一种基于OFDM的认知无线电网络中资源分配方法

摘要

本发明公开了一种基于OFDM的认知无线电网络中资源分配方法，该方法巧妙的将优化问题分解成子载波优化问题和功率优化问题两个问题，分别采用启发式算法和迭代算法求解相对来说计算复杂度较低，易于求解，适用于认知用户和子载波数量较大的情况。采用改进的启发式多项式时间算法分配子载波，首先针对主用户对子载波的干扰值将子载波排序，性能更优的子载波首先选择能效比高的认知用户，使得子载波和认知用户的匹配更佳。采用迭代算法分配功率，满足主用户的干扰限制条件和认知系统的总功率限制条件，保证了每个认知用户的最低传输速率。本发明中的两个阶段的算法结合，具有计算复杂度低，适用于多用户系统的特点。

说明书

技术领域

本发明涉及认知无线电和OFDM技术，具体涉及一种基于OFDM的认知无线电网络中 资源分配算法。

背景技术

随着无线通信业务的不断发展与广泛应用，无线频谱资源的利用变得日趋紧张。如何提 高频谱利用率成为当前研究无线通信的重要课题。认知无线电技术被普遍认为是解决当前频 谱短缺问题的一种革命性技术。OFDM能自适应分配频谱资源，频谱效率高，可应用于认知 无线电，被看作是未来认知无线电理想的备选技术之一。当前，能量消耗问题和环境保护问 题日益严峻，绿色通信技术成为迫切需求。因此，能量效率引起了人们的重点关注，通过资 源分配技术来提高认知无线电网络的能量效率自然是研究的关键所在。

现有的资源分配技术主要通过经典极值理论、博弈论、图着色理论和智能优化算法等来 实现。具体实现中，有障碍法、快速障碍法、拉格朗日对偶法、注水法等算法。然而，这些 算法的计算复杂度较高，而基于OFDM的认知无线电中的资源分配是实时的动态分配问题， 要求的计算量更大，并且，能量效率函数优化问题是一个混合整数非线性规划问题，更加难 以求解。

发明内容

针对现有技术的缺点，本发明提供一种基于OFDM的认知无线电中的资源分配算法，在 以最大化认知系统能效比为目标的同时，考虑不同认知用户之间的公平性，具有计算复杂度 低、适用于多用户系统等特点。

一种基于OFDM的认知无线电网络中资源分配方法，首先以基于OFDM的认知无线电网 络中所有认知用户的传输能效比作为目标函数，采用改进的启发式算法将子载波分配给认知 用户，接着依据子载波分配结果采用迭代算法计算每个认知用户的传输功率，完成无线电网 络中资源分配；

所述目标函数及其约束条件如下：

$\underset{a_{k,n},p_{k,n}}{\max }\Omega =\frac{\underset{k=1}{\overset{K}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{a}_{k,n}{R}_{k,n}}{\underset{k=1}{\overset{K}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{a}_{k,n}{P}_{k,n}+P_c}$

$\left(\begin{array}{cc}s.t.& C1:\underset{k=1}{\overset{K}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{a}_{k,n}{P}_{k,n}{I}_{n,l}^{SP}\le I_{th}^l,l\in \{0,1,\mathrm{...},L\}\end{array}\right)$

C2:P_k,n≥0,

$C3:\underset{k=1}{\overset{K}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{a}_{k,n}{P}_{k,n}\le P_T,$

C4:R_k,n≥R_min,

$C5:\underset{k=1}{\overset{K}{\Sigma }}{a}_{k,n}\le 1,a_{k,n}\in \{0,1\}$

其中，认知无线电网络中存在K个认知用户和L个主用户，一个中心基站，N个子载波； 已知f₀为认知无线电网络系统的起始频率，f_l为主用户系统的起始频率，B_l为第l个主用户 的带宽，T为OFDM信号周期，ψ_l(f)为第l个主用户的功率谱密度，为认知用户发射机 和主用户接收机之间的信道增益，为主用户发射机和认知用户接收机之间的信道增益；

P_c为认知系统的总电路消耗功率，为主用户系统的干扰门限，P_T为认知系统的最大可 传输功率，R_min为设定的认知用户的最低传输速率，取值范围为【0，,40】；a_k,n为一个二元 变量，当第n个子载波分配给第k个认知用户时，a_k,n＝1，否则a_k,n＝0；

为认知用户对主用户的干扰$I_{n,l}^{SP}={\int }_{f_l-f_0-(n-1/2)B}^{f_l+B_l-f_0-(n-1/2)B}{g}_{n,l}^{SP}T{\left(\frac{\sin \pi fT}{\pi fT}\right)}^{2}df;$

为主用户对认知用户的干扰$I_{n,l}^{PS}={\int }_{f_0+(n-1)B-f_l-B_l/2}^{f_0+nB-f_l-B_l/2}{g}_{l,n}^{PS}{\psi }_l\left(f\right)df;$

表示网络中所有主用户对在第n个子载波上传输的次用户的总干扰，由公式 $I_n^{PS}=\underset{l=1}{\overset{L}{\Sigma }}{I}_{n,l}^{PS}$计算获得；

h_k,n为认知用户在子载波上的信道增益，σ²为高斯白噪声的方差，P_k,n为第k个认知用户 在第n个子载波上的传输功率；R_k,n为第k个认知用户在第n个子载波上的传输速率， $R_{k,n}=Blog(1+\frac{P_{k,n}|h_{k,n}{|}^2}{{\sigma }^2+I_n^{PS}}),$

其中，h_k,n、σ²、f₀、f_l、B_l、T、ψ_l(f)、P_c、及P_T均为认知无线电网 络系统中的固有属性参数。

【一个子载波只能分配给一个认知用户，而一个认知用户可以同时拥有若干个子载波进 行传输。】

所述采用改进的启发式算法将子载波分配给认知用户，具体过程如下：

首先初始化未分配子载波的认知用户集合为所有认知用户，每个认知用户的传输功率 预先设定为计算所有主用户对每个子载波的干扰值将子载波按照的值从 小到大重新进行排序，然后从值最小的子载波开始，分别计算其分配给不同的认知用户传 输时的能效比，将此子载波分配给能效比最大的认知用户，将获得此子载波的认知用户从中 删去，继续下一个子载波的分配，若子载波数量大于认知用户数量，即在分配过程中出现为 空集时，则重新初始化为所有认知用户，继续分配下一个子载波直至为空集结束子载波 分配。

【这样分配使能效比高的认知用户能分配到干扰较少的子载波，提高系统的性能。】

所述依据子载波分配结果采用迭代算法计算每个认知用户的传输功率时按照以下优化问 题进行计算求解：

$\underset{p_n}{\max }\frac{\underset{n=1}{\overset{N}{\Sigma }}{R}_n}{\underset{n=1}{\overset{N}{\Sigma }}{P}_n+P_c}$

$\left(\begin{array}{cc}s.t.& C1:\underset{n=1}{\overset{N}{\Sigma }}{P}_n{I}_{n,l}^{SP}\le I_{th}^l,l\in \{0,1,\mathrm{...},L\}\end{array}\right)$

C2:P_n≥0,

$C3:\underset{n=1}{\overset{N}{\Sigma }}{P}_n\le P_T,$

C4:R_n≥R_min,

其中，R_n为第n个子载波上认知用户的传输速率，P_n为第n个子载波上认知用户的传输 功率。

【每个子载波只能分配给一个认知用户，因此，得到第n个子载波上用户的传输功率P_n即 为第n个认知用户的传输功率。】

1、先进行子载波的分配，将子载波按照主用户对认知用户在子载波上产生的干扰的值 从小到大进行排序，基站依次对每个子载波分别计算其分配给不同的认知用户传输时的能效 比η_k,n(这里计算所需的传输功率假定为)，将此子载波分配给η_k,n最大的认知用户；

2、根据子载波的分配结果，优化问题可以转化为一个单纯的功率分配问题。

在求解每个认知用户的最低传输功率所述的优化问题时，将设定为认知用户对第l个 主用户产生的干扰之和，P_sum为已经分配给认知用户的功率之和。为了满足条件C4，第n个 子载波上认知用户的最低传输功率$P_{\min }^n=\frac{(2^{R_{min}/B}-1)({\sigma }^2+I_n^{PS})}{|h_{k,n}{|}^2}.$

和P_sum的初始值都为0，按照迭代更新公式P_sum:＝P_sum+P_n，计算 第n个子载波上认知用户的传输功率P_n：$P_n=min\{P_T-P_{sum}-\underset{n+1}{\overset{N}{\Sigma }}{P}_{min}^n,\frac{I_{th}^l-I_{sum}^l}{I_{n,l}^{SP}},\forall l\}.$

有益效果

本发明提供了一种基于OFDM的认知无线电网络中资源分配方法，该方法巧妙的将优化 问题分解成子载波优化问题和功率优化问题两个问题，分别采用启发式算法和迭代算法求解 相对来说计算复杂度较低，易于求解，适用于认知用户和子载波数量较大的情况。采用改进 的启发式多项式时间算法分配子载波，首先针对主用户对子载波的干扰值将子载波排序，性 能更优的子载波首先选择能效比高的认知用户，使得子载波和认知用户的匹配更佳。采用迭 代算法分配功率，满足主用户的干扰限制条件和认知系统的总功率限制条件，保证了每个认 知用户的最低传输速率。本发明中的两个阶段的算法结合，具有计算复杂度低，适用于多用 户系统的特点。

附图说明

图1是本发明实施方式的基于OFDM的认知无线电中的资源分配算法示意图，图中实线 表示传输链路，虚线表示传输过程中的干扰。

图2是本发明实施方式的基于OFDM的认知无线电中的资源分配算法流程示意图。

图3是本发明实施例在主用户数L＝2,认知用户数K＝4，子载波数N＝32，干扰门限 系统电路消耗功率P_c＝0.1W,最低传输速率限制R_min＝20bit/s时，各个算法系 统平均能效随系统最大传输功率的变化示意图。

图4是本发明实施例在主用户数L＝2，子载波数N＝32，干扰门限系统 最大传输功率P_T＝5W，系统电路消耗功率P_c＝0.1W,最低传输速率限制R_min＝10bits/symbol 时，各个算法系统平均能效随认知用户数量的变化示意图。

图5是本发明实施例在主用户数L＝2，认知用户数K＝4，子载波数N＝32，干扰门限 系统电路消耗功率P_c＝0.1W,最低传输速率限制R_min＝10bits/symbol时，各个 算法认知用户最低传输速率随系统最大传输功率的变化示意图。

图6是本发明实施例在主用户数L＝2，子载波数N＝32，干扰门限系统 最大传输功率P_T＝5W，系统电路消耗功率P_c＝0.1W,本发明算法在认知用户数K＝2和K＝4的 不同条件下的系统平均能效随子载波最低传输速率的变化示意图。

图7是本发明实施例在认知用户数K＝4，子载波数N＝32，系统最大传输功率P_T＝5W， 系统电路消耗功率P_c＝0.1W,最低传输速率限制R_min＝10bits/symbol时，本发明算法在主用户 数L＝1，L＝2，L＝4的不同条件下的系统平均能效随主用户干扰门限的变化示意图。

具体实施方式

本发明以给定1个基站，K个认知用户，L个主用户，N个子载波，其中认知用户发射机 和主用户接收机之间的信道增益主用户发射机和认知用户接收机之间的信道增益和 次用户在子载波上的信道增益h_k,n均可被基站获得的情形为例进行说明。

如图1和图2所示，本实例的具体步骤如下：

1、初始化未分配子载波的认知用户集合为所有认知用户，每个认知用户的传输功率

2、计算每个子载波的将子载波按照从小到大的顺序重新排序；

3、对于n＝1,2,…,N重复下面计算

计算认知用户集合中的每个用户在该子载波上传输时的能效比，选择能效比最大的用户， 将子载波分配给它，令并将其从集合中删去，当集合为空集时，再次初始化未分配子 载波的认知用户集合为所有认知用户。

4、得到子载波分配结果a_k,n；

5、初始化已分配功率为0，产生干扰为0；

6、计算每个子载波上满足认知用户最低传输速率所需的

7、对于n＝1,2,…,N重复下面计算：

当n≤N

计算$P_n=min\{P_T-P_{sum}-\underset{n+1}{\overset{N}{\Sigma }}{P}_{min}^n,\frac{I_{th}^l-I_{sum}^l}{I_{n,l}^{SP}},\forall l\}$

更新$I_{sum}^l:=I_{sum}^l+P_n{I}_{n,l}^{SP},P_{sum}:=P_{sum}+P_n$

图3是本发明实施例在主用户数L＝2,认知用户数K＝4，子载波数N＝32，干扰门限 系统电路消耗功率P_c＝0.1W,最低传输速率限制R_min＝20bit/s时，各个算法系 统平均能效随系统最大传输功率的变化示意图。用来对照的EEHS算法出自“Schedulingin CentralizedCognitiveRadioNetworksforEnergyEfficiency”(集中式认知无线电网络的节能调 度，IEEETVEHTECHNOL2013),其功率分配采用最简单的平均分配算法。不管系统传输 总功率为多少，本发明始终能获得比EEHS算法更高的能效比，因为本发明算法可以将子载 波和认知用户更好的匹配，在功率分配上优先能效高的认知用户，所以系统能效更高。

图4是本发明实施例在主用户数L＝2，子载波数N＝32，干扰门限系统 最大传输功率P_T＝5W，系统电路消耗功率P_c＝0.1W,最低传输速率限制R_min＝10bits/symbol 时，各个算法系统平均能效随认知用户数量的变化示意图。可以看出，当系统内认知用户数 量增多时，本发明算法的系统平均能效仍保持增长，而EEHS算法的能效比在认知用户数量 为10时开始减少，且本发明的能效始终高于EEHS算法，本发明更加适用于多用户系统。

图5是本发明实施例在主用户数L＝2，认知用户数K＝4，子载波数N＝32，干扰门限 系统电路消耗功率P_c＝0.1W,最低传输速率限制R_min＝10bits/symbol时，各个 算法认知用户最低传输速率随系统最大传输功率的变化示意图。可以看出，刚开始在系统总 功率较小时，本发明系统中认知用户的最低传输速率低于EEHS算法，这是因为系统的总传 输功率太低，限制了系统的传输速率，而当传输功率增大到一定值时，即能满足认知用户的 传输需求时，本发明要高于EEHS算法，因为本发明考虑了认知用户最低传输速率，本发明 更具有公平性，适用于多用户共存的情况。

图6是本发明实施例在主用户数L＝2，子载波数N＝32，干扰门限系统 最大传输功率P_T＝5W，系统电路消耗功率P_c＝0.1W,本发明算法在认知用户数K＝2和K＝4的 不同条件下的系统平均能效随子载波最低传输速率的变化示意图。从图中可以看出，系统平 均能效会随子载波最低传输速率的增大而减小，因为当对子载波的最低传输速率要求较高时， 这是因为分配功率时要使所有用户都达到最低速率传输要求，则能效比高的用户分配到的功 率会减少，系统的能效会降低。

图7是本发明实施例在认知用户数K＝4，子载波数N＝32，系统最大传输功率P_T＝5W， 系统电路消耗功率P_c＝0.1W,最低传输速率限制R_min＝10bits/symbol时，本发明算法在主用户 数L＝1，L＝2，L＝4的不同条件下的系统平均能效随主用户干扰门限的变化示意图。从图 中可以看出，主用户干扰门限值增大，系统能效也随之增大，这是因为主用户干扰门限高， 认知用户传输受到的限制就少，能效自然就大。