基于混合粒子群优化的GFDM系统功率分配策略的研究

可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报5（2018）594基于混合IbrahimZ ew aila，WaleedSaadb，MonaShokairb，SamiA. 埃尔多利尔湾a工程和技术高等学院，埃及bEl-Menoufia大学电子工程学院，Menouf，32952，埃及接收日期：2016年11月22日;接收日期：2017年7月5日;接受日期：2017年9月21日2017年10月12日在线提供摘要第五代（5G）蜂窝系统已经被优化以向移动用户提供可靠的覆盖和高数据速率。广义频分复用（GFDM）是一种新的多载波调制技术，具有极低的带外辐射，使其成为认知无线电网络（CRN）的PHY层的有吸引力的选择本文提出了一种最优功率分配策略，最大限度地提高总吞吐量的次用户（SU）在功率和干扰约束。因此，提高了它们在GPRS网络中的服务质量（QoS）。该策略基于混合粒子群此外，所提出的技术将与其他优化技术进行比较数值结果表明，使用混合PSO-PS算法的GFDM系统将提高总的数据传输速率的SU，并取得良好的性能相比，其他技术。此外，将执行改变诸如SU数目、PU数目和子载波数目的这一改进使得我们提出的算法在理论上是合理的，在实际应用中也是有用的。© 2017 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：CR; GFDM;混合*通讯作者。电子邮件地址：ibrahim. yahoo.com（I. Zewail），waleed. eleng.menofia.edu.eg（W. 萨阿德），莫娜.萨布里@ el-eng.menofia.edu.eg（M。Shokair），msel dolil@yahoo.com（S.A. El dolil）。电子研究所（ERI）负责同行评审https://doi.org/10.1016/j.jesit.2017.09.0022314-7172/© 2017电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。I. Zewail等人/电气系统与信息技术杂志5（2018）5945951. 介绍1.1. 背景如今，智能和先进的无线通信系统代表了我们社会的未来技术和进化发展步骤基于联邦通信委员会（FCC）进行的研究，该研究规定了频带利用率。它显示了频谱带的一些部分在不同的时间和位置被许可运营商大量利用（Sakran等人，2012年）。因此，需要一种新的方法来有效地提高有限频谱的利用率，满足现代服务的要求。CRN被认为是能够感知频谱中未被利用的部分（空白空间/空洞）并有效地使用它的关键技术当许可用户需要频谱时，CR用户平滑地离开频谱（联邦通信委员会，2002; Venkataraman和Muntean，2012）。事实上，有三种主要的模式来访问空闲频谱带。它可以被描述为：重叠模式，叠加模式和交织模式。此外，本文假设的模式在允许SU与PU同时共享所有频带的情况下，只要对PU造成的干扰不超过一定的门槛。（Venkataraman和Muntean，2012年）。此外，SU必须使用特定波形以不干扰PU。该波形是SU的低带外辐射（OOB）。因此，低OOB辐射是机会无线电通信的主要要求之一，以及其他要求，例如频谱感测、频谱分析和功率控制。GFDM方案（Michailow等人，2014;Bansal等人，2008）在每个子载波上使用频谱包含的脉冲（导致低OOB频谱波形），进行频谱分段和动态频谱分配，而不会对其他用户或现任服务造成干扰。该过程被认为是认知无线电应用的合适候选者（Farhang-Boroujeny，2011）。 GFDM（Michailow等人，2014; Bansal等人， 2008）一种新的多载波调制系统，其使用传统的多载波滤波器组方法，其中每个传输数据块被单独地脉冲整形（例如，QAM符号）被滤波和调制，即，在时间上滤波，然后在副载波频率上调制此外，子载波在时域和频域中以循环移位的方式进行滤波此外，GFDM系统针对一组GFDM符号使用一个循环前缀（CP）（与在每个OFDM符号之后使用一个CP的OFDM系统相比，携带更多的数据），从而允许使用简单的单抽头频域均衡器。它被提供来克服OFDM缺点，诸如高PAPR（Farhang-Boroujeny，2011），它对载波频率偏移、高OOB和降低系统的整体效率的大开销循环前缀（CP）敏感。实际上，脉冲整形滤波器有多种类型，所需滤波器的选择影响系统的设计、OOB发射和SER性能。但是，对子载波进行滤波会产生非正交的子载波，这会产生载波间干扰（ICI）和符号间干扰（ISI）。然而，在接收机处使用有效的技术可以消除所引起的干扰，如在Datta等人中。（2012年）。因此，可以得出结论，GFDM被认为是5G网络的有希望的候选解决方案，因为它的灵活性可以满足下一代网络日益增长的不同需求。另一方面，功率控制和信道分配是CR系统的重要操作，以最大化CR系统的吞吐量。CR网络中的一个基本问题是在不违反功率和干扰约束的情况下最大化SU的总吞吐量。根据香农定律，无线信道的容量取决于发射功率和信道增益，以及带宽和噪声水平。在SU发射机处具有给定的总发射功率的情况下，功率分配是确定SU吞吐量和对PU的干扰的关键功能。任务是分配一定量的发射功率给每个子载波，使得SU的总吞吐量可以最大化，而不违反PU所需的QoS。1.2. 相关工作实际上，存在大量的研究工作，使用不同的功率分配策略来最大化CR网络的吞吐量 Zhou等人（2011），试图在给定的总发射功率限制下，在基于OFDM的MIMOCRN中使用有效的注水（WF）功率分配技术来增加SU的总吞吐量。596I. Zewail等人/电气系统与信息技术杂志5（2018）594SU发射机。它被用作一个简单而有效的算法。通过仅运行一次WF，然后算法使用WF结果直接计算最终解它使用一个二进制搜索过程，以找到一个更合适的值的功率为每个子载波，可以最大限度地提高SU然而，它有很好的质量，但它是耗时的，并具有一定的复杂性。Wang（2010）使用了一种用于认知OFDM系统的高效资源分配算法，其中将阈值干扰和发射功率的约束转换为归一化容量。分配给SU的每个可能比特的成本基于每个子信道的归一化容量按比例测量提出了一种启发式算法，该算法总是选择当前代价最小的比特，直到其中一个约束被违反。该算法的复杂度是渐近常数，远低于Benaya等人（2015）提出了一种使用遗传算法（GA）的CRN中多输入多输出（MIMO）系统的最优功率分配方案。在同信道干扰下SU的容量界限被用作次级吞吐量的测量。他们发现了中继放大因子的最佳值，用于在两种不同的CR模式（机会接入模式和基于感知的频谱共享模式）上在功率约束下最大化次级吞吐量此外，使用单天线，双天线在所有节点的认知中继网络（CRN），和双天线在中继节点之间的比较Rosas等人（2015）提出了将遗传算法应用于两种不同多载波系统（如OFDM和GFDM系统）的功率分配策略。遗传算法被用来作为一个最佳的工具，寻找最佳的功率值为每个子载波，可以最大限度地提高总吞吐量的SU在下行链路CR网络。它是在功率和干扰约束下应用的，这些约束保持PU所需的QoS。将GFDM系统与OFDM系统进行了比较。与OFDM系统相比，GFDM系统为SU实现了更高的吞吐量。Panaitopol等人（2012）专注于循环平稳特性，与OFDM系统相比，分析和评估GFDM系统的感知特性OFDM和GFDM信号的循环平稳特性由循环前缀和有用符号长度给出。GFDM具有创新的咬尾循环前缀，其显示出独特的循环检测特性，其中循环前缀（CP）较低，循环平稳特性仍然可以通过使用一侧峰的位置来恢复这一有趣的方面为GFDM提供了另一个重要的优势，GFDM现在能够使用更小的CP，因此增加了总的传输吞吐量。Matthé等人（2015）提出了一种利用GFDM系统实现发射分集的解决方案，其应用了宽线性估计（WLE）的应用，以最小化由多径信道引入的ISI对空时编码（STC）-GFDM误符号率（SER）性能的影响这样，可以实现低延迟和良好的SER性能，然而，与线性方法相比，代价是接收机处的复杂度增加。此外，使用最大比合并（MRC）与多个接收天线的方法WLE-STC-GFDM方法对于需要低延迟和高鲁棒性并且计算能力可用的应用是有前途的解决方案仅需要一个Zewail等人研究了认知GFDM系统的最大功率和干扰限制，提出了一种基于PS算法的有效功率分配策略，用于最大化SU在最大功率和干扰限制下的总吞吐量。（2016年）。在接入点的最大发射功率和对处理单元的门限干扰下，利用PS算法搜索每个子信道所需的最佳功率电平，以使处理单元的数据速率最大化。一种不同的实现算法GFDM，可以降低复杂度w.r.t. Lin和Siohan（2015）研究了最新技术水平（SoTA）算法。 该算法以FFT/IFFT方法为基础，利用时域循环卷积等于频域乘积的特性，将部分运算在频域进行。此外，由于原型滤波器的频域稀疏性，可以进一步节省复杂度还使用跨度因子操纵（SFM）概念，其可以补偿正交性损失，最终将GFDM转变为正交性改进的系统。1.3. 贡献本文的贡献是应用一种新的功率分配策略的基础上的混合粒子群优化模式搜索算法（PSO-PS）作为GFDM系统的优化算法。它被成功地用来找到每个子载波的最佳功率值，可以最大化的总吞吐量的功率和干扰约束下的所有SU，而不影响在下行链路GPRS网络中的PU的QoS。示出了改变SU的数量、PU的数量和子载波的数量对总吞吐量的影响。标准粒子群算法存在早熟问题，很难达到全局最优解，I. Zewail等人/电气系统与信息技术杂志5（2018）594597Nn=0例k=0这意味着解决方案还有很大的改进空间PS方法的一个重要缺点是需要提供一个合适的起点。混合算法通过先全局搜索再局部搜索的方法克服了粒子群算法的不足。另一方面，它克服了PS算法的缺点，它不需要用户指定PS阶段的起始点，因为它是由初始PSO阶段自动生成的此外，所提出的混合方法的性能提高的规模和复杂性的系统的增加。GFDM系统的使用可以提供低的带外辐射，这使得它成为认知无线电网络的PHY层解决了OFDM系统的一些缺陷，为降低干扰和系统容量提供了合适的解决方案。1.4. 本文件本文的其余部分将组织如下：系统模型将在第2节中描述。吞吐量分析将在第3节中讨论。优化算法将在第4节中介绍。模拟结果在第5节中展示。最后，在第6节中，将对所获得的结果进行总结。2. 系统模型考虑认知GFDM系统，其中SU在ad-hoc连接中工作，共享许可PU的整个频谱带。它们以由阈值干扰控制的功率向PU发送，以节省PU的QoS，作为下行链路GPRS模式。GFDM系统（Michailow等人，2014）作为一种灵活的多载波调制技术，使用滤波器组方法进行脉冲整形处理，因为脉冲整形滤波器使得进入相邻现任频带的带外泄漏非常小。与具有矩形脉冲整形的OFDM相比，具有灵活脉冲整形滤波器（例如，根升余弦（RRC）滤波器）的GFDM对相邻现任频带造成较少干扰如图1所示，索引hnSP是从SU到PU的信道增益，索引hnPS是从PU到SU接收器的信道增益。索引hnSS表示SU发送器和接收器的信道增益假设所有这些信道增益在SU处是已知此外，SU和PU在同一区域共存但是，PU由授权基站（BS）服务，SU由未授权接入点（AP）服务。在该系统中，总可用带宽W被划分为非正交重叠的N个子载波，每个子载波具有带宽Ws，并且数据将被扩展在二维块结构上，即k个时隙和N个子载波。但是在OFDM系统中，总带宽仅在频域上被划分为窄的正交子载波，如图1所示。 二、传输的数据是脉冲成形的，并且在时间和频率上循环移位，如在Michailow等人中。（2014年）：gn，k[m]=g[（m-KN）modV]exp−j2πnm（1）其中m是采样指数。然后，在GFDM调制器之后，所有发送的符号可以表示为：X[m]=<$N−1<$K−1g[m]d（二）此外，存在三种类型的影响系统的干扰，其可以陈述如下。Fig. 1. 系统模型。氮钾氮钾598I. Zewail等人/电气系统与信息技术杂志5（2018）594∫.Σ∫Ps2ΣΣ图二. OFDM和GFDM系统的时间和频率划分。2.1. PU对SU根据Michailow et al. （2014），PU发送具有幅度p pu和功率谱密度（PSD）的信号。，则为（）。但是，在通过N点快速傅立叶变换（FFT）之后的PU信号的PSD可以表示为以下期望值（Bansal等人， 2008年）：1πE{In（ω）}2πNpu（ejω）sin（ω−ε）N/2sin（ω−ε）/2中文（简体）因此，从PU到使用子载波n的SU造成的干扰可以表示为：Jn.普O=dn+Ws/2dn−Ws/2|hn| E {I n(ω)} dω(4)2.2. SU对PU具有多个GFDM块的GFDM信号的PSD方程可以表示为：p（f）=1Σ|Gm.f−n2|（五）MTsn，mTs其中Ts表示一个符号的持续时间当假设SU在子载波n上的功率为pn时，GFDM系统的PSD可以表示为：pn（f）=pnΣ|Gm.f−n2|（六）、MTsn，mTs因此，由SU引入到PU的干扰可以表示为：In（pn）=−πI. Zewail等人/电气系统与信息技术杂志5（2018）594599dn+Ws/2dn−Ws/2|2 p n（f）df（7）|2p n(f) df(7)其中，Ws是中心频率，dn是子载波的频谱距离。600I. Zewail等人/电气系统与信息技术杂志5（2018）594n=1N≤==−dn+Ws/22.3. SU对其他SU从等式在等式（6）中，SU对之间引入的干扰可以表示为：INn（pn）=dn−Ws/2|2 p n（f）df（8）|2p n(f) df(8)其中hnSS是SU发射机和接收机的信道功率增益。3. 吞吐量计算本文提出了一种算法，以最大化的总吞吐量CR用户在下行链路的CDMA模式下，在一些约束下，如SU发射功率不超过AP的功率由SU引入的干扰受到阈值水平的限制，以确保PU的QoS。这个最大化问题可以用公式表示如下：最大N M联系我们受n=1i= 1n≤PmaxNIn（p n）I thn=11≤n≤N（九）其中RT表示所有SU的总吞吐量，Pmax是所有SU不应超过的AP的功率，并且Ith是最大干扰阈值水平。吞吐量可以从香农容量定理开始计算子载波n上的CR用户i的比特率可以表示为（Dawoud等人， 2016年）：的OFDM系统- 是 的|2ΣΣ|2ΣΣRi（p）=（1−SEL）Wslog21+{\fnSimHei\bord1\shad1\pos（200，288）}I+LJ+NW}1≤n≤N（10）M=/inl=1 n0的S其中，参数SEL表示由于CP的添加而导致的频谱效率损失（SEL） 它可以表示为（Dawoudet al.， 2016年）：SELTS+TCPTSTS表示符号持续时间，TCP是符号持续时间加上CP。用于GFDM系统（十一）- 是 的|2ΣΣ|2ΣΣRi（p）=（1−SEL）Wslog21+{\fnSimHei\bord1\shad1\pos（200，288）}I+J+W}1≤n≤N（12）SELTS+TCP/VTSM=/inl=1 n0的S（十三）其中V表示符号的数量，N是噪声增强因子（NEF），N= In（5BER/1.6）是基于映射器类型的BER的因子，N0是噪声功率，Ws是子载波的带宽。SUi利用所有子载波N可以实现的总吞吐量可以表示为：I. Zewail等人/电气系统与信息技术杂志5（2018）594601l=1RN（p）=N（1 −SEL）Wslog21+ .|2ΣΣ|2ΣΣ（十四）n=1{602I. Zewail等人/电气系统与信息技术杂志5（2018）594l=1.Σi、jM t=. m ∈ R|m=X + t D q∈ Z<$i、ji、ji、ji、ji、ji、j最后，当所有SUM使用所有子载波N时，总吞吐量被公式化为：RT（p）=MN（1 −SEL）Wslog21+ .|2ΣΣ|2ΣΣ（十五）i=1n= 1{4. 混合（该算法是基于种群的随机粒子群优化（PSO）算法和进化模式搜索（PS）算法的组合。这种混合算法被称为粒子群优化-模式搜索算法（PSO-PS）。该方法将PS算法与PSO算法相结合进行优化。为了搜索适应度函数/系统的吞吐量和决策变量的全局最优解，以及最小的计算时间。该混合算法是通过先全局搜索再局部搜索两种不同类型的进化算法来实现的。该混合PSO算法首先在搜索空间中随机设置每个具有随机速度和位置的粒子如Labbi和Ben Attous（2014）以及Dawoud等人所述，更新每个粒子速度。（2016年）：Vt=w·Vt−1+c1·rand1·。P最佳i，j−P t−1<$+c2·rand2·。Gbesti−P t−1Fc（16a）并且根据以下等式通过搜索空间更新粒子位置Pt=Pt−1+Vt（16b）其中，Fc表示收缩系数，其可以如下计算：2Fc=| 2 − Ø −√Ø 2 − 4Ø|（十七）与n=c1+c2≥ 4c1和c2是加速常数，j表示搜索空间问题的维数，rand1和rand2是在范围[0，1]上均匀分布的随机数。参数w表示惯性权重因子，指定先前速度与新速度的贡献，其在每次迭代t处通过以下公式更新（Nickabadi等人，2011年）：w= w Maxwmax−wmint（18）Imax其中Imax是迭代的最大次数，wmax和wmin分别是惯性的最大值和最小值。通过评估适应度函数/系统的吞吐量和通过迭代产生最佳位置适应度值的那个来分析群的每个粒子最佳局部解，称为P最佳（Personal Best）。群中的最佳位置被定义为Gbest（全局最佳）。比较所有粒子的Pbest如果达到最大迭代次数或找到最优值，则程序终止。该程序将显示最佳的解决方案，代表每个子载波所需的最佳功率值PS算法通过计算可能达到或可能不达到最佳值的点序列来进行PS首先在给定的初始点周围创建一组称为网格的点PSO算法的输出是PS算法的初始起点。通过将初始点添加到称为图案的一组向量的标量倍数来创建网格，PS生成迭代序列X1，X2，X3，.。. .，Xt 在目标函数的值不增加的情况下，在λXt处，网格可以表示为（Labbi和BenAttous，2014）：n t：q中文（简体）+其中m是Rn的离散子集上的网格轨迹点，Z+是非负整数的集合在第一次迭代时，PS算法以初始点X0作为由用户提供的起始点开始，并且设置一些参数，−I. Zewail等人/电气系统与信息技术杂志5（2018）594603- -.Σ（二十三）=0。50的情况。5吨否则，不图三. 2N图案向量中的网格点（Labbi和BenAttous，2014）。当扩张因子等于2，收缩因子等于0.5，网格尺寸等于1时，该算法开始构造模式向量，这些模式向量可以是图1所示的所谓方向向量[0 1]，[1 0]，[1 0]和[01]。3.第三章。然后，将初始点X0添加到方向向量以评估以下网格点：X0+[0 1]，X0+[1 0]，X0+[-1 0]和X0+[0 - 1]（20）之后，PS通过计算网格中每个点的目标函数来轮询网格点，然后它搜索具有比X0的目标函数值更小的目标函数的点。如果存在这样的点，那么现在轮询成功，并且该点被设置为等于X1。在达到轮询成功条件之后，该算法将网格大小乘以等于2的扩展因子，并递增迭代，其中迭代2处的网格点可以被指定为X1+2<$ [0 1]，X1+ 2<$ [1 0]，X1+ 2<$[−1 0]和X1+ 2<$ [0− 1]（21）但是，如果不存在具有小于当前点的目标函数的点，则它在下一次迭代中不改变并且X2=X1，然后算法将网格尺寸乘以等于0.5的收缩因子然后，它使用较小的网格尺寸进行轮询，该轮询步骤可以由Pt表示，并由（Ali和Gabere，2010）给出：P t=p i∈Rn||p i= X t+ ∆ t d i: d i∈ D, i := 1. . ..， r;（22）其中pi是沿着由D的列构造的方向的轨迹点。PS算法中的步长通常为1，并根据以下等式进行更新：.2 θ t如果f（pi）

下载后可阅读完整内容，剩余1页未读，立即下载