能量采集認知無線電的量子蝙蝠最優合作策略

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網絡中認知中繼無線通信系統的能量消耗并提高網絡的頻譜利用，在無線能量采集認知中繼無線電系統中設計最優合作策略。針對所提最優合作策略，推導出次用戶的最大吞吐量方程和中斷概率。基于量子計算和蝙蝠算法的優化機制設計的量子蝙蝠優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的最優方案。仿真結果表明，所設計的最優合作策略不僅可以滿足主用戶的信息傳輸需求，還可以實現次用戶系統的能量自供應，并提升次用戶的通信質量，針對不同的仿真場景，所提策略性能均優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網絡

1 引言

隨著無線通信應用技術的快速發展，5G通信網絡必然面對一些挑戰，比如頻譜共享和能源短缺，因此認知無線電技術[1]和能量采集技術[2]受到5G通信領域的廣泛關注。相比于傳統的通信系統，能量采集系統能夠從周圍環境中采集能量[3-4]，為能量受限的通信系統提供新的能源供應方式[5]。隨著無線設備和服務的增加，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[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在利用接收到的信號自供應能量的同時，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據傳輸。

在合作認知無線電系統中，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。然而現存的合作通信很少能把信息傳輸與能量采集很好地結合起來[14]。基于此，文獻[15]提出了一種信息和能量協同傳輸的認知無線電中繼系統，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的同時沒有考慮次用戶對主用戶的信號進行能量采集，故可進一步發展。

本文深入研究了5G網絡中的認知中繼無線電系統，提出新的時隙結構和最優合作策略，綜合考慮能量采集、頻譜利用和系統吞吐量最大化，主要貢獻如下。

1) 提出能量采集認知中繼無線電系統的時隙結構和最優合作方案，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，設計量子蝙蝠算法實現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據傳輸的同時，最大化次用戶的吞吐量。

3) 仿真結果不僅給出了系統性能與系統參數之間的關系，還與現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、較易理解的實現方式和更廣泛的應用前景。

2 能量采集認知中繼無線電系統模型

2.1 合作認知中繼無線電系統模型

由主用戶和次用戶組成的合作認知中繼無線電系統如圖1所示。其中，主用戶包括主用戶發射機（PT, primary transmitter）和主用戶接收機（PR, primary receiver），次用戶包括次用戶發射機（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信道對其存儲在緩存中確定數量的數據進行傳輸。在每個時隙，主用戶先使用授權信道去傳輸它的數據，當其數據傳輸完成后，主用戶停止傳輸數據，其授權信道此時狀態為空閑。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信道進行數據傳輸。根據需要，次用戶可作為協作中繼幫助主用戶快速傳輸數據。此外，次用戶在每個時隙分出部分時間進行能量采集以協助其信息傳輸，因此次用戶不需要專門的能量供應設備。

圖1 合作認知中繼無線電系統示意

2.2 最優合作策略

圖2 認知中繼無線電系統的時隙劃分

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優化問題，可以使用智能優化算法來求解。近年來，擬態物理學優化[17]和量子細菌覓食算法[18]等智能優化算法在認知無線電中得到了廣泛應用，通過改進移植可用于求解所推導的吞吐量方程。對于所提出的優化問題，由于待優化變量的定義域相差過大，因此傳統的連續優化算法很難快速求得高精度結果。為了能夠更好地求解所推導的吞吐量方程，通過結合量子演化理論[19]和傳統蝙蝠算法[20]的定位機理，利用量子蝙蝠算法對所要優化的問題進行求解。

3.1 量子蝙蝠算法

每只量子蝙蝠都可根據所設計的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量子位置和群體經驗學習進行更新；另一種是通過全局最優量子位置，使量子蝙蝠向全局最優量子位置方向演進或對全局最優量子位置周邊進行搜索。

3.2 量子蝙蝠算法的復雜度分析

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，由于優化問題維數為，則每次迭代更新速度及量子位的計算復雜度為(2)。根據脈沖發射率，每一代種群所有量子蝙蝠的量子旋轉角和量子位置的計算復雜度為(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間映射到定義域區間，然后更新響度和脈沖發射率，此部分計算復雜度為(6)。

因此，到量子蝙蝠算法的第次迭代為止，計算復雜度為((7+4))。

3.3 基于量子蝙蝠算法的最優合作策略

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

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

步驟3 計算每只量子蝙蝠的適應度，選擇適應度最好的量子蝙蝠位置所對應的量子位置為全局最優量子位置。

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性，根據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，根據脈沖發射率，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量子位置的適應度，并與全局最優量子位置進行比較，更新全局最優量子位置。

4 仿真實驗和結果分析

4.1 認知中繼無線電次用戶中斷概率仿真結果

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系曲線

圖6 次用戶中斷概率與合作階段能量采集率的關系曲線

圖7 次用戶中斷概率與中繼傳輸時間占有率的關系曲線

圖8 次用戶中斷概率與次用戶目標吞吐量的關系曲線

4.2 量子蝙蝠算法的最優合作策略仿真結果

圖9 2種智能優化算法的最大適應度均值和迭代次數關系曲線

圖10 次用戶最大吞吐量和環境信號采集率Xs的關系曲線

圖11 次用戶最大吞吐量隨和變化的關系曲線

圖12 最優中繼功率和Xs的關系曲線

圖13 次用戶最大吞吐量隨和變化的關系曲線

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系曲線

圖16 3種合作策略吞吐量隨變化的關系曲線

5 結束語

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合作策略，適合應用在5G網絡等高性能系統。所提的合作策略不僅可以使次用戶系統自己提供能源，在保證不影響主用戶傳輸數據的同時，還可以最大化次用戶的吞吐量。和現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用前景。

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

所設計的最優合作策略在保證不影響主用戶傳輸數據的前提下，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同傳輸、具體每一個次用戶的協同時隙如何劃分、每個次用戶的功率如何分配等問題進行深入的討論，設計新的最優傳輸方案。

[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. 基于能量協作的認知能量采集網絡功率分配算法[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. 認知無線電網絡中四維資源協作的研究現狀與未來方向[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. 擬態物理學優化的認知無線電網絡頻譜分配[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、陣列信號處理、智能計算理論及應用。

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、物聯網、5G網絡和認知中繼等。

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)