CN104168571B - 认知Mesh网络中基于免疫多目标优化的频谱分配方法 - Google Patents

Abstract

本发明涉及一种认知Mesh网络中基于免疫多目标优化的频谱分配方法，包括以下步骤：（1）检测到空闲频谱得到用户分布图；（2）对频谱分配问题进行抗体编码，将问题与免疫方法求解进行映射；（3）生成初始化抗体种群；（4）种群克隆操作：（5）种群变异操作；（6）种群选择操作；（7）种群输出。本发明能够找到更多优秀解集，满足频谱分配多目标同时优化的需求，提高了求解效果和灵活性，适用于对认知Mesh网络的频谱资源进行分配。

Description

认知Mesh网络中基于免疫多目标优化的频谱分配方法

技术领域

本发明属于无线通信领域，涉及一种认知Mesh网络中基于免疫多目标优化的频谱分配方法，尤其适用于对认知Mesh网络的频谱资源进行分配。

背景技术

随着无线通信业务的不断发展，无线频谱资源日益紧缺。认知无线电被认为是解决无线频谱资源紧缺的一个有效途径。无线Mesh网(无线网状网)是一种新型的无线网络，融合了无线局域网和Ad hoc网络的优势，具有组网灵活、大容量、高速率、覆盖范围广等特点，适合于宽带无线网络的骨干传输环境，受到了业界的广泛关注。

将认知无线电和宽带无线Mesh网络相结合的无线网络称为认知无线Mesh网络(Cognitive Wireless Mesh Network,CWMN/CogMesh)。在CWMN中，每个Mesh节点使用认知无线电技术，智能感知空闲的频谱并进行动态机会接入，提高无线频谱资源的利用率。因此，CWMN在异构网络融合和提高无线资源利用率方面具有巨大潜力，得到了研究者的普遍关注。

目前，关于CWMN的研究仍处于初期阶段。本发明主要关注CWMN中，认知Mesh节点已经获得可用频谱后，如何进行最优的频谱分配。频谱分配一直是无线网络研究领域的热点问题。然而，不论是无线Mesh网络的频谱分配还是认知无线网络的频谱分配方法都无法直接应用到认知mesh网络中。针对CWMN的频谱分配问题，已有的研究大多是采用线性规划的方法求解某一个目标的优化问题，往往无法达到最优性能；有的研究提出了综合考虑多个频谱分配目标的优化模型和方法，即最大化总带宽和最小化占用频谱数，然而并没有给出方法的pareto最优解集，不利于用户决策。

发明内容

本发明所要解决的问题在于，克服现有技术的不足，提供一种认知Mesh网络中基于免疫多目标优化的频谱分配方法，寻求频谱分配问题的Pateto最优解集(非支配解集)，满足多目标同时优化的需求进而根据用户需求，选择最满意解，优化系统性能。本发明主要解决了已有的认知Mesh网络频谱分配研究大多是采用线性规划的方法求解某一个目标的优化问题，往往无法达到最优性能的局限性。

本发明解决其技术问题是采取以下技术方案实现的：

依据本发明提供的一种认知Mesh网络中基于免疫多目标优化的频谱分配方法，它包括以下步骤：

(1)检测到空闲频谱得到用户分布图；

(2)对频谱分配问题进行抗体编码，将问题与免疫方法求解进行映射；

(3)生成初始化抗体种群：给定抗体种群规模n，克隆系数q、最大迭代次数g_max；初始化迭代次数it＝0；A(it)＝{A₁(it),A₂(it),...,A_n(it)}；其中：A表示抗体种群，A₁,A₂,...,A_n各表示一个抗体，it表示迭代次数；

(4)种群克隆操作：对抗体群A(it)进行克隆操作：其中：表示克隆操作；

(5)种群变异操作：对抗体群A'(it)进行变异操作：其中：表示变异操作；

(6)种群选择操作：对抗体群A”(it)进行选择操作：其中：表示抗体选择操作；

(7)种群输出操作：判断it是否达到最大进化代数g_max，如果是，则输出抗体群A””(it)，并对抗体进行解码输出，否则，令A(it+1)＝A””(it),转到步骤(4)。

本发明解决其技术问题是采取以下技术方案进一步实现：

前述的步骤(1)用户分布图表示为G＝(V,E)，其中：V表示认知节点的集合，每个节点v_i∈V感知到的可用频谱集合为k_i；E是边的集合，表示两个认知节点有公共可用频谱的情况下，是否可以直接进行通信。

前述的步骤(2)对频谱分配问题进行抗体编码，具体如下：

采用k+1进制串表示抗体，其中给图的E条边从1到n进行编号；假设某个抗体的编码表示为A_i＝a_i1,a_i2,...,a_in，其中：n＝|E|表示为图中边的条数，a_ij∈{0}∪K；i∈{1,2,...,L},j∈{1,2,...,n}；L为种群中的抗体总数；若a_ij＝0，则表示抗体i所代表的频谱分配方案中，图G中编号为j的无线链路没有分配任何频谱；若a_ij＝k，则表示编号为i的无线链路分配的频谱为k。

前述的步骤(4)种群克隆操作采用整体克隆的方式，克隆系数为q,n是抗体种群规模，表示如下：

前述的步骤(5)种群变异操作，具体变异策略为：

对抗体A_i＝a_i1,a_i2,...,a_il，对a_ij，将其依照概率p_m变成[0,k]中的一个数；其中：a表示抗体的基因位，l是抗体编码长度。

前述的步骤(6)种群选择操作，具体如下：

对抗体群A”(it)中的每一个抗体，计算其对应的两个目标函数值，将抗体群A”(it)划分为两个抗体群：支配抗体群A_dom(it)(抗体个数为N_dom(it))和非支配抗体群A_non(it)(抗体个数为N_non(it))，并且N_dom(it)+N_non(it)＝q.N(it)，克隆选择后得到A”'(it)＝A_non(it)。

本发明与现有技术相比具有显著的优点和有益效果：

1.本发明采用免疫多目标优化方法求解认知Mesh网络频谱分配问题，寻求频谱分配问题的Pateto最优解集(非支配解集)，一次运行同时得到多个解，可以满足用户需求，优化频谱分配性能。

2.本发明中克隆操作采用整体克隆的方式，实现了空间的扩张，有利于得到分布较广的前端。

3.本发明中克隆选择之前，先将抗体群中的抗体划分为支配抗体和非支配抗体，保证了只有非支配抗体才能进入到下一代，有利于得到较优的解集。

本发明的具体实施方式由以下实施例及其附图详细给出。

附图说明

图1为本发明的流程框图；

图2为本发明的节点数变化对总带宽的影响图；

图3为本发明的中节点数变化对占用频谱数的影响图；

图4为本发明的可用频谱数对总带宽的影响图；

图5为本发明的可用频谱数对占用信道数变化的影响图。

具体实施方式

以下结合附图及较佳实施例，对依据本发明提供的具体实施方式、结构、特征及其功效，详细说明如后。

如图1所示的一种认知Mesh网络中基于免疫多目标优化的频谱分配方法，它包括以下步骤：

(1)检测到空闲频谱得到用户分布图；

在本发明实施例中，将认知无线Mesh网络建模为1个简单图G＝(V,E)。其中：V表示认知节点的集合，每个节点v_i∈V感知到的可用频谱集合为k_i；E是边的集合，表示两个认知节点有公共可用频谱的情况下，是否可以直接进行通信。设定V＝15，E＝10，CRMesh节点数N＝|V|，可用信道数为|K|＝5，频谱分配的一个优化目标是最大化CRMesh节点总带宽B：

其中，x^k(e_ij)表示频谱k是否分配无线链路e_ij(其中，x^k(e_ij)＝1表示频谱k分配给e_ij，否则为0)；表示频谱k的稳定度(主用户在频谱上“空闲-占用”切换的次数表示频谱的稳定性)；表示频谱k的可用概率；表示频谱k的带宽。

同时，在最大化带宽总和的情况下，系统需要最小化所有CRMesh节点的占用频谱数，记为：

假设θ^k表示频谱k是否被CWMN占用，若则θ^k＝1，反之，θ^k＝0。

(2)对频谱分配问题进行抗体编码，将问题与免疫方法求解进行映射；

在本发明实施例中，采用一种采用k+1进制串表示抗体，k＝8，其中给图的E条边从1到n进行编号。假设某个抗体的编码表示为A_i＝a_i1,a_i2,...,a_in，其中，n＝|E|表示为图中边的条数，a_ij∈{0}∪K；i∈{1,2,...,L},j∈{1,2,...,n}；L为种群中的抗体总数，设为50。若a_ij＝0，则表示抗体i所代表的频谱分配方案中，图G中编号为j的无线链路没有分配任何频谱；若a_ij＝k，则表示编号为i的无线链路分配的频谱为k。

(3)生成初始化抗体种群；给定最大进化代数g_max＝200；种群规模n＝50，克隆系数q＝4，变异概率p_m＝0.3。初始化迭代次数it＝0；A(it)＝{A₁(it),A₂(it),...,A₅₀(it)}；其中：A表示抗体种群，A₁,A₂,...,A₅₀各表示一个抗体，it表示迭代次数。

(4)种群克隆操作：对抗体群A(it)进行克隆操作：其中：表示克隆操作；采用整体克隆的方式，克隆系数为q＝4,n＝50是抗体种群规模，表示如下：

(5)种群变异操作；对抗体群A'(it)进行变异操作：其中：表示变异操作；具体变异策略为：

对抗体A_i＝a_i1,a_i2,...,a_il，对a_ij，将其依照概率p_m变成[0,k]中的一个数；其中：a表示抗体的基因位，l是抗体编码长度，取50。

(6)种群选择操作；对抗体群A”(it)进行选择操作：其中：表示抗体选择操作；具体如下：

对抗体群A”(it)中的每一个抗体，计算其对应的两个目标函数值，将抗体群A”(it)划分为两个抗体群：支配抗体群A_dom(it)(抗体个数为N_dom(it))和非支配抗体群A_non(it)(抗体个数为N_non(it))，并且N_dom(it)+N_non(it)＝4*N(it)，克隆选择后得到A”'(it)＝A_non(it)。

(7)种群输出操作：判断it是否达到最大进化代数g_max＝200，如果是，则输出抗体群A””(it)，并对抗体进行解码输出，否则，令A(it+1)＝A””(it),it＝it+1,转到步骤(4)。

本发明的效果可以通过以下实验进一步说明：

1.实验条件：

在CPU为22.4GHZ、内存4G、Windows XP的系统上使用VC++6.0进行仿真。

2.仿真内容：

实验结果主要比较可用频谱数和可用节点数对系统总带宽和占用信道的影响。

图2和图3所示分别为节点数N的变化对系统总带宽和占用频谱数的影响，其中可用频谱数为20，并与现有技术对比分析。

从图2和图3中可以看出，随着节点数N的增大，总带宽和占用频谱数也逐渐增大。本发明的总带宽高于现有技术，占用频谱数少于已有方法，说明本发明较优。

图4和图5所示为可用频谱数对系统总带宽和占用频谱数的影响，其中，节点数N＝10。从图中可以看出，随着可用频谱数的增加，用户获得的总带宽和占用的频谱数也逐渐增多。与现有技术相比，本发明总带宽较大，占用频谱数较小，说明性能较好。

此外，由于采用了免疫多目标优化机制，本发明方法可以求得频谱分配问题的pareto最优解集。表1列出了在节点数分别为10、25、50，可用频谱数为20、60、120的情况下，本发明方法求得的部分pareto最优解。

表1部分pareto最优解

因此，可以根据认知用户偏好信息和需求，运用层次分析法等策略从最优解集合中选择相应的满意解，增加了本发明的灵活性。

Claims (1)

1.一种认知Mesh网络中基于免疫多目标优化的频谱分配方法，其特征在于：它包括以下步骤：

(1)检测到空闲频谱得到用户分布图；用户分布图表示为G＝(V,E)，其中：V表示认知节点的集合，每个节点v_i∈V感知到的可用频谱集合为k_i；E是边的集合，表示两个认知节点有公共可用频谱的情况下，是否可以直接进行通信；

(2)对频谱分配问题进行抗体编码，将问题与免疫方法求解进行映射；对频谱分配问题进行抗体编码，具体如下：

采用k+1进制串表示抗体，k＝8，其中给图的E条边从1到n进行编号；假设某个抗体的编码表示为：A_i＝a_i1,a_i2,...,a_in，其中：n＝|E|表示为图中边的条数，

a_ij∈{0}∪K；i∈{1,2,...,L},j∈{1,2,...,n}；可用信道数|K|＝5，L为种群中的抗体总数；若a_ij＝0，则表示抗体i所代表的频谱分配方案中，图G中编号为j的无线链路没有分配任何频谱；若a_ij＝k，则表示编号为i的无线链路分配的频谱为k；

(3)生成初始化抗体种群：给定抗体种群规模n，克隆系数q、最大迭代次数g_max；初始化迭代次数it＝0；A(it)＝{A₁(it),A₂(it),...,A_n(it)}；其中：A表示抗体种群，A₁,A₂,...,A_n各表示一个抗体，it表示迭代次数；

(4)种群克隆操作：对抗体群A(it)进行克隆操作：其中：表示克隆操作；

种群克隆操作采用整体克隆的方式，克隆系数为q,n是抗体种群规模，表示如下：

<mrow> <mtable> <mtr> <mtd> <mrow> <msup> <mi>A</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>R</mi> <mi>C</mi> <mi>P</mi> </msubsup> <mrow> <mo>(</mo> <mi>A</mi> <mo>(</mo> <mrow> <mi>i</mi> <mi>t</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>R</mi> <mi>C</mi> <mi>P</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mn>1</mn> </msub> <mo>(</mo> <mrow> <mi>i</mi> <mi>t</mi> </mrow> <mo>)</mo> <mo>+</mo> <mo>...</mo> <mo>+</mo> <msubsup> <mi>R</mi> <mi>C</mi> <mi>P</mi> </msubsup> <mo>(</mo> <msub> <mi>A</mi> <mi>n</mi> </msub> <mo>(</mo> <mrow> <mi>i</mi> <mi>t</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mo>{</mo> <msubsup> <mi>A</mi> <mn>1</mn> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>i</mi> <mi>t</mi> <mo>)</mo> </mrow> <mo>,</mo> <msubsup> <mi>A</mi> <mn>1</mn> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>i</mi> <mi>t</mi> <mo>)</mo> </mrow> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msubsup> <mi>A</mi> <mn>1</mn> <mi>q</mi> </msubsup> <mrow> <mo>(</mo> <mi>i</mi> <mi>t</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>+</mo> <mn>...</mn> <mo>+</mo> <mo>{</mo> <msubsup> <mi>A</mi> <mi>n</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>i</mi> <mi>t</mi> <mo>)</mo> </mrow> <mo>,</mo> <msubsup> <mi>A</mi> <mi>n</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>i</mi> <mi>t</mi> <mo>)</mo> </mrow> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msubsup> <mi>A</mi> <mi>n</mi> <mi>q</mi> </msubsup> <mrow> <mo>(</mo> <mi>i</mi> <mi>t</mi> <mo>)</mo> </mrow> <mo>}</mo> </mrow> </mtd> </mtr> </mtable> <mo>;</mo> </mrow>

(5)种群变异操作：对抗体群A'(it)进行变异操作：其中：表示变异操作；种群变异操作，具体变异策略为：

对抗体A_i＝a_i1,a_i2,...,a_il，对a_ij，将其依照概率p_m变成[0,k]中的一个数；其中：a表示抗体的基因

位，l是抗体编码长度，k＝8；

(6)种群选择操作：对抗体群A”(it)进行选择操作：其中：表示抗体选择操作；种群选择操作，具体如下：

对抗体群A”(it)中的每一个抗体，计算其对应的两个目标函数值，将抗体群A”(it)划分为两个抗体群：支配抗体群A_dom(it),抗体个数为N_dom(it)和非支配抗体群A_non(it),抗体个数为N_non(it)，并且N_dom(it)+N_non(it)＝q.N(it)，克隆选择后得到A”'(it)＝A_non(it)；

(7)种群输出操作：判断it是否达到最大进化代数g_max，如果是，则输出抗体群A””(it)，并对抗体进行解码输出，否则，令A(it+1)＝A””(it),转到步骤(4)。