高洪元，杜亞男，張世鉑，劉丹丹

?

能量采集認知無線電的量子蝙蝠最優(yōu)合作策略

高洪元，杜亞男，張世鉑，劉丹丹

（哈爾濱工程大學信息與通信工程學院，黑龍江 哈爾濱 150001）

為了減少5G網(wǎng)絡(luò)中認知中繼無線通信系統(tǒng)的能量消耗并提高網(wǎng)絡(luò)的頻譜利用，在無線能量采集認知中繼無線電系統(tǒng)中設(shè)計最優(yōu)合作策略。針對所提最優(yōu)合作策略，推導出次用戶的最大吞吐量方程和中斷概率?；诹孔佑嬎愫万鹚惴ǖ膬?yōu)化機制設(shè)計的量子蝙蝠優(yōu)化算法可有效求解所推導的最大吞吐量方程，同時獲得能量和信息合作傳輸?shù)淖顑?yōu)方案。仿真結(jié)果表明，所設(shè)計的最優(yōu)合作策略不僅可以滿足主用戶的信息傳輸需求，還可以實現(xiàn)次用戶系統(tǒng)的能量自供應(yīng)，并提升次用戶的通信質(zhì)量，針對不同的仿真場景，所提策略性能均優(yōu)于已有認知中繼無線電合作策略的性能。

認知中繼無線電；能量采集；合作策略；量子蝙蝠算法；5G網(wǎng)絡(luò)

1 引言

隨著無線通信應(yīng)用技術(shù)的快速發(fā)展，5G通信網(wǎng)絡(luò)必然面對一些挑戰(zhàn)，比如頻譜共享和能源短缺，因此認知無線電技術(shù)[1]和能量采集技術(shù)[2]受到5G通信領(lǐng)域的廣泛關(guān)注。相比于傳統(tǒng)的通信系統(tǒng)，能量采集系統(tǒng)能夠從周圍環(huán)境中采集能量[3-4]，為能量受限的通信系統(tǒng)提供新的能源供應(yīng)方式[5]。隨著無線設(shè)備和服務(wù)的增加，頻譜效率的改進已是重要的難題[6-7]，認知無線電是解決該難題的一個有效技術(shù)[8]，但認知無線電需要較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認知無線電系統(tǒng)在利用接收到的信號自供應(yīng)能量的同時，還可有效利用頻譜資源，這成為當前研究的熱點。

如何使認知無線電在采集能量和有效利用頻譜效率的同時，盡可能多地為次用戶提供通信機會和增大吞吐量成為當前急需解決的問題。合作通信[10]和中繼通信[11-12]是認知無線電當前研究的熱點[13]，主用戶和次用戶可以積極地合作進而尋找機會來更有效地進行數(shù)據(jù)傳輸。

在合作認知無線電系統(tǒng)中，當主用戶繁忙時，次用戶可以作為中繼去提高主用戶的傳輸能力，進而提高次用戶的傳輸機會。然而現(xiàn)存的合作通信很少能把信息傳輸與能量采集很好地結(jié)合起來[14]。基于此，文獻[15]提出了一種信息和能量協(xié)同傳輸?shù)恼J知無線電中繼系統(tǒng)，次用戶在采集能量的同時進行信息傳輸，但該方法在中繼傳輸?shù)耐瑫r沒有考慮次用戶對主用戶的信號進行能量采集，故可進一步發(fā)展。

本文深入研究了5G網(wǎng)絡(luò)中的認知中繼無線電系統(tǒng)，提出新的時隙結(jié)構(gòu)和最優(yōu)合作策略，綜合考慮能量采集、頻譜利用和系統(tǒng)吞吐量最大化，主要貢獻如下。

1) 提出能量采集認知中繼無線電系統(tǒng)的時隙結(jié)構(gòu)和最優(yōu)合作方案，推導出次用戶的最大吞吐量方程和次用戶的中斷概率。

2) 基于量子機制和蝙蝠算法，設(shè)計量子蝙蝠算法實現(xiàn)合作認知中繼無線電的合作方案，可以保證在滿足主用戶數(shù)據(jù)傳輸?shù)耐瑫r，最大化次用戶的吞吐量。

3) 仿真結(jié)果不僅給出了系統(tǒng)性能與系統(tǒng)參數(shù)之間的關(guān)系，還與現(xiàn)有的認知中繼無線電合作策略進行對比，證明了所提方法具有更好的吞吐量性能、較易理解的實現(xiàn)方式和更廣泛的應(yīng)用前景。

2 能量采集認知中繼無線電系統(tǒng)模型

2.1 合作認知中繼無線電系統(tǒng)模型

由主用戶和次用戶組成的合作認知中繼無線電系統(tǒng)如圖1所示。其中，主用戶包括主用戶發(fā)射機（PT, primary transmitter）和主用戶接收機（PR, primary receiver），次用戶包括次用戶發(fā)射機（ST, secondary transmitter）和次用戶接收機（SR, secondary receiver）。主用戶可以在任何時刻通過其授權(quán)信道對其存儲在緩存中確定數(shù)量的數(shù)據(jù)進行傳輸。在每個時隙，主用戶先使用授權(quán)信道去傳輸它的數(shù)據(jù)，當其數(shù)據(jù)傳輸完成后，主用戶停止傳輸數(shù)據(jù)，其授權(quán)信道此時狀態(tài)為空閑。在不影響主用戶的前提下，次用戶此時可以利用主用戶空閑的授權(quán)信道進行數(shù)據(jù)傳輸。根據(jù)需要，次用戶可作為協(xié)作中繼幫助主用戶快速傳輸數(shù)據(jù)。此外，次用戶在每個時隙分出部分時間進行能量采集以協(xié)助其信息傳輸，因此次用戶不需要專門的能量供應(yīng)設(shè)備。

圖1 合作認知中繼無線電系統(tǒng)示意

2.2 最優(yōu)合作策略

圖2 認知中繼無線電系統(tǒng)的時隙劃分

由圖2可知，每個時隙均被劃分為3個階段，每個階段主用戶和次用戶的具體工作過程如下。

2.3 吞吐量方程

針對圖2的最優(yōu)時隙合作模式，次用戶的吞吐量方程為

其中，式(3)的第一個約束確保合作傳輸時間不大于次用戶能量采集后剩下的時間；第二個約束確保次用戶采集的能量不小于合作傳輸過程中次用戶消耗的能量；第三個約束為功率約束，保證合作傳輸過程中次用戶傳輸功率不小于0；第四個約束為時間約束，保證合作傳輸過程的時間不小于0且有上限。

2.4 中斷概率分析

在瑞利衰落信道條件下，中斷概率可以表示為

3 基于量子蝙蝠算法的認知中繼無線電合作策略

獲得每個時隙次用戶的最大吞吐量是一個有約束的連續(xù)優(yōu)化問題，可以使用智能優(yōu)化算法來求解。近年來，擬態(tài)物理學優(yōu)化[17]和量子細菌覓食算法[18]等智能優(yōu)化算法在認知無線電中得到了廣泛應(yīng)用，通過改進移植可用于求解所推導的吞吐量方程。對于所提出的優(yōu)化問題，由于待優(yōu)化變量的定義域相差過大，因此傳統(tǒng)的連續(xù)優(yōu)化算法很難快速求得高精度結(jié)果。為了能夠更好地求解所推導的吞吐量方程，通過結(jié)合量子演化理論[19]和傳統(tǒng)蝙蝠算法[20]的定位機理，利用量子蝙蝠算法對所要優(yōu)化的問題進行求解。

3.1 量子蝙蝠算法

每只量子蝙蝠都可根據(jù)所設(shè)計的2種量子演進策略進行量子位置的更新。一種是通過量子蝙蝠自身的量子位置向全局最優(yōu)量子位置和群體經(jīng)驗學習進行更新；另一種是通過全局最優(yōu)量子位置，使量子蝙蝠向全局最優(yōu)量子位置方向演進或?qū)θ肿顑?yōu)量子位置周邊進行搜索。

3.2 量子蝙蝠算法的復(fù)雜度分析

對于提出的量子蝙蝠算法，所有量子蝙蝠在每次迭代中需對各自的頻率進行更新，群體中有只量子蝙蝠，則每次迭代中所有量子蝙蝠頻率的計算復(fù)雜度為()。每只量子蝙蝠需更新每一維的速度及量子位，由于優(yōu)化問題維數(shù)為，則每次迭代更新速度及量子位的計算復(fù)雜度為(2)。根據(jù)脈沖發(fā)射率，每一代種群所有量子蝙蝠的量子旋轉(zhuǎn)角和量子位置的計算復(fù)雜度為(2)。在每次迭代中，需要進行貪婪選擇，將所有量子蝙蝠的量子區(qū)間映射到定義域區(qū)間，然后更新響度和脈沖發(fā)射率，此部分計算復(fù)雜度為(6)。

因此，到量子蝙蝠算法的第次迭代為止，計算復(fù)雜度為((7+4))。

3.3 基于量子蝙蝠算法的最優(yōu)合作策略

步驟1 根據(jù)所提出的無線能量采集認知中繼無線電模型，確定待優(yōu)化變量及目標方程。

步驟2 算法初始化，隨機初始化量子位置和速度，給出初始的脈沖發(fā)射率、頻率和響度。

步驟3 計算每只量子蝙蝠的適應(yīng)度，選擇適應(yīng)度最好的量子蝙蝠位置所對應(yīng)的量子位置為全局最優(yōu)量子位置。

步驟4 更新每只量子蝙蝠的頻率，對量子蝙蝠群中每只量子蝙蝠的速度和位置進行演進，獲得新量子位置的適應(yīng)性，根據(jù)貪婪選擇機制選擇量子位置。

步驟5 對于群體中的每只量子蝙蝠，根據(jù)脈沖發(fā)射率，按照概率用2種策略對量子位置進行演進。計算演進后量子位置的適應(yīng)度，每只量子蝙蝠按照貪婪選擇機制對其量子位置進行選擇更新。

步驟6 計算當代演進出的最優(yōu)量子位置的適應(yīng)度，并與全局最優(yōu)量子位置進行比較，更新全局最優(yōu)量子位置。

4 仿真實驗和結(jié)果分析

4.1 認知中繼無線電次用戶中斷概率仿真結(jié)果

圖3 次用戶中斷概率與次用戶分配給合作中繼的功率的關(guān)系曲線

圖4 次用戶中斷概率與非合作傳輸階段次用戶的能量采集率的關(guān)系曲線

圖5 次用戶中斷概率與非合作傳輸階段次用戶用于能量采集的時間占有率的關(guān)系曲線

圖6 次用戶中斷概率與合作階段能量采集率的關(guān)系曲線

圖7 次用戶中斷概率與中繼傳輸時間占有率的關(guān)系曲線

圖8 次用戶中斷概率與次用戶目標吞吐量的關(guān)系曲線

4.2 量子蝙蝠算法的最優(yōu)合作策略仿真結(jié)果

圖9 2種智能優(yōu)化算法的最大適應(yīng)度均值和迭代次數(shù)關(guān)系曲線

圖10 次用戶最大吞吐量和環(huán)境信號采集率Xs的關(guān)系曲線

圖11 次用戶最大吞吐量隨和變化的關(guān)系曲線

圖12 最優(yōu)中繼功率和Xs的關(guān)系曲線

圖13 次用戶最大吞吐量隨和變化的關(guān)系曲線

4.3 仿真對比實驗

圖14 當時次用戶最大吞吐量的跡

圖15 3種合作策略吞吐量隨變化的關(guān)系曲線

圖16 3種合作策略吞吐量隨變化的關(guān)系曲線

5 結(jié)束語

本文提出了一種無線能量采集認知無線電的量子蝙蝠最優(yōu)合作策略，適合應(yīng)用在5G網(wǎng)絡(luò)等高性能系統(tǒng)。所提的合作策略不僅可以使次用戶系統(tǒng)自己提供能源，在保證不影響主用戶傳輸數(shù)據(jù)的同時，還可以最大化次用戶的吞吐量。和現(xiàn)有的認知無線電合作策略相比，所提策略具有更靈活的合作方式和更廣泛的應(yīng)用前景。

所提的量子蝙蝠算法將量子優(yōu)化理論和蝙蝠算法結(jié)合，設(shè)計了新的演化方程，提高了蝙蝠算法的開發(fā)和探索能力。其可以有效求解能量采集認知無線電系統(tǒng)的最大吞吐量方程，是具有良好性能的連續(xù)優(yōu)化算法，可獲得較好的系統(tǒng)參量。與現(xiàn)有的一些連續(xù)優(yōu)化算法相比，其具有較優(yōu)秀的收斂性能和較好的擴展性，可推廣應(yīng)用到其他工程問題的連續(xù)優(yōu)化中。

所設(shè)計的最優(yōu)合作策略在保證不影響主用戶傳輸數(shù)據(jù)的前提下，可以最大化次用戶的吞吐量。下一步工作將研究能量采集多用戶協(xié)同通信問題，推導出新的吞吐量方程，對諸如選擇哪些次用戶參與主用戶的協(xié)同傳輸、具體每一個次用戶的協(xié)同時隙如何劃分、每個次用戶的功率如何分配等問題進行深入的討論，設(shè)計新的最優(yōu)傳輸方案。

[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] 謝振威, 朱琦. 基于能量協(xié)作的認知能量采集網(wǎng)絡(luò)功率分配算法[J].通信學報, 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] 謝顯中, 羅瑩, 嚴可, 等. 認知無線電網(wǎng)絡(luò)中四維資源協(xié)作的研究現(xiàn)狀與未來方向[J]. 通信學報, 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] 劉建平, 金順福, 王寶帥. 基于排隊模型的混合overlay/underlay頻譜共享優(yōu)化策略研究[J]. 通信學報, 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] 柴爭義, 王秉, 李亞倫. 擬態(tài)物理學優(yōu)化的認知無線電網(wǎng)絡(luò)頻譜分配[J]. 物理學報, 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

A

10.11959/j.issn.1000?436x.2018149

高洪元（1977?），男，黑龍江木蘭人，博士，哈爾濱工程大學副教授、博士生導師，主要研究方向為無線通信系統(tǒng)、陣列信號處理、智能計算理論及應(yīng)用。

杜亞男（1992?），女，黑龍江訥河人，哈爾濱工程大學博士生，主要研究方向為量子優(yōu)化算法、群智能計算、認知無線電和陣列信號處理等。

張世鉑（1994?），男，黑龍江哈爾濱人，哈爾濱工程大學博士生，主要研究方向為智能計算、物聯(lián)網(wǎng)、5G網(wǎng)絡(luò)和認知中繼等。

劉丹丹（1991?），女，黑龍江海倫人，哈爾濱工程大學碩士生，主要研究方向為綠色認知無線電技術(shù)和智能計算。

2018?04?23；

2018?08?30

高洪元，gaohongyuan@hrbeu.edu.cn

國家自然科學基金資助項目（No.61571149）；中國博士后基金特別資助項目（No.2015T80325）

The National Natural Science Foundation of China (No.61571149), The Special China Postdoctoral Science Foundation (No.2015T80325)