Ce protocole décrit une méthode basée sur la simulation pour optimiser l'allocation de puissance dans les systèmes intégrés de détection et de communication, en utilisant un modèle d'optimisation multi-objectif et un algorithme d'optimisation du papillon amélioré afin d'équilibrer la capacité de communication et les performances de détection de cible dans différentes conditions de fonctionnement.
Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.
Article de recherche
Allocation de puissance basée sur la simulation pour les systèmes intégrés de détection et de communication équilibrant la capacité de communication et la détection de cibles
94 vues
⸱
11 septembre 2026
Dans cet article
Résumé
Résumé
Les systèmes intégrés de détection et de communication (ISAC) nécessitent une allocation efficace de la puissance afin d'équilibrer la qualité des communications et les performances de détection tout en fonctionnant sous des ressources limitées en spectre et en puissance. Les méthodes conventionnelles d'allocation égale de la pu游戏副本rance échouent souvent à établir un compromis efficace entre la capacité du canal de communication et la probabilité de détection de cible (PDP), car elles ne tiennent pas suffisamment compte des objectifs différents des communications et de la détection. Cette étude propose une stratégie d'allocation de puissance basée sur la simulation pour un système ISAC utilisant la multiplexage par répartition orthogonale en fréquence (OFDM), à l’aide d’un cadre d’optimisation multi-objectif normalisé. Un algorithme d’optimisation par papillon amélioré (BOA), intégrant des stratégies de probabilité de commutation dynamique et de mutation gaussienne à variance dynamique, est utilisé afin d'améliorer la capacité de recherche globale, la vitesse de convergence et la diversité des solutions. Des simulations numériques ont été réalisées sous différents facteurs de pondération des communications, configurations d'antennes, nombres de sous-porteuses et rapports signal-sur-bruit afin d'évaluer l'approche proposée. La stratégie optimisée a permis d'obtenir un comportement de convergence amélioré tout en assurant un compromis équilibré entre la capacité du canal de communication et la PDP dans plusieurs scénarios de simulation. Ces résultats montrent que le cadre d'optimisation proposé peut efficacement soutenir l'allocation de ressources basée sur la simulation pour les systèmes ISAC basés sur l'OFDM, tout en offrant une méthodologie reproductible pour évaluer les compromis entre communication et détection dans différentes conditions de fonctionnement.
Introduction
Avec l'expansion rapide des services de communication sans fil et la demande croissante de détection radar haute performance, le conflit entre les ressources limitées du spectre et les exigences croissantes en matière de services est devenu de plus en plus marquant. Par ailleurs, la miniaturisation et l'intégration des dispositifs électroniques ont davantage favorisé le développement des systèmes intégrés de détection et de communication (ISAC). En conséquence, l'ISAC s'est imposé comme une direction de recherche majeure dans les systèmes électroniques d'information1,2,3. En partageant les ressources du spectre et du matériel, l'ISAC permet la transmission simultanée de données de communication sans fil et de signaux de détection radar, surmontant ainsi les limitations d'efficacité spectrale des systèmes autonomes classiques et améliorant l'utilisation des ressources dans des scénarios complexes4. La multiplexage par répartition orthogonale de la fréquence (OFDM) est une technique de modulation multiporteuse largement utilisée qui améliore l'occupation du spectre et offre une forte robustesse face aux interférences multipath. Grâce à ces avantages, l'OFDM est devenue la forme d'onde privilégiée pour les systèmes ISAC. L'architecture OFDM-ISAC qui en résulte fournit une base de forme d'onde fiable pour la mise en œuvre coordonnée des fonctions de communication et de détection5,6. En conséquence, des recherches considérables se sont concentrées sur ce sujet.
Afin d'améliorer l'efficacité de la communication et les performances de détection, Wen et al.7 ont proposé une méthode d'allocation de puissance (PAM) pour les systèmes ISAC basés sur l'OFDM optique en espace libre. Leurs résultats ont démontré l'efficacité de cette méthode et mis en évidence le compromis entre les performances de communication et de détection. Wang et al.8 ont développé une méthode d'optimisation de l'allocation de puissance fondée sur l'apprentissage profond pour les systèmes OFDM-ISAC, visant à minimiser le taux d'erreur sur les symboles de communication ainsi que la borne inférieure de Cramér–Rao pour l'estimation conjointe du délai et du décalage Doppler, ce qui a permis d'améliorer les performances de communication. Afin d'équilibrer les performances de communication et de détection, AlKhansa et al.9 ont conçu une méthode d'allocation de puissance dynamique pour l'estimation du temps d'arrivée dans les systèmes OFDM-ISAC, et des résultats numériques ont confirmé l'importance d'intégrer plusieurs contraintes de détection. He et al.10 ont formulé un problème d'optimisation max-min pour les systèmes multicanaux OFDM-ISAC et ont développé un algorithme itératif d'optimisation fondé sur une approximation convexe successive afin de résoudre le problème non convexe résultant, améliorant ainsi les performances de communication. Liao et al.11 ont proposé un formateur de faisceau émetteur ISAC computationnellement efficace, basé sur une combinaison pondérée d'un précodeur linéaire et d'un formateur de faisceau d'antenne prédéfini, démontrant une efficacité computationnelle et des performances globales favorables.
Malgré ces avancées, la plupart des systèmes OFDM-ISAC reposent encore sur une allocation équitable de la puissance, ce qui limite les performances globales du système lorsque les fonctions de communication et de détection fonctionnent simultanément. Une stratégie d'allocation de puissance qui maximise la capacité du canal de communication peut réduire les performances de détection de cible, tandis qu'une stratégie optimisée uniquement pour la probabilité de détection de cible (PDP) peut allouer une puissance excessive à la détection au détriment de la qualité de la communication. De plus, comme la capacité du canal de communication et la PDP ont des dimensions physiques différentes, les méthodes classiques d'optimisation par somme pondérée ne parviennent pas à équilibrer adéquatement leurs contributions respectives, ce qui limite les performances globales des systèmes OFDM-ISAC. Cette étude examine l'allocation de puissance d'émission dans les systèmes OFDM-ISAC afin d'optimiser conjointement la capacité du canal de communication et la PDP malgré ces différences dimensionnelles. Le modèle proposé OFDM-ISAC-P normalise les deux fonctions objectif et applique des facteurs de pondération ajustables pour améliorer la comparabilité de l'optimisation. Pour surmonter les limites de l'algorithme d'optimisation par papillon (BOA) classique, notamment ses paramètres fixes, sa convergence lente et sa sensibilité aux optima locaux, des stratégies de probabilité de commutation dynamique (DSP) et de mutation gaussienne à variance dynamique (DVGM) sont intégrées afin d'améliorer l'adaptabilité de la recherche. L'étude émet l'hypothèse que la combinaison d'une optimisation multi-objectif normalisée avec le BOA amélioré produit une allocation de puissance à l'équilibre de Pareto plus stable que l'allocation équitable classique et le BOA standard. Les principales contributions de cette étude comprennent l'élaboration d'un modèle normalisé d'allocation de puissance multi-objectif, un cadre d'optimisation fondé sur un BOA amélioré, et une validation par simulation dans des scénarios utilisant plusieurs antennes, plusieurs porteuses et des systèmes de transport intelligents.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Protocole
Cette étude s'est limitée à la modélisation mathématique, au développement d'algorithmes et à des simulations numériques pour un système OFDM-ISAC. Aucun participant humain, animal, échantillon biologique ou donnée personnellement identifiable n'a été utilisé. Par conséquent, aucune approbation éthique institutionnelle, y compris par un comité d'éthique (IRB) ou un comité institutionnel de soins et d'utilisation des animaux (IACUC), n'était requise.
Conception d'un modèle d'allocation de puissance pour le système de communication et de détection intégrés basé sur la multiplexage par répartition orthogonale de la fréquence
Dans les systèmes ISAC, les PAM traditionnels égaux répartissent souvent la puissance de transmission uniformément sur chaque canal et chaque antenne lors de la communication et de la détection simultanées, sans tenir compte de leurs exigences de performance différentes. Cela peut entraîner une allocation excessive de puissance aux liaisons de transmission inefficaces et ne pas satisfaire aux exigences hétérogènes des services de communication et de détection, réduisant ainsi l'efficacité globale de l'utilisation de la puissance12,13,14. Par conséquent, cette étude prend en compte les objectifs fonctionnels doubles du système en optimisant conjointement la capacité du canal de communication et la PDP. Un cadre d'optimisation multi-objectif est établi afin d'élaborer une stratégie d'allocation de puissance pour le système ISAC basé sur l'OFDM, appelé modèle OFDM-ISAC-P. L'OFDM est une technique efficace de modulation multiporteuses composée d'une extrémité émettrice et d'une extrémité réceptrice. Le processus OFDM est illustré dans Figure 1.
Figure 1. Flux de traitement du signal de la forme d'onde de multiplexage orthogonal par répartition en fréquence (OFDM) utilisée dans le système intégré de détection et de communication (ISAC). Le flux comprend le codage des données, l'entrelacement, le mappage des symboles, la conversion série-parallèle, la transformation de Fourier rapide inverse (IFFT), l'insertion du préfixe cyclique (CP), la transmission en radiofréquence (RF), la propagation par canal sans fil, la réception RF, la suppression du CP, la transformation de Fourier rapide (FFT), l'égalisation de canal, le décodage, le désentrelacement, le décodage et la récupération des données. Veuillez cliquer ici pour afficher une version agrandie de cette figure.
Dans Figure 1, les signaux OFDM servent de forme d'onde partagée pour la communication et la détection en raison de leur forte efficacité spectrale et de leur grande résistance aux interférences multipath, permettant ainsi une transmission unifiée de la forme d'onde pour les deux fonctions15,16,17. En négligeant l'effet de modelage spectral de la fonction fenêtre, la forme d'onde OFDM émise est construite à l'aide de la fréquence porteuse, du nombre de sous-porteuses, des poids complexes des sous-porteuses pour l'allocation de puissance, du codage du signal de communication et de l'espacement entre sous-porteuses. La bande passante du système est déterminée par l'espacement entre sous-porteuses et le nombre de sous-porteuses18. Le processus de génération du signal de communication est spécifié comme suit. Les bits d'information binaires sont d'abord codés à l'aide d'un schéma de codage à parité de redondance faible (LDPC) afin d'améliorer la fiabilité de la transmission, puis sont mappés vers des symboles à valeurs complexes en utilisant une modulation par décalage de phase en quadrature (QPSK). Les symboles modulés sont attribués aux sous-porteuses OFDM selon une stratégie d'allocation de puissance optimisée. Après le traitement par transformation de Fourier rapide inverse (IFFT) et l'insertion d'un préfixe cyclique (CP), la forme d'onde de communication OFDM dans le domaine temporel est générée et transmise conjointement avec le signal de détection. La même configuration de modulation et de codage est maintenue tout au long de toutes les simulations. La configuration du système ISAC utilisée dans cette étude est présentée dans Figure 2.
Figure 2. Configuration du système de communication et détection intégrées basé sur la multiplexage par répartition orthogonale de la fréquence (OFDM-ISAC). Le schéma illustre le réseau d'émission (Tx), le réseau de réception (Rx), le trajet de communication direct en ligne de vue (LoS), le trajet de détection par écho sur la cible, le trajet de réflexion au sol, le trajet de réflexion céleste, ainsi que des obstacles représentatifs présents dans l'environnement de propagation simulé. Veuillez cliquer ici pour afficher une version agrandie de cette figure.
Le système est composé d'un réseau d'antennes émettrices et d'un réseau d'antennes réceptrices. La transmission du signal s'effectue selon deux trajets principaux. Le premier est le trajet en ligne directe (LoS), dans lequel le signal est transmis directement du réseau émetteur au réseau récepteur. Le second est le trajet de réflexion, dans lequel une partie du signal est réfléchie par le sol et parvient au réseau récepteur, tandis qu'une autre partie se propage selon un trajet de réflexion atmosphérique avant d'atteindre le réseau récepteur19,20,21. Le système constitue un système OFDM-ISAC multi-antennes dominé par la ligne directe (LoS), dans lequel les récepteurs de communication et de détection peuvent adopter des configurations d'antennes différentes. Bien que Figure 2 illustre les composantes de propagation possibles, incluant le trajet direct en LoS et les trajets liés à la réflexion, le modèle mathématique et les simulations ne prennent en compte que le lien de communication LoS dominant et le lien de détection par écho sur la cible. Les réflexions sur le sol et dans l'atmosphère sont considérées comme des effets de propagation de fond plutôt que comme des canaux non en ligne directe (NLoS) optimisés indépendamment. La matrice de réponse du canal est définie sous l'hypothèse d'une prédominance du LoS, les effets de propagation multipath étant représentés par des termes d'évanouissement, de décalage Doppler et de bruit. À partir de cette matrice de réponse du canal, conjointement avec le signal émis et le modèle de bruit du canal, le signal reçu en communication est exprimé dans Équation 1.
Ici, nc,m représente un bruit blanc gaussien, Sm désigne le signal transmis, et Hc,m représente la matrice de réponse du canal de communication.
Dans la fonction de détection du système ISAC, le trajet de transmission du signal se compose de deux étapes. La première étape correspond à la transmission depuis l'émetteur jusqu'à la cible, et la seconde est le trajet de l'écho, dans lequel le signal réfléchi se propage de la cible vers le récepteur à travers le canal de détection22,23,24. Pour la m-ième sous-porteuse, la matrice de réponse du canal de détection caractérise la propagation du signal et s'exprime par l'équation 2 :
Ici, bs représente le coefficient d'atténuation du trajet écho de détection, fs,m désigne le décalage de fréquence Doppler réfléchi, et τs représente le retard de propagation du trajet de réflexion. À partir de la matrice de réponse du canal de détection, le signal de détection reçu s'exprime par l'équation 3 :
Ici, ns,m représente un bruit blanc gaussien dans le canal de détection.
Dans les systèmes de communication sans fil, une planification efficace du spectre et une allocation optimale des ressources sont essentielles pour améliorer la performance globale du système25. Par conséquent, cette étude utilise la capacité du canal de communication comme critère principal de conception. Un modèle d'optimisation est établi afin de maximiser la capacité du canal en répartissant la puissance totale d'émission entre les sous-porteuses OFDM selon la stratégie d'allocation des ressources proposée, comme indiqué dans l'équation 4.
Le problème d'optimisation de la communication est formulé comme suit (Équation 4) :
soumis à
Ici, σc2 représente la variance du bruit du canal gaussien de communication, P désigne la puissance totale de transmission de communication, Pc représente le vecteur d'allocation optimale de puissance de communication, am désigne le poids attribué à la m-ième sous-porteuse, et Nc représente le nombre de sous-porteuses.
La solution optimale obtenue à l'aide de l'AW est exprimée par l'équation 5 :
Ici, 
désigne la puissance optimale allouée au m-ième sous-canal de communication, gm représente le rapport du canal sur le bruit du m-ième sous-canal de communication, et μc désigne le niveau d'eau du WA.
Selon l'attribution d'eau (WA) illustrée dans la Figure 3, les sous-canaux présentant des gains de canal plus élevés, correspondant à des gains inverses de canal plus faibles, reçoivent une puissance de transmission plus importante sous le niveau d'eau sélectionné. Cela permet au système d'exploiter des conditions de canal favorables tout en respectant la contrainte de puissance totale et en améliorant la capacité globale de communication. Par conséquent, les sous-canaux offrant de meilleures conditions de canal reçoivent davantage de puissance, tandis que ceux dont les conditions de canal sont médiocres en reçoivent moins. Grâce à cette stratégie d'allocation adaptative de puissance, l'attribution d'eau utilise efficacement les ressources du canal pour améliorer les performances de communication.
Figure 3. Principe de l'algorithme de remplissage par eau (WA) utilisé pour l'allocation de puissance de communication. L'axe horizontal représente les sous-canaux OFDM, et l'axe vertical représente l'inverse du gain du canal et la puissance de transmission allouée. Le niveau d'eau détermine la puissance d'émission attribuée à chaque sous-canal sous la contrainte totale de puissance de transmission. Veuillez cliquer ici pour afficher une version agrandie de cette figure.
Pour l'objectif de détection, une stratégie appropriée d'allocation de puissance est essentielle lorsque la probabilité de fausse alarme est fixée. Une stratégie d'allocation de puissance optimisée améliore la performance de détection en augmentant la précision de détection de la cible. Le processus de détection nécessite un test d'hypothèse selon l'hypothèse de présence de la cible (H1) et l'hypothèse d'absence de la cible (H0). Sous ces hypothèses, le signal reçu pour chaque sous-porteuse pendant la k-ième impulsion est exprimé par l'Équation 6 :
Ici, y désigne le vecteur d'observation de détection, A représente la matrice diagonale diag(a0, a1, …, aNc−1), D(v) désigne la matrice diagonale contenant le décalage de fréquence Doppler de la cible, β représente le vecteur des coefficients de réflexion de la cible, et ns désigne un bruit blanc gaussien dans le canal de détection.
Les fonctions de densité de probabilité sous H0 et H1 sont ensuite évaluées. Pour une probabilité de fausse alarme spécifiée, la PDP est calculée à partir de ces deux hypothèses. Selon la théorie de détection du rapport de vraisemblance, un détecteur généralisé du rapport de vraisemblance maximale est ensuite dérivé afin de maximiser la PDP.
Le détecteur du rapport de vraisemblance maximale généralisé est exprimé par l'équation 7 :
Ici, lG et LG désignent respectivement la statistique de détection du rapport de vraisemblance généralisé et la fonction de rapport de vraisemblance, yH représente la transposée hermitienne de y, et γ0 désigne le seuil de détection. Au cours du processus de détection, le seuil est utilisé pour déterminer si l'hypothèse de présence de la cible (H1) ou l'hypothèse d'absence de la cible (H0) est retenue. La relation entre le seuil de détection par détection sensorielle et la probabilité de détection de la cible est illustrée dans la Figure 4.
Figure 4. Relation entre le seuil de détection du capteur et la probabilité de détection de la cible. Les fonctions de densité de probabilité selon l'hypothèse d'absence de cible et l'hypothèse de présence de cible sont représentées conjointement avec le seuil de détection utilisé pour le test d'hypothèse. Les zones ombrées correspondent aux régions de décision associées à la probabilité de fausse alarme et à la probabilité de détection de la cible. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Comme le montre la Figure 4, la probabilité de détection correcte (PDP) est directement liée à la distribution du chi-deux non centrée à deux degrés de liberté. Pour une probabilité de fausse alarme fixée (c'est-à-dire la probabilité maximale de détection erronée admissible), le paramètre de non-centralité est positivement corrélé à la PDP. Par conséquent, l'augmentation du paramètre de non-centralité améliore la probabilité de détection correcte du signal cible. En se fondant sur cette relation, la puissance totale de transmission de détection est considérée comme une contrainte de puissance, tandis que la maximisation du paramètre de non-centralité est choisie comme objectif d'optimisation. Le problème d'optimisation sous contrainte qui en résulte est utilisé pour déterminer la stratégie optimale d'allocation de puissance de détection et s'exprime par l'Équation 8 :
où α désigne le vecteur optimal de pondération d'émission pour la détection obtenu sous la contrainte de puissance et représente également le vecteur de pondération d'émission de la sous-porteuse de détection, B(v, β) désigne le vecteur de détection-informations, et P représente la puissance totale d'émission pour la détection.
L'optimisation indique que la stratégie optimale d'allocation de puissance de détection ne répartit pas la puissance sur plusieurs sous-canaux. Au lieu de cela, toute la puissance de transmission de détection disponible est allouée au sous-canal identifié par l'évaluation du canal comme offrant la meilleure performance de détection, maximisant ainsi la performance de détection de cible sur un canal unique.
Dans le système OFDM-ISAC, l'allocation de puissance constitue la tâche centrale d'optimisation, et la stratégie optimale doit satisfaire aux exigences de conception à la fois de la communication et de la détection. Plus précisément, l'optimisation prend simultanément en compte des indicateurs de performance en communication, tels que le taux d'erreur binaire et la capacité du canal, ainsi que des indicateurs de performance en détection, notamment la PDP et la précision de l'estimation des paramètres. La performance globale du système est améliorée grâce à une allocation coordonnée des ressources. Toutefois, la combinaison directe des stratégies optimales d'allocation de puissance pour la communication et la détection à l'aide de l'optimisation classique par somme pondérée présente des limitations importantes. En effet, les différentes dimensions physiques et les contributions relatives des deux indicateurs de performance n'étant pas suffisamment prises en compte, l'optimisation résultante peut ne pas refléter fidèlement les besoins des systèmes intégrés de communication et de détection26,27.
Par conséquent, cette étude propose un cadre de conception intégré fondé sur un pondération normalisée. Premièrement, les métriques de performance en communication et en détection sont normalisées afin d'éliminer les effets de l'incohérence dimensionnelle. Les coefficients de pondération sont ensuite ajustés en fonction du scénario d'application afin d'obtenir une répartition de la puissance plus équilibrée. La formulation mathématique du modèle OFDM-ISAC-P normalisé est donnée dans l'équation 9 :
Ici, w désigne le facteur de pondération des communications, Fc représente la valeur optimale de la fonction objectif obtenue à partir du problème d'optimisation des communications, pm désigne la puissance attribuée à la m-ième sous-porteuse OFDM, gm représente le gain équivalent canal-sur-bruit de la m-ième sous-porteuse de communication, P désigne la puissance totale d'émission, Fs représente la valeur optimale de la fonction objectif obtenue à partir du problème d'optimisation de la détection, et bm désigne l'élément m-ième du vecteur de détection B(v, β).
Le facteur de pondération des communications w, conjointement avec son facteur de pondération complémentaire de détection (1 − w), sert de paramètre de conception ajustable reflétant l'importance relative de la capacité du canal de communication et du PDP dans différents scénarios d'application28,29. Dans cette étude, w est considéré comme un paramètre de configuration au niveau du scénario plutôt que comme une variable de contrôle variant dans le temps. Par conséquent, w est fixé pour chaque scénario de simulation (par exemple, w = 0,5 pour une performance équilibrée entre communication et détection, et w = 0,8 pour un fonctionnement priorisant la communication). L'algorithme BOA amélioré est ensuite utilisé pour optimiser l'allocation de puissance correspondante. Ainsi, l'expression « facteur de pondération dynamique » fait référence au choix de différents facteurs de pondération selon les scénarios de fonctionnement, et non à une adaptation automatique en temps réel durant l'exécution de l'algorithme.
Solution du modèle d'optimisation de puissance pour le système de communication et de détection intégrés basé sur la multiplexage par répartition orthogonale de fréquence à l'aide de l'algorithme d'optimisation du papillon amélioré
Après avoir construit le modèle OFDM-ISAC-P, la version améliorée de l'algorithme BOA est utilisée pour résoudre le problème d'optimisation. Le BOA possède une structure simple, est facile à mettre en œuvre et offre une forte capacité de recherche globale. Il imite le comportement de recherche alimentaire des papillons et utilise un mécanisme de vol de Lévy pour explorer efficacement l'espace de recherche. Cet algorithme nécessite relativement peu de réglages de paramètres, ce qui le rend adapté à un large éventail de problèmes d'optimisation. Toutefois, le BOA classique peut converger prématurément vers des optima locaux, est sensible aux réglages des paramètres et requiert souvent un grand nombre d'itérations lorsqu'il s'agit de résoudre des problèmes d'optimisation en haute dimension30. Par conséquent, la stratégie de mutation et la procédure d'optimisation sont améliorées dans cette étude.
Afin d'améliorer l'exploration globale durant la phase initiale d'optimisation, une stratégie de DSP est introduite. Lors des premières itérations, une probabilité de commutation relativement faible favorise l'exploration de l'espace de recherche. À mesure que le nombre d'itérations augmente, la probabilité de commutation est progressivement ajustée afin de renforcer l'exploitation locale et d'améliorer la convergence. Le DSP est défini dans l'équation 10 :
où α désigne la valeur initiale du DSP, t représente le numéro de l'itération actuelle, et β est le coefficient de contrôle. Cette stratégie adaptative augmente la diversité de la population lors de la phase initiale d'optimisation, élargit l'espace de recherche et réduit la probabilité d'une convergence prématurée vers des optima locaux. Au fur et à mesure que l'optimisation progresse, la recherche passe progressivement de l'exploration globale à l'exploitation locale.
Pour améliorer davantage les performances de l'optimisation, le modèle DVGM est intégré à l'algorithme. Une variance de mutation relativement élevée est appliquée durant les premières itérations afin d'élargir la plage de recherche et d'améliorer l'exploration globale. Au fur et à mesure que l'optimisation progresse, la variance de mutation est progressivement réduite pour accroître la précision de la recherche locale et favoriser la convergence. La variance maximale σmax et la variance minimale σmin sont définies dans l'équation 11 :
Les stratégies améliorées de recherche globale et locale sont résumées dans l'équation 12 :
Ici, normrnd(0, σ(t)) désigne un nombre aléatoire gaussien de moyenne 0 et de variance σ(t), et fi représente le paramètre de fragrance qui contrôle le comportement de recherche du papillon. Après l'incorporation des stratégies DSP et DVGM, la version améliorée de l'algorithme BOA est obtenue, comme illustré dans la Figure 5.
Figure 5. Flux de travail de l'algorithme d'optimisation par papillon amélioré (BOA). La procédure d'optimisation comprend l'initialisation, la génération de la population, l'évaluation de la fonction d'ajustement, la probabilité de commutation dynamique (DSP), les recherches globale et locale, la mutation gaussienne à variance dynamique (DVGM), la mise à jour de la solution, l'évaluation de la convergence et la sortie de la solution optimale. Veuillez cliquer ici pour afficher une version agrandie de cette figure.
Figure 5 illustre les deux stratégies d'amélioration intégrées dans l'AOB : DSP et DVGM. La stratégie DSP ajuste de manière adaptative la fréquence de commutation entre la recherche globale et la recherche locale. Au cours des premières étapes de l'optimisation, l'algorithme privilégie l'exploration globale afin d'augmenter la diversité de la population et d'améliorer la probabilité d'identifier des régions prometteuses de solutions. À mesure que l'optimisation progresse, la recherche s'oriente progressivement vers l'exploitation locale pour accélérer la convergence. La stratégie DVGM perturbe l'individu actuellement le meilleur, renforçant ainsi la capacité de recherche locale, augmentant la diversité des solutions et réduisant le risque de convergence prématurée vers des optima locaux.
Lorsque le BOA amélioré est appliqué pour résoudre le modèle OFDM-ISAC-P, les variables d'optimisation sont d'abord codées, une population initiale est générée, et des stratégies candidates de répartition de puissance sont attribuées à chaque individu. Le flux global d'optimisation est illustré dans la Figure 6.
Figure 6. Flux de travail de l'algorithme d'optimisation par papillon amélioré (BOA) pour la résolution du modèle d'allocation de puissance en communication et détection intégrées basé sur la multiplexage par répartition orthogonale de la fréquence (OFDM-ISAC). La procédure comprend l'initialisation des paramètres, le codage des vecteurs candidats d'allocation de puissance, la génération de la population, l'évaluation de l'aptitude, la mise à jour itérative des solutions, l'évaluation de la convergence et la sortie de la stratégie optimale d'allocation de puissance. Veuillez cliquer ici pour afficher une version agrandie de cette figure.
Comme illustré dans la Figure 6, l'optimisation commence par l'application de la stratégie DSP afin d'effectuer une optimisation itérative. Durant les premières itérations, l'exploration globale est privilégiée pour examiner diverses combinaisons d'allocation de puissance pour le système OFDM-ISAC. Au cours des itérations ultérieures, la recherche s'oriente progressivement vers l'exploitation locale afin d'affiner les solutions candidates de haute qualité tout en respectant la contrainte de puissance totale de transmission. La stratégie DVGM est ensuite appliquée à la meilleure solution actuelle afin d'échapper aux optima locaux et de maintenir la diversité des solutions. Tout au long du processus d'optimisation, les fonctions objectifs de communication et de détection sont utilisées pour évaluer la qualité de chaque solution candidate, et les individus de meilleure qualité sont conservés pour l'itération suivante. L'optimisation se poursuit jusqu'à ce que le critère de terminaison prédéfini soit satisfait. La solution optimale finale représente la stratégie d'allocation de puissance offrant le meilleur compromis entre la performance de communication et la performance de détection de cible.
Paramètres de reproductibilité
Afin d'améliorer la reproductibilité, les paramètres de simulation, les paramètres d'initialisation, les contraintes et les critères de terminaison sont précisés en détail. Toutes les expériences ont été mises en œuvre sous Ubuntu 22.04 LTS à l'aide de Python 3.10, PyTorch 2.1, NumPy 1.26, CVXPY 1.4 et MATLAB R2023b (voir le Tableau des matériaux). Les paramètres de simulation et l'environnement informatique utilisés dans cette étude sont résumés dans le Tableau 1, tandis que la configuration détaillée des paramètres de simulation OFDM-ISAC est fournie dans le Tableau supplémentaire 1. Les simulations ont utilisé une densité spectrale de puissance du bruit de −174 dBm/Hz, 64 sous-porteuses, 16 symboles OFDM, une fréquence porteuse de 4 GHz, un espacement entre sous-porteuses de 15 kHz, huit antennes d'émission et un maximum de 10 000 itérations. Le rapport d'allocation de puissance a été initialisé dans l'intervalle 0–1 avec une résolution de 0,01 et normalisé afin de satisfaire la contrainte de puissance totale d'émission. Les poids de communication, de détection et la précision a priori multi-couches ont été fixés respectivement à 0,2, 0,3 et 0,5. Les contraintes d'optimisation comprenaient une allocation de puissance utilisateur non négative, une puissance totale d'émission limitée, une bande passante limitée, et une probabilité de fausse alarme de l'ordre de 10⁻3. L'optimisation s'est arrêtée soit lorsque le nombre maximal d'itérations a été atteint, soit lorsque la variation relative de la fonction objectif entre deux itérations consécutives est tombée en dessous de 10⁻4. Toutes les expériences utilisant une initialisation aléatoire et des perturbations de canal ont employé des graines aléatoires fixes et ont été répétées indépendamment 30 fois.
| Paramètre | Valeur | Description |
| Fréquence porteuse | 4 GHz | Fréquence porteuse OFDM. |
| Schéma de codage/modulation de communication | Modulation par décalage de phase en quadrature (QPSK) avec codage de canal à parité impaire à faible densité (LDPC) | Méthode de génération du signal de communication utilisée pour reproduire l'onde OFDM transmise. |
| Poids de communication | 0,2 | Poids attribué à l'objectif de communication. |
| Probabilité de fausse alarme | 10⁻³ | Probabilité de fausse alarme utilisée comme contrainte d'optimisation de détection. |
| Plateforme matérielle | Processeur Intel Core i7-13700, GPU NVIDIA RTX 4070, 32 Go de RAM | Plateforme informatique utilisée pour les simulations. |
| Jeu de données de référence pour la simulation ISAC | Non applicable. Toutes les données de référence ont été générées par des simulations numériques. | Jeu de données de référence utilisé pour l'évaluation des performances. |
| Nombre maximal d'itérations | 10 000 | Nombre maximal d'itérations d'optimisation. |
| Précision a priori multicouche | 0,5 | Paramètre d'information a priori utilisé durant l'optimisation. |
| Densité spectrale de puissance du bruit | −174 dBm/Hz | Densité spectrale de bruit du canal de communication. |
| Nombre de symboles OFDM | 16 | Nombre de symboles OFDM par trame. |
| Nombre de sous-porteuses OFDM | 64 | Nombre de sous-porteuses OFDM. |
| Système d'exploitation | Ubuntu 22.04 LTS | Environnement informatique. |
| Logiciel d'optimisation | CVXPY 1.4 | Pack d'optimisation convexe. |
| Résolution d'allocation de puissance | 0,01 | Résolution des rapports d'allocation de puissance initialisés. |
| Langage de programmation | Python 3.10 | Langage de programmation utilisé pour l'implémentation de la simulation. |
| Graine aléatoire | Fixe | Graine aléatoire fixe utilisée pour toutes les simulations. |
| Nombre de répétitions | 30 | Nombre d'exécutions indépendantes de la simulation effectuées pour l'analyse statistique. |
| Bibliothèque de calcul scientifique | NumPy 1.26 | Bibliothèque de calcul numérique utilisée pour les opérations numériques. |
| Poids de détection | 0,3 | Poids attribué à l'objectif de détection. |
| Plateforme de simulation | MATLAB R2023b | Plateforme utilisée pour la simulation numérique et la visualisation. |
| Critère d'arrêt | Nombre maximal d'itérations ou variation relative de l'objectif < 10⁻⁴ | Critère de terminaison de l'optimisation. |
| Écartement des sous-porteuses | 15 kHz | Écartement des sous-porteuses OFDM. |
| Bibliothèque de calcul tensoriel | PyTorch 2.1 | Environnement de calcul tensoriel utilisé pour les opérations matricielles et tensorielles. |
| Nombre total d'antennes d'émission | 8 | Nombre d'antennes d'émission. |
Tableau 1 : Paramètres de simulation et environnement informatique utilisés pour les simulations de communication et de détection intégrées (ISAC) basées sur la multiplexage par répartition orthogonale de la fréquence (OFDM). Le tableau résume les paramètres des formes d'onde, les paramètres d'optimisation, les paramètres de simulation, l'environnement informatique, les logiciels, les ensembles de données et les autres conditions de simulation utilisées tout au long de l'étude.
Sauf indication contraire, les améliorations en pourcentage indiquées comme « augmentées de X % » sont calculées en tant que gains relatifs en pourcentage à l'aide de l'équation 13 :
Pour les métriques de performance basées sur des probabilités ou des taux, telles que le PDP, les variations absolues sont indiquées explicitement en points de pourcentage (pp). Par exemple, une augmentation de 46 % à 63 % est indiquée comme +17 pp, tandis que +37,0 % désigne l'augmentation relative correspondante calculée en prenant 46 % comme valeur de référence.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Résultats
Test de performance de l'algorithme d'optimisation Butterfly amélioré
Avant d'évaluer l'efficacité du PAM OFDM-ISAC, l'algorithme BOA amélioré a été évalué. L'algorithme BOA classique, l'algorithme d'optimisation par essaim de baleines (Whale Optimization Algorithm, WOA) et l'optimisation par essaim de particules (Particle Swarm Optimization, PSO) ont été sélectionnés comme algorithmes de comparaison. L'évaluation comparative s'est appuyée sur la valeur moyenne et l'écart type...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Discussion
Le modèle OFDM-ISAC-P proposé répond à la nécessité d'équilibrer la capacité du canal de communication et le PDP dans le cadre d'une contrainte de puissance de transmission partagée. Les études antérieures sur l'ISAC basé sur OFDM ont examiné l'allocation conjointe des sous-porteuses et de la puissance, la conception de formes d'onde partagées, l'allocation dynamique de puissance et les compromis entre communication et détection1,2,7<...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Déclarations de divulgation
Conflit d'intérêts :
Les auteurs déclarent ne pas avoir de conflits d'intérêts.
Remerciements
Les auteurs tiennent à remercier chaleureusement le projet de recherche en sciences naturelles du Département provincial de l'éducation du Liaoning, Chine (subvention no JYTMS20230009), le projet de recherche et développement technologique de Dalian, Chine (subvention no 2024JB11GX001), ainsi que le projet de formation d'équipes disciplinaires de l'Université des sciences et technologies de Dalian (subvention no KYXK2025001) pour leur soutien financier.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| CVXPY | CVXPY Developers | Version 1.4 | Pack logiciel d'optimisation convexe utilisé pour soutenir la vérification du modèle d'allocation de puissance. |
| Programme d'optimisation BOA amélioré | Auteurs | Non applicable | Implémentation personnalisée de l'algorithme d'optimisation par essaim de papillons amélioré (IBOA) utilisé pour résoudre le modèle d'allocation de puissance OFDM-ISAC à l'aide d'une probabilité de commutation dynamique et d'une mutation gaussienne à variance dynamique. |
| Jeu de données de référence pour la simulation ISAC | Auteurs | Non applicable | Jeu de données de référence généré par les auteurs et utilisé pour évaluer la méthode d'allocation de puissance proposée sous différents rapports signal-sur-bruit, configurations d'antennes et nombres de sous-porteuses. |
| MATLAB | The MathWorks, Inc. | R2023b | Plateforme utilisée pour la simulation numérique et la visualisation des résultats. |
| NumPy | NumPy Developers | Version 1.26 | Bibliothèque de calcul numérique utilisée pour les opérations sur les tableaux, l'initialisation aléatoire et l'analyse statistique. |
| Programme de simulation OFDM-ISAC | Auteurs | Non applicable | Code de simulation personnalisé utilisé pour construire le modèle de canal OFDM-ISAC, calculer la capacité du canal de communication et évaluer la probabilité de détection de la cible. |
| PyTorch | PyTorch Foundation | Version 2.1 | Environnement de calcul tensoriel utilisé pour la modélisation numérique et les opérations matricielles. |
| Environnement de programmation Python | Python Software Foundation | Python 3.10 | Langage de programmation utilisé pour l'implémentation des algorithmes et le calcul numérique. |
| Système d'exploitation Ubuntu | Canonical Ltd. | Ubuntu 22.04 LTS | Système d'exploitation utilisé pour implémenter les simulations d'allocation de puissance OFDM-ISAC. |
Références
- 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.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.