基于GA的认知物联网功率自适应PIS算法.pdf

May2023Journal of JilinlInformationScienceEditionnivers2023年5月No.3Vol.41第3 期第41卷吉林大学（信息科学版）文章编号：16 7 1-58 9 6(2 0 2 3)0 3-0 410-0 7基于GA的认知物联网功率自适应PIS算法孙振兴a，钱锦彬，南春萍，沙国辉，子昂（1东北石油大学秦皇岛校区a.电气信息工程系；b.基础部，河北秦皇岛0 6 6 0 0 4；2.东北石油大学电气信息工程学院，黑龙江大庆16 3318）摘要：针对并发频谱接入模型下的认知物联网（C-IoT：C o g n i t i v e In t e r n e t o f T h i n g s）系统中的干扰管理问题，提出一种基于遗传算法（GA：G e n e t i c A l g o r i t h m）的C-IoT功率自适应部分干扰转向（PIS：Pa r t i a l In t e r f e r e n c e St e e r i n g）算法。该算法能在同时保证主用户（PU：Pr i ma r y U s e r）和认知用户（CU：C o g n i t i v e U s e r）服务质量的前提下提高系统的频谱效率。仿真结果表明，该算法能在寻求系统最优频谱效率时快速收敛，求出此时PU和CU期望信号的最佳发射功率。在主发射机、PU和CU相对位置确定的场景下，根据用户的平均违反约束程度 D，能求解出可接人授权频谱认知发射机的最佳空间分布区域。关键词：认知物联网；干扰转向；遗传算法；功率分配中图分类号：TP929.5文献标志码：AGA-Based Power Adaptive PIS Algorithm for Cognitive Internet of ThingsSUN Zhenxing*,QIAN Jinbin,NAN Chunping,SHA Guohui?,XU Ziang2(1a.Department of Electrical Information Engineering;Ib.Basic Department,Northeast Petroleum University-Qinhuangdao,Qinhuangdao 066004,China;2.School of Electrical and Information Engineering,Northeast Petroleum University,Daqing 163318,China)Abstract:A GA(Genetic Algorithm)based C-IoT(Cognitive Internet of Things)power adaptive PIS(PartialInterference Steering)algorithm is proposed for the interference management problem in C-loT(Cognitive Internetof Things)systems under the concurrent spectrum access model.The algorithm can improve the spectrumefficiency of the system while ensuring the quality of service for both the PU(Primary User)and the CU(Cognitive User).The simulation results show that the algorithm can converge quickly in seeking the optimalspectral efficiency of the system and calculate the optimal transmitting power of the PU and CU desired signals.In the scenario where the relative positions of the primary transmitter,PU and CU are determined,the optimalspatial distribution of the cognitive transmitters with access to the authorized spectrum can be solved based on theaverage degree of constraint violation Dev by the users.Key words:cognitive internet of things;interference steering;genetic algorithm;power allocation0引言C-IoT(Cognitive Intermet of Things）是一种新的物联网范式1，其思想是CU（C o g n i t i v e U s e r）通过动态频谱接入技术访问PU(PrimaryUser）的授权频谱，解决了频谱资源使用效率低下的问题。根据PU和CU的共存方式不同，动态频谱接人模型可分为机会频谱接人模型和并发频谱接人模型2。在并发频谱接入模型中，CU可在PU使用授权频谱的同时访问频谱，与机会频谱接入模型相比具有更高的频谱利用率，因而被广泛研究应用。而并发频谱接入模型在提高频谱效率的同时也给C-IoT系统带来了复杂的干扰问题，通常收稿日期：2 0 2 2-12-2 7基金项目：黑龙江省自然科学基金资助项目（LH2022F004）；东北石油大学青年科学基金资助项目（2 0 2 0 QNQ-05）作者简介：孙振兴（19 8 1一），男，黑龙江鹤岗人，东北石油大学副教授，硕士生导师，主要从事超密集网络中的协作传输和干扰管理等研究，（Tel)86-17717150027(E-mail)。孙振兴，等：基于GA的认知物联网功率自适应PIS算法411第3 期需要认知发射机(CU-Tx)抑制自身的发射功率，确保CU-Tx对 PU的干扰满足干扰温度阈值条件34。为解决频谱共享中遇到干扰问题，通过在C-IoT中引人干扰管理（IM：In t e r f e r e n c e M a n a g e me n t)技术，在保证PU服务质量（QoS：Q u a l i t y o f Se r v i c e）的前提下，提高CU的QoS以及授权频谱的利用率。常见的IM技术有干扰对齐（IA：In t e r f e r e n c e A l i g n me n t）5-、干扰抑制8、干扰转向（IS：In t e r f e r e n c eSteering）9-10 等。目前C-loT中的IM方法多以IA或干扰抑制等算法为主，虽然能很好地维护PU的QoS，但忽略了CU处的性能要求。另外，IA的实施受自由度（DoF：D e g r e e o f Fr e e d o m）的限制，且高度依赖于系统参数5-7。此外，若将CU-Tx对PU的多路干扰对齐到PU的一维干扰子空间中，会导致CU收到的多个信号互相重叠，显然此情况下IA算法并不适用11。在IA不适用的场景中，IS逐渐成为一种新兴的IM解决方案。文献10 研究结果表明，IS在频谱效率方面优于现有的IM技术。但现有的IS算法仅考虑消除异构蜂窝网中微用户处的干扰信号，忽视了宏用户受到的干扰然而，在使用IS算法消除C-IoT系统中的干扰信号时，需要事先确定PU和CU期望信号的发射功率，因为IS需要根据干扰的强度以及数据信息产生转向信号。由此涉及到期望信号的发射功率和预留转向信号的发射功率开销之间的功率分配问题。传统做法是直接在发射机端预留一部分发射功率用于产生转向信号，这种静态分配方案显然不是最优的，存在功率浪费或转向信号发射功率不足的问题。为此笔者提出一种基于GA（G e n e t i c A l g o r i t h m）的C-IoT功率自适应PIS（Pa r t i a l In t e r f e r e n c e St e e r i n g）算法，在共同保证PU和CUQoS的前提下，分配发射机的发射功率以及设置PU和CU的信干噪比（SINR：Signal to Interference andNoiseRatio）阅值，利用GA求解PU和CU期望信号的发射功率，使整个系统SE（Sp e c t r a l Ef f i c i e n c y）最大，从而实现功率的自适应分配。1系统模型系统模型如图1所示，C-IoT由授权主网络和认知网络组成。主网络包含PU-Tx和PU。认知网络由CU和CU-Tx组成。PU-Tx和CU-Tx分别配备NT,和NT.个天线，PU和CU分别配备NR.p和NR.。个天线，其中Nt,NR，i e（p c)，表示PU，表示CU，i 表示PU和CU中的任意一个用户。发射机i的发射功率为Pt，用户i期望信号的发射功率为P，其中P:Pr，-P,时IS无法顺利实施，传统的处理方法是切换到non-IM方案，即被干扰的接收机使用匹配滤波解码出用户所需的期望信号，而不管理干扰。non-IM很难保证用户i的QoS，且预留的发射功率没有得到充分利用，存在功率浪费现象。PIS算法的思想是将发射机i处预留的发射功率充分利用，使其产生转向信号消除部分干扰信号。当PlPt-P：时，PIS算法下用户i的转向信号发射功率开销满足P=pPI，其中p:为部分转向系数，p:=（Pt-P.)/P)。发射机i预留的发射功率只能转向S:部分干扰信号/p讯-，用户i接收到的部分干扰信号为ip,;=(1-(3)0P其中PPIS为用户i采用PIS算法时对应的投影矩阵，此时PPIS=P故PIS算法下用户i的部分干扰信号接收功率为ro，PIs PT,-P;S;par(4)一 PT.-P;2.2遗传算法遗传算法是一种全局搜索的智能优化算法12-3，其模拟生物在自然环境中遗传和进化过程，不断迭代直至找到满足条件的最优解，因此被广泛用于寻找各种科学和工程问题的最佳解决方案。通过引人GA，将PIS算法的功率分配问题转化为GA下的最优解搜索问题遗传算法中采用的适应度函数为第3期孙振兴，等：基于GA的认知物联网功率自适应PIS算法413Ffitness(Pi,P_.)=log2(1+;+-+-),s.t.0 P:PT,O P_;PT-;(5)thYi,-i,th其中为用户i的SINR阈值，用户i的SINR为P.AY=(6);paripar,+o2，其中入1为，的主奇异值，表示主要空间子信道的幅值增益。GA的运算流程如下。Step1初始化种群。设置最大进化代数G，随机生成NP个体作为初始父代种群，使用二进制位串随机生成个体，二进制位串长度L由解的精度决定。Step2个体适应度评价及约束条件处理。个体的适应度函数值Fitnes是评价个体好坏的关键因素。根据C-IoT中PU和CU的通信质量优先级不同，采用个体的违反约束程度判断个体的优劣，并结合个体的Frines控制进化搜索方向，使整个优化搜索的过程向对C-IoT有利的方向进行。违反约束程度D。表示个体对约束条件的执行情况，D。的取值如下：0,o and yi,J1,andyiyt,ththD(7)CV2，y and yr yt,thth13，%and yh,thth其中O表示同时满足PU和CU的约束条件，1表示只满足PU的约束条件，2 表示只满足CU的约束条件，3表示两者均不满足。D的值越小优先级越高，个体越优良。种群中个体的平均违反约束程度用D表示：NPD二CV./NP,(8)cVaveCV1其中D。值越小说明子代种群中优良的个体占比越高。Step3选择算子。笔者参考NSGA-II（No n-D o mi n a t e d So r t e d G e n e t i c A l g o r i t h m-II）算法中的竞标赛挑选方法，在每轮选择操作中，从父代种群中挑选个体，结合D和Fitnes函数值的信息将个体中最优的个体遗传到子代种群中，直至挑选的个体达到种群规模。以=2为例描述个体的挑选过程，当DevalDeye时，De值越小的个体优先挑选，当D。Deval=Deya时，优先挑选Fritnes值大的个体。cVStep4交叉算子。挑选多个个体随机搭配，通过随机生成的某一概率与设定的交叉概率P比较，满足条件时交换个体之间的部分基因。通过交叉操作，搜索能力得到显著提高。Step5变异算子。遗传算法中的变异操作与交叉类似，也是通过设定的变异概率P决定，变异的主要目的是保证种群的多样性。Step6终止条件。当种群的进化规模达到最大进化代数G时，迭代停止，同时输出最佳个体包含的功率信息。否则，继续进行选择，交叉，变异操作。3算法仿真与分析笔者采用Matlab仿真验证算法。考虑PU-Tx工作在半径为30 0 m的住宅区4，Pr，=30 d Bm，CU-Tx的覆盖范围不超过50 m，Pr。=2 0 d Bm，PU 和CU的SINR阈值分别为5dB和3dB，背景噪声功率为-50 dBm，衰落因子A=0.097，路径损耗指数m=3。根据g:=Ad，Pr.的取值范围为SP第41卷吉林大学学报（信息科学版）414-55,30 d Bm，Pr.的取值范围为-41,2 0 dBm。利用，=10 logio（3,）【10)，其中=Pr，计算出，的取值范围为5,8 0 dB。利用号,=10 logio（$,）10，其中，=P,/PT。为便于说明，假设PU-Tx到PU和CU的距离相等，CU-Tx到PU和CU的距离相等，即gp=gep和g。=g p.c，故有$,=Pt,/PT。，专。=1/p。根据上述参数设置，计算出,-7 4,7 1d B，则，的取值范围约为10-7,10。遗传算法所需的参数包括：G=160，NP=150，P=0.8，P=0.1。图2 b表明在，=10 时，笔者算法大约在第38 次迭代时趋近收敛。迭代初期平均SE高于最佳SE，但从图2 a可看出，此时种群的平均违反约束程度过高，PU和CU的QoS难以得到保证，种群应向违反约束程度小的方向进化。选代结束后，系统最佳SE为2 1.7 9 8 9 bits-1Hz-1,PU和CU的SINR值远超最初设定的阈值。图2 c和2 d中$，=10，该值靠近取值范围的右边界，只能保证PU的QoS。同理，当5，靠近左边界时，只能满足CU的QoS。从上述分析可看出，$，的取值过大时，无法满足CU的QoS，但该情况属于C-IoT系统仍能接受的次优解。专。的取值过小的情况违反了频谱共享的前提条件，因为PU的QoS不能得到可靠保证。然而，S，的极端的边界情况通常是可以避免的，在现实场景中CU-Tx不应该靠近或远离PU-Tx部署。2522(ZHi-S.119)/率聚Po=187.7126mW2020P,=49.999.4mW2o=37.891.8dB2-27.7214dB1518Csy=21.79891bit/s/Hz1016514平均频谱效率最优频谱效率00102468101214160246810121416选代次数10/次送代次数10/次a=102下系统的平均违反约束程度b=102下系统的频谱效率P2.015.5(,ZH,.S.19)/率聚1.614.5P,=-999.9990mWP.=99.962.5mW1.213.52P=45.156.9.dB2-36.7627dBCsy=15.0011bit/s/Hz0.812.50.411.5平均频谱效率最优频谱效率0002468101214160246810121416选代次数10/次选代次数10/次C=105下系统的平均违反约束程度d=105下系统的频谱效率图2 在=40 dB和不同，下C-IoT系统的频谱效率和平均违反约束程度与选代次数的关系Fig.2SE and degree of constraint violation versus iterations for C-IoT systems at,=40 dB and different图3为=40 dB下C-IoT系统的频谱效率和平均违反约束程度与，的关系。图3a和3b表明，在，=40 d B以及文中的系统参数下，笔者算法的最佳取值范围约为-40,40 dB，而传统IS算法下的最佳取值范围约为10,10 dB，其中最佳取值范围是平均违反约束程度为0 时。的取值范围。根据，和，的定义，可计算出CU-Tx的最佳空间分布区域。在此区域内，PU和CU的QoS同时得到满足，并且系统的SE最大化，授权频谱得到充分利用。在30 40 dB之间虽然传统IS算法的SE优于笔者算法，但平均违反约束程度为1，对整个系统而言是次优解。从图4a和4b可看出，在5dB,10dB和,2 0 dB时，笔者算法下系统的SE和违反约束程度均优于传统的IS算法，并且随，的增大，笔者算法的优势愈发明显。在，位于10 2 0 dB之间时，虽然传统IS算法略优于笔者算法，但前者违反约束程度更高，以牺牲CU的QoS为代价，获取系统SE的短时提高是不可取的。C-IoT下干扰管理的最优解应是在满足PU和CU两者QoS的基础上寻求系统SE的最大化，因此只满足PU的QoS的做法综合考虑下只能充当次优解。孙振兴，等：基于GA的认知物联网功率自适应PIS算法第3期4152.045平均违反约束程度（笔者算法）一C-1oT系统的频谱效率（笔者算法）C-IoT系统的频谱效率（传统IS算法）平均反约束程度（传统IS算法）(,ZH1-S.119)/率最佳取值范围1.6（笔朴算法）351.2250.8最售取值范围15（传统IS算法）0.40010-810-610-410-210010210410%10810-810-6104 10-2100102104106108a平均违反约束程度b频谱效率图3在,=40 dB下C-IoT系统的频谱效率和平均违反约束程度与s，的关系Fig.3SE and degree of constraint violation versus S,for C-IoT systems at,=40 dB10(,ZH-S.110)/01x率5一一平均违反约束程度（笔者算法）日一C-IoT系统的频谱效率（笔者算法）一一平均违反约束程度（传统IS算法一C-IoT系统的频谱效率（传统IS算法）84642200012345678012345678.10.10a平均违反约束程度b频谱效率图4$，=10 2 下认知物联网系统的频谱效率和平均违反约束程度与，的关系Fig.4SE and degree of constraint violation versus 3,for C-loT systems at 5,=10?4结语笔者通过设定SINR阈值和适应度函数，并利用GA的全局搜索能力对系统的SE进行优化搜索，寻找出最佳的功率分配方案，同时保证PU和CU的QoS。通过仿真实验，证明笔者算法能在搜寻系统最优SE值时快速收敛，同时仿真结果也表明C-IoT下该算法的性能优于传统的IS算法。此外，该算法能根据实现PIS后用户QoS的反馈结果，计算出可接入授权频谱的CU-Tx的最佳空间分布区域。参考文献：1 JSAGHIRIA A M.Cognitive Internet of Things:Challenges and Solutions J.Artificial Intelligence-Based Internet of ThingsSystems,2022:335-362.2022-10-18.https:/doi.org/10.1007/978-3-030-87059-1-13.2 JMIAO L,DI X,HUO Z M,et al.Research on Spectrum Sensing Data Falsification Attack Detection Algorithm in CognitiveInternet of Things J.Telecommunication Systems,2022,80(2):227-238.3 J BHATTACHARJEE S,ACHARYA T,BHATTACHARYA U.Cognitive Radio Based Spectrum Sharing Models for Multicastingin 5G Cellular Networks:A Survey J.Computer Networks,2022,208:108870.【4 梁聪，赵晓晖。基于OFDM的认知无线电系统联合资源分配J吉林大学学报（信息科学版），2 0 16，34（3）：303-309.LIANG C,ZHAO X H.Hybrid Resource Allocation for OFDM-Based Cognitive Radio Systems JJ Journal of Jilin University(Information Science Edition),2016,34(3):303-309.5 JNAMDAR M,BASGUMUS A,ALDIRMAZ-COLAKS,et al.Iterative Interference Alignment with Spatial Hole Sensing inMIMO Cognitive Radio Networks J.Annals of Telecommunications,2022,77(3):177-185.6 JKHODKAR Z,ABOUEI J.NOMA-Inspired Coexistence Enabling Method in Cell-Free Massive MIMO Using OpportunisticInterference Alignment J.Computer Communications,2022,191:285-298.7 JABDULKADIR Y,SIMPSON O,SUN Y.Interference Alignment for Cognitive Radio Communications and Networks:A Survey（责任编辑：张洁）第41卷吉林大学学报（信息科学版）416J.Journal of Sensor and Actuator Networks,2019,8(4)2022-10-22.https:/ 0 18，36（4）：36 6-37 1.LIU M,SUN Z X.Interference Suppression Algorithm for Cognitive Radio Based on Multi-Objective Optimization JJ.Journalof Jilin University(Information Science Edition),2018,36(4):366-371.9JLI Z,LIU Y,SHIN K G,et al.Interference Steering to Manage Interference in IoT J.IEEE Internet of Things Journal,2019,6(6):10458-10471.1oJLI Z,LIU Y,SHIN K G,et al.Design and Adaptation of Multi-Interference Steering J.IEEE Transactions on WirelessCommunications,2019,18(7):3329-3346.11 JLI Z,CHEN J,ZHEN L,et al.Coordinated Multi-Point Transmissions Based on Interference Alignment and NeutralizationJ.IEEE Transactions on Wireless Communications,2019,18(7):3347-3365.12JZHANG J,HU Y,HUANG C,et al.NSGA-I Based Multi-Objective Optimization Method for Power IoT Terminal SensorsC/International Conference on Networking Systems of AI(INSAI).S.1.:IEEE,2021:263-268.13 JMIAO L,QING H,HUO Z M,et al.Genetic Algorithm-Based Hybrid Spectrum Handoff Strategy in Cognitive Radio-BasedInternet of Things J.Telecommunication Systems,2022,80(2):215-226.14JLOPEZ-PEREZ D,GUVENC I,DE LA ROCHE G,et al.Enhanced Intercell Interference Coordination Challenges inHeterogeneous Networks J.IEEE Wireless Communications,2011,18(3):22-30.