为了减少5G网络中认知中继无线通信系统的能量消耗并提高网络的频谱利用,在无线能量采集认知中继无线电系统中设计最优合作策略。针对所提最优合作策略,推导出次用户的最大吞吐量方程和中断概率。基于量子计算和蝙蝠算法的优化机制设计的量子蝙蝠优化算法可有效求解所推导的最大吞吐量方程,同时获得能量和信息合作传输的最优方案。仿真结果表明,所设计的最优合作策略不仅可以满足主用户的信息传输需求,还可以实现次用户系统的能量自供应,并提升次用户的通信质量,针对不同的仿真场景,所提策略性能均优于已有认知中继无线电合作策略的性能。
In order to reduce energy consumption and improve spectral efficiency of the cognitive relay wireless communication system in 5G network,an optimal cooperative transmission strategy of information and energy was designed for cognitive relay radio with wireless energy harvesting.For the proposed optimal cooperative strategy,the maximal throughput formula and outage probability of secondary user were deduced.In order to resolve the derived maximum throughput equation,a quantum bat algorithm which was based on the optimization mechanism of quantum computing and bat algorithm was designed to solve the deduced equation,and the optimal cooperative transmission scheme for information and energy could be obtained.Simulation results show that the proposed optimal cooperative strategy not only can meet the information transfer demand of primary user,but also can realize the energy self-supply of the secondary user system and improve the communication quality of the secondary user.The proposed optimal cooperative strategy has a better performance than the cooperative strategy of existing cognitive relay radio for different simulation scenarios.
随着无线通信应用技术的快速发展,5G 通信网络必然面对一些挑战,比如频谱共享和能源短缺,因此认知无线电技术[1]和能量采集技术[2]受到5G通信领域的广泛关注。相比于传统的通信系统,能量采集系统能够从周围环境中采集能量[3,4],为能量受限的通信系统提供新的能源供应方式[5]。随着无线设备和服务的增加,频谱效率的改进已是重要的难题[6,7],认知无线电是解决该难题的一个有效技术[8],但认知无线电需要较多的能量去完成其特有的功能[9]。因此,可更新能量的能量采集认知无线电系统在利用接收到的信号自供应能量的同时,还可有效利用频谱资源,这成为当前研究的热点。
如何使认知无线电在采集能量和有效利用频谱效率的同时,尽可能多地为次用户提供通信机会和增大吞吐量成为当前急需解决的问题。合作通信[10]和中继通信[11,12]是认知无线电当前研究的热点[13],主用户和次用户可以积极地合作进而寻找机会来更有效地进行数据传输。
在合作认知无线电系统中,当主用户繁忙时,次用户可以作为中继去提高主用户的传输能力,进而提高次用户的传输机会。然而现存的合作通信很少能把信息传输与能量采集很好地结合起来[14]。基于此,文献[15]提出了一种信息和能量协同传输的认知无线电中继系统,次用户在采集能量的同时进行信息传输,但该方法在中继传输的同时没有考虑次用户对主用户的信号进行能量采集,故可进一步发展。
本文深入研究了 5G 网络中的认知中继无线电系统,提出新的时隙结构和最优合作策略,综合考虑能量采集、频谱利用和系统吞吐量最大化,主要贡献如下。
1) 提出能量采集认知中继无线电系统的时隙结构和最优合作方案,推导出次用户的最大吞吐量方程和次用户的中断概率。
2) 基于量子机制和蝙蝠算法,设计量子蝙蝠算法实现合作认知中继无线电的合作方案,可以保证在满足主用户数据传输的同时,最大化次用户的吞吐量。
3) 仿真结果不仅给出了系统性能与系统参数之间的关系,还与现有的认知中继无线电合作策略进行对比,证明了所提方法具有更好的吞吐量性能、较易理解的实现方式和更广泛的应用前景。
由主用户和次用户组成的合作认知中继无线电系统如图1所示。其中,主用户包括主用户发射机(PT,primary transmitter)和主用户接收机(PR,primary receiver),次用户包括次用户发射机(ST,secondary transmitter)和次用户接收机(SR,sec ondary receiver)。主用户可以在任何时刻通过其授权信道对其存储在缓存中确定数量的数据进行传输。在每个时隙,主用户先使用授权信道去传输它的数据,当其数据传输完成后,主用户停止传输数据,其授权信道此时状态为空闲。在不影响主用户的前提下,次用户此时可以利用主用户空闲的授权信道进行数据传输。根据需要,次用户可作为协作中继帮助主用户快速传输数据。此外,次用户在每个时隙分出部分时间进行能量采集以协助其信息传输,因此次用户不需要专门的能量供应设备。
在该认知中继无线电系统中,当主用户使用授权信道时,次用户是没有权利使用授权信道去传输数据的,只有当信道被主用户空出时,次用户才可使用。在新的合作策略里,主用户不仅可以自己直接传输数据,还可以让次用户充当主用户的中继加速主用户的数据传输,从而在每个时隙挤出更多的时间来传输自己的数据。主用户的瞬时非合作传输速率为R p =lb(1+γp),其中,γp为主用户链路在主用户发射机与接收机间的信噪比。主用户的瞬时合作传输率为
其中,γs为PT到ST链路的信噪比,w s为次用户在充当主用户中继过程中所分配的功率,λp为 ST到PR的传输信道功率增益与噪声功率的比值。
在每个时隙中,次用户可以从周围环境中采集信号能量,以协助主用户的数据传输并完成自己的数据传输过程。最优认知中继无线电系统的时隙合作模式如图2所示。其中,T为一个时隙的长度, ρ1为次用户在一个时隙非合作数据传输时进行能量采集的时间比率,c1为合作数据中继传输2个过程中每个过程的时间比率,次用户在此过程有一定时间进行能量采集。针对最优认知中继无线电的时隙合作模式,如果次用户用较多时间进行能量采集,则会剩余较少的时间传输次用户的数据,这对次用户吞吐量有一定的不利影响。
由图2可知,每个时隙均被划分为3个阶段,每个阶段主用户和次用户的具体工作过程如下。
1) 时隙第一阶段(0,ρT]1 。主用户进行非合作数据传输,此时次用户从周围射频信号中采集能量,此阶段可称为主用户非合作传输信息阶段。若次用户的能量采集率为Xs,则其在此阶段可采集的能量为
2) 时隙第二阶段(ρ1T,(ρ1+2c1)T]。合作通信的持续时间为
3) 时隙第三阶段((ρ1+2c1)T,T]。此时,主用户已经完成自身的数据传输,授权信道被主用户空出,次用户开始传输它自己的数据。由于每一时隙次用户采集的能量在该时隙会被耗尽,因此X sρ1T+X spc1T-2c1Tws的能量被次用户用于自己的数据传输。对于所提出的最优合作策略,在完成能量采集的同时,次用户需要决策协助主用户信息传输的能量分配。显然,若次用户较多的能量用于协助主用户传输信息,则次用户可以获得更多的时间传输自己的数据,但剩余较少的能量会对次用户的吞吐量产生不利影响。
针对图2的最优时隙合作模式,次用户的吞吐量方程为
其中,λs为ST到SR的传输信道功率增益与噪声功率的比值。为获得合作通信的最大吞吐量,需联合优化ρ1和ws,将其转化为如下有约束的优化方程,即
其中,式(3)的第一个约束确保合作传输时间不大于次用户能量采集后剩下的时间;第二个约束确保次用户采集的能量不小于合作传输过程中次用户消耗的能量;第三个约束为功率约束,保证合作传输过程中次用户传输功率不小于0;第四个约束为时间约束,保证合作传输过程的时间不小于0且有上限。
无线能量采集认知中继系统的中断概率是指系统传输速率超过系统瞬时信道容量的概率,反映了无差错传输性能,是系统性能的重要考核指标。在本系统模型中,假设次用户的目标吞吐量为Rs,tar,则系统的中断概率可以表示为
在瑞利衰落信道条件下,中断概率可以表示为
其中,
获得每个时隙次用户的最大吞吐量是一个有约束的连续优化问题,可以使用智能优化算法来求解。近年来,拟态物理学优化[17]和量子细菌觅食算法[18]等智能优化算法在认知无线电中得到了广泛应用,通过改进移植可用于求解所推导的吞吐量方程。对于所提出的优化问题,由于待优化变量的定义域相差过大,因此传统的连续优化算法很难快速求得高精度结果。为了能够更好地求解所推导的吞吐量方程,通过结合量子演化理论[19]和传统蝙蝠算法[20]的定位机理,利用量子蝙蝠算法对所要优化的问题进行求解。
在量子蝙蝠群体中,有h只量子蝙蝠。第
其中,
每只量子蝙蝠都可根据所设计的2种量子演进策略进行量子位置的更新。一种是通过量子蝙蝠自身的量子位置向全局最优量子位置和群体经验学习进行更新;另一种是通过全局最优量子位置,使量子蝙蝠向全局最优量子位置方向演进或对全局最优量子位置周边进行搜索。
对于量子蝙蝠群体中第i只量子蝙蝠,其频率和速度演进规则为
其中,
第i只量子蝙蝠的第 d 维量子位可以根据其速度使用量子旋转门进行演进,演进规则为
其中,
产生[0,1]之间的随机数
否则,该量子蝙蝠使用最优量子位置进行搜索,其旋转角度为
其中,
响度和脉冲发射率的更新式分别为
其中,
对于提出的量子蝙蝠算法,所有量子蝙蝠在每次迭代中需对各自的频率进行更新,群体中有h只量子蝙蝠,则每次迭代中所有量子蝙蝠频率的计算复杂度为O(h)。每只量子蝙蝠需更新每一维的速度及量子位,由于优化问题维数为D,则每次迭代更新速度及量子位的计算复杂度为O(2hD)。根据脉冲发射率,每一代种群所有量子蝙蝠的量子旋转角和量子位置的计算复杂度为O(2hD)。在每次迭代中,需要进行贪婪选择,将所有量子蝙蝠的量子区间映射到定义域区间,然后更新响度和脉冲发射率,此部分计算复杂度为O(6h)。
因此,到量子蝙蝠算法的第t次迭代为止,计算复杂度为O(t(7h+4hD))。
为了保证量子群体的多样性,每只量子蝙蝠的初始量子位置均在量子区间内随机产生。如果第i个量子蝙蝠在第t次迭代中的位置为
步骤 1 根据所提出的无线能量采集认知中继无线电模型,确定待优化变量及目标方程。
步骤 2 算法初始化,随机初始化量子位置和速度,给出初始的脉冲发射率、频率和响度。
步骤 3 计算每只量子蝙蝠的适应度,选择适应度最好的量子蝙蝠位置所对应的量子位置为全局最优量子位置。
步骤4 更新每只量子蝙蝠的频率,对量子蝙蝠群中每只量子蝙蝠的速度和位置进行演进,获得新量子位置的适应性,根据贪婪选择机制选择量子位置。
步骤 5 对于群体中的每只量子蝙蝠,根据脉冲发射率,按照概率用2种策略对量子位置进行演进。计算演进后量子位置的适应度,每只量子蝙蝠按照贪婪选择机制对其量子位置进行选择更新。
步骤 6 计算当代演进出的最优量子位置的适应度,并与全局最优量子位置进行比较,更新全局最优量子位置。
步骤 7 判断是否达到最大终止迭代次数,若是,则终止算法,输出全局最优位置和最优适应度,即所求得的最优ρ1、ws和最优次用户的吞吐量;否则,返回步骤4。
本节主要根据推导出的认知中继无线电系统次用户的中断概率结果对中断概率进行仿真。次用户中断概率与次用户分配给合作中继的功率的关系曲线如图3所示。此时,Rs,tar=1.5,ρ1=0.3,c1=0.1,Xs=60, Xsp=50,ψ分别取0.01、0.02、0.03、0.04。从图3可以看出,随着ws的增大,中断概率不断升高。当其他条件相同时,ψ越小,中断概率越低。
次用户中断概率与非合作传输阶段次用户的能量采集率的关系曲线如图4所示。此时,Rs,tar=1.5, ρ1=0.3,c1=0.1,Xsp=50,ws=60,X s从15 dB变化到45 dB,ψ分别取0.01、0.02、0.03、0.04。从图4可以看出,随着Xs的增大,中断概率不断降低。
次用户中断概率与非合作传输阶段次用户用于能量采集的时间占有率的关系曲线如图5所示。此时,Rs,tar=1.5,c1=0.1,X s=80,X sp=50,ws=60,ψ分别取0.01、0.02、0.03、0.04。随着非合作传输阶段次用户用于能量采集的时间占有率ρ1的增大,中断概率是先减小后增大的,这与认知是相符的。随着ρ1的增大,次用户采集的能量变多,可以提供给次用户传输阶段更多的能量,使中断概率下降,但是随着ρ1的进一步增大,次用户传输的时间也会变少,中断概率会上升。
次用户中断概率随合作阶段能量采集率变化的关系曲线如图6所示。此时,Rs,tar=1.5,ρ1=0.4,c1=0.1,X s=40,ws=60,ψ分别取0.01、0.02、0.03、0.04,Xsp从 10 dB 变化到 50 dB。从图6可以看出,随着合作阶段能量采集率的增加,中断概率不断降低。
次用户中断概率与中继传输时间占有率的关系曲线如图7 所示。此时,Rs,tar=1.5,ρ1=0.1, Xs=100,Xsp=80,ws=40,ψ分别取0.01、0.02、0.03、0.04,c1从0.1变化到0.25。从图7可以看出,当中继传输时间占有率增大时,中断概率也随之增大。相同条件下,ψ越小,中断概率越低。
次用户中断概率与次用户的目标吞吐量之间的关系曲线如图8所示。此时,ρ1=0.3,c1=0.1,X s=100,ws=60,X sp=80,Rs,tar从-20 dB变化到10 dB, ψ分别取0.01、0.02、0.03、0.04。随着次用户目标吞吐量的增大,次用户中断概率也不断增大,这与认知是相符的。当Rs,tar变大到10 dB时,中断概率急剧增大,这说明次用户目标吞吐量对中断概率的影响是巨大的。
本节对最优合作策略与已有方法对比的仿真结果进行了分析,也对不同仿真参数对最大吞吐量和最优中继功率影响进行了讨论。将本文提出的量子蝙蝠算法的最优合作策略记为 QBA-OCP,将应用现有的蝙蝠算法(BA,bat algorithm)获得的最优合作策略记为 BA-OCP。BA 求解过程及参数设定同文献[20],即 fmax=1,fmin=0,α=0.9,
当λ p=60,λs=20,γ s=30 dB,X s =1 0 0, Xsp=20时,为了对比BA-OCP和QBA-OC算法的收敛性能,群体规模都设为20和40,最大适应度均值和迭代次数关系曲线如图9所示。不难发现,当群体规模为20时,所提出的QBA在小于50次迭代即收敛到最优适应度,而已有的BA在群体规模分别设置为20和40时均陷入局部收敛,这是因为本文所设计的 QBA 将量子演进的思想应用于蝙蝠算法中所导致的。对于QBA,每只量子蝙蝠通过使用BA演进的理论和量子演化的思想进行更新。BA 可以在搜索区间中找到合适的搜索区域,但是找到近似最优解是十分缓慢的,且容易陷入局部最优。这是因为更新方程是在搜索区域内随机地寻找近似最优解,因此BA具有局部收敛的缺点。然而,所提出的QBA在演化过程中,采用了多种演进方式,不仅增加了收敛的速度,还增加了种群的多样性,因此它比BA更容易发现近似最优解。由于QBA在小种群规模就可达到全局收敛,从节省计算量考虑,将群体规模设置为20进行性能仿真和对比仿真实验。
次用户最大吞吐量随Xs变化的关系曲线如图10所示。此时,λs =2 0,λp=60,γ s分别取30 dB、31 dB、32 dB和33 dB,Xsp=20。从图10可以看出,次用户最大吞吐量随着Xs的变大不断递增。此外,对于特定的X s,γs变大,次用户的最大吞吐量也随之增大。
次用户最大吞吐量随Xsp和γs 变化的关系曲线如图11所示。当λs =20,λ p =60,X s =20和γs分别取30 dB、31 dB、32 dB和33 dB时,可以看出,次用户最大吞吐量随着Xsp的增大而增大对于相同的Xsp,γs变大,次用户最大吞吐量也随之增大。
最优中继功率和Xs的关系曲线如图12所示。当λs =100,λ p =50,X s p =20且γ s分别设置为30 dB、31 dB、32 dB和33 dB时,最优中继功率随着Xs的增大,一开始也是增大的,但是增大到某一程度就不再变化,也就是说,最优中继功率不会随着Xs的增大而无限变大。
次用户最大吞吐量随λs和λp变化的关系曲线如图13所示。当γ s =3 0 d B,λp分别取5、10、15和20,Xsp=20和Xs =60时,可以看出,次用户最大吞吐量随着γs的增大而增大。对于特定的γs, λp变大,次用户最大吞吐量也随之变大。
本节对所提的最优合作策略与已有策略对比的仿真结果进行了分析。对比的能量采集认知无线电策略来自文献[15],即文献[15]设计的CP和NCP 策略。在本节的仿真中,Γ()表示服从伽马分布的随机数,EXP()表示服从指数分布的随机数,当X s ~Γ(20,5),X s p ~Γ(15,5),λp ~EXP(200), λs ~EXP(80),γ s=32 dB时,40 个时隙 3 种策略(NCP、CP 和 QBA-OCP)次用户最大吞吐量的迹的仿真对比结果如图14所示。从图14可以看出,当γs固定,λp、λs、X s和X sp随时隙变化时,与已有的CP和NCP相比,所设计的QBA-OCP性能是最优的。
当λ p =500,λs =60,γ s从30 dB变化到40 dB, Xs =60,Xsp=20时,次用户的最大吞吐量和γs的关系曲线如图15所示。从图15可以很容易看出, NCP 获得的次用户最大吞吐量不随γs的变化而变化。虽然QBA-OCP与CP获得的吞吐量同样随γs变大而变大,但所设计的QBA-OCP策略所获得的吞吐量远高于CP和NCP。
不同合作策略下,次用户最大吞吐量随λs变化的关系曲线如图16 所示。此时,λ p =60,λs为10~110,γs =31 dB,X s =6 0,X s p =20。从图16可以看出,3种策略次用户的最大吞吐量均随λs的增大而增大,但所设计的QBA-OCP性能远好于NCP和CP。
本文提出了一种无线能量采集认知无线电的量子蝙蝠最优合作策略,适合应用在 5G 网络等高性能系统。所提的合作策略不仅可以使次用户系统自己提供能源,在保证不影响主用户传输数据的同时,还可以最大化次用户的吞吐量。和现有的认知无线电合作策略相比,所提策略具有更灵活的合作方式和更广泛的应用前景。
所提的量子蝙蝠算法将量子优化理论和蝙蝠算法结合,设计了新的演化方程,提高了蝙蝠算法的开发和探索能力。其可以有效求解能量采集认知无线电系统的最大吞吐量方程,是具有良好性能的连续优化算法,可获得较好的系统参量。与现有的一些连续优化算法相比,其具有较优秀的收敛性能和较好的扩展性,可推广应用到其他工程问题的连续优化中。
所设计的最优合作策略在保证不影响主用户传输数据的前提下,可以最大化次用户的吞吐量。下一步工作将研究能量采集多用户协同通信问题,推导出新的吞吐量方程,对诸如选择哪些次用户参与主用户的协同传输、具体每一个次用户的协同时隙如何划分、每个次用户的功率如何分配等问题进行深入的讨论,设计新的最优传输方案。