基于能量采集的认知无线电时间和功率分配（二）

参考文章来自：基于能量采集的认知无线电时间和功率分配研究
https://x.cnki.net/read/article/pdfonline?filename=1019692099.nh&tablename=CMFDTOTAL&dbcode=CMFD&topic=&fileSourceType=1&taskId=&from=&groupid=&appId=CRSP_BASIC_PSMC&act=&ts=1584181528728

基于能量采集的认知无线电时间分配

模型：一对主用户PT，PR，M对认知用户ST，SR，一个时隙T：$$t_1,t_2,t_3,t_4$$
模型如下图：
1.在t1时间内，认知用户采集能量
认知用户采集PT射频信号的能量，$E_k$：第k个认知用户采集到的能量
$$E_k=t_1{\xi }_k{P}_a|h_{ac}{|}^2$$
${\xi }_k$表示$S{T}_k$的能量采集效率，$P_a$表示$PT$的发射功率，$h_{ac}$表示$S{T}_k$的信道系数
PR收到的信号：$$y_{b1}=\sqrt{P_a}{h}_{ab}{x}_a+n_b$$
$h_{ab}$是链路PT->PR的信道系数，$x_a$是PT发送的信号，$n_b$是PR处的噪声。假设信道中的噪声是加性高斯白噪声，其噪声功率为$N_0$，认知用户的干扰忽略不计。
直连链路，PR收到的信噪比：$${\gamma }_{ab}=\frac{P_a|h_{ab}{|}^2}{N_0}$$
信噪比=S/N=log（信号功率密度/噪声功率密度）
2.在$t_2$时间内，主用户选择最佳的中继
选择中继的要求：
a. $E_k\ge E_{th}$ ,$E_{th}$是能量门限
b. $|h_{c_{k}b}{|}^2\ge G_{th}$，$G_{th}$是$S{T}_k$->PR的信道增益门限
若有多个认知用户满足则，选择能量与信道增益乘积最大的作为中继节点。
3.$t_3$时间内，最佳中继认知用户$S{T}_k$协助主用户传输信息
通过解码转发方式，$S{T}_k$收到PT的信号：$$y_{c_k}=\sqrt{P_a}{h}_{a{c}_k}{x}_a+n_{c_k}$$其中，$n_{c_k}$是$S{T}_k$收到的高斯白噪声，噪声功率为$N_0$。
$S{T}_k$收到来自PT的信噪比为：
$${\gamma }_{a{c}_k}=\frac{P_a|h_{a{c}_k}{|}^2}{N_0}$$主用户目的节点PR收到中继节点的信息：
$$y_{b2}=\sqrt{(1-\lambda )p_{c_k}}{h}_{c_{k}b}{x}_{c_k}+n_b$$
其中$p_{c_k}$是认知用户$S{T}_k$的发射功率，$\lambda$是认知用户功率分配的占比系数，$x_{c_k}$是$S{T}_k$的发射信号，$h_{c_k}b$是$S{T}_k$->PR的信道系数。
PR收到中继链路的信噪比为：
$${\gamma }_{c_{k}b}=\frac{P_{c_k}|h_{c_{k}b}{|}^2}{N_0}$$在一个时隙T中，PR收到的信噪比为：
$${\gamma }_b={\gamma }_{ab}+min({\gamma }_{a{c}_k},{\gamma }_{c_{k}b})$$
4.在$t_4$时间内，认知用户发送信息给$S{R}_k$
$S{R}_k$收到的信息：
$$y_d=\sqrt{\lambda p_{c_k}}{h}_{c_{k}d}{x}_{c_k}+n_d$$
$S{R}_k$收到的信噪比：
$${\gamma }_{c_{k}d}=\frac{\lambda P_{c_k}|h_{c_{k}d}{|}^2}{N_0}$$
认知用户$S{T}_k$的能效函数：
$${\eta }_k=\frac{B{t}_4{\log }_2（{\gamma }_{c_k{d}_k}+1)}{\lambda p_{c_k}{t}_4+(1-\lambda )p_{c_k}{t}_3}$$
上式右边上下都是凸函数，优化问题可以用效用函数来解决，效用函数：$$u_k=t_{4}B{\log }_2(1+{\gamma }_{c_k{d}_k})-w_1{p}_{c_k}(\lambda t_4+(1-\lambda )t_3)$$
$w_1$是代价因子，$w_1{p}_{c_k}(\lambda t_4+(1-\lambda )t_3)$是代价函数。
优化函数可写为：
max $u_k$
s.t ${\gamma }_b\ge SN{R}_{th}$
$P_{c_k}|h_{c_k{d}_k}{|}^2<I_{th}$
$t_1+t_2+t_3+t_4\le T$
$0<t_i<T$，i=1,2,3,4
${\gamma }_b={\gamma }_{ab}+min({\gamma }_{a{c}_k},{\gamma }_{c_{k}b})$，$SN{R}_{th}$是主用户服务要求的门限，$I_{th}$是认知用户对主用户造成干扰的门限值，那么优化问题可以写为：
max $u_k$
s.t ${\gamma }_{ab}+{\gamma }_{a{c}_k}\ge SN{R}_{th}$
${\gamma }_{ab}+{\gamma }_{c_{k}b}\ge SN{R}_{th}$
$P_{c_k}|h_{c_k{d}_k}{|}^2<I_{th}$
$t_1+t_2+t_3+t_4\le T$
$0<t_i<T$，i=1,2,3,4

时间分配算法

使用随机的启发式搜索算法——自适应差分进化算法，来搜索目标函数的最优值，差分进化算法有较强的全局收敛能力，自适应差分进化算法提高了搜索到全局最优值的概率。
假设在一个时隙T内，最佳中继认知用户$S{T}_k$存储的能量用完，即：$$E_k=\lambda p_{c_k}{t}_4+(1+\lambda )p_{c_k}{t}_3$$
自适应差分进化算法步骤：种群初始化、变异操作、交叉操作、选择操作
（1）种群初始化
min $-u_k$
s.t ${\gamma }_{ab}+{\gamma }_{a{c}_k}\ge SN{R}_{th}$
${\gamma }_{ab}+{\gamma }_{c_{k}b}\ge SN{R}_{th}$
$P_{c_k}|h_{c_k}{|}^2<I_{th}$
$t_1+t_2+t_3+t_4\le T$
$0<t_i<T$，i=1,2,3,4
初始化种群：$t_{j,i,0}=rand[0,1](t_j^{(U)}-t_j^{(L)})+x_j^{(L)}$
$t_j^{(U)}和t_j^{(L)}$是根据优化函数得处$t_j$的最大值和最小值
（2）变异
变异操作之后，自适应差分进化算法的变异向量：
$x_{i,g+1}=t_{r_1,g}+F(t_{r_2,g}-t_{r_3,g})$
其中，$r_1,r_2,r_3$是随机选择的序号数，且$r_1\ne r_2\ne r_3\ne i$,i是目标向量的序号，F是自适应变异算子：$F=F_0{2}^{\sigma },其中\sigma =e^{1-(G/(G+1-g))}$，G是最大进化代数，g表示当前进化代数，$F_0$表示初始变异算子。
（3）交叉
目的是增加干扰参数向量的多样性，实验向量：
$u_{i,g+1}=${ $u_{1i,g+1},u_{2i,g+1},u_{3i,g+1},u_{4i,g+1}$}
$u_{ji}=x_{ji,g+1},randb(j)<=CR||j=rnbr(i)$
$u_{ji}=t_{ji,g+1},randb(j)>CR||j\ne rnbr(i)$
其中，randb(j)表示第j个随机数，范围在[0,1]，rnbr(i)={1，2，3，4}随机选择序列，交叉算子CR取值在[0,1]。
（4）选择
求出的最优函数的最小值与实验向量对比，取二者中的最小值为当前个体，循环以上四个操作至最大进化代数G。
仿真结果：
设置参数$P_a,I_{th},N_0,G_m,F_0,CR,N_p,t_i,\lambda$。
结论：
当时隙T越大，认知用户的效用函数越大，非平均子时隙分配的效用函数比子时隙平均分配的效用函数大。对于固定时间分配，信道质量越好，发射功率越好，认知用户的效用函数越高；当主用户的信噪比门限值越高，认知用户的效用函数越小。

关于差分进化算法https://blog.csdn.net/jodie123456/article/details/95486270，这篇博客讲得清楚些，如果博文中有错，欢迎指正。