CRN下行功率分配与波束赋形：基于上行下行对偶的迭代算法

"这篇论文研究了认知无线网络（CRN）在underlay模式下的多用户下行功率分配和波束赋形问题，指出传统的半定规划（SDR）算法存在的高计算复杂度和忽略主网络（PN）对认知用户（SU）干扰的问题。论文提出了一种基于上行和下行对偶特性的新算法，利用虚拟功率将优化问题转化为上行问题，从而设计出一种迭代算法，该算法具有较低的计算复杂度且能快速收敛。通过分析算法的收敛性和计算复杂度，证明其优于SDR算法。数值模拟验证了算法的收敛速度，并表明主网络基站（PBS）的发送功率变化会影响可行解区域，且PBS功率增加会显著增大CRN的下行功率。" 本文主要探讨了在认知无线电网络（CRN）的underlay模式下，如何有效地解决多用户下行链路的功率分配和波束赋形问题。现有的方法，如SDR算法，虽然广泛应用，但由于其高计算复杂度，不适用于实时操作。此外，这些算法通常忽视了主网络对认知用户的潜在干扰。 论文首先引入了主网络对认知用户的干扰因素，以此为基础构建了优化问题。然后，研究人员利用上行和下行链路的对偶性质，创新地引入了虚拟功率的概念，将原本的下行链路优化问题转换为上行链路问题。这一转换使得问题简化，进而设计出一个迭代算法，该算法能更快地找到解决方案。 论文详细分析了所提出的迭代算法的收敛特性，明确了其收敛条件，并对其计算复杂度进行了评估。结果显示，该算法的复杂度低于SDR算法，更加适合实际应用。通过数值仿真，论文证实了算法的快速收敛性能，并揭示了主网络基站的发送功率变化对可行解区域的影响。具体来说，当PBS的发送功率增加时，为了满足干扰限制，CRN的下行链路功率分配会相应增大，这种影响是显著的。 这篇研究为CRN的功率管理和资源优化提供了一个有效且实用的解决方案，有助于提高系统的效率和鲁棒性，同时考虑了主网络与认知网络之间的干扰平衡。这种方法对于未来智能无线通信系统的设计和优化具有重要的参考价值。