具有能量收集能力的CCRN中的最佳模式选择策略

在以能量收集（EH）为动力的合作认知无线电网络（CCRN）中，次要用户大多分布在移动环境中。 考虑到不同的即时环境，每个用户必须自己做出决定。 因此，有必要设计一种最佳策略来最大化二级吞吐量。 在本文中，我们专注于通过在每个时隙的开始为二级用户提供两种模式选择来最大化长期二级吞吐量。 在部分可观察的马尔可夫决策过程（POMDP）框架下，我们为分布式二级用户提出了一种最佳模式选择策略。 最后，我们通过数值模拟探索了不同参数对拟议政策的影响 ### 具有能量收集能力的CCRN中的最佳模式选择策略 #### 摘要与背景 随着无线通信技术的发展和物联网(IoT)应用的普及，频谱资源变得越来越稀缺。认知无线电(Cognitive Radio, CR)作为一种提高频谱利用率的有效手段受到了广泛关注。尤其在合作认知无线电网络(Cooperative Cognitive Radio Network, CCRN)中，允许次级用户(Secondary Users, SUs)在不干扰主级用户(Primary Users, PUs)的前提下共享主级用户的频谱资源。这种机制提高了频谱效率，但也带来了新的挑战，尤其是在次级用户主要分布于移动环境的情况下。 #### 能量收集技术的重要性 能量收集(Energy Harvesting, EH)技术的引入进一步提升了CCRN的能力。能量收集使次级用户能够利用周围环境中的能量来源（如太阳能、热能等）为自己供电，从而延长了设备的运行时间和减少了对外部电源的依赖。在这样的系统中，每个次级用户需要根据当前的能量状态和网络条件做出最优的决策，以最大化系统的整体性能指标，比如吞吐量。 #### 最佳模式选择策略 在具有能量收集功能的CCRN中，次级用户面临的主要决策问题是：如何在有限的能量存储能力和多变的网络环境下，合理选择工作模式以实现长期的最优吞吐量。文章中提到的最佳模式选择策略是在每个时隙开始时为次级用户提供两种模式选项，以帮助它们做出最优选择。这两种模式可能是根据当前的网络状况和能量状态动态调整的，旨在最大化长期的次级吞吐量。 #### 部分可观测的马尔科夫决策过程(POMDP) 为了制定最优策略，作者采用了一种名为部分可观测的马尔科夫决策过程(Partially Observable Markov Decision Process, POMDP)的方法论框架。POMDP是一种适用于处理不完全信息场景下的决策问题的数学模型。在这个框架下，每个次级用户需要基于不完全的观测结果来推断当前的状态，并据此做出决策。这包括了对自身能量水平、可用频谱带宽以及其他网络参数的估计。 #### 模型的关键元素 - **状态空间**：定义了可能存在的所有系统状态。 - **动作空间**：指次级用户可以选择的所有操作。 - **观测空间**：表示次级用户可以获取的关于当前状态的信息。 - **奖励函数**：根据当前状态和动作，给出一个评价标准，用于衡量所采取的动作的好坏。 - **转移概率**：描述了从一个状态转移到另一个状态的概率。 #### 数值模拟分析 作者通过数值模拟验证了所提出的最佳模式选择策略的有效性，并探讨了不同参数对策略性能的影响。这些参数可能包括但不限于能量到达率、信道条件、次级用户的移动速度等。通过这些模拟实验，可以更好地理解策略的行为特征，并评估其在实际应用场景中的可行性和有效性。 #### 结论 通过对具有能量收集能力的CCRN进行深入研究，本文提出了一个在部分可观测的马尔科夫决策过程框架下的最优模式选择策略。该策略有助于次级用户根据当前情况做出最优决策，从而最大化长期的吞吐量。此外，通过数值模拟验证了策略的有效性，并分析了各种参数对其性能的影响。这一研究成果不仅为CCRN的设计提供了理论支持，也为未来的研究方向提供了有价值的参考。