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.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
Symulacyjne przydzielanie mocy dla zintegrowanych systemów detekcji i komunikacji balansujące przepustowość komunikacyjną i detekcję celu
94 wyświetleń
⸱
11 września 2026
W tym artykule
Podsumowanie
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.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
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.
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.
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.
W tym przypadku nc,m reprezentuje biały szum gaussowski, Sm oznacza sygnał nadawany, a Hc,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:
Tutaj bs reprezentuje współczynnik zaniku echa ścieżki detekcyjnej, fs,m oznacza odbite przesunięcie częstotliwości Dopplera, a τs reprezentuje opóźnienie propagacji ścieżki odbicia. W oparciu o macierz odpowiedzi kanału detekcyjnego, odebrany sygnał detekcyjny jest wyrażony w Równaniu 3:
Tutaj ns,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):
podlega
W tym przypadku σc2 reprezentuje wariancję szumu gaussowskiego kanału komunikacyjnego, P oznacza całkowitą moc nadawania komunikacyjnego, Pc reprezentuje optymalny wektor alokacji mocy komunikacyjnej, am oznacza wagę przypisaną do m-tej podnośnej, a Nc reprezentuje liczbę podnośnych.
Optymalne rozwiązanie uzyskane przy użyciu WA jest wyrażone w Równaniu 5:
Tutaj 
oznacza optymalną moc przydzieloną do m-tego podkanału komunikacyjnego, gm reprezentuje stosunek wzmocnienia kanału do szumu m-tego podkanału komunikacyjnego, a μc 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.
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:
Tutaj y oznacza wektor obserwacji pomiarowych, A reprezentuje macierz diagonalną diag(a0, a1, …, aNc−1), D(v) oznacza macierz diagonalną zawierającą przesunięcie częstotliwości Dopplera celu, β reprezentuje wektor współczynnika odbicia celu, a ns 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:
W tym przypadku lG i LG oznaczają odpowiednio statystykę detekcji uogólnionego stosunku wiarygodności oraz funkcję stosunku wiarygodności, yH 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.
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:
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:
Tutaj w oznacza współczynnik ważenia komunikacji, Fc reprezentuje optymalną wartość funkcji celu uzyskaną z problemu optymalizacji komunikacji, pm oznacza moc przydzieloną do m-tej podnośnej OFDM, gm reprezentuje równoważny stosunek zysku kanału do szumu dla m-tej podnośnej komunikacyjnej, P oznacza całkowitą moc nadawania, Fs reprezentuje optymalną wartość funkcji celu uzyskaną z problemu optymalizacji detekcji, a bm 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:
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 σmax oraz minimalną wariancję σmin zdefiniowano w równaniu 11:
Udoskonalone strategie przeszukiwania globalnego i lokalnego zostały podsumowane w Równaniu 12:
Tutaj normrnd(0, σ(t)) oznacza gaussowską liczbę losową o średniej 0 i wariancji σ(t), a fi reprezentuje parametr zapachu, który kontroluje zachowanie poszukiwawcze motyli. Po wdrożeniu strategii DSP i DVGM otrzymano ulepszony algorytm BOA, co przedstawiono na Rysunku 5.
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.
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:
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.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
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 ( o...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
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,
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
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).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| 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.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.