作者简介:赵晓晖(1957-),男,教授,博士生导师.研究方向:信号处理理论在通信中的应用. E-mail:xhzhao@jlu.edu.cn
针对多中继认知OFDM协作系统的中继和功率分配采用的拉格朗日对偶分解法虽然具有较好的性能,但计算复杂度较高这一问题,提出了一种低复杂度的资源分配算法。该算法放宽了中继选择因子的整数约束条件,综合考虑认知用户各子载波的信道条件和对主用户的干扰进行中继选择。根据系统总功率和干扰约束的特点,提出一种次优功率分配算法对功率进行分步求解,在保证系统容量有所增加的基础上降低了算法的计算复杂度。仿真结果表明:本文提出的算法不仅保证了认知用户对主用户产生的干扰在临界值以内,而且使认知用户的系统容量得到了较大的提升,具有一定的可行性。
For resource allocation in multi-relay assisted OFDM radio systems, most current relay and power allocation algorithms use Lagrangian dual decomposition technique to find the optimal solutions. This approach has good performance but the computational complexity is higher. To solve this problem, a resource allocation algorithm with low computational complexity is proposed. The proposed algorithm relaxes the integrality constraint on the relay selection factor. It takes both subcarriers channel conditions and the interference to the primary users introduced by the secondary users into account in the relay selection. A sub-optimal power allocation scheme is given on the basis of the properties of the total system power and interference constraints, in which the power allocation is conducted step by step. The system capacity is guaranteed with lower computational complexity. Simulation results show that the proposed algorithm can ensure that the interference introduced to the primary users is within the threshold, and can also improve the system capacity of the secondary users at the same time. Thus, the feasibility of the proposed algorithm is verified.
随着无线通信业务需求的持续增长,各种新型无线接入方式不断出现,使得无线频谱资源变得越来越稀缺。作为一种新的无线通信设计理念,认知无线电具有较高的灵活性和智能性,它能通过感知无线通信环境来发现空闲频谱资源,并实时自适应地改变系统工作参数,为实现频谱的动态共享和提高频谱利用率开辟了新的研究方向[ 1]。
在带宽受限的无线信道中,多输入多输出(MIMO)通信技术[ 2]通过空间分集使系统容量和传输质量有了大幅提高。然而受到节点尺寸以及发射功率的限制,使MIMO通信技术的实现变得复杂和困难,严重阻碍了多天线技术在移动通信领域中的应用和发展。而协作通信[ 3]通过多用户之间共享天线和其他网络资源构造了一个虚拟多天线系统,再经分布式处理获得一定的空间分集增益,有效地解决了上述问题。因此,协作通信作为一种新型的通信模式受到人们越来越多的关注。
在协作通信系统中,中继节点的选取以及功率分配一直是人们研究的热点[ 4, 5, 6]。目前对于认知OFDM协作系统[ 7]的资源分配问题已经有了一些研究成果,文献[8]提出一种子载波和功率分配联合优化的资源分配算法,但其只适用于单中继认知OFDM协作系统。文献[9]采用拉格朗日对偶理论对多中继认知OFDM协作系统的中继选择及功率分配进行了研究,这种算法取得了很好的性能,但是计算复杂度很大,系统实现比较困难。文献[10]提出一种启发式的中继选择算法,这种算法放宽了中继选择因子的整数约束条件,根据不同准则定义中继选择因子,降低了计算复杂度。
本文在文献[10]的基础上,综合考虑认知用户的信道条件和对主用户的干扰进行中继选择。为了进一步降低复杂度,本文提出一种次优的分步功率分配算法。仿真结果表明,本文提出的优化算法在保证主用户服务质量不受影响的同时,使认知用户的系统容量得到了较大提升。
图1为一个两跳多中继认知OFDM协作系统。此系统含有一个认知用户网络和一个主用户网络,两个网络之间使用相互独立的频段进行数据传输。认知用户网络中含有一个源节点
假设信道衰落系数在每个传输时隙是不变的,考虑到无线信道的路径损耗特性,假定第
式中:
对式(1)进行
假设主用户的信道带宽为
在DF中继模式下,如果第
式中:
对于这个两跳多中继认知OFDM协作系统,第
式中:
相应地,主用户对认知用户的干扰可表示为:
式中:
本文研究的内容是在主用户干扰门限和系统总功率的约束下,通过合理的资源优化分配最大化认知用户的系统容量。这类优化问题可以表示为:
式中:
假设第
式中:
优化模型可以进一步转化为:
式中:
在上述问题的模型中涉及了连续变量和二进制变量,这是一个混合整数规划问题,考虑到计算的复杂性,很难找到一个最优解。
本文采取一种低复杂度的中继选择算法,暂时放宽对中继选择因子
式中:
对于两跳链路的中继协作网络,信道的传输特性在第一跳和第二跳中可能会相差很大,这样就会在一定程度上限制系统容量。因此,在中继选择方案确定之后,令选择中继
前面中继选择方案确定后,在主用户干扰门限和系统总功率的约束下,可进一步对源节点和各中继节点进行功率分配。这时,优化模型转化为:
这个问题的拉格朗日函数为:
式中:
求解上述问题需要求解多个拉格朗日乘子,此算法的时间复杂度为
2.3.1 分步功率分配算法
本文提出的分步功率分配算法,每次只考虑一个约束条件,对每个约束条件利用KKT条件进行求解,得到一个功率集合进而求得功率分配。
先忽略源节点和中继节点对主用户的干扰约束,只考虑总功率约束,那么优化问题转化为:
上述凸优化问题通过KKT条件[ 11]进行求解,可以得到:
式中:
类似地,分别只考虑源节点和中继节点对主用户的干扰约束条件,可得:
式中:
式中:
初步功率分配过程如下:
(1)对于源节点和中继节点的总功率约束条件,根据式(13)计算
(2)对于主用户干扰约束条件,分别根据式(14)和式(15)计算
(3)寻找满足源节点和中继节点干扰约束的
(4)为了使每个子载波满足所有约束条件,令源节点各子载波的发射功率为:
至此,所有约束条件均已满足。但是根据上述的功率分配算法,各子载波的发射功率并不一定达到某一约束条件的临界值,也就是功率并未分配完全。因此各子载波的发射功率可进一步增加,进而认知用户网络的系统容量也可得到提高。
令
根据每个子载波对主用户产生干扰的比例进一步分配最小残余干扰,从而更新源节点各子载波的发射功率。令
类似地,令
根据每个子载波分得功率的比例进一步分配残余功率,从而更新源节点各子载波的发射功率,也就是:
进一步的功率分配过程如下:
(1)分别计算
(2)如果上述求得的各子载波的发射功率不满足源节点和中继节点的总功率约束条件:
①计算残余功率
②如果上述求得的各子载波的发射功率不满足源节点和中继节点的干扰约束条件,则根据式(16)更新源节点各子载波发射功率。
至此,功率分配结束。分步功率分配方案的算法复杂度为
2 .3 .2 等功率分配方案
在等功率分配方案中,源节点各子载波分得相等的发射功率。根据源节点和中继节点对主用户网络的干扰约束条件,有
本文的仿真结果是通过10 000次蒙特卡洛仿真实验统计得到的。无线衰落信道增益服从式(1)定义的复高斯指数分布,其中参数设定为
主用户和认知用户使用相邻频段,频谱分布如图3所示,带宽分别为
图4为系统容量在不同方案随中继位置变化的曲线。图中的方案1:采用本文的中继选择方法和次优功率分配;方案2:采用本文的中继选择方法和最优功率分配;方案3:采用随机中继选择和次优功率分配;方案4:采用本文的中继选择方法和等功率分配。仿真条件为
图5给出了系统容量在不同方案下随总功率约束变化的曲线。仿真条件为
图6给出了系统容量在不同方案下随主用户干扰约束变化的曲线。仿真条件为
图7给出了不同方案系统容量随中继个数变化的曲线。这里取
仿真结果表明:从各个角度考虑系统容量的增加时,本文提出的算法都具有一定的优越性,可以根据实际问题选择不同的方案来实现多中继的认知 OFDM协作系统的资源分配。
提出了一种低复杂度的资源分配算法。该算法放宽了中继选择因子的整数约束条件,采用认知用户各子载波的有效信道增益与对主用户网络产生干扰的比值作为中继选择的标准,并采取一种次优的功率分配算法对功率进行分步求解,从而进一步降低了计算复杂度。仿真结果表明,本文算法在保证主用户服务质量的前提下,通过中继选择和功率分配提升了认知用户的系统容量。