CN103324978B - 基于多目标量子蚁群算法的多目标决策引擎参数优化方法 - Google Patents

Abstract

本发明涉及一种同时使认知无线电系统最小化发射功率、最小化比特错误率和最大化数据速率达到最优的多目标决策引擎参数优化方法。本发明包括：建立多目标决策引擎模型；计算多目标量子蚁群算法路径初值；初始化多目标量子蚁群算法的量子信息素；进行非支配路径排序和路径拥挤度的计算；对非支配路径排序等级相同的路径进行排序，选择非支配路径排序等级为1的路径加入精英路径集；计算路径拥挤度；选出路径映射得到所需要的系统参数。本发明解决了离散多目标决策引擎参数优化问题，并设计非支配路径排序的多目标量子蚁群算法作为求解策略，提高了收敛精度高。即同时考虑最小化发射功率、最小化比特错误率和最大化数据速率，拓宽了适用性。

Description

基于多目标量子蚁群算法的多目标决策引擎参数优化方法

技术领域

本发明涉及一种同时使认知无线电系统最小化发射功率、最小化比特错误率和最大化数据速率达到最优的基于多目标量子蚁群算法的多目标决策引擎参数优化方法。

背景技术

随着无线通信的迅速发展，有限的频谱资源面临严重短缺的情形日益突出，现在已经成为制约无线通信持续发展的一个障碍。认知无线电(Cognitiveradio)是近年来针对频谱资源短缺现象所提出的一种新技术。该技术使认知用户能够在不对授权用户和其他认知用户产生干扰的情况下，使用空闲频谱，使得频谱资源得到充分利用，提高系统容量和频谱利用率，缓解了频谱资源短缺与快速增长的无线接入需求之间的矛盾，成为无线通信领域的重要研究方向。

认知通信系统具有智能感知环境变化、主动学习和自适应调整参数等特点，并主动检测到频谱空洞，有效利用空闲频谱。而认知无线电决策引擎是认知无线通信网络的主要决策部分，是认知无线电系统的智能核心。主要作用是根据环境的变化，对多目标要求的系统参数进行优化（例如发射功率、调制方式、帧长度、带宽和载波频率等通信参数），提高通信效率。

经对现有技术文献的检索发现，赵知劲等在《物理学报》(2007,Vol.56,No.11,pp.6760–6767;2009,Vol.58,No.7,pp.5118–5125)上发表的“基于量子遗传算法的认知无线电决策引擎研究”和“基于二进制粒子群算法的认知无线电决策引擎”中提出了基于量子遗传算法和粒子群算法的决策引擎模型，解决固定权重多目标决策引擎问题去确定系统参数。该类单目标优化算法不能同时使复杂通信环境下认知无线电系统最小化发射功率、最小化比特错误率和最大化数据速率同时达到最优。El-Saleh等在《IEEEMalaysiaInt.Conf.Commun.SpecialWorkshopDigit.TVContents.》(IEEE(数字电视内容)会议)(15-17，Dec.2009，pp.343-347)上发表的“Developmentofacognitiveradiodecisionengineusingmulti-objectivehybridgeneticalgorithm”提出了使用遗传算法去求解组合多目标决策引擎，但只是设计了线性权重把多目标问题转化为单目标，使用单目标遗传算法求解，依旧不能真正有效解决认知无线电决策引擎的多目标问题。

认知无线电参数调整需要根据感知到的当前信道条件、用户需求和制度限定等信息,对多个目标函数进行优化，给出一系列符合多条件限制的最佳参数配置方案，从而优化系统性能。认知无线电多目标决策引擎技术可以看作离散多目标组合优化问题，为经典的NP难题，很难在有限的时间内寻得最优解。因此，结合非支配路径排序和路径拥挤度计算，提出基于量子信息素的多目标量子蚁群算法（MQACO），求解多目标决策引擎问题进而合理进行系统的参数设置。

发明内容

本发明的目的是提出一种同时考虑最小化发射功率、最小化比特错误率和最大化数据速率等目标的基于多目标量子蚁群算法的多目标认知引擎参数优化方法。

本发明的目的是这样实现的：

（1）建立认知无线电系统的多目标决策引擎模型：

maxF(y)＝[f₁(y),f₂(y),f₃(y)]，其中，F(y)是多目标函数的目标矢量，为最小化发射功率的归一化最大值优化目标函数，为最大化数据速率的归一化最大值优化目标函数，为最小化比特错误率的归一化最大值目标函数，

x＝(x₁,x₂,…,x_l)为潜在的路径，x是由取值{0,1}的二进制数构成的l维解向量，y＝(y₁,y₂,…,y_2N)为x所对应的系统参数，N为子载波总数，y_i(1≤i≤N)为第i个子载波的发射功率，y_N+i(1≤i≤N)为第i个子载波的调制阶数，是N个子载波的平均发射功率，p_max是最大发射功率；是平均误比特率；M_max是最大调制阶数,M_min是最小调制阶数；

（2）计算多目标量子蚁群算法的3个路径初值，每个路径初值计算包括如下步骤：

1）初始化量子蚁群，将第i只量子蚂蚁的量子信息素i＝1,2,…,pop1的所有量子位初始化为对第i只量子蚂蚁的量子信息素测量得到的路径为其对应的系统参数为第i只量子蚂蚁记忆的局部最优路径为初始时设t＝0；

2）对所有量子蚂蚁，利用每只量子蚂蚁路径对应的系统参数根据适应度函数w₁+w₂+w₃＝1,0≤w₁≤1,0≤w₂≤1,0≤w₃≤1进行适应度计算，w₁,w₂,w₃为常数权值，计算出的适应度函数最大值对应的路径存为全局最优路径

3）更新每只量子蚂蚁的量子信息素和路径，第i只量子蚂蚁的第j维路径的沉积挥发因子、量子信息素和路径迭代更新为： $v_{\mathrm{ij}}^{t+1}=|v_{\mathrm{ij}}^t\cos {\mathrm{\θ}}_{\mathrm{ij}}^{t+1}-\sqrt{1-{\left(v_{\mathrm{ij}}^t\right)}^2}\sin {\mathrm{\θ}}_{\mathrm{ij}}^{t+1}|,$ $x_{\mathrm{ij}}^{t+1}=\left\{\begin{array}{c}1,{\mathrm{\μ}}_{\mathrm{ij}}^{t+1}>{\left(v_{\mathrm{ij}}^{t+1}\right)}^2\\ 0,{\mathrm{\μ}}_{\mathrm{ij}}^{t+1}\≤{\left(v_{\mathrm{ij}}^{t+1}\right)}^2\end{array}\right.,$ 其中，1≤i≤pop1，1≤j≤l，上标t和t+1代表迭代次数，为沉积挥发因子，为均匀分布在[0，1]之间的随机数；

4）对于每只量子蚂蚁的新路径，映射成系统参数，根据适应度函数计算适应度值；

5）更新每只量子蚂蚁的局部最优路径和全局最优路径，对于量子蚂蚁i经历的适应度最大的路径存为量子蚁群经历的适应度最大路径存为全局最优路径

6）如果演进没有终止，设t＝t+1，重新执行步骤3）；否则，演进终止，输出全局最优路径及其对应的系统参数；

（3）初始化多目标量子蚁群算法的量子信息素1≤i≤pop中元素为部分路径1≤i≤3，其它路径4≤i≤pop，通过每只量子蚂蚁对应的系统参数对每个目标进行适应度计算，多目标函数的归一化优化表达式为 $F\left(y_i^t\right)=[f_1\left(y_i^t\right),f_2\left(y_i^t\right),f_3\left(y_i^t\right)],$ 初始时设迭代次数t＝0；

（4）对量子蚁群中的所有量子蚂蚁根据其3个目标适应度值进行非支配路径排序和路径拥挤度的计算：

对于待确定等级路径集合中每个路径p，计算支配路径p的路径数目n_p以及路径p所支配的路径集合S_p，如果n_p＝0，则路径p的非支配排序等级为1，对于每个n_p＝0的路径p，遍历S_p中的每个路径q，设S_p中支配q的路径数目为n_q，若n_q＝0，将路径q放在集合Q_q中，路径的非支配路径等级为2，对Q_q中的每个路径重复上述计算，得到非支配路径等级为3的路径集合；

对于每个非支配等级，其中的n个路径根据目标函数的f_z值由小到大进行排序，目标函数值最小的和最大的所对应的路径的拥挤度值为I_z(1)_distance＝I_z(n)_distance＝∞，其它路径的拥挤度为k＝2,3,…,n-1，对每个路径的每个目标函数f_z(z＝1,2,3)对应的拥挤度进行计算，最终的路径拥挤度值就是计算出的3个拥挤度分量的和；

（5）对非支配路径排序等级相同的路径根据拥挤度由大到小进行排序，选择非支配路径排序等级为1的路径加入精英路径集G_{nonDomQACOList}中；

（6）采用多目标量子蚁群的演进规则对量子蚁群进行演化，产生新的量子信息素和路径，对最近两代路径进行非支配路径排序，计算路径拥挤度：

第i只量子蚂蚁第j维路径的沉积挥发因子为其中是中的元素，是中的元素，精英路径 $p_1^t=(p_{11}^t,p_{12}^t,...,p_{1l}^t)$ 和 $p_2^t=(p_{21}^t,p_{22}^t,...,p_{2l}^t)$ 分别从精英路径集G_{nonDomQACOList}前40%和前80%优秀路径中选择，为i只量子蚂蚁的在第t次迭代的第j维路径，e₁和e₂为常数；

第i只量子蚂蚁的第j维路径的量子信息素更新为：

1≤i≤pop，1≤j≤l，为均匀分布在[0，1]之间的随机数；c₁是对沉积挥发因子为0的量子信息素分量强制进行快速挥发或沉积的概率，量子蚂蚁的新路径通过对量子信息素测量得到，即

$x_{\mathrm{ij}}^{t+1}=\left\{\begin{array}{c}1,{\mathrm{\μ}}_{\mathrm{ij}}^{t+1}>{\left(u_{\mathrm{ij}}^{t+1}\right)}^2\\ 0,{\mathrm{\μ}}_{\mathrm{ij}}^{t+1}\≤{\left(u_{\mathrm{ij}}^{t+1}\right)}^2\end{array}\right.,$

其中为[0,1]间的均匀随机数，计算新路径的适应度值，将迭代产生路径和上一代的路径混合，对2×pop个路径进行非支配路径排序及路径拥挤度的计算，将产生的非支配路径排序等级为1的路径加入精英路径集G_{nonDomQACOList}中；

（7）如果精英路径集G_{nonDomQACOList}的路径个数大于常数ElitePop，ElitePop为精英路径集更新后的精英路径数，则对G_{nonDomQACOList}中的路径进行非支配路径排序和路径拥挤度计算，并对非支配路径排序等级相同的路径进行路径拥挤度由大到小进行排序，从中选择前ElitePop个优秀路径作为新的精英路径集；

（8）如果没有达到最大迭代代数，设t＝t+1，返回(6)继续迭代；否则，算法迭代终止，执行步骤（9）输出最终路径集；

（9）将得到的精英路径集G_{nonDomQACOList}中的路径进行非支配路径排序，选择非支配路径等级为1的路径作为最终的Pareto前端路径集，选出路径映射得到所需要的系统参数。

本发明的有益效果在于：

与现有技术相比，本发明充分考虑了认知无线电系统在完成决策引擎的过程中需同时使最小化发射功率、最小化比特错误率和最大化数据速率三个目标达到最优的难题，具有以下优点：

(1)本发明解决了离散多目标决策引擎参数优化问题，并设计非支配路径排序的多目标量子蚁群算法作为求解策略，提高了收敛精度高。

(2)相对于现有的决策引擎参数优化方法，本发明可以同时解决固定权值多目标优化和非固定权值多目标优化，即同时考虑最小化发射功率、最小化比特错误率和最大化数据速率，，拓宽了适用性。

(3)仿真结果表明，本发明所提出的决策引擎参数优化方法可得到比现有基于遗传算法的决策引擎技术更优秀的性能，提高了有效性。

附图说明

图1认知无线电决策引擎参数优化流程图；

图2多目标量子蚁群算法的量子信息素更新策略和路径更新示意图；

图3为MQACO算法所得到Pareto前端路径集合和不同通信模式下遗传算法得到单目标函数之间的关系示意图；

图4为MQACO算法所得到Pareto前端路径集合和不同通信模式下遗传算法得到单目标函数之间的关系示意图；

图5给出了对各个目标函数偏好相同时，MQACO得到的参数调整结果；

图6给出了低功耗情况下，MQACO得到的系统参数调整结果；

图7给出了高可靠性通信情况下，MQACO得到的参数调整结果；

图8为一个基于多目标量子蚁群算法的认知无线电多目标决策引擎参数优化系统。

具体实施方式

下面结合附图对本发明做进一步描述：

本发明针对现有认知无线电系统的决策引擎线性加权方法的不足，提出了一种同时考虑最小化发射功率、最小化比特错误率和最大化数据速率等目标的多目标认知引擎参数优化方法。该方法先提出量子信息素，进而提出多目标量子蚁群优化方法，并基于非支配路径排序，从而得到分布均匀的非支配路径集的Pareto前端路径。在实际的工程应用中，可以根据实际通信环境和要求，进而对3种目标选择不同的权重，从Pareto前端路径集中选择最合适的路径。故本发明所提出的方法能够解决决策引擎中的多目标优化问题。

本发明是通过如下技术方案来实现的，主要包括以下步骤：

步骤一，建立认知无线电系统的多目标决策引擎模型。把认知无线电系统的最小化发射功率、最小化比特错误率和最大化数据速率转化为多目标最大值优化问题。

认知无线电决策引擎参数优化方法遵循多目标优化过程，由优化过程确定系统参数。系统参数通过简单编码规则与量子蚂蚁路径一一对应。若x＝(x₁,x₂,…,x_l)为一潜在的路径，x是由取值{0,1}的二进制数构成的l维解向量，y＝(y₁,y₂,…,y_2N)为其对应的系统参数，y_i(1≤i≤N)为第i个子载波的发射功率，y_N+i(1≤i≤N)为第i个子载波的调制阶数,N为子载波总数。多目标函数的数学表达式可以描述为：maxF(y)＝[f₁(y),f₂(y),f₃(y)]。F(y)＝[f₁(y),f₂(y),f₃(y)]是多目标函数的目标矢量。为便于计算，f_i(y)(1≤i≤3)被归一化到[0,1]之间，N为系统的子载波数，最小化发射功率、最大化数据速率和最小化比特错误率的归一化最大值优化函表达式分别为： $f_2\left(y\right)=\frac{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\log }_2\left(y_{i+N}\right)-{\log }_2{M}_{\min }}{{\log }_2{M}_{\max }-{\log }_2{M}_{\min }},f_3\left(y\right)=1-\frac{{\log }_{10}0.5}{{\log }_{10}{\stackrel{\‾}{p}}_{\mathrm{be}}},$ 式中是N个子载波的平均发射功率，p_max是最大发射功率；是平均误比特率,是N个子载波支路发射功率和调制阶数的函数；M_max是最大调制阶数,M_min是最小调制阶数。

步骤二，根据单目标量子蚁群算法计算多目标量子蚁群算法的3个路径初值。选择3种常用的通信模式，设置3组权重组合，每组权重和为1，利用单目标量子蚁群算法，求得3种不同通信模式要求的最优路径作为多目标量子蚁群决策引擎的3个路径初值。可根据通信模式要求设置权重组合，得到适应度函数为3个权值的关系为w₁+w₂+w₃＝1，0≤w₁≤1，0≤w₂≤1，0≤w₃≤1，常数权值w₁,w₂,w₃可在约束空间随机确定，也可由常见的通信模式确定。通过单目标量子蚁群算法工作步骤进行迭代可得到一个该通信模式下的最优路径，分别使用单目标量子蚁群算法优化3种通信模式的参数就得到3个路径。

对每只量子蚂蚁进行适应度计算，评价其所找到路径的优劣(第t次迭代的最优适应度值为根据适应度函数 $f\left(y_i^t\right)=w_1{f}_1\left(y_i^t\right)+w_2{f}_2\left(y_i^t\right)+w_3{f}_3\left(y_i^t\right)$ 所计算出的最大值)。

任一通信模式下基于量子信息素的单目标量子蚁群算法的工作步骤如下；

1．初始化量子蚁群。把第i只量子蚂蚁的量子信息素i＝1,2,…,pop1的所有量子位初始化为pop1为量子蚁群所包含量子蚂蚁数，对第i只量子蚂蚁的量子信息素测量得到的路径为其对应的系统参数为第i只量子蚂蚁所记忆的局部最优路径为初始时设t＝0。

2．对所有量子蚂蚁，利用每只量子蚂蚁路径对应的系统参数根据适应度函数(w₁+w₂+w₃＝1,0≤w₁≤1,0≤w₂≤1,0≤w₃≤1)进行适应度计算，所计算出的适应度函数最大值对应的路径为全局最优路径

3．更新每只量子蚂蚁的量子信息素和路径。第i只量子蚂蚁的第j维路径的沉积挥发因子和量子信息素在t+1次迭代的更新公式如下： 其中，1≤i≤pop1，1≤j≤l；上标t和t+1代表迭代次数；为沉积挥发因子；常数0.06和0.015分别表示量子蚂蚁i所记忆的最优路径和所有量子蚂蚁所记忆的最优路径对量子信息素更新的影响程度。第i只量子蚂蚁的第j维路径通过对量子信息素进行测量得到，即 $x_{\mathrm{ij}}^{t+1}=\left\{\begin{array}{c}1,{\mathrm{\μ}}_{\mathrm{ij}}^{t+1}>{\left(v_{\mathrm{ij}}^{t+1}\right)}^2\\ 0,{\mathrm{\μ}}_{\mathrm{ij}}^{t+1}\≤{\left(v_{\mathrm{ij}}^{t+1}\right)}^2\end{array}\right.,$ 为均匀分布在[0，1]之间的随机数。

4．对于每只量子蚂蚁的新路径，映射成系统参数，计算适应度值，适应度函数为(w₁+w₂+w₃＝1,0≤w₁≤1,0≤w₂≤1,0≤w₃≤1)。

5．更新每只量子蚂蚁的局部最优路径(该蚂蚁至今为止所搜索到的适应度最大的路径)和全局最优路径(整个量子蚁群至今为止所搜索到的适应度最大的路径)。对于量子蚂蚁i，到现在为止所经历的最优路径记为全局最优路径就是整个量子蚁群到现在为止所经历的适应度最大路径。

6.如果演进没有终止(由预先设定的最大迭代次数决定)，设t＝t+1，返回3；否则，算法终止，输出全局最优路径及其对应的系统参数。量子蚂蚁通过迭代搜索得到的全局最优路径的映射参数即为一个组合目标决策引擎优化问题的解向量。

步骤三，初始化多目标量子蚁群算法的量子信息素(1≤i≤pop)中元素为部分路径(1≤i≤3)由步骤二确定，其它路径可对量子信息素测量得到量子蚂蚁的初始路径(4≤i≤pop)，并利用每只量子蚂蚁所对应的系统参数对每只量子蚂蚁对每个目标进行适应度计算(多目标为最小化发射功率、最大化数据速率和最小化比特错误率，要把其转化成多个多目标最大值优化问题，归一化多目标优化表达式矢量为初始时设迭代次数t＝0。

步骤四，对量子蚁群中的所有量子蚂蚁根据其3个目标适应度值进行非支配路径排序和路径拥挤度的计算，把最近两代路径进行非支配路径排序及路径拥挤度的计算。

在求解上述3个最大值的多目标优化问题时，对于可行路径x_i和x_k，若f_z(y_i)≥f_z(y_k),(z＝1,2,3)对所有的z都成立，且至少有一个严格不等式成立，则称x_i支配x_k，x_i为非支配路径。若f_z(y_i)≤f_z(y_k),(z＝1,2,3)对所有的z都成立，且至少有一个严格不等式成立，则称x_k支配x_i，x_k为非支配路径。否则，路径x_i、x_k无任何支配关系。

对待确定等级路径集合中每个路径p，计算支配路径p的路径数目n_p以及路径p所支配的路径集合S_p。如果n_p＝0，这意味着没有路径支配p，则说明路径p的非支配排序等级为1。对于每个n_p＝0的路径p，遍历S_p中的每个路径q，并且S_p中支配q的路径数目设为n_q，若n_q＝0，则将路径q放在集合Q_q中，这些路径的非支配路径等级为2。利用上述过程对Q_q中的每个路径重复，便可以得到非支配路径等级为3的路径集合。此过程重复直至得到所有路径的非支配等级。

对于每个非支配等级，其中的n个路径根据目标函数的f_z值由小到大进行排序，目标函数值最小的和最大的所对应的路径的拥挤度值设为I_z(1)_distance＝I_z(n)_distance＝∞。其它路径的拥挤度为相邻两个路径的目标函数值的差除以最大目标函数和最小目标函数的差，即k＝2,3,…,n-1。对每个路径的每个目标函数f_z(z＝1,2,3)所对应的拥挤度都进行上述计算，最终的路径拥挤度值就是计算出的3个拥挤度分量的和。

由上述计算过程可知，为确保得到均匀的Pareto前端路径集，要向非支配路径排序为1且路径拥挤度值较大的路径演进，所以根据非支配路径排序和路径拥挤度的值排序精英路径。

步骤五，对非支配路径排序等级相同的路径进行拥挤度由大到小进行排序，选择非支配路径排序等级为1的路径加入精英路径集G_{nonDomQACOList}中。

步骤六，采用多目标量子蚁群的演进规则对量子蚁群进行演化，产生新的量子信息素和路径，把最近两代路径进行非支配路径排序及路径拥挤度的计算。

在解决多目标优化的MQACO迭代过程中，每只量子蚂蚁从精英路径集中随机选择两个优秀精英路径 $p_1^t=(p_{11}^t,p_{12}^t,...,p_{1l}^t)$ 和 $p_2^t=(p_{21}^t,p_{22}^t,...,p_{2l}^t)$ 指引。第i只量子蚂蚁第j维路径的沉积挥发因子由 ${\mathrm{\θ}}_{\mathrm{ij}}^{t+1}=e_1(p_{1j}^t-x_{\mathrm{ij}}^t)+e_2(p_{2j}^t-x_{\mathrm{ij}}^t)$ 计算，其中是中的元素，是中的元素，和分别从精英路径集中G_{nonDomQACOList}前40%和前80%优秀路径中分别随机选择。为i只量子蚂蚁的在第t次迭代的第j维路径。e₁和e₂为常数，决定了指引该量子蚂蚁的两个优秀路径对该量子蚂蚁量子信息素更新的影响重要程度。

第i只量子蚂蚁的第j维路径的量子信息素更新方程为：

1≤i≤pop，1≤j≤l；。在方程中，上标t+1和t代表迭代次数；为均匀分布在[0，1]之间的随机数；c₁是对沉积挥发因子为0的量子信息素分量强制进行快速挥发或沉积的概率。量子蚂蚁的新路径通过对量子信息素测量得到，即 $x_{\mathrm{ij}}^{t+1}=\left\{\begin{array}{c}1,{\mathrm{\μ}}_{\mathrm{ij}}^{t+1}>{\left(u_{\mathrm{ij}}^{t+1}\right)}^2\\ 0,{\mathrm{\μ}}_{\mathrm{ij}}^{t+1}\≤{\left(u_{\mathrm{ij}}^{t+1}\right)}^2\end{array}\right.,$ 其中为[0,1]间的均匀随机数。

对新路径（解）求适应度值。将该迭代产生路径和上一代的路径混合，对2×pop个路径进行非支配路径排序及路径拥挤度的计算。将产生的非支配路径排序等级为1的路径加入精英路径集G_{nonDomQACOList}中。

步骤七，如果精英路径集G_{nonDomQACOList}的路径个数大于ElitePop，则对G_{nonDomQACOList}中的路径进行非支配路径排序和路径拥挤度计算，并对非支配路径排序等级相同的路径进行路径拥挤度由大到小进行排序。从中选择前ElitePop个路径作为新的精英路径集。

步骤八，如果没有达到最大迭代代数，设t＝t+1，返回步骤六继续迭代；否则，算法迭代终止，转到步骤九输出最终路径集。

步骤九，将得到的精英路径集G_{nonDomQACOList}中的路径进行非支配路径排序，选择非支配路径等级为1的路径作为最终的Pareto前端路径集。

步骤十，根据认知系统要求，从Pareto前端路径集选出路径映射得到所需要的系统参数。

本发明考虑到认知无线电系统需要同时考虑最小化发射功率、最小化比特错误率和最大化数据速率的多目标决策引擎要求，设计新方法得到Pareto前端路径集。认知无线电系统可以根据最小化发射功率、最小化比特错误率和最大化数据速率的权重，从Pareto前端路径集中选择相应的系统参数方案。

图2仿真基于多载波OFDM系统。采用32个子载波，为了模拟信道的衰落，为每个子载波分配一个[0，1]间的随机数。发射功率为0.1-2.56mW，编码由6位二进制比特组成。调制方式为BPSK、4PSK、16QAM和32QAM，编码由2位二进制比特组成,符号速率为0.125Msps，信道为加性高斯白噪声信道，噪声功率谱密度为1.4×10^-8mW/Hz。多目标量子蚁群算法（MQACO）的参数设置如下：ElitePop=40,pop=pop1=40,c₁＝1/l,e₁＝0.1,e₂＝0.05，终止迭代次数为1000。多目标量子蚁群算法中的3个初值由单目标量子蚁群算法得到，单目标量子蚁群算法终止迭代次数为500。所设的三个单目标函数权重设为如下三种模式:各个目标函数偏好相同；低功耗情况；高可靠性通信情况下。三种模式的权重分别设置如下。模式1：w₁＝1/3,w₂＝1/3,w₃＝1/3；模式2：w₁＝0.8,w₂＝0.05,w₃＝0.15；模式3：w₁＝0.05,w₂＝0.15,w₃＝0.8。遗传算法参数设置为：种群规模为40，迭代次数为1000，单点交叉，交叉概率为0.6，变异概率为0.01，使用精英保留策略，遗传算法要通过三个遗传种群分别演进以上三种通信模式下的认知无线电系统参数。

图3和图4给出了MQACO算法所得到Pareto前端路径集合和不同通信模式下遗传算法得到单目标函数之间的关系，注意两个图形结合着看才能确定3目标优化函数完整的支配关系。由遗传算法（GA）演进加权多目标函数得到的三种通信模式下归一化目标函数值f₁,f₂,f₃分别为：GA-1:0.8565，1，0.8169；GA-2:0.9499，0.6562，0.8301；GA-3:0.4757，0.8593，0.9581。

在模式1的情况下：由MQACO选取非支配路径目标函数值分别为0.9309，1和0.7882时，计算MQACO的线性加权目标值为0.9064，优于遗传算法的线性加权目标值0.8911。

在模式2的情况下：由MQACO选取非支配路径目标函数值分别为0.9609，1和0.7435时，MQACO的线性加权的目标值为0.9302，优于遗传算法的线性加权目标值0.9172。

在模式3的情况下：由MQACO选取非支配路径目标函数值分别为0.5186，0.8984和0.9551时，MQACO的线性加权的目标值为0.9248，优于遗传算法的线性加权目标值0.9192。

以图8的认知无线电网络认知引擎结构为例，其它情况可以依此类推，其中，无线信道多目标量子蚁群算法模块使用多目标量子蚁群算法对无线信道和环境进行建模，认知无线系统中的多目标量子蚁群算法模块利用多目标量子蚁群算法生成新的波形，认知系统监控模块包含有知识库，其中的长期知识是通过认知引擎技术曾经处理过的各种信道及相应的无线系统。多目标量子蚁群算法模块初始化参数，短期知识则是从长期知识库中搜索出的与当前信道比较相近的案例。为了避免在相同的信道条件下，多次执行多目标量子蚁群算法进行优化处理，在认知系统监控模块中实现了基于案例的决策器，即如果知识库中存在相同的案例则直接应用以前优化的结果，否则就执行优化过程。同时，认知系统监控模块能够提供并行分布式操作，具有学习分类器以及交替多目标量子蚁群算法功能，可以利用存储在知识库中的长期知识来综合匹配信道，也可以根据应用需求对短期知识进行操作。

该认知决策引擎参数优化方法可以对波形的相关参数进行调整，满足误比特率(BER)、信号带宽、频谱效率、功率、数据速率和干扰等多个指标的要求。选择要考虑的目标函数的形式(本文选最小化发射功率、最小化比特错误率和最大化数据速率)，运用本发明所提出的多目标量子蚁群算法，求解多目标决策引擎的最优路径集，即Pareto前端路径集。认知无线电系统根据认知通信系统对最小化发射功率、最小化比特错误率和最大化数据速率的要求，从决策引擎的Pareto前端路径集中选取合适系统参数，确定方案，完成决策引擎过程。

Claims (1)

1.基于多目标量子蚁群算法的多目标决策引擎参数优化方法，其特征在于：

(1)建立认知无线电系统的多目标决策引擎模型：

maxF(y)＝[f₁(y),f₂(y),f₃(y)]，其中，F(y)是多目标函数的目标矢量，

为最小化发射功率的归一化最大值优化目标函数，

为最大化数据速率的归一化最大值优化目标函数，

为最小化比特错误率的归一化最大值目标函数，

x＝(x₁,x₂,…,x_l)为潜在的路径，x是由取值{0,1}的二进制数构成的l维解向量，y＝(y₁,y₂,…,y_2N)为x所对应的系统参数，N为子载波总数，y_i(1≤i≤N)为第i个子载波的发射功率，y_N+i(1≤i≤N)为第i个子载波的调制阶数，是N个子载波的平均发射功率，p_max是最大发射功率；是平均误比特率；M_max是最大调制阶数,M_min是最小调制阶数；

(2)计算多目标量子蚁群算法的最小化发射功率的归一化最大值优化目标函数、最大化数据速率的归一化最大值优化目标函数、最小化比特错误率的归一化最大值目标函数的路径初值，每个路径初值计算包括如下步骤：

1)初始化量子蚁群，将第i只量子蚂蚁的量子信息素i＝1,2,…,pop1的所有量子位初始化为对第i只量子蚂蚁的量子信息素测量得到的路径为其对应的系统参数为第i只量子蚂蚁记忆的局部最优路径为初始时设t＝0；

2)对所有量子蚂蚁，利用每只量子蚂蚁路径对应的系统参数根据适应度函数w₁+w₂+w₃＝1,0≤w₁≤1,0≤w₂≤1,0≤w₃≤1进行适应度计算，w₁,w₂,w₃为常数权值，计算出的适应度函数最大值对应的路径存为全局最优路径

3)更新每只量子蚂蚁的量子信息素和路径，第i只量子蚂蚁的第j维路径的沉积挥发因子、量子信息素和路径迭代更新为： $v_{ij}^{t+1}=\left|v_{ij}^t{\mathrm{cos\θ}}_{ij}^{t+1}-\sqrt{1-{\left(v_{ij}^t\right)}^2}{\mathrm{sin\θ}}_{ij}^{t+1}\right|,$ $x_{ij}^{t+1}=\left\{\begin{array}{cc}1,& {\mathrm{\μ}}_{ij}^{t+1}>{\left(v_{ij}^{t+1}\right)}^2\\ 0,& {\mathrm{\μ}}_{ij}^{t+1}\≤{\left(v_{ij}^{t+1}\right)}^2\end{array}\right.,$ 其中，1≤i≤pop1，1≤j≤l，上标t和t+1代表迭代次数，为沉积挥发因子，为均匀分布在[0，1]之间的随机数；

4)对于每只量子蚂蚁的新路径，映射成系统参数，根据适应度函数计算适应度值；

5)更新每只量子蚂蚁的局部最优路径和全局最优路径，对于量子蚂蚁i经历的适应度最大的路径存为量子蚁群经历的适应度最大路径存为全局最优路径

6)如果演进没有终止，设t＝t+1，重新执行步骤3)；否则，演进终止，输出全局最优路径及其对应的系统参数；

(3)初始化多目标量子蚁群算法的量子信息素1≤i≤pop中元素为部分路径1≤i≤3，其它路径4≤i≤pop，通过每只量子蚂蚁对应的系统参数对每个目标进行适应度计算，多目标函数的归一化优化表达式为 $F\left(y_i^t\right)=\[f_1\left(y_i^t\right),f_2\left(y_i^t\right),f_3\left(y_i^t\right)\],$ 初始时设迭代次数t＝0；

(4)对量子蚁群中的所有量子蚂蚁根据其3个目标适应度值进行非支配路径排序和路径拥挤度的计算：

对于待确定等级路径集合中每个路径p，计算支配路径p的路径数目n_p以及路径p所支配的路径集合S_p，如果n_p＝0，则路径p的非支配排序等级为1，对于每个n_p＝0的路径p，遍历S_p中的每个路径q，设S_p中支配q的路径数目为n_q，若n_q＝0，将路径q放在集合Q_q中，路径的非支配路径等级为2，对Q_q中的每个路径重复上述计算，得到非支配路径等级为3的路径集合；

对于每个非支配等级，其中的n个路径根据目标函数的f_z值由小到大进行排序，目标函数值最小的和最大的所对应的路径的拥挤度值为I_z(1)_distance＝I_z(n)_distance＝∞，其它路径的拥挤度为k＝2,3,…,n-1，对每个路径的每个目标函数f_z(z＝1,2,3)对应的拥挤度进行计算，最终的路径拥挤度值就是计算出的3个拥挤度分量的和；

(5)对非支配路径排序等级相同的路径根据拥挤度由大到小进行排序，选择非支配路径排序等级为1的路径加入精英路径集G_{nonDomQACOList}中；

(6)采用多目标量子蚁群的演进规则对量子蚁群进行演化，产生新的量子信息素和路径，对最近两代路径进行非支配路径排序，计算路径拥挤度：

第i只量子蚂蚁第j维路径的沉积挥发因子为其中是中的元素，是中的元素，精英路径 $p_1^t=(p_{11}^t,p_{12}^t,...,p_{1l}^t)$ 和 $p_2^t=(p_{21}^t,p_{22}^t,...,p_{2l}^t)$ 分别从精英路径集G_{nonDomQACOList}前40％和前80％优秀路径中选择，为i只量子蚂蚁的在第t次迭代的第j维路径，e₁和e₂为常数；

第i只量子蚂蚁的第j维路径的量子信息素更新为：

1≤i≤pop，1≤j≤l，为均匀分布在[0，1]之间的随机数；c₁是对沉积挥发因子为0的量子信息素分量强制进行快速挥发或沉积的概率，量子蚂蚁的新路径通过对量子信息素测量得到，即

$x_{ij}^{t+1}=\left\{\begin{array}{cc}1,& {\mathrm{\μ}}_{ij}^{t+1}>{\left(v_{ij}^{t+1}\right)}^2\\ 0,& {\mathrm{\μ}}_{ij}^{t+1}\≤{\left(v_{ij}^{t+1}\right)}^2\end{array}\right.,$

其中为[0,1]间的均匀随机数，计算新路径的适应度值，将迭代产生路径和上一代的路径混合，对2×pop个路径进行非支配路径排序及路径拥挤度的计算，将产生的非支配路径排序等级为1的路径加入精英路径集G_{nonDomQACOList}中；

(7)如果精英路径集G_{nonDomQACOList}的路径个数大于常数ElitePop，ElitePop为精英路径集更新后的精英路径数，则对G_{nonDomQACOList}中的路径进行非支配路径排序和路径拥挤度计算，并对非支配路径排序等级相同的路径进行路径拥挤度由大到小进行排序，从中选择前ElitePop个优秀路径作为新的精英路径集；

(8)如果没有达到最大迭代代数，设t＝t+1，返回(6)继续迭代；否则，算法迭代终止，执行步骤(9)输出最终路径集；

(9)将得到的精英路径集G_{nonDomQACOList}中的路径进行非支配路径排序，选择非支配路径等级为1的路径作为最终的Pareto前端路径集，选出路径映射得到所需要的系统参数。