能量采集认知无线电的量子蝙蝠最优合作策略

2018-10-18高洪元杜亚男张世铂刘丹丹

通信学报 2018年9期

高洪元，杜亚男，张世铂，刘丹丹

高洪元，杜亚男，张世铂，刘丹丹

（哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨 150001）

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。

认知中继无线电；能量采集；合作策略；量子蝙蝠算法；5G网络

1 引言

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。

2 能量采集认知中继无线电系统模型

2.1 合作认知中继无线电系统模型

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, secondary 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。

图1 合作认知中继无线电系统示意

2.2 最优合作策略

图2 认知中继无线电系统的时隙划分

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。

2.3 吞吐量方程

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，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。

2.4 中断概率分析

在瑞利衰落信道条件下，中断概率可以表示为

3 基于量子蝙蝠算法的认知中继无线电合作策略

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。

3.1 量子蝙蝠算法

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。

3.2 量子蝙蝠算法的复杂度分析

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()。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，则每次迭代更新速度及量子位的计算复杂度为(2)。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(2)。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(6)。

因此，到量子蝙蝠算法的第次迭代为止，计算复杂度为((7+4))。

3.3 基于量子蝙蝠算法的最优合作策略

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。

4 仿真实验和结果分析

4.1 认知中继无线电次用户中断概率仿真结果

图3 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

图4 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

图5 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

图6 次用户中断概率与合作阶段能量采集率的关系曲线

图7 次用户中断概率与中继传输时间占有率的关系曲线

图8 次用户中断概率与次用户目标吞吐量的关系曲线

4.2 量子蝙蝠算法的最优合作策略仿真结果

图9 2种智能优化算法的最大适应度均值和迭代次数关系曲线

图10 次用户最大吞吐量和环境信号采集率Xs的关系曲线

图11 次用户最大吞吐量随和变化的关系曲线

图12 最优中继功率和Xs的关系曲线

图13 次用户最大吞吐量随和变化的关系曲线

4.3 仿真对比实验

图14 当时次用户最大吞吐量的迹

图15 3种合作策略吞吐量随变化的关系曲线

图16 3种合作策略吞吐量随变化的关系曲线

5 结束语

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。

[1] ZHENG G, HO Z, JORSWIECK E, et al. Information and energy cooperation in cognitive radio networks[J]. IEEE Transactions on Signal Processing, 2014, 62(9): 2290-2303.

[2] BI S Z, HO C K, ZHANG R. Wireless powered communication: opportunities and challenges[J]. IEEE Communications Magazine, 2015, 53(4): 117-125.

[3] 谢振威, 朱琦. 基于能量协作的认知能量采集网络功率分配算法[J].通信学报, 2017, 38(9): 176-184.

XIE Z W, ZHU Q. Power allocation algorithm for cognitive radio energy harvesting networks based on energy cooperation[J]. Journal on Communications, 2017, 38(9): 176-184.

[4] LIU Y W, MOUSAVIFAR S A, DENG Y S, et al. Wireless energy harvesting in a cognitive relay network[J]. IEEE Transactions on Wireless Communications, 2016, 15(4): 2498-2508.

[5] 谢显中, 罗莹, 严可, 等. 认知无线电网络中四维资源协作的研究现状与未来方向[J]. 通信学报, 2018, 39 (2): 149-163.

XIE X Z, LUO Y, YAN K, et al. Recent advances and future challenges of four key resources cooperation in cognitive radio network[J]. Journal on Communications, 2018, 39 (2): 149-163.

[6] ZHAI C, LIU J, ZHENG L N. Cooperative spectrum sharing with wireless energy harvesting in cognitive radio networks[J]. IEEE Transactions on Vehicular Technology, 2016, 65(7): 5303-5316.

[7] BHOWMICK A, ROY S D, KUNDU S. Throughput of a cognitive radio network with energy-harvesting based on primary user signal[J]. IEEE Wireless Communications Letters, 2016, 5(2): 136-139.

[8] 刘建平, 金顺福, 王宝帅. 基于排队模型的混合overlay/underlay频谱共享优化策略研究[J]. 通信学报, 2017, 38(9): 55-64.

LIU J P, JIN S F, WANG B S. Study on optimization strategy for hybrid underlay/overlay spectrum sharing based on queuing model[J]. Journal on Communications, 2017, 38(9): 55-64.

[9] KRIKIDIS I, LANEMAN J N, THOMPSON J S, et al. Protocol design and throughput analysis for multi-user cognitive cooperative systems[J]. IEEE Transaction on Wireless Communications, 2009, 8(9): 4740-4751.

[10] NASIR A, ZHOU X Y, DURRANI S, et al. Relaying protocols for wireless energy harvesting and information processing[J]. IEEE Transactions on Wireless Communications, 2013, 12(7): 3622-3636.

[11] SANKET S K, ADRISH B. Secure communication via a wireless energy harvesting untrusted relay[J]. IEEE Transactions on Vehicular Technology, 2017, 66(3): 2199-2213.

[12] ZHONG W, CHEN G, JIN S, et al. Relay selection and discrete power control for cognitive relay networks via potential game[J]. IEEE Transactions on Signal Processing, 2014, 62(20): 5411-5424.

[13] LIU Y, MOUSAVIFAR S A, DENG Y, et al. Wireless energy harvesting in a cognitive relay network[J]. IEEE Transactions on Wireless Communications, 2016, 15(4): 2498-2508.

[14] PRADHA J J, KALAMKAR S S, BANERJEE A. On information and energy cooperative in energy harvesting cognitive radio[C]//The 26th IEEE Annual International Symposium on Personal, Indoor, and Mobile Radio Communications. 2015: 943-948.

[15] YIN S X, ZHANG E Q, QU Z W, et al. Optimal cooperation strategy in cognitive radio systems with energy harvesting[J]. IEEE Transactions on Wireless Communications, 2014, 13(9): 4693-4707.

[16] MAKKI B, SVENSSON T, ERIKSSON T, et al. On the throughput and outage probability of multi-relay networks with imperfect power amplifiers[J]. IEEE Transactions on Wireless Communications, 2015, 14(9): 4994-5008.

[17] 柴争义, 王秉, 李亚伦. 拟态物理学优化的认知无线电网络频谱分配[J]. 物理学报, 2014, 63(22): 433-438.

CHAI Z Y, WANG B, LI Y L. Spectrum allocation of cognitive radio network based on artificial physics optimization[J]. Acta Physical Sinica, 2014, 63(22): 433-438.

[18] GAO H Y, LI C W. Quantum-inspired bacterial foraging algorithm for parameter adjustment in green cognitive radio[J]. Journal of Systems Engineering and Electronics, 2015, 26(5): 1-9.

[19] GAO H Y, ZHANG S B, DU Y N, et al. Relay selection scheme based on quantum differential evolution algorithm in relay networks[J]. KSII Transactions on Internet & Information Systems, 2017, 11(7): 3501-3523.

[20] YANG X S, GANDOMI A H. Bat algorithm: a novel approach for global engineering optimization[J]. Engineering Computations: International Journal for Computer-Aided Engineering and Software, 2012, 29(5): 464-483.

Optimal cooperative strategy based on quantum bat for cognitive radio of energy harvesting

GAO Hongyuan, DU Yanan, ZHANG Shibo, LIU Dandan

College of Information and Communication Engineering, Harbin Engineering University, Harbin 150001, China

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.

cognitive relay radio, energy harvesting, cooperative strategy, quantum bat algorithm, 5G network

TN914.34

10.11959/j.issn.1000−436x.2018149

高洪元（1977−），男，黑龙江木兰人，博士，哈尔滨工程大学副教授、博士生导师，主要研究方向为无线通信系统、阵列信号处理、智能计算理论及应用。