认知无线电CR(Cognitive Radio)[1]作为一种新的无线电设计理念，强调无线电设备对频谱资源的动态占用，依靠人工智能感知无线通信环境，根据一定的学习和决策算法，实时自适应改变工作参数，动态检测和有效利用空闲频谱，理论上允许在时域、频域和空域上进行多维复用和共享。OFDM既能动态利用频谱资源，并根据子信道特性自适应加载，又能对授权用户频谱占用情况进行快速分析，被认为是认知无线电中传输链路自适应实现的一种潜在技术。
    参考文献[2]提出一种基于OFDM-CR的自适应功率加载算法，通过引入“频谱池”中的互干扰，分析了OFDM-CR对主用户的干扰分布，获得邻近主用户频段的“空载波”信息，以指导功率分配，其实质是注水功率加载算法在CR中的应用；参考文献[3]提出一种基于NC-OFDM的比特分配算法，并分析了收发信机之间交互比特分配信息对系统吞吐量的影响；参考文献[4]提出一种基于OFDM-CR的主次用户共存的功率分配算法，旨在共存环境中所有主次用户干扰都受限情况下最大化系统容量；参考文献[5-7]基于OFDM-CR集中式网络模型，分别采用遗传算法、记忆算法-联合本地搜索与遗传算法、Fitness Landscape分析进行迭代优化；参考文献[8]提出一种基于CR集中式网络的联合频谱资源分配与功率控制算法，分析了主用户干扰受限与不受限两种情况下的性能。上述算法要么只考虑单一用户,要么只考虑单主用户和单认知用户,缺乏公平性考虑。本文对多认知用户、单主用户共存情况下下行链路自适应分配算法开展研究，以树形分支贪婪算法为基础，引入功率余量因子和干扰余量因子,并通过比较余量因子相对大小来选择子载波，通过减小分支数以降低算法复杂度。仿真结果表明，改进的树形分支贪婪算法获得的系统容量与最优分配算法基本一致，但复杂度明显降低。
1 系统模型
    认知无线电网络某小区拥有一个认知网络基站CBS(Cognitive network Base Station)，用于管理该小区覆盖范围内的k个认知用户CUs(Cognitive Users)，该区域内还存在一个主用户PU(Primary User)。CBS根据CUs的速率需求完成子载波与功率分配，PU占用频谱和CUs可用频谱分布如图1所示，PU占用信道带宽为B，CUs可用PU频带两侧各N/2个子载波，子载波带宽为Δf。由于带外辐射等原因，CBS在下行链路传输数据时必然对PU产生干扰。同样，PU通信也会对CUs带来干扰。

    图4所示为认知用户在不同总功率下，传输速率与干扰容限之间的关系曲线。随着认知用户总功率的增加，认知用户总传输速率也增加，当干扰容限Ith很小时，发射功率对传输速率的影响不大，其原因在于此时起主导约束作用的是干扰容限Ith，导致系统容量不能迅速随着功率增加；当干扰容限Ith很大时，对系统的约束作用变小，此时起主导作用的是发射功率。图中最下面一条曲线趋于一条直线，说明单方面增大干扰容限并不一定能提高系统容量，而允许的发射功率较小在一定程度上会限制系统容量。

    图5所示为不同主用户发射功率下，认知用户的总传输速率与干扰容限之间的关系曲线。当主用户功率增大时，对认知用户的干扰也变大，发送比特所需能量也变大。由于总功率一定，故系统容量随主用户功率的变大而变小。
    认知网络占用可用频谱资源的首要前提是不对主用户通信造成干扰或对主用户干扰低于容限。本文以对主用户干扰为约束条件，对基于OFDM的认知无线电系统下行链路子载波与功率进行自适应分配。以树形分支贪婪算法为基础，引入功率余量因子和干扰余量因子对其进行了改进，通过比较余量相对大小来选择子载波，由于减小了分支数，极大降低了算法复杂度。仿真分析了不同认知用户总功率、不同主用户功率下传输速率与干扰容限之间的关系。相比于最优分配算法，改进算法的传输速率略低，但算法复杂度却有很大降低。当然，如果OFDM符号较长时，改进算法的计算复杂度仍然难以满足实时性要求。针对无线通信传输的时效性要求，进一步降低自适应分配算法的运算复杂度是需要继续进行的研究工作。
参考文献
[1] MITOLA J, MAGUIRE G Q.Cognitive radios: making software radios more personal[J]. IEEE Personal Communications, 1999,6(4):13-18.
[2] WEISS T,HILLENBRAND J.Mutual interference in OFDM  based spectrum pooling systems[C].Proceedings of IEEE  59th VTC’04, 2004:1873-1877.
[3] BANSAL G, HOSSAIN M J. Adaptive bit and power loading for OFDM-based cognitive radio systems[C]. Proceedings of IEEE ICC’07: 2007:5137-5142.
[4] WYGLINSKI A M. Effects of bit allocation on non-contiguous multi-carrier-based cognitive radio transceivers[C]. Proceedings of 64th IEEE VTC’06: 2006:1-5.
[5] ATTAR A, HOLLAND O. Interference-limited resource allo cation for cognitive radio in orthogonal frequency-division multiplexing networks[J]. IET Journal of Communication,  2008,2(6):806-814.
[6] TAO Q, CYRIL L C. Fair adaptive resource allocation for  multiuser OFDM cognitive radio systems[C]. Proceedings of CHINACOMM’07:2007:115-119.
[7] HUANG D, LEUNG, C, MIAO C Y. Memetic algorithm  for dynamic resource allocation in multiuser OFDM based cognitive radio systems[C]. Proceedings of IEEE CEC’08: 2008:3860-3865.
[8] ULUDAG G, UYAR A S. Fitness landscape analysis of differential evolution algorithms[C].Proceedings of ICSCCW’09,2009:1-4.
[9] DIGHAM F F. Joint power and channel allocation for cognitive radios[C]. Proceedings of IEEE WCNC’08:2008:882-887.
[10] JANG J H, KWANG B L. Transmit power adaptation for  multiuser OFDM systems[J]. IEEE Journal on Selected Areas in Communications, 2003,21(2):171-178.
[11] HAYKIN S. Cognitive radio: brain-empowered wireless communications[J]. IEEE Journal on Selected Areas in Communications, 2005,23(2):201-220.
[12] TAO Q, CYRIL L C. Fair adaptive resource allocation for multiuser OFDM cognitive radio systems[C]. Proceedings  of VINACOM’07: 2007:115-119.