文献标识码： A
文章编号： 0258-7998(2015)01-0099-05
OFDM技术作为多载波调制技术的一种，其灵活的调制特性可有效地提高系统频带使用率[1]。如今，在多用户OFDM系统中，考虑用户业务需求，充分利用物理层和高层之间的互动信息，就子载波和功率等资源分配问题已经展开了广泛研究。
随着无线移动应用需求的不断增长，无线资源分配给授权用户专属使用已经成为阻碍频谱高效利用的严重障碍。据FCC调查发现，授权频段在大部分时间内处于闲置状态[2]，造成频谱资源极大的浪费。认知无线电技术使得授权用户和非授权用户可以在同一时间同一频带上共存，成为打破频谱资源匮乏僵局的潜在基石。因此，将认知无线电技术应用于OFDM系统中，将会更好地改善系统频谱资源的利用状况，提高整体的频谱利用率。
针对基于认知无线电（Cognitive Radio, CR）技术的OFDM系统资源分配的研究层出不穷，例如文献[3-8]，分别有针对性地提出了CR-OFDM系统的资源分配算法。其中，文献[5-8]针对多用户情况。文献[5]不考虑用户业务特性，在满足总功率限制或对主用户干扰限制时先进行功率分配，再根据剩下的约束条件进行子载波分配。为了考虑MAC层的多种业务特性需求，许多专家学者将跨层思想引入CR-OFDM系统的资源分配中，并最大化物理层的传输速率，例如文献[6-8]。文献[6]只考虑非实时业务，保证CR用户速率与预设目标速率成比例，提出最优RA算法，最大化系统总速率。文献[7]区分只拥有尽力而为业务的用户和多业务用户，提出低复杂性的CR-MUMS子载波分配算法，得出近优解。文献[8]考虑主次用户之间相互干扰，区分实时业务和非实时业务，采用基于屏障法的功率分配方法，保证RT用户速率需求并满足NRT用户之间比例速率限制，提高系统总速率。
本文在基于认知无线电的 OFDM系统中，针对混合业务，提出一种有效的子载波和功率分配方案。首先，根据总发射功率和主用户限定的的最大干扰值，实现子载波的传输功率分配。然后，根据信道增益信息以及各用户业务信息，采用人工鱼群算法进行不同用户之间的子载波分配。
1 系统模型和数学模型
1.1 系统模型
在蜂窝系统下行链路中，假设存在1个认知用户基站、K个认知用户和L个授权用户（如图1）。设认知用户k使用子载波n时，认知基站到认知用户K的信道增益为hk，n。认知用户与主用户之间的信道状态信息可被周期性地检测到[9]，本文假设信道估计完美，因此，认知基站拥有以上信道状态信息。
某时刻，主次用户所使用的频谱分布情况示意图如图2所示。
1.2 数学模型
子载波对主用户频带产生的干扰为其承载信号的功率谱密度（PSD）在主用户频带上的积分[10]，设主用户占用频段带宽W，子载波n与主用户中心频谱距离用dn表示，对于第n个子载波，认知基站到主用户的增益为![X$WB($E$WXI730N]_I_51D1.png](http://files.chinaaet.com/images/2015/08/14/6357518489343400001975022.png "X$WB($E$WXI730N]_I_51D1.png")
，则用户k使用子载波n时对主用户的干扰为：
其中，(f)为信号的PSD，记Fn为在子载波n上对主用户的干扰因子。
当子载波n上信号为理想奈奎斯特脉冲时，其PSD为：
其中， Ts为OFDM符号周期，Pk，n为认知用户k在子载波n上的传输功率。
同样，主用户对认知用户的干扰可表示为：
其中，PU(eiw)为主用户的功率谱密度，BS为每个子载波的带宽。
设认知系统分配给用户k使用子载波的发射功率为Pk，n。整个系统的带宽B被分成N子载波，则每个子载波带宽为B/N。根据香农容量公式，用户k的子载波n的瞬时传输速率为：
其中，为信道香农容量与M-QAM调制信号的信噪比差值，值为-ln(5pe)/1.5[11]，pe为误比特率，N0为加性高斯白噪声的单边功率谱密度。
用户k的总速率为：
其中，?赘k为分配给用户k的子载波集。
则系统总速率为：
式中，Ck，n为用户k在子载波n上的分配因子，Ck，n为1代表子载波n分配给用户k，Ck，n为0代表子载波n未分配给用户k。
本文中用户k拥有数据、语音、流媒体三种业务(i=1，2，3)队列，根据队列中各个分组(f=1，2，3，…)等待时间、分组QoS优先级及分组长度定义用户k的权重[12]为：
其中，Wk，i表示用户k的第i个分组的权重，
集合分组处于紧急状态，
集合中分组非紧急，k，i，f表征分组QoS优先级，Dk，i，f表征分组长度，Ek，i，f表征分组紧急状态。Ek，i，f等于可忍受时延Uk，i，f减去已等待时间再减去保护间隔Gk，i，当Ek，i，f小于0时分组紧急，否则非紧急。k，i，f越大、Dk，i，f越大或越紧急的分组会被优先传送。
最终确立优化目标为:
式中，记
为信道因子。
约束条件：
其中，C1和C4限制功率非负且不超过最大发射总功率；C2和C3确保每个子载波最多只能被一个用户占用，C5确保对主用户的干扰不超过主用户所允许的干扰门限值
，C6保证为用户分配不超过其所需要的资源，Qk表示用户k缓存的数据量。
2 资源分配
2.1 功率分配
优化目标中，子载波分配指数Ck，n和功率分配指数Pk，n是待求变量，本文采用次优方法进行功率和子载波分配。
信道增益越大且干扰因子越小的子载波应该被分配更高的功率。为满足以上要求并满足干扰门限值，令主用户所能承受子载波n对其产生的干扰的上限为：
由此可得：
n个子载波对主用户总干扰值等于
，这样确保满足主用户的干扰功率限制。
发射总功率最大值为PT，若各个子载波均分总功率，各个子载波上应该分配的功率为：
满足总功率和干扰门限限制，分配给各个子载波相应的功率值为:
2.2 子载波分配
基于人工鱼群算法求解Ck，n(k=1，…，K；n=1，…，N)的步骤如下:
(1)设定种群大小M，人工鱼的可视范围visual，拥挤度因子?啄，人工鱼每次觅食最大试探次数try_number，迭代次数gen，同时功率按式(12)取值。
(2)定义人工鱼向量(行向量)长度为N，其元素值随机取1～K之间的某个数。如果子载波n分配给用户k，即Ck，n=1(k=1，…，K；n=1，…，N)对应于人工鱼向量的第n个元素值等于k。
(3)随机产生M个第1代人工鱼向量
(i=1，…，M)，该向量必须符合C2～C6条件约束。
(4)定义食物浓度![HYN46]6LW5MA_C3`EKMXV4R.jpg](http://files.chinaaet.com/images/2015/08/14/6357518473282400002792992.jpg "HYN46]6LW5MA_C3`EKMXV4R.jpg")
。
(5)先做人工鱼向量
(i=1，…，M)到Ck，n(k=1，…，K；n=1，…，N)的映射，再由Ck，n和Pk，n计算用户速率Rk(k=1，…，K)，最后计算
的食物浓度]C.png](http://files.chinaaet.com/images/2015/08/14/6357518478662800003639261.png "A7U[)Q(3)](VNE[88CRU)]C.png")
(i=1，…，M)并选出全局食物浓度最大的人工鱼向量赋值给F_best。
(6)人工鱼行为定义。
)
(6.2)使F![]1H85HA)OIOF%_5~9)BOY)1.png](http://files.chinaaet.com/images/2015/08/14/6357518482125200009340590.png "]1H85HA)OIOF%_5~9)BOY)1.png")
分别进行觅食、群聚、追尾等行为，通过行为评价，择优执行食物浓度较大的行为。
(7)通过择优执行后得到人工鱼向量
(i=1，…，M；t=1，…，gen-1)并更新F_best。
(8)判断是否满足迭代次数gen条件，若满足，由F_best逆映射回Ck，n；否则跳转到(6.2)。
C6在分配过程中作为判断条件，在求出分配矩阵Ck，n(k=1，…，K；n=1，…，N)之后，本文所求问题得以解决。
3 仿真及分析
仿真时，带宽B为10 MHz，子载波数为128，设主用户占用中间频带且带宽等于B/N，采用六径频率选择性衰落信道，。
用户队列中分组参数设置如表1。
人工鱼群算法中M=31，visual=5，try_number=5，gen=100。
图3显示用户数为16时，随着主用户所允许干扰门限值增大，主用户能容忍的干扰功率变大，系统性能相对变差使得系统总速率得以提高。当主用户所允许干扰门限值比较小时，系统主要受限于干扰门限约束，随着允许干扰门限值增加，系统总速率增大的幅度较大；当主用户所允许干扰门限超过一定值时，系统总速率增大的幅度趋于平缓。并且当发射功率分别为-10 dB、0 dB、10 dB不断增大时，系统总速率也随之增大。所允许干扰门限值较小时，由于系统干扰受限，不同总发射功率对应的系统总速率的差异相对较小；随着所允许干扰门限值增大，由于系统受限于发射功率，因此不同总发射功率时，系统总速率差异相对较大。
图4显示随着用户数增加，由于多用户分集效应增强，系统总速率增大。当总发射功率相同时，主用户所允许干扰门限值大的系统总速率比较大，由于随着干扰门限的放松，即主用户可以承受更大的干扰，认知用户可以在不影响主用户正常通信的前提下分得更高的功率，因此系统总速率增大；当主用户所允许干扰门限值相同时，发射功率大的系统总速率大。
图5显示在特定干扰限制下（Ithp=-30 dB），当总发射功率较小时，所有算法的系统总速率随着总发射功率增加而明显增大；当总发射功率达到一定水平，由于系统受限于干扰功率的约束，所有算法的系统总速率趋于平缓。相比而言，文献[8]中INT-OP算法的系统总速率大，因为INT-OP在分配子载波时综合考虑总功率限制和干扰水平限制。而文献[5]IFPA-NCSE算法在子载波分配时只考虑两者之一。本文方案在同时满足总功率和干扰限制的功率分配基础上分配子载波，优于IFPA-NCSE算法且接近于INT-OP算法。
图6显示在总发射功率和干扰门限值一定(Pt=0 dB，Ithp=-20 dB)时，随着CR用户数增加，多用户分集效应增强，系统总速率均呈增大趋势。INT-OP算法（RT用户设为5个）区分用户为实时业务用户和非实时业务用户，满足RT用户速率要求的前提下兼顾NRT用户之间公平性，最大化NRT用户速率。随着用户数增加，非实时业务用户占的比重增加，由于考虑非实时用户之间的公平性，其与本文算法差距不断增大。本文所提方案区分三种业务，根据业务优先级确定用户的权重，合理地分配资源，以牺牲用户间的公平性获得最大系统总速率。
4 结论
本文在多用户CR-OFDM系统中，采用人工鱼群算法和新颖的功率分配方案进行资源分配。该方案区分数据、语音、流媒体三种业务，根据总发射功率和主用户可容忍的干扰功率限制，采用反比例于干扰因子的方法分配功率，采用人工鱼群算法分配子载波。仿真结果与分析表明，该方案在满足对主用户的干扰功率和总功率约束前提下，通过区分各用户不同的业务特性，满足混合业务用户需求，有效地提高了系统总速率且降低了算法复杂度，其系统性能接近于最优。在CR-OFDM系统中，基于本文所提多用户子载波功率分配算法，针对多个主用户情景以及用户间的公平性等有待研究。
参考文献
[1] WEISS T A，JONDRAL F K.Spectrum pooling：An innova-tive strategy for the enhancement of spectrum efficiency[J].IEEE Commun. Mag.，2004，42(3)：S8-S14.
[2] CABRIC D，MISHRA S M，WILLKOMM D，et al.A cogni-tive radio approach for usage of virtual unlicensed spec-trum[C].Proc.14th IST Mobile Wireless Commun.Summit，Dresden，Germany，Jun，2005.
[3] YU G，Zhang Z，Chen Y，et al.Subcarrier and bit alloca-tion for OFDMA systems with proportional fairness[C].Proc.IEEE WCNC，Las Vegas，Apr.2006，vol.3：1717-1722.
[4] QIN T，LEUNG C.Fair adaptive resource allocation for multiuser OFDM cognitive radio systems[C].Proc.2ndInt.Conf.CHINACOM，Shanghai，China，Aug.2007：115-119.
[5] SAMI M，GORDON L.Interference-aware radio resource allocation in OFDMA-based cognitive radio cutworks[J].IEEE Trans. Veh. Technol.，2011，60(4)：1699-1713.
[6] ZHANG Y，LEUNG C.Resource allocation for non-real-time services in OFDM-based cognitive radio systems[J].IEEE Commun.Lett.，2009，13(1)：16-18.
[7] LI Q，LU P，YU Z，et al.Utility-based scheduling algo-rithm for multiple services in OFDM cognitive radio net-works[C].IEEE 75th Vehicular Technology Conference(VTC Spring)，May，2012.
[8] WANG S，ZHOU Z，GE M，et al.Resource allocation for heterogeneous cognitive radio networks with imperfect spec-trum sensing[J].IEEE Journal on Selected Areas in Com-munications，2013，31(3)：464-475.
[9] SURAWEERA H，SMITH P，SHAFI M.Capacity limits and performance analysis of cognitive radio with imperfect chan-nel knowledge[J].IEEE Trans.Veh.Technol.，2010，59(4)：1811-1822.
[10] WANG Y，XU W，YANG K，et al.Optimal energy-effi-cient power allocation for OFDM-based cognitive radio networks[J].IEEE Commun.Lett.，2012，16(9)：1420-1423.
[11] GOLDSMITH A J，CHUA S G.Variable-rate variable-power MQAM for fading channels[J].IEEE Trans.Commun.，1997，45(10)：1218-1230.
[12] HOU H，LI G X.Cross-layer packet dependent OFDM scheduling based on proportional fairness[J].Wseas Trans-actions on Communications，2012，11(1)：1-15.