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.
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
28 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.
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.
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 multimodais ( e ). As configurações de referência utilizadas para os algoritmos de otimização são descritas abaixo. A dimensão do problema foi fixada em , o número máximo de iterações foi 500 e o tamanho da população foi 30. Cada algoritmo foi executado independentemente 30 vezes para calcular o valor médio e o desvio padrão. Aqui, denota a -ésima variável de decisão, e o ótimo global teórico de todas as funções de referência é zero. Quatro funções de referência padrão foram selecionadas para avaliar o desempenho de otimização da BOA aprimorada. Especificamente, e correspondem às funções Sphere e Schwefel 2.22, respectivamente, que são amplamente utilizadas para avaliar a capacidade de convergência global de algoritmos de otimização. As funções de referência multimodais e correspondem às funções Rastrigin e Ackley, respectivamente, que são comumente utilizadas para avaliar a capacidade de exploração global e a habilidade de evitar ótimos locais. As definições matemáticas dessas funções de referência são fornecidas na Equação 14, e as referências de referência correspondentes são apresentadas.
Para avaliar a capacidade de equilíbrio de desempenho da estratégia de ponderação normalizada sob diferentes fatores de ponderação de comunicação, o fator de ponderação de comunicação foi variado de 0,2 a 0,8, mantendo-se uma relação sinal-ruído (SNR) fixa de 15 dB e uma configuração de antenas de transmissão/recepção 4 × 4. O desempenho de otimização da BOA aprimorada foi comparado ao da BOA convencional. O desempenho de comunicação e sensibilidade obtido sob diferentes fatores de ponderação de comunicação é resumido na Tabela 2.
| Fator de peso de comunicação | Capacidade do canal de comunicação (bps/Hz) | Probabilidade de detecção do alvo (%) | Iterações de convergência do IBOA | Iterações de convergência do BOA | Utilização total de potência (%) | Distância da fronteira de 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: Desempenho de comunicação e detecção obtido sob diferentes fatores de ponderação de comunicação. A tabela resume o fator de ponderação de comunicação, a capacidade do canal de comunicação (bps/Hz), a probabilidade de detecção do alvo (%), o número de iterações de convergência do Algoritmo Aprimorado de Otimização por Borboleta (IBOA) e do Algoritmo Convencional de Otimização por Borboleta (BOA), o consumo total de potência (%) e a distância da fronteira de Pareto.
Conforme mostrado na Tabela 2, aumentar o fator de ponderação da comunicação de 0,2 para 0,8 aumentou a capacidade do canal de comunicação em 74,2%, ao mesmo tempo que reduziu o PDP em 34,4%, demonstrando a capacidade da estratégia de ponderação de ajustar o compromisso entre desempenho de comunicação e sensoriamento. O BOA aprimorado convergiu mais rapidamente do que o BOA convencional, com uma média de 93 iterações de convergência, representando uma redução de 56,0% no número médio de iterações necessárias para convergência em comparação com o BOA convencional. Além disso, a distância da fronteira de Pareto diminuiu à medida que o fator de ponderação da comunicação aumentou. Por exemplo, a distância da fronteira de Pareto diminuiu de 0,020 com um fator de ponderação da comunicação de 0,5 para 0,009 em 0,8, indicando que as soluções otimizadas se aproximaram dos pontos operacionais de Pareto-ótimos correspondentes à medida que o fator de ponderação da comunicação aumentou. Uma menor distância da fronteira de Pareto com um fator de ponderação da comunicação mais alto (por exemplo, 0,8) representa uma solução que dá maior ênfase à capacidade de comunicação, enquanto ω = 0,5 representa um compromisso mais equilibrado entre a capacidade de comunicação normalizada e o PDP. Assim, ω = 0,5 é considerado um ponto operacional equilibrado representativo, e não o mínimo global único da distância da fronteira de Pareto. O desempenho de convergência sob as funções de referência unimodais é apresentado na Figura 7.
Figura 7. Desempenho de convergência dos algoritmos de otimização em funções de referência unimodais. (A) Função f1. (B) Função f2. O eixo horizontal representa o número de iterações e o eixo vertical representa o valor médio de aptidão. As curvas comparam o Algoritmo de Otimização de Borboleta Aprimorado (IBOA), o Algoritmo de Otimização de Borboleta convencional (BOA), o Algoritmo de Otimização de Baleia (WOA) e a Otimização por Enxame de Partículas (PSO). Clique aqui para visualizar uma versão maior desta figura.
Figura 7A apresenta os resultados para a função unimodal f1, enquanto Figura 7B apresenta os resultados para a função unimodal f2. A convergência média de aptidão, representada pela redução no desvio padrão, foi utilizada para avaliar o desempenho da otimização. O BOA aprimorado, o BOA convencional, o WOA e o PSO foram avaliados sob condições idênticas de referência. Com base em 30 execuções independentes, a análise de variância de um fator seguida pelo teste post hoc de Tukey com correção de Holm-Bonferroni demonstrou uma variância final de convergência significativamente menor para o BOA aprimorado em comparação com o BOA convencional, o WOA e o PSO, com diferenças estatisticamente significativas observadas após a correção de Holm-Bonferroni (ajustado p < 0,05). Nas funções de referência unimodais, a variância de convergência dos algoritmos WOA e PSO diminuiu mais lentamente do que a dos métodos baseados no BOA. Para a função f1, tanto o BOA aprimorado quanto o BOA convencional alcançaram valores finais de aptidão muito baixos; no entanto, o BOA aprimorado atingiu esse nível mais cedo no processo de otimização. Para a função f2, todos os algoritmos convergiram mais lentamente, embora o BOA aprimorado tenha alcançado o menor valor final de aptidão após 500 iterações. Os resultados de convergência para as funções de referência multimodais são apresentados na Figura 8.
Figura 8. Desempenho de convergência dos algoritmos de otimização em funções de referência multimodais. (A) Função mf1. (B) Função mf2. O eixo horizontal representa o número de iterações, e o eixo vertical representa o valor médio de aptidão. As curvas comparam o Algoritmo de Otimização de Borboleta Aprimorado (IBOA), o Algoritmo de Otimização de Borboleta convencional (BOA), o Algoritmo de Otimização de Baleia (WOA) e a Otimização por Enxame de Partículas (PSO). Clique aqui para visualizar uma versão maior desta figura.
Figura 8A apresenta os resultados para a função multimodal mf1, enquanto Figura 8B apresenta os resultados para a função multimodal mf2. Nas funções de referência multimodais, o BOA aprimorado manteve uma estabilidade de convergência melhor do que os algoritmos comparativos. Com base em 30 execuções independentes, foram observadas diferenças estatisticamente significativas entre o BOA aprimorado e os algoritmos comparativos após a correção de Holm-Bonferroni (valor de p ajustado < 0,05). As estratégias propostas DSP e DVGM melhoraram a capacidade de busca global do BOA. O BOA convencional exibiu desempenho mais próximo ao do BOA aprimorado nas funções de referência multimodais do que nas funções de referência unimodais, indicando adequação aprimorada para problemas de otimização multimodais. De modo geral, o BOA aprimorado superou os algoritmos comparativos em todas as funções de referência avaliadas e foi posteriormente aplicado para resolver o modelo de otimização de potência OFDM-ISAC.
Todos os algoritmos de otimização foram executados independentemente 30 vezes para cada função de referência. Os valores finais de convergência são apresentados como média ± desvio padrão. A análise de variância de um fator foi utilizada para comparar os quatro algoritmos de otimização, seguida pelo teste post hoc de Tukey para comparações aos pares com correção de Holm-Bonferroni para testes múltiplos. Valores de p ajustados são apresentados, e p < 0,05 foi considerado estatisticamente significativo.
Análise de simulação da alocação de potência no sistema de comunicação e sensoriamento integrados baseado em multiplexação por divisão de frequência ortogonal
Após a avaliação do algoritmo de otimização, a eficácia da estratégia de alocação de potência OFDM-ISAC foi analisada mais detalhadamente por meio de simulações numéricas. Nos experimentos de simulação, a antena transmissora, a antena de comunicação e a antena receptora de sensoriamento do sistema foram todas configuradas com quatro elementos, denotadas por B, T e R, respectivamente. As variações na capacidade do canal de comunicação e na PDP sob diferentes configurações de antenas são apresentadas na Figura 9. Salvo indicação em contrário, todas as simulações nesta seção utilizaram o mesmo modelo de canal OFDM-ISAC dominado por LoS descrito na seção Métodos. As configurações de antenas foram alteradas apenas para avaliar escalabilidade e desempenho comparativo. Especificamente, a configuração single-input single-output (SISO) foi utilizada como referência de comparação, a configuração 2-transmissora 2-receptora (2T2R) foi usada para verificação da sensibilidade por subportadora, e a configuração 4-transmissora 4-receptora (4T4R) foi adotada como a configuração principal com múltiplas antenas para avaliação do desempenho em comunicação-sensoriamento.
Figura 9. Efeitos da configuração da antena no desempenho de comunicação e detecção sob diferentes relações sinal-ruído (SNRs). (A) Capacidade do canal de comunicação (bps/Hz) em função da SNR. (B) Probabilidade de detecção do alvo em função da SNR. As curvas comparam o método proposto de alocação de potência e a alocação igual de potência utilizando diferentes configurações de antenas transmissoras e receptoras. Clique aqui para visualizar uma versão maior desta figura.
Conforme mostrado na Figura 9A, a capacidade do canal de comunicação aumentou com o número de antenas. Quando o número de antenas transmissoras e receptoras aumentou de duas para quatro, a capacidade do canal de comunicação subiu de aproximadamente 20 bps/Hz para quase 60 bps/Hz em um SNR de 20 dB, refletindo o ganho de multiplexação espacial proporcionado pela configuração com múltiplas antenas. A Figura 9B mostra que, sob diferentes configurações de antenas transmissoras e receptoras, a PDP obtida com o PAM ótimo proposto foi consistentemente superior à obtida com a alocação igualitária de potência. Quando o SNR era de 10 dB e o número de antenas transmissoras era quatro, a PDP do método proposto aproximou-se do valor teórico ótimo de 1, enquanto o PAM igualitário permaneceu substancialmente mais baixo. O BOA aprimorado maximiza a função de razão de verossimilhança por meio de otimização iterativa, ajusta dinamicamente a razão de alocação de potência entre as antenas transmissoras e aloca mais potência de transmissão às antenas com respostas mais fortes, reduzindo ao mesmo tempo a potência atribuída às respostas mais fracas, melhorando assim o desempenho na detecção de alvos.
Quando as antenas transmissoras e receptoras de comunicação e sensoriamento foram configuradas como 4T4R, foi avaliado o modelo de otimização de potência do sistema OFDM-ISAC. A capacidade do canal de comunicação e o PDP obtidos sob diferentes fatores de ponderação de comunicação são apresentados na Figura 10.
Figura 10. Efeitos do fator de ponderação de comunicação no desempenho de comunicação e sensoriamento. (A) Capacidade do canal de comunicação em função da relação sinal-ruído (SNR). (B) Probabilidade de detecção de alvo em função da SNR. As curvas comparam o método proposto, alocação igual de potência e fatores de ponderação de comunicação de 0,3 e 0,8. Clique aqui para visualizar uma versão maior desta figura.
Figura 10A mostra que a capacidade do canal de comunicação variou sob diferentes PAMs quando as configurações das antenas de comunicação e de sensoriamento eram 4T4R. A capacidade do canal de comunicação aumentou com o aumento da SNR para todos os PAMs avaliados. Em uma SNR de 20 dB, as capacidades do canal foram aproximadamente 13 bps/Hz para o método proposto, 40 bps/Hz para alocação igual de potência, 42 bps/Hz com um fator de ponderação de comunicação de 0,3 e 38 bps/Hz com um fator de ponderação de comunicação de 0,8. Figura 10B mostra que a PDP aumentou com o aumento da SNR para todos os PAMs avaliados e se aproximou de 1 em uma SNR de 20 dB. Esses resultados demonstram que o fator de ponderação de comunicação afeta o compromisso entre a capacidade do canal de comunicação e o desempenho do sensoriamento.
Posteriormente, foram realizadas simulações comparativas para avaliar mais detalhadamente a eficácia do método proposto. O PAM-OFDM convencional sob a arquitetura SISO foi selecionado como referência padrão (doravante denominado método comparativo) e foi comparado com a estratégia de alocação de potência obtida utilizando o modelo proposto OFDM-ISAC-P. Quando o fator de ponderação de comunicação era 0,8, a capacidade do canal de comunicação e a PDP obtidos sob diferentes configurações de antenas em função da SNR são apresentados na Figura 11.
Figura 11. Desempenho de comunicação e sensoriamento obtido utilizando diferentes configurações de antenas. (A) Capacidade do canal de comunicação como função da razão sinal-ruído (SNR). (B) Probabilidade de detecção de alvo como função da SNR. As curvas comparam o método proposto utilizando configurações de uma, duas e quatro antenas transmissoras/receptoras juntamente com o método de comparação. Clique aqui para visualizar uma versão maior desta figura.
Figura 11A mostra que, quando o número de antenas transmissoras era quatro e o fator de ponderação da comunicação era 0,8, a capacidade do canal de comunicação atingiu aproximadamente 67 bps/Hz em uma SNR de 20 dB. Na configuração 2T2R, a capacidade do canal de comunicação foi de aproximadamente 48 bps/Hz, enquanto a configuração SISO alcançou aproximadamente 37 bps/Hz. Assim, aumentar o número de antenas aumentou a capacidade do canal de comunicação. Figura 11B mostra que, em uma SNR de 20 dB, a PDP foi próxima a 1,00 na configuração 4T4R, aproximadamente 0,98 na configuração 2T2R e aproximadamente 0,98 na configuração SISO. Esses resultados demonstram um desempenho aprimorado de comunicação e sensoriamento nas configurações com múltiplas antenas em comparação com o padrão de referência SISO. A configuração SISO na Figura 11 foi incluída apenas como padrão de referência. O modelo proposto OFDM-ISAC-P foi formulado para sistemas com múltiplas antenas, enquanto as configurações 2T2R e 4T4R foram utilizadas para avaliar os ganhos de desempenho obtidos por meio do aumento no número de antenas sob a mesma suposição de canal dominado por LoS.
Por fim, a eficácia do modelo OFDM-ISAC-P foi avaliada sob diferentes configurações de parâmetros do sistema, variando o número de subportadoras (64, 128 e 256). A largura de banda total foi fixada em 20 MHz, enquanto o espaçamento entre subportadoras foi ajustado inversamente de acordo com o número de subportadoras. A configuração da antena foi 2T2R, e o modelo de canal LoS foi adotado. A capacidade do canal de comunicação e a PDP obtidas sob diferentes SNRs (0, 10 e 20 dB) foram comparadas entre o método proposto e a alocação igualitária de potência. Os resultados correspondentes estão resumidos na Tabela 3.
| Método | Número de subportadoras | Capacidade do canal (bps/Hz) | Probabilidade de detecção | ||||
| SNR = 0 dB | SNR = 10 dB | SNR = 20 dB | SNR = 0 dB | SNR = 10 dB | SNR = 20 dB | ||
| Alocação de potência igual | 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 | |
| Estratégia proposta 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: Comparação da capacidade do canal de comunicação e da probabilidade de detecção de alvo para alocação igual de potência e a estratégia proposta de alocação de potência sob diferentes razões sinal-ruído (SNRs) e números de subportadoras OFDM. A capacidade do canal de comunicação é informada em bps/Hz, e a probabilidade de detecção de alvo é informada como uma probabilidade (0–1).
Conforme mostrado na Tabela 3, o aumento do número de subportadoras teve um efeito substancial no desempenho do sistema. Na configuração com 256 subportadoras, o método proposto alcançou uma capacidade de canal de comunicação de 13,28 bps/Hz com uma SNR de 20 dB, representando um aumento de 74,3% em comparação com a configuração de 64 subportadoras, enquanto a PDP permaneceu comparável, indicando que o aumento do número de subportadoras melhorou o desempenho da comunicação sem reduzir substancialmente o desempenho da detecção. Com o mesmo número de subportadoras, o método proposto superou consistentemente a alocação igualitária de potência. Por exemplo, com 128 subportadoras e uma SNR de 10 dB, a capacidade do canal de comunicação aumentou em 68,2% e a PDP aumentou em 19,7% em comparação com a alocação igualitária de potência, demonstrando a eficácia da estratégia proposta de alocação de potência sob diferentes configurações de parâmetros do sistema. Mesmo na condição de baixa SNR de 0 dB com 64 subportadoras, a capacidade do canal de comunicação permaneceu 56,1% maior do que a obtida com alocação igualitária de potência, indicando que o modelo proposto melhora efetivamente o desempenho do sistema sob diferentes configurações de subportadoras, ao mesmo tempo que atende a uma variedade de requisitos de alocação de espectro.
Análise prática do cenário de colaboração entre veículo e via em transporte inteligente
Na colaboração veículo-estrada em rodovias, a Unidade Lateral de Via (RSU) realiza simultaneamente duas tarefas principais. A primeira é transmitir dados de veículo para tudo (V2X) a veículos em alta velocidade (100–120 km/h), incluindo condições reais da via, limites de velocidade temporários e avisos de frenagem de emergência. A segunda é detectar veículos com defeito, detritos na pista e outros obstáculos dentro de um alcance de 1–2 km utilizando sensores de radar. Nessas condições, as altas velocidades dos veículos introduzem grandes desvios de frequência Doppler no canal de comunicação. Consequentemente, a capacidade do canal de comunicação e a PDP devem ser equilibradas com base na potência de transmissão disponível. A simulação adota uma configuração de antena 4T4R, 256 subportadoras, largura de banda de 20 MHz e um modelo de canal dominado por linha de visada (LoS), em conformidade com as premissas descritas na seção Métodos. Este cenário avalia a capacidade de imunidade a interferências e o desempenho de detecção em longo alcance do método proposto sob movimento de veículos em alta velocidade. A capacidade do canal de comunicação e a PDP foram avaliadas em SNRs de 0 dB e 20 dB. Os resultados correspondentes são apresentados na Figura 12.
Figura 12. Comparação do desempenho de comunicação e detecção entre alocação igual de potência e o método proposto sob diferentes razões sinal-ruído (SNRs). (A) Resultados obtidos em 0 dB. (B) Resultados obtidos em 20 dB. As barras representam a capacidade do canal de comunicação e a probabilidade de detecção de alvo para os dois métodos de alocação de potência. As barras de erro representam o desvio padrão (DP) calculado a partir de simulações independentes repetidas. Clique aqui para visualizar uma versão maior desta figura.
Conforme mostrado na Figura 12A, sob a condição de baixa SNR de 0 dB (representando condições adversas de propagação, como chuva ou nevoeiro denso), o método proposto alcançou uma capacidade de canal de comunicação de 2,90 bps/Hz, representando um aumento de 61,1% em comparação com a alocação igualitária de potência (1,80 bps/Hz). A PDP aumentou de 46% para 63%, correspondendo a uma melhoria absoluta de 17 pontos percentuais e uma melhoria relativa de 37,0% usando 46% como denominador. A Figura 12B mostra que, com uma SNR de 20 dB, o método proposto alcançou uma capacidade de canal de comunicação de 13,30 bps/Hz, representando um aumento de 60,2% em comparação com a alocação igualitária de potência (8,30 bps/Hz). A PDP aumentou de 94% para 98%, correspondendo a uma melhoria absoluta de 4 pontos percentuais e uma melhoria relativa de 4,3%. Esses resultados de simulação demonstram um desempenho aprimorado em comunicação e sensoriamento no cenário rodoviário avaliado. A estratégia proposta de alocação de potência manteve estável a capacidade do canal de comunicação e a probabilidade de detecção de alvo nas condições de simulação multiantena avaliadas, indicando seu potencial de aplicação em sistemas integrados de sensoriamento e comunicação baseados em OFDM.
Diferentemente do cenário de rodovia mostrado na Figura 12, a Tabela 4 apresenta resultados para um cenário de colaboração veículo-via-pedestre em um cruzamento urbano. Esse cenário considera obstruções causadas por edifícios, paradas e partidas frequentes de veículos, travessias de pedestres e tráfego misto envolvendo veículos elétricos. Assim, os valores de SNR foram definidos em 5, 15 e 25 dB, em vez de 0 e 20 dB. Os resultados correspondentes da simulação são resumidos na Tabela 4.
| Relação sinal-ruído (dB) | Método | Capacidade do canal (bps/Hz) | Probabilidade de detecção (%) | Atraso na comunicação (ms) |
| 5 | Alocação igual de potência | 1.32 | 42 | 3.8 |
| Estratégia proposta OFDM-ISAC-P | 2.15 | 58 | 2.5 | |
| 15 | Alocação igual de potência | 3.11 | 76 | 2.5 |
| Estratégia proposta OFDM-ISAC-P | 5.23 | 91 | 1.8 | |
| 25 | Alocação igual de potência | 6.28 | 92 | 1.9 |
| Estratégia proposta OFDM-ISAC-P | 10.15 | 99 | 1.2 |
Tabela 4: Comparação do desempenho de comunicação e sensoriamento entre a alocação igualitária de potência e a estratégia de alocação de potência proposta sob diferentes razões sinal-ruído (SNRs). As métricas de desempenho avaliadas incluem capacidade do canal de comunicação (bps/Hz), probabilidade de detecção de alvo (%) e atraso na comunicação (ms).
Conforme mostrado na Tabela 4, o método proposto alcançou um desempenho aprimorado nas comunicações e na detecção sob o cenário simulado de interseção urbana. Com uma SNR de 15 dB, a capacidade do canal de comunicação atingiu 5,23 bps/Hz, representando um aumento de 68,2% em comparação com a alocação igualitária de potência (3,11 bps/Hz). O atraso correspondente na comunicação foi de 1,8 ms, representando uma redução de 28,0% em comparação com a alocação igualitária de potência (2,5 ms). A probabilidade de detecção de alvo (PDP) atingiu 91%, representando uma melhoria relativa de 19,7% em comparação com a alocação igualitária de potência (76%). Com uma SNR de 25 dB, o método proposto alcançou uma capacidade do canal de comunicação de 10,15 bps/Hz, representando um aumento de 61,6% em comparação com a alocação igualitária de potência (6,28 bps/Hz). O atraso na comunicação diminuiu para 1,2 ms e a PDP atingiu 99%. Mesmo na condição mais baixa de SNR de 5 dB, a capacidade do canal de comunicação permaneceu em 2,15 bps/Hz, representando um aumento de 62,9% em comparação com a alocação igualitária de potência, enquanto o atraso na comunicação permaneceu em 2,5 ms. Esses resultados de simulação demonstram que a estratégia proposta de alocação de potência fornece uma alocação eficiente dos recursos de comunicação e detecção, além de melhorar o desempenho na detecção de alvos no cenário urbano avaliado, apoiando sua possível aplicação em sistemas colaborativos de percepção veículo-via-pedestre.
Para avaliar a sobrecarga computacional do método proposto, o tempo médio de otimização de diferentes esquemas de alocação de potência foi comparado no mesmo ambiente de simulação. A alocação igualitária de potência exibiu o menor custo computacional, pois não exigia otimização iterativa. O WA alcançou otimização rápida para o objetivo orientado à comunicação, mas não otimizou diretamente a PDP. O BOA convencional exigiu mais iterações e um tempo de otimização mais longo. Na comparação da sobrecarga computacional resumida na Tabela 5, a incorporação das estratégias DSP e DVGM reduziu as iterações médias de convergência do BOA aprimorado para 98, diminuindo assim o tempo de otimização enquanto mantinha um desempenho aprimorado em comunicação e sensoriamento. Os resultados correspondentes são apresentados na Tabela 5.
| Esquema de alocação de potência | Objetivo principal da otimização | Complexidade computacional | Média de iterações de convergência | Tempo médio de otimização | Aplicabilidade em tempo real |
| Alocação igual de potência | Nenhum | O(N) | Não aplicável | 0,03 ms | Alta, mas com equilíbrio de desempenho pobre. |
| WA | Capacidade de comunicação | O(N log N) | Não aplicável | 0,18 ms | Alta, mas o desempenho de detecção não é otimizado conjuntamente. |
| BOA tradicional | Objetivo conjunto de comunicação e detecção | O(PID) | 235 | 12,6 ms | Moderada. |
| BOA aprimorado | Objetivo conjunto normalizado de comunicação e detecção | O(PID) | 98 | 5,4 ms | Adequado para atualizações de potência em escalas de tempo lentas ou por quadro. |
Tabela 5: Comparação das características computacionais de diferentes esquemas de alocação de potência. A tabela compara a alocação igualitária de potência, a Alocação por Preenchimento de Água (WA), o Algoritmo Tradicional de Otimização por Borboleta (BOA) e o Algoritmo de Otimização por Borboleta Aprimorado (IBOA) em relação ao objetivo de otimização, complexidade computacional, número médio de iterações de convergência, tempo médio de otimização e aplicabilidade em tempo real. Aqui, N denota o número de subportadoras OFDM. A complexidade computacional dos métodos baseados em BOA é expressa como O(PID), onde P representa o tamanho da população, I denota o número máximo de iterações e D representa a dimensão do problema de otimização.
Conforme mostrado na Tabela 5, a alocação igualitária de potência e o WA apresentaram o menor custo computacional, mas otimizaram apenas objetivos de desempenho limitados. A alocação igualitária de potência não considerou as variações do canal, enquanto o WA otimizou principalmente a capacidade do canal de comunicação sem otimizar conjuntamente o PDP. O BOA aprimorado exigiu maior esforço computacional porque otimizou iterativamente o vetor de alocação de potência. No entanto, em comparação com o BOA convencional, o número médio de iterações de convergência diminuiu de 235 para 98, e o tempo médio de otimização diminuiu de 12,6 ms para 5,4 ms. Esses resultados indicam que os aprimoramentos propostos reduziram a carga computacional do BOA, mantendo um desempenho de otimização aprimorado. Para aplicações de comunicação em tempo real da sexta geração (6G), o método proposto é mais adequado para alocação de potência em nível de quadro, grupo de intervalos ou cenário do que para adaptação instantânea em nível de símbolo. A inicialização com solução inicial aproximada (warm-start) ou uma implementação assistida por tabela de consulta pode reduzir ainda mais a latência de decisão durante futuras implementações.
Disponibilidade de Dados:
Os dados que apoiam as descobertas deste estudo são fornecidos com o manuscrito como materiais suplementares. A configuração dos parâmetros de simulação OFDM-ISAC está disponível na Tabela Suplementar 1, e os dados numéricos brutos que sustentam as Figuras 7–12 estão disponíveis no Arquivo de Dados Suplementar 1.
Tabela Suplementar 1. Configuração dos parâmetros de simulação da comunicação e sensoriamento integrados baseados em OFDM (OFDM-ISAC). Esta tabela resume os parâmetros de simulação utilizados para configurar o sistema OFDM-ISAC, incluindo parâmetros de forma de onda, características do canal, configurações de usuários e alvos, configuração de antenas e parâmetros de otimização utilizados ao longo das simulações numéricas.Clique aqui para baixar este arquivo.
Arquivo de Dados Suplementar 1. Dados numéricos de origem subjacentes às Figuras 7–12. A pasta de trabalho contém planilhas separadas com os dados numéricos correspondentes às Figuras 7–12, incluindo valores de convergência e aptidão final para os algoritmos de otimização nas Figuras 7 e 8, dados de capacidade do canal de comunicação e probabilidade de detecção de alvo para as Figuras 9–12, e as respectivas condições de relação sinal-ruído, configuração da antena e ponderação da comunicação utilizadas para gerar as figuras finais.Clique aqui para baixar este arquivo.
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 sensoriamento1,2,7,8,9,10,11,28,29,30. No presente estudo, os objetivos de comunicação e sensoriamento são normalizados para reduzir a influência de suas diferenças dimensionais, e fatores de ponderação ajustáveis são utilizados para representar diferentes prioridades entre comunicação e sensoriamento. O BOA aprimorado, incorporando DSP e DVGM, é então aplicado para resolver o problema não convexo de alocação de potência resultante. A avaliação atual analisa o BOA aprimorado combinado, que incorpora tanto o DSP quanto o DVGM; as contribuições individuais desses dois mecanismos não foram avaliadas separadamente por meio de uma análise de ablação e devem ser investigadas em trabalhos futuros. Os resultados da simulação indicam que esta estrutura proporciona um ponto operacional entre comunicação e sensoriamento mais equilibrado do que a alocação igualitária de potência e a alocação orientada à comunicação (WA) nas condições avaliadas.
Essa abordagem pode avançar a pesquisa em ISAC baseado em OFDM ao fornecer um framework unificado de simulação para avaliar a capacidade de comunicação, PDP, dimensionamento de antenas, configuração de subportadoras, seleção de fatores de ponderação e sobrecarga computacional. Pesquisas relacionadas demonstraram a importância da alocação adaptativa de recursos, otimização de formas de onda e alocação de potência em sistemas ISAC3,4,5,6,7,8,9,10,11,28,29,30. Os resultados apresentados estendem essa linha ao combinar uma otimização multiobjetivo normalizada com um resolvedor baseado em população aprimorado. Os fatores de ponderação avaliados descrevem aproximadamente um compromisso de Pareto, no qual o aumento do peso de comunicação melhora a capacidade de comunicação enquanto reduz o PDP, e a diminuição do peso de comunicação produz o efeito oposto. Esse framework fornece, portanto, uma base metodológica para estudar os compromissos entre comunicação e sensoriamento sob diferentes prioridades do sistema, incluindo cenários de transporte inteligente e redes veiculares16,17,26,28.
Várias limitações permanecem. Primeiramente, a validação baseia-se inteiramente em modelagem matemática e simulações numéricas com parâmetros de canal predefinidos, configurações de antenas, desvios Doppler, razões sinal-ruído e níveis de ruído. Portanto, os ganhos relatados devem ser interpretados como melhorias em nível de simulação, e não como evidência direta de desempenho em implantação de campo. Em segundo lugar, a suposição de canal dominado por linha de visada (LoS) é adequada para o cenário avaliado de colaboração veículo-estrada em rodovia, mas pode ser idealizada para interseções urbanas densas, onde a propagação sem linha de visada (NLoS), reflexões multitrajeto, bloqueios e variações rápidas do canal são mais proeminentes19,20,21,26. Esses efeitos de propagação podem causar flutuações mais intensas no ganho do canal de comunicação e na intensidade do eco de detecção, reduzindo assim a estabilidade da alocação otimizada de potência. Estudos futuros devem, portanto, estender a estrutura para canais híbridos LoS/NLoS que incorporem aglomerados multitrajeto, bloqueios aleatórios, informações sobre o estado do canal variantes no tempo e estimativa imperfeita do canal.
O modelo atual também não considera explicitamente a interferência entre múltiplos usuários, a interferência entre veículos, o agendamento conjunto entre múltiplos receptores ou a detecção simultânea de múltiplos alvos. Em redes práticas de ISAC de sexta geração, o objetivo de otimização pode precisar ser estendido da capacidade de comunicação de enlace único e do PDP único para formulações que envolvam múltiplos usuários e múltiplos alvos, incluindo justiça, interferência, formação de feixe e restrições de agendamento11,20,22,23,24,30. Para detecção, concentrar a potência de transmissão no melhor subcanal pode ser adequado para detectar um único alvo pontual, mas pode ser insuficiente para imageamento por radar, detecção de propriedades eletromagnéticas ou rastreamento de múltiplos alvos, nos quais a potência pode precisar ser distribuída entre subportadoras sensíveis ao alvo, feixes ou direções espaciais22,23,24,25. Assim, formulações alternativas poderiam otimizar a probabilidade de detecção ponderada, o PDP mínimo, a precisão da estimativa ou o desempenho conjunto de detecção e rastreamento. Aproximação convexa, otimização de formação de feixe, métodos de redes cooperativas e alocação de recursos baseada em aprendizado representam outras abordagens possíveis para investigar a mesma hipótese2,8,11,16,17,23,24,30.
O estudo não inclui prototipagem de hardware, dados medidos de canal montado em veículo, experimentos de campo ou implementação embutida em tempo real. Embora a BOA aprimorada tenha reduzido o número médio de iterações de convergência e o tempo de otimização em comparação com a BOA tradicional, ela permaneceu mais exigente computacionalmente do que a alocação de potência igual e a WA. O método proposto é, portanto, mais adequado para alocação de potência em nível de cenário, nível de quadro ou nível de grupo de intervalos do que para ajuste instantâneo em nível de símbolo na implementação atual. Trabalhos futuros devem avaliar inicialização com partida morna (warm-start), auxílio por tabela de consulta (lookup-table), computação paralela e aproximação baseada em aprendizado leve para reduzir a latência de decisão. Testes com hardware em malha fechada (hardware-in-the-loop), canais veículo-estrada medidos em condições de visada direta (LoS) e não visada direta (NLoS), e implementação em tempo real também seriam necessários para determinar se as melhorias observadas em simulação permanecem estáveis sob incertezas práticas de canal e limitações computacionais. Assim, os exemplos de transporte inteligente devem ser interpretados como análises de viabilidade baseadas em simulação, e não como implantações de engenharia verificadas.
Em conclusão, a crescente demanda por comunicação sem fio e sensores de radar intensificou o conflito entre recursos limitados de espectro e requisitos de serviço em expansão, tornando o ISAC uma abordagem importante para melhorar a utilização dos recursos12,13,14,15,19,26. Este estudo construiu o modelo OFDM-ISAC-P, obteve soluções de referência orientadas à comunicação e ao sensoriamento por meio da detecção de razão de verossimilhança generalizada e da WA, e introduziu ponderação normalizada para reduzir inconsistências dimensionais entre os dois objetivos. A BOA aprimorada foi então utilizada para resolver o modelo resultante de alocação de potência e equilibrar o desempenho de comunicação e sensoriamento. Na comparação do custo computacional resumida na Tabela 5, o número médio de iterações de convergência da BOA aprimorada foi reduzido em 58,3% em comparação com a BOA tradicional. Na configuração 4T4R avaliada a 20 dB, o modelo OFDM-ISAC-P alcançou uma capacidade de canal de comunicação de aproximadamente 60 bps/Hz e um PDP próximo a 1. Em cenários multi-antena dominados por LoS, o método proposto melhorou efetivamente a capacidade do canal de comunicação e a probabilidade de detecção de alvos, alcançando assim um compromisso equilibrado entre desempenho de comunicação e sensoriamento. No entanto, o estudo ainda se limita a cenários de simulação dominados por LoS e não incorpora interferência multiusuário, modelagem de canal NLoS ou ajuste de potência em tempo real sob canais rapidamente variáveis. Pesquisas futuras devem estender o modelo a sistemas OFDM-ISAC multiusuário, introduzir modelos de canal NLoS e baseados em medições, processar ecos de sensoriamento de múltiplos alvos e investigar alocação adaptativa de potência usando aprendizado profundo e outros métodos de baixa complexidade para melhorar a capacidade de resposta em ambientes dinâmicos e apoiar avaliações práticas mais amplas da tecnologia ISAC16,17,21,26,28.
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).
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.