- 博弈学习通信抗干扰理论与方法
- 贾录良等
- 840字
- 2025-02-27 03:47:26
3.3 离散策略条件下的分层功率控制抗干扰
3.3.1 问题描述
在离散功率策略条件下,假设用户的可用功率策略集为P={p1 , p2 ,…, pm,…, pM},干扰功率策略集为J={φ1 ,φ2 ,…,φn,…,φN}。根据文献[24-25],基于信干噪比(SINR),用户的效用函数可定义为

式中,为噪声功率;cs为用户单位发射功率代价;pm和φn分别为用户和干扰的发射功率。相应地,干扰的效用函数可定义为[24-25]

式中, c j为单位干扰功率代价。与 3.2 节分析类似,在离散功率策略条件下,也可将功率控制抗干扰问题建模为一个 Stackelberg 博弈问题。其中,通信用户假设为领导者,干扰为跟随者。为了叙述方便,下面叙述中用1和2分别表示用户和干扰的标志编号。构建的Stackelberg博弈可以表示为G={N,P, J,μs,μj},其中, N={1,2}表示参与者的集合, P和J 分别表示用户和干扰的策略空间,μs和μj分别表示通信用户和干扰的效用函数。
在一个 Stackelberg 博弈中,考虑到跟随者的不精确观测和有限理性,跟随者会偏离它的最佳策略。为了表征跟随者的不精确观测,引入观测因子γ∈[0,1],γ越大,表示精确观测的概率越大。当γ=1时,表示跟随者可以完美观测领导者的行为。观测误差矩阵可以建模为

式中,φm,l为将功率pm看作pl的概率。当满足条件m=l时,φm,m=γ表示干扰可以精确观测用户发射功率pm的概率;否则,有φm,l=(1-γ)/(M-1),其中M表示用户发射功率策略的个数。
考虑到干扰的不精确观测特性,式(3-29)所示的干扰效用函数可改写为

对于干扰来说,给定一个用户的功率策略pm∈P,干扰的优化问题可建模为

由于跟随者的有限理性,即跟随者不是严格地追求效用最大化。受文献[152]的启发,为了表征有限理性的不确定度,引入理性因子η∈[0,1]来表征干扰的理性度。理性因子η越大,表示理性度越高。如果η=1,就表示跟随者是完全理性的。为了分析方便,理性矩阵可定义为

式中,Ψw,k为功率φw被看作功率φk的概率。如果满足w=k,Ψw,w=η表示干扰的理性度;否则,有Ψw,k=(1-η)/(N-1),其中N表示干扰功率策略的个数。考虑到干扰的有限理性,式(3-28)所示的用户效用函数可改写为

相应地,用户的优化问题可表示为
