多播认知OFDM网络能量效率最大化资源分配算法

王卉隽，钱 芳

(1. 中国船舶工业综合技术经济研究院, 北京 100081) (2. 南京理工大学 计算机科学与工程学院， 南京 210094)

·数据处理·

多播认知OFDM网络能量效率最大化资源分配算法

王卉隽1，钱 芳2

(1. 中国船舶工业综合技术经济研究院, 北京 100081) (2. 南京理工大学 计算机科学与工程学院， 南京 210094)

将认知无线电技术与正交频分复用(OFDM)相结合是解决目前频谱资源匮乏的首选方案之一。通过采用多播技术，将对同一内容感兴趣的用户作为一个多播组，为系统提供多播业务，使得相同的无线网络资源能够服务更多的用户，有效地利用有限的频谱资源以及发射功率，有效缓解目前频谱资源紧缺现状，具有重要意义。通过对认知OFDM系统的单播多播等方面进行归纳分析，介绍了不同的资源分配方法，研究了基于能量效率最大化的认知OFDM系统多播资源分配问题，并分析了解决方法，仿真结果表明该算法的有效性。

认知无线电；正交频分复用系统；多播

0 引 言

目前，随着无线设备、服务和资源的增加，无线通信系统对传输速率的要求越来越高。认知无线电技术为提高频谱利用率提供了可行途径，近年吸引了越来越多的关注[1]，已成为解决频谱资源匮乏、频谱资源利用率低下等一系列问题的首选方案之一。认知无线电(CR)是由Mitola于1999年提出的[2-14]。认知无线电的原理可被概括为“机会式频谱接入”，即授权用户对频谱拥有优先使用权，可随时使用频谱。拥有一定认知能力的认知用户寻找授权用户暂时空闲的频谱波

段，即“频谱空洞”，通过“机会式”接入的方式使用授权用户暂未使用的授权频段，使得授权频谱被“二次利用”。

正交频分复用(OFDM)技术是一种实用的多载波调制技术，它将整个频段划分为多个可以进行独立调制和解调、每个占据很小频段的子载波，通过这种方法，它可以为资源分配提供更细的粒度。因此，得到众多科研工作者的肯定。OFDM技术的特点和优势可很好地与认知无线电的技术特性有机地结合起来，进一步提高频谱使用效率。

近年来，针对认知OFDM无线网络资源分配已有不少文献研究。在涉及多播认知OFDM无线网络场景下，Duy等[15-16]研究了传统多播资源分配，但该方法未能深挖无线通信中多播的技术优势，性能有待进一步提高，且被多播组中性能最差用户所限制。学

术界为了克服该缺点，提出了编码多播的方法[5-9]，取得了较好的效果。Changho等[5]对单小区单个多播组的情形下，多描述编码多播资源分配进行了深入研究，但未考虑多个多播组的情况。Xu等[6]在Changho等研究的基础上，进一步完善至多个多播组的情形，并在论文中明确了资源分配的上下界。Zhang等[7]研究了认知OFDM系统中多描述编码多播资源分配，且基于拉格朗日对偶分解提出了一个分布式资源分配算法。Yang等[8]提出了多描述编码，它们与多播认知OFDM无线网络和两个启发式分布式资源分配算法相结合，最大化了加权速率和。杨[9]在他的博士论文中研究了具有统计信道状态信息认知无线网络中的多描述编码多播资源分配问题以及基于认知OFDM技术的多小区下的多描述编码多播资源分配问题，方案被证明性能良好、有优越性。

本文对多播认知OFDM网络最大化能量效率资源，主要是带宽和功率分配进行了研究，主要工作如下：1) 对多播认知OFDM网络进行建模，提出认知OFDM网络最大化能量效率分配算法，利用可行方向法对算法进行求解以得到资源分配结果；2)通过仿真验证算法的有效性。

1 系统模型和优化问题描述

本文考虑的是多播认知OFDM网络下行传输场景，其系统模型如图1所示。

图1 多播认知OFDM网络

(1)

(2)

(3)

(4)

(5)

式中：pg,m是多播组g中子载波m上认知基站的发射功率。

由于在一个多播组中，所有认知用户接收到的数据速率是相等的，因此，多播组g中子载波m上的总速率可被定义为

(6)

ρg,m表示多播组g子载波m的子载波分配指标。例如,ρg,m=1代表子载波m分配给多播组g，并且每个子载波只能被分配给一个多播组，也就是

(7)

令Pfix表示在电源处获取的固定电源的功耗，Ptotal表示多播认知OFDM网络的总功率，ζ表示功率放大器的效率。为了保证功率分配的可行性，我们添加了约束

(8)

(9)

(10)

式中：σn=(dn/d0)-αsn是认知基站和授权用户n之间的长期平均信道增益，dn是认知基站和授权用户n之间的距离，d0是参考距离，α是振幅路径-损耗指数，且认知基站和授权用户n之间的阴影衰落sn服从对数正态分布。

(11)

将多播认知OFDM网络的认知基站的能效定义为获得的数据率和能耗的比值，优化目标为最大化能量效率。因此，该多播认知OFDM网络资源分配问题被制定为

(12)

在式(12)限制条件C1-C5的约束下，目标函数表示的是多播认知OFDM网络所能达到的最大能量效率。其中，C1对多播组速率进行了限制，C2限制了对用户的干扰，C3对认知OFDM网络的总功率进行了限制，C4和C5规定了子载波分配的可行性。

2 算法求解

可行方向法是求解约束最优化问题的一类常用方法，是无约束最优化问题下降迭代算法的自然推广，算法的主要步骤是迭代方向的选取和最优迭代步长的确定。迭代方向的选择不同形成了不同的可行方向法，本文采用的是Zoutendijk可行方向法，它主要利用有效约束来构造可行方向。下文给出了利用Zoutendijk可行方向法求解非线性约束优化问题的计算流程。

步骤1：给定初始可行点x(k)，允许误差ε>0，置k=0。

步骤2：确定点x(k)处的有效约束指标集I(x(k))：={i|gi(x(k))=0，∀i∈{1,2,…,m}}。

步骤3：求解式

得到最优解(z(k),d(k))。

步骤5：进行一维线性搜索，求解

得到最优解λk，其中，λmax按照式λmax=sup{λ|gi(x(k)+λd(k))≥0,∀i∈{1,2,…,m}}进行计算。

步骤6：令x(k+1)=x(k)+λkd(k)，置k=k+1，转步骤2。

3 仿真结果与性能分析

为了验证本文所提算法的性能，本节利用MATLAB对所提算法进行仿真，并将其与传统的资源分配算法Max-min算法以及单播情况进行比较。具体仿真条件如下：

在一个被授权基站和认知基站同时覆盖的区域中，其中认知基站覆盖半径为200 m，共有G=5个多播组，每个多播组里面有4个认知用户，授权用户数N=2。在授权网络和认知网络中，物理层的调制技术均采用OFDM技术，子载波的数目是K=128，带宽2 MHz，误比特率为1×10-4，噪声功率N0=1×10-9W。

为了与所提算法进行比较，我们采用了Max-min算法以及单播情况。在Max-min算法中，资源分配算法基于Max-min准则，子载波以最小输量被分配给用户，且总功率被定义为Ptotal/G来保证授权用户通信。在单播情况下，是多播认知OFDM网络|Kg|=1时的特殊情况，且采用可行下降法的Zoutendijk方法来解决条件约束资源分配问题。

图2 干扰功率门限与能量效率的关系

图3 干扰功率门限与频谱效率的关系

4 结束语

作为提高频谱效率的方法，认知OFDM无线网络动态资源分配必将受到越来越多的关注和研究。本文对认知OFDM系统中的多播资源分配进行了深入地探讨，对多播认知OFDM网络中下行传输场景进行建模，提出了一种最大化能量效率资源分配算法。该算法不仅能够保证用户对最低速率的需求、用户的干扰门限值要求以及整个认知OFDM网络总功率的限制，还能有效提高整个多播认知OFDM网络的能量效率和频谱效率。最后利用Zoutendijk可行方向法法对优化问题进行求解，仿真结果表明本文所提算法的能量效率和频谱效率要高于Max-min算法以及单播情况的能量效率。

[1] XU L, LI Y P, LI Q M, et al. Proportional fair resource allocation based on hybrid ant colony optimization for slow adaptive OFDMA system[J]. Information Science, 2015(293): 1-10.

[2] MITOLA J. Cognitive radio for flexible mobile multimedia communications[C]// 1999 IEEE International Workshop on Mobile Multimedia Communications. San Diego: IEE Press, 1999: 3-10.

[3] XU L, LI Y P, YANG Y W, et al. Proportional fairness resource allocation scheme based on quantised feedback for multiuser orthogonal frequency division multiplexing system[J]. IET Communications, 2014, 8(16): 2925-2932.

[4] SON K, JUNG B C, CHONG S, et al. Opportunistic underlay transmission in multi-carrier cognitive radio systems[C]//2009 IEEE Wireless Communications and Networking Conference Budapest, Hungary: IEEE Press, 2009: 1-6.

[5] 李鑫滨, 石爱武, 宋兴芳. Underlay模式下认知无线电OFDM系统多用户资源分配[J]. 电信科学, 2013(4): 83-88. LI Xinbin, SHI Aiwu, SONG Xingfang. Multi-users resource allocation problem in OFDM systems under the underlay spectrum sharing mode for cognitive radio[J]. Telecommunicaitons Science, 2013(4): 83-88.

[6] SOLTANI N Y, KIM S J, GIANNAKIS G B. Chance-constrained optimization of OFDMA cognitive radio uplinks[J]. IEEE Transactions on Wireless Communcations, 2013, 12(3): 1098-1107.

[7] ZHANG Y, LEUNG C. Resource allocation in an OFDM-based cognitive radio systems[J]. IEEE Transactions on Communications, 2009,57(7): 1928-1931.

[8] XU L, QIAN F, LI Y P, et al. Resource allocation based on quantum particle swarm optimization and RBF neural network for overlay cognitive OFDM system[J]. Neuro Computing, 2016(173): 1250-1256.

[9] DU Z Y, WANG C G, REN G C, et al. A mixed access strategy combining overlay and underlay for cognitive radio[C]// Proceedings of International Conference of China Communication and Technology (ICCCT2010) Guangxi:[S.l.]. 2010.

[10] BANSAL G, HOSSAIN M J, BHARGAVA V K. Optimal and suboptimal power allocation schemes for OFDM-based cognitive radio systems[J]. IEEE Transactions on Wireless Commun, 2008,7(11): 4710-4718.

[11] ZHANG Y H, LEUNG C. Subcarrier bit and power allocation for multiuser OFDM-based multi-cell cognitive radio systems[C]// 2008 IEEE 68th Vehicular Technology Conference. Calgary, Canada: IEEE Press, 2008: 1-5.

[12] CHOI K W, HOSSAIN E, KIM D I. Downlink subchannel and power allocation in multi-cell OFDMA cognitive radio networks[J]. IEEE Transactions on Wireless Communications, 2011,10(7): 2259-2271.

[13] CAO L H, XU W J, LIN J R, et al. An auction approach to resource allocation in OFDM-based cognitive radio networks[C]// 2012 IEEE 75th Vehicular Technology Conference (VTC Spring) Yokohama, Japan: IEEE Press, 2012: 1-5.

[14] NGO D T, TELLAMBURA C, NGUYEN H H. Resource allocation for OFDMA-based cognitive radio multicast networks with primary user activity consideration[J]. IEEE Transactions on Vehicular Technology, 2010, 59(4): 1668-1679.

[15] NGO D T, TELLAMBURA C, NGUYEN H H. Efficient resource allocation for OFDMA multicast systems with spectrum-sharing control[J]. IEEE Transactions on Vehicular Technology, 2009, 58(9): 4878-4889.

[16] NGO D T, TELLAMBURA C, NGUYEN H H. Resource allocation for OFDM-based cognitive radio multicast networks[C]// 2009 IEEE Wireless Communications and Networking Conference. Budapest, Hungary: IEEE Press, 2009: 1-6.

[17] SUH C, MO J. Resource allocation for multicast services in multicarrier wireless communications[J]. IEEE Transactions on Wireless Communications, 2008, 7(1): 27-31.

[18] XU W J, NIU K, LIN J R, et al. Resource allocation in multicast OFDM systems: lower/upper bounds and suboptimal algorithm[J]. IEEE Communications Letters, 2011, 15(7): 722-724.

[19] ZHANG S, XU W, LI S, et al. Resource allocation for multiple description coding multicast in OFDM-based cognitive radio systems with non-full buffer traffic[C]// 2013 IEEE Wireless Communications and Networking Conference. Shanghai: IEEE Press. 2013: 199-204.

[20] YANGK, XU W, LI S, et al. Distributed multicast resource allocation in OFDM based cognitive radio networks[C]// 2013 8th International Conference on Communications and Networking in China. Quilin: IEEE Press, 2013: 57-62.

[21] 杨科文. 基于OFDM的认知无线网络多播资源分配[D]. 北京: 北京邮电大学, 2014. YANG Kewen. Resource allocation in OFDM-based cognitive radio networks[D]. Beijing: Beijing University of Posts and Telecommunications, 2014.

王卉隽 女，1983年生，本科，工程师。研究方向为舰船自动化技术和标准。

钱 芳 女，1992年生，硕士研究生。研究方向为认知OFDM无线网络资源分配。

Energy-efficient Resource Allocation for Multicasting Cognitive Radio OFDM Network

WANG Huijun1，QIAN Fang2

(1. China Institute of Marine Technology and Economy, Beijing 100081, China) (2. School of Computer Science and Technology,Nanjing University of Science and Technology, Nanjing 210094, China)

Cognitive radio is one of the preferred schemes in solving scarce resources of spectrum nowadays, and its combination with orthogonal frequency division multiplexing(OFDM) system has received lots of attention. It is well suited to apply multicast by grouping the users interested in the same content and providing multicast service for them. Therefore, how to efficiently develop multicast delivery in OFDM-based cognitive networks is of vital significance. In order to make full use of the limited resources of spectrum and transmission power and to relieve the situation of scarce spectrum resources, different methods of resource allocation for cognitive OFDM radio network in view of unicasting and multicasting is given. Based on energy efficiency, resource allocation for multicasting cognitive OFDM system is researched, and feasible direction method is used to solve the problem is analyzed. The effectiveness is verified by simulation.

cognitive radio; orthogonal frequency division multiplexing system; multicasting

10.16592/ j.cnki.1004-7859.2016.12.014

国家自然科学基金资助项目(61301108，61671244)；中央高校基本科研业务费专项资金资助项目(30915011320)

王卉隽 Email：wanghuijun619@163.com

2016-09-19

2016-11-22

TN925

A

1004-7859(2016)12-0069-04