非線(xiàn)性能量收集認(rèn)知無(wú)線(xiàn)電網(wǎng)絡(luò)的次用戶(hù)吞吐量最大化方案

葛海江，賈寧，池凱凱，陳云志

非線(xiàn)性能量收集認(rèn)知無(wú)線(xiàn)電網(wǎng)絡(luò)的次用戶(hù)吞吐量最大化方案

葛海江1，賈寧1，池凱凱2，陳云志1

（1. 杭州職業(yè)技術(shù)學(xué)院信息工程學(xué)院，浙江 杭州 310018；2. 浙江工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，浙江 杭州 310023）

針對(duì)一對(duì)主用戶(hù)和對(duì)次用戶(hù)構(gòu)成的認(rèn)知無(wú)線(xiàn)電網(wǎng)絡(luò)（cognitive radio network，CRN），研究了非線(xiàn)性能量收集的認(rèn)知無(wú)線(xiàn)電網(wǎng)絡(luò)的次用戶(hù)吞吐量最大化問(wèn)題。具體來(lái)說(shuō)，對(duì)于考慮次用戶(hù)發(fā)射器（secondary transmitter，ST）電路功率的情況，首先將主用戶(hù)吞吐量需求下的次用戶(hù)吞吐量最大化（secondary throughput maximization，STM）問(wèn)題建模為一個(gè)非線(xiàn)性?xún)?yōu)化問(wèn)題，然后將它轉(zhuǎn)化成凸優(yōu)化問(wèn)題，最后提出一種聯(lián)合使用黃金分割和二分法的低復(fù)雜度算法，獲得主用戶(hù)發(fā)射器（primary transmitter，PT）能量傳輸和次用戶(hù)信息傳輸?shù)淖顑?yōu)時(shí)間分配以及主用戶(hù)發(fā)射器的最優(yōu)發(fā)射功率。對(duì)于忽略次用戶(hù)發(fā)射器電路功率的情況，首先證明次用戶(hù)吞吐量最大化問(wèn)題的凸特性，然后設(shè)計(jì)了一個(gè)更高效的算法來(lái)求解。仿真結(jié)果表明，相比等時(shí)間分配方案和鏈路增益優(yōu)先級(jí)方案，提出的設(shè)計(jì)算法能顯著提升次用戶(hù)吞吐量。

認(rèn)知無(wú)線(xiàn)電網(wǎng)絡(luò)；非線(xiàn)性能量收集；次用戶(hù)吞吐量最大化；低復(fù)雜度；凸優(yōu)化

0 引言

近10年來(lái)，隨著無(wú)線(xiàn)設(shè)備和服務(wù)需求的不斷增長(zhǎng)，有限的頻譜資源已經(jīng)成為一種稀缺資源。然而，美國(guó)聯(lián)邦通信委員會(huì)（Federal Communications Commission，F(xiàn)CC）調(diào)查研究顯示，現(xiàn)有的頻譜資源未被充分利用（授權(quán)頻譜的利用率范圍為15%～85%）[1]。這種現(xiàn)象使得認(rèn)知無(wú)線(xiàn)電（cognitive radio，CR）技術(shù)應(yīng)運(yùn)而生，該技術(shù)允許非授權(quán)用戶(hù)，即次用戶(hù)（secondary user，SU），在不降低主用戶(hù)性能的情況下，有機(jī)會(huì)訪(fǎng)問(wèn)授權(quán)用戶(hù)的授權(quán)頻譜[2]。 獲得授權(quán)的用戶(hù)被稱(chēng)為主用戶(hù)（primary user，PU）。除了頻譜利用率不足帶來(lái)的挑戰(zhàn)，隨著全球能源的不斷消耗，針對(duì)能源短缺的挑戰(zhàn)，具有可再生能源（如太陽(yáng)能[3]、風(fēng)能[4]和射頻信號(hào)[5]等）的綠色網(wǎng)絡(luò)[6]吸引了許多學(xué)者的關(guān)注。

為了應(yīng)對(duì)上述兩個(gè)挑戰(zhàn)，能量收集認(rèn)知無(wú)線(xiàn)電網(wǎng)絡(luò)（energy-harvesting cognitive radio network，EH-CRN）是一種很有前途的方法，可以有效地提高能量效率和頻譜效率[7-9]。一方面，從環(huán)境可再生能源中獲取的能量可以緩解CRN的能量限制，這是因?yàn)樗峁┝擞谰眯缘哪茉垂?yīng)，而不需要人為地充電或更換電池；另一方面，機(jī)會(huì)頻譜的接入可以提高CRN的頻譜效率和吞吐量。

針對(duì)EH-CRN的相關(guān)研究[7-21]大多集中在可再生資源驅(qū)動(dòng)的CRN方面。對(duì)于僅有一條主鏈路和一條次鏈路的CRN，Wang等[10]通過(guò)優(yōu)化PU和SU之間的時(shí)間分配來(lái)最大化SU的吞吐量，Zheng等[11]通過(guò)分析電池充電和能量收集的影響來(lái)最大化次用戶(hù)吞吐量。Pratibha等[12]通過(guò)優(yōu)化傳輸時(shí)間和收集時(shí)間來(lái)最大化次用戶(hù)吞吐量。在無(wú)人機(jī)中繼協(xié)作下，Li等[13]通過(guò)優(yōu)化中繼的發(fā)射功率和次用戶(hù)發(fā)射器（secondary transmitter，ST）的發(fā)射功率實(shí)現(xiàn)次用戶(hù)吞吐量最大化（secondary throughput maximization，STM）。對(duì)于具有多對(duì)SU的EH-CRN，Xu等[14]研究了PU和SU之間的時(shí)間和功率分配，以最大限度地提高多跳CRN的端到端吞吐量。Wang等[15]在干擾功率和最小吞吐量需求的約束下，通過(guò)優(yōu)化發(fā)射功率分配來(lái)最大化次用戶(hù)平均吞吐量。Kalamkar等[16]通過(guò)協(xié)同優(yōu)化SU的時(shí)間和能量分配來(lái)實(shí)現(xiàn)SU總吞吐量最大化。Liu等[17]提出了一種聯(lián)合優(yōu)化子信道、功率和時(shí)間分配的算法，以實(shí)現(xiàn)EH-CRN的總吞吐量最大化。Zheng等[18-19]通過(guò)研究協(xié)同頻譜感知以及PU和SU之間的最優(yōu)時(shí)間分配來(lái)實(shí)現(xiàn)EH-CRN的總吞吐量最大化。Xu等[20]通過(guò)聯(lián)合優(yōu)化功率控制和時(shí)間分配來(lái)實(shí)現(xiàn)PU的吞吐量最大化。Jafari等[21]研究了全雙工和半雙工模式下SU的最優(yōu)時(shí)間和能量分配，使得SU吞吐量最大化。

此外，具有理想硬件的EH-CRN[22]只考慮發(fā)射功率而沒(méi)有考慮電路本身的功率，因此在實(shí)際網(wǎng)絡(luò)設(shè)計(jì)中可能是不準(zhǔn)確的。為此，研究人員對(duì)包含電路功率的EH-CRN做了一些相關(guān)的研究。在滿(mǎn)足SU最小體驗(yàn)質(zhì)量需求的情況下，Yang等[23]研究了帶有固定電路功率和動(dòng)態(tài)電路功率的EH-CRN的最優(yōu)發(fā)射功率分配。Xu等[20]在考慮PU和SU電路功率的情況下，研究了協(xié)作CRN中無(wú)線(xiàn)供能PU的吞吐量最大化。

綜上所述，對(duì)EH-CRN的研究都基于線(xiàn)性能量收集模型，然而，實(shí)際的射頻（radio frequency，RF）能量收集電路的轉(zhuǎn)換效率會(huì)隨著RF輸入功率的變化而變化[24-25]。具體地，當(dāng)能量收集電路的RF輸入功率不斷增加時(shí)，電路的轉(zhuǎn)換效率將先增大后減小。當(dāng)RF輸入功率增大到一定值時(shí)，電路將進(jìn)入飽和狀態(tài)，收集電路的輸出功率將維持不變。因此，傳統(tǒng)的線(xiàn)性能量收集模型并不能真實(shí)地反映實(shí)際RF能量收集電路的非線(xiàn)性特性。研究人員針對(duì)非線(xiàn)性能量收集的CRN做了一些相關(guān)的研究工作。Wang等[26]通過(guò)聯(lián)合優(yōu)化能量收集時(shí)間、信道分配和發(fā)射功率實(shí)現(xiàn)非線(xiàn)性能量收集CRN的次用戶(hù)總吞吐量最大化。針對(duì)基于非線(xiàn)性EH模型和非正交多址接入（non-orthogonal multiple access，NOMA）的CRN，在最小傳輸速率和最大干擾功率的約束下，Wang等[27]通過(guò)優(yōu)化發(fā)射功率實(shí)現(xiàn)每個(gè)SU的收集能量最大化。Prathima等[28]通過(guò)優(yōu)化SU能量收集時(shí)間、PU與SU雙向的數(shù)據(jù)傳輸時(shí)間以及SU的接收功率實(shí)現(xiàn)EH-CRN的總吞吐量最大化。

鑒于此，研究基于非線(xiàn)性能量收集且考慮用戶(hù)電路功率約束的EH-CRN的次用戶(hù)吞吐量最大化問(wèn)題具有重要意義。本文的創(chuàng)新工作主要體現(xiàn)在以下兩個(gè)方面：（1）在EH-CRN中，首次對(duì)非線(xiàn)性能量收集、SU的電路功率以及主用戶(hù)吞吐量的需求進(jìn)行了整體的考慮，實(shí)現(xiàn)了次用戶(hù)吞吐量的最大化，使得研究更加符合實(shí)際的需求；（2）對(duì)于SU是否有電路功率的情況，本文分別設(shè)計(jì)了低復(fù)雜度的算法，實(shí)現(xiàn)了EH-CRN的STM，相比等時(shí)間分配方案或鏈路增益優(yōu)先級(jí)方案，所設(shè)計(jì)的算法獲得的次用戶(hù)吞吐量更大。

在非線(xiàn)性EH-CRN中，主用戶(hù)發(fā)射器（primary transmitter，PT）在每個(gè)時(shí)隙開(kāi)始時(shí)都具有一定的能量。每個(gè)初始能量為零的ST都沒(méi)有固定的電源，完全由從主用戶(hù)信號(hào)中獲取的RF能量進(jìn)行供電。由于SU中結(jié)合了能量收集的功能，PU和SU之間的時(shí)間分配變得更加復(fù)雜，因此，對(duì)于非線(xiàn)性EH-CRN，本文將聯(lián)合優(yōu)化PU和SU之間的時(shí)間分配，實(shí)現(xiàn)SU電路功率約束下的EH-CRN的STM。

1 系統(tǒng)模型和吞吐量建模

本節(jié)首先描述EH-CRN系統(tǒng)模型，然后進(jìn)一步介紹時(shí)序模型，最后分別給出PU和SU的吞吐量建模方法。

1.1 系統(tǒng)模型

圖1 帶有一對(duì)PU和M對(duì)SU的EH-CRN示意圖

圖2 基于TDMA的EH-CRN的HTT協(xié)議

1.2 時(shí)序模型

1.3 吞吐量建模

同樣地，PT-PR的吞吐量，單位為bit/(s·Hz)，可表示為：

2 滿(mǎn)足PU最小吞吐量需求的EH-CRN的STM高效算法

對(duì)于具有PU最小吞吐量需求的EH-CRN的STM，首先引入一些定理，將STM問(wèn)題簡(jiǎn)化為一個(gè)凸優(yōu)化問(wèn)題，然后提出一種高效的算法來(lái)求解。

2.1 問(wèn)題建模

因此，基于PU最小吞吐量需求的STM問(wèn)題被建模為：

（P1）：

證明 請(qǐng)參考文獻(xiàn)[31]的定理1。

將式（8）代入式（4），可得：

基于定理1，問(wèn)題（P1）被轉(zhuǎn)換為如下問(wèn)題。

（P1.1）：

定理2 問(wèn)題（P1.1）是一個(gè)凸優(yōu)化問(wèn)題。

證明 請(qǐng)參考文獻(xiàn)[32]的定理3.2。

根據(jù)定理3，問(wèn)題（P1.1）能被轉(zhuǎn)換為如下問(wèn)題。

（P1.2）：

定理4 問(wèn)題（P1.2）是一個(gè)凸優(yōu)化問(wèn)題。

定理4的證明跟定理2的證明類(lèi)似，簡(jiǎn)略起見(jiàn)，這里省略證明過(guò)程。

接下來(lái)，定義次用戶(hù)的最大吞吐量為：

其中，是滿(mǎn)足式（13）中的所有約束條件的可行集合，即是給定下可獲得的最大次用戶(hù)吞吐量。的凹函數(shù)特性如圖3所示，是關(guān)于的凹函數(shù)，這是因?yàn)槭峭购瘮?shù)的無(wú)限集上的逐點(diǎn)上確界[33]。其中，是獲得最優(yōu)解時(shí)的取值。

2.2 STM問(wèn)題的高效算法

本節(jié)首先引入一些定理，將STM問(wèn)題簡(jiǎn)化為如下兩個(gè)步驟，從而解決問(wèn)題（P1.2）。

為了完成上述兩個(gè)步驟，這里引入如下定理。

圖4 給定時(shí)的凹函數(shù)特性

（2）repeat

（4） repeat

（14）repeat

（2）repeat

下面簡(jiǎn)要分析所提算法的計(jì)算復(fù)雜度。

3 不考慮電路功率的場(chǎng)景

目前，無(wú)線(xiàn)電網(wǎng)絡(luò)傳感節(jié)點(diǎn)的電路功率可以達(dá)到非常低。例如，在傳感節(jié)點(diǎn)中廣泛使用的MSP430微控制器功率只有幾百微瓦。 此外，隨著工業(yè)的發(fā)展，電路功率將越來(lái)越低。因此，與用于數(shù)據(jù)傳輸?shù)墓β氏啾龋娐饭β士赡芸梢院雎圆挥?jì)。 本節(jié)提出了一個(gè)更高效的算法來(lái)實(shí)現(xiàn)電路功率可忽略場(chǎng)景下EH-CRN的次用戶(hù)吞吐量最大化。

（P2）：

為了得到問(wèn)題（P2）的最優(yōu)解，引入如下定理。

證明方法類(lèi)似于定理1的證明，這里略去。

（P2.1）：

證明方法類(lèi)似于定理3的證明，這里略去。

接下來(lái)，可以得到：

根據(jù)定理8和定理9，問(wèn)題（P2.1）可以被重新建模為：

（P2.2）：

定理10 問(wèn)題（P2.2）是一個(gè)凸優(yōu)化問(wèn)題。

證明方法類(lèi)似于定理4的證明，這里略去。

凸優(yōu)化問(wèn)題（P2.2）可分兩步求解。

圖5 給定時(shí)的凹函數(shù)特性

（P2.3）：

然后，給出對(duì)偶問(wèn)題：

可以知道，凸優(yōu)化問(wèn)題的原解和對(duì)偶解的最優(yōu)性的充要條件是KKT（Karush-Kuhn-Tucker）條件，具體為：

（2）repeat

4 仿真結(jié)果與分析

4.1 SU的最大吞吐量與電路功率的關(guān)系

圖6 3種方案的SU的最大吞吐量與電路功率的關(guān)系

4.2 SU最大吞吐量與SU數(shù)量的關(guān)系

0=0.2 W、p=6 bit·(s·Hz)-1時(shí)，SU有無(wú)電路功率情況下3種方案的SU最大吞吐量與SU數(shù)量的關(guān)系如圖7所示。

圖7 SU有無(wú)電路功率情況下3種方案的SU最大吞吐量與SU數(shù)量的關(guān)系

從圖7可以得出如下結(jié)論。

首先，不管SU是否有電路功率，3種方案的SU最大吞吐量都會(huì)隨著SU數(shù)量的增大而增大。這是因?yàn)殡S著SU數(shù)量的增大，SU的總采集能量增加，因此能獲得一個(gè)更大的SU吞吐量。

其次，SU有電路功率情況下3種方案的SU最大吞吐量比SU無(wú)電路功率情況下的SU最大吞吐量小。這是因?yàn)镾U有電路功率時(shí)，SU實(shí)際可用于數(shù)據(jù)傳輸?shù)哪芰繙p少，從而導(dǎo)致SU最大吞吐量變小。

4.3 SU最大吞吐量和PU最小吞吐量需求的關(guān)系

=5、0=0.2 W時(shí)，SU有無(wú)電路功率情況下3種方案的SU最大吞吐量和PU最小吞吐量需求的關(guān)系如圖8所示。

圖8 SU有無(wú)電路功率情況下3種方案的SU最大吞吐量與PU最小吞吐量需求的關(guān)系

從圖8可以得出如下結(jié)論。

首先，隨著PU最小吞吐量需求的增加，無(wú)論SU有無(wú)電路功率，本文方案的SU最大吞吐量都減小。原因如下：隨著PU最小吞吐量需求的增加，在PT的發(fā)射功率不變的情況下，PT需要花費(fèi)更多的時(shí)間來(lái)滿(mǎn)足PU最小吞吐量要求。因此，分配給SU完成數(shù)據(jù)傳輸?shù)臅r(shí)間變少，從而使得SU的最大吞吐量減少。

其次，無(wú)論SU有無(wú)電路功率，其他兩種方案的SU最大吞吐量都比本文方案小，同時(shí)鏈路增益優(yōu)先級(jí)方案要優(yōu)于等時(shí)間分配方案。這是因?yàn)楸疚姆桨傅腟U最大吞吐量是最優(yōu)解，而等時(shí)間分配方案和鏈路增益優(yōu)先級(jí)方案的SU最大吞吐量不是問(wèn)題的最優(yōu)解；同時(shí)，相比等時(shí)間分配方案，鏈路增益優(yōu)先級(jí)方案具有更合理的時(shí)間分配。SU無(wú)電路功率情況下3種方案的SU最大吞吐量都比SU有電路功率情況下的SU最大吞吐量大。原因與第4.2節(jié)第二點(diǎn)的分析類(lèi)似。

5 結(jié)束語(yǔ)

[1] FCC. Spectrum policy task force, report of the spectrum efficiency working group[R]. 2002.

[2] LIU X Y, ZHENG K C, LIU X Y, et al. Hierarchical cooperation improves delay in cognitive radio networks with heterogeneous mobile secondary nodes[J]. IEEE Transactions on Mobile Computing, 2019, 18(12): 2871-2884.

[3] GAUTAM N, MOHAPATRA A. Efficiently operating wireless nodes powered by renewable energy sources[J]. IEEE Journal on Selected Areas in Communications, 2015, 33(8): 1706-1716.

[4] TAN Y K, PANDA S K. Self-autonomous wireless sensor nodes with wind energy harvesting for remote sensing of wind-driven wildfire spread[J]. IEEE Transactions on Instrumentation and Measurement, 2011, 60(4): 1367-1377.

[5] CHEN X H, LIU Y, CAI L X, et al. Resource allocation for wireless cooperative IoT network with energy harvesting[J]. IEEE Transactions on Wireless Communications, 2020, 19(7): 4879-4893.

[6] KANSAL A, SRIVASTAVA M B. An environmental energy harvesting framework for sensor networks[C]//Proceedings of the 2003 International Symposium on Low Power Electronics and Design. New York: ACM Press, 2003: 481-486.

[7] HU H, ZHANG H, LIANG Y C. On the spectrum- and energy-efficiency tradeoff in cognitive radio networks[J]. IEEE Transactions on Communications, 2016, 64(2): 490-501.

[8] ZHANG W S, WANG C X, CHEN D, et al. Energy-spectral efficiency tradeoff in cognitive radio networks[J]. IEEE Transactions on Vehicular Technology, 2016, 65(4): 2208-2218.

[9] XU X M, YANG W W, CAI Y M, et al. On the secure spectral-energy efficiency tradeoff in random cognitive radio networks[J]. IEEE Journal on Selected Areas in Communications, 2016, 34(10): 2706-2722.

[10] WANG Y C, LIU K J R. Statistical delay QoS protection for primary users in cooperative cognitive radio networks[J]. IEEE Communications Letters, 2015, 19(5): 835-838.

[11] ZHENG K C, LIU X Y, ZHU Y H, et al. Impact of battery charging on spectrum sensing of CRN with energy harvesting[J]. IEEE Transactions on Vehicular Technology, 2020, 69(7): 7545-7557.

[12] PRATIBHA, LI K H, TEH K C. Optimal spectrum access and energy supply for cognitive radio systems with opportunistic RF energy harvesting[J]. IEEE Transactions on Vehicular Technology, 2017, 66(8): 7114-7122.

[13] LI H Q, ZHAO X H. Throughput maximization with energy harvesting in UAV-assisted cognitive mobile relay networks[J]. IEEE Transactions on Cognitive Communications and Networking, 2021, 7(1): 197-209.

[14] XU C, ZHENG M, LIANG W, et al. End-to-end throughput maximization for underlay multi-hop cognitive radio networks with RF energy harvesting[J]. IEEE Transactions on Wireless Communications, 2017, 16(6): 3561-3572.

[15] WANG Y Y, ZHAO X H, LIANG H. Throughput maximization-based optimal power allocation for energy-harvesting cognitive radio networks with multiusers[J]. EURASIP Journal on Wireless Communications and Networking, 2018, 2018(1): 1-10.

[16] KALAMKAR S S, JEYARAJ J P, BANERJEE A, et al. Resource allocation and fairness in wireless powered cooperative cognitive radio networks[J]. IEEE Transactions on Communications, 2016, 64(8): 3246-3261.

[17] LIU Z X, ZHAO M Y, YUAN Y Z, et al. Subchannel and resource allocation in cognitive radio sensor network with wireless energy harvesting[J]. Computer Networks, 2020(167): 107028.

[18] ZHENG K C, LIU X Y, ZHU Y H, et al. Total throughput maximization of cooperative cognitive radio networks with energy harvesting[J]. IEEE Transactions on Wireless Communications, 2020, 19(1): 533-546.

[19] LIU X Y, ZHENG K C, CHI K K, et al. Cooperative spectrum sensing optimization in energy-harvesting cognitive radio networks[J]. IEEE Transactions on Wireless Communications, 2020, 19(11): 7663-7676.

[20] XU D, ZHU H B. Sum-rate maximization of wireless powered primary users for cooperative CRNs: NOMA or TDMA at cognitive users?[J]. IEEE Transactions on Communications, 2021, 69(7): 4862-4876.

[21] JAFARI R, MAHDAVI M, FAZEL M S. Sum-throughput maximization of secondary users in an in-band full-duplex cognitive wireless powered communication network[J]. IEEE Systems Journal, 2020, 14(2): 2109-2120.

[22] NGO H Q, LARSSON E G, MARZETTA T L. Energy and spectral efficiency of very large multiuser MIMO systems[J]. IEEE Transactions on Communications, 2013, 61(4): 1436-1449.

[23] YANG W W, ZHAO X H. Resource allocation in two-way OFDM-based cognitive radio networks with QoE and power consumption guarantees[J]. EURASIP Journal on Wireless Communications and Networking, 2017, 2017(1): 1-14.

[24] BOSHKOVSKA E, NG D W K, ZLATANOV N, et al. Practical non-linear energy harvesting model and resource allocation for SWIPT systems[J]. IEEE Communications Letters, 2015, 19(12): 2082-2085.

[25] CHEN Y F, SABNIS K T, ABD-ALHAMEED R A. New formula for conversion efficiency of RF EH and its wireless applications[J]. IEEE Transactions on Vehicular Technology, 2016, 65(11): 9410-9414.

[26] WANG Y J, WANG Y H, ZHOU F H, et al. Resource allocation in wireless powered cognitive radio networks based on a practical non-linear energy harvesting model[J]. IEEE Access, 2017(5): 17618-17626.

[27] WANG Y H, WU Y H, ZHOU F H, et al. Multi-objective resource allocation in a NOMA cognitive radio network with a practical non-linear energy harvesting model[J]. IEEE Access, 2017(6): 12973-12982.

[28] PRATHIMA A, GURJAR D S, NGUYEN H H, et al. Performance analysis and optimization of bidirectional overlay cognitive radio networks with hybrid-SWIPT[J]. IEEE Transactions on Vehicular Technology, 2020, 69(11): 13467-13481.

[29] JU H, ZHANG R. Throughput maximization in wireless powered communication networks[J]. IEEE Transactions on Wireless Communications, 2014, 13(1): 418-428.

[30] WANG F, ZHANG X. Secure resource allocation for polarization-based non-linear energy harvesting over 5G cooperative CRNs[J]. IEEE Wireless Communications Letters, 2020(99): 1.

[31] CHI K K, CHEN Z B, ZHENG K C, et al. Energy provision minimization in wireless powered communication networks with network throughput demand: TDMA or NOMA?[J]. IEEE Transactions on Communications, 2019, 67(9): 6401-6414.

[32] WU Q Q, CHEN W, LI J. Wireless powered communications with initial energy: QoS guaranteed energy-efficient resource allocation[J]. IEEE Communications Letters, 2015, 19(12): 2278-2281.

[33] BOYD S P, VANDENBERGHE L. Convex optimization[M]. Cambridge: Cambridge University Press, 2004.

[34] MOKHTARZADEH H, TAHERPOUR A, TAHERPOUR A, et al. Throughput maximization in energy limited full-duplex cognitive radio networks[J]. IEEE Transactions on Communications, 2019, 67(8): 5287-5296.

[35] HE S B, CHEN J M, JIANG F C, et al. Energy provisioning in wireless rechargeable sensor networks[J]. IEEE Transactions on Mobile Computing, 2013, 12(10): 1931-1942.

[36] XIAO H, JIANG H, SHI F R, et al. Energy-efficient resource allocation in radio-frequency-powered cognitive radio network for connected vehicles[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 22(8): 5426-5436.

[37] LI X Q, PAN C H, ZHANG C Y, et al. Data rate maximization in UAV-assisted C-RAN[J]. IEEE Wireless Communications Letters, 2020, 9(12): 2163-2167.

[38] XIAO H, JIANG H, DENG L P, et al. Outage energy efficiency maximization for UAV-assisted energy harvesting cognitive radio networks[J]. IEEE Sensors Journal, 2022, 22(7): 7094-7105.

Secondary throughput maximization scheme for non-linear energy harvesting cognitive radio networks

GE Haijiang1, JIA Ning1, CHI Kaikai2, CHEN Yunzhi1

1. College of Information Engineering, Hangzhou Vocational & Technical College, Hangzhou 310018, China 2. School of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, China

Aiming at a cognitive radio network (CRN) consisting of a pair of primary users andpairs of secondary users, the secondary throughput maximization for CRN based on the non-linear energy harvesting model was studied. Specifically, in the case of considering secondary transmitter (ST) circuit power, the secondary throughput maximization (STM) problem with primary users’ throughput demands was first modeled as a non-linear optimization problem and then transformed into a convex optimization problem. Finally, a low-complexity algorithm combining the golden section and dichotomy was proposed. By applying this low-complexity algorithm, the optimal time allocation of the primary transmitter (PT)’s energy transmission and secondary users’ information transmission, and the optimal transmission power of PT were obtained. In addition, for the case of neglecting the ST circuit power, the convex property of the STM problem was first proved, and then a more efficient algorithm was designed to solve it. The simulation results show that compared with the equal time allocation method and the link gain priority method, the proposed design algorithm significantly improves the throughput of secondary users.

cognitive radio network, non-linear energy harvesting, secondary throughput maximization, low-complexity, convex optimization

TN929.5

A

10.11959/j.issn.1000–0801.2023033

葛海江（1980-），男，博士，杭州職業(yè)技術(shù)學(xué)院信息工程學(xué)院教授，主要研究方向?yàn)檎J(rèn)知無(wú)線(xiàn)電網(wǎng)絡(luò)。

賈寧（1981-），女，杭州職業(yè)技術(shù)學(xué)院信息工程學(xué)院副教授，主要研究方向?yàn)槲锫?lián)網(wǎng)應(yīng)用。

池凱凱（1980-），男，博士，浙江工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院教授、博士生導(dǎo)師，主要研究方向?yàn)闊o(wú)線(xiàn)電網(wǎng)絡(luò)。

陳云志（1971-），男，博士，杭州職業(yè)技術(shù)學(xué)院信息工程學(xué)院教授，主要研究方向?yàn)槲锫?lián)網(wǎng)應(yīng)用。

The National Natural Science Foundation of China (No.61872322), Zhejiang Provincial Basic Public Welfare Research Project of China (No.LGG18F020005)

2022-11-24；

2023-02-12

賈寧，492035425@qq.com

國(guó)家自然科學(xué)基金資助項(xiàng)目（No.61872322）；浙江省基礎(chǔ)公益研究計(jì)劃項(xiàng)目（No.LGG18F020005）