Este protocolo describe un método basado en simulación para optimizar la asignación de potencia en sistemas de sensado y comunicación integrados mediante un modelo de optimización multiobjetivo y un Algoritmo Mejorado de Optimización de Mariposas, con el fin de equilibrar la capacidad de comunicación y el rendimiento en la detección de objetivos bajo diferentes condiciones de operación.
Artículo de investigación
Asignación de potencia basada en simulación para sistemas integrados de detección y comunicación que equilibran la capacidad de comunicación y la detección de objetivos
28 visualizaciones
⸱
11 de septiembre de 2026
En este artículo
Resumen
Resumen
Los sistemas de Sensores y Comunicaciones Integrados (ISAC) requieren una asignación eficiente de potencia para equilibrar la calidad de la comunicación y el rendimiento del sensorio, operando bajo recursos limitados de espectro y potencia. Los métodos convencionales de asignación igual de potencia suelen no lograr un equilibrio efectivo entre la capacidad del canal de comunicación y la probabilidad de detección de objetivos (PDP), ya que no consideran adecuadamente los objetivos diferentes de la comunicación y el sensorio. Este estudio propone una estrategia de asignación de potencia basada en simulación para un sistema ISAC basado en Multiplexación por División de Frecuencia Ortogonal (OFDM), utilizando un marco de optimización multiobjetivo normalizado. Se emplea un Algoritmo Mejorado de Optimización de Mariposa (BOA), que incorpora estrategias de Probabilidad de Conmutación Dinámica y Mutación Gaussiana de Varianza Dinámica, para mejorar la capacidad de búsqueda global, la velocidad de convergencia y la diversidad de soluciones. Se realizaron simulaciones numéricas bajo diferentes factores de ponderación de comunicación, configuraciones de antenas, números de subportadoras y relaciones señal-ruido para evaluar el enfoque propuesto. La estrategia optimizada logró un mejor comportamiento de convergencia, a la vez que proporcionó un compromiso equilibrado entre la capacidad del canal de comunicación y la PDP en múltiples escenarios de simulación. Estos resultados demuestran que el marco de optimización propuesto puede apoyar eficazmente la asignación de recursos basada en simulación para sistemas ISAC basados en OFDM, aportando además una metodología reproducible para evaluar los compromisos entre comunicación y sensorio bajo diferentes condiciones operativas.
Introducción
Con la rápida expansión de los servicios de comunicación inalámbrica y la creciente demanda de sensores de radar de alto rendimiento, el conflicto entre los recursos limitados del espectro y los crecientes requisitos de servicio se ha vuelto cada vez más evidente. Mientras tanto, la miniaturización y la integración de dispositivos electrónicos han impulsado aún más los sistemas integrados de detección y comunicación (ISAC, por sus siglas en inglés). En consecuencia, el ISAC ha surgido como una dirección principal de investigación en sistemas de información electrónica1,2,3. Al compartir recursos de espectro y hardware, el ISAC permite la transmisión simultánea de datos de comunicación inalámbrica y señales de detección de radar, superando así las limitaciones de eficiencia espectral de los sistemas convencionales independientes y mejorando la utilización de recursos en escenarios complejos4. La multiplexión por división de frecuencias ortogonales (OFDM, por sus siglas en inglés) es una técnica de modulación multicarrier ampliamente adoptada que mejora la utilización del espectro y ofrece una gran robustez frente a la interferencia multitrayecto. Debido a estas ventajas, el OFDM se ha convertido en la forma de onda preferida para los sistemas ISAC. La arquitectura resultante de OFDM-ISAC proporciona una base de forma de onda confiable para la implementación coordinada de funciones de comunicación y detección5,6. Por consiguiente, una cantidad considerable de investigación se ha centrado en este tema.
Para mejorar la eficiencia de la comunicación y el rendimiento de detección, Wen et al.7 propusieron un método de asignación de potencia (PAM) para sistemas ISAC basados en OFDM óptico en espacio libre. Sus resultados demostraron la eficacia del método y destacaron el compromiso entre el rendimiento de comunicación y detección. Wang et al.8 desarrollaron un método de optimización basado en aprendizaje profundo para la asignación de potencia en sistemas OFDM-ISAC, con el fin de minimizar la tasa de error de símbolos de comunicación y la cota inferior de Cramér–Rao para la estimación conjunta de retardo y Doppler, demostrando así un mejor rendimiento en la comunicación. Para equilibrar el rendimiento de comunicación y detección, AlKhansa et al.9 diseñaron un PAM dinámico para la estimación del tiempo de llegada en sistemas OFDM-ISAC, y los resultados numéricos confirmaron la importancia de incorporar múltiples restricciones de detección. He et al.10 formularon un problema de optimización max-min para sistemas multicarrier OFDM-ISAC y desarrollaron un algoritmo de optimización iterativo basado en aproximación convexa sucesiva para resolver el problema no convexo resultante, mejorando así el rendimiento de la comunicación. Liao et al.11 propusieron un formador de haces transmisores ISAC computacionalmente eficiente basado en una combinación ponderada de un precodificador lineal y un formador de haces de matriz predefinido, demostrando una eficiencia computacional y un rendimiento general favorables.
A pesar de estos avances, la mayoría de los sistemas OFDM-ISAC aún dependen de la asignación de potencia igual, lo que limita el rendimiento general del sistema cuando las funciones de comunicación y detección operan simultáneamente. Una estrategia de asignación de potencia que maximice la capacidad del canal de comunicación podría reducir el rendimiento de detección de objetivos, mientras que una estrategia optimizada únicamente para la probabilidad de detección de objetivos (PDP) podría asignar una potencia excesiva a la detección, en detrimento de la calidad de la comunicación. Además, dado que la capacidad del canal de comunicación y la PDP tienen dimensiones físicas diferentes, los métodos convencionales de optimización por suma ponderada no pueden equilibrar adecuadamente sus contribuciones relativas, lo que limita el rendimiento general de los sistemas OFDM-ISAC. Este estudio investiga la asignación de potencia de transmisión en sistemas OFDM-ISAC para optimizar conjuntamente la capacidad del canal de comunicación y la PDP, a pesar de estas diferencias dimensionales. El modelo propuesto OFDM-ISAC-P normaliza ambas funciones objetivo y aplica factores de ponderación ajustables para mejorar la comparabilidad en la optimización. Para superar las limitaciones del algoritmo convencional de optimización por mariposa (BOA), incluyendo parámetros fijos, convergencia lenta y susceptibilidad a óptimos locales, se incorporan estrategias de probabilidad dinámica de conmutación (DSP) y mutación gaussiana con varianza dinámica (DVGM) para mejorar la adaptabilidad de la búsqueda. El estudio plantea la hipótesis de que combinar la optimización multiobjetivo normalizada con el BOA mejorado produce una asignación de potencia con un equilibrio de Pareto más estable que la asignación de potencia igual convencional y el BOA estándar. Las principales contribuciones de este estudio incluyen el desarrollo de un modelo normalizado de asignación de potencia multiobjetivo, un marco de optimización basado en BOA mejorado y la validación mediante simulaciones utilizando escenarios con múltiples antenas, multicarrier y transporte inteligente.
Protocolo
Este estudio incluyó únicamente modelado matemático, desarrollo de algoritmos y simulaciones numéricas para un sistema OFDM-ISAC. No se utilizaron participantes humanos, animales, especímenes biológicos ni datos identificables personalmente. Por lo tanto, no se requirió aprobación ética institucional, incluyendo aprobación del Comité de Revisión Institucional (IRB) o del Comité Institucional para el Cuidado y Uso de Animales (IACUC).
Diseño de modelo de asignación de potencia para el sistema de comunicación y sensado integrados basado en multiplexación por división de frecuencia ortogonal
En los sistemas ISAC, los PAM tradicionales iguales suelen distribuir la potencia de transmisión de forma uniforme en cada canal y antena durante la comunicación y la detección simultáneas, sin considerar sus diferentes requisitos de rendimiento. Esto puede asignar una potencia excesiva a enlaces de transmisión ineficientes y no satisfacer los requisitos heterogéneos de los servicios de comunicación y detección, reduciendo así la eficiencia general del uso de la potencia12,13,14. Por lo tanto, este estudio considera los objetivos duales del sistema mediante la optimización conjunta de la capacidad del canal de comunicación y la PDP. Se construye un marco de optimización multiobjetivo para desarrollar una estrategia de asignación de potencia para el sistema ISAC basado en OFDM, denominado modelo OFDM-ISAC-P. OFDM es una técnica eficiente de modulación multicarrier compuesta por un extremo transmisor y un extremo receptor. El proceso OFDM se ilustra en Figura 1.
Figura 1. Flujo de procesamiento de señal de la forma de onda de Multiplexación por División de Frecuencias Ortogonales (OFDM) utilizada en el sistema de Sensado y Comunicación Integrados (ISAC). El flujo incluye codificación de datos, entrelazado, mapeo de símbolos, conversión de serie a paralelo, transformada rápida inversa de Fourier (IFFT), inserción de prefijo cíclico (CP), transmisión de radiofrecuencia (RF), propagación por canal inalámbrico, recepción RF, eliminación del CP, transformada rápida de Fourier (FFT), ecualización del canal, demapeo, desentrelazado, decodificación y recuperación de datos. Haga clic aquí para ver una versión más grande de esta figura.
En Figura 1, las señales OFDM sirven como forma de onda compartida para comunicación y detección debido a su alta utilización del espectro y fuerte resistencia a la interferencia multitrayecto, lo que permite la transmisión unificada de una misma forma de onda para ambas funciones15,16,17. Despreciando el efecto de conformación espectral de la función ventana, la forma de onda OFDM transmitida se construye utilizando la frecuencia portadora, el número de subportadoras, los pesos complejos de las subportadoras para la asignación de potencia, la codificación de la señal de comunicación y el espaciado entre subportadoras. El ancho de banda del sistema está determinado por el espaciado entre subportadoras y el número de subportadoras18. El proceso de generación de la señal de comunicación se especifica de la siguiente manera. Primero, los bits de información binarios se codifican mediante un esquema de codificación de paridad de baja densidad (LDPC) para mejorar la fiabilidad de la transmisión y luego se mapean a símbolos de valores complejos utilizando la modulación por desplazamiento de fase en cuadratura (QPSK). Los símbolos modulados se asignan a las subportadoras OFDM de acuerdo con la estrategia optimizada de asignación de potencia. Tras el procesamiento mediante transformada inversa rápida de Fourier (IFFT) y la inserción del prefijo cíclico (CP), se genera la forma de onda de comunicación OFDM en el dominio temporal, que se transmite junto con la señal de detección. La misma configuración de modulación y codificación se mantiene en todas las simulaciones. La configuración del sistema ISAC utilizada en este estudio se muestra en Figura 2.
Figura 2. Configuración del sistema del sistema integrado de detección y comunicación (ISAC) basado en la multiplexación por división de frecuencia ortogonal (OFDM). El diagrama muestra la matriz transmisora (Tx), la matriz receptora (Rx), la trayectoria de comunicación directa en línea de vista (LoS), la trayectoria de detección por eco del objetivo, la trayectoria de reflexión por tierra, la trayectoria de reflexión por cielo y obstáculos representativos dentro del entorno de propagación simulado. Haga clic aquí para ver una versión más grande de esta figura.
El sistema consta de una matriz de antenas transmisoras y una matriz de antenas receptoras. La transmisión de la señal ocurre a través de dos trayectos principales. El primero es la trayectoria en línea de vista (LoS), en la cual la señal se transmite directamente desde la matriz transmisora hasta la matriz receptora. El segundo es el trayecto de reflexión, en el que una parte de la señal se refleja en el suelo y llega a la matriz receptora, mientras que otra parte se propaga a través de una trayectoria de reflexión en la atmósfera antes de alcanzar la matriz receptora19,20,21. El sistema es un sistema OFDM-ISAC multi-antena dominado por LoS, en el que los receptores de comunicación y de detección pueden adoptar configuraciones de antena diferentes. Aunque Figura 2 ilustra posibles componentes de propagación, incluyendo la trayectoria directa LoS y las trayectorias relacionadas con reflexiones, el modelo matemático y las simulaciones consideran únicamente el enlace de comunicación LoS dominante y el enlace de detección por eco del objetivo. Las reflexiones en el suelo y en la atmósfera se tratan como efectos de propagación de fondo en lugar de canales no LoS (NLoS) optimizados independientemente. La matriz de respuesta del canal se define bajo el supuesto de dominancia LoS, representando los efectos de trayectorias múltiples mediante términos de desvanecimiento, desplazamiento Doppler y ruido. Con base en esta matriz de respuesta del canal, junto con la señal transmitida y el modelo de ruido del canal, la señal recibida de comunicación se expresa en la Ecuación 1.
Aquí, nc,m representa ruido blanco gaussiano, Sm denota la señal transmitida, y Hc,m representa la matriz de respuesta del canal de comunicación.
En la función de detección del sistema ISAC, la ruta de transmisión de la señal consta de dos etapas. La primera etapa es la transmisión desde el transmisor hasta el objetivo, y la segunda es la ruta de eco, en la cual la señal reflejada se propaga desde el objetivo de regreso al receptor a través del canal de detección22,23,24. Para la subportadora m-ésima, la matriz de respuesta del canal de detección caracteriza la propagación de la señal y se expresa como Ecuación 2:
Aquí, bs representa el coeficiente de atenuación del trayecto de eco de detección, fs,m denota el desplazamiento de frecuencia Doppler reflejado, y τs representa el retardo de propagación del trayecto de reflexión. A partir de la matriz de respuesta del canal de detección, la señal de detección recibida se expresa como la Ecuación 3:
Aquí, ns,m representa ruido blanco gaussiano en el canal de detección.
En los sistemas de comunicación inalámbrica, la planificación eficiente del espectro y la asignación de recursos son esenciales para mejorar el rendimiento general del sistema25. Por consiguiente, este estudio utiliza la capacidad del canal de comunicación como criterio principal de diseño. Se establece un modelo de optimización para maximizar la capacidad del canal mediante la asignación de la potencia total de transmisión entre los subcanales OFDM según la estrategia de asignación de recursos propuesta, como se expresa en la Ecuación 4.
El problema de optimización de la comunicación se formula de la siguiente manera (Ecuación 4):
sujeto a
Aquí, σc2 representa la varianza del ruido del canal gaussiano de comunicación, P denota la potencia total de transmisión de comunicación, Pc representa el vector óptimo de asignación de potencia de comunicación, am denota el peso asignado al subportador m-ésimo, y Nc representa el número de subportadores.
La solución óptima obtenida utilizando el WA se expresa como Ecuación 5:
Aquí, 
denota la potencia óptima asignada al subcanal de comunicación m-ésimo, gm representa la relación de ganancia entre canal y ruido del subcanal de comunicación m-ésimo, y μc denota el nivel de agua del WA.
De acuerdo con el WA ilustrado en la Figura 3, los subcanales con mayores ganancias de canal, correspondientes a menores ganancias de canal inversas, reciben una mayor potencia de transmisión bajo el nivel de agua seleccionado. Esto permite al sistema aprovechar condiciones de canal favorables, cumpliendo al mismo tiempo con la restricción de potencia total y mejorando la capacidad general de comunicación. En consecuencia, los subcanales con mejores condiciones de canal reciben más potencia, mientras que aquellos con peores condiciones de canal reciben menos. Mediante esta estrategia adaptativa de asignación de potencia, el WA utiliza eficientemente los recursos del canal para mejorar el rendimiento de la comunicación.
Figura 3. Principio del algoritmo de rellenado con agua (WA) utilizado para la asignación de potencia en comunicaciones. El eje horizontal representa los subcanales OFDM, y el eje vertical representa la ganancia inversa del canal y la potencia de transmisión asignada. El nivel de agua determina la potencia de transmisión asignada a cada subcanal bajo la restricción total de potencia de transmisión. Haga clic aquí para ver una versión más grande de esta figura.
Para el objetivo de detección, una estrategia adecuada de asignación de potencia es esencial cuando la probabilidad de falsa alarma es fija. Una estrategia optimizada de asignación de potencia mejora el rendimiento de la detección al aumentar la precisión en la identificación del objetivo. El proceso de detección requiere una prueba de hipótesis bajo la hipótesis de presencia del objetivo (H1) y la hipótesis de ausencia del objetivo (H0). Bajo estas hipótesis, la señal recibida para cada subportadora durante el k-ésimo pulso se expresa como la Ecuación 6:
Aquí, y denota el vector de observación de detección, A representa la matriz diagonal diag(a0, a1, …, aNc−1), D(v) denota la matriz diagonal que contiene el desplazamiento de frecuencia Doppler del objetivo, β representa el vector de coeficiente de reflexión del objetivo, y ns denota el ruido blanco gaussiano en el canal de detección.
Luego se evalúan las funciones de densidad de probabilidad bajo H0 y H1. Para una probabilidad especificada de falsa alarma, se calcula la PDP basándose en estas dos hipótesis. De acuerdo con la teoría de detección por razón de verosimilitud, se deriva posteriormente un detector generalizado de razón de verosimilitud máxima para maximizar la PDP.
El detector generalizado de razón de verosimilitud máxima se expresa como Ecuación 7:
Aquí, lG y LG denotan respectivamente el estadístico de detección de la razón de verosimilitud generalizada y la función de razón de verosimilitud, yH representa la transpuesta hermítica de y, y γ0 denota el umbral de detección. Durante el proceso de detección, el umbral se utiliza para determinar si se acepta la hipótesis de presencia del objetivo (H1) o la hipótesis de ausencia del objetivo (H0). La relación entre el umbral de detección de sensado y la probabilidad de detección del objetivo se ilustra en la Figura 4.
Figura 4. Relación entre el umbral de detección del sensor y la probabilidad de detección del objetivo. Se muestran las funciones de densidad de probabilidad bajo la hipótesis de ausencia del objetivo y la hipótesis de presencia del objetivo, junto con el umbral de detección utilizado para la prueba de hipótesis. Las regiones sombreadas corresponden a las regiones de decisión asociadas con la probabilidad de falsa alarma y la probabilidad de detección del objetivo. Haga clic aquí para ver una versión más grande de esta figura.
Como se muestra en la Figura 4, el PDP está directamente relacionado con la distribución chi-cuadrado no central. Bajo una probabilidad fija de falsa alarma (es decir, la probabilidad máxima permitida de detección errónea), el parámetro de no centralidad está positivamente correlacionado con el PDP. En consecuencia, aumentar el parámetro de no centralidad mejora la probabilidad de detectar correctamente la señal del objetivo. Basándose en esta relación, la potencia total de transmisión de detección se considera como la restricción de potencia, mientras que la maximización del parámetro de no centralidad se selecciona como el objetivo de optimización. El problema de optimización restringida resultante se utiliza para derivar la estrategia óptima de asignación de potencia de detección y se expresa como la Ecuación 8:
donde α denota el vector de pesos de transmisión óptimo para la detección obtenido bajo la restricción de potencia y también representa el vector de pesos de transmisión de la subportadora de detección, B(v, β) denota el vector de detección-información, y P representa la potencia total de transmisión de detección.
La optimización indica que la estrategia óptima de asignación de potencia para detección no distribuye la potencia entre múltiples subcanales. Por el contrario, toda la potencia disponible para transmisión de detección se asigna al subcanal identificado mediante la evaluación del canal como el que proporciona el mejor rendimiento de detección, maximizando así el desempeño de detección de objetivos en un solo canal.
En el sistema OFDM-ISAC, la asignación de potencia es la tarea central de optimización, y la estrategia óptima debe satisfacer los requisitos de diseño tanto de la comunicación como de la detección. Específicamente, la optimización considera simultáneamente métricas de rendimiento de la comunicación, como la tasa de error de bit y la capacidad del canal, junto con métricas de rendimiento de la detección, como el PDP y la precisión en la estimación de parámetros. El rendimiento general del sistema mejora mediante una asignación coordinada de recursos. Sin embargo, combinar directamente las estrategias óptimas de asignación de potencia para comunicación y detección mediante la optimización convencional por suma ponderada tiene limitaciones importantes. Debido a que no se consideran adecuadamente las diferentes dimensiones físicas y las contribuciones relativas de las dos métricas de rendimiento, la optimización resultante puede no reflejar con precisión los requisitos de los sistemas integrados de comunicación y detección26,27.
Por lo tanto, este estudio propone un marco de diseño integrado basado en la ponderación normalizada. En primer lugar, las métricas de rendimiento de comunicación y detección se normalizan para eliminar los efectos de la inconsistencia dimensional. Luego, los coeficientes de ponderación se ajustan según el escenario de aplicación para lograr una asignación de potencia más equilibrada. La formulación matemática del modelo OFDM-ISAC-P normalizado se proporciona en la Ecuación 9:
Aquí, w denota el factor de ponderación de la comunicación, Fc representa el valor objetivo óptimo obtenido a partir del problema de optimización de la comunicación, pm denota la potencia asignada al subportador OFDM m-ésimo, gm representa la ganancia equivalente canal-ruido del subportador de comunicación m-ésimo, P denota la potencia total de transmisión, Fs representa el valor objetivo óptimo obtenido a partir del problema de optimización de la detección, y bm denota el elemento m-ésimo del vector de detección B(v, β).
El factor de ponderación de la comunicación w, junto con su factor de ponderación complementario de detección (1 − w), actúa como un parámetro de diseño ajustable que refleja la importancia relativa de la capacidad del canal de comunicación y del PDP en diferentes escenarios de aplicación28,29. En este estudio, w se trata como un parámetro de configuración a nivel de escenario, y no como una variable de control que varía en el tiempo. Por consiguiente, w se fija para cada escenario de simulación (por ejemplo, w = 0,5 para un rendimiento equilibrado entre comunicación y detección, y w = 0,8 para una operación con prioridad en comunicación). Luego, se utiliza la BOA mejorada para optimizar la asignación de potencia correspondiente. Por lo tanto, el término «factor de ponderación dinámico» hace referencia a la selección de diferentes factores de ponderación para distintos escenarios operativos, y no a una adaptación automática en tiempo real durante la ejecución del algoritmo.
Solución del modelo de optimización de potencia para el sistema de sensado y comunicación integrados basado en multiplexación por división de frecuencia ortogonal mediante el algoritmo mejorado de optimización por mariposa
Después de construir el modelo OFDM-ISAC-P, se utiliza la BOA mejorada para resolver el problema de optimización. La BOA tiene una estructura sencilla, es fácil de implementar y posee una fuerte capacidad de búsqueda global. Imita el comportamiento de forrajeo de las mariposas y emplea un mecanismo de vuelo de Lévy para explorar eficientemente el espacio de búsqueda. El algoritmo requiere relativamente pocos ajustes de parámetros, lo que lo hace adecuado para una amplia gama de problemas de optimización. Sin embargo, la BOA convencional puede converger prematuramente a óptimos locales, es sensible a los ajustes de parámetros y a menudo requiere muchas iteraciones al resolver problemas de optimización de alta dimensión30. Por lo tanto, en este estudio se mejora la estrategia de mutación y el procedimiento de optimización.
Para mejorar la exploración global durante la etapa inicial de optimización, se introduce una estrategia de probabilidad de conmutación dinámica (DSP). Durante las iteraciones iniciales, una probabilidad de conmutación relativamente baja favorece la exploración del espacio de búsqueda. A medida que aumenta el número de iteraciones, la probabilidad de conmutación se ajusta gradualmente para reforzar la explotación local y mejorar la convergencia. La DSP se define en la Ecuación 10:
donde α denota el valor inicial del DSP, t representa el número de iteración actual, y β es el coeficiente de control. Esta estrategia adaptativa aumenta la diversidad de la población durante la etapa inicial de optimización, amplía el espacio de búsqueda y reduce la probabilidad de convergencia prematura hacia óptimos locales. A medida que avanza la optimización, la búsqueda cambia gradualmente de la exploración global a la explotación local.
Para mejorar aún más el rendimiento de la optimización, se incorpora el modelo de variación dirigida (DVGM) en el algoritmo. Se aplica una varianza de mutación relativamente grande durante las primeras iteraciones para ampliar el rango de búsqueda y mejorar la exploración global. A medida que avanza la optimización, la varianza de mutación se reduce gradualmente para aumentar la precisión de la búsqueda local y facilitar la convergencia. La varianza máxima σmax y la varianza mínima σmin se definen en la Ecuación 11:
Las estrategias mejoradas de búsqueda global y local se resumen en la Ecuación 12:
Aquí, normrnd(0, σ(t)) denota un número aleatorio gaussiano con media 0 y varianza σ(t), y fi representa el parámetro de fragancia que controla el comportamiento de búsqueda de la mariposa. Tras incorporar las estrategias DSP y DVGM, se obtiene la BOA mejorada, como se ilustra en la Figura 5.
Figura 5. Flujo de trabajo del Algoritmo de Optimización de Mariposas (BOA) mejorado. El procedimiento de optimización incluye inicialización, generación de la población, evaluación de aptitud, Probabilidad de Conmutación Dinámica (DSP), búsquedas globales y locales, Mutación Gaussiana con Varianza Dinámica (DVGM), actualización de soluciones, evaluación de convergencia y salida de la solución óptima. Haga clic aquí para ver una versión más grande de esta figura.
Figura 5 ilustra las dos estrategias de mejora incorporadas en el BOA: DSP y DVGM. La estrategia DSP ajusta de forma adaptativa la frecuencia de conmutación entre búsqueda global y local. Durante las primeras etapas de optimización, el algoritmo enfatiza la exploración global para aumentar la diversidad de la población y mejorar la probabilidad de identificar regiones prometedoras de soluciones. A medida que avanza la optimización, la búsqueda se desplaza gradualmente hacia la explotación local para acelerar la convergencia. La estrategia DVGM perturba al individuo actualmente mejor, mejorando así la capacidad de búsqueda local, aumentando la diversidad de soluciones y reduciendo la probabilidad de convergencia prematura a óptimos locales.
Cuando el BOA mejorado se aplica para resolver el modelo OFDM-ISAC-P, primero se codifican las variables de optimización, se genera una población inicial y se asignan estrategias candidatas de asignación de potencia a cada individuo. El flujo general de optimización se ilustra en la Figura 6.
Figura 6. Flujo de trabajo del algoritmo de optimización de mariposas mejorado (BOA) para resolver el modelo de asignación de potencia en sistemas de comunicación e integración de sensores basados en multiplexión por división de frecuencias ortogonales (OFDM-ISAC). El procedimiento incluye la inicialización de parámetros, codificación de vectores candidatos de asignación de potencia, generación de la población, evaluación de aptitud, actualización iterativa de soluciones, evaluación de convergencia y salida de la estrategia óptima de asignación de potencia. Haga clic aquí para ver una versión más grande de esta figura.
Como se muestra en la Figura 6, la optimización comienza aplicando la estrategia DSP para realizar una optimización iterativa. Durante las primeras iteraciones, se enfatiza la exploración global para investigar diversas combinaciones de asignación de potencia en el sistema OFDM-ISAC. En las iteraciones posteriores, la búsqueda cambia gradualmente hacia la explotación local para refinar soluciones candidatas de alta calidad, al tiempo que se satisface la restricción de potencia total de transmisión. Posteriormente, se aplica la estrategia DVGM a la mejor solución actual para escapar de óptimos locales y mantener la diversidad de soluciones. A lo largo del proceso de optimización, las funciones objetivo de comunicación y detección se utilizan para evaluar la aptitud de cada solución candidata, y se conservan los individuos de mayor calidad para la siguiente iteración. La optimización continúa hasta que se cumple el criterio de terminación predefinido. La solución óptima final representa la estrategia de asignación de potencia que proporciona el mejor equilibrio entre el rendimiento de la comunicación y el rendimiento de la detección de objetivos.
Ajustes de reproducibilidad
Para mejorar la reproducibilidad, se especifican en detalle los parámetros de simulación, configuraciones de inicialización, restricciones y criterios de terminación. Todos los experimentos se implementaron en Ubuntu 22.04 LTS utilizando Python 3.10, PyTorch 2.1, NumPy 1.26, CVXPY 1.4 y MATLAB R2023b (véase la Tabla de materiales). Los parámetros de simulación y el entorno computacional utilizados en este estudio se resumen en la Tabla 1, mientras que la configuración detallada de los parámetros de simulación OFDM-ISAC se proporciona en la Tabla suplementaria 1. Las simulaciones utilizaron una densidad espectral de potencia de ruido de −174 dBm/Hz, 64 subportadoras, 16 símbolos OFDM, una frecuencia portadora de 4 GHz, un espaciado entre subportadoras de 15 kHz, ocho antenas transmisoras y un máximo de 10 000 iteraciones. La relación de asignación de potencia se inicializó dentro del rango de 0 a 1 con una resolución de 0,01 y se normalizó para cumplir con la restricción de potencia de transmisión total. Los pesos de comunicación, de detección y la precisión previa multicapa se establecieron en 0,2, 0,3 y 0,5, respectivamente. Las restricciones de optimización incluyeron asignación de potencia no negativa para los usuarios, potencia de transmisión total limitada, ancho de banda limitado y una probabilidad de falsa alarma del orden de 10⁻3. La optimización finalizó cuando se alcanzó el número máximo de iteraciones o cuando el cambio relativo en la función objetivo entre dos iteraciones consecutivas fue inferior a 10⁻4. Todos los experimentos con inicialización aleatoria y perturbaciones del canal utilizaron semillas aleatorias fijas y se repitieron independientemente 30 veces.
| Parámetro | Valor | Descripción |
| Frecuencia portadora | 4 GHz | Frecuencia portadora OFDM. |
| Esquema de codificación/modulación de comunicación | Modulación por desplazamiento de fase en cuadratura (QPSK) con codificación de canal de paridad de baja densidad (LDPC) | Método de generación de señal de comunicación utilizado para reproducir la forma de onda OFDM transmitida. |
| Peso de comunicación | 0,2 | Peso asignado al objetivo de comunicación. |
| Probabilidad de falsa alarma | 10⁻³ | Probabilidad de falsa alarma utilizada como restricción de optimización de detección. |
| Plataforma de hardware | Intel Core i7-13700 CPU, NVIDIA RTX 4070 GPU, 32 GB RAM | Plataforma computacional utilizada para las simulaciones. |
| Conjunto de datos de referencia para simulación ISAC | No aplicable. Todos los datos de referencia se generaron mediante simulaciones numéricas. | Conjunto de datos de referencia utilizado para la evaluación del rendimiento. |
| Número máximo de iteraciones | 10 000 | Número máximo de iteraciones de optimización. |
| Precisión del conocimiento previo multicapa | 0,5 | Parámetro de información previa utilizado durante la optimización. |
| Densidad espectral de potencia de ruido | −174 dBm/Hz | Densidad espectral de ruido del canal de comunicación. |
| Número de símbolos OFDM | 16 | Número de símbolos OFDM por trama. |
| Número de subportadoras OFDM | 64 | Número de subportadoras OFDM. |
| Sistema operativo | Ubuntu 22.04 LTS | Entorno computacional. |
| Software de optimización | CVXPY 1.4 | Paquete de optimización convexa. |
| Resolución de asignación de potencia | 0,01 | Resolución de las relaciones iniciales de asignación de potencia. |
| Lenguaje de programación | Python 3.10 | Lenguaje de programación utilizado para la implementación de la simulación. |
| Semilla aleatoria | Fija | Semilla aleatoria fija utilizada en todas las simulaciones. |
| Ejecuciones repetidas | 30 | Número de ejecuciones independientes de simulación realizadas para análisis estadístico. |
| Biblioteca de computación científica | NumPy 1.26 | Biblioteca de computación numérica utilizada para cálculos numéricos. |
| Peso de detección | 0,3 | Peso asignado al objetivo de detección. |
| Plataforma de simulación | MATLAB R2023b | Plataforma utilizada para simulación numérica y visualización. |
| Criterio de detención | Número máximo de iteraciones o cambio relativo del objetivo < 10⁻⁴ | Criterio de terminación de la optimización. |
| Separación entre subportadoras | 15 kHz | Separación entre subportadoras OFDM. |
| Biblioteca de computación tensorial | PyTorch 2.1 | Entorno de computación tensorial utilizado para cálculos matriciales y tensoriales. |
| Número total de antenas transmisoras | 8 | Número de antenas transmisoras. |
Tabla 1: Parámetros de simulación y entorno computacional utilizados para las simulaciones de Comunicación e Integración de Sensores basadas en Multiplexión por División de Frecuencia Ortogonal (OFDM-ISAC). La tabla resume los parámetros de forma de onda, parámetros de optimización, configuraciones de simulación, entorno computacional, software, conjuntos de datos y otras condiciones de simulación utilizadas a lo largo del estudio.
A menos que se indique lo contrario, los mejoramientos porcentuales reportados como «aumentados en X %» se calculan como ganancias porcentuales relativas utilizando la Ecuación 13:
Para métricas de rendimiento basadas en probabilidad o tasa, como el PDP, los cambios absolutos se indican explícitamente como aumentos en puntos porcentuales (pp). Por ejemplo, un aumento del 46 % al 63 % se indica como +17 pp, mientras que +37,0 % denota el aumento porcentual relativo correspondiente calculado utilizando 46 % como referencia.
Resultados
Prueba de rendimiento del algoritmo mejorado de optimización por mariposa
Antes de evaluar la eficacia del PAM OFDM-ISAC, se evaluó la BOA mejorada. Como algoritmos de comparación se seleccionaron la BOA convencional, el Algoritmo de Optimización de Ballena (WOA) y la Optimización por Enjambre de Partículas (PSO). La evaluación de referencia utilizó el valor medio y la desviación estándar como métricas de rendimiento, con dos funciones de referencia unimodales ( y ) y dos funciones de referencia multimodales ( y ). A continuación se describen los ajustes de referencia empleados para los algoritmos de optimización. La dimensión del problema se fijó en , el número máximo de iteraciones fue de 500 y el tamaño de la población fue de 30. Cada algoritmo se ejecutó independientemente 30 veces para calcular el valor medio y la desviación estándar. Aquí, denota la variable de decisión -ésima, y el óptimo global teórico de todas las funciones de referencia es cero. Se seleccionaron cuatro funciones de referencia estándar para evaluar el rendimiento de optimización de la BOA mejorada. Específicamente, y corresponden a las funciones Sphere y Schwefel 2.22, respectivamente, que se utilizan ampliamente para evaluar la capacidad de convergencia global de los algoritmos de optimización. Las funciones de referencia multimodales y corresponden a las funciones Rastrigin y Ackley, respectivamente, que se emplean comúnmente para evaluar la capacidad de exploración global y la capacidad de evitar óptimos locales. Las definiciones matemáticas de estas funciones de referencia se proporcionan en la Ecuación 14, y se incluyen las referencias correspondientes a las funciones de referencia.
Para evaluar la capacidad de equilibrio de rendimiento de la estrategia de ponderación normalizada bajo diferentes factores de ponderación de comunicación, se varió el factor de ponderación de comunicación desde 0,2 hasta 0,8 manteniendo una relación señal-ruido (SNR) fija de 15 dB y una configuración de antenas de transmisión/recepción de 4 × 4. Se comparó el rendimiento de optimización de la BOA mejorada con el de la BOA convencional. El rendimiento de comunicación y detección obtenido bajo diferentes factores de ponderación de comunicación se resume en la Tabla 2.
| Factor de peso de la comunicación | Capacidad del canal de comunicación (bps/Hz) | Probabilidad de detección del objetivo (%) | Iteraciones de convergencia de IBOA | Iteraciones de convergencia de BOA | Utilización total de potencia (%) | Distancia del frente de Pareto |
| 0.2 | 12.4 | 93.7 | 110 | 243 | 98.6 | 0.033 |
| 0.4 | 15.7 | 88.5 | 103 | 229 | 99 | 0.027 |
| 0.5 | 17.3 | 82.1 | 97 | 216 | 99.4 | 0.02 |
| 0.6 | 18.8 | 75.4 | 90 | 202 | 99.7 | 0.016 |
| 0.7 | 20 | 68.6 | 82 | 194 | 99.9 | 0.011 |
| 0.8 | 21.6 | 61.5 | 76 | 183 | 100 | 0.009 |
Tabla 2: Rendimiento de comunicación y detección obtenido bajo diferentes factores de ponderación de comunicación. La tabla resume el factor de ponderación de comunicación, la capacidad del canal de comunicación (bps/Hz), la probabilidad de detección del objetivo (%), las iteraciones de convergencia del Algoritmo Mejorado de Optimización de Mariposa (IBOA) y del Algoritmo Convencional de Optimización de Mariposa (BOA), el consumo total de potencia (%) y la distancia al frente de Pareto.
Como se muestra en la Tabla 2, aumentar el factor de ponderación de la comunicación de 0,2 a 0,8 incrementó la capacidad del canal de comunicación en un 74,2 % mientras reducía el PDP en un 34,4 %, lo que demuestra la capacidad de la estrategia de ponderación para ajustar el equilibrio entre el rendimiento de la comunicación y el de la detección. La BOA mejorada convergió más rápidamente que la BOA convencional, con un promedio de 93 iteraciones de convergencia, lo que representa una reducción del 56,0 % en el número promedio de iteraciones necesarias para alcanzar la convergencia en comparación con la BOA convencional. Además, la distancia a la frontera de Pareto disminuyó al aumentar el factor de ponderación de la comunicación. Por ejemplo, la distancia a la frontera de Pareto disminuyó de 0,020 con un factor de ponderación de 0,5 a 0,009 con un factor de 0,8, lo que indica que las soluciones optimizadas se acercaron a los puntos operativos óptimos de Pareto correspondientes al aumentar el factor de ponderación de la comunicación. Una distancia menor a la frontera de Pareto con un factor de ponderación de la comunicación más alto (por ejemplo, 0,8) representa una solución que enfatiza más la capacidad de comunicación, mientras que ω = 0,5 representa un equilibrio más balanceado entre la capacidad de comunicación normalizada y el PDP. Por consiguiente, ω = 0,5 se considera un punto operativo equilibrado representativo y no el mínimo global único de la distancia a la frontera de Pareto. El rendimiento de convergencia bajo las funciones de referencia unimodales se presenta en la Figura 7.
Figura 7. Rendimiento de convergencia de los algoritmos de optimización en funciones de referencia unimodales. (A) Función f1. (B) Función f2. El eje horizontal representa el número de iteración, y el eje vertical representa el valor medio de aptitud. Las curvas comparan el algoritmo mejorado de optimización mediante mariposas (IBOA), el algoritmo convencional de optimización mediante mariposas (BOA), el algoritmo de optimización mediante ballenas (WOA) y la optimización mediante enjambre de partículas (PSO). Haga clic aquí para ver una versión ampliada de esta figura.
Figura 7A presenta los resultados para la función unimodal f1, mientras que Figura 7B presenta los resultados para la función unimodal f2. La convergencia media de aptitud, representada por la reducción en la desviación estándar, se utilizó para evaluar el rendimiento de la optimización. El BOA mejorado, el BOA convencional, el WOA y el PSO se evaluaron bajo condiciones de referencia idénticas. Basado en 30 ejecuciones independientes, un análisis de varianza de un solo factor seguido de la prueba post hoc de Tukey con corrección de Holm-Bonferroni demostró una varianza final de convergencia significativamente menor para el BOA mejorado en comparación con el BOA convencional, el WOA y el PSO, con diferencias estadísticamente significativas observadas tras la corrección de Holm-Bonferroni (ajustado p < 0,05). Bajo las funciones de referencia unimodales, la varianza de convergencia de los algoritmos WOA y PSO disminuyó más lentamente que la de los métodos basados en BOA. Para la función f1, tanto el BOA mejorado como el BOA convencional alcanzaron valores de aptitud final muy bajos; sin embargo, el BOA mejorado alcanzó este nivel antes en el proceso de optimización. Para la función f2, todos los algoritmos convergieron más lentamente, aunque el BOA mejorado alcanzó el valor de aptitud final más bajo tras 500 iteraciones. Los resultados de convergencia para las funciones de referencia multimodales se presentan en Figura 8.
Figura 8. Rendimiento de convergencia de los algoritmos de optimización en funciones de referencia multimodales. (A) Función mf1. (B) Función mf2. El eje horizontal representa el número de iteración, y el eje vertical representa el valor promedio de aptitud. Las curvas comparan el algoritmo mejorado de optimización por mariposa (IBOA), el algoritmo convencional de optimización por mariposa (BOA), el algoritmo de optimización por ballena (WOA) y la optimización por enjambre de partículas (PSO). Haga clic aquí para ver una versión ampliada de esta figura.
Figura 8A presenta los resultados para la función multimodal mf1, mientras que Figura 8B presenta los resultados para la función multimodal mf2. Bajo las funciones de referencia multimodales, el BOA mejorado mantuvo una mejor estabilidad de convergencia que los algoritmos de comparación. Basado en 30 ejecuciones independientes, se observaron diferencias estadísticamente significativas entre el BOA mejorado y los algoritmos de comparación tras la corrección de Holm-Bonferroni (ajustado p < 0,05). Las estrategias propuestas DSP y DVGM mejoraron la capacidad de búsqueda global del BOA. El BOA convencional mostró un rendimiento más cercano al del BOA mejorado bajo las funciones de referencia multimodales que bajo las funciones de referencia unimodales, lo que indica una mayor adecuación para problemas de optimización multimodal. En general, el BOA mejorado superó a los algoritmos de comparación en todas las funciones de referencia evaluadas y posteriormente se aplicó para resolver el modelo de optimización de potencia OFDM-ISAC.
Todos los algoritmos de optimización se ejecutaron independientemente 30 veces para cada función de referencia. Los valores finales de convergencia se reportan como media ± desviación estándar. Se utilizó un análisis de varianza de un solo factor para comparar los cuatro algoritmos de optimización, seguido de la prueba post hoc de Tukey para comparaciones por pares con corrección de Holm-Bonferroni para pruebas múltiples. Se reportan los valores p ajustados, y se consideró estadísticamente significativo un valor de p < 0,05.
Análisis de simulación de la asignación de potencia en el sistema de comunicación e identificación integradas basado en multiplexación por división de frecuencia ortogonal
Después de evaluar el algoritmo de optimización, se analizó más a fondo la eficacia de la estrategia de asignación de potencia OFDM-ISAC mediante simulaciones numéricas. En los experimentos de simulación, la antena transmisora, la antena de comunicación y la antena receptora de detección del sistema se configuraron todas en cuatro, denotadas por B, T y R, respectivamente. Las variaciones en la capacidad del canal de comunicación y en el PDP bajo diferentes configuraciones de antenas se muestran en Figura 9. A menos que se indique lo contrario, todas las simulaciones de esta sección utilizaron el mismo modelo de canal OFDM-ISAC dominado por LoS descrito en la sección Métodos. Las configuraciones de antenas se variaron únicamente para evaluar la escalabilidad y el rendimiento comparativo. Específicamente, la configuración de entrada única y salida única (SISO) se utilizó como referencia de comparación, la configuración de 2 transmisores y 2 receptores (2T2R) se empleó para la verificación de sensibilidad por subportadora, y la configuración de 4 transmisores y 4 receptores (4T4R) se usó como la configuración principal de múltiples antenas para la evaluación del rendimiento en comunicación y detección.
Figura 9. Efectos de la configuración de la antena en el rendimiento de comunicación y detección bajo diferentes relaciones señal-ruido (SNR). (A) Capacidad del canal de comunicación (bps/Hz) en función de la SNR. (B) Probabilidad de detección del objetivo en función de la SNR. Las curvas comparan el método propuesto de asignación de potencia y la asignación de potencia igual utilizando diferentes configuraciones de antenas transmisoras y receptoras. Haga clic aquí para ver una versión más grande de esta figura.
Como se muestra en la Figura 9A, la capacidad del canal de comunicación aumentó con el número de antenas. Cuando el número de antenas transmisoras y receptoras aumentó de dos a cuatro, la capacidad del canal de comunicación pasó de aproximadamente 20 bps/Hz a casi 60 bps/Hz a una SNR de 20 dB, lo que refleja la ganancia de multiplexado espacial proporcionada por la configuración de múltiples antenas. La Figura 9B muestra que, bajo diferentes configuraciones de antenas transmisoras y receptoras, la PDP obtenida mediante el PAM óptimo propuesto fue consistentemente mayor que la obtenida mediante la asignación de potencia igual. Cuando la SNR era de 10 dB y el número de antenas transmisoras era de cuatro, la PDP del método propuesto se acercó al óptimo teórico de 1, mientras que el PAM igual permaneció sustancialmente más bajo. El BOA mejorado maximiza la función de razón de verosimilitud mediante optimización iterativa, ajusta dinámicamente la relación de asignación de potencia entre las antenas transmisoras y asigna más potencia de transmisión a las antenas con respuestas más fuertes, mientras reduce la potencia asignada a las respuestas más débiles, mejorando así el rendimiento en la detección del objetivo.
Cuando tanto las antenas transmisoras como receptoras de comunicación y de detección se configuraron como 4T4R, se evaluó el modelo de optimización de potencia del sistema OFDM-ISAC. La capacidad del canal de comunicación y el PDP obtenidos bajo diferentes factores de ponderación de comunicación se presentan en la Figura 10.
Figura 10. Efectos del factor de ponderación de la comunicación en el rendimiento de comunicación y detección. (A) Capacidad del canal de comunicación como función de la relación señal-ruido (SNR). (B) Probabilidad de detección del objetivo como función de la SNR. Las curvas comparan el método propuesto, la asignación de potencia igual y factores de ponderación de la comunicación de 0,3 y 0,8. Haga clic aquí para ver una versión más grande de esta figura.
Figura 10A muestra que la capacidad del canal de comunicación varió bajo diferentes PAM cuando las configuraciones de antena de comunicación y de detección eran 4T4R. La capacidad del canal de comunicación aumentó con el aumento de la SNR para todos los PAM evaluados. A una SNR de 20 dB, las capacidades del canal fueron aproximadamente 13 bps/Hz para el método propuesto, 40 bps/Hz para la asignación de potencia igual, 42 bps/Hz con un factor de ponderación de comunicación de 0,3 y 38 bps/Hz con un factor de ponderación de comunicación de 0,8. Figura 10B muestra que la PDP aumentó con el aumento de la SNR para todos los PAM evaluados y se aproximó a 1 a una SNR de 20 dB. Estos resultados demuestran que el factor de ponderación de comunicación afecta el equilibrio entre la capacidad del canal de comunicación y el rendimiento de la detección.
Posteriormente, se realizaron simulaciones comparativas para evaluar más a fondo la eficacia del método propuesto. Se seleccionó como referencia de comparación el PAM-OFDM convencional bajo la arquitectura SISO (en lo sucesivo denominado método comparativo) y se comparó con la estrategia de asignación de potencia obtenida mediante el modelo propuesto OFDM-ISAC-P. Cuando el factor de ponderación de comunicación era 0,8, la capacidad del canal de comunicación y la PDP obtenidas bajo diferentes configuraciones de antenas en función de la SNR se muestran en la Figura 11.
Figura 11. Rendimiento en comunicación y detección obtenido utilizando diferentes configuraciones de antenas. (A) Capacidad del canal de comunicación en función de la relación señal-ruido (SNR). (B) Probabilidad de detección del objetivo en función de la SNR. Las curvas comparan el método propuesto utilizando configuraciones de una, dos y cuatro antenas transmisoras/receptoras junto con el método de comparación. Haga clic aquí para ver una versión más grande de esta figura.
Figura 11A muestra que, cuando el número de antenas transmisoras era cuatro y el factor de ponderación de la comunicación era 0,8, la capacidad del canal de comunicación alcanzó aproximadamente 67 bps/Hz a una SNR de 20 dB. Bajo la configuración 2T2R, la capacidad del canal de comunicación fue de aproximadamente 48 bps/Hz, mientras que la configuración SISO alcanzó aproximadamente 37 bps/Hz. Por lo tanto, aumentar el número de antenas incrementó la capacidad del canal de comunicación. Figura 11B muestra que, a una SNR de 20 dB, la PDP fue cercana a 1,00 bajo la configuración 4T4R, aproximadamente 0,98 bajo la configuración 2T2R y aproximadamente 0,98 bajo la configuración SISO. Estos resultados demuestran un mejor rendimiento en comunicación y detección bajo configuraciones con múltiples antenas en comparación con el punto de referencia SISO. La configuración SISO en la Figura 11 se incluyó únicamente como punto de referencia. El modelo propuesto OFDM-ISAC-P se formuló para sistemas con múltiples antenas, mientras que las configuraciones 2T2R y 4T4R se utilizaron para evaluar las mejoras de rendimiento obtenidas mediante la escalabilidad de antenas bajo el mismo supuesto de canal dominado por LoS.
Finalmente, se evaluó la eficacia del modelo OFDM-ISAC-P bajo diferentes configuraciones de parámetros del sistema variando el número de subportadoras (64, 128 y 256). El ancho de banda total se mantuvo fijo en 20 MHz, mientras que el espaciado entre subportadoras se ajustó inversamente según el número de subportadoras. La configuración de antenas fue 2T2R, y se adoptó el modelo de canal LoS. Se compararon la capacidad del canal de comunicación y el PDP obtenidos bajo diferentes SNR (0, 10 y 20 dB) entre el método propuesto y la asignación igual de potencia. Los resultados correspondientes se resumen en Tabla 3.
| Método | Número de subportadoras | Capacidad del canal (bps/Hz) | Probabilidad de detección | ||||
| SNR = 0 dB | SNR = 10 dB | SNR = 20 dB | SNR = 0 dB | SNR = 10 dB | SNR = 20 dB | ||
| Asignación de potencia igual | 64 | 0.98 | 2.35 | 4.71 | 0.37 | 0.72 | 0.89 |
| 128 | 1.32 | 3.11 | 6.28 | 0.42 | 0.76 | 0.92 | |
| 256 | 1.75 | 4.02 | 8.15 | 0.46 | 0.8 | 0.94 | |
| Estrategia propuesta OFDM-ISAC-P | 64 | 1.53 | 3.89 | 7.62 | 0.52 | 0.88 | 0.98 |
| 128 | 2.15 | 5.23 | 10.15 | 0.58 | 0.91 | 0.99 | |
| 256 | 2.87 | 6.71 | 13.28 | 0.63 | 0.94 | 0.99 | |
Tabla 3: Comparación de la capacidad del canal de comunicación y la probabilidad de detección del objetivo para la asignación de potencia igual y la estrategia de asignación de potencia propuesta bajo diferentes relaciones señal-ruido (SNR) y números de subportadoras OFDM. La capacidad del canal de comunicación se reporta en bps/Hz, y la probabilidad de detección del objetivo se reporta como una probabilidad (0–1).
Como se muestra en la Tabla 3, aumentar el número de subportadoras tuvo un efecto sustancial en el rendimiento del sistema. En la configuración de 256 subportadoras, el método propuesto alcanzó una capacidad del canal de comunicación de 13,28 bps/Hz a una SNR de 20 dB, lo que representa un incremento del 74,3 % en comparación con la configuración de 64 subportadoras, mientras que la PDP se mantuvo comparable, lo que indica que aumentar el número de subportadoras mejoró el rendimiento de la comunicación sin reducir sustancialmente el rendimiento de detección. Con el mismo número de subportadoras, el método propuesto superó consistentemente la asignación de potencia uniforme. Por ejemplo, con 128 subportadoras y una SNR de 10 dB, la capacidad del canal de comunicación aumentó un 68,2 % y la PDP aumentó un 19,7 % en comparación con la asignación uniforme de potencia, lo que demuestra la eficacia de la estrategia propuesta de asignación de potencia bajo diferentes configuraciones de parámetros del sistema. Incluso en condiciones de baja SNR de 0 dB con 64 subportadoras, la capacidad del canal de comunicación se mantuvo un 56,1 % mayor que la obtenida mediante asignación uniforme de potencia, lo que indica que el modelo propuesto mejora eficazmente el rendimiento del sistema bajo distintas configuraciones de subportadoras, al tiempo que satisface una variedad de requisitos de asignación espectral.
Análisis práctico del escenario de colaboración entre vehículo y carretera en el transporte inteligente
En la colaboración entre vehículos y carreteras en autopistas, la Unidad Lateral de Calzada (RSU) realiza simultáneamente dos tareas principales. La primera consiste en transmitir datos de vehículo a todo (V2X) a vehículos que viajan a alta velocidad (100–120 km/h), incluyendo condiciones actuales de la vía, límites de velocidad temporales y advertencias de frenado de emergencia. La segunda tarea es detectar vehículos con mal funcionamiento, escombros en la carretera y otros obstáculos dentro de un rango de 1–2 km mediante sensores de radar. Bajo estas condiciones, las altas velocidades de los vehículos introducen desplazamientos sustanciales de frecuencia Doppler en el canal de comunicación. En consecuencia, es necesario equilibrar la capacidad del canal de comunicación y el PDP bajo la potencia de transmisión disponible. La simulación adopta una configuración de antena 4T4R, 256 subportadoras, un ancho de banda de 20 MHz y un modelo de canal dominado por la línea de vista (LoS), en concordancia con los supuestos descritos en la sección Métodos. Este escenario evalúa la capacidad antiinterferencias y el rendimiento de detección a larga distancia del método propuesto bajo movimiento de vehículos a alta velocidad. La capacidad del canal de comunicación y el PDP se evaluaron en relaciones señal-ruido (SNR) de 0 dB y 20 dB. Los resultados correspondientes se presentan en Figura 12.
Figura 12. Comparación del rendimiento en comunicación y detección entre la asignación de potencia igual y el método propuesto bajo diferentes relaciones señal-ruido (SNR). (A) Resultados obtenidos a 0 dB. (B) Resultados obtenidos a 20 dB. Las barras representan la capacidad del canal de comunicación y la probabilidad de detección del objetivo para los dos métodos de asignación de potencia. Las barras de error representan la desviación estándar (SD) calculada a partir de simulaciones independientes repetidas. Haga clic aquí para ver una versión más grande de esta figura.
Como se muestra en la Figura 12A, bajo la condición de baja relación señal-ruido (SNR) de 0 dB (que representa condiciones adversas de propagación como lluvia o niebla densa), el método propuesto alcanzó una capacidad del canal de comunicación de 2,90 bps/Hz, lo que representa un aumento del 61,1 % en comparación con la asignación igual de potencia (1,80 bps/Hz). La probabilidad de detección de la señal (PDP) aumentó del 46 % al 63 %, lo que corresponde a una mejora absoluta de 17 puntos porcentuales y una mejora relativa del 37,0 % utilizando 46 % como denominador. La Figura 12B muestra que, con una SNR de 20 dB, el método propuesto alcanzó una capacidad del canal de comunicación de 13,30 bps/Hz, lo que representa un aumento del 60,2 % en comparación con la asignación igual de potencia (8,30 bps/Hz). La PDP aumentó del 94 % al 98 %, lo que corresponde a una mejora absoluta de 4 puntos porcentuales y una mejora relativa del 4,3 %. Estos resultados de simulación demuestran un mejor desempeño en comunicación y detección bajo el escenario de carretera evaluado. La estrategia propuesta de asignación de potencia mantuvo una capacidad estable del canal de comunicación y una probabilidad estable de detección de objetivos bajo las condiciones de simulación con múltiples antenas evaluadas, lo que indica su potencial aplicabilidad a sistemas integrados de detección y comunicación basados en OFDM.
A diferencia del escenario de carretera mostrado en la Figura 12, la Tabla 4 presenta resultados para un escenario de colaboración entre vehículo, vía y peatón en una intersección urbana. Este escenario considera obstrucciones por edificios, frecuentes paradas y arranques de vehículos, cruces peatonales y tráfico mixto que incluye vehículos eléctricos. Por consiguiente, los valores de SNR se establecieron en 5, 15 y 25 dB, en lugar de 0 y 20 dB. Los resultados de simulación correspondientes se resumen en la Tabla 4.
| Relación señal-ruido (dB) | Método | Capacidad del canal (bps/Hz) | Probabilidad de detección (%) | Retardo en la comunicación (ms) |
| 5 | Asignación igual de potencia | 1.32 | 42 | 3.8 |
| Estrategia propuesta OFDM-ISAC-P | 2.15 | 58 | 2.5 | |
| 15 | Asignación igual de potencia | 3.11 | 76 | 2.5 |
| Estrategia propuesta OFDM-ISAC-P | 5.23 | 91 | 1.8 | |
| 25 | Asignación igual de potencia | 6.28 | 92 | 1.9 |
| Estrategia propuesta OFDM-ISAC-P | 10.15 | 99 | 1.2 |
Tabla 4: Comparación del rendimiento en comunicación y detección entre la asignación de potencia igualitaria y la estrategia de asignación de potencia propuesta bajo diferentes relaciones señal-ruido (SNRs). Las métricas de rendimiento evaluadas incluyen la capacidad del canal de comunicación (bps/Hz), la probabilidad de detección del objetivo (%) y el retardo en la comunicación (ms).
Como se muestra en la Tabla 4, el método propuesto logró un mejor desempeño en comunicación y sensado bajo el escenario simulado de intersección urbana. Con una relación señal-ruido (SNR) de 15 dB, la capacidad del canal de comunicación alcanzó 5,23 bps/Hz, lo que representa un aumento del 68,2 % en comparación con la asignación de potencia uniforme (3,11 bps/Hz). La latencia de comunicación correspondiente fue de 1,8 ms, lo que representa una reducción del 28,0 % en comparación con la asignación de potencia uniforme (2,5 ms). La probabilidad de detección de objetivos (PDP) alcanzó el 91 %, lo que representa una mejora relativa del 19,7 % frente a la asignación de potencia uniforme (76 %). Con una SNR de 25 dB, el método propuesto logró una capacidad del canal de comunicación de 10,15 bps/Hz, lo que representa un aumento del 61,6 % en comparación con la asignación de potencia uniforme (6,28 bps/Hz). La latencia de comunicación disminuyó a 1,2 ms y la PDP alcanzó el 99 %. Incluso bajo la condición de SNR más baja de 5 dB, la capacidad del canal de comunicación se mantuvo en 2,15 bps/Hz, lo que representa un aumento del 62,9 % frente a la asignación de potencia uniforme, mientras que la latencia de comunicación se mantuvo en 2,5 ms. Estos resultados de simulación demuestran que la estrategia de asignación de potencia propuesta proporciona una asignación eficiente de recursos para comunicación y sensado, así como un mejor desempeño en la detección de objetivos en el escenario de intersección urbana evaluado, lo que respalda su posible aplicación en sistemas colaborativos de percepción vehículo-calle-peatón.
Para evaluar la sobrecarga computacional del método propuesto, se comparó el tiempo promedio de optimización de diferentes esquemas de asignación de potencia en el mismo entorno de simulación. La asignación de potencia igual mostró el menor costo computacional porque no requirió optimización iterativa. El WA logró una optimización rápida para el objetivo orientado a la comunicación, pero no optimizó directamente el PDP. El BOA convencional requirió más iteraciones y un tiempo de optimización más largo. En la comparación de sobrecarga computacional resumida en Tabla 5, la incorporación de las estrategias DSP y DVGM redujo el número promedio de iteraciones de convergencia del BOA mejorado a 98, disminuyendo así el tiempo de optimización mientras mantenía un mejor desempeño en comunicación y sensado. Los resultados correspondientes se presentan en Tabla 5.
| Esquema de asignación de potencia | Objetivo principal de optimización | Complejidad computacional | Iteraciones promedio de convergencia | Tiempo promedio de optimización | Aplicabilidad en tiempo real |
| Asignación de potencia igual | Ninguno | O(N) | No aplicable | 0.03 ms | Alta, pero equilibrio de rendimiento pobre. |
| WA | Capacidad de comunicación | O(N log N) | No aplicable | 0.18 ms | Alta, pero el rendimiento de detección no se optimiza conjuntamente. |
| BOA tradicional | Objetivo conjunto de comunicación y detección | O(PID) | 235 | 12.6 ms | Moderada. |
| BOA mejorado | Objetivo conjunto normalizado de comunicación y detección | O(PID) | 98 | 5.4 ms | Adecuado para actualizaciones de potencia a escala de tiempo lenta o por tramas. |
Tabla 5: Comparación de las características computacionales de diferentes esquemas de asignación de potencia. La tabla compara la asignación igual de potencia, la Asignación por Relleno de Agua (WA), el Algoritmo Tradicional de Optimización de Mariposa (BOA) y el Algoritmo de Optimización de Mariposa Mejorado (IBOA) con respecto al objetivo de optimización, la complejidad computacional, el número promedio de iteraciones de convergencia, el tiempo promedio de optimización y la aplicabilidad en tiempo real. Aquí, N denota el número de subportadoras OFDM. La complejidad computacional de los métodos basados en BOA se expresa como O(PID), donde P representa el tamaño de la población, I denota el número máximo de iteraciones y D representa la dimensión del problema de optimización.
Como se muestra en la Tabla 5, la asignación de potencia igualitaria y el WA presentaron el menor costo computacional, pero optimizaron solo objetivos de rendimiento limitados. La asignación de potencia igualitaria no tuvo en cuenta las variaciones del canal, mientras que el WA optimizó principalmente la capacidad del canal de comunicación sin optimizar conjuntamente el PDP. El BOA mejorado requirió un mayor esfuerzo computacional porque optimizó iterativamente el vector de asignación de potencia. Sin embargo, en comparación con el BOA convencional, el número promedio de iteraciones de convergencia disminuyó de 235 a 98, y el tiempo promedio de optimización disminuyó de 12,6 ms a 5,4 ms. Estos resultados indican que las mejoras propuestas redujeron la carga computacional del BOA manteniendo un rendimiento de optimización mejorado. Para aplicaciones de comunicación en tiempo real de sexta generación (6G), el método propuesto es más adecuado para la asignación de potencia a nivel de trama, a nivel de grupo de ranuras o a nivel de escenario, que para la adaptación instantánea a nivel de símbolo. Una inicialización con estado térmico (warm-start) o una implementación asistida por tabla de búsqueda podría reducir aún más la latencia de decisión en futuras implementaciones.
Disponibilidad de datos:
Los datos que respaldan los hallazgos de este estudio se proporcionan junto con el manuscrito como materiales suplementarios. La configuración de los parámetros de simulación de OFDM-ISAC se proporciona en la Tabla Suplementaria 1, y los datos numéricos fuente que sustentan las Figuras 7–12 se proporcionan en el Archivo de Datos Suplementarios 1.
Tabla suplementaria 1. Configuración de parámetros de simulación del sistema integrado de detección y comunicación basado en OFDM (OFDM-ISAC). Esta tabla resume los parámetros de simulación utilizados para configurar el sistema OFDM-ISAC, incluyendo los parámetros de forma de onda, características del canal, configuraciones de usuarios y objetivos, configuración de antenas y parámetros de optimización empleados en todas las simulaciones numéricas.Haga clic aquí para descargar este archivo.
Archivo de datos suplementario 1. Datos numéricos fuente subyacentes a las Figuras 7–12. El libro de trabajo contiene hojas separadas que proporcionan los datos numéricos correspondientes a las Figuras 7–12, incluidos los valores de convergencia y ajuste final para los algoritmos de optimización en las Figuras 7 y 8, los datos de capacidad del canal de comunicación y probabilidad de detección de objetivos para las Figuras 9–12, y las condiciones correspondientes de relación señal-ruido, configuración de antenas y ponderación de la comunicación utilizadas para generar las figuras finales.Haga clic aquí para descargar este archivo.
Discusión
El modelo propuesto OFDM-ISAC-P aborda la necesidad de equilibrar la capacidad del canal de comunicación y el PDP bajo una restricción compartida de potencia de transmisión. Estudios previos basados en OFDM para ISAC han examinado la asignación conjunta de subportadoras y potencia, el diseño de formas de onda compartidas, la asignación dinámica de potencia y los compromisos entre comunicación y detección1,2,7,8,9,10,11,28,29,30. En el presente estudio, los objetivos de comunicación y detección se normalizan para reducir la influencia de sus diferencias dimensionales, y se utilizan factores de ponderación ajustables para representar distintas prioridades entre comunicación y detección. Luego se aplica la BOA mejorada, que incorpora DSP y DVGM, para resolver el problema resultante de asignación de potencia no convexo. La evaluación actual analiza la BOA mejorada combinada que incluye tanto DSP como DVGM; no se evaluaron por separado las contribuciones individuales de estos dos mecanismos mediante un análisis de ablación, lo cual debería investigarse en trabajos futuros. Los resultados de simulación indican que este marco proporciona un punto de operación entre comunicación y detección más equilibrado que la asignación de potencia igualitaria y la asignación orientada a la comunicación bajo las condiciones evaluadas.
Este enfoque podría impulsar la investigación sobre ISAC basado en OFDM al proporcionar un marco de simulación unificado para evaluar la capacidad de comunicación, el PDP, la escala de antenas, la configuración de subportadoras, la selección de factores de ponderación y la sobrecarga computacional. Investigaciones relacionadas han demostrado la importancia de la asignación adaptativa de recursos, la optimización de formas de onda y la distribución de potencia en sistemas ISAC3,4,5,6,7,8,9,10,11,28,29,30. Los resultados presentes amplían esta línea al combinar una optimización multiobjetivo normalizada con un solucionador mejorado basado en poblaciones. Los factores de ponderación evaluados describen aproximadamente un equilibrio de Pareto en el que aumentar el peso de la comunicación mejora la capacidad de comunicación mientras reduce el PDP, y disminuir el peso de la comunicación produce el efecto opuesto. Por lo tanto, este marco proporciona una base metodológica para estudiar los compromisos entre comunicación y detección bajo distintas prioridades del sistema, incluyendo escenarios de transporte inteligente y redes vehiculares16,17,26,28.
Aún quedan varias limitaciones. En primer lugar, la validación se basa enteramente en modelado matemático y simulaciones numéricas con parámetros de canal predefinidos, configuraciones de antenas, desplazamientos Doppler, relaciones señal-ruido y niveles de ruido. Por lo tanto, las ganancias reportadas deben interpretarse como mejoras a nivel de simulación, y no como evidencia directa del rendimiento en implementaciones reales. En segundo lugar, el supuesto de canal dominado por trayectoria en línea de vista (LoS) es adecuado para el escenario evaluado de colaboración entre vehículos y carretera en autopista, pero podría ser idealizado para intersecciones urbanas densas, donde la propagación fuera de línea de vista (NLoS), la reflexión multitrayectoria, el bloqueo y la variación rápida del canal son más prominentes19,20,21,26. Estos efectos de propagación pueden provocar fluctuaciones más intensas en la ganancia del canal de comunicación y en la intensidad del eco de detección, reduciendo así la estabilidad de la asignación optimizada de potencia. Por consiguiente, estudios futuros deberían extender el marco teórico a canales híbridos LoS/NLoS que incorporen grupos multitrayectoria, bloqueo aleatorio, información sobre el estado del canal variable en el tiempo y estimación imperfecta del canal.
El modelo actual tampoco tiene en cuenta explícitamente la interferencia entre múltiples usuarios, la interferencia entre vehículos, la planificación conjunta entre múltiples receptores ni la detección simultánea de múltiples objetivos. En redes prácticas de ISAC de sexta generación, el objetivo de optimización podría necesitar ampliarse desde la capacidad de comunicación de enlace único y el PDP individual hasta formulaciones multiusuario y multiobjetivo que incluyan equidad, interferencia, formación de haces y restricciones de planificación11,20,22,23,24,30. En cuanto a la detección, concentrar la potencia de transmisión en el mejor subcanal puede ser adecuado para detectar un único objetivo puntual, pero podría ser insuficiente para la obtención de imágenes por radar, la detección de propiedades electromagnéticas o el seguimiento de múltiples objetivos, donde la potencia podría necesitar distribuirse entre subportadoras sensibles al objetivo, haces o direcciones espaciales22,23,24,25. Por lo tanto, formulaciones alternativas podrían optimizar la probabilidad de detección ponderada, el PDP mínimo, la precisión de estimación o el rendimiento conjunto de detección y seguimiento. La aproximación convexa, la optimización de formación de haces, los métodos de redes cooperativas y la asignación de recursos basada en aprendizaje representan otros enfoques posibles para investigar la misma hipótesis2,8,11,16,17,23,24,30.
El estudio no incluye prototipado de hardware, datos medidos de canales montados en vehículos, experimentos de campo ni implementación embebida en tiempo real. Aunque la versión mejorada del BOA redujo el número promedio de iteraciones de convergencia y el tiempo de optimización en comparación con el BOA tradicional, siguió siendo más exigente computacionalmente que la asignación de potencia uniforme y el WA. Por lo tanto, el método propuesto es más adecuado para la asignación de potencia a nivel de escenario, nivel de trama o nivel de grupo de ranuras que para el ajuste instantáneo a nivel de símbolo bajo la implementación actual. En trabajos futuros se debería evaluar la inicialización con punto de partida cercano a la solución, el uso de tablas de búsqueda, la computación paralela y aproximaciones ligeras basadas en aprendizaje para reducir la latencia de decisión. También sería necesario realizar pruebas con hardware en el bucle, canales medidos entre vehículo y carretera en condiciones de visibilidad directa (LoS) y sin visibilidad directa (NLoS), así como implementación en tiempo real, para determinar si las mejoras observadas a nivel de simulación se mantienen estables bajo incertidumbre práctica del canal y limitaciones computacionales. En consecuencia, los ejemplos de transporte inteligente deben interpretarse como análisis de viabilidad basados en simulaciones, y no como despliegues de ingeniería verificados.
En conclusión, la creciente demanda de comunicaciones inalámbricas y sensores de radar ha intensificado el conflicto entre los recursos limitados del espectro y los requisitos de servicios en expansión, lo que convierte a la ISAC en un enfoque importante para mejorar la utilización de recursos12,13,14,15,19,26. Este estudio construyó el modelo OFDM-ISAC-P, obtuvo soluciones de referencia orientadas a comunicación y detección mediante el método WA y la detección generalizada de razón de verosimilitud máxima, e introdujo ponderación normalizada para reducir las inconsistencias dimensionales entre los dos objetivos. Luego se utilizó la BOA mejorada para resolver el modelo resultante de asignación de potencia y equilibrar el rendimiento de comunicación y detección. En la comparación del costo computacional resumida en Tabla 5, el número promedio de iteraciones de convergencia de la BOA mejorada se redujo en un 58,3 % en comparación con la BOA tradicional. Bajo la configuración 4T4R evaluada a 20 dB, el modelo OFDM-ISAC-P alcanzó una capacidad del canal de comunicación de aproximadamente 60 bps/Hz y una PDP cercana a 1. En los escenarios multiantena evaluados dominados por LoS, el método propuesto mejoró eficazmente la capacidad del canal de comunicación y la probabilidad de detección del objetivo, logrando así un equilibrio adecuado entre el rendimiento de comunicación y detección. Sin embargo, el estudio sigue limitado a escenarios de simulación dominados por LoS y no incorpora interferencia de múltiples usuarios, modelado de canales NLoS ni ajuste de potencia en tiempo real bajo canales de variación rápida. Las investigaciones futuras deberían extender el modelo a sistemas OFDM-ISAC multiusuario, introducir modelos de canales NLoS y basados en mediciones, procesar ecos de detección de múltiples objetivos e investigar la asignación adaptativa de potencia mediante aprendizaje profundo y otros métodos de baja complejidad para mejorar la capacidad de respuesta en entornos dinámicos y apoyar una evaluación práctica más amplia de la tecnología ISAC16,17,21,26,28.
Divulgaciones
Conflicto de intereses:
Los autores declaran que no tienen conflictos de intereses.
Agradecimientos
Los autores agradecen sinceramente el apoyo financiero del Proyecto de Investigación en Ciencias Naturales del Departamento de Educación de la Provincia de Liaoning, China (Número de beca: JYTMS20230009), del Proyecto de Investigación y Desarrollo Tecnológico de Dalian, China (Número de beca: 2024JB11GX001) y del Proyecto de Cultivo de Equipos Disciplinares de la Universidad de Ciencia y Tecnología de Dalian (Número de beca: KYXK2025001).
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| CVXPY | CVXPY Developers | Version 1.4 | Paquete de optimización convexa utilizado para respaldar la verificación del modelo de asignación de potencia. |
| Programa de optimización BOA mejorado | Autores | No aplicable | Implementación personalizada del Algoritmo de Optimización de Mariposa Mejorado (IBOA, por sus siglas en inglés) utilizado para resolver el modelo de asignación de potencia OFDM-ISAC-P mediante probabilidad de conmutación dinámica y mutación gaussiana de varianza dinámica. |
| Conjunto de datos de referencia para simulación ISAC | Autores | No aplicable | Conjunto de referencia de simulación generado por los autores y utilizado para evaluar el método propuesto de asignación de potencia bajo diferentes relaciones señal-ruido, configuraciones de antenas y números de subportadoras. |
| MATLAB | The MathWorks, Inc. | R2023b | Plataforma utilizada para simulación numérica y visualización de resultados. |
| NumPy | Desarrolladores de NumPy | Version 1.26 | Biblioteca de computación numérica utilizada para operaciones con arreglos, inicialización aleatoria y análisis estadístico. |
| Programa de simulación OFDM-ISAC | Autores | No aplicable | Código de simulación personalizado utilizado para construir el modelo de canal OFDM-ISAC, calcular la capacidad del canal de comunicación y evaluar la probabilidad de detección de objetivos. |
| PyTorch | PyTorch Foundation | Version 2.1 | Marco de trabajo para cálculo tensorial utilizado para modelado numérico y operaciones matriciales. |
| Ambiente de programación Python | Python Software Foundation | Python 3.10 | Lenguaje de programación utilizado para la implementación de algoritmos y cálculos numéricos. |
| Sistema operativo Ubuntu | Canonical Ltd. | Ubuntu 22.04 LTS | Sistema operativo utilizado para implementar las simulaciones de asignación de potencia OFDM-ISAC. |
Referencias
- Li Y, Wei Z, Feng Z. Joint subcarrier and power allocation for uplink integrated sensing and communication system. IEEE Sens J. 2023;23(24):31072-31081. doi:10.1109/JSEN.2023.3330936.
- Cao X, Tang L, Shen F. Robust OFDM shared waveform design and resource allocation for the integrated sensing and communication system. In: 2023 IEEE Wireless Communications and Networking Conference (WCNC). IEEE; 2023:13-24. doi:10.1109/WCNC55385.2023.10118730.
- Wen Y, Yang F, Song J. Adaptive resource allocation in ADO-OFDM for optical wireless integrated sensing and communication. In: GLOBECOM 2024 IEEE Global Communications Conference. IEEE; 2024:28-39. doi:10.1109/GLOBECOM52923.2024.10901628.
- Sümer AS, Memişoğlu E, Arslan H. A novel pilot allocation technique for uplink OFDMA in ISAC systems. IEEE Wirel Commun Lett. 2025;14(8):2561-2565. doi:10.1109/LWC.2025.3575711.
- Hawkins H, Xu C, Yang LL. IM-OFDM ISAC outperforms OFDM ISAC by combining multiple sensing observations. IEEE Open J Veh Technol. 2024;5(1):312-329. doi:10.1109/OJVT.2024.3366772.
- Zhu W, Han Y, Wang L. Pilot optimization for OFDM-based ISAC signal in emergency IoT networks. IEEE Internet Things J. 2023;11(18):29600-29614. doi:10.1109/JIOT.2023.3314057.
- Wen Y, Yang F, Song J. Power allocation for OFDM-based free space optical integrated sensing and communication. In: ICC 2024 IEEE International Conference on Communications. IEEE; 2024:2408-2413. doi:10.1109/ICC51166.2024.10622583.
- Wang X, Han S. Optimization of power allocation for OFDM-based ISAC systems. In: GLOBECOM 2024 IEEE Global Communications Conference. IEEE; 2024:5387-5392. doi:10.1109/GLOBECOM52923.2024.10901655.
- Al Khansa A, Madhusudan G, Larue G. Dynamic power allocation in OFDM ISAC for time of arrival estimation. In: 2024 IEEE Conference on Standards for Communications and Networking (CSCN). IEEE; 2024:249-254. doi:10.1109/CSCN63874.2024.10849719.
- He X. Power allocation scheme for OFDM-ISAC system. In: 2025 5th International Conference on Sensors and Information Technology. IEEE; 2025:136-140. doi:10.1109/ICSI64877.2025.11009420.
- Liao B, Ngo HQ, Matthaiou M. Power allocation for massive MIMO-ISAC systems. IEEE Trans Wirel Commun. 2024;23(10):14232-14248. doi:10.1109/TWC.2024.3410385.
- Chen Y, et al. Integrated sensing, communication, and powering: Toward multi-functional 6G wireless networks. IEEE Commun Mag. 2025;63(8):146-153. doi:10.1109/MCOM.006.2400013.
- Singh S, Samal U. Integrated sensing and communication in next-generation wireless networks: Insights and trends. Int J Commun Syst. 2025;38(5):70014-70018. doi:10.1002/dac.70014.
- Liu J, et al. OFDM-structure based waveform designs for integrated sensing and communication. Sci China Inf Sci. 2025;68(5):150306-150309. doi:10.1007/s11432-024-4373-7.
- Ni Y, et al. An integrated sensing and communications system based on affine frequency division multiplexing. IEEE Trans Wirel Commun. 2025;24(5):3763-3779. doi:10.1109/TWC.2025.3532993.
- Li C, et al. Improved TD3-based resource allocation optimization for latency-sensitive tasks in ISAC-aided VEC. ACM Trans Sens Netw. 2025;21(6):1-27. doi:10.1145/3767332.
- Li C, Long K, Yang M. D3QN-TD3-based user association and resource allocation in ISAC-aided vehicular edge computing. ACM Trans Sens Netw. 2025;21(4):1-31. doi:10.1145/3744711.
- Ahmed MF, Rahman A. OFDM-based optical integrated sensing and communication framework using embedded pilot subcarriers. Opt Contin. 2026;5(6):1706-1720. doi:10.1364/OPTCON.595843.
- Luo HL, et al. Integrated sensing and communications framework for 6G networks. IEEE Wirel Commun. 2025;32(6):102-109. doi:10.1109/MWC.2025.3599658.
- Nabil Y, ElSawy H, Hassanein HS. System-level analysis of dual-mode networked sensing: ISAC integration and coordination gains. IEEE Trans Wirel Commun. 2025;25(4):7970-7987. doi:10.1109/TWC.2025.3634682.
- Feng XX, Wu W, Ling M, Zheng H. Off-grid parameter estimation for OFDM-based ISAC systems with incomplete data and demodulation errors. China Commun. 2026;23(3):199-216. doi:10.23919/JCC.fa.2025-0172.202603.
- Jiang YH, Gao F, Shi J, Tie JC. Electromagnetic property sensing in ISAC with multiple base stations: Algorithm, pilot design, and performance analysis. IEEE Trans Wirel Commun. 2025;24(4):3400-3416. doi:10.1109/TWC.2025.3530946.
- Zhang Y, et al. Backscatter device-aided integrated sensing and communication: A Pareto optimization framework. IEEE Trans Wirel Commun. 2026;25(2):17958-17974. doi:10.1109/TWC.2026.3698666.
- Zhang X, Huang B, Alouini MS. Design of 3-D beamforming and deployment strategies for ISAC-based HAPS systems. IEEE Trans Wirel Commun. 2026;25(2):13228-13242. doi:10.1109/TWC.2026.3670213.
- Uluocak S, Kartal M. A low-complexity target Swerling type estimation method for next-generation OFDM-based ISAC systems. IEEE Access. 2025;13(5):192542-192554. doi:10.1109/ACCESS.2025.3630105.
- Du Z, et al. Toward ISAC-empowered vehicular networks: Framework, advances, and opportunities. IEEE Wirel Commun. 2025;32(2):222-229. doi:10.1109/MWC.002.2300496.
- Hasanvand M, Nooshyar M, Moharamkhani E, Selyari A. Machine learning methodology for identifying vehicles using image processing. AIA. 2023;1(3):170-178. doi:10.47852/bonviewAIA3202833.
- Yang H, Wang L, Feng Z. Dynamic power allocation for integrated sensing and communication-enabled vehicular networks. IEEE Trans Wirel Commun. 2024;23(9):12313-12330. doi:10.1109/TWC.2024.3391354.
- Wen Y, Yang F, Song J. Free space optical integrated sensing and communication based on DCO-OFDM: Performance metrics and resource allocation. IEEE Internet Things J. 2024;12(2):2158-2173. doi:10.1109/JIOT.2024.3469279.
- Liu M, Yang M, Li H. Performance analysis and power allocation for cooperative ISAC networks. IEEE Internet Things J. 2022;10(7):6336-6351. doi:10.1109/JIOT.2022.3225281.