Simulatiegebaseerde vermogensallocatie voor geïntegreerde sensing- en communicatiesystemen ter balans tussen communicatiecapaciteit en doeldetectie

Samenvatting

Dit protocol beschrijft een op simulatie gebaseerde methode voor het optimaliseren van de vermogensallocatie in geïntegreerde sensing- en communicatiesystemen met gebruik van een multi-objectiviteitsoptimalisatiemodel en een verbeterd Butterfly Optimization Algorithm om de communicatiecapaciteit en de prestaties van doeldetectie in balans te brengen onder verschillende bedrijfsomstandigheden.

Samenvatting

Systemen voor Integrated Sensing and Communication (ISAC) vereisen een efficiënte vermogensallocatie om een balans te vinden tussen communicatiekwaliteit en sensingprestaties, terwijl ze werken met beperkte spectrum- en vermogensbronnen. Conventionele methoden voor gelijke vermogensallocatie slagen er vaak niet in om een effectieve trade-off te bereiken tussen de capaciteit van het communicatiekanaal en de detectiekans (PDP) van het doelwit, omdat ze onvoldoende rekening houden met de verschillende doelstellingen van communicatie en sensing. Deze studie stelt een op simulaties gebaseerde vermogensallocatiestrategie voor een ISAC-systeem op basis van Orthogonal Frequency Division Multiplexing (OFDM), gebruikmakend van een genormaliseerd multi-objective optimalisatiekader. Een verbeterd Butterfly Optimization Algorithm (BOA), waarin Dynamic Switching Probability en Dynamic Variance Gaussian Mutation-strategieën zijn geïntegreerd, wordt ingezet om de globale zoekcapaciteit, de convergentiesnelheid en de diversiteit van de oplossingen te vergroten. Numerieke simulaties werden uitgevoerd onder verschillende communicatiewegingsfactoren, antennaconfiguraties, aantallen subcarriers en signaal-ruisverhoudingen om de voorgestelde aanpak te evalueren. De geoptimaliseerde strategie realiseerde een verbeterd convergentiegedrag, terwijl er een gebalanceerd compromis werd geboden tussen de communicatiekanaalcapaciteit en de PDP over meerdere simulatiescenario's. Deze bevindingen tonen aan dat het voorgestelde optimalisatiekader effectief ondersteuning kan bieden bij simulatiegebaseerde resource-allocatie voor OFDM-gebaseerde ISAC-systemen, terwijl het een reproduceerbare methodologie biedt voor het evalueren van communicatie-sensing trade-offs onder verschillende bedrijfsomstandigheden.

Inleiding

Met de snelle uitbreiding van draadloze communicatiediensten en de toenemende vraag naar radarsensing met hoge prestaties, is het conflict tussen beperkte spectrumbronnen en groeiende servicevereisten steeds prominenter geworden. Tegelijkertijd hebben de miniaturisering en integratie van elektronische apparaten geïntegreerde sensing- en communicatiesystemen (Integrated Sensing and Communication, ISAC) verder vooruitgeholpen. Bijgevolg is ISAC een belangrijke onderzoeksrichting geworden binnen elektronische informatiesystemen^1,2,3. Door spectrum- en hardwarebronnen te delen, maakt ISAC de gelijktijdige transmissie van draadloze communicatiegegevens en radarsensing-signalen mogelijk, waardoor de beperkingen in spectumefficiëntie van conventionele standalone-systemen worden overwonnen en de benutting van bronnen in complexe scenario's wordt verbeterd⁴. Orthogonal Frequency Division Multiplexing (OFDM) is een veelgebruikte multicarrier-modulatietechniek die de spectrumbenutting verbetert en een sterke robuustheid biedt tegen multipath-interferentie. Dankzij deze voordelen is OFDM de voorkeursgolfvorm geworden voor ISAC-systemen. De resulterende OFDM-ISAC-architectuur biedt een betrouwbare golfvormbasis voor de gecoördineerde implementatie van communicatie- en sensingfuncties^5,6. Bijgevolg is er aanzienlijk onderzoek naar dit onderwerp verricht.

Om de communicatie-efficiëntie en de detectieprestaties te verbeteren, stelden Wen et al.⁷ een methode voor vermogensallocatie (PAM) voor om vrije-ruimte optische OFDM-gebaseerde ISAC-systemen. Hun resultaten demonstreerden de effectiviteit van de methode en benadrukten de afruil tussen communicatie- en detectieprestaties. Wang et al.⁸ ontwikkelden een op deep learning gebaseerde optimalisatiemethode voor vermogensallocatie voor OFDM-ISAC-systemen om de foutmarge van communicatiesymbolen en de Cramér–Rao-ondergrens voor gezamenlijke vertragings- en Doppler-schatting te minimaliseren, wat leidde tot verbeterde communicatieprestaties. Om de communicatie- en detectieprestaties in balans te brengen, ontwierpen AlKhansa et al.⁹ een dynamische PAM voor de schatting van de aankomsttijd in OFDM-ISAC-systemen, waarbij numerieke resultaten het belang bevestigden van het integreren van meerdere detectiebeperkingen. He et al.¹⁰ formuleerden een max-min optimalisatieprobleem voor multicarrier OFDM-ISAC-systemen en ontwikkelden een iteratief optimalisatiealgoritme gebaseerd op opeenvolgende convexe benadering om het resulterende niet-convexe probleem op te lossen, waardoor de communicatieprestaties werden verbeterd. Liao et al.¹ stelden een computationeel efficiënte ISAC-zendbeamformer voor op basis van een gewogen combinatie van een lineaire precoder en een vooraf gedefinieerde array-beamformer, wat resulteerde in een gunstige computationele efficiëntie en algehele prestaties.

Ondanks deze vooruitgang vertrouwen de meeste OFDM-ISAC-systemen nog steeds op een gelijke vermogensverdeling, wat de algehele systeemprestaties beperkt wanneer communicatie- en detectiefuncties gelijktijdig werken. Een strategie voor vermogensverdeling die de capaciteit van het communicatiekanaal maximaliseert, kan de prestaties van de doeldetectie verminderen, terwijl een strategie die uitsluitend is geoptimaliseerd voor de detectiekans (PDP) mogelijk excessief vermogen aan detectie toewijst ten koste van de communicatiekwaliteit. Bovendien kunnen conventionele gewogen-som-optimalisatiemethoden de relatieve bijdragen van de capaciteit van het communicatiekanaal en de PDP niet adequaat in balans brengen, omdat deze verschillende fysische dimensies hebben, wat de algehele prestaties van OFDM-ISAC-systemen beperkt. Deze studie onderzoekt de toewijzing van het zendvermogen in OFDM-ISAC-systemen om de capaciteit van het communicatiekanaal en de PDP gezamenlijk te optimaliseren ondanks deze dimensionale verschillen. Het voorgestelde OFDM-ISAC-P-model normaliseert beide doelfuncties en past instelbare wegingsfactoren toe om de vergelijkbaarheid van de optimalisatie te verbeteren. Om de beperkingen van het conventionele Butterfly Optimization Algorithm (BOA) te overwinnen, waaronder vaste parameters, trage convergentie en gevoeligheid voor lokale optima, zijn Dynamic Switching Probability (DSP)- en Dynamic Variance Gaussian Mutation (DVGM)-strategieën geïntegreerd om de adaptiviteit van het zoeken te verbeteren. De studie stelt als hypothese dat de combinatie van genormaliseerde multi-objective optimalisatie met het verbeterde BOA een stabielere Pareto-evenwichtsverdeling van het vermogen oplevert dan conventionele gelijke vermogensverdeling en het standaard BOA. De belangrijkste bijdragen van deze studie omvatten de ontwikkeling van een genormaliseerd multi-objective model voor vermogensverdeling, een verbeterd optimalisatiekader op basis van BOA en simulatiegebaseerde validatie met gebruik van scenario's voor multi-antenna, multicarrier en intelligente transportsystemen.

Protocol

Deze studie omvatte uitsluitend wiskundige modellering, algoritmeontwikkeling en numerieke simulaties voor een OFDM-ISAC-systeem. Er was geen sprake van menselijke deelnemers, dieren, biologische monsters of persoonlijk identificeerbare gegevens. Daarom was institutionele ethische goedkeuring, inclusief goedkeuring van de Institutional Review Board (IRB) of de Institutional Animal Care and Use Committee (IACUC), niet vereist.

Ontwerp van een vermogensallocatiemodel voor het Orthogonal Frequency Division Multiplexing-gebaseerde geïntegreerde sensor- en communicatiesysteem

In ISAC-systemen verdelen traditionele gelijke PAM's de transmissiekracht vaak gelijkmatig over elk kanaal en elke antenne tijdens gelijktijdige communicatie en detectie, zonder rekening te houden met hun verschillende prestatie-eisen. Hierdoor kan er excessieve kracht worden toegewezen aan inefficiënte transmissieverbindingen, waardoor er niet wordt voldaan aan de heterogene eisen van communicatie- en detectiediensten, wat de algehele efficiëntie van het krachtgebruik vermindert^12,13,14. Daarom houdt deze studie rekening met de dubbele functionele doelstellingen van het systeem door de capaciteit van het communicatiekanaal en de PDP gezamenlijk te optimaliseren. Er is een multi-objectief optimalisatieraamwerk geconstrueerd om een krachtallocatiestrategie te ontwikkelen voor het OFDM-gebaseerde ISAC-systeem, aangeduid als het OFDM-ISAC-P model. OFDM is een efficiënte multicarrier-modulatietechniek die bestaat uit een zendzijde en een ontvangstzijde. Het OFDM-proces is weergegeven in Figuur 1.

Figuur 1. Signaalverwerkingsworkflow van de Orthogonal Frequency Division Multiplexing (OFDM) golfvorm gebruikt in het Integrated Sensing and Communication (ISAC) systeem. De workflow omvat datacodering, interleaving, symboolmapping, serie-naar-parallel conversie, inverse fast Fourier transform (IFFT), cyclic-prefix (CP) insertie, radiofrequentie (RF) transmissie, draadloze kanaalvoortplanting, RF-ontvangst, CP-verwijdering, fast Fourier transform (FFT), kanaalequalisatie, demapping, deinterleaving, decodering en dataterugwinning. Klik hier om een grotere versie van deze figuur te bekijken.

In Figuur 1 dienen OFDM-signalen als de gedeelde golfvorm voor communicatie en detectie vanwege hun hoge spectrumbenutting en sterke weerstand tegen multipad-interferentie, waardoor een uniforme golfvormtransmissie voor beide functies mogelijk wordt gemaakt^15,16,17. Met veronachtlaging van het spectrale vormeffect van de vensterfunctie wordt de verzonden OFDM-golfvorm opgebouwd met behulp van de draaggolfrequentie, het aantal subdragers, de complexe gewichten van de subdragers voor vermogensallocatie, de codering van het communicatiesignaal en de afstand tussen de subdragers. De systeembandbreedte wordt bepaald door de afstand tussen de subdragers en het aantal subdragers¹⁸. Het proces voor het genereren van het communicatiesignaal is als volgt gespecificeerd. Binaire informatiebits worden eerst gecodeerd met een low-density parity-check (LDPC) coderingsschema om de transmissiebetrouwbaarheid te verbeteren en worden vervolgens via quadrature phase shift keying (QPSK) modulatie toegewezen aan complex-waardige symbolen. De gemoduleerde symbolen worden toegewezen aan OFDM-subdragers volgens de geoptimaliseerde vermogensallocatiestrategie. Na inverse fast Fourier transform (IFFT) processing en de invoeging van een cyclic prefix (CP) wordt de OFDM-communicatiegolfvorm in het tijdsdomein gegenereerd en samen met het detectiesignaal verzonden. Dezelfde modulatie- en coderingsconfiguratie is gehandhaafd gedurende alle simulaties. De in deze studie gebruikte ISAC-systeemconfiguratie wordt getoond in Figuur 2.

Figuur 2. Systeemconfiguratie van het Integrated Sensing and Communication (ISAC)-systeem op basis van Orthogonal Frequency Division Multiplexing (OFDM). Het diagram illustreert de zendende (Tx) array, de ontvangende (Rx) array, het directe line-of-sight (LoS) communicatiepad, het target-echo sensing-pad, het grondreflectiepad, het luchtreflectiepad en representatieve obstakels binnen de gesimuleerde propagatieomgeving. Klik hier om een grotere versie van deze figuur te bekijken.

Het systeem bestaat uit een zendende antennearray en een ontvangende antennearray. De signaaloverdracht vindt plaats via twee hoofdpaden. Het eerste is het Line-of-Sight (LoS)-pad, waarbij het signaal rechtstreeks van de zendende array naar de ontvangende array wordt verzonden. Het tweede is het reflectiepad, waarbij een deel van het signaal door de grond wordt gereflecteerd en de ontvangende array bereikt, terwijl een ander deel zich via een luchtreflectiepad voortplant voordat het de ontvangende array bereikt.^19,20,21Het systeem is een LoS-dominant multi-antenne OFDM-ISAC-systeem waarin de communicatie- en sensing-ontvangers verschillende antenneconfiguraties kunnen hanteren. Hoewel Figuur 2 illustreert mogelijke propagatiecomponenten, inclusief het directe LoS-pad en reflectiegerelateerde paden; het wiskundige model en de simulaties houden enkel rekening met de dominante LoS-communicatielink en de doelecho-sensinglink. Grond- en luchtreflecties worden behandeld als achtergrondeffecten van de propagatie in plaats van als onafhankelijk geoptimaliseerde non-LoS (NLoS)-kanalen. De kanaalresponsmatrix is gedefinieerd onder de aanname van LoS-dominantie, waarbij multipad-effecten worden weergegeven via fading, Dopplerverschuiving en ruistermen. Op basis van deze kanaalresponsmatrix, samen met het verzonden signaal en het kanaalruismodel, wordt het ontvangen communicatiesignaal uitgedrukt in Vergelijking 1.

Hier representeert n_c,m Gaussiaanse witte ruis, staat S_m voor het verzonden signaal en representeert H_c,m de responsmatrix van het communicatiekanaal.

In de detectiefunctie van het ISAC-systeem bestaat het signaaloverdrachtspad uit twee fasen. De eerste fase is de transmissie van de zender naar het doelwit, en de tweede is het echopad, waarbij het gereflecteerde signaal via het detectiekanaal van het doelwit terug naar de ontvanger propageert^22,23,24. Voor de m-de subdrager wordt de signaalpropagatie gekarakteriseerd door de responsmatrix van het detectiekanaal, welke wordt uitgedrukt als Vergelijking 2:

Hier representeert b_s de fading-coëfficiënt van het detectie-echopad, geeft f_s,m de gereflecteerde Doppler-frequentieverschuiving aan en representeert τ_s de voortplantingsvertraging van het reflectiepad. Op basis van de responsmatrix van het detectiekanaal wordt het ontvangen detectiesignaal uitgedrukt als Vergelijking 3:

Hier representeert n_s,m Gaussiaanse witte ruis in het detectiekanaal.

In draadloze communicatiesystemen zijn efficiënte spectrumplanning en resourceallocatie essentieel voor het verbeteren van de algehele systeemprestaties²⁵. Bijgevolg gebruikt deze studie de communicatiekanaalcapaciteit als primair ontwerpcriterium. Er is een optimalisatiemodel opgezet om de kanaalcapaciteit te maximaliseren door het totale transmissievermogen over de OFDM-subdragers te verdelen volgens de voorgestelde resourceallocatiestrategie, zoals weergegeven in Vergelijking 4.

Het communicatie-optimalisatieprobleem wordt als volgt geformuleerd (Vergelijking 4):

onderworpen aan

Hier representeert σ_c² de ruisvariantie van het communicatie-Gaussiaanse kanaal, P duidt het totale communicatie-transmissievermogen aan, P_c representeert de optimale communicatievermogen-allocatievector, a_m duidt het gewicht aan dat is toegewezen aan de m-de subdrager, en N_c representeert het aantal subdragers.

De optimale oplossing verkregen met behulp van de WA wordt uitgedrukt als Vergelijking 5>:

Hier geeft het optimale vermogen aan dat is toegewezen aan het m-de communicatie-subkanaal aan, representeert g_m de verhouding tussen kanaalwinst en ruis van het m-de communicatie-subkanaal, en duidt μ_c het waterniveau van de WA aan.

Volgens het WA dat is geïllustreerd in Figuur 3, ontvangen subkanalen met hogere kanaalversterkingen, wat overeenkomt met kleinere inverse kanaalversterkingen, een groter transmissievermogen onder het geselecteerde waterniveau. Hierdoor kan het systeem gunstige kanaalomstandigheden benutten terwijl de totale vermogensbeperking wordt gerespecteerd en de totale communicatiecapaciteit wordt verbeterd. Bijgevolg ontvangen subkanalen met betere kanaalomstandigheden meer vermogen, terwijl die met slechtere kanaalomstandigheden minder ontvangen. Via deze adaptieve vermogensallocatiestrategie benut het WA kanaalbronnen efficiënt om de communicatieprestaties te verbeteren.

Figuur 3. Principe van het Water-Filling Algorithm (WA) gebruikt voor de allocatie van communicatievermogen. De horizontale as representeert de OFDM-subkanalen en de verticale as representeert de inverse kanaalversterking en het toegewezen transmissievermogen. Het waterniveau bepaalt het zendvermogen dat aan elk subkanaal wordt toegewezen onder de totale beperking van het transmissievermogen. Klik hier om een grotere versie van deze figuur te bekijken.

Voor het detectiedoel is een geschikte vermogensallocatiestrategie essentieel wanneer de kans op een vals alarm is vastgelegd. Een geoptimaliseerde vermogensallocatiestrategie verbetert de detectieprestaties door de nauwkeurigheid van de doeldetectie te verhogen. Het detectieproces vereist hypothesetoetsing onder de hypothese van de aanwezigheid van een doelwit (H₁) en de hypothese van de afwezigheid van een doelwit (H₀). Onder deze hypothesen wordt het ontvangen signaal voor elke subdrager tijdens de k-de puls uitgedrukt als Vergelijking 6:

Hier geeft y de waarnemingsvector van de detectie aan, A representeert de diagonale matrix diag(a₀, a₁, …, a_Nc−1), D(v) duidt de diagonale matrix aan die de Doppler-frequentieverschuiving van het doel bevat, β representeert de reflectiecoëfficiëntvector van het doel, en n_s duidt Gaussiaanse witte ruis in het detectiekanaal aan.

De kansdichtheidsfuncties onder H₀ en H₁ worden vervolgens geëvalueerd. Voor een opgegeven fout-positieve kans wordt de PDP berekend op basis van deze twee hypothesen. Volgens de likelihood ratio detectietheorie wordt vervolgens een gegeneraliseerde maximum likelihood ratio detector afgeleid om de PDP te maximaliseren.

De gegeneraliseerde maximum likelihood ratio-detector wordt uitgedrukt als Vergelijking 7:

Hierbij geven l_G en L_G respectievelijk de gegeneraliseerde likelihood-ratio detectiestatistiek en de likelihood-ratio functie aan, y^H representeert de Hermitische getransponeerde van y, en γ₀ duidt de detectiedrempel aan. Tijdens het detectieproces wordt de drempel gebruikt om te bepalen of de hypothese van de aanwezigheid van het doelwit (H₁) of de hypothese van de afwezigheid van het doelwit (H₀) wordt geaccepteerd. De relatie tussen de sensordetectiedrempel en de detectiekans van het doelwit is geïllustreerd in Figuur 4.

Figuur 4. Relatie tussen de detectiedrempel van de sensor en de detectiekans van het doelwit. De kansdichtheidsfuncties onder de hypothese van afwezigheid van het doelwit en de hypothese van aanwezigheid van het doelwit worden samen getoond met de detectiedrempel die wordt gebruikt voor hypothesetoetsing. De gearceerde gebieden komen overeen met de beslissingsgebieden die geassocieerd zijn met de kans op een vals alarm en de detectiekans van het doelwit. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals aangetoond in Figuur 4De PDP is direct gerelateerd aan de niet-centrale complexe chi-kwadraatverdeling. Bij een vaste kans op een vals alarm (d.w.z. de maximaal toelaatbare kans op een onjuiste detectie) is de niet-centraliteitsparameter positief gecorreleerd met de PDP. Bijgevolg verbetert het verhogen van de niet-centraliteitsparameter de kans om hetdoelsignaal correct te detecteren. Op basis van deze relatie wordt het totale zendvermogen voor detectie beschouwd als de vermogensbeperking, terwijl het maximaliseren van de niet-centraliteitsparameter is gekozen als het optimalisatiedoel. Het resulterende beperkte optimalisatieprobleem wordt gebruikt om de optimale strategie voor de toewijzing van het detectievermogen af te leiden en wordt uitgedrukt als Vergelijking 8:

waarbij α de optimale gewichtsvector voor het verzenden van sensingsignalen aanduidt, verkregen onder de vermogensbeperking, en tevens de gewichtsvector voor de verzending via de sensing-subdrager vertegenwoordigt, B(v, β) de sensing-informatievector aanduidt, en P het totale verzendvermogen voor sensing vertegenwoordigt.

De optimalisatie geeft aan dat de optimale toewijzingsstrategie voor het detectievermogen het vermogen niet verdeelt over meerdere subkanalen. In plaats daarvan wordt al het beschikbare zendvermogen voor detectie toegewezen aan het subkanaal dat via kanaalevaluatie is geïdentificeerd als het kanaal met de hoogste detectieprestaties, waardoor de detectieprestaties van het doelwit in een enkel kanaal worden gemaximaliseerd.

In het OFDM-ISAC-systeem is vermogensallocatie de belangrijkste optimalisatietaak, waarbij de optimale strategie moet voldoen aan de ontwerpeisen van zowel communicatie als detectie. Specifiek houdt de optimalisatie gelijktijdig rekening met communicatieprestatie-metrieken, waaronder de bitfoutrate en kanaalcapaciteit, samen met detectieprestatie-metrieken, waaronder de PDP en de nauwkeurigheid van parameterestimatie. De algehele systeemprestatie wordt verbeterd door gecoördineerde resource-allocatie. Echter, het direct combineren van de optimale vermogensallocatiestrategieën voor communicatie en detectie met behulp van conventionele gewogen-som optimalisatie kent belangrijke beperkingen. Omdat de verschillende fysieke dimensies en relatieve bijdragen van de twee prestatie-metrieken niet adequaat worden meegewogen, weerspiegelt de resulterende optimalisatie mogelijk niet nauwkeurig de vereisten van geïntegreerde communicatie-detectiesystemen^26,27.

Daarom stelt deze studie een geïntegreerd ontwerpkader voor op basis van genormaliseerde weging. Ten eerste worden de prestatiegegevens voor communicatie en detectie genormaliseerd om de effecten van dimensionele inconsistentie te elimineren. De wegingscoëfficiënten worden vervolgens aangepast aan het toepassingsscenario om een meer gebalanceerde vermogensallocatie te bereiken. De wiskundige formulering van het genormaliseerde OFDM-ISAC-P-model is weergegeven in Vergelijking 9:

Hier geeft w de wegingsfactor voor communicatie aan, F_c stelt de optimale objectieve waarde voor die is verkregen uit het communicatie-optimalisatieprobleem, p_m geeft het vermogen aan dat is toegewezen aan de m-de OFDM-subdrager, g_m stelt de equivalente kanaal-ruisversterking van de m-de communicatiesubdrager voor, P geeft het totale transmissievermogen aan, F_s stelt de optimale objectieve waarde voor die is verkregen uit het sensing-optimalisatieprobleem, en b_m geeft het m-de element van de sensing-vector B(v, β) aan.

De communicatiewegingsfactor w, samen met de complementaire waarnemingswegingsfactor (1 − w), dient als een instelbare ontwerpparameter die het relatieve belang van de capaciteit van het communicatiekanaal en de PDP weerspiegelt onder verschillende applicatiescenario's^28,29. In deze studie wordt w behandeld als een configuratieparameter op scenarioniveau in plaats van een tijdsvariabele regelvariabele. Bijgevolg is w vastgesteld voor elk simulatiescenario (bijv. w = 0.5 voor een gebalanceerde communicatie- en waarnemingsprestatie en w = 0.8 voor een werking met prioriteit voor communicatie). De verbeterde BOA wordt vervolgens gebruikt om de overeenkomstige vermogensallocatie te optimaliseren. Daarom verwijst de term "dynamische wegingsfactor" naar het selecteren van verschillende wegingsfactoren voor verschillende bedrijfsscenario's, in plaats van het implementeren van realtime automatische aanpassing tijdens de uitvoering van het algoritme.

Oplossing van het vermogensoptimalisatiemodel voor het op Orthogonal Frequency Division Multiplexing gebaseerde geïntegreerde detectie- en communicatiesysteem met behulp van het verbeterde Butterfly Optimization Algorithm

Na het construeren van het OFDM-ISAC-P-model wordt de verbeterde BOA gebruikt om het optimalisatieprobleem op te lossen. De BOA heeft een eenvoudige structuur, is gemakkelijk te implementeren en beschikt over een sterke globale zoekcapaciteit. Het bootst het foerageergedrag van vlinders na en maakt gebruik van een Lévy-vluchtmechanisme om de zoekruimte efficiënt te verkennen. Het algoritme vereist relatief weinig parameterinstellingen, waardoor het geschikt is voor een breed scala aan optimalisatieproblemen. De conventionele BOA kan echter voortijdig convergeren naar lokale optima, is gevoelig voor parameterinstellingen en vereist vaak veel iteraties bij het oplossen van hoogdimensionale optimalisatieproblemen³⁰. Daarom zijn in deze studie de mutatiestrategie en de optimalisatieprocedure verbeterd.

Om de globale exploratie tijdens de vroege optimalisatiefase te verbeteren, is een DSP-strategie geïntroduceerd. Tijdens de initiële iteraties versterkt een relatief kleine schakelingskans de exploratie van de zoekruimte. Naarmate het aantal iteraties toeneemt, wordt de schakelingskans geleidelijk aangepast om de lokale exploitatie te versterken en de convergentie te verbeteren. De DSP is gedefinieerd in Vergelijking 10:

waarbij α de beginwaarde van de DSP aanduidt, t het huidige iteratienummer vertegenwoordigt en β de controlecoëfficiënt is. Deze adaptieve strategie verhoogt de populatiediversiteit tijdens de vroege optimalisatiefase, verbreedt de zoekruimte en vermindert de kans op voortijdige convergentie naar lokale optima. Naarmate de optimalisatie vordert, verschuift de zoektocht geleidelijk van globale exploratie naar lokale exploitatie.

Om de optimalisatieprestaties verder te verbeteren, wordt DVGM in het algoritme geïntegreerd. Tijdens de vroege iteraties wordt een relatief grote mutatievariantie toegepast om het zoekbereik uit te breiden en de globale exploratie te verbeteren. Naarmate de optimalisatie vordert, wordt de mutatievariantie geleidelijk verlaagd om de nauwkeurigheid van de lokale zoekopdracht te verhogen en de convergentie te bespoedigen. De maximale variantie σ_max en minimale variantie σ_min zijn gedefinieerd in Vergelijking 11:

De verbeterde globale en lokale zoekstrategieën zijn samengevat in Vergelijking 12:

Hierbij staat normrnd(0, σ(t)) voor een Gaussisch willekeurig getal met een gemiddelde van 0 en variantie σ(t), en f_i vertegenwoordigt de geurparameter die het zoekgedrag van de vlinder reguleert. Na de integratie van de DSP- en DVGM-strategieën is de verbeterde BOA verkregen, zoals geïllustreerd in Figuur 5.

Figuur 5. Workflow van het verbeterde Butterfly Optimization Algorithm (BOA). De optimalisatieprocedure omvat initialisatie, populatiegeneratie, fitness-evaluatie, Dynamic Switching Probability (DSP), globale en lokale zoekopdrachten, Dynamic Variance Gaussian Mutation (DVGM), bijwerking van de oplossing, convergentiebeoordeling en output van de optimale oplossing. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5 illustreert de twee verbeteringsstrategieën die in het BOA zijn opgenomen: DSP en DVGM. De DSP-strategie past de schakelfrequentie tussen globaal en lokaal zoeken adaptief aan. Tijdens de vroege optimalisatiefase legt het algoritme de nadruk op globale exploratie om de populatiediversiteit te vergroten en de kans op het identificeren van veelbelovende oplossingsgebieden te verbeteren. Naarmate de optimalisatie vordert, verschuift het zoeken geleidelijk naar lokale exploitatie om de convergentie te versnellen. De DVGM-strategie perturbeert het huidige beste individu, waardoor de lokale zoekcapaciteit wordt verbeterd, de diversiteit van oplossingen toeneemt en de waarschijnlijkheid van vroegtijdige convergentie naar lokale optima wordt verminderd.

Wanneer de verbeterde BOA wordt toegepast om het OFDM-ISAC-P-model op te lossen, worden de optimalisatievariabelen eerst gecodeerd, wordt er een initiële populatie gegenereerd en worden kandidaat-vermogensallocatiestrategieën toegewezen aan elk individu. De totale optimalisatieworkflow wordt geïllustreerd in Figuur 6.

Figuur 6. Workflow van het verbeterde Butterfly Optimization Algorithm (BOA) voor het oplossen van het vermogensallocatiemodel voor Orthogonal Frequency Division Multiplexing-based Integrated Sensing and Communication (OFDM-ISAC). De procedure omvat parameterinitialisatie, codering van kandidaat-vermogensallocatievectoren, populatiegeneratie, fitness-evaluatie, iteratieve bijwerking van de oplossing, convergentiebeoordeling en de output van de optimale vermogensallocatiestrategie. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 6, begint de optimalisatie met het toepassen van de DSP-strategie om iteratieve optimalisatie uit te voeren. Tijdens de vroege iteraties ligt de nadruk op globale exploratie om diverse combinaties van vermogensallocatie voor het OFDM-ISAC-systeem te onderzoeken. In de latere iteraties verschuift de zoektocht geleidelijk naar lokale exploitatie om hoogwaardige kandidaatoplossingen te verfijnen, terwijl wordt voldaan aan de beperking van het totale transmissievermogen. De DVGM-strategie wordt vervolgens toegepast op de huidige beste oplossing om lokale optima te vermijden en de diversiteit van de oplossingen te behouden. Gedurende het optimalisatieproces worden de doelfuncties voor communicatie en detectie gebruikt om de fitness van elke kandidaatoplossing te evalueren, waarbij individuen van hogere kwaliteit worden behouden voor de volgende iteratie. De optimalisatie gaat door totdat het vooraf gedefinieerde stopcriterium is behaald. De uiteindelijke optimale oplossing vertegenwoordigt de vermogensallocatiestrategie die de beste balans biedt tussen communicatieprestaties en detectieprestaties van het doelwit.

Instellingen voor reproduceerbaarheid

Om de reproduceerbaarheid te verbeteren, worden de simulatieparameters, initialisatie-instellingen, randvoorwaarden en beëindigingscriteria in detail gespecificeerd. Alle experimenten zijn geïmplementeerd op Ubuntu 22.04 LTS met behulp van Python 3.10, PyTorch 2.1, NumPy 1.26, CVXPY 1.4 en MATLAB R2023b (zie Tabel met materialen). De simulatieparameters en de computationele omgeving die in deze studie zijn gebruikt, zijn samengevat in Tabel 1terwijl de gedetailleerde configuratie van de OFDM-ISAC-simulatieparameters wordt gegeven in Aanvullende tabel 1De simulaties maakten gebruik van een ruis-vermogenspectrale dichtheid van −174 dBm/Hz, 64 subdragers, 16 OFDM-symbolen, een draaggolfrequentie van 4 GHz, een subdrager-afstand van 15 kHz, acht zendantennes en maximaal 10.000 iteraties. De vermogensallocatieratio werd geïnitieerd binnen het bereik van 0–1 met een resolutie van 0,01 en genormaliseerd om te voldoen aan de beperking voor het totale zendvermogen. Het communicatiegewicht, het sensinggewicht en de nauwkeurigheid van de multi-layer prior werden respectievelijk ingesteld op 0,2, 0,3 en 0,5. De optimalisatiebeperkingen omvatten een niet-negatieve vermogensallocatie per gebruiker, een beperkt totaal zendvermogen, een beperkte bandbreedte en een vals-alarmkans in de orde van 10⁻³De optimalisatie werd beëindigd wanneer ofwel het maximale aantal iteraties was bereikt, of wanneer de relatieve verandering in de doelfunctie tussen twee opeenvolgende iteraties onder de 10⁻ zakte.⁴Alle experimenten met willekeurige initialisatie en kanaalperturbatie maakten gebruik van vaste willekeurige seeds en werden 30 keer onafhankelijk herhaald.

Parameter	Waarde	Beschrijving
Draaggolfrequentie	4 GHz	OFDM-draaggolfrequentie.
Communicatiecodering/-modulatieschema	Quadrature Phase Shift Keying (QPSK)-modulatie met Low-Density Parity-Check (LDPC)-kanaalcodering	Methode voor het genereren van communicatiesignalen die wordt gebruikt om de verzonden OFDM-golfvorm te reproduceren.
Communicatiegewicht	0.2	Gewicht toegekend aanHet communicatiedoel.
Kans op vals alarm	10⁻³	Valse alarmkans gebruikt als beperking voor de optimalisatie van de detectie.
Hardwareplatform	Intel Core i7-13700 CPU, NVIDIA RTX 4070 GPU, 32 GB RAM	Computationeel platform dat is gebruikt voor de simulaties.
ISAC simulatie-benchmarkdataset	Niet van toepassing. Alle benchmarkgegevens zijn gegenereerd via numerieke simulaties.	Benchmarkdataset gebruikt voor prestatie-evaluatie.
Maximaal aantal iteraties	10,000	Maximaal aantal optimalisatie-iteraties.
Nauwkeurigheid van meerlaagse priors	0.5	Prior-informatieparameter gebruikt tijdens optimalisatie.
Ruisvermogenspectrale dichtheid	−174 dBm/Hz	Ruis-spectrale dichtheid van het communicatiekanaal.
Aantal OFDM-symbolen	16	Aantal OFDM-symbolen per frame.
Aantal OFDM-subdragers	64	Aantal OFDM-subdragers.
Besturingssysteem	Ubuntu 22.04 LTS	Computationele omgeving.
Optimalisatiesoftware	CVXPY 1.4	Pakket voor convexe optimalisatie.
Resolutie van de vermogensallocatie	0.01	Resolutie van de geïnitialiseerde vermogensallocatieratio's.
Programmeertaal	Python 3.10	Programmeertaal gebruikt voor de implementatie van de simulatie.
Willekeurige seed	Gefixeerd	Vaste willekeurige seed gebruikt voor alle simulaties.
Herhaalde runs	30	Aantal onafhankelijke simulatieruns uitgevoerd voor statistische analyse.
Wetenschappelijke rekenbibliotheek	NumPy 1.26	Numerieke rekenbibliotheek die wordt gebruikt voor numerieke berekeningen.
Gewichtsdetectie	0.3	Gewicht toegewezen aan het detectiedoel.
Simulatieplatform	MATLAB R2023b	Platform gebruikt voor numerieke simulatie en visualisatie.
Stopcriterium	Maximaal aantal iteraties of relatieve verandering van de doelfunctie < 10⁻⁴	Beëindigingscriterium voor optimalisatie.
Subcarrier-afstand	15 kHz	OFDM-subcarrier-afstand.
Bibliotheek voor tensorberekeningen	PyTorch 2.1	Tensor-berekeningsframework gebruikt voor matrix- en tensorberekeningen.
Totaal aantal zendantennes	8	Aantal zendantennes.

Tabel 1: Simulatieparameters en computationele omgeving gebruikt voor de simulaties van Integrated Sensing and Communication (ISAC) op basis van Orthogonal Frequency Division Multiplexing (OFDM).De tabel vat de golfvormparameters, optimalisatieparameters, simulatie-instellingen, computationele omgeving, software, datasets en overige simulatiecondities samen die gedurende de studie zijn gebruikt.

Tenzij anders vermeld, worden procentuele verbeteringen gerapporteerd als “toegenomen met X%” berekend als relatieve procentuele winsten met behulp van Vergelijking 13:

Voor prestatie-indicatoren op basis van waarschijnlijkheid of snelheid, zoals de PDP, worden absolute veranderingen expliciet gerapporteerd als stijgingen in procentpunten (pp). Bijvoorbeeld: een stijging van 46% naar 63% wordt gerapporteerd als +17 pp, terwijl +37,0% de bijbehorende relatieve procentuele stijging aanduidt, berekend met 46% als basislijn.

Resultaten

Prestatietests van het verbeterde Butterfly Optimization Algorithm

Voordat de effectiviteit van de OFDM-ISAC PAM werd geëvalueerd, werd de verbeterde BOA geëvalueerd. De conventionele BOA, het Whale Optimization Algorithm (WOA) en Particle Swarm Optimization (PSO) werden geselecteerd als vergelijkingsalgoritmen. Voor de benchmark-evaluatie werden de gemiddelde waarde en de standaarddeviatie als prestatiemetrieken gebruikt, met twee unimodale benchmarkfuncties ( en ) en twee multimodale benchmarkfuncties ( en ). De benchmarkinstellingen die voor de optimalisatiealgoritmen zijn gebruikt, worden hieronder beschreven. De probleemdimensie was vastgesteld op , het maximale aantal iteraties was 500 en de populatiegrootte was 30. Elk algoritme werd 30 keer onafhankelijk uitgevoerd om de gemiddelde waarde en de standaarddeviatie te berekenen. Hierbij staat voor de -de beslissingsvariabele, en het theoretische globale optimum van alle benchmarkfuncties is nul. Er werden vier standaard benchmarkfuncties geselecteerd om de optimalisatieprestaties van de verbeterde BOA te evalueren. Specifiek komen en overeen met respectievelijk de Sphere- en Schwefel 2.22-functies, die veel worden gebruikt om het globale convergentievermogen van optimalisatiealgoritmen te evalueren. De multimodale benchmarkfuncties en komen overeen met respectievelijk de Rastrigin- en Ackley-functies, die gewoonlijk worden gebruikt om het globale exploratievermogen en het vermogen om lokale optima te vermijden te evalueren. De wiskundige definities van deze benchmarkfuncties zijn weergegeven in Vergelijking 14, en de bijbehorende benchmarkreferenties zijn verstrekt.

Om het vermogen tot prestatie-balancering van de genormaliseerde wegingsstrategie onder verschillende communicatiewegingsfactoren te evalueren, werd de communicatiewegingsfactor variërend van 0,2 tot 0,8 ingesteld, terwijl een vaste signaal-ruisverhouding (SNR) van 15 dB en een 4 × 4 zend-/ontvangstantenneconfiguratie werden gehandhaafd. De optimalisatieprestaties van de verbeterde BOA werden vergeleken met die van de conventionele BOA. De communicatie- en detectieprestaties verkregen onder verschillende communicatiewegingsfactoren zijn samengevat in Tabel 2.

Communicatiewegingsfactor	Capaciteit van het communicatiekanaal (bps/Hz)	Detectiekans van het doelwit (%)	IBOA-convergentie-iteraties	BOA-convergentie-iteraties	Totale vermogensbenutting (%)	Pareto-front-afstand
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

Tabel 2: Communicatie- en detectieprestaties verkregen onder verschillende wegingsfactoren voor communicatie. De tabel vat de wegingsfactor voor communicatie, de capaciteit van het communicatiekanaal (bps/Hz), de detectiekans van het doelwit (%), het aantal convergentie-iteraties van het Improved Butterfly Optimization Algorithm (IBOA) en het conventionele Butterfly Optimization Algorithm (BOA), het totale vermogensverbruik (%) en de afstand tot de Pareto-front samen.

Zoals getoond in Tabel 2, zorgde het verhogen van de wegingsfactor voor communicatie van 0,2 naar 0,8 voor een toename van de communicatiekanaalcapaciteit met 74,2%, terwijl de PDP met 34,4% afnam, wat het vermogen van de wegingsstrategie aantoont om de afweging tussen communicatie- en sensorgeprestaties aan te passen. De verbeterde BOA convergeerde sneller dan de conventionele BOA, met gemiddeld 93 convergentie-iteraties, wat een reductie van 56,0% vertegenwoordigt in het gemiddelde aantal iteraties dat nodig is voor convergentie vergeleken met de conventionele BOA. Daarnaast nam de afstand tot de Pareto-frontier af naarmate de wegingsfactor voor communicatie toenam. Bijvoorbeeld, de afstand tot de Pareto-frontier nam af van 0,020 bij een wegingsfactor voor communicatie van 0,5 naar 0,009 bij 0,8, wat aangeeft dat de geoptimaliseerde oplossingen de overeenkomstige Pareto-optimale werkpunten benaderden naarmate de wegingsfactor voor communicatie toenam. Een kleinere afstand tot de Pareto-frontier bij een hogere wegingsfactor voor communicatie (bijv. 0,8) vertegenwoordigt een oplossing die meer nadruk legt op de communicatiecapaciteit, terwijl ω = 0,5 een meer gebalanceerde afweging vertegenwoordigt tussen de genormaliseerde communicatiecapaciteit en PDP. Bijgevolg wordt ω = 0,5 beschouwd als een representatief gebalanceerd werkpunt in plaats van het unieke globale minimum van de afstand tot de Pareto-frontier. De convergentieprestaties onder de unimodale benchmarkfuncties worden gepresenteerd in Figuur 7.

Figuur 7. Convergentieprestaties van de optimalisatiealgoritmen op unimodale benchmarkfuncties. (A) Functie f₁. (B) Functie f₂. De horizontale as stelt het iteratienummer voor en de verticale as stelt de gemiddelde fitnesswaarde voor. De curves vergelijken het verbeterde Butterfly Optimization Algorithm (IBOA), het conventionele Butterfly Optimization Algorithm (BOA), het Whale Optimization Algorithm (WOA) en Particle Swarm Optimization (PSO). Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 7A presenteert de resultaten voor de unimodale functie f₁, terwijl Figuur 7B de resultaten voor de unimodale functie f₂ presenteert. De gemiddelde convergentie van de fitness, weergegeven door de afname van de standaarddeviatie, werd gebruikt om de optimalisatieprestaties te evalueren. De verbeterde BOA, conventionele BOA, WOA en PSO werden geëvalueerd onder identieke benchmarkvoorwaarden. Op basis van 30 onafhankelijke runs toonde een eenweg-variantieanalyse gevolgd door de post-hoc test van Tukey met Holm-Bonferroni correctie een significant lagere uiteindelijke convergentievariantie aan voor de verbeterde BOA dan voor de conventionele BOA, WOA en PSO, waarbij statistisch significante verschillen werden waargenomen na Holm-Bonferroni correctie (gecorrigeerde p < 0.05). Bij de unimodale benchmarkfuncties nam de convergentievariantie van de WOA- en PSO-algoritmen langzamer af dan die van de op BOA gebaseerde methoden. Voor functie f₁ bereikten zowel de verbeterde BOA als de conventionele BOA zeer lage uiteindelijke fitnesswaarden; echter bereikte de verbeterde BOA dit niveau eerder in het optimalisatieproces. Voor functie f₂ convergeerden alle algoritmen langzamer, hoewel de verbeterde BOA de laagste uiteindelijke fitnesswaarde bereikte na 500 iteraties. De convergentieresultaten voor de multimodale benchmarkfuncties worden gepresenteerd in Figuur 8.

Figuur 8. Convergentieprestaties van de optimalisatiealgoritmen op multimodale benchmarkfuncties. (A) Functie mf₁. (B) Functie mf₂. De horizontale as stelt het iteratienummer voor en de verticale as stelt de gemiddelde fitnesswaarde voor. De curves vergelijken het verbeterde Butterfly Optimization Algorithm (IBOA), het conventionele Butterfly Optimization Algorithm (BOA), het Whale Optimization Algorithm (WOA) en Particle Swarm Optimization (PSO). Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 8A presenteert de resultaten voor de multimodale functie mf₁, terwijl Figuur 8B de resultaten presenteert voor de multimodale functie mf₂. Bij de multimodale benchmarkfuncties behield de verbeterde BOA een betere convergentiestabiliteit dan de vergelijkingsalgoritmen. Op basis van 30 onafhankelijke runs werden statistisch significante verschillen waargenomen tussen de verbeterde BOA en de vergelijkingsalgoritmen na Holm-Bonferroni-correctie (gecorrigeerde p < 0,05). De voorgestelde DSP- en DVGM-strategieën verbeterden de globale zoekcapaciteit van de BOA. De conventionele BOA vertoonde bij de multimodale benchmarkfuncties prestaties die dichter bij die van de verbeterde BOA lagen dan bij de unimodale benchmarkfuncties, wat wijst op een verbeterde geschiktheid voor multimodale optimalisatieproblemen. Over het algemeen presteerde de verbeterde BOA beter dan de vergelijkingsalgoritmen over de geëvalueerde benchmarkfuncties en werd deze vervolgens toegepast om het OFDM-ISAC vermogensoptimalisatiemodel op te lossen.

Alle optimalisatiealgoritmen werden onafhankelijk 30 keer uitgevoerd voor elke benchmarkfunctie. De uiteindelijke convergentiewaarden zijn gerapporteerd als het gemiddelde ± standaarddeviatie. Eenweg-variantieanalyse werd gebruikt om de vier optimalisatiealgoritmen te vergelijken, gevolgd door de post hoc-toets van Tukey voor paarsgewijze vergelijkingen met Holm-Bonferroni-correctie voor meervoudig testen. Gecorrigeerde p-waarden zijn gerapporteerd, en p < 0,05 werd beschouwd als statistisch significant.

Simulatieanalyse van vermogensallocatie in het op Orthogonal Frequency Division Multiplexing gebaseerde Integrated Sensing and Communication System

Na evaluatie van het optimalisatiealgoritme is de effectiviteit van de OFDM-ISAC vermogensallocatiestrategie verder geanalyseerd met behulp van numerieke simulaties. In de simulatie-experimenten werden het zendende antenne-element, de communicatieantenne en de ontvangstantenna voor sensing van het systeem allemaal op vier ingesteld, respectievelijk aangeduid als B, T en R. De variaties in communicatiekanaalcapaciteit en PDP onder verschillende antennaconfiguraties zijn weergegeven in Figuur 9. Tenzij anders aangegeven, maakten alle simulaties in deze sectie gebruik van hetzelfde LoS-dominante OFDM-ISAC kanaalmodel zoals beschreven in de sectie Methoden. De antennaconfiguraties werden enkel gevarieerd om de schaalbaarheid en de relatieve prestaties te evalueren. Specifiek werd de single-input single-output (SISO) configuratie gebruikt als referentiepunt, de 2-transmit 2-receive (2T2R) configuratie voor de verificatie van de subcarrier-gevoeligheid, en de 4-transmit 4-receive (4T4R) configuratie als de primaire multi-antenne configuratie voor de evaluatie van de communicatie-sensing prestaties.

Figuur 9. Effecten van antennaconfiguratie op de communicatie- en sensingprestaties bij verschillende signaal-ruisverhoudingen (SNRs). (A) Communicatiekanaalcapaciteit (bps/Hz) als functie van de SNR. (B) Detectiekans van het doel als functie van de SNR. De curven vergelijken de voorgestelde vermogensallocatiemethode met gelijke vermogensallocatie bij gebruik van verschillende zend- en ontvangstantenneconfiguraties. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals getoond in Figuur 9A, nam de capaciteit van het communicatiekanaal toe met het aantal antennes. Wanneer het aantal zend- en ontvangstantennes toenam van twee naar vier, steeg de capaciteit van het communicatiekanaal van ongeveer 20 bps/Hz naar bijna 60 bps/Hz bij een SNR van 20 dB, wat de spatial multiplexing gain weerspiegelt die wordt geboden door de multi-antenna configuratie. Figuur 9B laat zien dat, onder verschillende configuraties van zend- en ontvangstantennes, de PDP verkregen met de voorgestelde optimale PAM consistent hoger was dan die verkregen met een gelijke vermogensverdeling. Bij een SNR van 10 dB en een aantal zendantennes van vier, naderde de PDP van de voorgestelde methode het theoretische optimum van 1, terwijl de gelijke PAM aanzienlijk lager bleef. De verbeterde BOA maximaliseert de likelihood ratio functie via iteratieve optimalisatie, past de verhouding van de vermogensverdeling tussen zendantennes dynamisch aan, en wijst meer zendvermogen toe aan antennes met sterkere responsen terwijl het vermogen toegewezen aan zwakkere responsen wordt verminderd, waardoor de prestaties van de doeldectectie worden verbeterd.

Wanneer zowel de communicatie- als de sensorenzendant- en ontvangstantennes waren geconfigureerd als 4T4R, werd het vermogensoptimalisatiemodel van het OFDM-ISAC-systeem geëvalueerd. De communicatiekanaalcapaciteit en PDP die zijn verkregen onder verschillende communicatiewegingsfactoren worden gepresenteerd in Figuur 10.

Figuur 10. Effecten van de communicatiewegingsfactor op de communicatie- en detectieprestaties. (A) Communicatiekanaalcapaciteit als functie van de signaal-ruisverhouding (SNR). (B) Detectiekans van het doel als functie van de SNR. De curves vergelijken de voorgestelde methode, gelijke vermogensallocatie en communicatiewegingsfactoren van 0,3 en 0,8. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 10A laat zien dat de communicatiekanaalcapaciteit varieerde onder verschillende PAM's wanneer zowel de communicatie- als de sensing-antenneconfiguraties 4T4R waren. De communicatiekanaalcapaciteit nam toe met een stijgende SNR voor alle geëvalueerde PAM's. Bij een SNR van 20 dB waren de kanaalcapaciteiten ongeveer 13 bps/Hz voor de voorgestelde methode, 40 bps/Hz voor gelijke vermogensallocatie, 42 bps/Hz bij een communicatiewegingsfactor van 0,3 en 38 bps/Hz bij een communicatiewegingsfactor van 0,8. Figuur 10B laat zien dat de PDP toenam met een stijgende SNR voor alle geëvalueerde PAM's en de waarde 1 benaderde bij een SNR van 20 dB. Deze resultaten tonen aan dat de communicatiewegingsfactor de afweging tussen de communicatiekanaalcapaciteit en de sensingprestaties beïnvloedt.

Vervolgens werden vergelijkende simulaties uitgevoerd om de effectiviteit van de voorgestelde methode verder te evalueren. De conventionele OFDM PAM onder de SISO-architectuur werd gekozen als referentiebenchmark (hierna aangeduid als de vergelijkende methode) en werd vergeleken met de vermogensallocatiestrategie verkregen met behulp van het voorgestelde OFDM-ISAC-P-model. Wanneer de communicatiewegingsfactor 0,8 was, worden de communicatiekanaalcapaciteit en PDP verkregen onder verschillende antennaconfiguraties als functie van SNR weergegeven in Figuur 11.

Figuur 11. Communicatie- en detectieprestaties verkregen met verschillende antennaconfiguraties. (A) Communicatiekanaalcapaciteit als functie van de signaal-ruisverhouding (SNR). (B) Detectiekans van het doel als functie van de SNR. De curven vergelijken de voorgestelde methode met één, twee en vier zend-/ontvantenna-configuraties samen met de vergelijkingsmethode. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 11A laat zien dat, wanneer het aantal zendende antennes vier was en de wegingsfactor voor communicatie 0,8 bedroeg, de communicatiekanaalcapaciteit ongeveer 67 bps/Hz bereikte bij een SNR van 20 dB. Onder de 2T2R-configuratie was de communicatiekanaalcapaciteit ongeveer 48 bps/Hz, terwijl de SISO-configuratie ongeveer 37 bps/Hz behaalde. Het verhogen van het aantal antennes leidde dus tot een toename van de communicatiekanaalcapaciteit. Figuur 11B laat zien dat, bij een SNR van 20 dB, de PDP dicht bij 1,00 lag onder de 4T4R-configuratie, ongeveer 0,98 onder de 2T2R-configuratie en ongeveer 0,98 onder de SISO-configuratie. Deze resultaten tonen een verbeterde communicatie- en sensingsprestatie aan onder multi-antenneconfiguraties vergeleken met de SISO-referentiemeting. De SISO-configuratie in Figuur 11 werd uitsluitend als referentiemeting opgenomen. Het voorgestelde OFDM-ISAC-P-model werd geformuleerd voor multi-antennesystemen, terwijl de 2T2R- en 4T4R-configuraties werden gebruikt om de prestatiewinst te evalueren die wordt behaald door antenneschaling onder dezelfde aanname van een LoS-dominant kanaal.

Ten slotte werd de effectiviteit van het OFDM-ISAC-P-model geëvalueerd onder verschillende systeemparameterconfiguraties door het aantal subdragers (64, 128 en 256) te variëren. De totale bandbreedte werd vastgesteld op 20 MHz, terwijl de afstand tussen de subdragers omgekeerd werd aangepast aan het aantal subdragers. De antennaconfiguratie was 2T2R en er werd gebruikgemaakt van het LoS-kanaalmodel. De communicatiekanaalcapaciteit en PDP verkregen onder verschillende SNRs (0, 10 en 20 dB) werden vergeleken tussen de voorgestelde methode en een gelijke vermogensallocatie. De bijbehorende resultaten zijn samengevat in Tabel 3.

Methode	Aantal subdraaggolven	Kanaalcapaciteit (bps/Hz)			Detectiekans
		SNR = 0 dB	SNR = 10 dB	SNR = 20 dB	SNR = 0 dB	SNR = 10 dB	SNR = 20 dB
Gelijke vermogensallocatie	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
Voorgestelde OFDM-ISAC-P-strategie	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

Tabel 3: Vergelijking van de capaciteit van het communicatiekanaal en de waarschijnlijkheid van doeldetectie voor gelijke vermogensallocatie en de voorgestelde vermogensallocatiestrategie bij verschillende signaal-ruisverhoudingen (SNR's) en aantallen OFDM-subdragers. De capaciteit van het communicatiekanaal wordt gerapporteerd in bps/Hz, en de waarschijnlijkheid van doeldetectie wordt gerapporteerd als een waarschijnlijkheid (0–1).

Zoals weergegeven in Tabel 3, had het verhogen van het aantal subdragers een aanzienlijk effect op de systeemprestaties. Bij de configuratie met 256 subdragers bereikte de voorgestelde methode een communicatiekanaalcapaciteit van 13,28 bps/Hz bij een SNR van 20 dB, wat een toename van 74,3% vertegenwoordigt ten opzichte van de configuratie met 64 subdragers, terwijl de PDP vergelijkbaar bleef; dit geeft aan dat het verhogen van het aantal subdragers de communicatieprestaties verbeterde zonder de detectieprestaties aanzienlijk te verminderen. Bij hetzelfde aantal subdragers presteerde de voorgestelde methode consistent beter dan gelijke vermogensallocatie. Bijvoorbeeld, bij 128 subdragers en een SNR van 10 dB nam de communicatiekanaalcapaciteit met 68,2% toe en de PDP met 19,7% ten opzichte van gelijke vermogensallocatie, wat de effectiviteit van de voorgestelde vermogensallocatiestrategie onder verschillende systeemparameterconfiguraties aantoont. Zelfs onder de lage-SNR-conditie van 0 dB met 64 subdragers bleef de communicatiekanaalcapaciteit 56,1% hoger dan die behaald met gelijke vermogensallocatie, wat aantoont dat het voorgestelde model de systeemprestaties effectief verbetert onder verschillende subdragerconfiguraties terwijl het een reeks spectrumallocatievereisten ondersteunt.

Praktische analyse van het scenario voor samenwerking tussen intelligente transportvoertuigen en de weg

Bij samenwerking tussen snelwegvoertuigen en de weg voert de Roadside Unit (RSU) gelijktijdig twee hoofdtaken uit. De eerste is het verzenden van vehicle-to-everything (V2X)-gegevens naar voertuigen die met hoge snelheden (100–120 km/h) rijden, inclusief actuele wegomstandigheden, tijdelijke snelheidslimieten en waarschuwingen voor noodremmen. De tweede is het detecteren van defecte voertuigen, wegafval en andere obstakels binnen een bereik van 1–2 km met behulp van radarsensing. Onder deze omstandigheden veroorzaken de hoge voertuigsnelheden aanzienlijke Doppler-frequentieverschuivingen in het communicatiekanaal. Bijgevolg moeten de communicatiekanaalcapaciteit en de PDP worden gebalanceerd binnen het beschikbare zendvermogen. De simulatie hanteert een 4T4R-antenneconfiguratie, 256 subdragers, een bandbreedte van 20 MHz en een LoS-dominant kanaalmodel, in overeenstemming met de aannames beschreven in de sectie Methoden. Dit scenario evalueert het interferentieverwerkend vermogen en de sensingprestaties over lange afstand van de voorgestelde methode bij voertuigen die met hoge snelheid bewegen. De communicatiekanaalcapaciteit en PDP werden geëvalueerd bij SNR-waarden van 0 dB en 20 dB. De overeenkomstige resultaten worden gepresenteerd in Figuur 12.

Figuur 12. Vergelijking van communicatie- en detectieprestaties tussen gelijke vermogensallocatie en de voorgestelde methode bij verschillende signaal-ruisverhoudingen (SNR's). (A) Resultaten verkregen bij 0 dB. (B) Resultaten verkregen bij 20 dB. De staven vertegenwoordigen de communicatiekanaalcapaciteit en de detectiekans van het doel voor de twee vermogensallocatiemethoden. De foutenbalken vertegenwoordigen de standaarddeviatie (SD) berekend uit herhaalde onafhankelijke simulaties. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 12A, behaalde de voorgestelde methode onder de lage-SNR-conditie van 0 dB (wat ongunstige voortplantingsomstandigheden zoals regen of dichte mist vertegenwoordigt) een communicatiekanaalcapaciteit van 2,90 bps/Hz, wat een toename van 61,1% betekent vergeleken met gelijke vermogensverdeling (1,80 bps/Hz). De PDP steeg van 46% naar 63%, wat overeenkomt met een absolute verbetering van 17 procentpunten en een relatieve verbetering van 37,0% met 46% als noemer. Figuur 12B laat zien dat, bij een SNR van 20 dB, de voorgestelde methode een communicatiekanaalcapaciteit van 13,30 bps/Hz behaalde, wat een toename van 60,2% vertegenwoordigt vergeleken met gelijke vermogensverdeling (8,30 bps/Hz). De PDP steeg van 94% naar 98%, wat overeenkomt met een absolute verbetering van 4 procentpunten en een relatieve verbetering van 4,3%. Deze simulatieresultaten tonen een verbeterde communicatie- en detectieprestatie aan onder het geëvalueerde autosnelwegscenario. De voorgestelde strategie voor vermogensverdeling handhaafde een stabiele communicatiekanaalcapaciteit en doeldetectiekans onder de geëvalueerde multi-antenne simulatiecondities, wat wijst op de potentiële toepasbaarheid voor OFDM-gebaseerde geïntegreerde detectie- en communicatiesystemen.

In tegenstelling tot het autosnelwegscenario dat wordt getoond in Figuur 12, Tabel 4 presenteert resultaten voor een scenario van samenwerking tussen voertuigen, wegen en mensen op een stedelijk kruispunt. In dit scenario worden rekening gehouden met obstructies door gebouwen, frequent stoppen en optrekken van voertuigen, voetgangersoversteken en gemengd verkeer met elektrische voertuigen. Bijgevolgd werden de SNR-waarden ingesteld op 5, 15 en 25 dB in plaats van 0 en 20 dB. De bijbehorende simulatieresultaten zijn samengevat in Tabel 4.

Signaal-ruisverhouding (dB)	Methode	Kanaalcapaciteit (bps/Hz)	Detectiekans (%)	Communicatievertraging (ms)
5	Gelijke vermogensallocatie	1.32	42	3.8
	Voorgestelde OFDM-ISAC-P-strategie	2.15	58	2.5
15	Gelijke vermogensallocatie	3.11	76	2.5
	Voorgestelde OFDM-ISAC-P-strategie	5.23	91	1.8
25	Gelijke vermogensallocatie	6.28	92	1.9
	Voorgestelde OFDM-ISAC-P-strategie	10.15	99	1.2

Tabel 4: Vergelijking van communicatie- en detectieprestaties tussen gelijke vermogensallocatie en de voorgestelde vermogensallocatiestrategie onder verschillende signaal-ruisverhoudingen (SNRs).De geëvalueerde prestatiegegevens omvatten de capaciteit van het communicatiekanaal (bps/Hz), de detectiekans van het doelwit (%) en de communicatievertraging (ms).

Zoals weergegeven in Tabel 4, behaalde de voorgestelde methode verbeterde communicatie- en detectieprestaties onder het gesimuleerde scenario van een stedelijk kruispunt. Bij een SNR van 15 dB bereikte de communicatiekanaalcapaciteit 5,23 bps/Hz, wat een toename van 68,2% vertegenwoordigt ten opzichte van gelijke vermogensverdeling (3,11 bps/Hz). De bijbehorende communicatievertraging was 1,8 ms, wat een afname van 28,0% vertegenwoordigt ten opzichte van gelijke vermogensverdeling (2,5 ms). De doeldetectiekans (PDP) bereikte 91%, wat een relatieve verbetering van 19,7% vertegenwoordigt ten opzichte van gelijke vermogensverdeling (76%). Bij een SNR van 25 dB behaalde de voorgestelde methode een communicatiekanaalcapaciteit van 10,15 bps/Hz, wat een toename van 61,6% vertegenwoordigt ten opzichte van gelijke vermogensverdeling (6,28 bps/Hz). De communicatievertraging nam af tot 1,2 ms en de PDP bereikte 99%. Zelfs onder de lagere SNR-conditie van 5 dB bleef de communicatiekanaalcapaciteit 2,15 bps/Hz, wat een toename van 62,9% vertegenwoordigt ten opzichte van gelijke vermogensverdeling, terwijl de communicatievertraging 2,5 ms bleef. Deze simulatieresultaten tonen aan dat de voorgestelde strategie voor vermogensverdeling zorgt voor een efficiënte toewijzing van communicatie- en detectiemiddelen en verbeterde prestaties bij doeldetectie onder het geëvalueerde scenario van een stedelijk kruispunt, wat de potentiële toepassing in collaboratieve waarnemingssystemen voor voertuigen, wegen en voetgangers ondersteunt.

Om de computationele overhead van de voorgestelde methode te evalueren, werd de gemiddelde optimalisatietijd van verschillende vermogensallocatieschema's vergeleken onder dezelfde simulatieomgeving. Gelijke vermogensallocatie vertoonde de laagste computationele kosten, omdat iteratieve optimalisatie niet vereist was. De WA behaalde een snelle optimalisatie voor het communicatiegeoriënteerde doel, maar optimaliseerde het PDP niet direct. De conventionele BOA vereiste meer iteraties en een langere optimalisatietijd. In de vergelijking van de computationele overhead, samengevat in Tabel 5, verminderde de integratie van de DSP- en DVGM-strategieën het gemiddelde aantal convergentie-iteraties van de verbeterde BOA tot 98, waardoor de optimalisatietijd afnam terwijl de verbeterde communicatie- en senseringsprestaties behouden bleven. De overeenkomstige resultaten worden gepresenteerd in Tabel 5.

Vermogensallocatieschema	Belangrijkste optimalisatiedoel	Computationele complexiteit	Gemiddeld aantal convergentie-iteraties	Gemiddelde optimalisatietijd	Toepasbaarheid in real-time
Gelijke vermogensallocatie	Omdat er geen brontekst is verstrekt, kan ik geen vertaling produceren. Voer a.u.b. de Engelse tekst in die u vertaald wilt hebben naar het Nederlands.	O(N)	Niet van toepassing	0,03 ms	Hoog, maar een slechte balans in de prestaties.
WA	Communicatiecapaciteit	O(N log N)	Niet van toepassing	0,18 ms	Hoog, maar de detectieprestaties zijn niet gezamenlijk geoptimaliseerd.
Traditionele BOA	Gezamenlijke communicatie- en detectiedoelstelling	O(PID)	235	12,6 ms	Matig.
Verbeterde BOA	Genormaliseerd gezamenlijk communicatie-senseringsdoel	O(PID)	98	5,4 ms	Geschikt voor vermogensupdates op een langzame tijdschaal of op frameniveau.

Tabel 5: Vergelijking van computationele kenmerken van verschillende vermogensallocatieschema's. De tabel vergelijkt gelijke vermogensallocatie, Water-Filling Allocation (WA), het traditionele Butterfly Optimization Algorithm (BOA) en het Improved Butterfly Optimization Algorithm (IBOA) met betrekking tot het optimalisatiedoel, de computationele complexiteit, het gemiddeld aantal convergentie-iteraties, de gemiddelde optimalisatietijd en de real-time toepasbaarheid. Hierbij staat N voor het aantal OFDM-subdragers. De computationele complexiteit van de BOA-gebaseerde methoden wordt uitgedrukt als O(PID), waarbij P de populatiegrootte vertegenwoordigt, I het maximale aantal iteraties aanduidt en D de dimensie van het optimalisatieprobleem vertegenwoordigt.

Zoals weergegeven in Tabel 5, vertoonden gelijke vermogensallocatie en de WA de laagste computationele kosten, maar optimaliseerden ze slechts beperkte prestatiedoelstellingen. Gelijk vermogensallocatie hield geen rekening met kanaalvariaties, terwijl de WA primair de communicatiekanaalcapaciteit optimaliseerde zonder de PDP gelijktijdig te optimaliseren. De verbeterde BOA vereiste meer computationele inspanning omdat de vermogensallocatievector iteratief werd geoptimaliseerd. Vergeleken met de conventionele BOA nam het gemiddelde aantal convergentie-iteraties echter af van 235 naar 98, en de gemiddelde optimalisatietijd nam af van 12,6 ms naar 5,4 ms. Deze resultaten geven aan dat de voorgestelde verbeteringen de computationele belasting van de BOA hebben verminderd, terwijl de verbeterde optimalisatieprestaties behouden bleven. Voor real-time communicatie-toepassingen van de zesde generatie (6G) is de voorgestelde methode geschikter voor vermogensallocatie op frame-niveau, slotgroep-niveau of scenario-niveau dan voor onmiddellijke aanpassing op symboolniveau. Warm-start initialisatie of implementatie ondersteund door opzoektabellen kan de beslissingslatentie bij toekomstige implementatie verder verminderen.

Beschikbaarheid van gegevens:

De gegevens die de bevindingen van deze studie ondersteunen, worden als aanvullende materialen bij het manuscript geleverd. De configuratie van de OFDM-ISAC simulatieparameters is opgenomen in Aanvullende Tabel 1, en de numerieke brondata ten grondslag aan Figuren 7–12 zijn opgenomen in Aanvullend Gegevensbestand 1.

Aanvullende tabel 1. Configuratie van simulatieparameters voor Integrated Sensing and Communication op basis van OFDM (OFDM-ISAC). Deze tabel vat de simulatieparameters samen die zijn gebruikt om het OFDM-ISAC-systeem te configureren, inclusief golfvormparameters, kanaalkenmerken, gebruikers- en doelinstellingen, antennaconfiguratie en optimalisatieparameters die gedurende de numerieke simulaties zijn gebruikt.Klik hier om dit bestand te downloaden.

Aanvullend gegevensbestand 1. Numerieke brondata ten grondslag aan Figuren 7–12. Het werkboek bevat afzonderlijke werkbladen met de numerieke gegevens die overeenkomen met Figuren 7–12, inclusief convergentie- en uiteindelijke fitnesswaarden voor de optimalisatiealgoritmen in Figuren 7 en 8, gegevens over de capaciteit van het communicatiekanaal en de detectiekans van het doelwit voor Figuren 9–12, en de bijbehorende signaal-ruisverhouding, antennaconfiguratie en communicatiewegingscondities die zijn gebruikt om de uiteindelijke figuren te genereren.Klik hier om dit bestand te downloaden.

Discussie

Het voorgestelde OFDM-ISAC-P-model speelt in op de behoefte om een balans te vinden tussen de capaciteit van het communicatiekanaal en de PDP onder een gedeelde beperking van het transmissievermogen. Bestaande ISAC-studies op basis van OFDM hebben gezamenlijke subdrager- en vermogensallocatie, het ontwerp van gedeelde golfvormen, dynamische vermogensallocatie en trade-offs tussen communicatie en detectie onderzocht^{1,2,7,8,9,10,1,28,29,30}. In de huidige studie worden de communicatie- en detectiedoelstellingen genormaliseerd om de invloed van hun dimensionale verschillen te verminderen, en worden instelbare wegingsfactoren gebruikt om verschillende prioriteiten voor communicatie en detectie weer te geven. De verbeterde BOA, waarin DSP en DVGM zijn geïntegreerd, wordt vervolgens toegepast om het resulterende niet-convexe vermogensallocatieprobleem op te lossen. De huidige evaluatie beoordeelt de gecombineerde verbeterde BOA waarin zowel DSP als DVGM zijn opgenomen; de individuele bijdragen van deze twee mechanismen zijn niet afzonderlijk geëvalueerd via een ablatieanalyse en dienen in toekomstig werk te worden onderzocht. De simulatieresultaten geven aan dat dit raamwerk een meer gebalanceerd communicatie-detectie-werkpunt biedt dan gelijke vermogensallocatie en communicatiegeoriënteerde WA-allocatie onder de geëvalueerde omstandigheden.

Deze aanpak kan het onderzoek naar OFDM-gebaseerde ISAC bevorderen door een uniform simulatiekader te bieden voor het evalueren van communicatiecapaciteit, PDP, antenneschaling, subcarrier-configuratie, de selectie van wegingsfactoren en de computationele overhead. Gerelateerd onderzoek heeft het belang aangetoond van adaptieve resource-allocatie, golfvormoptimalisatie en vermogensallocatie in ISAC-systemen^{3,4,5,6,7,8,9,10,1,28,29,30}. De huidige resultaten breiden deze richting uit door genormaliseerde multi-objective optimalisatie te combineren met een verbeterde population-based solver. De geëvalueerde wegingsfactoren beschrijven benaderend een Pareto-trade-off waarbij het verhogen van het communicatiegewicht de communicatiecapaciteit verbetert terwijl de PDP afneemt, en het verlagen van het communicatiegewicht het tegenovergestelde effect heeft. Dit kader biedt daarom een methodologische basis voor het bestuderen van trade-offs tussen communicatie en detectie onder verschillende systeemprioriteiten, waaronder scenario's voor intelligent transport en voertuignetwerken^16,17,26,28.

Er blijven enkele beperkingen bestaan. Ten eerste is de validatie volledig gebaseerd op wiskundige modellering en numerieke simulaties met vooraf gedefinieerde kanaalparameters, antennaconfiguraties, Doppler-verschuivingen, signaal-ruisverhoudingen en ruisniveaus. De gerapporteerde winst moet daarom worden geïnterpreteerd als verbeteringen op simulatieniveau en niet als direct bewijs van prestaties bij implementatie in het veld. Ten tweede is de aanname van een LoS-dominant kanaal geschikt voor het geëvalueerde samenwerkingsscenario tussen voertuigen en weg op snelwegen, maar kan dit geïdealiseerd zijn voor dichtbevolkte stedelijke kruispunten, waar NLoS-voortplanting, meervoudige reflecties, blokkades en snelle kanaalvariaties prominenter zijn^19,20,21,26. Deze voortplantingseffecten kunnen sterkere fluctuaties veroorzaken in de versterking van het communicatiekanaal en de sterkte van de sensing-echo, waardoor de stabiliteit van de geoptimaliseerde vermogensallocatie afneemt. Toekomstige studies zouden het raamwerk daarom moeten uitbreiden naar hybride LoS/NLoS-kanalen waarin multipath-clusters, willekeurige blokkades, tijdsvariërende kanaalinformatie en imperfecte kanaalschatting zijn opgenomen.

Het huidige model houdt bovendien geen expliciet rekening met multi-user-interferentie, inter-voertuiginterferentie, gezamenlijke planning tussen meerdere ontvangers of gelijktijdige detectie van meerdere doelen. In praktische zesde-generatie ISAC-netwerken moet het optimalisatiedoel mogelijk worden uitgebreid van communicatiecapaciteit voor één enkele verbinding en een enkele PDP naar formuleringen voor meerdere gebruikers en meerdere doelen, waarin rechtvaardigheid, interferentie, beamforming en planningsbeperkingen zijn opgenomen^{1,20,2,23,24,30}. Voor detectie kan het concentreren van het zendvermogen op het beste subkanaal passend zijn voor het detecteren van een enkel puntdoel, maar dit kan onvoldoende zijn voor radarimaging, detectie van elektromagnetische eigenschappen of multi-target-tracking, waarbij het vermogen mogelijk moet worden verdeeld over doelgevoelige subcarriers, beams of ruimtelijke richtingen^2,23,24,25. Alternatieve formuleringen zouden daarom de gewogen detectiekans, de minimale PDP, de schattingsnauwkeurigheid of de gezamenlijke detectie- en trackingprestaties kunnen optimaliseren. Convexe benadering, beamforming-optimalisatie, coöperatieve netwerkmethoden en op leren gebaseerde resource-allocatie vormen andere mogelijke benaderingen voor het onderzoeken van dezelfde hypothese^{2,8,1,16,17,23,24,30}.

De studie omvat geen hardware-prototyping, gemeten kanaalgegevens van voertuigen, veldexperimenten of real-time embedded implementatie. Hoewel de verbeterde BOA de gemiddelde convergentie-iteraties en optimalisatietijd verminderde in vergelijking met de traditionele BOA, bleef deze rekentechnisch veeleisender dan gelijke vermogensallocatie en WA. De voorgestelde methode is daarom, bij de huidige implementatie, geschikter voor vermogensallocatie op scenario-niveau, frame-niveau of slotgroep-niveau dan voor onmiddellijke aanpassing op symboolniveau. Toekomstig werk dient warm-start initialisatie, ondersteuning via opzoektabelen, parallel computing en lichtgewicht leergebaseerde benadering te evalueren om de beslissingslatentie te verminderen. Hardware-in-the-loop testen, gemeten LoS/NLoS voertuig-wegkanalen en real-time implementatie zouden tevens vereist zijn om vast te stellen of de waargenomen verbeteringen op simulatieniveau stabiel blijven onder praktische kanaalonzekerheid en computationele beperkingen. Bijgevolg moeten de voorbeelden van intelligent transport worden geïnterpreteerd als simulatiegebaseerde haalbaarheidsanalyses en niet als geverifieerde technische implementaties.

Concluderend heeft de toenemende vraag naar draadloze communicatie en radarsensing het conflict tussen beperkte spectrumbronnen en uitbreidende servicevereisten geïntensiveerd, waardoor ISAC een belangrijke benadering is geworden om de benutting van bronnen te verbeteren^{12,13,14,15,19,26}. Deze studie heeft het OFDM-ISAC-P-model geconstrueerd, communicatie- en sensing-georiënteerde referentieoplossingen verkregen via WA en gegeneraliseerde maximum likelihood ratio-detectie, en genormaliseerde weging geïntroduceerd om dimensionale inconsistenties tussen de twee doelstellingen te verminderen. De verbeterde BOA werd vervolgens gebruikt om het resulterende vermogensallocatiemodel op te lossen en de communicatie- en sensingprestaties in balans te brengen. In de vergelijking van de computationele overhead, samengevat in Tabel 5, werden de gemiddelde convergentie-iteraties van de verbeterde BOA met 58,3% verminderd ten opzichte van de traditionele BOA. Onder de geëvalueerde 4T4R-configuratie bij 20 dB behaalde het OFDM-ISAC-P-model een communicatiekanaalcapaciteit van ongeveer 60 bps/Hz en een PDP dicht bij 1. Onder de geëvalueerde LoS-dominante multi-antennescenario's verbeterde de voorgestelde methode effectief de communicatiekanaalcapaciteit en de kans op doeldetectie, waardoor een gebalanceerd compromis tussen communicatie- en sensingprestaties werd bereikt. Deze studie blijft echter beperkt tot LoS-dominante simulatiescenario's en bevat geen multi-user interferentie, NLoS-kanaalmodellering of real-time vermogensaanpassing bij snel variërende kanalen. Toekomstig onderzoek zou het model moeten uitbreiden naar multi-user OFDM-ISAC-systemen, NLoS- en gemeten-kanaalmodellen moeten introduceren, multi-target sensing-echo's moeten verwerken en adaptieve vermogensallocatie met behulp van deep learning en andere methoden met een lage complexiteit moet onderzoeken om de reactiesnelheid in dynamische omgevingen te verbeteren en verdere praktische evaluatie van ISAC-technologie te ondersteunen^{16,17,21,26,28}.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
CVXPY	CVXPY-ontwikkelaars	Versie 1.4	Convex optimalisatiepakket gebruikt ter ondersteuning van de verificatie van het vermogensallocatiemodel.
Verbeterd BOA-optimalisatieprogramma	Auteurs	Niet van toepassing	Aangepaste implementatie van het Improved Butterfly Optimization Algorithm (IBOA), gebruikt om het OFDM-ISAC-P vermogensallocatiemodel op te lossen middels dynamische schakelwaarschijnlijkheid en dynamische variantie Gaussische mutatie.
ISAC-simulatiebenchmarkdataset	Auteurs	Niet van toepassing	Simulatiebenchmark gegenereerd door de auteurs en gebruikt om de voorgestelde methode voor vermogensallocatie te evalueren onder verschillende signaal-ruisverhoudingen, antennaconfiguraties en aantallen subdragers.
MATLAB	The MathWorks, Inc.	R2023b	Platform gebruikt voor numerieke simulatie en visualisatie van resultaten.
NumPy	NumPy-ontwikkelaars	Versie 1.26	Numerieke rekenbibliotheek gebruikt voor array-operaties, willekeurige initialisatie en statistische analyse.
OFDM-ISAC simulatieprogramma	Auteurs	Niet van toepassing	Aangepaste simulatiecode gebruikt voor het construeren van het OFDM-ISAC-kanaalmodel, het berekenen van de communicatiekanaalcapaciteit en het evalueren van de detectiekans van het doelwit.
PyTorch	PyTorch Foundation	Versie 2.1	Tensor-computatiekader gebruikt voor numerieke modellering en matrixoperaties.
Python-programmeeromgeving	Python Software Foundation	Python 3.10	Programmeertaal gebruikt voor algoritmische implementatie en numerieke berekening.
Ubuntu-besturingssysteem	Canonical Ltd.	Ubuntu 2.04 LTS	Besturingssysteem dat is gebruikt voor de implementatie van de OFDM-ISAC vermogensallocatiesimulaties.