1.一种认知无线网络中基于单调性优化与模拟退火的功率控制方法，其特征在于：所述控制方法包括以下步骤：(1)在认知无线电网络中，通过授权用户PU和非授权用户SUs的发送功率控制，在考虑包括PU与SUs之间以及不同SUs之间的两部分干扰的同时，保证PU的QoS的情况下最大化PU的净收益的优化问题描述为如下所示的非凸性优化问题：P1：max∑s∈ΩαsRs-β(p0-p0min)其中 表示每个SU  s的吞吐量，表示PU的上行链路吞吐量， Ω＝{1，

2...S}表示的是所有非授权用户(SUs)的集合；

在问题P1中，各个参数定义如下：αs:对于每个SU s实现的单位吞吐量PU进行收费的边际系数；

β：PU的边际功率消耗代价，单位为$/Watt；

Rs:每个SU s的吞吐量；

p0:PU的发送功率；

p0min：PU的最小传输功率消耗；

n:背景噪声功率；

qs:SU s的发送功率；

gsB:SU-Tx与BS之间的信道功率增益；

g0B:PU-Tx与BS之间的信道功率增益；

每个SU s的吞吐量要求；

PU的发送功率上限；

SU的最大传输功率上限；

g0S:PU-Tx与SU-Rx s之间的信道功率增益；

gss:SU-Tx s与SU-Rx s之间的信道功率增益；

gjs:SU-Tx j与SU-Rx s之间的信道功率增益；

W:PU信道的带宽；

上标“*”表示参数在优化问题中的最优值；

(2)用公式 将约束条件中的Rs展开，约束条件的第二项等价于 其中 问题P1的决策变量就转化为p0以及{qs}s∈Ω，用 和 分别表示问题P1的最优解；

(3)判断问题P1的可行性：

将公式 中的p0用{qs}s∈Ω代换，从而将该不等式重新表示成如下的一组线性约束：

且s≠j

采用M表示一个S×S矩阵，S表示Ω中SUs的总数，M中的项表示如下：此外，定义S×1的向量u，其中的每一项表示为令向量 表示SUs能够满足上述线性约束条件的传输功率的集合，记条件C1：以及条件C2：定义矩阵M的频谱半径，ρ(M)＝max{|λ||λ是M的特征值}，满足ρ(M)＜1；如果条件C1与C2能够满足，那么 其中I表示S×S的单位矩阵；向量 即({qs}s∈Ω)的每一个元素表示着每个SU s的最小传输功率，SUs的每一项{θs}s∈Ω均满足要求；

进一步从{qs}s∈Ω中推出PU的最小传输功率 得到问题(P1)可行的充分条件即条件C3：

(C3)： 且

(4)问题P1的垂直分层

问题P1垂直分解为两层结构，分别为问题(P1-底层)与问题(P1-顶层)，在底层问题中首先固定PU的发送功率p0，相应的，底层问题变为在给定PU的发送功率p0的情况下优化SUs的发送功率qs；

(P1-底层)：

通过在底层中计算F(p0)的值，将F(p0)的值代入到顶层问题从而优化PU的传输功率；

(P1-顶层)：

其中

通过底层问题与顶层问题的交互迭代，最终解决原问题P1；

(5)判断问题(P1-底层)的可行性当p0 确定时 ，为了 满足{θs}s∈Ω，SUs的 功率需 要能够 满足公式相当于求解方程我们用N表示一个S×S矩阵，S表示Ω中SUs的总数，N中的项表示如下：此外，定义S×1的向量v与向量w，其中的每一项分别表示为因而SUs满足其各自的吞吐量需求{θs}s∈Ω的发送功率表示为当p0＞0时， 中的项是非负的，当 时，问题(P1-底层)是可行的；用(x)s来表示向量x的第s项，将 代入不等式则能够明确问题(P1-底层)在p0满足不等式 该不等式的右边表示p0的下界，记作P；同时，通过将 与相比较，求解p0的上界， 其中Qmax表示S×1的向量，具体表示为 我们将p0的上界记为 因而得出问题(P1-底层)可行的充分条件为：

(6)问题(P1-底层)的求解，采用基于单调性优化的功率控制算法，过程如下：步骤6.1：引入辅助变量非授权用户的信噪比将底层问题转化为一个关于非授权用户信噪比ys的单调性优化问题；

其中

步骤6.2：设置初始最优非授权用户信噪比集合 其中设置当前的迭代次数k＝1；

步骤6.3：针对当前的最优非授权用户信噪比集合 计算集合中所有元素的目标函数k值 记录其中最大的目标函数值对应的点为z ；

步骤6.4：根据对分法计算原点与zk的连线与 的交点步骤6.5：如果 则算法终止，转至步骤6.9；否则转至步骤6.6；

步骤6.6：根据公式 计算出S个新的非授权用户信噪比的可选最优解，其中ei是S个相互正交的单位向量；

步骤6.7：利用步骤6.6中计算出的S个可选最优解代替zk以更新当前的最优非授权用户信噪比集合，记该集合为步骤6.8：设置迭代次数k＝k+1，进入下一次循环，返回步骤6.2；

步骤6.9：算法终止，退出算法循环，输出非授权用户信噪比最优解 为当前集合中目标函数值最大的信噪比；

步骤6.10：根据公式 设置S维向量r，根据公式q*＝(I-N)-1r计算最佳非授权用户发射功率，其中矩阵步骤6.11：根据公式 计算在固定p0的情况下的底层最优目标函数值供顶层使用；

(7)阈值Pth的求解

根据问题(P1-底层)的性质，能够发现 上存在一个特殊的阈值Pth，当P≤p0≤Pth时，不等式 才得以成立；因而求解该阈值Pth能够很大程度上缩小最优解的搜索域，求解过程如下：

步骤7.1：初始化设置，设置两个接近于0的很小的正数作为允许的计算误差，分别记为η以及ε，令plower＝P，步骤7.2：计算|plower-pupper|,如果该差值比所允许的计算误差ε小，表示所得到的值在误差允许的范围内，则算法终止，跳转至步骤7.6，否则，继续进行步骤7.3；

步骤7.3：将PU的发送功率p0设置为plower与pupper的中值，即步骤7.4：由于步骤7.3中给出了p0，通过步骤6解问题(P1-底层)并且得到相应的最优解步骤7.5：计算 用于判断现行的p0能否满足问题(P1-底层)的约束条件 因而如果|J(p0)|＜η，则将p0的上限pupper更新为现行的p0，否则将plower更新为现行的p0，返回步骤7.2；

步骤7.6：将所得到的p0作为特殊阈值Pth；

(8)问题(P1-顶层)的求解

根据问题(P1-底层)得到的最优解 以及最优的目标函数值F(p0)，上层问题就转化为一个关于授权用户发射功率p0的一维优化问题，采用模拟退火算法解问题(P1-顶层)，过程如下：步骤8.1：进行初始化设置：将PU的发送功率p0初始化为 其中P为PU的发max送功率p0的下界，设置合适的初始化温度T，终止温度Te，最大迭代次数k 以及冷却率α，设置能量函数 Δp0设置为一个非常小的值，根据步骤6的给出的底层算法计算出F(p0)并且计算得出相应的 设置PU最大净收益F*的初始值为0，迭代次数k＝0；

步骤8.2：生成新的解p0′＝p0+Δp0，根据步骤6的给出的底层算法计算出F(p0′)并且计算得出相应的 进一步计算得到能量函数E(p0′)及变化值ΔE＝E(p0)-E(p0′)；

步骤8.3：如果PU的发送功率 则算法终止，跳转至步骤8.8，否则，继续进行步骤8.4，其中 为PU的发送功率p0的上界，得具体可参见步骤5，Pth为由步骤7中所求出的特殊阈值；

步骤8.4：若ΔE＜0，接受p0′为下一个p0，否则按照概率 接受p0′为下一个p0；若 则更新最优解 以及相应的PU最大净收益F*；

步骤8.5：判断当前温度下是否达到稳定，即在某一温度下，根据设定的次数进行连续多次的迭代，而最优解的能量函数值不再变化时，认为在当前温度下达到平衡状态，继续下一步骤；否则，返回步骤8.2；

步骤8.6：更新温度Tk+1＝αTk，更新迭代次数k＝k+1；

步骤8.7：判断温度是否达到预先设置的终止温度Te，否则返回步骤8.2；

步骤8.8：输出实现最优化配置时PU的发送功率 SUs的发送功率 以及PU通过*服务SUs所获得的最大净收益F。