CN104467999B - 一种基于量子蛙跳的频谱感知算法 - Google Patents

Abstract

本发明涉及一种基于量子蛙跳的频谱感知算法，包括：根据目标函数所表示的适应度值确定全局最优的青蛙量子位置以及每个族群内最好、最差适应度值的青蛙量子位置；根据跳跃性方程更新最差适应度值的青蛙量子位置的相关信息以及向全局最优解收敛。本发明通过先将青蛙种群划分为若干个族群；根据目标函数所表示的适应度值来确定全局最优的青蛙量子位置以及每个族群内最好、最差适应度值的青蛙量子位置；再按照提出的跳跃性方程更新其中最差个体的相关信息，快速向全局最优解收敛。

Description

一种基于量子蛙跳的频谱感知算法

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于量子蛙跳的频谱感知算法。

背景技术

随着无线通信业务的发展，对无线频率资源的需求渐长，日益增长的频谱需求和有限的频谱资源之间的矛盾已成为制约无线通信发展的瓶颈之一。当前无线通信频谱资源利用情况极不平衡：一些频带大部分时间没有用户使用，一些频带只是偶尔使用，而另外一些频带的使用则非常密集。因此那些利用率较低的频段存在着被二次利用的可能，那么如何及时发现并高效利用这些频段，并且同时避免对授权用户网络造成干扰就成为亟待解决的问题。鉴于此，支持动态频谱接入的认知无线电Cognitive Radio(CR)技术应运而生。频谱感知作为认知无线电的一项关键技术，认知用户通过频谱感知发现频谱空穴，从而使认知用户能利用其进行通信，进而提高频谱利用率。当认知用户通信时，突然感知到授权用户信号，则认知用户进行规避退让，这一过程不影响授权用户的通信。由于无线环境是随时变化的，而且授权用户的信号种类不同，且传输过程中存在衰落和干扰等因素，所以频谱感知技术的实现方式也有多样化、灵活化的特点。

目前，技术已经相对成熟的单点频谱感知方法主要包括匹配滤波器检测、能量感知检测法、周期平稳特征检测以及多分辨率频谱感知。然而，由于信号在传输过程中受到干扰、噪声、路径衰落、阴影效应等因素的影响，会产生隐蔽终端的问题，单个节点的感知结果可靠性不高，因此，需要对多个节点的感知结果进行融合判决，以提高其检测可靠性，即协作频谱感知技术。在提出的一种线性协作感知框架中，如何在最短的时间内求解出最优权向量已经成为了一个优化难题。受达尔文进化理论的启发而设计出的遗传类优化算法，作为成熟的启发算法，已得到广泛应用，然而遗传类算法的收敛需要严格的条件限制。近年来，粒子群算法、遗传算法、量子遗传算法和免疫克隆选择算法等新的智能计算方法成为许多学者的研究热点。

为了解决在最短的时间内求解出认知无线电频谱分配这一难题，学者们提出了粒子群算法、遗传算法、量子遗传算法和免疫克隆选择算法等智能计算方法，但均面临维数灾问题。在解决低维工程问题时，以上算法的收敛性能和速度一般能满足要求，但在面对认知无线电频谱感知这一高维离散工程优化问题时，经典离散优化算法的收敛性能受到严重挑战，即在速度和性能方面是不能满足认知无线电发展要求的，所以要想在这一问题上有新的进展就需要设计全新的算法。近年来兴起的蛙跳算法，在解决连续问题的优化时具有较快的收敛精度，但控制参数多，并行性差，因此仍然不能有效解决认知无线电频谱感知问题。

发明内容

本发明所要解决的技术问题是针对在频谱感知算法技术中，如何在最短的时间内求解最优权向量是亟待解决的优化问题，以及现有的一些智能计算方法在解决高维工程优化问题时总会在收敛性能和速度方面存在缺陷的关键问题。

为此目的，本发明提出了一种基于量子蛙跳的频谱感知算法，包括以下具体步骤：

包括以下具体步骤：

S1：根据目标函数所表示的适应度值确定全局最优的青蛙量子位置以及每个族群内最好、最差适应度值的青蛙量子位置；

S2：根据跳跃性方程更新最差适应度值的青蛙量子位置的相关信息以及向所述全局最优解收敛。

进一步地，所述步骤S1具体包括：

S11：对青蛙群体总数p，青蛙族群数m，每个族群内的青蛙数n以预设数值进行设置，并通过公示p＝m×n进行计算；

S12：设置族群内的最大迭代次数gen以及整个群体的最大进化代数Gen；

S13：在定义域内随机产生青蛙的初始量子位置。

进一步地，所述步骤S2具体包括：

S21：根据所述青蛙族群中的最优解进行更新；

S22：若没有改进，则根据全局最优解进行更新，其中，每个青蛙的量子位置表示方程的一个解集，每个量子表示该解集中的一个解，每个解代表每个认知用户的权重向量。

进一步地，所述步骤S2还包括：

通过公式

更新具有最差适应度值的青蛙的量子位置x_w；

其中，rand为[0,1]之间的均匀随机数，randn为满足均值为0，方差为1的高斯分布的随机数。z＝[z₁,z₂,...,z_M]为族群内全部青蛙的量子位置的平均值，其中j＝1,2,…,M。

如果新的量子位置的适应度值没有改进，则按照下述方式进行更新：

进一步地，如果更新量子位置后适应度值没有改进，则在定义域间内随机产生新的青蛙量子位置。

具体地，第i只青蛙的所述量子位置表示为：

其中，|x_ij|²+|β_ij|²＝1，(j＝1,2,…,M)。

本发明公开一种基于量子蛙跳的频谱感知算法，针对协作机制的频谱感知网络系统模型，将量子的概念引入到混合蛙跳算法中，提出了一种基于量子蛙跳的频谱感知算法，并且设计出相应的跳跃方程。算法先将青蛙种群划分为若干个族群，根据目标函数所表示的适应度值来确定全局最优的青蛙量子位置以及每个族群内最好、最差适应度值的青蛙量子位置，再按照提出的跳跃性方程更新其中最差个体的相关信息，快速向全局最优解收敛。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1示出了线性协作频谱感知模型示意图；

图2示出了本发明实施例中的一种基于量子蛙跳的频谱感知算法的步骤流程图；

图3示出了本发明实施例中有18个本地认知用户时的目标函数仿真示意图；

图4示出了本发明实施例中有18个本地认知用户时的检测概率仿真结果示意图；

图5示出了本发明实施例中有30个本地认知用户时的目标函数仿真结果示意图；

图6示出了本发明实施例中有30个本地认知用户时的检测概率仿真结果示意图；

图7示出了本发明另一实施例中的一种基于量子蛙跳的频谱感知算法的步骤流程图。

具体实施方式

在频谱感知算法技术中，如何在最短的时间内求解最优权向量是亟待解决的优化问题，现有的一些智能计算方法在解决高维工程优化问题时总会在收敛性能和速度方面存在缺陷。针对此问题，本发明富有创造性地将物理中的量子概念引入到混合蛙跳算法中，提出了量子蛙跳频谱感知算法，并设计出全新的跳跃方程，使得该算法在解决协作频谱感知高维工程优化问题上具有较快的收敛精度和良好的并行性。

本发明针对协作机制的频谱感知网络系统模型，将量子的概念引入到混合蛙跳算法中，提出的一种基于量子蛙跳的频谱感知算法。

具体地，线性协作频谱感知模型如图1所示。假设认知网络中有M个认知用户相互协作进行协作感知，时刻k时各个认知用户的本地感知二元假设检验模型如下所示：

其中，s(k)为主用户发射的信号，认知网络中的每一个认知用户都可以接收到该信号。信号受到信道衰减的影响，信道衰减为h_j，在整个检测过程中认为信道衰减始终是常数。x_j(k)为第j个认知用户接收到的信号，其受到加性高斯白噪声v_j(k)的影响，噪声的方差用向量表示。

各个认知用户的本地感知采用能量检测，在采样间隔内经过N点的采样，所计算的判决统计量为u_j,u_j即对时域信号进行采样求模，对模进行平方之后将采样值进行累加。

随后统计量经过控制信道传输到融合中心，融合中心收到的各个统计量y_j为u_j与控制信道引入的噪声n_j的和。假设n_j服从均值为0的高斯分布，控制信道噪声的方差用向量表示。根据融合中心所收到的每个认知用户的信号y_j，融合中心计算的全局判决统计量是y_j与w_j的加权求和，其中1≤j≤M，w＝[w₁,w₂,...,w_M]为控制判决的权重向量，各个认知用户的权重向量反映了该认知用户对于融合中心全局检测的贡献大小。

融合中心将y_c与特定门限γ_c进行比较，实现最终判决。如果y_c≥γ_c，则认为授权用户信号存在；否则，认为授权用户信号不存在。在这种协作频谱感知模型中，虚警概率的表达式为

检测概率的表达式为

其中， A＝2Ndiag²(σ)+diag(δ)，B＝2Ndiag²(σ)+diag(δ)+4E_sdiag(h)diag(σ)，h＝[h₁|²,|h₂|²,...,|h_M|²]^T。

认知无线电频谱感知的目的就是在给定虚警概率P_f的情况下，想要获得最大的检测概率。门限γ_c用虚警概率P_f表示为

把公式4代入公式3，得到

由于Q函数是单调递增的函数，因此实现上式最大化就相当于下式最小化，定义

以下结合具体的实施例对本发明进行详细说明，但同时说明本发明的保护范围并不局限于本实施例的具体范围，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面将结合附图2对本发明的实施例进行详细描述。

一种基于量子蛙跳的频谱感知算法，包括以下具体步骤：

步骤S1：根据目标函数所表示的适应度值确定全局最优的青蛙量子位置以及每个族群内最好、最差适应度值的青蛙量子位置。

具体地，步骤S1具体包括：

步骤S11：对青蛙群体总数p，青蛙族群数m，每个族群内的青蛙数n以预设数值进行设置，并通过公示p＝m×n进行计算。

步骤S12：设置族群内的最大迭代次数gen以及整个群体的最大进化代数Gen。

步骤S13：在定义域内随机产生青蛙的初始量子位置。

步骤S2：根据跳跃性方程更新最差适应度值的青蛙量子位置的相关信息以及向全局最优解收敛。

具体地，步骤S2具体包括：

步骤S21：根据青蛙族群中的最优解进行更新。

步骤S22：若没有改进，则根据全局最优解进行更新，其中，每个青蛙的量子位置表示方程的一个解集，每个量子表示该解集中的一个解，每个解代表每个认知用户的权重向量。

进一步地，步骤S2还包括：

通过公式

更新具有最差适应度值的青蛙的量子位置x_w；

其中，rand为[0,1]之间的均匀随机数，randn为满足均值为0，方差为1的高斯分布的随机数。z＝[z₁,z₂,...,z_M]为族群内全部青蛙的量子位置的平均值，其中j＝1,2,…,M。

如果新的量子位置的适应度值没有改进，则按照下述方式进行更新：

进一步地，第i只青蛙的所述量子位置表示为：

其中，|x_ij|²+|β_ij|²＝1，(j＝1,2,…,M)。

更进一步地，如果更新量子位置后适应度值没有改进，则在定义域间内随机产生新的青蛙量子位置。

现有技术中，由于混合蛙跳算法是基于特定青蛙个体以及全体青蛙个体的信息交换过程来进化的一种群体智能方法，且混合蛙跳算法并不改变青蛙个体的信息，也不会综合全部个体的主流思想，这样会限制算法的寻优能力，为此本发明提出了一种基于量子蛙跳的频谱感知算法，即量子蛙跳算法(QSFLA)。QSFLA算法将量子计算创新性地引入到青蛙跳跃方程中，设计出全新的跳跃方程。

具体地，在QSFLA中，第i只青蛙的量子位置可以表示为

其中，|x_ij|²+|β_ij|²＝1，(j＝1,2,…,M)。定义x_ij和β_ij为实数并且0≤x_ij≤1，0≤β_ij≤1。量子旋转角为θ_ij，第i只青蛙的量子位位置d_ij运用量子旋转门U(θ_ij)更新。第i只青蛙的量子位置的第j个量子位位置按照如下方式更新

第i只青蛙的量子位置可以表示为x_i＝[x_i1,x_i2,…,x_iM]，第i只青蛙的量子位置的第j个量子位位置按照如下方式更新

其中，用表示第i只青蛙的位置，即为量子位置x_i＝[x_i1,x_i2,…,x_iM]的映射位置。其中0≤x_ij≤1， l_j是第j维变量的下限，u_j是第j维变量的上限。第i只青蛙的适应度值为

在一个M维优化问题中，在量子蛙跳算法的开始阶段，在定义域内随机产生p个青蛙。第i只青蛙的量子位置表示为x_i＝[x_i1,x_i2,…,x_iM]。在一代进化中，首先将所有的青蛙按照他们适应度值的降序排列。然后将全部青蛙分为m个族群，每个族群包含n只青蛙(则p＝m×n)。划分过程中，第1只青蛙被划分入第1个族群，第2只青蛙被划分入第2个族群，…，第m只青蛙被分入第m个族群.然后，第m+1只青蛙又被划分入第1个族群，依此类推，直到全部青蛙划分完毕。在每一代中，每个族群中具有最好适应度值和最差适应度值的青蛙量子位置分别为x_b＝[x_b1,x_b2,…,x_bM]和x_w＝[x_w1,x_w2,…,x_wM]。全体青蛙中具有全局最好适应度值的青蛙量子位置为x_g＝[x_g1,x_g2,…,x_gM]。

上述过程将青蛙种群划分为若干个族群，每个族群包括一个子群。每个青蛙的跳跃方程由下述策略决定：

按照如下方式更新具有最差适应度值的青蛙的量子位置x_w

其中，rand为[0,1]之间的均匀随机数，randn为满足均值为0，方差为1的高斯分布的随机数。z＝[z₁,z₂,...,z_M]为族群内全部青蛙的量子位置的平均值，其中j＝1,2,…,M。

如果新的量子位置的适应度值没有改进，则按照下述方式进行更新

如果适应度值仍然没有改进，那么在定义域区间内随机产生新的青蛙量子位置

重复上述过程直到达到族群内部的最大迭代次数。当全部族群完成了内部进化之后，将青蛙种群重新进行混合，进入下一代进化，直到达到预先设定的最大进化代数。

进一步地，仿真过程中，在协作频谱感知这个工程问题的背景下，将量子蛙跳算法与传统蛙跳算法、细菌觅食算法和粒子群算法比较。假设具有M个认知用户的认知网络，其中每个认知用户可以相互独立的检测目标频谱。认知网络中的权重向量w＝[w₁,w₂,...,w_M]为一个M维向量，在所提出的基于量子蛙跳算法的协作感知模型中，第i只青蛙的维数与权重向量的维数相等，也就与认知用户数相等。由此完成了青蛙与待优化权重向量之间的映射。为简单起见，假设授权用户发出的信号s(k)＝1，采样次数N＝20。

图3和图4分别给出了假设网络中有18个认知用户并且在给定虚警概率为P_f＝0.1时，最优目标函数值和检测概率随迭代次数的变化曲线。此时进行200次独立试验，智能计算算法的终止迭代次数设为200。其他与认知无线电协作频谱感知模型相关的各个参数设置如下：

σ＝[2.0,2.5,0.9,2.7,1.3,3.3,2.0,2.5,0.9,2.7,2.0,2.5,0.9,2.7,1.3,3.3,2.0,2.5]^T；δ＝[1.3,0.8,2.0,3.8,2.3,0.4,1.3,0.8,2.0,3.1,1.3,0.8,2.0,3.8,2.3,0.4,1.3,0.8]^T；h＝[0.4,0.5,0.7,0.3,0.4,0.3,0.6,0.5,0.2,0.3,0.4,0.5,0.7,0.3,0.4,0.3,0.6,0.5]^T。

进一步地，图5和图6则给出假设网络中有30个认知用户时，给定虚警概率P_f＝0.1情况下的最优目标函数值和检测概率随迭代次数的变化曲线。此时进行200次独立试验，智能计算算法的终止迭代次数设为400。参数设置如下：

σ＝[2.0,2.5,0.9,2.7,1.3,3.3,2.0,2.5,0.9,2.7,2.0,2.5,0.9,2.7,1.3,3.3,2.0,2.5,0.9,2.7,2.0,2.5,0.9,2.7,1.3,3.3,2.0,2.5,0.9,2.7]^T；δ＝[1.3,0.8,2.0,3.8,2.3,0.4,1.3,0.8,2.0,3.1,1.3,0.8,2.0,3.8,2.3,0.4,1.3,0.8,2.0,3.1,1.3,0.8,2.0,3.8,2.3,0.4,1.3,0.8,2.0,3.1]^T；h＝[0.4,0.5,0.7,0.3,0.4,0.3,0.6,0.5,0.2,0.3,0.4,0.5,0.7,0.3,0.4,0.3,0.6,0.5,0.2,0.3,0.4,0.5,0.7,0.3,0.4,0.3,0.6,0.5,0.2,0.3]^T。其余参数与上一仿真实验相同。

更进一步地，本文还对另外一种低维情况进行了仿真，这时认知网络中有10个本地认知用户。这种情况中，分别使得P_f＝0.01,P_f＝0.05,P_f＝0.1和P_f＝0.2。参数为：

σ＝[2.0,2.5,0.9,2.7,1.3,3.3,2.0,2.5,0.9,2.7]^T；δ＝[1.3,0.8,2.0,3.8,2.3,0.4,1.3,0.8,2.0,3.1]^T；h＝[0.4,0.5,0.7,0.3,0.4,0.3,0.6,0.5,0.2,0.3]^T。仿真结果列在表1和表2之中。从中可以看出：在所有4种算法之中，量子蛙跳算法无论在收敛精度和收敛速度方面都是最优的。

表1有10个本地认知用户时的目标函数仿真结果

表2有10个本地认知用户时的检测概率仿真结果

为了更好的理解与应用本发明提出的一种基于量子蛙跳的频谱感知算法，结合图7进行以下具体说明示例，本发明不局限以下示例。

具体地，步骤S1：参数初始化。赋予青蛙群体总数p，青蛙族群数m，每个族群内的青蛙数n以适当的数值。因此可以得到p＝m×n。同样还需要设置族群内的最大迭代次数gen以及整个群体的最大进化代数Gen。在定义域内随机产生青蛙的初始量子位置。

步骤S2：计算每只青蛙的适应度值。按照适应度值的降序排列青蛙。具有全局最优适应度的青蛙量子位置为x_g。

步骤S3：将全部群体分为m个族群。划分规则：第1只青蛙被划分入第1个族群，第2只青蛙被划分入第2个族群，…，第m只青蛙被分入第m个族群。然后，第m+1只青蛙又被划分入第1个族群，依此类推，直到全部青蛙划分完毕。族群内最好适应度值和最差适应度值的青蛙量子位置为x_b和x_w。

步骤S4：设置i_m＝0，其中i_m为当前族群数。

步骤S5：i_m＝i_m+1，设置i_gen＝0，其中i_gen为该族群的迭代次数。

步骤S6：i_gen＝i_gen+1

步骤S7：在族群i_m内，按照量子蛙跳算法的更新策略更新最差适应度值的青蛙量子位置x_w。首先，按照公式10更新x_w，如果新的青蛙量子位置的适应度值没有改进，则在更新策略中使用x_g代替x_b，使其更快地向全局最优解收敛，即公式11，如果适应度值仍然没有改进，那么在量子域内随机产生新的青蛙量子位置这样便完成了族群i_m的依次循环，更新该族群内的x_b，x_w和x_g。

步骤S8：如果i_gen＜gen,进入步骤S6。

步骤S9：如果i_m＜m,进入步骤S5。

步骤S10：测试终止条件，如果达到最大进化代数，输出最终x_g和其对应的最优解，终止算法；否则进入步骤S2。

本发明公开一种基于量子蛙跳的频谱感知算法，通过先将青蛙种群划分为若干个族群，根据目标函数所表示的适应度值来确定全局最优的青蛙量子位置以及每个族群内最好、最差适应度值的青蛙量子位置；再按照提出的跳跃性方程更新其中最差个体的相关信息，快速向全局最优解收敛。

上述实施例只为说明本发明的技术构思及特点，其目的是让熟悉该技术领域的技术人员能够了解本发明的内容并据以实施，并不能以此来限制本发明的保护范围。凡根据本发明精神实质所作出的等同变换或修饰，都应涵盖在本发明的保护范围之内。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (3)

1.一种基于量子蛙跳的频谱感知算法，其特征在于，包括以下具体步骤：

S1：根据目标函数所表示的适应度值确定全局最优的青蛙量子位置以及每个族群内最好、最差适应度值的青蛙量子位置；

S2：根据跳跃性方程更新最差适应度值的青蛙量子位置的相关信息以及向所述全局最优解收敛；

所述步骤S2具体包括：

S21：根据所述青蛙族群中的最优解进行更新；

S22：若没有改进，则根据全局最优解进行更新，其中，每个青蛙的量子位置表示方程的一个解集，每个量子表示该解集中的一个解，每个解代表每个认知用户的权重向量；

所述步骤S2还包括：

具体地，在QSFLA中，第i只青蛙的量子位置表示为

$d_i=\left[\begin{array}{cccc}{d}_{i1}& d_{i2}& \mathrm{...}& d_{iM}\end{array}\right]=\left[\begin{array}{cccc}{x}_{i1}& x_{i2}& ...& x_{iM}\\ {\mathrm{\β}}_{i1}& {\mathrm{\β}}_{i2}& ...& {\mathrm{\β}}_{iM}\end{array}\right]$

其中，|x_ij|²+|β_ij|²＝1，(j＝1,2,…,M)；

定义x_ij和β_ij为实数并且0≤x_ij≤1，0≤β_ij≤1。量子旋转角为θ_ij，第i只青蛙的量子位位置d_ij运用量子旋转门U(θ_ij)更新；

第i只青蛙的量子位置的第j个量子位位置按照如下方式更新

$d_{ij}^{new}=abs\left(U\right({\mathrm{\θ}}_{ij}\left)d_{ij}\right)=abs\left(\left[\begin{array}{cc}{\mathrm{cos\θ}}_{ij}& -{\mathrm{sin\θ}}_{ij}\\ {\mathrm{sin\θ}}_{ij}& {\mathrm{cos\θ}}_{ij}\end{array}\right]d_{ij}\right)$

其中，为第i只青蛙的量子位置的第j个量子位位置；

所述步骤S2还包括：

通过公式

$\left\{\begin{array}{c}{\mathrm{\θ}}_{wj}=rand(x_{wj}-x_{bj})+randn(x_{wj}-z_j)\\ x_{wj}^{new}=|x_{wj}{\mathrm{cos\θ}}_{wj}-\sqrt{1-{\left(x_{wj}\right)}^2}{\mathrm{sin\θ}}_{wj}|\end{array}\right.$

更新具有最差适应度值的青蛙的量子位置x_w；

其中，θ_wj：每个族群中适应度最差的青蛙w的量子位置的第j个量子位的自旋角；

x_wj：每个族群中适应度最差的青蛙w的量子位置的第j个量子位的位置；

x_bj：每个族群中适应度最优的青蛙b的量子位置的第j个量子位的位置；

每族群中适应度最差的青蛙w量子位置的第j个量子位的更新后的位置；

其中，rand为[0,1]之间的均匀随机数，randn为满足均值为0，方差为1的高斯分布的随机数；z＝[z₁,z₂,...,z_M]为族群内全部青蛙的量子位置的平均值，其中其中，n为每组的青蛙个数；

如果新的量子位置的适应度值没有改进，则按照下述方式进行更新：

$\left\{\begin{array}{c}{\mathrm{\θ}}_{wj}=rand(x_{wj}-x_{gj})+randn(x_{wj}-z_j)\\ x_{wj}^{new}=|x_{wj}{\mathrm{cos\θ}}_{wj}-\sqrt{1-{\left(x_{wj}\right)}^2}{\mathrm{sin\θ}}_{wj}|\end{array}\right.$

其中，x_gj：为全局最优解g的量子位置的第j个量子位的位置。

2.如权利要求1所述的一种基于量子蛙跳的频谱感知算法，其特征在于，所述步骤S1具体包括：

S11：对青蛙群体总数p，青蛙族群数m，每个族群内的青蛙数n以预设数值进行设置，并通过公示p＝m×n进行计算；

S12：设置族群内的最大迭代次数gen以及整个群体的最大进化代数Gen；

S13：在定义域内随机产生青蛙的初始量子位置。

3.如权利要求1所述的一种基于量子蛙跳的频谱感知算法，其特征在于，如果更新量子位置后适应度值仍然没有改进，则在定义域间内随机产生新的青蛙量子位置。