[发明专利]一种协作通信新协议下基于中断概率的功率优化分配方法

摘要

本发明公开了一种新的协作通信协议和此协议下功率优化的方法。当目的节点在第一个时隙译码正确时，就不需要中继节点的协作，源节点继续发送信息，以提高信息传输速率；否则，为了提高可靠性，在第二和第三个时隙，分别让中继节点1和中继节点2传输信息。通过研究发现，此系统的功率分配优化时应分为5种情况，分别优化。其中，情况1是固定分配，无需优化。情况2、3、4下，可以采用本发明提出的改进的粒子群方法进行优化。在情况5下，采用本发明提出的改进的粒子群和遗传进化结合的方法进行优化，对双变量函数优化。最后，选择使中断概率最小的情况进行功率分配。实验结果显示所提出的协议和优化方法能在很大程度上降低中断概率。

主权项

1.一种协作通信新协议下基于中断概率的功率优化分配方法，其特征在于：首先提出了一种协同通信的新协议，这个协议涉及到一个源节点、两个中继节点、和一个目的节点，协议分为如下两种情况：1)在第一个时隙中，目的节点正确译码了源节点发送的信息，此时，目的节点发送一个比特的信息给两个中继节点，通知他们不用转发信息，然后源节点在这个时隙的剩余时间内不断地发送信息；由于在一个时隙内通常可以发送很多比特的信息，当系统工作在此模式下时可以比传统的协作通信系统提高系统的传输速率达2倍左右，2)在第一个时隙中，目的节点的译码没有通过信道解码的校验，说明传输过程中出错，此时需要中继节点进行协作传输，由于此时，仅利用一个中继节点进行译码转发，往往导致系统的可靠性不高，因此，此时，目的节点发射一个比特的信息给两个中继节点，通知他们需要转发信息，然后，第一个中继节点将在第二个时隙内译码转发其在第一个时隙内收到的信息，第二个中继节点将在第三个时隙内译码转发其在第一个时隙内收到的信息，这里，虽然损失了一些传输速率，但是大大提高了此情况下系统的可靠性，可以大大地降低系统的中断概率；然后，本发明对所提出的系统和协议下的中断概率进行了深入的分析，得到了系统在5种情况下的中断概率的精确的计算表达式，其中每一种情况下的表达式都和其他情况不同；这里，源节点到目的节点，源节点到中继节点R1，源节点到中继节点R2，中继节点R1到目的节点，中继节点R2到目的节点的信道系数分别为h_sd，h_sr1，h_sr2，h_rd1，h_rd2，均服从均值为零，方差分别为的瑞利分布，中继节点R1、R2，和目的节点各配置一根天线，并且各节点处的噪声均为加性高斯白噪声，服从均值为零，方差为N₀的高斯分布，P₁为源节点S的发射功率，P₂、P₃分别为中继节点R1、R2处的发射功率，系统的总的发射功率为P＝P₁+P₂+P₃，定义这里出现五种情况，在每一种情况下，系统的中断概率不同，当c₁＝c₂＝c₃时，为情况1，当c₁＝c₂≠c₃时，为情况2，当c₁≠c₂＝c₃时，为情况3，当c₁＝c₃≠c₂时，为情况4，当c₁≠c₂≠c₃时，为情况5；为了在系统总功率一定的条件下，尽量减少和优化系统的中断概率，针对5种情况，采取了相应的方法，在情况1时，总功率是固定分配的，没有优化的余地，于是计算出此情况下的中断概率就可以了，在情况2、3、4时，总功率的分配可以相应地表达为有一个自变量的函数，因此提出了此时基于遗传进化和粒子群进化相结合的的优化方法，对这些情况下的中断概率进行优化，虽然在这些情况下使用的优化方法相同，但是每种情况下的目标函数的表达式不同，在情况5时，总功率的分配可以相应地表达为有两个自变量的函数，因此提出了粒子群方法和差分演化相结合的方法，对此时的中断概率进行优化；在完成了5种情况下的优化后，选择使中断概率最小的情况为功率分配最终的情况，并采用此情况下计算出的能使中断概率最小的优化结果作为最终的功率分配方案；其中，基于遗传进化和粒子群进化相结合的优化方法具体地如下描述：使用二进制的数的表达方式来进行遗传进化和搜索，逐步淘汰掉中断概率值大的区间并缩小搜索的区间的大小和范围，直到保留的区间长度足够小，然后，在此搜索的最佳区间内采用粒子群进化的方法进行变量的搜索，使中断概率进一步地减小，此过程结合了遗传进化方法和粒子群进化方法的优点并进行改进，使其有机地结合在一起，在传统的方法中是没有区间淘汰和缩小的步骤的，在所提出的方法中利用区间逐步淘汰和缩小的方法来避免使所提出的方法陷入局部最小，其方法的具体描述如下所述：输入：f(λ₁)；输出：优化的λ₁的值使f(λ₁)尽量小；步骤1)把[0,1]区间划分成M等分，每个区间步骤2)在每个没有淘汰的区间内，首先产生此区域内的初始的种群，每个种群有N个随机产生的属于这个区间的个体λ_t,i∈I_t，1≤i≤N，然后把每个个体的数值表示成二进制的D位的小数，即λ_t,i＝(0.λ_t,i,1,λ_t,i,1,...,λ_t,i,j,...,λ_t,i,D)₂,(λ_t,i＝λ_t,i,1*2^‑1+λ_t,i,2*2^‑2+...+λ_t,i,j*2^‑j+...+λ_t,i,D*2^‑D)，λ_t,i,j∈{0,1}，这些个体构成第1代的群体，种群变量g＝1；步骤3)对于每个种群的第g代群体，随机选择两个个体和作为父代个体，在整数2到D之间随机选择一个整数CR(t,i)作为这两个个体的交叉位置，产生初始的两个候选的子代个体，其中的一个个体的CR(t,i)‑1位来自CR(t,i)之后的位数来自于即，另一个个体的CR(t,i)‑1位来自CR(t,i)之后的位数来自于即，之后，进行随机的变异操作，即设置变异概率为MU(0＜MU＜1)，的每一二进制位有MU的可能性进行翻转，即由0变为1，或由1变为0，由此操作得到λ_t,i1(2)的每一二进制位有MU的可能性进行翻转，由此操作得到然后，对个体和进行适应度评估，计算函数值和从这四个个体中，选择两个使函数值小的个体做为下一代种群中的个体，在上一代的群体集合中，删除选中的两个个体，重复此操作，直到这个种群中的上一代群体集合为空为止，然后，对每个没有淘汰的区间都进行以上的操作，种群变量g＝g+1；步骤4)重复步骤3，直到种群变量g＝G_max；步骤5)淘汰搜索区间，对每个搜索区间的种群，找到avg个使函数f(λ)值最小的个体，然后计算它们的函数值的平均值，然后，依此平均值进行排序，仅保留此平均值小的R个区间，淘汰掉其余的区间；步骤6)进一步分割区间，对每个保留的区间，进行区间的分割，每个区间进一步地分割成M/R个区间，更新保留区间的标示符号I_t，转到步骤2；步骤7)重复以上步骤2到步骤6，直到每个保留区间的长度小于步骤8)输出所有保留区间群体内使函数值最小的个体，再从这些个体中选择使函数值最小的个体，这个个体所在的区间即为目前最优的搜索区间；步骤9)在这个最优的搜索区间内，先随机地产生PN个初始的值每个这样的值叫做一个粒子，每个粒子的当前最佳值为以上产生的初始值这些值中使函数值最小的这个个体的值即为所要的当前群体的最优值然后，依据下式对每个粒子进行更新，产生下一代的个体其中，b₁和b₂为两个参数，r₁和r₂为两个0到1之间的随机数，w为一权重系数，为粒子运动速度，初始时然后，根据下一代的粒子，更新即，如果则否则，接着，更新全局最优的粒子的值之后，使g＝g+1，重复迭代地对以上的粒子进行更新，直到迭代次数到达N_P为止；步骤10)输出找到的使函数值最小的自变量的值粒子群方法和差分演化相结合的方法具体描述如下：采用了粒子群进化的方法来进行区间内的最小中断概率的搜索，然后根据搜素结果逐步地不断淘汰掉中断概率值大的基于两个变量的区间对，缩小搜素范围，直到保留的搜索区间对的范围足够小为止，然后选择中断概率最小的区间对，采用改进的差分演化方法进行搜索，在此方法中，不仅利用了两个变量的差分，还利用了四个变量之间的差分，以更优化地进行最优解的搜索，所述方法的具体描述如下所述：输入：双自变量的函数输出：使函数值尽量小的两个自变量的值步骤1)寻找使函数值尽量小的区间范围，首先把第一个变量λ₁的取值区间[0,1]等分为M₁个部分，每个区间把第二个变量λ₂的取值区间等分为M₂个部分，每个区间对于所有的联合区间I_t×J_s，先淘汰掉使λ₁+λ₂≥1的联合区间，区间分割次数为T_cut＝1；步骤2)对每个保留的联合区间I_t×J_s，进行函数最小值的搜索，在区间I_t内随机产生N_p1个数值λ_1,i，1≤i≤N_p1，在区间J_s内也随机产生N_p1个数值λ_2,i，1≤i≤N_p1，这个联合区间的第g代粒子为一矢量此时g＝0表示为第0代，每个粒子的当前最佳值为以上产生的初始值这些值中使函数值最小的这个个体的值即为所要的当前群体的最优值然后，依据下式对每个粒子进行更新，产生下一代的个体其中，b₁(g,T_cut)和b₂(g,T_cut)为两个参数，r₁和r₂为两个0到1之间的随机数，w为一权重系数，为粒子运动速度，初始时然后，根据下一代的粒子，更新即，如果则否则，接着，更新之后，使g＝g+1，重复迭代地对以上的粒子进行更新，直到迭代次数到达N_P为止，输出此联合区间内目前搜索到的函数最小值步骤3)对联合区间进行淘汰和继续分割，对每个联合区间I_t×J_s，根据步骤2中求出的值的大小进行排序，仅保留使值小的个联合区间，淘汰掉其他联合区间，然后，对每个保留的联合区间I_t×J_s进行分割，每个I_t区间进行R₁等分的分割，每个J_s区间进行R₂等分的分割，然后，根据新的区间分割的结果更新I_t×J_s所指示的联合区间，区间分割次数加一，即T_cut＝T_cut+1；步骤4)重复步骤2和步骤3，直到区间分割次数T_cut＝T_cmax为止，此时，选择当前值最小的保留的联合区间作为目前搜索的最优的联合空间步骤5)在的空间内，随机产生初始的第0代的群体，每个个体为一在此空间内的二维的矢量NP为此群体的个体的总数，g为进化的代数，对于第0代g＝0；步骤6)按如下的公式产生两个候选的个体和其中，r_i(1≤i≤8)为1到NP之间不相同的随机数，f₁、k₁、和k₂为方法中需优化选取的参数，然后，在和之间，选择使函数值最小的个体保留到下一代中，即这样，就产生了下一代中的第i个个体，当对第0代中所有的个体都进行了以上操作后，就产生了第1代群体；步骤7)然后g＝g+1，重复执行步骤6，直到达到要求的迭代的代数，即g＝g_max为止；步骤8)在第g_max代中选择使函数值最小的个体作为输出即