CN103401626A - 基于遗传算法的协作频谱感知优化方法 - Google Patents
基于遗传算法的协作频谱感知优化方法 Download PDFInfo
- Publication number
- CN103401626A CN103401626A CN2013103735734A CN201310373573A CN103401626A CN 103401626 A CN103401626 A CN 103401626A CN 2013103735734 A CN2013103735734 A CN 2013103735734A CN 201310373573 A CN201310373573 A CN 201310373573A CN 103401626 A CN103401626 A CN 103401626A
- Authority
- CN
- China
- Prior art keywords
- individuality
- individual
- spectrum sensing
- genetic algorithm
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于遗传算法的协作频谱感知优化方法,其实现步骤是:将协作频谱感知优化问题中的优化变量对应于遗传算法的个体定义,目标优化函数f(W)对应于遗传算法的适应度函数;从一个初始种群出发,利用适应度函数对每一个个体进行评估,取出适应度值最低的C个个体,经过交叉和变异操作,产生一群更适应环境的个体,使群体进化到搜索空间中越来越好的区域;经过这样一代又一代地不断繁衍进化,最后得到最适合环境的个体,也就是协作频谱感知优化问题的最优解。本发明在协作频谱感知优化时具有检测性能好、稳定且计算时间少等优势。
Description
技术领域
本发明涉及认知无线电技术领域,具体涉及一种基于遗传算法的协作频谱感知优化方法,可适用于生产调度、组合优化、图像处理、自动控制和函数优化等领域。
背景技术
无线通信中的认知无线电技术是一种智能无线电通信技术,可以通过感知周围环境、调制运行参数,达到随时随地通信系统的高可靠性和频谱利用率的高效性。
在认知网络中,当授权用户或主用户处于非活动状态时,非授权用户或认知用户在对主用户信号不造成干扰的前提下通过频谱感知进行接入,从而最大化频谱利用率。然而受无线信道干扰、衰落以及时变特性的影响,一般单个认知用户很难获得可靠的瞬态感知信息,也不能有效分辨出主用户信号微弱和主用户空闲这两种状态。而相比较单个认知用户的检测结果,多个认知用户进行协作频谱感知能够有效提高检测的可靠性,因此协作频谱感知技术被广泛提及和关注。
协作频谱感知通常分为感知和报告两个阶段,在感知阶段,每个用户独立地完成局部检测;在报告阶段,将所有用户的局部检测结果发送到融合中心(Fusion Center,FC),FC对收到的局部统计信息进行数据融合,综合做出主用户信号存在与否的最终判决。
通常情况下,有两种协作频谱感知优化方法:
1、最优的线性合并方法(Optimal Linear Cooperation,OPT.LIN),OPT.LIN方法对原优化问题划分成子问题,得出其理论上下确界,然后通过凸优化方法进行求解,这样会耗费大量的计算时间。
2、偏移系数方法(Modified Deflection Coefficient,OPT.MDC),OPT.MDC方法尽管简单,但其最优性建立在认知用户的局部信噪比远大于1的基础上,使其应用范围受到一定限制。
发明内容
本发明的目的在于针对已有技术的不足,提供一种基于遗传算法的协作频谱感知优化方法,获得较优检测性能的同时减少算法在频谱感知时所耗费的时间。
需要说明的是,实现本发明目的的技术思路为:将协作频谱感知优化问题中的优化变量对应于遗传算法的个体定义,目标优化函数f(W)对应于遗传算法的适应度函数;从一个初始种群出发,利用适应度函数对每一个个体进行评估,然后取出适应度值最低的C个个体,经过交叉和变异操作,产生一群更适应环境的个体,使群体进化到搜索空间中越来越好的区域;经过这样一代又一代地不断繁衍进化,最后得到最适合环境的个体,也就是协作频谱感知优化问题的最优解。
为了实现上述目的,下面进一步描述本发明的技术方案:
基于遗传算法的协作频谱感知优化方法,所述方法包括以下步骤:
(1)建立协作频谱感知优化模型;
(2)初始化遗传算法参数;其中包括种群大小P,交叉概率Pc,变异概率Pm;初始化遗传代数t=1,随机产生P个个体作为初始种群,记个体i为xi=[xi1...xiD],i=1...P,其中D表示个体的维数,并根据式xi=xi/||xi||,i=1…P对其归一化,所述个体可以直接定义为待优化的变量,即控制中心给各用户统计信息所分配的权值因子W,即xi=W;
(3)计算步骤(2)中每个个体的适应度值;根据所述适应度值对个体从小到大重新排列,并选出前C个个体,其中C=Pc×P,所述适应度函数定义为每个个体所代表的权值获得的检测结果;
(4)将选出的个体送入杂交池,并将其进行任意的两两配对,形成父代个体,对于每一对父代个体,随机选取交叉点,交叉后的新子代个体则通过交换父代个体中交叉点后相应的元素部分来获得;
(5)对于交叉之后的个体,根据步骤(2)设定的变异概率Pm,并取出一部分个体进行变异;
(6)合并所有的个体,同时对所有的个体进行归一化操作,其中,归一化方法同步骤(2),并计算所有个体的适应度值,根据适应度值对个体从小到大重新排列,选出前C个个体进入下一代杂交池,其中C=Pc×P;
需要说明的是,所述协作频谱感知优化模型为:
其中,W为权值因子,Pf是虚警概率,A=2Ndiag2(σ)+diag(δ),B=2Ndiag2(σ)+diag(δ)+4Esdiag(g)diag(σ),其中N为采样点数,σ为链路噪声,δ为控制信道噪声,g表示信道增益,f(W)是由检测概率利用Q函数的非增性化简得到的,最大化检测概率对应于最小化f(W),其中检测概率为
需要说明的是,所述步骤(3)的计算公式如下:
本发明与现有技术相比具有以下优点:
1、本发明不是采用确定性规则,而是采用概率的变迁规则来指导它的搜索方向,这样相较于现有技术,本发明搜索到最优解的可能性大大增加;
2、本发明在搜索过程中不容易陷入局部最优,即使所定义的适应度函数是不连续的、非规则的或有噪声的情况下,也能以很大的概率找到全局最优解;
3、本发明采用自然进化机制来表现复杂的现象,能够快速可靠地解决求解非常困难的问题;
4、本发明采用的遗传算法高效稳定,相较于其他技术,能够以较低的频谱感知时间获得较优的检测性能。
附图说明
图1为本发明的总体流程示意图;
图2为本发明中利用遗传算法实现优化问题的子流程图;
图3为本发明方法与现有方法检测性能的对比图;
图4为本发明方法与现有方法在协作频谱感知优化时所耗费的平均时间的对比图。
具体实施方式
下面将结合附图对本发明作进一步的描述。
需要说明的是,如图1所示,遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法,本发明的整体流程按照图1步骤进行。
如图2所示,本发明的具体步骤如下:
步骤一,初始化。初始化遗传算法参数,包括种群大小P,交叉概率Pc,变异概率Pm。初始化遗传代数t=1,随机产生P个个体作为初始种群,记个体i为xi=[xi1 … xiD],i=1…P,其中D表示个体的维数,并根据式xi=xi/||xi||,i=1…P对其归一化。对于本文研究的协作频谱感知优化问题,个体可以直接定义为待优化的变量,也即控制中心给各用户统计信息所分配的权值因子W,即xi=W。
步骤二,评估。根据式fitness(xi)=f(xi),其中xi=W,计算步骤一中每个个体的适应度值,并根据适应度值对个体从小到大重新排列,并选出前C个个体,其中C=Pc×P。其中适应度函数定义为每个个体所代表的权值获得的检测结果,即:fitness(xi)=f(xi),其中xi=W。个体的适应度值越小,表示该个体所表示的权值所获得的检测概率越高,从而该个体的质量越好。
步骤三,交叉。将选出的个体送入杂交池,并将其进行任意的两两配对,形成父代个体,对于每一对父代个体,随机选取交叉点,交叉后的新子代个体则通过交换父代个体中交叉点后相应的元素部分来获得。选取低适应度函数值的个体作为父代的主要原因在于优势父母所产生的个体要优于一般父母所产生的个体。可见,由于交叉引入优胜劣汰的进化策略,后代个体的质量能够得到保证。
步骤四,变异。对于交叉之后的个体,根据步骤二设定的变异概率Pm,取出一部分个体进行变异。变异的新个体通过随机改变原个体的某一元素值来获得。
步骤五,精英保留。合并所有的个体,同时对所有的个体进行归一化操作,归一化方法同步骤一,并计算所有个体的适应度值,根据适应度值对个体从小到大重新排列,选出前C个个体进入下一代杂交池,其中P=20。
为了更好地描述本发明的效果,将通过下面的仿真实例进一步证明。
1、仿真参数设置
具体参数设置如表1所示:
参数 | 种群数目 | 最大迭代次数 | 交叉个体数目 | 变异概率 |
取值 | P=20 | Tmax=50 | C=8 | Pm=0.1 |
2、仿真方法
现有最优的线性合并方法、偏移系数方法和本发明方法。
3、仿真内容
仿真1
如图3所示,将本发明方法与传统的最优的线性合并方法(OPT.LIN)以及偏移系数方法(OPT.MDC)的检测性能进行比较。
在图3中,曲线31是本发明方法仿真得到的检测性能曲线,曲线32是最优的线性合并方法(OPT.LIN)仿真得到的检测性能曲线,曲线33是偏移系数方法(OPT.MDC)仿真得到的检测性能曲线。
对比曲线31、32和33可以看出,本发明的方法与最优的线性合并方法(OPT.LIN)检测性能相接近,而优于偏移系数方法(OPT.MDC)的检测性能。然而,相比本发明方法,最优的线性合并方法(OPT.LIN)对原优化问题划分成子问题,得出其理论上下确界,然后通过凸优化方法进行求解,会耗费大量的计算时间。偏移系数方法(OPT.MDC)虽然简单,但其最优性建立在认知用户的局部信噪比远大于1的基础上。
仿真2
如图4所示,将本发明方法与传统的最优的线性合并方法(OPT.LIN)以及偏移系数方法(OPT.MDC)在协作频谱感知优化时所耗费的平均时间进行仿真比较。
在图4中,曲线41是本发明方法在协作频谱感知优化时所耗费的平均时间,曲线42是最优的线性合并方法(OPT.LIN)在协作频谱感知优化时所耗费的平均时间,曲线43是偏移系数方法(OPT.MDC)在协作频谱感知优化时所耗费的平均时间。
对比曲线41、42和43可以看出,最优的线性合并方法(OPT.LIN)所耗费的时间最多,本发明方法所耗费的时间次之,偏移系数方法(OPT.MDC)在三种方法中所耗费的时间最少,这样就无疑为保证频谱感知的计算效率和实时性提供了有效的优化思路。
综合分析上述仿真结果,本发明方法在协作频谱感知优化时具有检测性能好、稳定且计算时间少等优势。
对于本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及变形,而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。
Claims (3)
1.基于遗传算法的协作频谱感知优化方法,其特征在于,所述方法包括以下步骤:
(1)建立协作频谱感知优化模型;
(2)初始化遗传算法参数;其中包括种群大小P,交叉概率Pc,变异概率Pm;初始化遗传代数t=1,随机产生P个个体作为初始种群,记个体i为xi=[xi1...xiD],i=1...P,其中D表示个体的维数,并根据式xi=xi/||xi||,i=1...P对其归一化,所述个体可以直接定义为待优化的变量,即控制中心给各用户统计信息所分配的权值因子W,即xi=W;
(3)计算步骤(2)中每个个体的适应度值;根据所述适应度值对个体从小到大重新排列,并选出前C个个体,其中C=Pc×P,所述适应度函数定义为每个个体所代表的权值获得的检测结果;
(4)将选出的个体送入杂交池,并将其进行任意的两两配对,形成父代个体,对于每一对父代个体,随机选取交叉点,交叉后的新子代个体则通过交换父代个体中交叉点后相应的元素部分来获得;
(5)对于交叉之后的个体,根据步骤(2)设定的变异概率Pm,并取出一部分个体进行变异;
(6)合并所有的个体,同时对所有的个体进行归一化操作,其中,归一化方法同步骤(2),并计算所有个体的适应度值,根据适应度值对个体从小到大重新排列,选出前C个个体进入下一代的杂交池其中C=Pc×P;
3.根据权利要求1所述的协作频谱感知优化方法,其特征在于,所述步骤(3)的计算公式如下:
根据式fitness(xi)=f(xi),其中xi=W。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310373573.4A CN103401626B (zh) | 2013-08-23 | 2013-08-23 | 基于遗传算法的协作频谱感知优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310373573.4A CN103401626B (zh) | 2013-08-23 | 2013-08-23 | 基于遗传算法的协作频谱感知优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103401626A true CN103401626A (zh) | 2013-11-20 |
CN103401626B CN103401626B (zh) | 2016-03-16 |
Family
ID=49565177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310373573.4A Expired - Fee Related CN103401626B (zh) | 2013-08-23 | 2013-08-23 | 基于遗传算法的协作频谱感知优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103401626B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104158551A (zh) * | 2014-08-20 | 2014-11-19 | 上海交通大学 | 双频带无线能量数据传输系统线圈的优化方法和优化系统 |
CN104573820A (zh) * | 2014-12-31 | 2015-04-29 | 中国地质大学(武汉) | 一种用于带约束条件的工程优化问题的遗传算法 |
CN104993889A (zh) * | 2015-07-07 | 2015-10-21 | 西安电子科技大学 | 一种基于人工蜂群算法的多频带协作频谱感知优化方法 |
CN105722235A (zh) * | 2016-02-15 | 2016-06-29 | 天津大学 | 基于遗传算法的高能效传感器节点调度方法 |
CN110365434A (zh) * | 2019-06-27 | 2019-10-22 | 广东工业大学 | 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050267851A1 (en) * | 2004-05-25 | 2005-12-01 | Semiconductor Leading Edge Technologies, Inc. | Fitness function circuit, genetic algorithm machine, and fitness evaluation method |
CN103106253A (zh) * | 2013-01-16 | 2013-05-15 | 西安交通大学 | 一种MapReduce计算模型中基于遗传算法的数据平衡方法 |
-
2013
- 2013-08-23 CN CN201310373573.4A patent/CN103401626B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050267851A1 (en) * | 2004-05-25 | 2005-12-01 | Semiconductor Leading Edge Technologies, Inc. | Fitness function circuit, genetic algorithm machine, and fitness evaluation method |
CN103106253A (zh) * | 2013-01-16 | 2013-05-15 | 西安交通大学 | 一种MapReduce计算模型中基于遗传算法的数据平衡方法 |
Non-Patent Citations (1)
Title |
---|
黑永强,李晓辉,李文涛: "认知网络中的多用户MIMO线性协作频谱感知问题研究", 《通信学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104158551A (zh) * | 2014-08-20 | 2014-11-19 | 上海交通大学 | 双频带无线能量数据传输系统线圈的优化方法和优化系统 |
CN104158551B (zh) * | 2014-08-20 | 2016-03-30 | 上海交通大学 | 双频带无线能量数据传输系统线圈的优化方法和优化系统 |
CN104573820A (zh) * | 2014-12-31 | 2015-04-29 | 中国地质大学(武汉) | 一种用于带约束条件的工程优化问题的遗传算法 |
CN104993889A (zh) * | 2015-07-07 | 2015-10-21 | 西安电子科技大学 | 一种基于人工蜂群算法的多频带协作频谱感知优化方法 |
CN105722235A (zh) * | 2016-02-15 | 2016-06-29 | 天津大学 | 基于遗传算法的高能效传感器节点调度方法 |
CN105722235B (zh) * | 2016-02-15 | 2021-10-22 | 天津大学 | 基于遗传算法的高能效传感器节点调度方法 |
CN110365434A (zh) * | 2019-06-27 | 2019-10-22 | 广东工业大学 | 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法 |
CN110365434B (zh) * | 2019-06-27 | 2021-08-24 | 广东工业大学 | 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103401626B (zh) | 2016-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103401625B (zh) | 基于粒子群优化算法的协作频谱感知优化方法 | |
Sery et al. | On analog gradient descent learning over multiple access fading channels | |
CN106604267B (zh) | 一种动态自适应的无线传感器网络入侵检测智能方法 | |
CN103401626B (zh) | 基于遗传算法的协作频谱感知优化方法 | |
CN104951834A (zh) | 基于遗传算法和粒子群集成的lssvm风速预测方法 | |
CN102609766B (zh) | 一种风电场风速智能预测方法 | |
CN103413174A (zh) | 基于深度学习方法的短期风速多步预测方法 | |
CN103987051A (zh) | 基于无线传感器网络可靠感知的频谱共享方法 | |
CN110210723B (zh) | 一种基于层次分析法和孤立森林的窃电辨识方法 | |
Dai et al. | Energy‐efficient resource allocation for device‐to‐device communication with WPT | |
CN104954210A (zh) | 配电通信网中的不同业务类型与无线通信方式的匹配方法 | |
Azharuddin et al. | A GA-based approach for fault tolerant relay node placement in wireless sensor networks | |
CN104506354A (zh) | 一种基于半实物仿真的数据网风险评估方法 | |
Zhang et al. | Power versus spectrum 2-D sensing in energy harvesting cognitive radio networks | |
CN109548044A (zh) | 一种基于ddpg的能量可收集通信的比特率优化算法 | |
Yan et al. | Data-driven pollution source location algorithm in water quality monitoring sensor networks | |
Mohanty et al. | SATPAS: SINR-based adaptive transmission power assignment with scheduling in wireless sensor network | |
Qu et al. | Research on short‐term output power forecast model of wind farm based on neural network combination algorithm | |
CN105246173A (zh) | 一种适用于rsn的节点分簇方法及其融合判决方法 | |
Mohanty et al. | Minimizing the maximum receiver interference in wireless sensor networks using probabilistic interference model | |
Ono et al. | Island model genetic programming based on frequent trees | |
Barreto et al. | Competitive neural networks for fault detection and diagnosis in 3G cellular systems | |
CN107171712B (zh) | 大规模多输入多输出系统中发射端发射天线的选择方法 | |
Chen et al. | Deep learning for cooperative spectrum sensing in cognitive radio | |
Hamza et al. | Evolutionary clustering for integrated WSN-RFID networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160316 Termination date: 20210823 |
|
CF01 | Termination of patent right due to non-payment of annual fee |