Symulacyjne przydzielanie mocy dla zintegrowanych systemów detekcji i komunikacji balansujące przepustowość komunikacyjną i detekcję celu

Shuyuan Zhao; Hu Sheng

Artykuł badawczy

Symulacyjne przydzielanie mocy dla zintegrowanych systemów detekcji i komunikacji balansujące przepustowość komunikacyjną i detekcję celu

28 wyświetleń

⸱

11 września 2026

Shuyuan Zhao¹ , Hu Sheng²

¹School of Traffic and Electrical Engineering, Dalian University of Science and Technology, ²School of Railway Intelligent Engineering, Dalian Jiaotong University

W tym artykule

Podsumowanie

Niniejszy protokół opisuje opartą na symulacjach metodę optymalizacji alokacji mocy w zintegrowanych systemach wykrywania i komunikacji, wykorzystującą model optymalizacji wielokryterialnej oraz ulepszony algorytm optymalizacji motyli (Butterfly Optimization Algorithm) w celu zrównoważenia przepustowości komunikacyjnej i wydajności detekcji celu w różnych warunkach pracy.

Streszczenie

Systemy zintegrowanego wykrywania i komunikacji (ISAC) wymagają wydajnej alokacji mocy w celu zrównoważenia jakości komunikacji i wydajności wykrywania przy jednoczesnym działaniu w warunkach ograniczonych zasobów widma i mocy. Konwencjonalne metody równomiernej alokacji mocy często nie pozwalają na osiągnięcie skutecznego kompromisu między przepustowością kanału komunikacyjnego a prawdopodobieństwem detekcji celu (PDP), ponieważ nie uwzględniają w dostateczny sposób odmiennych celów komunikacji i wykrywania. Niniejsze badanie proponuje opartą na symulacjach strategię alokacji mocy dla systemu ISAC opartego na ortogonalnym dzieleniu częstotliwości (OFDM), wykorzystując znormalizowane ramy optymalizacji wielokryterialnej. W celu zwiększenia zdolności do przeszukiwania globalnego, prędkości zbieżności oraz różnorodności rozwiązań zastosowano ulepszony algorytm optymalizacji motyla (BOA), włączający strategie dynamicznego prawdopodobieństwa przełączania oraz dynamicznej mutacji gaussowskiej z wariancją. Symulacje numeryczne przeprowadzono dla różnych czynników wagowych komunikacji, konfiguracji anten, liczby podnośnych oraz stosunków sygnału do szumu, aby ocenić proponowane podejście. Zoptymalizowana strategia zapewniła lepszą zbieżność, oferując zrównoważony kompromis między przepustowością kanału komunikacyjnego a PDP w wielu scenariuszach symulacyjnych. Wyniki te wykazują, że proponowany model optymalizacji może skutecznie wspierać alokację zasobów opartą na symulacjach dla systemów ISAC opartych na OFDM, zapewniając jednocześnie odtwarzalną metodologię oceny kompromisów między komunikacją a wykrywaniem w różnych warunkach pracy.

Wprowadzenie

Wraz z szybkim rozwojem usług komunikacji bezprzewodowej i rosnącym zapotrzebowaniem na wysokowydajne wykrywanie radarowe, konflikt między ograniczonymi zasobami widma a rosnącymi wymaganiami usług staje się coraz bardziej wyraźny. Jednocześnie miniaturyzacja i integracja urządzeń elektronicznych przyczyniły się do dalszego rozwoju systemów zintegrowanego wykrywania i komunikacji (ISAC). W konsekwencji ISAC wyłoniło się jako główny kierunek badań w systemach informacji elektronicznej¹^,²^,³. Dzięki współdzieleniu widma i zasobów sprzętowych, ISAC umożliwia jednoczesną transmisję danych komunikacji bezprzewodowej i sygnałów wykrywania radarowego, co pozwala przełamać ograniczenia efektywności widmowej konwencjonalnych systemów autonomicznych i poprawić wykorzystanie zasobów w złożonych scenariuszach⁴. Ortogonalna modulacja częstotliwościowa (OFDM) jest powszechnie stosowaną techniką modulacji wielonośnej, która poprawia wykorzystanie widma i zapewnia wysoką odporność na zakłócenia wielodrogowe. Ze względu na te zalety OFDM stało się preferowanym kształtem sygnału dla systemów ISAC. Powstała architektura OFDM-ISAC zapewnia niezawodną podstawę kształtowania sygnału dla skoordynowanej implementacji funkcji komunikacji i wykrywania⁵^,⁶. W związku z tym znaczna część badań skupiła się na tym zagadnieniu.

Aby zwiększyć efektywność komunikacji i wydajność detekcji, Wen i wsp.⁷ zaproponowali metodę alokacji mocy (PAM) dla systemów ISAC opartych na wolnoprzestrzennej optycznej modulacji OFDM. Ich wyniki wykazały skuteczność tej metody i podkreśliły kompromis między wydajnością komunikacji a detekcji. Wang i wsp.⁸ opracowali opartą na głębokim uczeniu metodę optymalizacji alokacji mocy dla systemów OFDM-ISAC w celu zminimalizowania współczynnika błędów symboli komunikacyjnych oraz dolnej granicy Craméra-Rao dla wspólnej estymacji opóźnienia i przesunięcia Dopplera, co wykazało poprawę wydajności komunikacji. W celu zrównoważenia wydajności komunikacji i detekcji, AlKhansa i wsp.⁹ zaprojektowali dynamiczną metodę PAM do estymacji czasu przybycia w systemach OFDM-ISAC, a wyniki numeryczne potwierdziły znaczenie uwzględnienia wielu ograniczeń detekcyjnych. He i wsp.¹⁰ sformułowali problem optymalizacji max-min dla wielonośnikowych systemów OFDM-ISAC i opracowali iteracyjny algorytm optymalizacji oparty na sukcesywnej aproksymacji wypukłej w celu rozwiązania wynikającego z niego problemu niewypukłego, co poprawiło wydajność komunikacji. Liao i wsp.¹¹ zaproponowali obliczeniowo wydajny former wiązki nadawczej ISAC oparty na ważonej kombinacji liniowego prekodera i zdefiniowanego formera wiązki macierzowej, wykazując korzystną wydajność obliczeniową i ogólną sprawność systemu.

Pomimo tych postępów, większość systemów OFDM-ISAC nadal opiera się na równomiernym przydziale mocy, co ogranicza ogólną wydajność systemu w przypadku jednoczesnego działania funkcji komunikacyjnych i detekcyjnych. Strategia przydziału mocy maksymalizująca przepustowość kanału komunikacyjnego może obniżyć skuteczność detekcji celu, natomiast strategia zoptymalizowana wyłącznie pod kątem prawdopodobieństwa detekcji celu (PDP) może przydzielić nadmierną moc do funkcji detekcji kosztem jakości komunikacji. Ponadto, ponieważ przepustowość kanału komunikacyjnego i PDP mają różne wymiary fizyczne, konwencjonalne metody optymalizacji sumy ważonej nie mogą w odpowiedni sposób zrównoważyć ich względnych udziałów, co ogranicza ogólną wydajność systemów OFDM-ISAC. Niniejsze badanie analizuje przydział mocy nadawczej w systemach OFDM-ISAC w celu wspólnej optymalizacji przepustowości kanału komunikacyjnego oraz PDP mimo wspomnianych różnic wymiarowych. Zaproponowany model OFDM-ISAC-P normalizuje obie funkcje celu i stosuje regulowane współczynniki wagowe w celu poprawy porównywalności optymalizacji. Aby przezwyciężyć ograniczenia konwencjonalnego algorytmu optymalizacji motyla (BOA), takie jak stałe parametry, powolna zbieżność i podatność na optima lokalne, wprowadzono strategie dynamicznego prawdopodobieństwa przełączania (DSP) oraz dynamicznej mutacji gaussowskiej wariancji (DVGM) w celu zwiększenia adaptacyjności wyszukiwania. W badaniu postawiono hipotezę, że połączenie znormalizowanej optymalizacji wielokryterialnej z ulepszonym algorytmem BOA pozwala na uzyskanie stabilniejszego przydziału mocy w stanie równowagi Pareto niż w przypadku konwencjonalnego równomiernego przydziału mocy oraz standardowego algorytmu BOA. Główne wkłady tego badania obejmują opracowanie znormalizowanego modelu wielokryterialnego przydziału mocy, ulepszonego frameworka optymalizacyjnego opartego na BOA oraz walidację za pomocą symulacji w scenariuszach wieloantenowych, wielonośnikowych i inteligentnego transportu.

Protokół

Niniejsza praca obejmowała wyłącznie modelowanie matematyczne, opracowanie algorytmów oraz symulacje numeryczne dla systemu OFDM-ISAC. Nie zaangażowano w niej uczestników będących ludźmi, zwierząt, próbek biologicznych ani danych umożliwiających identyfikację osób. W związku z tym nie wymagano zgody instytucjonalnej komisji etycznej, w tym zatwierdzenia przez Institutional Review Board (IRB) lub Institutional Animal Care and Use Committee (IACUC).

Projekt modelu alokacji mocy dla zintegrowanego systemu wykrywania i komunikacji opartego na ortogonalnym dzieleniu częstotliwości

W systemach ISAC tradycyjne, równomierne PAM często rozdzielają moc nadawczą w sposób jednolity pomiędzy każdy kanał i antenę podczas jednoczesnej komunikacji i detekcji, nie biorąc pod uwagę ich odmiennych wymagań wydajnościowych. Może to prowadzić do przydzielenia nadmiernej mocy do nieefektywnych łączy transmisyjnych oraz do niespełnienia zróżnicowanych wymagań usług komunikacyjnych i detekcyjnych, co w konsekwencji obniża ogólną efektywność wykorzystania mocy¹²^,¹³^,¹⁴. W związku z tym w niniejszym badaniu uwzględniono dualne cele funkcjonalne systemu poprzez wspólną optymalizację przepustowości kanału komunikacyjnego i PDP. Skonstruowano wielokryterialne ramy optymalizacji w celu opracowania strategii alokacji mocy dla systemu ISAC opartego na OFDM, nazwanego modelem OFDM-ISAC-P. OFDM jest efektywną techniką modulacji wielonośnej składającą się z końcówki nadawczej i odbiorczej. Proces OFDM przedstawiono na Rysunku 1.

Schemat komunikacji bezprzewodowej, obejmujący kodowanie, IFFT, kanał RF, FFT oraz proces dekodowania.
Rycina 1. Przepływ przetwarzania sygnału dla kształtu fali Ortogonalnego Przesunięcia Częstotliwości (OFDM) zastosowanego w systemie Zintegrowanego Wykrywania i Komunikacji (ISAC). Przepływ obejmuje kodowanie danych, przeplatanie, mapowanie symboli, konwersję szeregowo-równoległą, odwrotną szybką transformatę Fouriera (IFFT), wstawianie prefiksu cyklicznego (CP), transmisję radiową (RF), propagację w kanale bezprzewodowym, odbiór RF, usuwanie CP, szybką transformatę Fouriera (FFT), wyrównanie kanału, demodulację, odplatanie, dekodowanie i odzyskiwanie danych. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Na Rysunku 1 sygnały OFDM służą jako wspólny kształt fali do komunikacji i detekcji ze względu na ich wysokie wykorzystanie widma oraz silną odporność na zakłócenia wielodrogowe, co umożliwia zunifikowaną transmisję kształtu fali dla obu funkcji¹⁵^,¹⁶^,¹⁷. Pomijając efekt kształtowania widmowego funkcji okna, transmitowany kształt fali OFDM jest konstruowany przy użyciu częstotliwości nośnej, liczby podnośnych, zespolonych wag podnośnych dla alokacji mocy, kodowania sygnału komunikacyjnego oraz odstępu między podnośnymi. Szerokość pasma systemu jest określona przez odstęp między podnośnymi i liczbę podnośnych¹⁸. Proces generowania sygnału komunikacyjnego określono w następujący sposób. Binarne bity informacji są najpierw kodowane przy użyciu schematu kodowania o niskiej gęstości sprawdzenia parzystości (LDPC), aby zwiększyć niezawodność transmisji, a następnie są mapowane na symbole o wartościach zespolonych przy użyciu modulacji z kwadraturowym przesunięciem fazy (QPSK). Symbole modulowane są przydzielane do podnośnych OFDM zgodnie z optymalną strategią alokacji mocy. Po przetworzeniu za pomocą odwrotnej szybkiej transformaty Fouriera (IFFT) i wstawieniu prefiksu cyklicznego (CP), generowany jest kształt fali komunikacyjnej OFDM w dziedzinie czasu, który jest transmitowany wraz z sygnałem detekcyjnym. Ta sama konfiguracja modulacji i kodowania jest zachowana we wszystkich symulacjach. Konfiguracja systemu ISAC zastosowana w niniejszym badaniu została przedstawiona na Rysunku 2.

Ścieżki sygnałów bezprzewodowych, schemat przedstawiający bezpośrednie rozchodzenie się sygnału oraz odbicia od ziemi i nieba od przeszkód i macierzy odbiorczej (Rx).
Rysunek 2Konfiguracja systemu zintegrowanego wykrywania i komunikacji (ISAC) opartego na ortogonalnym dzieleniu częstotliwości (OFDM). Schemat przedstawia macierz nadawczą (Tx), macierz odbiorczą (Rx), bezpośrednią ścieżkę komunikacji w zasięgu wzroku (LoS), ścieżkę pomiarową echa od celu, ścieżkę odbicia od ziemi, ścieżkę odbicia od nieba oraz reprezentatywne przeszkody w symulowanym środowisku propagacyjnym. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

System składa się z macierzy anten nadawczych i macierzy anten odbiorczych. Transmisja sygnału odbywa się dwiema głównymi drogami. Pierwszą jest droga bezpośrednia (Line-of-Sight, LoS), w której sygnał jest przesyłany bezpośrednio z macierzy nadawczej do macierzy odbiorczej. Drugą jest droga odbicia, w której część sygnału odbija się od gruntu i dociera do macierzy odbiorczej, podczas gdy inna część rozprzestrzenia się drogą odbicia od nieba przed dotarciem do macierzy odbiorczej¹⁹^,²⁰^,²¹. System jest wieloantenowym systemem OFDM-ISAC z dominującą drogą LoS, w którym odbiorniki komunikacyjne i detekcyjne mogą stosować różne konfiguracje anten. Chociaż Rysunek 2 przedstawia możliwe składowe propagacji, w tym bezpośrednią drogę LoS oraz drogi związane z odbiciem, model matematyczny i symulacje uwzględniają jedynie dominujące łącze komunikacyjne LoS oraz łącze detekcyjne echa celu. Odbicia od gruntu i nieba są traktowane jako tła efekty propagacyjne, a nie jako niezależnie optymalizowane kanały bez bezpośredniej widoczności (non-LoS, NLoS). Macierz odpowiedzi kanału jest zdefiniowana pod założeniem dominacji LoS, przy czym efekty wielodrogowości są reprezentowane przez człony zanikowe, przesunięcie Dopplera oraz szum. Na podstawie tej macierzy odpowiedzi kanału, wraz z sygnałem nadawanym i modelem szumu kanału, sygnał komunikacyjny odebrany wyrażono w Równaniu 1.

Równanie równowagi statycznej, y_cm = H_cm * S_m + n_cm, formuła, zastosowanie edukacyjne

W tym przypadku n_c,m reprezentuje biały szum gaussowski, S_m oznacza sygnał nadawany, a H_c,m reprezentuje macierz odpowiedzi kanału komunikacyjnego.

W funkcji wykrywania systemu ISAC ścieżka transmisji sygnału składa się z dwóch etapów. Pierwszym etapem jest transmisja z nadajnika do celu, a drugim ścieżka echa, w której sygnał odbity rozprzestrzenia się od celu z powrotem do odbiornika poprzez kanał wykrywania²²^,²³^,²⁴. Dla m-tej podnośnej macierz odpowiedzi kanału wykrywania charakteryzuje propagację sygnału i jest wyrażona jako Równanie 2:

$Równanie równowagi statycznej $ H_{sm} = b_s e^{j2\pi f_{sm} \theta} e^{-j2\pi m f \tau_s} $.$

Tutaj b_s reprezentuje współczynnik zaniku echa ścieżki detekcyjnej, f_s,m oznacza odbite przesunięcie częstotliwości Dopplera, a τ_s reprezentuje opóźnienie propagacji ścieżki odbicia. W oparciu o macierz odpowiedzi kanału detekcyjnego, odebrany sygnał detekcyjny jest wyrażony w Równaniu 3:

Równanie przedstawiające formułę przetwarzania sygnału: y_sm = H_sm S_m + n_sm, stosowane w badaniach nad analizą danych.

Tutaj n_s,m reprezentuje biały szum gaussowski w kanale pomiarowym.

W systemach komunikacji bezprzewodowej efektywne planowanie widma i przydział zasobów są niezbędne dla poprawy ogólnej wydajności systemu²⁵. W związku z tym w niniejszym badaniu przyjęto przepustowość kanału komunikacyjnego jako główny kryterium projektowe. Opracowano model optymalizacyjny w celu maksymalizacji przepustowości kanału poprzez rozdzielenie całkowitej mocy nadawczej pomiędzy podnośne OFDM zgodnie z proponowaną strategią przydziału zasobów, zgodnie z Równaniem 4.

Problem optymalizacji komunikacji sformułowano w następujący sposób (Równanie 4):

Wzór optymalizacji, schemat równania sumy, analiza przetwarzania sygnałów, maksymalizacja pojemności kanału.

podlega

Równanie równowagi statycznej Σam=1; schemat wzoru; narzędzie analizy matematycznej.

W tym przypadku σ_c² reprezentuje wariancję szumu gaussowskiego kanału komunikacyjnego, P oznacza całkowitą moc nadawania komunikacyjnego, P_c reprezentuje optymalny wektor alokacji mocy komunikacyjnej, a_m oznacza wagę przypisaną do m-tej podnośnej, a N_c reprezentuje liczbę podnośnych.

Optymalne rozwiązanie uzyskane przy użyciu WA jest wyrażone w Równaniu 5:

$Równanie dla warunków w analizie matematycznej, wzór: $ \hat{p}_{c,m} = \left\{ \right. $$

Tutaj wykres równowagi statycznej ΣFx=0 analiza fizyki mechaniki oznacza optymalną moc przydzieloną do m-tego podkanału komunikacyjnego, g_m reprezentuje stosunek wzmocnienia kanału do szumu m-tego podkanału komunikacyjnego, a μ_c oznacza poziom wody WA.

Zgodnie z algorytmem WA przedstawionym na Rysunku 3, podkanały o wyższych wzmocnieniach kanałowych, odpowiadające mniejszym odwrotnościom wzmocnień kanałowych, otrzymują większą moc nadawczą przy wybranym poziomie wody. Pozwala to systemowi wykorzystać korzystne warunki kanałowe przy jednoczesnym spełnieniu ograniczenia całkowitej mocy i poprawie ogólnej przepustowości komunikacyjnej. W konsekwencji podkanały z lepszymi warunkami kanałowymi otrzymują więcej mocy, natomiast te z gorszymi warunkami otrzymują jej mniej. Dzięki tej adaptacyjnej strategii przydziału mocy algorytm WA efektywnie wykorzystuje zasoby kanałowe w celu poprawy wydajności komunikacji.

Proces wtrysku wody do podkanału; wykres słupkowy z poziomami mocy, linią μc i stosunkami 1/gi; analiza.
Rycina 3. Zasada działania algorytmu Water-Filling (WA) stosowanego do alokacji mocy komunikacyjnej. Oś pozioma reprezentuje podkanały OFDM, a oś pionowa odwrotność wzmocnienia kanału oraz alokowaną moc nadawczą. Poziom wody wyznacza moc nadawczą przypisaną do każdego podkanału przy zachowaniu całkowitego ograniczenia mocy nadawczej. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

W celu detekcji niezbędna jest odpowiednia strategia alokacji mocy w przypadku stałego prawdopodobieństwa fałszywego alarmu. Zoptymalizowana strategia alokacji mocy poprawia wydajność detekcji poprzez zwiększenie dokładności wykrywania celu. Proces detekcji wymaga przeprowadzenia testu hipotez w ramach hipotezy o obecności celu (H₁) oraz hipotezy o braku celu (H₀). Przy założeniu tych hipotez, sygnał odebrany dla każdej podnośnej podczas k-tego impulsu jest wyrażony w Równaniu 6:

Równanie testowania hipotez, wzór matematyczny, analiza statystyczna, oznaczenia H0 i H1.

Tutaj y oznacza wektor obserwacji pomiarowych, A reprezentuje macierz diagonalną diag(a₀, a₁, …, a_{N_c−1}), D(v) oznacza macierz diagonalną zawierającą przesunięcie częstotliwości Dopplera celu, β reprezentuje wektor współczynnika odbicia celu, a n_s oznacza biały szum gaussowski w kanale pomiarowym.

Następnie obliczane są funkcje gęstości prawdopodobieństwa dla H₀ oraz H₁. Dla określonego prawdopodobieństwa fałszywego alarmu oblicza się PDP w oparciu o te dwie hipotezy. Zgodnie z teorią detekcji stosunku wiarygodności, następnie wyprowadza się uogólniony detektor maksymalnego stosunku wiarygodności w celu maksymalizacji PDP.

Uogólniony detektor stosunku wiarygodności maksymalnej jest wyrażony w Równaniu 7:

Równanie logarytmiczne do analizy statystycznej; schemat wzoru zawierający lnL_G, σ^2, y^H, y_0.

W tym przypadku l_G i L_G oznaczają odpowiednio statystykę detekcji uogólnionego stosunku wiarygodności oraz funkcję stosunku wiarygodności, y^H reprezentuje transponowaną sprzężoną macierz y, a γ₀ oznacza próg detekcji. Podczas procesu detekcji próg ten jest wykorzystywany do ustalenia, czy przyjęto hipotezę o obecności celu (H₁), czy hipotezę o braku celu (H₀). Zależność między progiem detekcji czujnika a prawdopodobieństwem detekcji celu przedstawiono na Rysunku 4.

Wykres teorii detekcji sygnałów, przedstawiający szum w stosunku do sygnału+szumu, z zaznaczonym progiem detekcji.
Rycina 4. Zależność między progiem detekcji a prawdopodobieństwem detekcji celu. Przedstawiono funkcje gęstości prawdopodobieństwa dla hipotezy o braku celu oraz hipotezy o obecności celu wraz z progiem detekcji stosowanym do testowania hipotez. Zacieniowane obszary odpowiadają obszarom decyzyjnym związanym z prawdopodobieństwem fałszywego alarmu oraz prawdopodobieństwem detekcji celu. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Jak pokazano na Rysunku 4, PDP jest bezpośrednio powiązane z niecentrycznym rozkładem chi-kwadrat dla kompleksów. Przy ustalonym prawdopodobieństwie fałszywego alarmu (tj. maksymalnym dopuszczalnym prawdopodobieństwie błędnego wykrycia), parametr niecentryczności jest dodatnio skorelowany z PDP. W konsekwencji zwiększenie parametru niecentryczności poprawia prawdopodobieństwo poprawnego wykrycia sygnału docelowego. W oparciu o tę zależność, całkowitą moc transmisji pomiarowej traktuje się jako ograniczenie mocy, natomiast maksymalizację parametru niecentryczności przyjmuje się jako cel optymalizacji. Wynikający z tego problem optymalizacji z ograniczeniami służy do wyprowadzenia optymalnej strategii alokacji mocy pomiarowej i jest wyrażony w Równaniu 8:

Schemat równania optymalizacji z formułą argmax do analizy algorytmicznej.

gdzie α oznacza optymalny wektor wag nadawania sygnału wykrywania uzyskany przy ograniczeniu mocy i reprezentuje również wektor wag nadawania podnośnej wykrywania, B(v, β) oznacza wektor informacji wykrywania, a P reprezentuje całkowitą moc nadawania sygnału wykrywania.

Optymalizacja wskazuje, że optymalna strategia przydziału mocy pomiarowej nie rozdziela mocy pomiędzy wiele podkanałów. Zamiast tego cała dostępna moc nadawcza do pomiaru jest przydzielana do podkanału zidentyfikowanego w drodze oceny kanału jako zapewniający najwyższą wydajność pomiarową, co maksymalizuje wydajność detekcji celu w pojedynczym kanale.

W systemie OFDM-ISAC alokacja mocy jest kluczowym zadaniem optymalizacyjnym, a optymalna strategia musi spełniać wymagania projektowe zarówno dla komunikacji, jak i detekcji. W szczególności optymalizacja jednocześnie uwzględnia wskaźniki wydajności komunikacji, w tym współczynnik błędów bitowych oraz pojemność kanału, wraz ze wskaźnikami wydajności detekcji, w tym PDP oraz dokładnością szacowania parametrów. Ogólna wydajność systemu jest poprawiana poprzez skoordynowaną alokację zasobów. Jednak bezpośrednie łączenie optymalnych strategii alokacji mocy dla komunikacji i detekcji przy użyciu konwencjonalnej optymalizacji sumy ważonej posiada istotne ograniczenia. Ponieważ różne wymiary fizyczne i relatywne wkłady dwóch wskaźników wydajności nie są w wystarczającym stopniu uwzględnione, wynikowa optymalizacja może nie odzwierciedlać precyzyjnie wymagań zintegrowanych systemów komunikacyjno-detekcyjnych²⁶^,²⁷.

W związku z tym w niniejszym badaniu zaproponowano zintegrowane ramy projektowe oparte na normalizacji wag. W pierwszej kolejności metryki wydajności komunikacyjnej i sensorycznej są normalizowane, aby wyeliminować skutki niespójności wymiarowej. Następnie współczynniki wagowe są dostosowywane do scenariusza zastosowania, aby uzyskać bardziej zrównoważony przydział mocy. Matematyczny opis znormalizowanego modelu OFDM-ISAC-P przedstawiono w Równaniu 9:

Schemat formuły równania optymalizacji; argmax z sumowaniem, przy uwzględnieniu ograniczeń, do użytku badawczego.

Tutaj w oznacza współczynnik ważenia komunikacji, F_c reprezentuje optymalną wartość funkcji celu uzyskaną z problemu optymalizacji komunikacji, p_m oznacza moc przydzieloną do m-tej podnośnej OFDM, g_m reprezentuje równoważny stosunek zysku kanału do szumu dla m-tej podnośnej komunikacyjnej, P oznacza całkowitą moc nadawania, F_s reprezentuje optymalną wartość funkcji celu uzyskaną z problemu optymalizacji detekcji, a b_m oznacza m-ty element wektora detekcji B(v, β).

Współczynnik wagowy komunikacji w, wraz z jego dopełniającym współczynnikiem wagowym detekcji (1 − w), służy jako regulowany parametr projektowy, który odzwierciedla względną istotność przepustowości kanału komunikacyjnego i PDP w różnych scenariuszach zastosowań²⁸^,²⁹. W niniejszym badaniu w jest traktowany jako parametr konfiguracyjny na poziomie scenariusza, a nie jako zmienna sterująca zależna od czasu. W związku z tym w jest stały dla każdego scenariusza symulacji (np. w = 0.5 dla zrównoważonej wydajności komunikacji i detekcji oraz w = 0.8 dla pracy z priorytetem komunikacji). Następnie ulepszony algorytm BOA jest wykorzystywany do optymalizacji odpowiadającej alokacji mocy. Zatem termin „dynamiczny współczynnik wagowy” odnosi się do wyboru różnych współczynników wagowych dla różnych scenariuszy pracy, a nie do wdrażania automatycznej adaptacji w czasie rzeczywistym podczas wykonywania algorytmu.

Rozwiązanie modelu optymalizacji mocy dla zintegrowanego systemu detekcji i komunikacji opartego na ortogonalnym multipleksowaniu z częstotliwością podnośną z wykorzystaniem ulepszonego algorytmu optymalizacji motyli

Po skonstruowaniu modelu OFDM-ISAC-P, ulepszony algorytm BOA został wykorzystany do rozwiązania problemu optymalizacji. BOA charakteryzuje się prostą strukturą, jest łatwy w implementacji i posiada silne zdolności przeszukiwania globalnego. Naśladuje on zachowanie motyli podczas żerowania i wykorzystuje mechanizm lotu Lévy'ego do efektywnej eksploracji przestrzeni poszukiwań. Algorytm wymaga stosunkowo niewielkiej liczby ustawień parametrów, co czyni go odpowiednim dla szerokiego zakresu problemów optymalizacyjnych. Jednakże konwencjonalny BOA może przedwcześnie zbiegać do optimów lokalnych, jest wrażliwy na ustawienia parametrów i często wymaga wielu iteracji podczas rozwiązywania wysokowymiarowych problemów optymalizacji³⁰. W związku z tym w niniejszym badaniu ulepszono strategię mutacji oraz procedurę optymalizacji.

Aby poprawić globalną eksplorację w początkowej fazie optymalizacji, wprowadzono strategię DSP. W początkowych iteracjach stosunkowo niskie prawdopodobieństwo przełączania zwiększa eksplorację przestrzeni poszukiwań. Wraz ze wzrostem liczby iteracji prawdopodobieństwo przełączania jest stopniowo korygowane, aby wzmocnić lokalną eksploatację i poprawić zbieżność. DSP zdefiniowano w Równaniu 10:

Równanie procesu dynamicznego, przedstawiające p(t) z wykorzystaniem zmiennych α, β i Maxiter w złożonej relacji.

gdzie α oznacza wartość początkową DSP, t reprezentuje bieżący numer iteracji, a β jest współczynnikiem kontrolnym. Ta adaptacyjna strategia zwiększa różnorodność populacji w początkowej fazie optymalizacji, poszerza przestrzeń poszukiwań i zmniejsza prawdopodobieństwo przedwczesnej zbieżności do optimów lokalnych. W miarę postępu optymalizacji proces wyszukiwania stopniowo przesuwa się z globalnej eksploracji w stronę lokalnej eksploatacji.

W celu dalszej poprawy wydajności optymalizacji do algorytmu włączono DVGM. W początkowych iteracjach stosowana jest stosunkowo duża wariancja mutacji, aby rozszerzyć zakres poszukiwań i poprawić eksplorację globalną. W miarę postępu optymalizacji wariancja mutacji jest stopniowo zmniejszana, aby zwiększyć dokładność przeszukiwania lokalnego i ułatwić zbieżność. Maksymalną wariancję σ_max oraz minimalną wariancję σ_min zdefiniowano w równaniu 11:

Równanie zależności naprężenie-odkształcenie, σ(t), przedstawiające zależną od czasu zmienność naprężenia.

Udoskonalone strategie przeszukiwania globalnego i lokalnego zostały podsumowane w Równaniu 12:

Równanie dla aktualizacji dynamicznej; formuła; analiza procesu stochastycznego; modelowanie matematyczne.

Tutaj normrnd(0, σ(t)) oznacza gaussowską liczbę losową o średniej 0 i wariancji σ(t), a f_i reprezentuje parametr zapachu, który kontroluje zachowanie poszukiwawcze motyli. Po wdrożeniu strategii DSP i DVGM otrzymano ulepszony algorytm BOA, co przedstawiono na Rysunku 5.

Schemat algorytmu optymalizacji motyli, ilustrujący dynamiczną mutację wariancji i strategię gaussowską.
Rysunek 5. Schemat działania ulepszonego algorytmu optymalizacji motyli (BOA). Procedura optymalizacji obejmuje inicjalizację, generowanie populacji, ocenę dopasowania, dynamiczne prawdopodobieństwo przełączania (DSP), poszukiwania globalne i lokalne, dynamiczną gaussowską mutację wariancji (DVGM), aktualizację rozwiązania, ocenę zbieżności oraz wyjście optymalnego rozwiązania. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Rycina 5 przedstawia dwie strategie ulepszeń włączone do algorytmu BOA: DSP oraz DVGM. Strategia DSP adaptacyjnie dostosowuje częstotliwość przełączania między wyszukiwaniem globalnym a lokalnym. W początkowej fazie optymalizacji algorytm kładzie nacisk na eksplorację globalną, aby zwiększyć różnorodność populacji i poprawić prawdopodobieństwo zidentyfikowania obiecujących obszarów rozwiązań. W miarę postępów optymalizacji proces wyszukiwania stopniowo przesuwa się w stronę eksploatacji lokalnej w celu przyspieszenia zbieżności. Strategia DVGM wprowadza perturbacje do aktualnie najlepszego osobnika, co zwiększa zdolność wyszukiwania lokalnego, zwiększa różnorodność rozwiązań i zmniejsza prawdopodobieństwo przedwczesnej zbieżności do optimów lokalnych.

Kiedy ulepszony algorytm BOA jest stosowany do rozwiązania modelu OFDM-ISAC-P, zmienne optymalizacyjne są najpierw kodowane, generowana jest populacja początkowa, a następnie każdemu osobnikowi przypisywane są kandydackie strategie alokacji mocy. Cały przebieg procesu optymalizacji przedstawiono na Rysunku 6.

Schemat blokowy algorytmu optymalizacji motyla dla procesu alokacji mocy w systemie OFDM-ISAC.
Rysunek 6. Przebieg ulepszonego algorytmu optymalizacji motyla (BOA) do rozwiązywania modelu alokacji mocy w systemie zintegrowanego wykrywania i komunikacji opartego na ortogonalnym podziałie częstotliwości (OFDM-ISAC). Procedura obejmuje inicjalizację parametrów, kodowanie kandydatów na wektory alokacji mocy, generowanie populacji, ocenę przydatności, iteracyjną aktualizację rozwiązania, ocenę zbieżności oraz wyznaczenie optymalnej strategii alokacji mocy. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Jak pokazano na Rysunku 6, optymalizacja rozpoczyna się od zastosowania strategii DSP w celu przeprowadzenia optymalizacji iteracyjnej. W początkowych iteracjach kładziony jest nacisk na eksplorację globalną, aby zbadać różnorodne kombinacje alokacji mocy dla systemu OFDM-ISAC. W późniejszych iteracjach wyszukiwanie stopniowo przesuwa się w stronę eksploatacji lokalnej, aby doprecyzować wysokiej jakości rozwiązania kandydackie przy jednoczesnym spełnieniu ograniczenia całkowitej mocy nadawczej. Następnie do aktualnego najlepszego rozwiązania stosowana jest strategia DVGM, aby uniknąć optimów lokalnych i zachować różnorodność rozwiązań. W całym procesie optymalizacji funkcje celu komunikacji i detekcji służą do oceny przydatności każdego rozwiązania kandydackiego, a osobniki wyższej jakości są zachowywane do następnej iteracji. Optymalizacja trwa do momentu spełnienia predefined termination criterion. Końcowe rozwiązanie optymalne reprezentuje strategię alokacji mocy, która zapewnia najlepszy balans między wydajnością komunikacyjną a wydajnością detekcji celu.

Ustawienia reprodukowalności

Aby zwiększyć powtarzalność, parametry symulacji, ustawienia inicjalizacji, ograniczenia i kryteria zakończenia zostały szczegółowo określone. Wszystkie eksperymenty zostały zaimplementowane w systemie Ubuntu 22.04 LTS przy użyciu Python 3.10, PyTorch 2.1, NumPy 1.26, CVXPY 1.4 oraz MATLAB R2023b (patrz Tabela materiałów). Parametry symulacji i środowisko obliczeniowe wykorzystane w niniejszym badaniu zostały podsumowane w Tabeli 1, natomiast szczegółowa konfiguracja parametrów symulacji OFDM-ISAC została przedstawiona w Tabeli uzupełniającej 1. W symulacjach zastosowano gęstość widmową mocy szumu −174 dBm/Hz, 64 podnośne, 16 symboli OFDM, częstotliwość nośna 4 GHz, odstęp między podnośnymi 15 kHz, osiem anten nadawczych oraz maksymalnie 10 000 iteracji. Współczynnik alokacji mocy został zainicjowany w zakresie 0–1 z rozdzielczością 0,01 i znormalizowany tak, aby spełniać ograniczenie całkowitej mocy nadawania. Wagę komunikacji, wagę detekcji oraz dokładność a priori dla wielu warstw ustawiono odpowiednio na 0,2, 0,3 i 0,5. Ograniczenia optymalizacji obejmowały nieujemną alokację mocy użytkownika, ograniczoną całkowitą moc nadawania, ograniczoną szerokość pasma oraz prawdopodobieństwo fałszywego alarmu rzędu 10⁻³. Optymalizację przerwano w momencie osiągnięcia maksymalnej liczby iteracji lub gdy względna zmiana funkcji celu między dwiema kolejnymi iteracjami spadła poniżej 10⁻⁴. Wszystkie eksperymenty z losową inicjalizacją i perturbacjami kanału wykorzystywały stałe ziarna liczb losowych i były niezależnie powtarzane 30 razy.

Parametr	Wartość	Opis
Częstotliwość nośna	4 GHz	Częstotliwość nośna OFDM.
Schemat kodowania/modulacji komunikacyjnej	Modulacja Quadrature Phase Shift Keying (QPSK) z kodowaniem kanałowym Low-Density Parity-Check (LDPC)	Metoda generowania sygnału komunikacyjnego użyta do odtworzenia transmitowanego kształtu fali OFDM.
Waga komunikacji	0,2	Waga przypisana do celu komunikacyjnego.
Prawdopodobieństwo fałszywego alarmu	10⁻³	Prawdopodobieństwo fałszywego alarmu użyte jako ograniczenie optymalizacji wykrywania.
Platforma sprzętowa	Intel Core i7-13700 CPU, NVIDIA RTX 4070 GPU, 32 GB RAM	Platforma obliczeniowa użyta do symulacji.
Zestaw danych referencyjnych symulacji ISAC	Nie dotyczy. Wszystkie dane referencyjne zostały wygenerowane za pomocą symulacji numerycznych.	Zestaw danych referencyjnych użyty do oceny wydajności.
Maksymalna liczba iteracji	10 000	Maksymalna liczba iteracji optymalizacji.
Dokładność wielowarstwowej wiedzy a priori	0,5	Parametr informacji a priori użyty podczas optymalizacji.
Gęstość spektralna mocy szumu	−174 dBm/Hz	Gęstość spektralna szumu kanału komunikacyjnego.
Liczba symboli OFDM	16	Liczba symboli OFDM w ramce.
Liczba podnośnych OFDM	64	Liczba podnośnych OFDM.
System operacyjny	Ubuntu 22.04 LTS	Środowisko obliczeniowe.
Oprogramowanie do optymalizacji	CVXPY 1.4	Pakiet optymalizacji wypukłej.
Rozdzielczość alokacji mocy	0,01	Rozdzielczość zainicjowanych współczynników alokacji mocy.
Język programowania	Python 3.10	Język programowania użyty do implementacji symulacji.
Ziarno losowości	Stałe	Stałe ziarno losowości użyte we wszystkich symulacjach.
Powtórne uruchomienia	30	Liczba niezależnych uruchomień symulacji przeprowadzonych w celu analizy statystycznej.
Biblioteka obliczeń naukowych	NumPy 1.26	Biblioteka obliczeń numerycznych użyta do obliczeń numerycznych.
Waga wykrywania	0,3	Waga przypisana do celu wykrywania.
Platforma symulacyjna	MATLAB R2023b	Platforma użyta do symulacji numerycznych i wizualizacji.
Kryterium stopu	Maksymalna liczba iteracji lub względna zmiana celu < 10⁻⁴	Kryterium zakończenia optymalizacji.
Rozstaw podnośnych	15 kHz	Rozstaw podnośnych OFDM.
Biblioteka obliczeń tensorowych	PyTorch 2.1	Środowisko obliczeń tensorowych użyte do obliczeń macierzowych i tensorowych.
Całkowita liczba anten nadawczych	8	Liczba anten nadawczych.

Tabela 1: Parametry symulacji i środowisko obliczeniowe wykorzystane w symulacjach zintegrowanego wykrywania i komunikacji (ISAC) opartych na ortogonalnym multipleksowaniu z podziałem na częstotliwości (OFDM).Tabela podsumowuje parametry kształtu fali, parametry optymalizacji, ustawienia symulacji, środowisko obliczeniowe, oprogramowanie, zestawy danych oraz inne warunki symulacji zastosowane w całym badaniu.

Chyba że zaznaczono inaczej, poprawy wyrażone w procentach jako „wzrost o X%” są obliczane jako względne przyrosty procentowe zgodnie z Równaniem 13:

Wzór na względną poprawę w celu porównania wartości proponowanych z wartościami bazowymi; schemat równania.

W przypadku wskaźników wydajności opartych na prawdopodobieństwie lub szybkości, takich jak PDP, zmiany bezwzględne są wyraźnie raportowane jako wzrosty w punktach procentowych (pp). Na przykład wzrost z 46% do 63% raportowany jest jako +17 pp, podczas gdy +37,0% oznacza odpowiadający temu względny wzrost procentowy obliczony przy przyjęciu 46% jako wartości bazowej.

Wyniki

Testowanie wydajności ulepszonego algorytmu optymalizacji motyli (Butterfly Optimization Algorithm)

Przed oceną skuteczności OFDM-ISAC PAM przeprowadzono ewaluację ulepszonego algorytmu BOA. Jako algorytmy porównawcze wybrano konwencjonalny BOA, algorytm optymalizacji wielorybów (WOA) oraz optymalizację rojem cząstek (PSO). W ocenie benchmarkowej jako mierniki wydajności wykorzystano wartość średnią oraz odchylenie standardowe, stosując dwie unimodalne funkcje benchmarkowe ( oraz ) i dwie multimodalne funkcje benchmarkowe ( oraz ). Poniżej opisano ustawienia benchmarkowe zastosowane dla algorytmów optymalizacji. Wymiar problemu ustalono na , maksymalną liczbę iteracji na 500, a wielkość populacji na 30. Każdy algorytm uruchomiono niezależnie 30 razy w celu obliczenia wartości średniej i odchylenia standardowego. Tutaj oznacza -tą zmienną decyzyjną, a teoretyczne globalne optimum wszystkich funkcji benchmarkowych wynosi zero. Do oceny wydajności optymalizacji ulepszonego BOA wybrano cztery standardowe funkcje benchmarkowe. W szczególności funkcje oraz odpowiadają odpowiednio funkcjom Sphere i Schwefel 2.22, które są szeroko stosowane do oceny zdolności do zbieżności globalnej algorytmów optymalizacji. Multimodalne funkcje benchmarkowe oraz odpowiadają odpowiednio funkcjom Rastrigina i Ackleya, które są powszechnie wykorzystywane do oceny zdolności do globalnej eksploracji oraz umiejętności unikania optimów lokalnych. Definicje matematyczne tych funkcji benchmarkowych podano w Równaniu 14, a odpowiednie referencje benchmarkowe zostały dołączone.

Równania optymalizacji matematycznej; f₁(x), f₂(x), mf₁(x), mf₂(x); wzory w analizie.

Aby ocenić zdolność strategii normalizacji wag do równoważenia wydajności przy różnych czynnikach wagowania komunikacji, zmieniano czynnik wagowania komunikacji w zakresie od 0,2 do 0,8, utrzymując stały stosunek sygnału do szumu (SNR) na poziomie 15 dB oraz konfigurację anten nadawczych/odbiorczych 4 × 4. Wydajność optymalizacji ulepszonego algorytmu BOA porównano z wydajnością konwencjonalnego algorytmu BOA. Wydajność komunikacji i detekcji uzyskaną przy różnych czynnikach wagowania komunikacji podsumowano w Tabeli 2.

Współczynnik wagowy komunikacji	Pojemność kanału komunikacyjnego (bps/Hz)	Prawdopodobieństwo detekcji celu (%)	Iteracje zbieżności IBOA	Iteracje zbieżności BOA	Całkowite wykorzystanie mocy (%)	odległość od frontu Pareto
0.2	12.4	93.7	110	243	98.6	0.033
0.4	15.7	88.5	103	229	99	0.027
0.5	17.3	82.1	97	216	99.4	0.02
0.6	18.8	75.4	90	202	99.7	0.016
0.7	20	68.6	82	194	99.9	0.011
0.8	21.6	61.5	76	183	100	0.009

Tabela 2: Wydajność komunikacji i detekcji uzyskana przy różnych współczynnikach wagowych komunikacji. Tabela podsumowuje współczynnik wagowy komunikacji, przepustowość kanału komunikacyjnego (bps/Hz), prawdopodobieństwo detekcji celu (%), liczbę iteracji zbieżności ulepszonego algorytmu optymalizacji motyli (IBOA) oraz konwencjonalnego algorytmu optymalizacji motyli (BOA), całkowite wykorzystanie mocy (%) oraz odległość od frontu Pareto.

Jak pokazano w Tabeli 2, zwiększenie współczynnika wagowego komunikacji z 0,2 do 0,8 zwiększyło przepustowość kanału komunikacyjnego o 74,2%, zmniejszając jednocześnie PDP o 34,4%, co wykazuje zdolność strategii wagowej do regulowania kompromisu między wydajnością komunikacji a detekcji. Ulepszony algorytm BOA zbiegał się szybciej niż konwencjonalny BOA, średnio w 93 iteracjach zbieżności, co stanowi redukcję średniej liczby iteracji wymaganych do zbieżności o 56,0% w porównaniu z konwencjonalnym BOA. Dodatkowo, dystans do frontu Pareto zmniejszał się wraz ze wzrostem współczynnika wagowego komunikacji. Na przykład dystans do frontu Pareto zmniejszył się z 0,020 przy współczynniku wagowym komunikacji wynoszącym 0,5 do 0,009 przy 0,8, co wskazuje, że zoptymalizowane rozwiązania zbliżały się do odpowiednich punktów pracy optymalnych w sensie Pareto wraz ze wzrostem współczynnika wagowego komunikacji. Mniejszy dystans do frontu Pareto przy wyższym współczynniku wagowym komunikacji (np. 0,8) reprezentuje rozwiązanie kładące większy nacisk na przepustowość komunikacyjną, podczas gdy ω = 0,5 reprezentuje bardziej zrównoważony kompromis między znormalizowaną przepustowością komunikacyjną a PDP. W związku z tym ω = 0,5 jest traktowane jako reprezentatywny zrównoważony punkt pracy, a nie jako jedyne globalne minimum dystansu do frontu Pareto. Wydajność zbieżności dla jednomodalnych funkcji referencyjnych przedstawiono na Rysunku 7.

Wykres porównawczy algorytmów optymalizacji; dostrojenie względem iteracji dla IBOA, BOA, WOA, PSO.
Rysunek 7. Wydajność zbieżności algorytmów optymalizacji w odniesieniu do unimodalnych funkcji referencyjnych. (A) Funkcja f₁. (B) Funkcja f₂. Oś pozioma przedstawia numer iteracji, a oś pionowa reprezentuje średnią wartość funkcji celu (fitness). Krzywe porównują ulepszony algorytm optymalizacji motyli (IBOA), konwencjonalny algorytm optymalizacji motyli (BOA), algorytm optymalizacji wielorybów (WOA) oraz optymalizację rojem cząstek (PSO). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Rysunek 7A przedstawia wyniki dla funkcji unimodalnej f₁, natomiast Rysunek 7B przedstawia wyniki dla funkcji unimodalnej f₂. Do oceny wydajności optymalizacji wykorzystano średnią zbieżność dopasowania, reprezentowaną przez redukcję odchylenia standardowego. Ulepszony algorytm BOA, konwencjonalny BOA, WOA oraz PSO oceniono w identycznych warunkach testowych. Na podstawie 30 niezależnych uruchomień, jednoczynnikowa analiza wariancji, a następnie test post hoc Tukeya z korektą Holma-Bonferroniego, wykazały znacząco niższą końcową wariancję zbieżności dla ulepszonego BOA w porównaniu do konwencjonalnego BOA, WOA i PSO, przy statystycznie istotnych różnicach zaobserwowanych po korekcie Holma-Bonferroniego (skorygowane p < 0.05). W przypadku unimodalnych funkcji testowych wariancja zbieżności algorytmów WOA i PSO spadała wolniej niż w przypadku metod opartych na BOA. Dla funkcji f₁ zarówno ulepszony BOA, jak i konwencjonalny BOA osiągnęły bardzo niskie końcowe wartości dopasowania; jednak ulepszony BOA osiągnął ten poziom wcześniej w procesie optymalizacji. Dla funkcji f₂ wszystkie algorytmy zbiegały wolniej, choć ulepszony BOA uzyskał najniższą końcową wartość dopasowania po 500 iteracjach. Wyniki zbieżności dla multimodalnych funkcji testowych przedstawiono na Rysunku 8.

Porównanie algorytmów optymalizacyjnych; średnia wartość dopasowania w funkcji iteracji; IBOA, BOA, WOA, PSO; wykres.
Rycina 8. Wydajność zbieżności algorytmów optymalizacyjnych na multimodalnych funkcjach testowych. (A) Funkcja mf₁. (B) Funkcja mf₂. Oś pozioma reprezentuje numer iteracji, a oś pionowa reprezentuje średnią wartość dopasowania. Krzywe porównują ulepszony algorytm optymalizacji motyli (IBOA), konwencjonalny algorytm optymalizacji motyli (BOA), algorytm optymalizacji wielorybów (WOA) oraz optymalizację rojem cząstek (PSO). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rycina 8A przedstawia wyniki dla funkcji multimodalnej mf₁, natomiast Rycina 8B przedstawia wyniki dla funkcji multimodalnej mf₂. W przypadku multimodalnych funkcji referencyjnych ulepszony algorytm BOA wykazał lepszą stabilność zbieżności niż algorytmy porównawcze. Na podstawie 30 niezależnych uruchomień zaobserwowano statystycznie istotne różnice między ulepszonym BOA a algorytmami porównawczymi po zastosowaniu korekty Holm-Bonferroni (skorygowane p < 0.05). Zaproponowane strategie DSP i DVGM poprawiły zdolność globalnego przeszukiwania algorytmu BOA. Konwencjonalny algorytm BOA wykazał wydajność bliższą ulepszonemu BOA w przypadku multimodalnych funkcji referencyjnych niż w przypadku funkcji unimodalnych, co wskazuje na lepsze dopasowanie do problemów optymalizacji multimodalnej. Ogólnie rzecz biorąc, ulepszony BOA przewyższył algorytmy porównawcze we wszystkich ocenianych funkcjach referencyjnych i został następnie zastosowany do rozwiązania modelu optymalizacji mocy OFDM-ISAC.

Wszystkie algorytmy optymalizacji wykonano niezależnie 30 razy dla każdej funkcji referencyjnej. Końcowe wartości zbieżności przedstawiono jako średnią ± odchylenie standardowe. Do porównania czterech algorytmów optymalizacji wykorzystano jednoczynnikową analizę wariancji, a następnie test post hoc Tukeya do porównań parzystych z korektą Holma-Bonferroniego dla wielokrotnych testów. Podano skorygowane wartości p, przyjmując, że p < 0.05 jest statystycznie istotne.

Analiza symulacyjna alokacji mocy w zintegrowanym systemie wykrywania i komunikacji opartym na ortogonalnym dzieleniu częstotliwości (OFDM)

Po ocenie algorytmu optymalizacji, skuteczność strategii alokacji mocy OFDM-ISAC została dodatkowo przeanalizowana za pomocą symulacji numerycznych. W eksperymentach symulacyjnych liczba anten nadawczych, anten komunikacyjnych oraz anten odbiorczych systemu została ustawiona na cztery, oznaczone odpowiednio jako B, T oraz R. Zmiany pojemności kanału komunikacyjnego oraz PDP dla różnych konfiguracji anten przedstawiono na Rysunku 9. O ile nie wskazano inaczej, we wszystkich symulacjach w tej sekcji zastosowano ten sam model kanału OFDM-ISAC z dominującą składową LoS, opisany w sekcji Metody. Konfiguracje anten zmieniano wyłącznie w celu oceny skalowalności oraz porównania wydajności. W szczególności konfigurację SISO (single-input single-output) wykorzystano jako punkt odniesienia, konfigurację 2T2R (2 nadajniki i 2 odbiorniki) zastosowano do weryfikacji czułości nośnych, a konfigurację 4T4R (4 nadajniki i 4 odbiorniki) przyjęto jako główną konfigurację wieloantenową do oceny wydajności komunikacyjno-detekcyjnej.

Wykresy pojemności kanału i prawdopodobieństwa detekcji; analiza stosunku sygnału do szumu; badanie komunikacji.
Rysunek 9. Wpływ konfiguracji anten na wydajność komunikacji i detekcji przy różnych stosunkach sygnału do szumu (SNR). (A) Pojemność kanału komunikacyjnego (bps/Hz) jako funkcja SNR. (B) Prawdopodobieństwo detekcji celu jako funkcja SNR. Krzywe porównują proponowaną metodę alokacji mocy oraz równą alokację mocy przy różnych konfiguracjach anten nadawczych i odbiorczych. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Jak pokazano na Rysunku 9A, przepustowość kanału komunikacyjnego wzrastała wraz z liczbą anten. Gdy liczba anten nadawczych i odbiorczych zwiększyła się z dwóch do czterech, przepustowość kanału komunikacyjnego wzrosła z około 20 bps/Hz do niemal 60 bps/Hz przy SNR wynoszącym 20 dB, co odzwierciedla zysk z multipleksowania przestrzennego zapewniony przez konfigurację wieloantenową. Rysunek 9B pokazuje, że przy różnych konfiguracjach anten nadawczych i odbiorczych PDP uzyskane przy użyciu zaproponowanego optymalnego PAM było konsekwentnie wyższe niż to uzyskane przy równomiernym przydziale mocy. Gdy SNR wynosiło 10 dB, a liczba anten nadawczych wynosiła cztery, PDP zaproponowanej metody zbliżyło się do teoretycznego optimum wynoszącego 1, podczas gdy w przypadku równego PAM pozostało znacznie niższe. Ulepszony algorytm BOA maksymalizuje funkcję stosunku wiarygodności poprzez optymalizację iteracyjną, dynamicznie dostosowuje stosunek przydziału mocy pomiędzy antenami nadawczymi i przydziela większą moc nadawczą antenom o silniejszej odpowiedzi, redukując jednocześnie moc przypisaną do słabszych odpowiedzi, co tym samym poprawia wydajność detekcji celu.

Ocenie poddano model optymalizacji mocy systemu OFDM-ISAC, gdy zarówno anteny nadawcze i odbiorcze komunikacji, jak i sensoryki zostały skonfigurowane w układzie 4T4R. Pojemność kanału komunikacyjnego oraz PDP uzyskane przy różnych współczynnikach ważenia komunikacji przedstawiono na Rysunku 10.

Wykres liniowy przedstawiający pojemność kanału i prawdopodobieństwo detekcji w funkcji stosunku sygnału do szumu.
Rycina 10. Wpływ współczynnika ważenia komunikacji na wydajność komunikacji i wykrywania. (A) Pojemność kanału komunikacyjnego jako funkcja stosunku sygnału do szumu (SNR). (B) Prawdopodobieństwo detekcji celu jako funkcja SNR. Krzywe porównują proponowaną metodę, równomierny przydział mocy oraz współczynniki ważenia komunikacji wynoszące 0.3 i 0.8. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Rysunek 10A pokazuje, że przepustowość kanału komunikacyjnego zmieniała się w zależności od różnych PAM, gdy konfiguracje anten komunikacyjnych i detekcyjnych wynosiły 4T4R. Przepustowość kanału komunikacyjnego rosła wraz ze wzrostem SNR dla wszystkich ocenianych PAM. Przy SNR wynoszącym 20 dB przepustowości kanałów wynosiły około 13 bps/Hz dla proponowanej metody, 40 bps/Hz dla równego przydziału mocy, 42 bps/Hz przy współczynniku wagowym komunikacji wynoszącym 0,3 oraz 38 bps/Hz przy współczynniku wagowym komunikacji wynoszącym 0,8. Rysunek 10B pokazuje, że PDP wzrastało wraz ze wzrostem SNR dla wszystkich ocenianych PAM i zbliżyło się do wartości 1 przy SNR wynoszącym 20 dB. Wyniki te dowodzą, że współczynnik wagowy komunikacji wpływa na kompromis pomiędzy przepustowością kanału komunikacyjnego a wydajnością detekcji.

Następnie przeprowadzono symulacje porównawcze, aby dalej ocenić skuteczność proponowanej metody. Jako punkt odniesienia (zwany w dalszej części metodą porównawczą) wybrano konwencjonalny system OFDM PAM w architekturze SISO i porównano go ze strategią alokacji mocy uzyskaną za pomocą proponowanego modelu OFDM-ISAC-P. W przypadku, gdy współczynnik wagowy komunikacji wynosił 0,8, pojemność kanału komunikacyjnego oraz PDP uzyskane przy różnych konfiguracjach anten w funkcji SNR przedstawiono na Rysunku 11.

Wykresy pojemności kanału i prawdopodobieństwa detekcji w funkcji stosunku sygnału do szumu w analizie porównawczej.
Rycina 11. Wydajność komunikacji i wykrywania uzyskana przy zastosowaniu różnych konfiguracji anten. (A) Pojemność kanału komunikacyjnego jako funkcja stosunku sygnału do szumu (SNR). (B) Prawdopodobieństwo detekcji celu jako funkcja SNR. Krzywe porównują proponowaną metodę z wykorzystaniem konfiguracji jednej, dwóch i czterech anten nadawczych/odbiorczych z metodą porównawczą. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rysunek 11A pokazuje, że przy czterech antenach nadawczych i współczynniku wagowym komunikacji wynoszącym 0,8, przepustowość kanału komunikacyjnego osiągnęła około 67 bps/Hz przy SNR wynoszącym 20 dB. W konfiguracji 2T2R przepustowość kanału komunikacyjnego wyniosła około 48 bps/Hz, natomiast w konfiguracji SISO osiągnięto około 37 bps/Hz. Zwiększenie liczby anten doprowadziło zatem do wzrostu przepustowości kanału komunikacyjnego. Rysunek 11B pokazuje, że przy SNR wynoszącym 20 dB, PDP było bliskie 1,00 w konfiguracji 4T4R, wynosiło około 0,98 w konfiguracji 2T2R oraz około 0,98 w konfiguracji SISO. Wyniki te wskazują na poprawę wydajności komunikacji i detekcji w konfiguracjach wieloantenowych w porównaniu z referencyjnym wzorcem SISO. Konfiguracja SISO na Rysunku 11 została uwzględniona wyłącznie jako wzorzec referencyjny. Zaproponowany model OFDM-ISAC-P sformułowano dla systemów wieloantenowych, natomiast konfiguracje 2T2R i 4T4R wykorzystano do oceny wzrostu wydajności uzyskanego dzięki skalowaniu liczby anten przy tym samym założeniu o kanale z dominującą widocznością bezpośrednią (LoS).

Ostatecznie efektywność modelu OFDM-ISAC-P została oceniona dla różnych konfiguracji parametrów systemu poprzez zmianę liczby podnośnych (64, 128 i 256). Całkowita szerokość pasma została ustalona na 20 MHz, natomiast odstępy między podnośnymi dostosowywano odwrotnie proporcjonalnie do ich liczby. Zastosowano konfigurację anten 2T2R oraz model kanału LoS. Porównano przepustowość kanału komunikacyjnego oraz PDP uzyskane dla różnych wartości SNR (0, 10 i 20 dB) dla proponowanej metody oraz dla równomiernego przydziału mocy. Odpowiednie wyniki zestawiono w Tabeli 3.

Metoda	Liczba podnośnych	Przepustowość kanału (bps/Hz)			Prawdopodobieństwo detekcji
Metoda	Liczba podnośnych	SNR = 0 dB	SNR = 10 dB	SNR = 20 dB	SNR = 0 dB	SNR = 10 dB	SNR = 20 dB
Równomierny przydział mocy	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
Proponowana strategia OFDM-ISAC-P	64	1.53	3.89	7.62	0.52	0.88	0.98
	128	2.15	5.23	10.15	0.58	0.91	0.99
	256	2.87	6.71	13.28	0.63	0.94	0.99

Tabela 3: Porównanie przepustowości kanału komunikacyjnego i prawdopodobieństwa detekcji celu dla równomiernego przydziału mocy oraz proponowanej strategii przydziału mocy przy różnych stosunkach sygnału do szumu (SNR) i liczbach podnośnych OFDM. Przepustowość kanału komunikacyjnego podano w bps/Hz, a prawdopodobieństwo detekcji celu podano jako wartość prawdopodobieństwa (0–1).

Jak pokazano w Tabeli 3, zwiększenie liczby podnośnych miało istotny wpływ na wydajność systemu. Przy konfiguracji 256 podnośnych proponowana metoda osiągnęła przepustowość kanału komunikacyjnego na poziomie 13,28 bps/Hz przy SNR wynoszącym 20 dB, co stanowi wzrost o 74,3% w porównaniu z konfiguracją 64 podnośnych, podczas gdy PDP pozostało na porównywalnym poziomie, co wskazuje, że zwiększenie liczby podnośnych poprawiło wydajność komunikacji bez znaczącego pogorszenia wydajności detekcji. Przy tej samej liczbie podnośnych proponowana metoda konsekwentnie przewyższała metodę równomiernego przydziału mocy. Na przykład przy 128 podnośnych i SNR wynoszącym 10 dB przepustowość kanału komunikacyjnego wzrosła o 68,2%, a PDP o 19,7% w porównaniu z równomiernym przydziałem mocy, co demonstruje skuteczność proponowanej strategii przydziału mocy dla różnych konfiguracji parametrów systemu. Nawet w warunkach niskiego SNR równego 0 dB przy 64 podnośnych, przepustowość kanału komunikacyjnego pozostała o 56,1% wyższa od tej osiągniętej przy zastosowaniu równomiernego przydziału mocy, co wskazuje, że proponowany model skutecznie poprawia wydajność systemu przy różnych konfiguracjach podnośnych, wspierając jednocześnie szereg wymagań dotyczących przydziału widma.

Praktyczna analiza scenariusza współpracy pojazdu i drogi w inteligentnym transporcie

W ramach współpracy pojazdów drogowych z infrastrukturą, jednostka przydrożna (Roadside Unit, RSU) jednocześnie wykonuje dwa główne zadania. Pierwszym jest przesyłanie danych V2X (vehicle-to-everything) do pojazdów poruszających się z dużymi prędkościami (100–120 km/h), w tym informacji o stanie dróg w czasie rzeczywistym, tymczasowych ograniczeniach prędkości oraz ostrzeżeń o gwałtownym hamowaniu. Drugim jest wykrywanie uszkodzonych pojazdów, gruzu drogowego i innych przeszkód w zasięgu 1–2 km przy użyciu radarowego systemu detekcji. W takich warunkach wysokie prędkości pojazdów wprowadzają znaczne przesunięcia częstotliwości Dopplera w kanale komunikacyjnym. W konsekwencji, przepustowość kanału komunikacyjnego oraz PDP muszą zostać zrównoważone przy dostępnej mocy nadawczej. W symulacji zastosowano konfigurację anten 4T4R, 256 podnośnych, szerokość pasma 20 MHz oraz model kanału z dominującą widocznością bezpośrednią (LoS), zgodnie z założeniami opisanymi w sekcji Metody. Scenariusz ten ocenia zdolność do przeciwdziałania zakłóceniom oraz wydajność detekcji dalekiego zasięgu proponowanej metody podczas ruchu pojazdów z dużą prędkością. Przepustowość kanału komunikacyjnego oraz PDP oceniono przy wartościach SNR wynoszących 0 dB i 20 dB. Odpowiednie wyniki przedstawiono na Rysunku 12.

Wykres słupkowy porównujący równomierne przydzielanie mocy z metodologią badawczą; mierniki przy 0 dB i 20 dB.
Rysunek 12Porównanie wydajności komunikacji i detekcji pomiędzy równą alokacją mocy a proponowaną metodą przy różnych stosunkach sygnału do szumu (SNR). (A) Wyniki uzyskane przy 0 dB. (B) Wyniki uzyskane przy 20 dB. Słupki przedstawiają przepustowość kanału komunikacyjnego oraz prawdopodobieństwo detekcji celu dla dwóch metod alokacji mocy. Słupki błędu reprezentują odchylenie standardowe (SD) obliczone z powtórzonych niezależnych symulacji. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Jak pokazano na Rysunku 12A, w warunkach niskiego stosunku sygnału do szumu (SNR) wynoszącego 0 dB (reprezentujących niekorzystne warunki propagacji, takie jak deszcz lub gęsta mgła), zaproponowana metoda pozwoliła osiągnąć przepustowość kanału komunikacyjnego na poziomie 2,90 bps/Hz, co stanowi wzrost o 61,1% w porównaniu z równomiernym przydziałem mocy (1,80 bps/Hz). Wartość PDP wzrosła z 46% do 63%, co odpowiada bezwzględnej poprawie o 17 punktów procentowych i względnej poprawie o 37,0%, przyjmując 46% jako mianownik. Rysunek 12B pokazuje, że przy SNR wynoszącym 20 dB zaproponowana metoda osiągnęła przepustowość kanału komunikacyjnego na poziomie 13,30 bps/Hz, co stanowi wzrost o 60,2% w porównaniu z równomiernym przydziałem mocy (8,30 bps/Hz). PDP wzrosło z 94% do 98%, co odpowiada bezwzględnej poprawie o 4 punkty procentowe i względnej poprawie o 4,3%. Wyniki tych symulacji wykazują poprawę wydajności komunikacji i detekcji w ocenianym scenariuszu autostradowym. Zaproponowana strategia przydziału mocy zapewniła stabilną przepustowość kanału komunikacyjnego oraz prawdopodobieństwo detekcji celu w analizowanych warunkach symulacji wieloantenowej, co wskazuje na jej potencjalną przydatność w zintegrowanych systemach detekcji i komunikacji opartych na OFDM.

W odróżnieniu od scenariusza autostradowego przedstawionego na Rysunku 12, w Tabeli 4 zaprezentowano wyniki dla scenariusza współpracy pojazd-droga-człowiek na skrzyżowaniu miejskim. Scenariusz ten uwzględnia przeszkody w postaci budynków, częste zatrzymywanie i ruszanie pojazdów, przejścia dla pieszych oraz ruch mieszany z udziałem pojazdów elektrycznych. W związku z tym wartości SNR ustawiono na 5, 15 i 25 dB zamiast 0 i 20 dB. Odpowiednie wyniki symulacji podsumowano w Tabeli 4.

Stosunek sygnału do szumu (dB)	Metoda	Przepustowość kanału (bps/Hz)	Prawdopodobieństwo wykrycia (%)	Opóźnienie komunikacji (ms)
5	Równomierny przydział mocy	1.32	42	3.8
5	Proponowana strategia OFDM-ISAC-P	2.15	58	2.5
15	Równomierny przydział mocy	3.11	76	2.5
15	Proponowana strategia OFDM-ISAC-P	5.23	91	1.8
25	Równomierny przydział mocy	6.28	92	1.9
25	Proponowana strategia OFDM-ISAC-P	10.15	99	1.2

Tabela 4: Porównanie wydajności komunikacji i detekcji pomiędzy równym przydziałem mocy a proponowaną strategią przydziału mocy przy różnych stosunkach sygnału do szumu (SNR). Oceniające metryki wydajności obejmują przepustowość kanału komunikacyjnego (bps/Hz), prawdopodobieństwo detekcji celu (%) oraz opóźnienie komunikacyjne (ms).

Jak pokazano w Tabeli 4, proponowana metoda pozwoliła na uzyskanie lepszej wydajności komunikacji i wykrywania w symulowanym scenariuszu miejskiego skrzyżowania. Przy SNR wynoszącym 15 dB pojemność kanału komunikacyjnego osiągnęła wartość 5,23 bps/Hz, co stanowi wzrost o 68,2% w porównaniu z równomiernym przydziałem mocy (3,11 bps/Hz). Odpowiadające temu opóźnienie komunikacyjne wyniosło 1,8 ms, co oznacza redukcję o 28,0% w porównaniu z równomiernym przydziałem mocy (2,5 ms). Prawdopodobieństwo wykrycia celu (PDP) wyniosło 91%, co stanowi relacyjną poprawę o 19,7% w porównaniu z równomiernym przydziałem mocy (76%). Przy SNR wynoszącym 25 dB proponowana metoda pozwoliła osiągnąć pojemność kanału komunikacyjnego na poziomie 10,15 bps/Hz, co stanowi wzrost o 61,6% w porównaniu z równomiernym przydziałem mocy (6,28 bps/Hz). Opóźnienie komunikacyjne spadło do 1,2 ms, a PDP osiągnęło 99%. Nawet przy niższej wartości SNR wynoszącej 5 dB pojemność kanału komunikacyjnego utrzymała się na poziomie 2,15 bps/Hz, co stanowi wzrost o 62,9% w porównaniu z równomiernym przydziałem mocy, podczas gdy opóźnienie komunikacyjne wyniosło 2,5 ms. Wyniki tych symulacji dowodzą, że proponowana strategia przydziału mocy zapewnia efektywną alokację zasobów komunikacyjnych i sensorycznych oraz poprawioną wydajność wykrywania celów w analizowanym scenariuszu miejskiego skrzyżowania, co potwierdza potencjał jej zastosowania w systemach kolaboracyjnej percepcji pojazd-droga-pieszy.

Aby ocenić narzut obliczeniowy proponowanej metody, porównano średni czas optymalizacji różnych schematów alokacji mocy w tym samym środowisku symulacyjnym. Równomierna alokacja mocy wykazała najniższy koszt obliczeniowy, ponieważ nie wymagała ona iteracyjnej optymalizacji. Metoda WA osiągnęła szybką optymalizację dla celu zorientowanego na komunikację, ale nie optymalizowała bezpośrednio PDP. Konwencjonalna metoda BOA wymagała większej liczby iteracji i dłuższego czasu optymalizacji. W porównaniu narzutu obliczeniowego zestawionym w Tabeli 5, wprowadzenie strategii DSP i DVGM zredukowało średnią liczbę iteracji zbieżności ulepszonej metody BOA do 98, zmniejszając tym samym czas optymalizacji przy jednoczesnym utrzymaniu poprawionej wydajności komunikacyjno-sensorycznej. Odpowiednie wyniki przedstawiono w Tabeli 5.

Schemat przydziału mocy	Główny cel optymalizacji	Złożoność obliczeniowa	Średnia liczba iteracji zbieżności	Średni czas optymalizacji	Zastosowanie w czasie rzeczywistym
Równomierny przydział mocy	Jako profesjonalny tłumacz treści naukowych i edukacyjnych JoVE, jestem gotowy do tłumaczenia Twoich materiałów z języka angielskiego na polski. Proszę o dostarczenie tekstu źródłowego.	O(N)	Nie dotyczy	0,03 ms	Wysoka, lecz słaba równowaga wydajności.
WA	Przepustowość komunikacyjna	O(N log N)	Nie dotyczy	0,18 ms	Wysoka, lecz wydajność detekcji nie jest optymalizowana wspólnie.
Tradycyjna analiza bioortogonalna (BOA)	Wspólny cel komunikacji i detekcji	O(PID)	235	12,6 ms	Umiarkowany.
Ulepszony BOA	Znormalizowany wspólny cel komunikacji i wykrywania	O(PID)	98	5,4 ms	Odpowiednie dla aktualizacji mocy w wolnej skali czasowej lub na poziomie klatek.

Tabela 5: Porównanie charakterystyk obliczeniowych różnych schematów alokacji mocy. Tabela porównuje równą alokację mocy, alokację metodą Water-Filling (WA), tradycyjny algorytm optymalizacji motyli (BOA) oraz ulepszony algorytm optymalizacji motyli (IBOA) pod kątem celu optymalizacji, złożoności obliczeniowej, średniej liczby iteracji zbieżności, średniego czasu optymalizacji oraz możliwości zastosowania w czasie rzeczywistym. W tym przypadku N oznacza liczbę podnośnych OFDM. Złożoność obliczeniowa metod opartych na BOA jest wyrażona jako O(PID), gdzie P reprezentuje wielkość populacji, I oznacza maksymalną liczbę iteracji, a D reprezentuje wymiar problemu optymalizacyjnego.

Jak pokazano w Tabeli 5, równomierna alokacja mocy oraz WA wykazały najniższy koszt obliczeniowy, lecz optymalizowały jedynie ograniczone cele wydajnościowe. Równomierna alokacja mocy nie uwzględniała zmienności kanału, podczas gdy WA optymalizował głównie przepustowość kanału komunikacyjnego bez jednoczesnej optymalizacji PDP. Ulepszony algorytm BOA wymagał większego nakładu obliczeniowego, ponieważ iteracyjnie optymalizował wektor alokacji mocy. Jednak w porównaniu z konwencjonalnym BOA średnia liczba iteracji zbieżności spadła z 235 do 98, a średni czas optymalizacji zmniejszył się z 12,6 ms do 5,4 ms. Wyniki te wskazują, że proponowane ulepszenia zmniejszyły obciążenie obliczeniowe BOA, zachowując przy tym poprawioną wydajność optymalizacji. W przypadku aplikacji komunikacyjnych szóstej generacji (6G) w czasie rzeczywistym, proponowana metoda jest bardziej odpowiednia do alokacji mocy na poziomie ramek, grup slotów lub scenariuszy niż do natychmiastowej adaptacji na poziomie symboli. Inicjalizacja typu warm-start lub implementacja wspomagana tablicami wyszukiwania mogą dodatkowo zredukować opóźnienia decyzyjne podczas przyszłego wdrożenia.

Dostępność danych:

Dane wspierające wyniki niniejszego badania zostały dostarczone wraz z manuskryptem jako materiały uzupełniające. Konfiguracja parametrów symulacji OFDM-ISAC znajduje się w Tabeli uzupełniającej 1, a numeryczne dane źródłowe będące podstawą Rysunków 7–12 znajdują się w Pliku danych uzupełniających 1.

Tabela uzupełniająca 1. Konfiguracja parametrów symulacji zintegrowanego wykrywania i komunikacji opartego na OFDM (OFDM-ISAC). Tabela ta podsumowuje parametry symulacji wykorzystane do konfiguracji systemu OFDM-ISAC, w tym parametry kształtu fali, charakterystykę kanału, ustawienia użytkownika i celu, konfigurację anten oraz parametry optymalizacji stosowane w symulacjach numerycznych.Kliknij tutaj, aby pobrać ten plik.

Plik z danymi uzupełniającymi 1. Numeryczne dane źródłowe stanowiące podstawę Rysunków 7–12. Skoroszyt zawiera oddzielne arkusze z danymi numerycznymi odpowiadającymi Rysunkom 7–12, w tym wartości zbieżności i końcowej dostosowania dla algorytmów optymalizacji na Rysunkach 7 i 8, dane dotyczące przepustowości kanału komunikacyjnego i prawdopodobieństwa wykrycia celu dla Rysunków 9–12, a także odpowiadające im warunki stosunku sygnału do szumu, konfiguracji anten oraz wag komunikacyjnych wykorzystanych do wygenerowania końcowych rysunków.Kliknij tutaj, aby pobrać ten plik.

Dyskusja

Zaproponowany model OFDM-ISAC-P odpowiada na potrzebę zbalansowania przepustowości kanału komunikacyjnego oraz PDP przy wspólnym ograniczeniu mocy nadawania. Istniejące badania nad ISAC w oparciu o OFDM analizowały wspólny przydział podnośnych i mocy, projektowanie wspólnego kształtu fali, dynamiczny przydział mocy oraz kompromisy między komunikacją a detekcją¹^,²^,⁷^,⁸^,⁹^,¹⁰^,¹¹^,²⁸^,²⁹^,³⁰. W niniejszym badaniu cele komunikacyjne i detekcyjne zostały znormalizowane w celu zmniejszenia wpływu różnic wymiarowych, a do reprezentowania różnych priorytetów komunikacji i detekcji zastosowano regulowane wagi. Następnie ulepszony algorytm BOA, zawierający DSP oraz DVGM, został wykorzystany do rozwiązania wynikającego z tego niewypukłego problemu przydziału mocy. Obecna ocena analizuje połączony, ulepszony BOA z zastosowaniem zarówno DSP, jak i DVGM; indywidualny wkład tych dwóch mechanizmów nie był oceniany oddzielnie w ramach analizy ablacyjnej i powinien zostać zbadany w przyszłych pracach. Wyniki symulacji wskazują, że opracowany schemat zapewnia bardziej zbalansowany punkt pracy komunikacji i detekcji niż równomierny przydział mocy oraz przydział WA zorientowany na komunikację w badanych warunkach.

Podejście to może przyczynić się do rozwoju badań nad ISAC w oparciu o OFDM, dostarczając zunifikowane środowisko symulacyjne do oceny pojemności komunikacyjnej, PDP, skalowania anten, konfiguracji podnośnych, wyboru współczynników wagowych oraz kosztów obliczeniowych. Powiązane badania wykazały znaczenie adaptacyjnego przydziału zasobów, optymalizacji kształtu fali i alokacji mocy w systemach ISAC³^,⁴^,⁵^,⁶^,⁷^,⁸^,⁹^,¹⁰^,¹¹^,²⁸^,²⁹^,³⁰. Przedstawione wyniki rozszerzają ten kierunek badań poprzez połączenie znormalizowanej optymalizacji wielokryterialnej z ulepszonym solverem opartym na populacji. Oceńone współczynniki wagowe w przybliżeniu opisują kompromis Pareto, w którym zwiększenie wagi komunikacji poprawia pojemność komunikacyjną przy jednoczesnym zmniejszeniu PDP, natomiast zmniejszenie wagi komunikacji wywołuje efekt odwrotny. Niniejsze środowisko zapewnia zatem podstawę metodologiczną do badania kompromisów między komunikacją a detekcją przy różnych priorytetach systemu, w tym w scenariuszach inteligentnego transportu i sieci pojazdowych¹⁶^,¹⁷^,²⁶^,²⁸.

Pozostaje kilka ograniczeń. Po pierwsze, walidacja opiera się w całości na modelowaniu matematycznym i symulacjach numerycznych z predefiniowanymi parametrami kanału, konfiguracjami anten, przesunięciami Dopplera, stosunkami sygnału do szumu oraz poziomami szumów. W związku z tym zgłoszone zyski należy interpretować jako ulepszenia na poziomie symulacji, a nie jako bezpośredni dowód wydajności w warunkach wdrożenia w terenie. Po drugie, założenie o dominacji kanału LoS jest odpowiednie dla ocenianego scenariusza współpracy pojazd-droga na autostradzie, ale może być zbyt idealizowane w przypadku gęstych skrzyżowań miejskich, gdzie bardziej znaczące są propagacja NLoS, odbicia wielodrogowe, przesłonięcia i szybkie zmiany parametrów kanału¹⁹^,²⁰^,²¹^,²⁶. Efekty propagacyjne te mogą powodować silniejsze fluktuacje wzmocnienia kanału komunikacyjnego i mocy echa pomiarowego, co tym samym zmniejsza stabilność zoptymalizowanej alokacji mocy. Przyszłe badania powinny zatem rozszerzyć ten model o hybrydowe kanały LoS/NLoS, uwzględniające klastry wielodrogowe, przypadkowe przesłonięcia, zmienne w czasie informacje o stanie kanału oraz niedoskonałą estymację kanału.

Obecny model nie uwzględnia również w sposób jawny interferencji wieloużytkownikowych, interferencji między pojazdami, wspólnego harmonogramowania wielu odbiorników ani jednoczesnego wykrywania wielu celów. W praktycznych sieciach ISAC szóstej generacji cel optymalizacji może wymagać rozszerzenia z przepustowości pojedynczego łącza komunikacyjnego i pojedynczego PDP na sformułowania wieloużytkownikowe i wielocelowe, które obejmują sprawiedliwość, interferencje, formowanie wiązki oraz ograniczenia harmonogramowania¹¹^,²⁰^,²²^,²³^,²⁴^,³⁰. W przypadku wykrywania, koncentracja mocy nadawania na najlepszym podkanale może być odpowiednia dla detekcji pojedynczego celu punktowego, lecz może okazać się niewystarczająca dla obrazowania radarowego, pomiaru właściwości elektromagnetycznych lub śledzenia wielu celów, gdzie moc może wymagać rozłożenia na podnośne czułe na cele, wiązki lub kierunki przestrzenne²²^,²³^,²⁴^,²⁵. Alternatywne sformułowania mogłyby zatem optymalizować ważoną prawdopodobieństwo detekcji, minimalne PDP, dokładność estymacji lub wspólną skuteczność detekcji i śledzenia. Aproksymacja wypukła, optymalizacja formowania wiązki, metody sieci kooperacyjnych oraz alokacja zasobów oparta na uczeniu stanowią inne możliwe podejścia do badania tej samej hipotezy²^,⁸^,¹¹^,¹⁶^,¹⁷^,²³^,²⁴^,³⁰.

Badanie nie obejmuje prototypowania sprzętowego, pomiarów danych kanałowych dla pojazdów, eksperymentów polowych ani implementacji w systemach wbudowanych w czasie rzeczywistym. Chociaż ulepszony algorytm BOA skrócił średnią liczbę iteracji zbieżności oraz czas optymalizacji w porównaniu z tradycyjnym BOA, nadal pozostawał on bardziej wymagający obliczeniowo niż równomierne przydzielanie mocy oraz WA. W związku z tym proponowana metoda jest bardziej odpowiednia do przydzielania mocy na poziomie scenariusza, ramki lub grupy slotów niż do natychmiastowej regulacji na poziomie symbolu przy obecnej implementacji. Przyszłe prace powinny ocenić inicjalizację typu warm-start, pomoc tablic lookup-table, obliczenia równoległe oraz lekką aproksymację opartą na uczeniu w celu zmniejszenia opóźnień w podejmowaniu decyzji. Do ustalenia, czy zaobserwowane ulepszenia na poziomie symulacji pozostaną stabilne w warunkach praktycznej niepewności kanału i ograniczeń obliczeniowych, wymagane byłoby również testowanie sprzętowe w pętli (hardware-in-the-loop), pomiary kanałów pojazd-droga LoS/NLoS oraz implementacja w czasie rzeczywistym. W związku z tym przykłady dotyczące inteligentnego transportu należy interpretować jako analizy wykonalności oparte na symulacjach, a nie jako zweryfikowane wdrożenia inżynieryjne.

Podsumowując, rosnący popyt na komunikację bezprzewodową i detekcję radarową nasilił konflikt między ograniczonymi zasobami widma a rozszerzającymi się wymaganiami usługowymi, co sprawia, że ISAC staje się istotnym podejściem do poprawy wykorzystania zasobów¹²^,¹³^,¹⁴^,¹⁵^,¹⁹^,²⁶. W niniejszym badaniu skonstruowano model OFDM-ISAC-P, opracowano zorientowane na komunikację i detekcję rozwiązania referencyjne poprzez WA oraz uogólnioną detekcję stosunku wiarygodności (generalized maximum likelihood ratio detection) i wprowadzono normalizację wag w celu zredukowania niespójności wymiarowych między dwoma celami. Następnie ulepszony algorytm BOA został wykorzystany do rozwiązania wynikającego z niego modelu alokacji mocy i zrównoważenia wydajności komunikacyjnej oraz detekcyjnej. W porównaniu kosztów obliczeniowych podsumowanym w Tabeli 5, średnia liczba iteracji zbieżności ulepszonego BOA została zredukowana o 58,3% w porównaniu z tradycyjnym BOA. W ocenie konfiguracji 4T4R przy 20 dB, model OFDM-ISAC-P osiągnął przepustowość kanału komunikacyjnego na poziomie około 60 bps/Hz oraz wartość PDP bliską 1. W analizowanych scenariuszach wieloantenowych z dominującą widocznością bezpośrednią (LoS), proponowana metoda skutecznie poprawiła przepustowość kanału komunikacyjnego i prawdopodobieństwo detekcji celu, osiągając tym samym zrównoważony kompromis między wydajnością komunikacji a detekcji. Niemniej jednak, badanie ogranicza się do scenariuszy symulacyjnych z dominującym LoS i nie uwzględnia interferencji wieloużytkownikowych, modelowania kanałów NLoS ani regulacji mocy w czasie rzeczywistym w warunkach szybko zmieniających się kanałów. Przyszłe badania powinny rozszerzyć model na systemy wieloużytkownikowe OFDM-ISAC, wprowadzić modele NLoS i kanałów pomiarowych, przetwarzać echa detekcyjne z wielu celów oraz badać adaptacyjną alokację mocy z wykorzystaniem głębokiego uczenia i innych metod o niskiej złożoności, aby poprawić responsywność w środowiskach dynamicznych i umożliwić dalszą praktyczną ewaluację technologii ISAC¹⁶^,¹⁷^,²¹^,²⁶^,²⁸.

Oświadczenia

Konflikt interesów:

Autorzy deklarują brak konfliktów interesów.

Podziękowania

Autorzy wyrażają wdzięczność za wsparcie finansowe z Natural Science Research Project Departamentu Edukacji Prowincji Liaoning w Chinach (Grant No. JYTMS20230009), Dalian Technology Research and Development Project w Chinach (Grant No. 2024JB11GX001) oraz Disciplinary Team Cultivation Project Uniwersytetu Nauk i Technologii w Dalian (Grant No. KYXK2025001).

Materiały

Lista materiałów użytych w tym artykule
Nazwa	Firma	Numer katalogowy	Komentarze
CVXPY	CVXPY Developers	Version 1.4	Pakiet do optymalizacji wypukłej wykorzystany do weryfikacji modelu alokacji mocy.
Ulepszony program optymalizacji BOA	Autorzy	Nie dotyczy	Własna implementacja ulepszonego algorytmu optymalizacji motyla (IBOA) wykorzystana do rozwiązania modelu alokacji mocy OFDM-ISAC-P z zastosowaniem dynamicznego prawdopodobieństwa przełączania i dynamicznej wariancji mutacji gaussowskiej.
Zbiór danych referencyjnych do symulacji ISAC	Autorzy	Nie dotyczy	Zbiór danych referencyjnych do symulacji wygenerowany przez autorów, wykorzystany do oceny proponowanej metody alokacji mocy dla różnych stosunków sygnału do szumu, konfiguracji anten oraz liczby podnośnych.
MATLAB	The MathWorks, Inc.	R2023b	Platforma wykorzystana do symulacji numerycznych i wizualizacji wyników.
NumPy	NumPy Developers	Version 1.26	Biblioteka do obliczeń numerycznych wykorzystana do operacji na tablicach, inicjalizacji losowej i analizy statystycznej.
Program symulacyjny OFDM-ISAC	Autorzy	Nie dotyczy	Własny kod symulacyjny wykorzystany do budowy modelu kanału OFDM-ISAC, obliczenia przepustowości kanału komunikacyjnego i oceny prawdopodobieństwa wykrycia celu.
PyTorch	PyTorch Foundation	Version 2.1	Framework do obliczeń tensorowych wykorzystany do modelowania numerycznego i operacji macierzowych.
Środowisko programistyczne Python	Python Software Foundation	Python 3.10	Język programowania wykorzystany do implementacji algorytmów i obliczeń numerycznych.
System operacyjny Ubuntu	Canonical Ltd.	Ubuntu 22.04 LTS	System operacyjny wykorzystany do przeprowadzenia symulacji alokacji mocy OFDM-ISAC.

Bibliografia

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.

Przedruki i uprawnienia

Tagi

Systemy OFDM optymalizacja wielokryterialna algorytm optymalizacji motyla dynamiczne prawdopodobie stwo prze czania pojemno kana u alokacja zasob w