控制優(yōu)化算法

生物啟發(fā)式算法中的粒子群優(yōu)化算法（PSO，Particle Swarm Optimization）由于搜索速度快、尋優(yōu)效率高而被廣泛用于解決優(yōu)化問題.通過種群中不同個體間的相互協(xié)作實現(xiàn)最優(yōu)解的搜索.算法初始時在可行空間解中隨機初始化m個粒子組成的種群 Z = {Z1，Z2，…，Zm}，其中每個粒子的位置代表待優(yōu)化問題的一個解.然后每個粒子根據(jù)目標函數(shù)計算自身的適應度值，根據(jù)所得出的適應度值，粒子在空間中不斷調(diào)整自身位置以搜索新解.每一次迭代中，粒子將跟蹤粒子本身經(jīng)過搜索得到的最優(yōu)解 pid（局部極值）和整個種群目前搜索到的最優(yōu)解pgd（全局極值）這兩個“極值”來更新自己[9].此外，每個粒子都有一個速度Vi = {Vi1，Vi2，…，Vim}，當兩個最優(yōu)解都找到后，每個粒子根據(jù)公式（10）更新自身的速度，根據(jù)公式（11）更新自身位置.

vid（t + 1） = ωvid（t） + η1rand（）[pid - zid（t）]

+ η2rand（）[pgd - zid（t）] （10）

zid（t + 1） = zid（t） + vid? ? ? ? ? ? ? ? ? ?（11）

式中：vid（t + 1）表示第i個粒子在t + 1次迭代中第d維上的飛行速度;ω為飛行速度的慣性權(quán)重;η1、η2 為加速常數(shù);rand（）為0～1之間的隨機數(shù);zid（t + 1）表示第i個粒子在t + 1次迭代中第d維上的位置.此外，為使粒子速度不至于過大，對飛行速度設置上限閾值vmax，即當v id（t + 1） > vmax時，根據(jù)式（12）進行粒子速度限制.

vid（t + 1） = vmaxvid（t + 1） = -vmax? ? ? ? ? ? ?（12）

從式（10）（11）粒子的飛行速度和位置更新公式可以看出，粒子的移動主要受自身當前飛行速度 vid、自身當前位置與局部遍歷過的最優(yōu)位置的距離 pid - zid（t）和自身當前位置與群體最優(yōu)位置的距離pgd - zid（t） 三部分影響.分別由權(quán)重系數(shù)ω和η1、η2決定其相對重要性.當達到了最大迭代次數(shù)或找到足夠好的最優(yōu)解時算法結(jié)束.

PSO算法在優(yōu)化早期能夠迅速向最優(yōu)值靠近，但是由于缺少種群的多樣性，在最優(yōu)值附近收斂較慢，容易出現(xiàn)所謂的早熟現(xiàn)象的缺點.為了有效平衡PSO算法的全局搜索能力和局部搜索能力，權(quán)重線性遞減粒子群算法和自適應慣性權(quán)重粒子群算法[10]分別被提出，它們均采用式（10）更新粒子速度.

針對PSO算法收斂速度慢和容易陷入局部最優(yōu)的缺點，本文從改進慣性權(quán)重ω及增加種群多樣性兩個方向?qū)λ惴ㄟM行改進.將改進后的算法稱為雙重改進粒子群算法（DIPSO）.

1）慣性權(quán)重參數(shù)修改.由于權(quán)重線性遞減粒子群算法中，慣性權(quán)重參數(shù) 關(guān)系到算法在全局搜索能力和局部搜索能力上的平衡.考慮到指數(shù)函數(shù)的函數(shù)單調(diào)性，將指數(shù)函數(shù)y = ex引入權(quán)重線性遞減粒子群算法的慣性權(quán)重表達式中，令自變量x=.由于迭代次數(shù)t滿足0≤t≤tmax，因此自變量x的變化范圍為x∈（-∞，0]，函數(shù)y則在區(qū)間（0，1）上呈指數(shù)函數(shù)性質(zhì)的單調(diào)遞增函數(shù)，因此改變了原來ω的線性變化規(guī)律，將其引入權(quán)重線性遞減粒子群算法的慣性權(quán)重表達式，得到：

ω = ωmax - （ωmax - ωmin）×exp（（t - tmax）/t） （13）

式中：ωmax、ωmin分別表示慣性權(quán)重ω的最大值和最小值;tmax代表最大迭代次數(shù);t為當前迭代次數(shù).

2）增加種群多樣性.本文引入種群初始化的混沌優(yōu)化算法，它比隨機搜索更有利，能夠提高粒子群算法的局部尋優(yōu)能力.其基本思想是采用Logistic映射生成混沌變量，如式（14）所示：

cxt+1id? ? = μ × cxtid? × （1 - cxtid ）? ? ? ? ? ? （14）

式中：μ代表控制參數(shù);cxtid 代表整個混沌序列中的第i個混沌變量在第t次混沌搜索中的第d維中的分量.然后通過線性變換將混沌變量映射為粒子的位置變量，如式（15）所示：

xt+1id? ? = xminid? ? + cxt+1id? ?× （xmaxid? ? - xminid? ?）? ? ? ?（15）

式中：xminid? ?和xmaxid? ?分別表示搜索空間中每一維度的最大值和最小值;cxt+1id? ?是整個混沌序列中的第i個混沌變量在第t+1次混沌搜索中第d維中的分量.

DIPSO算法流程圖如圖2所示.

3? ?仿真結(jié)果與分析

假設在Underlay頻譜共享模型的CRN中存在1個PU鏈路和3個SU鏈路，即M=1，N=3.仿真過程中節(jié)點采用隨機分布，采用仿真中模擬的節(jié)點間的測量距離.參數(shù)值部分依據(jù)文獻[11-12]進行類似設置，仿真參數(shù)設置如表1所示.

表中：pi? ? ?max代表每個SU發(fā)射機的最大發(fā)射功率;pk? ?th代表每個PU接收機能允許的最大干擾功率;γi? ?th表示每個SU接收機的最小信干噪比;加性高斯白噪聲為δ2;子信道帶寬為Wi;認知鏈路i的發(fā)射極到主鏈路k的接收機之間的干擾增益為Gik;認知鏈路j的發(fā)射機到認知鏈路i的接收機之間的干擾增益為Gji;所有PU發(fā)射機對活躍SU接收機的干擾功率為Q.

本文提出的DIPSO算法中，粒子個數(shù)是20個，迭代次數(shù)是20次，加速常數(shù)為η1、η2.在APSO算法中最小慣性權(quán)重ωmin，最大慣性權(quán)重ωmax.在PSO算法中，慣性權(quán)重ω = 0.9，設粒子速度上下限為[Vmin，ωmin]=[1，-1].仿真結(jié)果如圖3～圖6所示.

由圖3可知，無論是采用DIPSO、APSO還是采用PSO算法，認知無線網(wǎng)絡中SU的信干噪比（SINR）均大于門限閾值，足以說明SU可以獲得良好的通信.

圖4表明認知無線網(wǎng)絡中的認知用戶在每一次迭代過程中的總發(fā)射功率.能量消耗等于發(fā)射功率與單位時間的乘積，因此功率最小化是本文優(yōu)化的主要目標.從圖中可以看出DIPSO算法的SU總發(fā)射功率小于APSO算法和PSO算法，因此相比之下DIPSO算法耗能更低而且DIPSO相較于另外兩種算法能更快地趨于穩(wěn)定且穩(wěn)定性能相對略高.