認知無線電網絡中接入控制和功率波束形成的聯合優(yōu)化

朱 江，杜清敏，巴少為

(重慶郵電大學 重慶市移動通信重點實驗室，重慶 400065) (*通信作者電子郵箱1589481873@qq.com)

認知無線電網絡中接入控制和功率波束形成的聯合優(yōu)化

朱 江，杜清敏*，巴少為

(重慶郵電大學 重慶市移動通信重點實驗室，重慶 400065) (*通信作者電子郵箱1589481873@qq.com)

在認知無線電網絡中，針對魯棒性的多用戶接入控制和發(fā)射功率波束形成的聯合優(yōu)化問題，提出了基于熵函數光滑近似的聯合優(yōu)化方案。首先，利用L0-范數最小化將接入控制和發(fā)射功率波束兩個優(yōu)化問題轉化為一個聯合優(yōu)化問題；然后，利用基于熵函數光滑近似的方法對L0-范數的非凸性及不連續(xù)性問題加以優(yōu)化；最后，由于光滑可微的目標函數為單峰函數，將問題變形為增廣Lagrange函數，利用Armijo梯度下降法得到問題的最優(yōu)解。數值結果分析表明：新算法在信干噪比(SINR)較低時雖然所提算法的接入量無明顯提高，但是在SINR較高時所提算法能顯著降低發(fā)射功率并提高次用戶的接入量。模型中對不確定的信道狀態(tài)信息(CSI)加以分析，可以使網絡更好地適應外界的變化，提高網絡的可靠性，所提算法可以有效地實現網絡資源的優(yōu)化配置，提高網絡性能。

認知無線電網絡; 接入控制；發(fā)射功率波束形成；增廣Lagrange函數；Armijo梯度下降法

0 引言

認知無線電技術通過頻譜資源共享可以有效地提高頻譜利用率[1]。在underlay頻譜共享認知無線電網絡中，認知用戶(次用戶)在不對主用戶產生有害干擾下與授權用戶(主用戶)占用相同的頻譜完成自身通信[2]。而且，隨著多天線技術的發(fā)展，多輸入多輸出(Multiple-Input-Multiple-Output， MIMO)技術在抑制干擾方面具有重要的優(yōu)勢[3]，在不增加帶寬和功率的情況下可以成倍地提高無線通信系統的容量和頻譜效率。另外，利用波束形成技術進行干擾控制可以根據環(huán)境的變化自適應地調整陣列天線方向圖，將主瓣指向所需信號方向并使其零陷對準干擾方向，盡可能地提高陣列輸出所需信號的強度，同時降低干擾信號的強度，從而有效地降低對主用戶(Primary User， PU)的干擾以及提高次用戶(Secondary User, SU)的通信質量[4]。然而，在認知無線電網絡中，系統性能很容易因為環(huán)境的變化而變差甚至原來的鏈路組合達不到主/次用戶的服務質量(Quality of Service， QoS)而失效(即系統不可行)。在這種情況下，面臨著如何選擇次用戶接入和發(fā)射功率波束兩個難題，因此，接入控制和發(fā)射功率波束是認知無線電網絡中亟需解決的關鍵問題。

當系統可行時，主要是優(yōu)化速率和資源效率，使速率最大化或者資源效率最優(yōu)化[5-9]，例如文獻[5]在MIMO認知無線電網絡中，提出了聯合功率分配和傳輸波束形成的優(yōu)化算法，提高了網絡的資源效率。隨著環(huán)境的變化系統不可行時，所有的次用戶不可能同時接入同一信道進行通信，例如文獻[10-14]。針對如何選擇次用戶的接入問題，一個準確的方法是枚舉法(ENUMeration， ENUM)，對文獻[15]中的所有可能情況(即用戶集合的所有子集)一個不漏地進行檢查，因此枚舉法的復雜度太高而不可取。考慮到接入控制是非確定性多項式(Non-deterministic Polynomial，NP)問題，為降低復雜度而選擇尋找近似解。文獻[10]提出了基于Butussi Bengtsson的通縮算法(Inflation based on the Butussi-Bengtsson approach，I-BB)，是一種低復雜度的算法，類似貪婪算法，固定已經接入用戶的發(fā)射功率波束，在QoS控制下，聯合優(yōu)化候選用戶的發(fā)射功率波束。文獻[11]在單元網絡中，提出了基于混合整數規(guī)劃的聯合優(yōu)化方案，通過半正定規(guī)劃(SemiDefinite Programming， SDP)得到問題的最優(yōu)解。文獻[12]在協作多單元小區(qū)中，將聯合優(yōu)化問題規(guī)劃為L0-范數形式的組合問題，由于L0-范數問題的NP問題再規(guī)劃為L1-范數形式得到問題的最優(yōu)解，因此：1)采用枚舉法，算法的計算復雜度過高；2)貪婪算法雖然具有復雜度低的優(yōu)勢但是不從整體最優(yōu)上加以考慮，可能僅得到局部最優(yōu)解；3)凸優(yōu)化在轉化過程中會造成可行域范圍的增大或減小，因此最優(yōu)解可能會有或大或小的偏離；4)多數情況下，L0-范數最小問題與L1-范數最小問題等價條件是不滿足的[14]。

現有的優(yōu)化算法一般無法同時具有低復雜度和最優(yōu)解的特點。本文從復雜度以及最優(yōu)解的角度考慮，提出了基于熵函數光滑近似的聯合優(yōu)化方案。在認知無線電網絡中，underlay頻譜共享依賴于認知用戶對信道狀態(tài)信息(Channel State Information，CSI)的準確估計，因此，本文考慮夾雜范數有界的不確定信息的信號狀態(tài)信息。首先，推導出信道信息的數學表達式，對優(yōu)化問題進行描述。其次，將接入控制和發(fā)射功率波束這兩個數學問題描述為L0-范數形式的聯合優(yōu)化問題，考慮到L0-范數問題的非凸性和NP問題，將其重新規(guī)劃為基于熵函數光滑近似的聯合優(yōu)化問題，由于光滑可微的目標函數為單峰函數，將問題變形為增廣Lagrange函數，利用Armijo梯度下降法得到問題的最優(yōu)解。數值結果分析表明：相比其他聯合優(yōu)化算法，雖然當信干噪比(Signal-to-Interference-plus-Noise Ratio，SINR)較低時所提算法的接入量無明顯提高，但是當SINR較高時所提算法可以有效地降低發(fā)射功率并提高次用戶的接入量。

本文中，(·)H表示對矩陣或向量進行共軛轉置；E{·}表示期望值；tr(·)表示矩陣的跡；‖·‖F表示Euclidian范數；‖·‖0表示非0元素的個數。

1 系統模型

考慮一個多用戶的下行認知通信網絡，SU采用underlay接入方式和PU共享頻譜。次用戶受到來自主基站發(fā)射信號的干擾(本文看作噪聲干擾)，同時，PU受到來自認知基站發(fā)射信號的干擾。如圖1所示，系統包括一個主網絡和一個認知網絡，主網絡包括一個配置Np根天線的發(fā)射基站和一個配置1根天線的PU。認知網絡包括一個配置Ns根天線的發(fā)射基站和K個配置1根天線的SU，S={1,2,…,K}。為了突顯認知網絡，降低系統的復雜度，本文僅考慮一個PU存在的情景且主基站分配確定的發(fā)射功率波束，本文提的算法能夠擴展到存在多個主用戶網絡環(huán)境中。從認知基站發(fā)出的信號xs∈CNs×1為：

xs=Tss

(1)

圖1 主、次用戶共享網絡模型

然而在實際應用中，由于對信道的不準確估計、接收方對CSI的量化錯誤或者過時的反饋、通信雙方信道的延時和頻率偏移等因素使發(fā)送方和接收方無法獲知完美的CSI。由于過大的CSI誤差會使系統性能嚴重降低，所以需要考慮信道的不完美性。為了規(guī)避時分雙工系統的量化錯誤和頻分雙工系統的評估錯誤，采用范數有界信道信息的信道模型，即hk=h^k+ek。其中，hk∈C1×Ns表示認知發(fā)射基站和第k個SU間完美的獨立同分布的信道信息；h^k∈C1×Ns表示認知發(fā)射基站獲知的確定的不完美信道信息；ek∈C1×Ns表示范數有界的不確定信道信息，‖ek‖F≤δk，那么，第k個SU接收到的信號為：

(2)

(3)

對PU的干擾為：

(4)

第k個SU接收到通信信號表示為：

(5)

(6)

其他SU對第k個SU產生的干擾信號可以重新表示為：

(7)

SU對PU產生的干擾信號可以重新表示為：

(8)

2 接入控制和發(fā)射功率波束的聯合優(yōu)化方案

2.1 問題描述

由于實際情況下，發(fā)射功率波束的優(yōu)化可能因為某些原因不可行，例如：1)兩個用戶或者多個用戶的信道增益矢量共線或者具有較高的相關性；2)PU的干擾溫度門限較低或者次用戶的SINR較高；3)次用戶的數量較多，遠遠超出認知基站天線的數量；因此本文的優(yōu)化目標是接入控制和發(fā)射功率波束形成的聯合優(yōu)化。

在PU的溫度干擾門限和次用戶SINR的約束下，如何實現接入控制和發(fā)射功率波束形成的聯合優(yōu)化問題可以看作兩個優(yōu)化問題。其中，次用戶的SINR約束可以表示為：

(9)

第一個優(yōu)化問題為接入量最大化問題，即：

(10)

s.t. c1:SINRk≥rk,k=1,2,…,K

第二個優(yōu)化問題為發(fā)射功率波束最小化問題，即：

(11)

s.t. c1:SINRk≥rk,k=1,2,…,K

問題中次用戶的SINR約束可以變形為：

所以，式(11)中的信干噪比約束在最差情況下可以表示為：

(12)

利用拉格朗日乘數法找到最小的SINR，以達到目標SINR的門限要求。

定理1 式(12)可以重新寫為：

(13)

Δk的最小值為：

(14)

(15)

將目標函數和約束條件寫成式(16)：

(16)

(17)

得

(18)

若對式(16)的λ微分，將得到λ的最優(yōu)值λ*的條件為：

(19)

將式(19)代入式(18)，可以得到：

(20)

若對式(16)求二次微分：

(21)

證畢。

定理2 式(12)中的干擾溫度在最差情況下可以表示為：

(22)

Δ0的最大值為：

(23)

由于定理2的證明類似與定理1，所以證明略。

根據式(13)和(15)，CSI不完美時接入量最大化問題(即問題(10))可以改寫為：

(24)

發(fā)射功率波束最小化(即問題(11))可以改寫為：

(25)

2.2 聯合優(yōu)化問題的L0-范數形式

若將式(24)和式(25)中次用戶的SINR約束改寫為：

多目標優(yōu)化問題不能直接得到聯合優(yōu)化問題的最優(yōu)解，因此利用引理1將問題(10)和問題(11)轉化為L0-范數形式的聯合優(yōu)化問題，即：

(26)

其中參數β滿足：

0<β<β1:=1/Pmax

(27)

式(26)中，目標函數的第一項‖x‖0表示不能接入信道的次用戶數目。如果最大的次用戶接入組合不止一個(即問題(10)不止1個最優(yōu)解)，目標函數的第二項可以挑選發(fā)射功率波束最小的次用戶集合。

式(26)中，由于‖x‖0的存在且L0-范數優(yōu)化問題是非凸的及不連續(xù)的；又因為Amaldi等[16]表明L0-范數優(yōu)化問題是一個NP問題，所以式(21)是一個NP問題。

2.3 基于熵函數光滑近似的聯合優(yōu)化

由于L0-范數優(yōu)化問題中目標函數的第一項可以近似表示為：

(28)

其中參數α>0。

又由于極大熵函數ρ-1ln[exp(-ρt)+exp(ρt)]是最大值函數max{t,-t}的一個光滑近似[17]。其中，參數ρ>0，t為變量，所以用

ρ-1ln[exp(-ρxk)+exp(ρxk)]

(29)

代替式(28)中的max{xk,-xk}，因此將式(26)近似為：

(30)

定理4 對于?x，當參數α>0，ρ>0時，有

證明 對于?x，α>0，ρ>0時，有

αmax{xk,-xk})≤(αln 2)/ρ

所以

由文獻[18]可知：

所以

因此

證畢。

式(30)中的目標函數在xk≥0,?k時為單峰函數且光滑可微函數，且c1,c2和c3也連續(xù)可微。構造增廣Lagrange目標函數，然后利用Armijo梯度下降法求解。

(31)

λ1和λ2為非負的Lagrange乘子。式(31)可重寫為：

(32)

增廣Lagrange目標函數的一階微分為：

(33)

其中：

(34)

另外

(35)

(36)

(37)

每次迭代過程中λ1和λ2的更新值為：

(38)

其中0≤γ1,γ2≤1。

原問題的對偶函數為：

(39)

2.4 接入控制和發(fā)射功率波束形成的聯合優(yōu)化算法

算法1 接入控制和發(fā)射功率波束形成的聯合優(yōu)化算法。

1)初始化。設定PU和SU的增益矢量h0和hk,k∈S，干擾溫度門限值Ith，功率波束tk,?k等系統參數，迭代次數n:=1。

3)判斷是否滿足終止條件：

a)如果是，輸出次用戶的接入組合和發(fā)射功率波束；

b)如果否，刪除SINR最差的次用戶，n:=n+1，返回步驟2)。

2.5 算法的計算復雜度分析

本文算法由于目標函數為單峰函數且光滑可微，可利用增廣Lagrange函數求解最優(yōu)解。Armijo梯度下降法取決于Armijo步長的大小和終止精度，但是其復雜度遠遠低于內點法，本文算法的復雜度為O(K×N×time×log(1/ε))，其中：N表示迭代次數；time表示Armijo梯度下降法執(zhí)行次數。而基于半正定放縮的通縮(Deflation based on SemiDefinite Relaxation，D-SDR)是SDP問題，根據文獻[19]可知，SDP算法的復雜度為O(n0.5(m×n3+m3×n2+m3))，其中m是約束條件的個數，n是半定錐的維度，所以D-SDR的復雜度為O((K+2)5.5log(1/ε))，其中ε是2進制變量終止時的精度。本文算法與D-SDR算法、I-BB算法、枚舉(ENUM)算法對比的復雜度如表1所示。

3 仿真結果與分析

實驗1比較了隨著次用戶目標SINR的增大，本文算法、ENUM、D-SDR和I-BB的接入量，其中εk=0(k=1,2,…,K)，Ith=3 dB。從圖3(a)中可以看出，在SINR較低時本文算法的接入量并未明顯得到提高，但是在SINR較高時本文算法能接入較多數量的用戶。這是因為D-SDR忽略秩為1的近似，增大了可行域的范圍；而本文算法只是對接入量進行了近似，由于貪婪算法本身所具有的性質，尋找當前情況下的最優(yōu)解(即局部最優(yōu)解)，所以性能較差。

圖3 不同算法的次用戶性能對比

從圖3(b)中可以看出，隨著次用戶目標SINR的增大，除了I-BB算法，用戶的平均發(fā)射功率不斷提高，也就是說為了維持次用戶的正常通信需要較多的功率消耗，但I-BB算法在目標SINR增大的前半部分，消耗的功率隨之減少。這是因為平均功率與次用戶的接入量和SINR都有關系，而且I-BB算法僅僅是隨機接入可行次用戶，尋找局部最優(yōu)。當目標SINR較高時，本文算法接入的次用戶數目多于其他算法，同時平均消耗的發(fā)射功率較小。所以，從整體來看，本文算法的性能優(yōu)于其他算法。值得注意的是，因為干擾的存在且所接入的次用戶和消耗的功率不是線性關系，單純地觀察信干噪比和功率的關系沒有意義。

圖4是主用戶鏈路存在與否的對比，從圖4中可以看出當PU鏈路不存在時，允許接入的次用戶明顯比較多，這是因為主用戶不存在時，不用考慮PU干擾溫度的影響。仍然，信干噪比與功率的關系對比在此時沒有意義。

圖4 PU存在與否時次用戶接入量的對比

實驗2進一步探究本文方案的魯棒性問題，Ith=3 dB，圖5比較了隨著不確定信息‖Δk‖F增大，不同SINR門限約束下所接入次用戶的平均數量。可以看出，rk相同時隨著不確定信息的增加，接入的用戶隨之減少。‖Δk‖F相同時隨著rk的增大，接入的用戶也隨之減少。為了使用戶能正常通信，需要以較高的發(fā)射功率為代價，但是由于主用戶的存在，次用戶的平均接入量會隨之降低。分析可知，接入用戶減少，發(fā)射功率會相應地減少；當接入量相同時，由于‖Δk‖F增大，發(fā)射功率會出現增加的趨勢，因此，功率和‖Δk‖F以及次用戶的接入量都有關系，單純地比較發(fā)射功率與‖Δk‖F的關系沒有意義。

圖5 次用戶的接入量的魯棒性對比

4 結語

本文分析了認知無線電網絡中魯棒性的接入控制和發(fā)射波束形成的聯合優(yōu)化問題。當信道狀態(tài)信息包含范數有界的不確定信息時，在PU溫度干擾門限和次用戶QoS(即SINR)的約束下，針對接入控制問題這一NP問題提出了基于熵函數光滑近似的聯合優(yōu)化方案，然后將問題變形為增廣Lagrange函數利用Armijo梯度下降法得到問題的最優(yōu)解。數值結果分析表明：相比其他的聯合優(yōu)化算法，在信干噪比較低時本文算法的接入量并未明顯提高，但是在信干噪比較高時本文算法能消耗較低發(fā)射功率接入較多數量的用戶。下一步工作，將對MIMO認知系統中結合功率和速率的聯合優(yōu)化問題進行探究。

References)

[1] XU Y, ZHAO X. Distributed power control for multiuser cognitive radio networks with quality of service and interference temperature constraints [J]. Wireless Communications & Mobile Computing, 2015, 15(14):1773-1783.

[2] SLIMENI F, SCHEERS B, LE NIR V, et al. Learning multi-channel power allocation against smart jammer in cognitive radio networks [C]// ICMCIS 2016: Proceedings of the 2016 International Conference on Military Communications and Information Systems. Piscataway, NJ: IEEE, 2016: 1-7.

[3] SCUTARI G, PALOMAR D P, BARBAROSSA S. Cognitive MIMO radio [J]. IEEE Signal Processing Magazine, 2008, 25(6): 46-59.

[4] 郭艷,朱方軍,李寧,等.MIMO認知無線電網絡中的聯合收發(fā)波束形成算法研究[J].通信學報,2015,36(3):20-28.(GUO Y, ZHU F J, LI N, et al. Joint transceiver beamforming in MIMO cognitive radio network [J]. Journal on Communications, 2015, 36(3): 20-28.)

[5] ZHANG X, LI H, LU Y, et al. Distributed energy efficiency optimization for MIMO cognitive radio network [J]. IEEE Communications Letters, 2015, 19(5): 847-850.

[6] JIN S, ZHANG X. Optimal energy efficient scheme for MIMO-based cognitive radio networks with antenna selection [C]// CISS 2015: Proceedings of the 2015 49th Annual Conference on Information Sciences and Systems. Piscataway, NJ: IEEE, 2015: 1-6.

[7] CHAUDHARI S, CABRIC D. Downlink transceiver beamforming and admission control for massive MIMO cognitive radio networks [C]// Proceedings of the 2015 49th Asilomar Conference on Signals, Systems and Computers. Piscataway, NJ: IEEE, 2015: 1257-1261.

[8] FU L, JOHANSSON M, BENGTSSON M. Energy efficient transmissions in cognitive MIMO systems with multiple data streams [J]. IEEE Transactions on Wireless Communications, 2015, 14(9): 5171-5184.

[9] NI J, XIAO H. Game theoretic approach for joint transmit beamforming and power control in cognitive radio MIMO broadcast channels [J]. EURASIP Journal on Wireless Communications and Networking, 2016, 2016(1): 1-10.

[10] BUTUSSI M, BENGTSSON M. Low complexity admission in downlink beamforming [C]// Proceedings of 2006 IEEE International Conference on Acoustics Speech and Signal Processing. Piscataway, NJ: IEEE, 2006: 261-264.

[11] MATSKANI E, SIDIROPOULOS N, TASSIULAS L, et al. Convex approximation techniques for joint multiuser downlink beamforming and admission control [J]. IEEE Transactions on Wireless Communication, 2008, 7(7): 2682-2693.

[12] WAI H T, MA W K. A decentralized method for joint admission control and beamforming in coordinated multicell downlink [C]// ASILOMAR 2012: Proceedings of the 2012 Conference Record of the Forty Sixth Asilomar Conference on Signals, Systems and Computers. Piscataway, NJ: IEEE, 2012: 559-563.

[13] DU H, RATNARAJAH T. Robust utility maximization and admission control for a MIMO cognitive radio network [J]. IEEE Transactions on Vehicular Technology, 2013, 62(4): 1707-1718.

[14] LIU Y F, DAI Y H, LUO Z Q. Joint power and admission control via linear programming deflation [J]. IEEE Transactions on Signal Process, 2013, 6(6): 1327-1338.

[15] ISLAM M H, LIANG Y C, HOANG A T. Joint power control and beamforming for cognitive radio networks [J]. IEEE Transactions on Wireless Communications, 2008, 7(7): 2415-2419.

[16] AMALDI E, KANN V. On the approximability of minimizing nonzero variables or unsatisfied relations in linear systems [J]. Theoretical Computer Science, 1998, 209(1/2): 237-160.

[17] DONOHO D L, ELAD M. Optimally sparse representation in general (nonorthogoinal) dictionaries via L1 minimization [J]. Proceedings of the National Academy of Science of the United States of America, 2003, 100(5): 2197-2202.

[18] LOBO M S, VANDENBERGHE L, BOYD S, et al. Applications of second-order cone programming [J]. Linear Algebra and Its Applications, 1998, 284(1/2/3): 193-228.

[19] RIGGS J E, GUO Z X, CARROLL D L, et al. Strong lumines-cence of solubilized carbon nanotubes [J]. Journal of the American Chemical Society, 2000, 122(24): 5879-5880.

This work is partially supported by the National Natural Science Foundation of China (61102062, 61271260), the Natural Science Foundation of Chongqing Science and Technology Commission (cstc2015jcyjA40050).

ZHUJiang, born in 1977, Ph. D., associate professor. His research interests include communication theory and technology, information security.

DUQingmin, born in 1990, M. S. candidate. Her research interests include cognitive radio.

BAShaowei, born in 1991, M. S. candidate. Her research interests include cognitive radio.

Jointoptimizationofadmissioncontrolandpowerbeamformingalgorithmincognitiveradionetwork

ZHU Jiang, DU Qingmin*, BA Shaowei

(ChongqingKeyLaboratoryofMobileCommunicationsTechnology,ChongqingUniversityofPostsandTelecommunications,Chongqing400065,China)

In cognitive radio networks, for the robust joint optimization problem of multiuser admission control and power beamforming, a joint optimization scheme based on smooth approximation of entropy function was proposed. Firstly, the two optimization problems of admission control and transmit power beams were converted into a joint optimization problem byL0-norm minimization. Secondly, the method of smoothing approximation based on entropy function was used to optimize the non-convexity and discontinuity ofL0-norm. Finally, since the objective function was smooth, differentiable and unimodal function, the problem was transformed into the Lagrange function, and Armijo gradient descent method was used to get the optimal solution. The numerical results show that by using the proposed algorithm, the number of admitted uses is not significantly increased when the Signal-to-Interference-plus-Noise Ratio (SINR) is relatively low, but the transmission power consumption is decreased and the number of admitted uses is increased when SINR is relatively high. The uncertain Channel State Information (CSI) of model is analyzed, which can make the network better adapt to the changes of the outside world and improve the reliability of the network. The proposed algorithm can effectively realize the optimal allocation of the network resources and improve the network performance.

cognitive radio network; admission control; transmission power beamforming; augmented Lagrange function; Armijo gradient descent method

TN929.5; TP393

:A

2016- 12- 14;

:2017- 03- 08。

國家自然科學基金資助項目(61102062， 61271260)；重慶市科委自然科學基金資助項目(cstc2015jcyjA40050)。

朱江(1977—)，男，湖北荊州人，副教授，博士，主要研究方向：通信理論與技術、信息安全； 杜清敏(1990—)，女，河北石家莊人，碩士研究生，主要研究方向：認知無線電； 巴少為(1991—)，女，湖北天門人，碩士研究生，主要研究方向：認知無線電。

1001- 9081(2017)07- 1830- 07

10.11772/j.issn.1001- 9081.2017.07.1830