彭 藝，楊天意，楊青青，彭 游

(1.昆明理工大學 信息工程與自動化學院，云南 昆明 650500；2.昆明理工大學 云南省計算機技術應用重點實驗室，云南 昆明 650500)

隨著智能終端的蓬勃發(fā)展與5G 時代的來臨，導致數(shù)據(jù)流量急劇增長和頻譜資源極度緊缺.因此，運用認知無線電（Cognitive Radio，CR）技術提升頻譜效率是最有效的方式[1]，其原理是利用頻譜感知技術[2]實現(xiàn)主次用戶頻譜共享，給次用戶提供更多通信機會.此外，5G 通信中非正交多址（Non-Orthogonal Multiple Access，NOMA）和設備到設備（Device-to-Device，D2D）通信技術也能達到這一目的[3-4]；D2D 用戶對無需經(jīng)過基站轉(zhuǎn)發(fā)就能實現(xiàn)用戶間的通信，進而提升通信效率和頻譜利用率，而NOMA 技術在通信服務方面具有顯著優(yōu)勢.大量研究表明，NOMA 和CR 技術結(jié)合的認知無線電非正交多址混合系統(tǒng)可大幅度提高吞吐量、頻譜效率和接入用戶數(shù)等[5-6]，現(xiàn)已成為當前學術界和通信領域研究的熱點之一.

學者們對CR-NOMA 系統(tǒng)進行了廣泛研究.文獻[7]考慮到非完全連續(xù)干擾消除（Successive Interference Cancellation，SIC）的情況，探討了CRNOMA 系統(tǒng)的中斷性能，并分析出干擾和功率不斷增加后的中斷概率數(shù)學表述式.文獻[8]研究了NOMA 和CR 技術結(jié)合的系統(tǒng)性能，結(jié)果表明CRNOMA 系統(tǒng)優(yōu)于傳統(tǒng)的CR-OMA.文獻[9]將協(xié)作NOMA 與CR 網(wǎng)絡結(jié)合，選取信道條件較好的次用戶作為中繼節(jié)點，輔助主用戶和其余次用戶傳輸信號，提高了傳輸性能.文獻[10]對于CR-NOMA 系統(tǒng)提出了一種功率分配算法，以最大化接入系統(tǒng)的次用戶數(shù)，但僅考慮一個主用戶的情況和未將功率充分利用.文獻[11]分析了NOMA 系統(tǒng)用戶信道狀況，提出基于信道增益差的用戶分組策略，比未考慮信道增益的分組策略更為合理，但沒有考慮功率最優(yōu)分配問題.王江濤等[12]研究了CR-NOMA系統(tǒng)優(yōu)化能量效率的功率分配算法，但文中先將功率平均分配給各子信道，達不到功率最優(yōu)分配效果.Liu 等[13]提出一種分數(shù)階功率分配（Fractional Transmit Power Allocation，F(xiàn)TPA）算法，雖考慮了用戶信道狀況，但僅以路徑損耗比率進行功率分配，所得系統(tǒng)吞吐量并不好.Sun 等[14]提出一種固定功率分配（Fixed Power Allocation，F(xiàn)PA）算法，利用等比數(shù)列固定公比進行功率分配，且完全不考慮信道狀況，難以用到實際場景中.

上述研究CR-NOMA 系統(tǒng)的文獻，大多傾向于降低中斷概率[15]、提高吞吐量和擴大接入系統(tǒng)次用戶數(shù)等，僅部分文獻涉及到功率與能量效率問題.而此類文獻在解決CR-NOMA 系統(tǒng)功率最優(yōu)分配與能量效率問題時，經(jīng)常先將基站總功率平均分配給各子信道，再研究子信道內(nèi)次用戶間的功率分配情況，也沒有充分考慮到信道增益的不同、次用戶通信質(zhì)量和公平性等要求.如此CR-NOMA 系統(tǒng)不能獲得功率分配最優(yōu)效果，無法進一步提高系統(tǒng)能量效率.

對于多個主次用戶存在的CR-NOMA 系統(tǒng)場景，本文提出一種CR-NOMA 系統(tǒng)中基于能效的功率分配算法.綜合考慮信道增益、主用戶正常通信和公平性以及次用戶通信服務質(zhì)量等需求，先采用均勻信道增益差的用戶分組策略，之后利用改進的人工魚群算法，將各子信道間功率與子信道內(nèi)次用戶功率比重映射為魚群位置來聯(lián)合尋優(yōu)，為CRNOMA 系統(tǒng)中各次用戶匹配最佳的發(fā)射功率，以最大化系統(tǒng)總能量效率.

1 系統(tǒng)模型和能效優(yōu)化問題描述

1.1 系統(tǒng)模型本文所研究的是CR-NOMA 混合系統(tǒng).假設該混合系統(tǒng)定義在某個無線通信小區(qū)環(huán)境下，整個系統(tǒng)包括：主用戶基站、認知基站、M個主用戶（Primary User，PU）和2N個次級用戶（Secondary User，SU），如圖1 所示.

圖1 CR-NOMA 系統(tǒng)模型Fig.1 System model of CR-NOMA

各主用戶m∈{1,2,···,M}選擇正交多址（Orthogonal Multiple Access,OMA）技術接入主用戶基站系統(tǒng)；次用戶n通過NOMA 技術以功率域疊加編碼方式共享相同頻譜資源和實現(xiàn)多用戶復用，接入模式為Underlay 頻譜共享模型.認知基站可獲取系統(tǒng)內(nèi)每條鏈路的信道狀態(tài)信息（Channel State Information,CSI），也可通過頻譜感知方法智能地檢測信道狀態(tài)：在主用戶未占用信道或滿足自身通信需求時[16]，允許次用戶接入授權(quán)信道傳輸信號.基站和終端用戶均配置單天線.顯然，M個主用戶擁有M個子信道，則子信道m(xù)可記作m∈{1,2,···,M}.系統(tǒng)總帶寬為B，子信道m(xù)帶寬為Wm.假設某子信道m(xù)復用Q個非正交次用戶數(shù)，Q在各子信道上可以相同也可以不同；對于第m個子信道，認知基站發(fā)送的疊加信號為xm，則

系統(tǒng)場景中，認知基站為所有次用戶提供通信服務，子信道m(xù)中第n個用戶和認知基站間的信道增益為hm,n=gm,nL?ε(dm,n)，其中，gm,n表示瑞利衰減因子,ε表示路徑損耗系數(shù)（通常取3～5），L(dm,n)=128.1+37.6log10(dm,n)為路徑損耗函數(shù),dm,n為認知基站到用戶端n的距離.第n個次用戶在子信道m(xù)上接收到的信號為ym,n，則

式中：hn為主用戶基站和次用戶n間的信道增益，pPU為主用戶基站發(fā)送的主用戶傳輸功率，xPU為主用戶基站發(fā)送的主用戶傳輸信號，sn為小區(qū)中的額外干擾，w0為均值為0、方差為 σ2的加性高斯白噪聲.

如圖2 所示，根據(jù)NOMA 技術原理和用戶間功率差異，次用戶在功率域中實現(xiàn)多用戶共享；接收端利用連續(xù)干擾刪除技術（Successive Interference Cancellation，SIC），對接收信號逐個判決和逐級消減.對次用戶來說，其子信道上通信鏈路的信道增益可按降序排列（若不符合，可調(diào)換次用戶序號完成），從而次用戶信號功率將呈現(xiàn)逐漸遞增特性.一般情況下，強用戶（信號功率較大）首先被檢測并解碼出來，隨后從混合信號中剔除已解碼的信號，并對余下用戶再次檢測，如此反復循環(huán)操作，以消除干擾，最終可解碼所有用戶信號.為方便分析，次用戶n接收信號ym,n受到的次用戶間干擾包括：信道增益強的信號多址干擾和信道增益弱的信號多址干擾，故式（2）可改寫為：

圖2 CR-NOMA 系統(tǒng)功率復用和干擾消除模型Fig.2 Power multiplexing and interference cancellation model of CR-NOMA system

接收信號經(jīng)SIC 技術處理后，由于強用戶會將弱用戶信號視作干擾噪聲，以此剔除強用戶自身信號，故第n個次用戶在子信道m(xù)上只受到未解碼次用戶的影響，其信噪比（γSN）有

CR-NOMA 系統(tǒng)中，各次用戶以NOMA 方式接入主用戶授權(quán)信道時，須將認知基站分配給復用用戶的功率控制在可控范圍內(nèi)，否則，會影響主用戶通信.同樣地，為滿足次用戶的服務質(zhì)量，使其接入系統(tǒng)能正常通信，那么可用信噪比判決，則有如下限制：

式中：βm,n={0,1}為次用戶n占用子信道m(xù)的狀態(tài)，βm,n=1為次用戶n占用子信道m(xù)，βm,n=0為次用戶n未占用子信道m(xù)，gm為認知基站與主用戶間的信道增益，UPU為對主用戶的功率干擾閾值，為信噪比最小值.

由香農(nóng)公式可得，系統(tǒng)中次用戶n在子信道m(xù)上的信號傳輸速率Rm,n和某一子信道m(xù)中的總傳輸速率Rm以及系統(tǒng)總體吞吐量Tsum可分別表示為：

CR-NOMA 系統(tǒng)能量效率（簡稱能效）被定義為系統(tǒng)傳輸速率與能量損耗功率的比值[17]，故子信道m(xù)的能效和系統(tǒng)總能效 ηE可分別表示為：

式中：pc為系統(tǒng)中電路損耗總功率.

1.2 能效優(yōu)化問題描述現(xiàn)有文獻中，一是各次用戶通常以正交方式接入系統(tǒng)且獨自占用頻帶，造成頻帶資源利用率低下又忽視了次用戶通信質(zhì)量需求；二是某次用戶受到其他用戶干擾時，往往將其他信號看做整體干擾，使得次用戶間干擾情況復雜化，不利于問題分析與求解.而本文次用戶采用了NOMA 技術，則某次用戶所受干擾只源于剩余信道狀況更優(yōu)的次用戶合集，大大削弱了干擾項.原CR-NOMA 系統(tǒng)能量效率的功率分配問題建模為：

本文通過對次用戶進行功率分配，提升CRNOMA 系統(tǒng)總能效.由式（13）～（17）可知，本文能效優(yōu)化問題屬于混合整數(shù)非線性規(guī)劃問題（Mixed-Integer-Non-Linear-Problem,MINLP），直接求解相對困難.故想找到全局最優(yōu)解，可將原能效優(yōu)化問題解耦成兩個子問題，即用戶分組和次用戶功率最優(yōu)分配問題，再逐個求解.

2 CR-NOMA 系統(tǒng)用戶分組和功率分配算法

2.1 基于均勻信道增益差的用戶分組經(jīng)前文分析，CR-NOMA 系統(tǒng)同一子信道上會復用多個次用戶.為有效減小接收端利用SIC 技術的復雜度和時延，本文研究一個子信道內(nèi)復用兩個次用戶的情況，即M個子信道容納2N個次用戶.CR-NOMA 系統(tǒng)場景中的每個次用戶向認知基站反饋自身信道狀態(tài)信息，認知基站根據(jù)這些信息將次用戶的信道增益按依次遞減順序排列，如并將次用戶分成弱用戶集C和強用戶集D，分別為弱用戶集和強用戶兩用戶集的信道增益臨界為

在CR-NOMA 混合系統(tǒng)場景下，如果將信道信息相近的用戶劃分到相同子信道上，即兩用戶信道增益差較小，組合后將產(chǎn)生嚴重的相互干擾，且解調(diào)時會增加誤碼概率和破壞用戶公平性.而信道增益差較大，雖能顯著提高吞吐量和SIC 解碼效率，但又會出現(xiàn)功率浪費的情況.故功率分配前，本文先采用一種均勻信道增益差的用戶分組策略，將弱用戶集中信道增益最小用戶和強用戶集中信道增益最小用戶劃分成一組，直到弱用戶集中信道增益最大用戶和強用戶集中信道增益最大用戶組合成功，每個組合中的兩用戶占用相同子信道，各組合間分別占用不同子信道，由此用戶分組完成.

2.2 功率分配算法用戶分組完成之后，我們需給各次用戶合理分配最佳功率值，由于CR-NOMA系統(tǒng)功率分配優(yōu)化問題分為子信道間功率分配和子信道內(nèi)功率分配，故本文將功率優(yōu)化分配問題中的各子信道間功率與對應子信道內(nèi)次用戶功率比重映射為改進人工魚群算法中的魚群位置來聯(lián)合尋優(yōu)，即為其中的解集，適應度函數(shù)設置成總能效.當整個魚群均搜尋至最佳位置時，此時魚群對應位置即為優(yōu)化出的能使CR-NOMA 系統(tǒng)總能效最大化的所有子信道間最佳功率值和相對應的最佳比重值，從而可求解出所有子信道中所有次用戶的最佳功率.

子信道m(xù)內(nèi)復用兩個次用戶時，設為次用戶1 和次用戶2，信道增益關系滿足則子信道m(xù)的總傳輸速率可表示為：

2.2.1 傳統(tǒng)人工魚群算法傳統(tǒng)人工魚群算法（Artificial Fish Swarm Algorithm，AFSA）是模仿魚類特性的智能仿生學算法，核心思想是營養(yǎng)物質(zhì)濃度越高的地方就是人工魚聚集的位置，人工魚通過覓食、聚集、追尾、隨機等行為搜尋同類與營養(yǎng)物質(zhì)，直到尋優(yōu)結(jié)束.定義人工魚狀態(tài)用集合X=(X1，X2，···，XS) 表示，其中Xi表示尋優(yōu)變量，S表示種群數(shù)量；當前人工魚位置對應營養(yǎng)物質(zhì)濃度設置成Y=f(X)，一般為目標函數(shù)，為人工魚i與人工魚j間的歐氏距離，V為單個魚的視野搜尋范圍，F(xiàn)為人工魚個體的步長大小，δ為擁擠因子，γtry為人工魚阻止其掉入局部最優(yōu)陷阱時的最大試探次數(shù).

（1）覓食行為 迭代期間人工魚在其V中隨機鎖定某狀態(tài)Xj，同時探知此時食物濃度Yj，Xj更新公式為：

式中：rand()為 [0,1]中的一個隨機數(shù)，Yi為處于Xi位置時的食物濃度.比較兩處位置食物濃度大小，如果Yj>Yi，則人工魚朝著Yj方向前行一步，有

式中：t為迭代次數(shù).

（2）群聚行為 魚群搜尋期間將聚攏于食物濃度較高附近.設魚群中心位置為Xc=人工魚依靠當前V內(nèi)魚的數(shù)量nf和Xc向前尋優(yōu)，若視野食物密度Yc/nf>δYi且Yc>Yi，則人工魚朝著Xc移動，執(zhí)行群聚行為；否則繼續(xù)覓食，有

（3）追尾行為 人工魚在V內(nèi)追尋最優(yōu)魚的過程，人工魚搜尋到最優(yōu)同類位置Xgbest時，其最優(yōu)值為Ybest，若Ybest/nf>Yiδ，說明Xgbest處食物濃度較大和擁擠程度較低，則朝Xgbest位置前行一步，否則繼續(xù)覓食行為，有

（4）隨機行為 人工魚無變化時，隨機選擇某狀態(tài)并朝此方向移動，有

（5）公告欄 算法迭代尋優(yōu)期間記錄最優(yōu)魚位置，即得出最優(yōu)解.

2.2.2 改進的人工魚群算法傳統(tǒng)人工魚群算法 尋優(yōu)過程中，通常定義V和F為恒定值，而算法搜尋階段不同對應需求也不一致.迭代前期，算法需要廣闊的V和較大的F，使得魚群快速逼近全局最優(yōu)解區(qū)域；魚群越逼近目標，如V和F過大就易使魚群錯失食物濃度較多區(qū)域，以致算法無法獲取各人工魚所處最佳位置或難以得出高精度解.如果V和F過小，又限制了其全局搜尋能力與速度.此外，魚群執(zhí)行隨機行為時，隨機選擇某狀態(tài)不能體現(xiàn)其有效性，且可能致使人工魚越界喪失全局最優(yōu)魚信息和魚群多樣性，最終落入局部最優(yōu)陷阱.

本文提出一種改進的人工魚群算法（Improved Artificial Fish Swarm Algorithm,IAFSA），首先引進自適應迭代公式，其次在隨機行為中提出一種兼顧全局最優(yōu)魚信息的約束算子機制.以此在整個限制空間內(nèi)搜尋CR-NOMA 系統(tǒng)次用戶最佳發(fā)射功率.

步驟1自適應搜尋視野V.為增強算法局部搜尋精度與全局搜尋能力，采用動態(tài)參數(shù)非線性可變視野[18]控制魚群搜尋范圍，恒定V改進為自適應V，即

式中：t 為目前迭代次數(shù)，Vmin為最小搜尋視野，φ為非線性動態(tài)變化權(quán)重，Tmax為迭代次數(shù)最大值，λ為一常數(shù)，τ為大于1 的整數(shù).

步驟2自適應移動步長F.為加快收斂速度與尋優(yōu)精度，引入自適應策略，使之跟隨自適應V變化，即

式中：ψ ∈(0,1)為控制因子，F(xiàn)min為最小移動步長.

步驟3隨機行為中基于全局最優(yōu)魚信息的約束算子機制.該算子機制指導魚群搜尋食物源，確保個體魚行為變動的合理性和有效性，阻止其落入局部最優(yōu)陷阱和保證其多樣性.則式（25）改進為：

式中：Pcon為事先設置的約束機制概率，v為在[0,1]中的均勻隨機數(shù)，Xbetter為尋優(yōu)期間優(yōu)于Xi(t)的個體位置.

2.3 基于IAFSA 的CR-NOMA 功率分配正如前文所提，在CR-NOMA 系統(tǒng)各約束條件下，改進后人工魚群算法的目標函數(shù)即適應度函數(shù)可以設置為：

每個子信道功率和其中次用戶功率比重在自身功率限制區(qū)域內(nèi)均勻的選取一定的功率和功率比重，作為每條魚的初始位置，計算并判別當前搜尋域內(nèi)使適應度函數(shù)最大的最優(yōu)魚位置.同時整個魚群不斷靠近最優(yōu)魚位置和更新公告欄上的適應度值，以及執(zhí)行魚群4 個行為，從而不斷迭代搜尋出最優(yōu)解.搜尋中人工魚個體適應度函數(shù)和公告欄反復對比，將較高值賦予公告欄，使得下一刻的值始終大于等于前一時刻值.當整個魚群均搜尋到最佳位置時，此時人工魚群對應位置即為挑選出能使CR-NOMA 系統(tǒng)總能效最大化的子信道間功率值和比重值，進而可求解出所有次用戶的最佳功率.

本文所提基于改進后人工魚群算法的CRNOMA 系統(tǒng)功率匹配策略步驟如下：

步驟1系統(tǒng)初始化，CR-NOMA 系統(tǒng)中認知基站感知主用戶授權(quán)信道狀態(tài)信息和獲取用戶位置信息.

步驟2隨機產(chǎn)生人工魚魚群，初始搜尋視野V，步長F，最大試探次數(shù)γtry、擁擠因子δ和迭代次數(shù)最大值Tmax等.

步驟3根據(jù)CR-NOMA 系統(tǒng)構(gòu)建的適應度函數(shù)，計算魚群個體的相應適應度值并做比較，如果魚群中出現(xiàn)最優(yōu)人工魚，那么將最優(yōu)人工魚位置Xj和相對應食物濃度值（即適應度值）Ymax賦予公告欄中.

步驟4魚群在CR-NOMA 系統(tǒng)限制范圍和整個解域內(nèi)搜尋最優(yōu)解，并結(jié)合擁擠因子大小程度，相繼執(zhí)行4 個行為，其中隨機行為中采用式（29）和式（30）更新，V更新采用自適應式（26）和式（27），F(xiàn)更新采用自適應式（28），以更新個體位置信息和相應適應度值.

步驟5將每次迭代后取得的適應度新值和公告欄上的值作對比，選中優(yōu)良魚個體與其優(yōu)良適應度新值更新至公告欄上.

步驟6魚群反復迭代更新，直到滿足迭代次數(shù)最大值或適應度函數(shù)收斂等條件為止，僅需達到一個終止條件，則跳轉(zhuǎn)至步驟7，說明已找到CRNOMA 系統(tǒng)子信道間最優(yōu)功率和最優(yōu)比重值.否則返回至步驟4，進行下一步迭代更新.

步驟7得到最優(yōu)解，即公告欄上人工魚位置與適應度值，直此可得出CR-NOMA 系統(tǒng)所有次用戶的最佳功率，算法終止.

3 仿真結(jié)果和性能分析

為驗證本文改進后人工魚群算法在CR-NOMA系統(tǒng)功率分配中的應用性能，使用Matlab 仿真平臺進行性能分析.本次仿真設在半徑為500 m 的區(qū)域，次用戶隨機分布其中，認知基站與次用戶間最近距離為50 m，且次用戶間最近距離為30 m，各用戶相應信道增益與用戶至認知基站距離成反比.FTPA 算法和FPA 算法中的部分參數(shù)設置分別參考文獻[13]和文獻[14]，AFSA 算法中的部分參數(shù)設置參考文獻[18].一般來說，對于信道條件較差、干擾程度較大、距離較遠的用戶，系統(tǒng)會為其分配更大功率，反之為其分配較小功率；其主要仿真參數(shù)如表1 所示.

表1 主要仿真參數(shù)Tab.1 Main simulation parameters

從圖3 可以看出，曲線先增長幅度較大后放緩，因為次用戶數(shù)增大使增益分級變多，而基站發(fā)射功率不變，故少量次用戶時總能效提升明顯，大量次用戶時曲線變緩.FTPA 算法先將功率不合理地均等分配給各子信道，子信道再依據(jù)用戶路徑損耗比率進行功率再分配；FPA 算法忽略了信道環(huán)境狀況，只遵循等比數(shù)列固定比分配功率；故二者所得系統(tǒng)總能效較低；而本文（IAFSA）算法和AFSA 算法均是在各約束條件下，聯(lián)合優(yōu)化次用戶發(fā)射功率，能充分利用系統(tǒng)能量獲取更高系統(tǒng)總能效.此外，本文（IAFSA）算法彌補了AFSA 算法全局搜尋能力弱、搜尋精準度差和易跌入局部極值等缺陷，故所獲總能效更優(yōu)越.次用戶數(shù)為30 時，本文（IAFSA）算法在CR-NOMA 系統(tǒng)中所獲總能效比FPA、FTPA和AFSA 算法依次提升了大約37%、23%、10.6%.

圖3 系統(tǒng)總能效與次用戶數(shù)的關系圖Fig.3 Relationship between total energy efficiency of the system and number of secondary users

圖4 系統(tǒng)總能效與信噪比最小值的關系圖Fig.4 Relationship between total energy efficiency of the system and minimum of signal to interference ratio

圖5 仿真結(jié)果顯示，控制次用戶數(shù)不變，系統(tǒng)總能效增至一最高點后明顯降低下去；而其最高點對應認知基站總功率可視作最佳功率配置點，此時本文（IAFSA）算法所獲系統(tǒng)總能效最佳；如果繼續(xù)增加認知基站總功率，那么不利于系統(tǒng)能量的充分利用，但本文（IAFSA）算法仍能夠維持優(yōu)于其他3種算法的能效態(tài)勢.當基站總功率位于最佳功率配置點時，本文（IAFSA）算法在CR-NOMA 系統(tǒng)中所獲總能效比FPA、FTPA 和AFSA 算法依次提升了大約34%、18.5%、10%.FPA 算法既不考慮信道環(huán)境的影響，又僅以等比數(shù)列固定比分配功率，因此系統(tǒng)總能效最低.

圖5 系統(tǒng)總能效與認知基站功率的關系圖Fig.5 Relationship between total energy efficiency of the system and power of cognitive base station

圖6 為不同算法的次用戶公平指數(shù)與認知基站功率的關系圖.為體現(xiàn)CR-NOMA 系統(tǒng)用戶的公平性，引入Jain’s 公平指數(shù)評判，設定式中Ri為次用戶i的傳輸速率.Jain’s 公平指數(shù)取值范圍為0～1，其指數(shù)越靠近0 公平性越差，反之，指數(shù)越靠近1 公平性越好.從圖6 中可知，盡管4 種算法的Jain’s 公平指數(shù)在認知基站總功率15～40 dBm 的過程中逐漸遞減，但本文（IAFSA）算法在CR-NOMA 系統(tǒng)中所達到的公平性一直優(yōu)于其他3 種算法.

圖6 次用戶公平指數(shù)與認知基站功率的關系圖Fig.6 Relationship between secondary user fairness index and total power of cognitive base station

4 結(jié)語

本文結(jié)合NOMA 技術與認知無線電網(wǎng)絡，先采用均勻信道增益差的用戶分組策略；然后利用改進的人工魚群算法搜尋次用戶的最佳發(fā)射功率，結(jié)果顯示本文算法所獲總能效和用戶公平性略高于其他3 種算法.本文所提算法優(yōu)勢是在認知無線電技術的輔助下，考慮到用戶信道增益的區(qū)別和公平性等因素，也無需分開求解CR-NOMA 系統(tǒng)的子信道間功率和子信道內(nèi)用戶功率，只需利用改進后人工魚群算法的高效性能來聯(lián)合搜尋.本文結(jié)果為CR-NOMA 系統(tǒng)功率分配問題提供了一個行之有效的參考，解決了以往文獻客觀因素考慮不足等問題和降低了分別求解子信道間功率和子信道內(nèi)用戶功率的復雜性.然而本文算法存在基站負荷過重的局限性，后續(xù)研究將考慮D2D 用戶對通信以緩解系統(tǒng)壓力，進一步提升通信效率和系統(tǒng)性能.