Este protocolo descreve um método baseado em simulação para otimizar a alocação de potência em sistemas integrados de sensoriamento e comunicação, utilizando um modelo de otimização multiobjetivo e um Algoritmo Aprimorado de Otimização por Borboleta para equilibrar a capacidade de comunicação e o desempenho na detecção de alvos sob diferentes condições operacionais.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de investigação
Alocação de Potência Baseada em Simulação para Sistemas Integrados de Sensoriamento e Comunicação Equilibrando a Capacidade de Comunicação e a Detecção de Alvos
94 visualizações
⸱
11 de setembro de 2026
Neste artigo
Resumo
Resumo
Sistemas integrados de sensoriamento e comunicação (ISAC) exigem uma alocação eficiente de potência para equilibrar a qualidade da comunicação e o desempenho do sensoriamento, operando com recursos limitados de espectro e potência. Métodos convencionais de alocação igualitária de potência frequentemente não conseguem alcançar um compromisso eficaz entre a capacidade do canal de comunicação e a probabilidade de detecção de alvo (PDP), pois não consideram adequadamente os diferentes objetivos da comunicação e do sensoriamento. Este estudo propõe uma estratégia de alocação de potência baseada em simulação para um sistema ISAC baseado em multiplexação por divisão ortogonal de frequência (OFDM), utilizando uma estrutura normalizada de otimização multiobjetivo. Um algoritmo aprimorado de otimização por borboleta (BOA), que incorpora estratégias de probabilidade de comutação dinâmica e mutação gaussiana com variância dinâmica, é empregado para melhorar a capacidade de busca global, a velocidade de convergência e a diversidade das soluções. Simulações numéricas foram realizadas sob diferentes fatores de ponderação de comunicação, configurações de antenas, números de subportadoras e razões sinal-ruído para avaliar a abordagem proposta. A estratégia otimizada alcançou um comportamento de convergência aprimorado, fornecendo simultaneamente um compromisso equilibrado entre a capacidade do canal de comunicação e a PDP em múltiplos cenários de simulação. Esses resultados demonstram que a estrutura de otimização proposta pode apoiar efetivamente a alocação de recursos baseada em simulação para sistemas ISAC baseados em OFDM, oferecendo uma metodologia reprodutível para avaliar os compromissos entre comunicação e sensoriamento sob diferentes condições operacionais.
Introdução
Com a rápida expansão dos serviços de comunicação sem fio e a crescente demanda por sensores de radar de alto desempenho, o conflito entre os recursos limitados de espectro e os requisitos crescentes de serviços tornou-se cada vez mais acentuado. Enquanto isso, a miniaturização e a integração de dispositivos eletrônicos impulsionaram ainda mais os sistemas de Comunicação e Sensoriamento Integrados (ISAC, na sigla em inglês). Consequentemente, o ISAC emergiu como uma importante direção de pesquisa em sistemas de informação eletrônica1,2,3. Ao compartilhar recursos de espectro e hardware, o ISAC permite a transmissão simultânea de dados de comunicação sem fio e sinais de sensoriamento de radar, superando assim as limitações de eficiência espectral dos sistemas convencionais autônomos e melhorando a utilização de recursos em cenários complexos4. A Multiplexação por Divisão Ortogonal de Frequência (OFDM) é uma técnica amplamente adotada de modulação multicarreadora que melhora a utilização do espectro e oferece forte robustez contra interferência multipercurso. Devido a essas vantagens, a OFDM tornou-se a forma de onda preferencial para sistemas ISAC. A arquitetura resultante de OFDM-ISAC fornece uma base de forma de onda confiável para a implementação coordenada das funções de comunicação e sensoriamento5,6. Assim sendo, uma quantidade considerável de pesquisas tem se concentrado nesse tema.
Para melhorar a eficiência da comunicação e o desempenho da detecção, Wen et al.7 propuseram um método de alocação de potência (PAM) para sistemas de ISAC baseados em OFDM em espaço livre. Seus resultados demonstraram a eficácia do método e destacaram o compromisso entre desempenho de comunicação e detecção. Wang et al.8 desenvolveram um método baseado em aprendizado profundo para otimização da alocação de potência em sistemas OFDM-ISAC, com o objetivo de minimizar a taxa de erro de símbolos de comunicação e o limite inferior de Cramér–Rao para estimativa conjunta de atraso e Doppler, demonstrando melhoria no desempenho da comunicação. Para equilibrar o desempenho de comunicação e detecção, AlKhansa et al.9 projetaram um PAM dinâmico para estimativa de tempo de chegada em sistemas OFDM-ISAC, e resultados numéricos confirmaram a importância de incorporar múltiplas restrições de detecção. He et al.10 formularam um problema de otimização max–min para sistemas multicarrier de OFDM-ISAC e desenvolveram um algoritmo iterativo de otimização baseado em aproximação convexa sucessiva para resolver o problema não convexo resultante, melhorando assim o desempenho da comunicação. Liao et al.11 propuseram um formador de feixe transmissor ISAC computacionalmente eficiente, baseado em uma combinação ponderada de um pré-codificador linear e um formador de feixe de antena predefinido, demonstrando eficiência computacional favorável e desempenho geral.
Apesar desses avanços, a maioria dos sistemas OFDM-ISAC ainda depende da alocação de potência igual, o que limita o desempenho geral do sistema quando as funções de comunicação e sensoriamento operam simultaneamente. Uma estratégia de alocação de potência que maximize a capacidade do canal de comunicação pode reduzir o desempenho na detecção de alvos, enquanto uma estratégia otimizada exclusivamente para a probabilidade de detecção de alvos (PDP) pode alocar potência excessiva ao sensoriamento, prejudicando a qualidade da comunicação. Além disso, como a capacidade do canal de comunicação e a PDP possuem dimensões físicas diferentes, os métodos convencionais de otimização por soma ponderada não conseguem equilibrar adequadamente suas contribuições relativas, limitando o desempenho geral dos sistemas OFDM-ISAC. Este estudo investiga a alocação de potência de transmissão em sistemas OFDM-ISAC para otimizar conjuntamente a capacidade do canal de comunicação e a PDP, apesar dessas diferenças dimensionais. O modelo proposto OFDM-ISAC-P normaliza ambas as funções objetivas e aplica fatores de ponderação ajustáveis para melhorar a comparabilidade na otimização. Para superar as limitações do algoritmo convencional de otimização por borboleta (BOA), incluindo parâmetros fixos, convergência lenta e suscetibilidade a ótimos locais, são incorporadas as estratégias de probabilidade de comutação dinâmica (DSP) e mutação gaussiana com variância dinâmica (DVGM) para melhorar a adaptabilidade da busca. A hipótese do estudo é que a combinação da otimização multiobjetivo normalizada com o BOA aprimorado produz uma alocação de potência com equilíbrio de Pareto mais estável do que a alocação de potência igual convencional e o BOA padrão. As principais contribuições deste estudo incluem o desenvolvimento de um modelo normalizado de alocação de potência multiobjetivo, uma estrutura aprimorada de otimização baseada no BOA e a validação por meio de simulações utilizando cenários com múltiplas antenas, multicarrier e transporte inteligente.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Protocolo
Este estudo envolveu apenas modelagem matemática, desenvolvimento de algoritmos e simulações numéricas para um sistema OFDM-ISAC. Nenhum participante humano, animais, espécimes biológicos ou dados pessoais identificáveis foram utilizados. Portanto, a aprovação ética institucional, incluindo aprovação do Comitê de Ética em Pesquisa (IRB) ou do Comitê Institucional de Cuidados e Uso de Animais (IACUC), não foi necessária.
Projeto de modelo de alocação de potência para o sistema de comunicação e sensoriamento integrados baseado em multiplexação por divisão de frequência ortogonal
Nos sistemas ISAC, os PAMs tradicionais iguais geralmente distribuem a potência de transmissão uniformemente entre cada canal e antena durante a comunicação e a detecção simultâneas, sem considerar seus diferentes requisitos de desempenho. Isso pode alocar potência excessiva a enlaces de transmissão ineficientes e deixar de atender aos requisitos heterogêneos dos serviços de comunicação e detecção, reduzindo assim a eficiência geral do uso da potência12,13,14. Portanto, este estudo considera os objetivos duais do sistema por meio da otimização conjunta da capacidade do canal de comunicação e da PDP. Um quadro de otimização multiobjetivo é construído para desenvolver uma estratégia de alocação de potência para o sistema ISAC baseado em OFDM, denominado modelo OFDM-ISAC-P. OFDM é uma técnica eficiente de modulação multicarreadora composta por um terminal transmissor e um receptor. O processo OFDM é ilustrado na Figura 1.
Figura 1. Fluxo de processamento de sinal da forma de onda de Multiplexação por Divisão Ortogonal de Frequência (OFDM) utilizada no sistema de Comunicação e Sensoriamento Integrados (ISAC). O fluxo inclui codificação de dados, entrelaçamento, mapeamento de símbolos, conversão de série para paralelo, transformada rápida inversa de Fourier (IFFT), inserção de prefixo cíclico (CP), transmissão em radiofrequência (RF), propagação pelo canal sem fio, recepção em RF, remoção do prefixo cíclico (CP), transformada rápida de Fourier (FFT), equalização do canal, desmapeamento, desentrelaçamento, decodificação e recuperação de dados. Clique aqui para visualizar uma versão maior desta figura.
Na Figura 1, os sinais OFDM atuam como forma de onda compartilhada para comunicação e sensoriamento devido à sua alta utilização espectral e forte resistência à interferência multipercurso, permitindo assim a transmissão unificada da forma de onda para ambas as funções15,16,17. Desconsiderando o efeito de conformação espectral da função janela, a forma de onda OFDM transmitida é construída utilizando a frequência portadora, o número de subportadoras, os pesos complexos das subportadoras para alocação de potência, a codificação do sinal de comunicação e o espaçamento entre subportadoras. A largura de banda do sistema é determinada pelo espaçamento entre subportadoras e pelo número de subportadoras18. O processo de geração do sinal de comunicação é especificado da seguinte maneira. Os bits de informação binária são inicialmente codificados usando um esquema de codificação de verificação de paridade com baixa densidade (LDPC) para melhorar a confiabilidade da transmissão e posteriormente mapeados em símbolos de valores complexos por meio da modulação por chaveamento de fase em quadratura (QPSK). Os símbolos modulados são alocados às subportadoras OFDM de acordo com a estratégia otimizada de alocação de potência. Após o processamento por transformada inversa rápida de Fourier (IFFT) e a inserção do prefixo cíclico (CP), a forma de onda de comunicação OFDM no domínio do tempo é gerada e transmitida juntamente com o sinal de sensoriamento. A mesma configuração de modulação e codificação é mantida em todas as simulações. A configuração do sistema ISAC utilizada neste estudo é apresentada na Figura 2.
Figura 2. Configuração do sistema do sistema de Comunicação e Sensoriamento Integrados baseado em Multiplexação por Divisão de Frequência Ortogonal (ISAC-OFDM). O diagrama ilustra a matriz de transmissão (Tx), a matriz de recepção (Rx), o caminho de comunicação direto em linha de visada (LoS), o caminho de sensoriamento por eco do alvo, o caminho de reflexão no solo, o caminho de reflexão no céu e obstáculos representativos dentro do ambiente de propagação simulado. Clique aqui para visualizar uma versão maior desta figura.
O sistema é composto por uma matriz de antenas transmissoras e uma matriz de antenas receptoras. A transmissão do sinal ocorre por meio de dois caminhos principais. O primeiro é o caminho de visada direta (LoS, na sigla em inglês), no qual o sinal é transmitido diretamente da matriz transmissora para a matriz receptora. O segundo é o caminho de reflexão, no qual uma parte do sinal é refletida pelo solo e atinge a matriz receptora, enquanto outra parte propaga por um caminho de reflexão celeste antes de alcançar a matriz receptora19,20,21. O sistema é um sistema OFDM-ISAC multi-antena dominado por LoS, no qual os receptores de comunicação e detecção podem adotar diferentes configurações de antenas. Embora Figura 2 ilustre possíveis componentes de propagação, incluindo o caminho direto de LoS e caminhos relacionados à reflexão, o modelo matemático e as simulações consideram apenas o enlace de comunicação LoS dominante e o enlace de eco de detecção do alvo. Reflexões no solo e na atmosfera são tratadas como efeitos de propagação de fundo, e não como canais não LoS (NLoS) otimizados independentemente. A matriz de resposta do canal é definida sob a suposição de domínio LoS, com os efeitos de múltiplos percursos representados por desvanecimento, desvio Doppler e termos de ruído. Com base nesta matriz de resposta do canal, juntamente com o modelo do sinal transmitido e do ruído do canal, o sinal de comunicação recebido é expresso na Equação 1.
Aqui, nc,m representa ruído branco gaussiano, Sm denota o sinal transmitido e Hc,m representa a matriz de resposta do canal de comunicação.
Na função de detecção do sistema ISAC, o caminho de transmissão do sinal consiste em duas etapas. A primeira etapa é a transmissão do transmissor até o alvo, e a segunda é o caminho de eco, no qual o sinal refletido propaga-se do alvo de volta ao receptor através do canal de detecção22,23,24. Para a m-ésima subportadora, a matriz de resposta do canal de detecção caracteriza a propagação do sinal e é expressa como Equação 2:
Aqui, bs representa o coeficiente de atenuação do caminho de eco de detecção, fs,m denota o deslocamento de frequência Doppler refletido e τs representa o atraso de propagação do caminho de reflexão. Com base na matriz de resposta do canal de detecção, o sinal de detecção recebido é expresso como Equação 3:
Aqui, ns,m representa ruído branco gaussiano no canal de detecção.
Em sistemas de comunicação sem fio, o planejamento eficiente do espectro e a alocação de recursos são essenciais para melhorar o desempenho geral do sistema25. Assim, este estudo utiliza a capacidade do canal de comunicação como critério principal de projeto. Um modelo de otimização é estabelecido para maximizar a capacidade do canal mediante a alocação da potência total de transmissão nos subportadores OFDM de acordo com a estratégia proposta de alocação de recursos, conforme expresso na Equação 4.
O problema de otimização da comunicação é formulado da seguinte maneira (Equação 4):
sujeito a
Aqui, σc2 representa a variância do ruído do canal gaussiano de comunicação, P denota a potência total de transmissão de comunicação, Pc representa o vetor ótimo de alocação de potência de comunicação, am denota o peso atribuído ao m- o subportador, e Nc representa o número de subportadoras.
A solução ótima obtida utilizando o WA é expressa como Equação 5:
Aqui, 
denota a potência ótima alocada ao m-ésimo subcanal de comunicação, gm representa a razão entre o canal e o ruído do m-ésimo subcanal de comunicação, e μc denota o nível de água do WA.
De acordo com o WA ilustrado na Figura 3, os subcanais com maiores ganhos de canal, correspondentes a menores ganhos inversos de canal, recebem maior potência de transmissão sob o nível de água selecionado. Isso permite que o sistema aproveite condições favoráveis de canal, ao mesmo tempo que satisfaz a restrição de potência total e melhora a capacidade geral de comunicação. Consequentemente, subcanais com melhores condições de canal recebem mais potência, enquanto aqueles com condições de canal mais pobres recebem menos. Por meio dessa estratégia adaptativa de alocação de potência, o WA utiliza de forma eficiente os recursos do canal para melhorar o desempenho da comunicação.
Figura 3. Princípio do Algoritmo de Preenchimento com Água (WA) utilizado para alocação de potência na comunicação. O eixo horizontal representa os subcanais OFDM, e o eixo vertical representa o ganho de canal inverso e a potência de transmissão alocada. O nível da água determina a potência de transmissão atribuída a cada subcanal sob a restrição total de potência de transmissão. Clique aqui para visualizar uma versão maior desta figura.
Para o objetivo de detecção, uma estratégia apropriada de alocação de potência é essencial quando a probabilidade de alarme falso é fixa. Uma estratégia otimizada de alocação de potência melhora o desempenho da detecção ao aumentar a precisão na identificação do alvo. O processo de detecção requer teste de hipóteses sob a hipótese de presença do alvo (H1) e a hipótese de ausência do alvo (H0). Sob essas hipóteses, o sinal recebido para cada subportadora durante o k-ésimo pulso é expresso pela Equação 6:
Aqui, y denota o vetor de observação da detecção, A representa a matriz diagonal diag(a0, a1, …, aNc−1), D(v) denota a matriz diagonal contendo o deslocamento da frequência Doppler do alvo, β representa o vetor de coeficiente de reflexão do alvo e ns denota o ruído branco gaussiano no canal de detecção.
As funções de densidade de probabilidade sob H0 e H1 são então avaliadas. Para uma probabilidade de alarme falso especificada, a PDP é calculada com base nessas duas hipóteses. De acordo com a teoria de detecção da razão de verossimilhança, um detector generalizado da razão de verossimilhança máxima é subsequentemente derivado para maximizar a PDP.
O detector da razão de verossimilhança máxima generalizada é expresso como Equação 7:
Aqui, lG e LG denotam, respectivamente, a estatística de detecção da razão de verossimilhança generalizada e a função de razão de verossimilhança, yH representa a transposta hermitiana de y, e γ0 denota o limiar de detecção. Durante o processo de detecção, o limiar é usado para determinar se a hipótese de presença do alvo (H1) ou a hipótese de ausência do alvo (H0) é aceita. A relação entre o limiar de detecção de sensores e a probabilidade de detecção do alvo é ilustrada na Figura 4.
Figura 4. Relação entre o limiar de detecção do sensor e a probabilidade de detecção do alvo. As funções de densidade de probabilidade sob as hipóteses de ausência e presença do alvo são apresentadas juntamente com o limiar de detecção utilizado para o teste de hipóteses. As regiões sombreadas correspondem às regiões de decisão associadas à probabilidade de alarme falso e à probabilidade de detecção do alvo. Clique aqui para visualizar uma versão maior desta figura.
Como mostrado na Figura 4, a PDP está diretamente relacionada à distribuição qui-quadrado não central complexa. Sob uma probabilidade fixa de alarme falso (ou seja, a probabilidade máxima permitida de detecção incorreta), o parâmetro de não-centralidade é positivamente correlacionado com a PDP. Consequentemente, aumentar o parâmetro de não-centralidade melhora a probabilidade de detectar corretamente o sinal do alvo. Com base nessa relação, a potência total de transmissão de sensoriamento é tratada como a restrição de potência, enquanto a maximização do parâmetro de não-centralidade é escolhida como objetivo de otimização. O problema de otimização com restrições resultante é utilizado para derivar a estratégia ótima de alocação de potência de sensoriamento e é expresso pela Equação 8:
onde α denota o vetor de peso de transmissão de sensoriamento ótimo obtido sob a restrição de potência e também representa o vetor de peso de transmissão da subportadora de sensoriamento, B(v, β) denota o vetor de sensoriamento-informação, e P representa a potência total de transmissão de sensoriamento.
A otimização indica que a estratégia ótima de alocação de potência para sensoriamento não distribui potência entre múltiplos subcanais. Em vez disso, toda a potência disponível para transmissão de sensoriamento é alocada ao subcanal identificado por meio da avaliação do canal como aquele que proporciona o melhor desempenho de sensoriamento, maximizando assim o desempenho de detecção de alvo em um único canal.
No sistema OFDM-ISAC, a alocação de potência é a tarefa central de otimização, e a estratégia ótima deve satisfazer os requisitos de projeto tanto da comunicação quanto do sensoriamento. Especificamente, a otimização considera simultaneamente métricas de desempenho da comunicação, incluindo taxa de erro de bit e capacidade do canal, juntamente com métricas de desempenho do sensoriamento, incluindo PDP e precisão na estimativa de parâmetros. O desempenho geral do sistema é melhorado por meio da alocação coordenada de recursos. No entanto, a combinação direta das estratégias ótimas de alocação de potência para comunicação e sensoriamento usando a otimização convencional por soma ponderada apresenta limitações importantes. Como as diferentes dimensões físicas e contribuições relativas das duas métricas de desempenho não são adequadamente consideradas, a otimização resultante pode não refletir com precisão os requisitos dos sistemas integrados de comunicação e sensoriamento26,27.
Portanto, este estudo propõe um framework integrado de projeto baseado em ponderação normalizada. Primeiro, as métricas de desempenho de comunicação e sensoriamento são normalizadas para eliminar os efeitos da inconsistência dimensional. Em seguida, os coeficientes de ponderação são ajustados de acordo com o cenário de aplicação para alcançar uma alocação de potência mais equilibrada. A formulação matemática do modelo OFDM-ISAC-P normalizado é apresentada na Equação 9:
Aqui, w denota o fator de ponderação da comunicação, Fc representa o valor objetivo ótimo obtido a partir do problema de otimização da comunicação, pm denota a potência alocada ao m-ésimo subportador OFDM, gm representa o ganho equivalente canal-ruído do m-ésimo subportador de comunicação, P denota a potência total de transmissão, Fs representa o valor objetivo ótimo obtido a partir do problema de otimização da detecção, e bm denota o m-ésimo elemento do vetor de detecção B(v, β).
O fator de ponderação de comunicação w, juntamente com seu fator de ponderação complementar de sensoriamento (1 − w), atua como um parâmetro de projeto ajustável que reflete a importância relativa da capacidade do canal de comunicação e do PDP em diferentes cenários de aplicação28,29. Neste estudo, w é tratado como um parâmetro de configuração em nível de cenário, e não como uma variável de controle variável no tempo. Assim, w é fixo para cada cenário de simulação (por exemplo, w = 0,5 para desempenho equilibrado entre comunicação e sensoriamento e w = 0,8 para operação com prioridade em comunicação). O BOA aprimorado é então utilizado para otimizar a alocação de potência correspondente. Portanto, o termo “fator de ponderação dinâmico” refere-se à seleção de diferentes fatores de ponderação para diferentes cenários operacionais, e não à implementação de adaptação automática em tempo real durante a execução do algoritmo.
Solução do Modelo de Otimização de Potência para o Sistema de Sensores e Comunicação Integrados Baseado em Multiplexação por Divisão de Frequência Ortogonal Utilizando o Algoritmo Aprimorado de Otimização por Borboleta
Após a construção do modelo OFDM-ISAC-P, a BOA aprimorada é utilizada para resolver o problema de otimização. A BOA possui uma estrutura simples, é fácil de implementar e tem forte capacidade de busca global. Ela imita o comportamento de forrageamento de borboletas e emprega um mecanismo de voo de Lévy para explorar eficientemente o espaço de busca. O algoritmo exige um número relativamente pequeno de ajustes de parâmetros, tornando-o adequado para uma ampla gama de problemas de otimização. No entanto, a BOA convencional pode convergir prematuramente para ótimos locais, é sensível aos ajustes de parâmetros e frequentemente requer muitas iterações ao resolver problemas de otimização de alta dimensionalidade30. Por isso, nesta pesquisa, a estratégia de mutação e o procedimento de otimização são aprimorados.
Para melhorar a exploração global durante a fase inicial de otimização, é introduzida uma estratégia de DSP. Nas iterações iniciais, uma probabilidade de troca relativamente baixa potencializa a exploração do espaço de busca. À medida que o número de iterações aumenta, a probabilidade de troca é ajustada gradualmente para fortalecer a exploração local e melhorar a convergência. O DSP é definido na Equação 10:
onde α denota o valor inicial do DSP, t representa o número da iteração atual e β é o coeficiente de controle. Essa estratégia adaptativa aumenta a diversidade da população durante a fase inicial de otimização, amplia o espaço de busca e reduz a probabilidade de convergência prematura para ótimos locais. À medida que a otimização progride, a busca muda gradualmente da exploração global para a exploração local.
Para melhorar ainda mais o desempenho da otimização, o DVGM é incorporado ao algoritmo. Uma variância de mutação relativamente grande é aplicada nas primeiras iterações para expandir o intervalo de busca e melhorar a exploração global. Conforme a otimização progride, a variância de mutação é gradualmente reduzida para aumentar a precisão da busca local e facilitar a convergência. A variância máxima σmax e a variância mínima σmin são definidas na Equação 11:
As estratégias aprimoradas de busca global e local são resumidas na Equação 12:
Aqui, normrnd(0, σ(t)) denota um número aleatório gaussiano com média 0 e variância σ(t), e fi representa o parâmetro de fragrância que controla o comportamento de busca da borboleta. Após a incorporação das estratégias DSP e DVGM, obtém-se a BOA aprimorada, conforme ilustrado na Figura 5.
Figura 5. Fluxo de trabalho do Algoritmo de Otimização de Borboleta (BOA) aprimorado. O procedimento de otimização inclui inicialização, geração de população, avaliação de aptidão, Probabilidade de Comutação Dinâmica (DSP), buscas global e local, Mutação Gaussiana de Variância Dinâmica (DVGM), atualização da solução, avaliação de convergência e saída da solução ótima. Clique aqui para visualizar uma versão maior desta figura.
Figura 5 ilustra as duas estratégias de aprimoramento incorporadas ao BOA: DSP e DVGM. A estratégia DSP ajusta adaptativamente a frequência de troca entre busca global e local. No início da fase de otimização, o algoritmo enfatiza a exploração global para aumentar a diversidade da população e melhorar a probabilidade de identificar regiões promissoras de solução. À medida que a otimização progride, a busca muda gradualmente para a exploração local, acelerando a convergência. A estratégia DVGM perturba o melhor indivíduo atual, aumentando assim a capacidade de busca local, a diversidade das soluções e reduzindo a probabilidade de convergência prematura para ótimos locais.
Quando o BOA aprimorado é aplicado para resolver o modelo OFDM-ISAC-P, as variáveis de otimização são primeiro codificadas, uma população inicial é gerada e estratégias candidatas de alocação de potência são atribuídas a cada indivíduo. O fluxo de trabalho geral de otimização é ilustrado na Figura 6.
Figura 6. Fluxo de trabalho do Algoritmo de Otimização de Borboleta Aprimorado (BOA) para resolver o modelo de alocação de potência em Comunicação e Sensoriamento Integrados baseado em Multiplexação por Divisão de Frequência Ortogonal (OFDM-ISAC). O procedimento inclui a inicialização de parâmetros, codificação dos vetores candidatos de alocação de potência, geração da população, avaliação da aptidão, atualização iterativa da solução, avaliação de convergência e saída da estratégia ótima de alocação de potência. Clique aqui para visualizar uma versão maior desta figura.
Conforme mostrado na Figura 6, a otimização começa aplicando a estratégia DSP para realizar a otimização iterativa. Nas primeiras iterações, enfatiza-se a exploração global para investigar diversas combinações de alocação de potência para o sistema OFDM-ISAC. Nas iterações finais, a busca muda gradualmente para a exploração local, a fim de aperfeiçoar soluções candidatas de alta qualidade, ao mesmo tempo que satisfaz a restrição de potência total de transmissão. A estratégia DVGM é então aplicada à melhor solução atual para escapar de ótimos locais e manter a diversidade das soluções. Ao longo de todo o processo de otimização, as funções objetivas de comunicação e sensoriamento são usadas para avaliar a aptidão de cada solução candidata, e os indivíduos de maior qualidade são mantidos para a próxima iteração. A otimização continua até que o critério de término predefinido seja satisfeito. A solução ótima final representa a estratégia de alocação de potência que proporciona o melhor equilíbrio entre desempenho de comunicação e desempenho de detecção de alvo.
Configurações de reprodutibilidade
Para melhorar a reprodutibilidade, os parâmetros de simulação, configurações de inicialização, restrições e critérios de término são especificados em detalhes. Todos os experimentos foram implementados no Ubuntu 22.04 LTS usando Python 3.10, PyTorch 2.1, NumPy 1.26, CVXPY 1.4 e MATLAB R2023b (consulte a Tabela de Materiais). Os parâmetros de simulação e o ambiente computacional utilizados neste estudo são resumidos na Tabela 1, enquanto a configuração detalhada dos parâmetros de simulação OFDM-ISAC é fornecida na Tabela Suplementar 1. As simulações utilizaram uma densidade espectral de potência de ruído de −174 dBm/Hz, 64 subportadoras, 16 símbolos OFDM, uma frequência portadora de 4 GHz, espaçamento entre subportadoras de 15 kHz, oito antenas transmissoras e um máximo de 10.000 iterações. A razão de alocação de potência foi inicializada dentro da faixa de 0–1 com resolução de 0,01 e normalizada para satisfazer a restrição de potência total de transmissão. Os pesos de comunicação, de sensoriamento e de precisão a priori em múltiplas camadas foram definidos como 0,2, 0,3 e 0,5, respectivamente. As restrições de otimização incluíram alocação de potência não negativa por usuário, potência total de transmissão limitada, largura de banda limitada e probabilidade de alarme falso na ordem de 10⁻3. A otimização foi encerrada quando foi atingido o número máximo de iterações ou quando a variação relativa na função objetivo entre duas iterações consecutivas caiu abaixo de 10⁻4. Todos os experimentos com inicialização aleatória e perturbações de canal utilizaram sementes aleatórias fixas e foram repetidos independentemente 30 vezes.
| Parâmetro | Valor | Descrição |
| Frequência da portadora | 4 GHz | Frequência da portadora OFDM. |
| Esquema de codificação/modulação de comunicação | Modulação por Chaveamento de Fase em Quadratura (QPSK) com codificação de canal por Verificação de Paridade de Baixa Densidade (LDPC) | Método de geração do sinal de comunicação utilizado para reproduzir a forma de onda OFDM transmitida. |
| Peso da comunicação | 0,2 | Peso atribuído ao objetivo de comunicação. |
| Probabilidade de alarme falso | 10⁻³ | Probabilidade de alarme falso utilizada como restrição na otimização da detecção. |
| Plataforma de hardware | Intel Core i7-13700 CPU, NVIDIA RTX 4070 GPU, 32 GB RAM | Plataforma computacional utilizada para as simulações. |
| Conjunto de dados de referência para simulação ISAC | Não aplicável. Todos os dados de referência foram gerados por meio de simulações numéricas. | Conjunto de dados de referência utilizado para avaliação de desempenho. |
| Número máximo de iterações | 10.000 | Número máximo de iterações de otimização. |
| Precisão da informação a priori em múltiplas camadas | 0,5 | Parâmetro de informação a priori utilizado durante a otimização. |
| Densidade espectral de potência de ruído | −174 dBm/Hz | Densidade espectral de ruído no canal de comunicação. |
| Número de símbolos OFDM | 16 | Número de símbolos OFDM por quadro. |
| Número de subportadoras OFDM | 64 | Número de subportadoras OFDM. |
| Sistema operacional | Ubuntu 22.04 LTS | Ambiente computacional. |
| Software de otimização | CVXPY 1.4 | Pacote de otimização convexa. |
| Resolução de alocação de potência | 0,01 | Resolução das razões iniciais de alocação de potência. |
| Linguagem de programação | Python 3.10 | Linguagem de programação utilizada na implementação da simulação. |
| Semente aleatória | Fixa | Semente aleatória fixa utilizada em todas as simulações. |
| Execuções repetidas | 30 | Número de execuções independentes da simulação realizadas para análise estatística. |
| Biblioteca de computação científica | NumPy 1.26 | Biblioteca de computação numérica utilizada para cálculos numéricos. |
| Peso da detecção | 0,3 | Peso atribuído ao objetivo de detecção. |
| Plataforma de simulação | MATLAB R2023b | Plataforma utilizada para simulação numérica e visualização. |
| Critério de parada | Número máximo de iterações ou variação relativa do objetivo < 10⁻⁴ | Critério de término da otimização. |
| Espaçamento entre subportadoras | 15 kHz | Espaçamento entre subportadoras OFDM. |
| Biblioteca de computação tensorial | PyTorch 2.1 | Framework de computação tensorial utilizado para cálculos matriciais e tensoriais. |
| Total de antenas transmissoras | 8 | Número de antenas transmissoras. |
Tabela 1: Parâmetros de simulação e ambiente computacional utilizados para as simulações de Comunicação e Sensoriamento Integrados baseados em Multiplexação por Divisão de Frequência Ortogonal (ISAC-OFDM). A tabela resume os parâmetros de forma de onda, parâmetros de otimização, configurações de simulação, ambiente computacional, software, conjuntos de dados e outras condições de simulação utilizadas ao longo do estudo.
Salvo indicação em contrário, os aprimoramentos percentuais relatados como "aumentados em X%" são calculados como ganhos percentuais relativos utilizando a Equação 13:
Para métricas de desempenho baseadas em probabilidade ou taxa, como o PDP, as alterações absolutas são relatadas explicitamente como aumentos em pontos percentuais (pp). Por exemplo, um aumento de 46% para 63% é relatado como +17 pp, enquanto +37,0% indica o aumento percentual relativo correspondente calculado utilizando 46% como linha de base.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Resultados
Teste de desempenho do Algoritmo Aprimorado de Otimização Borboleta
Antes de avaliar a eficácia do PAM OFDM-ISAC, foi avaliada a BOA aprimorada. A BOA convencional, o Algoritmo de Otimização de Baleia (WOA) e a Otimização por Enxame de Partículas (PSO) foram selecionados como algoritmos de comparação. A avaliação de referência utilizou o valor médio e o desvio padrão como métricas de desempenho, com duas funções de referência unimodais ( e ) e duas funções de referência multim...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Discussão
O modelo proposto OFDM-ISAC-P atende à necessidade de equilibrar a capacidade do canal de comunicação e o PDP sob uma restrição compartilhada de potência de transmissão. Estudos anteriores baseados em OFDM para ISAC examinaram a alocação conjunta de subportadoras e potência, o design de formas de onda compartilhadas, a alocação dinâmica de potência e os compromissos entre comunicação e sensoriamento1,2,7,
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Divulgações
Conflito de Interesse:
Os autores declaram não haver conflitos de interesse.
Agradecimentos
Os autores agradecem sinceramente o apoio financeiro do Projeto de Pesquisa em Ciências Naturais do Departamento de Educação da Província de Liaoning, China (Concessão No. JYTMS20230009), do Projeto de Pesquisa e Desenvolvimento Tecnológico de Dalian, China (Concessão No. 2024JB11GX001) e do Projeto de Formação de Equipe Disciplinar da Universidade de Ciência e Tecnologia de Dalian (Concessão No. KYXK2025001).
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| CVXPY | Desenvolvedores do CVXPY | Version 1.4 | Pacote de otimização convexa utilizado para apoiar a verificação do modelo de alocação de potência. |
| Programa de otimização BOA aprimorado | Autores | Não aplicável | Implementação personalizada do Algoritmo Aprimorado de Otimização por Borboleta (IBOA) utilizado para resolver o modelo de alocação de potência OFDM-ISAC com probabilidade de comutação dinâmica e mutação gaussiana com variância dinâmica. |
| Conjunto de dados de referência para simulação ISAC | Autores | Não aplicável | Conjunto de referência de simulação gerado pelos autores e utilizado para avaliar o método proposto de alocação de potência sob diferentes razões sinal-ruído, configurações de antenas e números de subportadoras. |
| MATLAB | The MathWorks, Inc. | R2023b | Plataforma utilizada para simulação numérica e visualização de resultados. |
| NumPy | Desenvolvedores do NumPy | Version 1.26 | Biblioteca de computação numérica utilizada para operações com arrays, inicialização aleatória e análise estatística. |
| Programa de simulação OFDM-ISAC | Autores | Não aplicável | Código de simulação personalizado utilizado para construir o modelo de canal OFDM-ISAC, calcular a capacidade do canal de comunicação e avaliar a probabilidade de detecção de alvos. |
| PyTorch | PyTorch Foundation | Version 2.1 | Framework de computação tensorial utilizado para modelagem numérica e operações matriciais. |
| Ambiente de programação Python | Python Software Foundation | Python 3.10 | Linguagem de programação utilizada para implementação de algoritmos e computação numérica. |
| Sistema operacional Ubuntu | Canonical Ltd. | Ubuntu 22.04 LTS | Sistema operacional utilizado para implementar as simulações de alocação de potência OFDM-ISAC. |
Referências
- 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.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.