, 高静1, 吕腊梅11. 东北大学秦皇岛分校 控制工程学院, 河北 秦皇岛 066004;
2. 东北大学 信息科学与工程学院, 辽宁 沈阳 110819
收稿日期：2016-05-01
基金项目：国家自然科学基金资助项目(61403069)；河北省自然科学基金资助项目(F2014501055)；中央高校基本科研业务费专项资金资助项目(N162304003)。
作者简介：范立娜(1975-), 女, 河北唐山人, 东北大学讲师, 博士;
汪晋宽(1957-), 男, 辽宁沈阳人, 东北大学教授，博士生导师。
摘要：研究了协作通信系统中功率分配的问题, 主要研究了固定放大转发协议下单中继系统的功率分配.首先对系统的误码率进行了推导并以最小化系统的误码率为目标对优化问题进行了定义; 其次引入惩罚因子将有约束的最小误码率优化问题转化为无约束优化问题进而建立新的目标函数; 最后提出了人工鱼群和粒子群相结合的算法对系统优化问题进行了求解.仿真结果表明所提算法提升了系统的性能并降低了计算复杂度.
关键词：功率分配协作通信中继人工鱼群粒子群优化
Research on Relay Power Allocation Algorithm for Cooperative Communication Systems
FAN Li-na1, WANG Jin-kuan2
, GAO Jing1, LYU La-mei11. School of Control Engineering, Northeastern University at Qinhuangdao, Qinhuangdao 066004, China;
2. School of Information Science & Engineering, Northeastern University, Shenyang 110819, China
Corresponding author: WANG Jin-kuan, E-mail: wjk@neuq.edu.cn
Abstract: Power allocation of the cooperative communications was investigated, as well as an optimal power allocation of single relay system with amplify-and-forward (AF) protocol. The instantaneous symbol error rate (SER) for the AF relay system was derived first and the objective of optimization by minimizing the system error rate was defined. Secondly, the penalty factor was introduced to transform the constrained minimum bit error rate problem into an unconstrained problem and then a new objective function was established. Finally, a combination of artificial fish swarm and particle swarm optimization algorithm(AFPSO) was proposed to solve the system optimization problem. Simulation result shows that the proposed algorithm can improve the system performance and reduce the computational complexity.
Key Words: power allocationcooperative communicationsrelayartificial fish swarmparticle swarm optimization
在无线通信系统中, 衰落、多径效应和节点的移动导致通信环境恶化, 这些将严重地影响通信质量和数据的传输速率.协作通信技术可以提高系统容量、增大数据传输速率、有效地对抗衰落以及降低系统的中断概率, 从而提高系统的服务质量和可靠性来满足无线网络日益增长的用户的需求[1-4].根据中继节点对接收信号的不同处理方式, 协作分集分成多种类型.常见的协作方式有放大-转发(amplify-and-forward, AF)、解码-转发(decode-and-forward, DF)和编码协作等方式.其中AF方式直接对接收信号进行放大, 然后转发给接收端, 不对其进行解调和解码.这种方法由于复杂度低, 中继节点处理信号的时间短而被广泛应用.然而, 在协作通信系统中, 中继节点的功率都是受到一定限制的, 需要进行合适的功率分配, 才能获得可观的增益.因此目前功率分配问题受到了广泛的关注.文献[5]中提出了在给定中继节点和源节点功率比下MIMO中继系统的联合功率分配算法.文献[6]中提出的功率分配方案是在多中继系统中选择最优中继从而达到提高系统性能的目的.Maric等[7]针对AF中继采用注水算法进行功率分配.
本文针对AF协作方式下中继系统的资源分配问题, 推导出了系统的误码率表达式, 通过最小化系统的误码率得到最优功率分配.建立系统新的目标函数, 提出人工鱼群算法和粒子群算法相结合的算法并进行了仿真实验.
1 系统模型1.1 单中继协作通信系统模型在中继信道中, 有3个节点:源节点(S)、中继节点(R)和目标节点(D), 如图 1所示.中继采用AF协作方式.协作通信分为两个阶段:在时隙1阶段, 源节点发送广播信息并由中继节点和目标节点接收.在时隙2阶段中继将时隙1阶段接收到的信号放大转发给目标节点.设接收端对所有链路的信道状态信息完全已知.在时隙1阶段, 中继和目标节点接收到的源信号可分别表示为
图 1(Fig. 1)
 | 图 1 单中继协作系统模型Fig.1 Cooperative system model of single relay |
 | (1) |
 | (2) |
时隙2, 中继对接收到的源信号进行放大, 并转发给目标节点.目标节点接收到的信号可以表示为
 | (3) |
 | (4) |
 | (5) |
采用最大比合并(MRC)接收, 合并输出的信号为
 | (6) |
1.2 接收信噪比接收器合并输出的信噪比为两路信号的信噪比之和,
 | (7) |
 | (8) |
 | (9) |
 | (10) |
 | (11) |
 | (12) |
 |
 | (13) |
2.2 功率分配算法以式(13) 为目标函数的最优功率求解是一个全局优化问题, 可以通过人工鱼群算法[8-10]或粒子群算法[11-12]求解.结合以上两种算法的思想, 以式(13) 为适应度函数建立AFPSO算法来求解最优的功率.把种群分成两部分N=N1+N2, 一部分采用人工鱼群算法求解, 另一部分采用粒子群算法, 比较两种算法得到的最优功率值, 取使目标函数最小的值, 即为所求.算法的步骤如下:
1) 初始化鱼群和粒子.在可行域内, 随机初始化种群规模N, 人工鱼个体的状态和粒子的初始值P=(PS, PR), 人工鱼移动的最大步长Step, 人工鱼的视野Visual, 尝试次数try_number, 拥挤度因子δ, 粒子的速度v, 认知系数c1和社会系数c2, 惯性权重ω, 最大迭代次数G.每次迭代后人工鱼或粒子的状态为当前功率最优解.
2) 对种群N1采用人工鱼群算法计算每条人工鱼的适应度值, 得到最优值t.比较每条人工鱼的适应度值, 得到最优解g.更新种群N1.
3) 对种群N2采用粒子群算法求出每个粒子的适应度值, 得到最优值s, 比较t和s的值, 取最优值; 比较每个粒子的适应度值, 得最优解pj和pg.更新种群N2.
4) 分别计算g和pg的适应度值, 比较之后取最优值并将其与公告板上的值比较, 在公告板上记录最优的值.
5) 判断迭代次数是否达到预设值, 如果没有, 则返回2), 如果达到了, 结束循环.
循环结束后, 公告板的值为最小误码率, 相应的人工鱼的状态或粒子的值为最优功率.
3 仿真与分析对BPSK调制的AF协作系统进行仿真实验.源节点到目的节点的信道方差归一化为1(即δSD2=1, δSR2=1, δRD2=1), 路径损耗因子为3, 假设噪声方差为1(即N0=1), 人工鱼群数N1=15, 拥挤度因子δ=0.618, 人工鱼的移动步长Step=0.1, 尝试次数try_number=100, 视野Visual=1, 粒子群规模N2=15, c1=c2=2.通过仿真实验对等功率分配算法(EPA)和分别采用AFSA和AFPSO算法的最优功率分配算法进行分析和比较, 验证所提算法的优良性能.设源节点到目的节点的距离为1, 图 2和图 3分别给出了中继节点距离源节点较近(dSR=0.25) 和较远(dSR=0.85) 两种情况下的仿真结果.
图 2(Fig. 2)
 | 图 2 中继节点离源节点较近时中继系统误码率比较Fig.2 SER comparison with small distance between source and the relay |
图 3(Fig. 3)
 | 图 3 中继节点离源节点较远时中继系统误码率比较Fig.3 SER comparison with larger distance between source and the relay |
由图 2可以看出, 当中继节点离源节点较近时, AFSA算法和AFPSO算法性能相比于EPA算法有0.3 dB左右性能提升.在图 3中, 当中继节点离源节点较远时, 前两种算法比EPA算法性能有2 dB左右的提升.可见AFSA算法和AFPSO算法均优于EPA算法, 原因是前两种算法考虑到了信道的状态信息, 并根据信道状态的变化进行功率的最优分配, 使系统性能达到最佳状态, 而EPA算法只是简单地平均分配功率.
比较图 2和图 3中的误码率曲线, AFPSO算法和AFSA算法的性能较为接近, 但AFSA算法的计算复杂度为O(G1NK), AFPSO算法的计算复杂度为
4 结论1) 以误码率最小为优化目标, 建立了基于放大转发协议的单中继协作系统功率分配的优化模型.建立新的目标函数, 把求解最小误码率的有约束的优化问题转化为具有线性无约束的全局优化问题.
2) 采用人工鱼群算法和粒子群算法相结合的方法求解最优功率, 降低了系统的计算复杂度.
3) 与平均功率分配算法相比, 所提算法使系统获得更小的误码率和最优的功率分配.
参考文献
| [1] | Jing Y, Jafarkhani H. Relay power allocation in distributed space-time coded networks with channel statistical information[J].IEEE Transactions on Wireless Communications, 2011, 10(2): 443–449.DOI:10.1109/TWC.2010.120610.101315 |
| [2] | Ma Y, Liu A Y. A dual-phase power allocation scheme for multicarrier relay system with direct link[J].IEEE Transactions on Signal Processing, 2014, 62(1): 5–16.DOI:10.1109/TSP.2013.2283455 |
| [3] | Tony Q S, Shin H, Moe Z. Robust wireless relay networks:slow power allocation with guaranteed QoS[J].IEEE Journal of Selected Topics in Signal Processing, 2007, 11(4): 700–713. |
| [4] | Tony Q S, Moe Z W, Marco C. Robust power allocation algorithms for wireless relay network[J].IEEE Transactions on Wireless Communications, 2010, 58(7): 1931–1938.DOI:10.1109/TCOMM.2010.07.080277 |
| [5] | Li C, Wang X, Yang L, et al. A joint source and relay power allocation scheme for a class of MIMO relay systems[J].IEEE Transactions on Signal Processing, 2009, 57(12): 4852–4860.DOI:10.1109/TSP.2009.2027409 |
| [6] | Lu L, Li G Y, Wu G. Optimal power allocation for CR networks with direct and relay-aided transmissions[J].IEEE Transactions on Wireless Communications, 2013, 12(4): 1832–1842. |
| [7] | Maric I, Yates R D. Bandwidth and power allocation for cooperative strategies in Gaussian relay networks[J].IEEE Transactions on Information Theory, 2010, 56(4): 1880–1889.DOI:10.1109/TIT.2010.2040875 |
| [8] | 李晓磊, 钱积新. 人工鱼群算法:自上而下的寻优模式[J].系统工程理论与实践, 2002, 22(3): 76–82. ( Li Xiao-lei, Qian Ji-xin. Artificial fish-swarm algorithm:top-down optimization model[J].Systems Engineering Theory & Practice, 2002, 22(3): 76–82.) |
| [9] | 李晓磊, 邵之江, 钱积新. 一种基于动物自治体的寻优模式:鱼群算法[J].系统工程理论与实践, 2002, 22(11): 32–38. ( Li Xiao-lei, Shao Zhi-jiang, Qian Ji-xin. An optimizing method based on autonomous animats:fish-swarm algorithm[J].Systems Engineering Theory & Practice, 2002, 22(11): 32–38.DOI:10.3321/j.issn:1000-6788.2002.11.007) |
| [10] | 程永明, 江铭炎. 基于改进人工鱼群算法的多用户OFDM系统自适应资源分配[J].计算机应用研究, 2009, 26(6): 2092–2094. ( Cheng Yong-ming, Jiang Ming-yan. Adaptive resource allocation in multiuser OFDM system based on improved artificial fish swarm algorithm[J].Application Research of Computers, 2009, 26(6): 2092–2094.) |
| [11] | Tera A D, Gurrala K K, Das S.Power allocation for AF cooperative relaying using particle swarm optimization[C]// 2014 International Conference on Green Computing Communication and Electrical Engineering (ICGCCEE).Piscataway:IEEE, 2014:1-4. |
| [12] | Liu H Y, Hung H S. Antenna combining and power allocation-assisted multiple-input multiple-output cooperative communications:a joint approach[J].IET Communications, 2012, 6(10): 1291–1299.DOI:10.1049/iet-com.2011.0294 |
