非线性能量收集的多用户MIMO认知网络优化研究

"这篇研究论文探讨了基于非线性能量收集的多用户MIMO认知无线供电通讯网络。文章由王哲、李陶深、叶进、葛志辉和吴敏共同撰写，发表在《控制与决策》期刊2020年第35卷第3期，页码547-558。作者们提出了一种新的优化模型，用于在overlay和underlay场景下提升系统的吞吐量，特别关注于能量受限的多用户多输入多输出（MIMO）网络。他们采用了非线性能量收集模型，以更准确地描述能量收集过程，并通过拉格朗日对偶方法解决优化问题。仿真结果表明，提出的算法能显著提高系统的平均吞吐量，并且具有良好的收敛性。" 该研究的关键知识点包括： 1. **能量收集网络**：这是一种技术，旨在利用环境中的可再生能源（如风能、太阳能等）为无线通信设备供电，从而延长网络的运行时间，减少对外部电源的依赖。 2. **非线性能量收集**：传统的线性模型通常假设能量收集是线性的，即能量的获取与输入信号的强度成正比。然而，实际的能量收集过程往往是非线性的，因此，采用非线性模型能更真实地反映能量转换过程。 3. **无线能量传输**：通过无线电频率信号进行能量传输，使得设备可以在无需物理连接的情况下充电或获取能量，这对于移动或偏远位置的设备尤其有用。 4. **多用户多输入多输出（MIMO）系统**：这种通信系统使用多个天线同时发送和接收信号，可以提高数据传输速率和系统容量，是现代无线通信的重要组成部分。 5. **认知无线供电通讯网络**：认知无线电网络允许设备智能地感知并利用空闲频谱，结合无线能量传输，可为能量受限的设备提供通信和能量补充的双重功能。 6. **系统吞吐量优化**：文章建立了在overlay和underlay场景下的优化模型，目标是最大化系统的整体吞吐量，这涉及到对发射功率、时间分配等因素的精确调整。 7. **等效凸问题转化**：为了处理模型的参数耦合和非线性约束，作者通过等效代换将原问题转化为一个凸问题，这简化了求解过程。 8. **拉格朗日对偶方法**：这是一种优化工具，用于处理有约束的优化问题，通过引入拉格朗日乘子来转换原问题，然后利用对偶理论求解。 9. **最优解形式与时间分配**：作者提供了能量和信息协方差矩阵的最优解形式，以及最优时间分配系数的计算方法，并证明了这些解的最优性。 10. **实证分析与性能验证**：基于实际的风电能量收集数据进行的仿真结果显示，提出的算法在提升平均系统吞吐量方面优于平均功率分配策略，且能在有限次迭代后达到稳定收敛，验证了算法的有效性和性能。 这些技术与方法对于未来可持续的、自给自足的无线通信网络的发展具有重要意义，特别是在资源有限的环境中，如物联网(IoT)设备、远程传感器网络等。