CN104618912A - 基于频谱感知的异构认知无线网络资源分配方法 - Google Patents

Abstract

本发明提供一种基于频谱感知的异构认知无线网络资源分配方法，包括以下步骤：步骤1，智能集中控制器收集异构认知无线网络中可用的无线资源；步骤2，智能集中控制器收集用户设备的资源使用申请；步骤3，智能集中控制器采用有领导机制的混合蛙跳算法对异构认知无线网络中的资源进行分配。本发明提供的资源分配方法在保证初级用户服务条件下，以次级用户速率最大化为目标，对认知无线网络无线资源进行分配，高效、可靠，可以显著提高认知无线网络中次级用户的总速率。

Description

基于频谱感知的异构认知无线网络资源分配方法

技术领域

本发明属于计算机网络技术领域，特别是一种基于频谱感知的异构认知无线网络资源分配方法。

背景技术

当今，复杂的无线通信网络已经面临许多挑战，不仅网络用户数量越来越多，服务类型和需求也是越来越多样化，单一无线通信技术已经不能满足数据与语音通信要求，而以频谱为代表的无线资源本身愈来愈成为一种稀缺、同时又是用户想方设法获得的资源。由此表现出3个主要挑战：第一、如何解决一方面网络资源不够使用，而另一方面网络资源的实际利用率又非常低矛盾；第二、多个网络存在时，如何在满足用户一定的服务质量要求下，快速建立分处于不同网络中用户的端到端通信渠道；第三、如何在复杂网络环境下，使通信终端在尽可能少的人为操作下，自适应的完成组网，从而提高网络运行的稳健性和网络维护的效率。异构认知无线网络技术为上面问题提供了很好的解决方向。异构认知无线网络技术是指以提供端到端用户服务质量保证为目标，通过对无线通信网络环境的交互感知作用，进行智能规划、决策和调度、自组织的实现组网并自适应于具体无线通信环境，有效地优化网络资源的管理和使用状况，不仅可以提高网络资源的利用效率、提供无线电通信兼容性和自适应于无线网络资源的动态变化，更能适应复杂电磁环境下通信资源和通信手段的限制与反限制、攻击与保护等。认知网络的应用相当广泛，其中无线资源分配机制是异构认知网络重要研究领域。

例如，现有技术的专利1(基于线性价格机制的异构多认知网络框架的资源配置方法，重庆大学，公开号CN104244258A，申请号CN201410498705，申请日2014.09.25)公开了一种基于线性价格机制的异构多认知网络框架的资源配置方法，所述框架针对认知终端带宽需求存在差异，将用户带宽需求差异用信道传输特性表征，将资源配置过程分解为三阶段：1.认知无线网络确定向主无线网络租用带宽；2.认知无线网络确定认知终端使用带宽单价；3.认知终端通过比较接入不同网络时自己的效用，选择能最大化自身效用的网络接入。在资源配置过程中，无需先验信息，能适应异构多认知无线网络共存环境；既考虑终端需求之间的差异性，又考虑信道资源的异质性，既能充分、有效、合理利用主无线网络拥有的频谱资源，又能均衡各认知无线网络之间的负载，发挥各认知无线网络的功能)。

又如现有技术中的专利2(一种动态认知网络资源分配方法，重庆邮电大学，公开号CN104093209A，申请号CN201410355925，申请日2014.07.24)公开了一种动态认知网络资源分配方法，属于无线通信技术领域。该方法基于主用户历史信息和业务特性预测主用户授权频带占用情况，根据频谱预测信息及从用户业务需求信息，认知基站执行从用户频谱及功率联合优化分配，以实现从用户联合能效最大化及切换次数最小化。该方法综合考虑了认知网络主用户频带占用状态，从用户业务需求及频带间切换所产生的切换代价，基于网络能效最大化准则执行联合资源分配，在保障从用户业务需求、减少切换导致的性能下降的同时，实现了从用户联合能效优化。

发明内容

本发明提供一种基于频谱感知的异构认知无线网络资源分配方法，利用该方法可在保证初级用户服务条件下，以次级用户速率最大化为目标，对异构认知无线网络资源进行分配，高效、可靠，显著提高认知无线网络中次级用户的总速率。

实现本发明目的的技术解决方案为：

一种基于频谱感知的异构认知网络资源分配方法，包括以下步骤：

步骤1、智能集中控制器收集异构认知无线网络中可用的无线资源；

步骤2、智能集中控制器收集用户设备的资源使用申请；以及

步骤3、智能集中控制器采用有领导机制的混合蛙跳算法对异构认知无线网络中的资源进行分配。

进一步的实施例中，前述步骤3中国的资源分配的示例性实现包括如下步骤：

步骤3.1、初始化有领导机制的混合蛙跳算法的参数；

步骤3.2、随机初始化青蛙种群、粒子群种群；

步骤3.3、将青蛙种群根据分组算子分成若干个模因组，记录全局最优解和每个模

因内最差和最好位置；

步骤3.4、粒子群在全局最优解附近进行局部搜索；

步骤3.5、更新每个模因组的最差个体，直到最大组内迭代次数；

步骤3.6、重复步骤3.3～3.5，直至最大迭代次数，输出最优个体解。

本发明与现有技术相比，其显著优点在于：

(1)采用有领导机制的混合蛙跳算法进行资源分配，满足资源分配要求；

(2)保证初级用户服务条件下，以次级用户速率最大化为目标；

(3)为高效利用异构认知网络中无线资源提供技术支持。

附图说明

图1为本发明异构认知无线网络资源分配流程图。

图2为本发明异构认知无线网络资源分配示意图。

图3为本发明有领导机制的混合蛙跳算法流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

结合图1，本发明基于频谱感知的异构认知无线网络资源分配方法，包括以下步骤：

步骤1、智能集中控制器收集异构认知无线网络中可用的无线资源；

步骤2、智能集中控制器收集用户设备的资源使用申请；

步骤3、采用有领导机制的混合蛙跳算法对资源进行分配。

本例中，前述步骤1中，所述的智能集中控制器收集异构认知无线网络中可用的无线资源，无线带宽被分成若干个OFDM子信道。

结合图2所示的资源分配示意图以及图3所示的有领导机制的混合蛙跳算法流程图，前述步骤3总的资源分配包括：步骤3.1、初始化有领导机制的混合蛙跳算法的参数；

步骤3.2、随机初始化青蛙种群、粒子群种群；

步骤3.3、将青蛙种群根据分组算子分成若干个模因组，记录全局最优解和每个模

因内最差和最好位置；

步骤3.4、粒子群在全局最优解附近进行局部搜索；

步骤3.5、更新每个模因组的最差个体，直到最大组内迭代次数；

步骤3.6、重复步骤3.3～3.5，直至最大迭代次数，输出最优个体解。

下面结合附图所示，具体描述前述步骤3的示例性实现。

步骤3.1、初始化有领导机制的混合蛙跳算法的参数

初始化：青蛙种群个体数量N、模因数量m，模因组内进化次数M，全局最大迭代次数MaxIter，粒子群中粒子的个数Npso，学习因子c1、c2。

步骤3.2，随机初始化青蛙种群、粒子群种群

本例中，随机初始化青蛙种群、粒子群种群的具体实现包括：

随机产生N个个体，初始化的个体满足下述公式：

$p_{\mathrm{kn}}\≥0,\∀n\∈N,\∀k---\left(1\right)$

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}}{p}_{\mathrm{kn}}\≤P_T---\left(2\right)$

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}}{p}_{\mathrm{kn}}{I}_{\mathrm{nl}}\≤I_l^{\mathrm{th}},l=1,....,L---\left(3\right)$

$\underset{n\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}}{r}_{\mathrm{kn}}={\mathrm{\β}}_k\underset{n\∈{\mathrm{\Ω}}_1}{\mathrm{\Σ}}{r}_{1n},k=2,....,K_0---\left(4\right)$

$\underset{n\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}}{r}_{\mathrm{kn}}=R_k^{\mathrm{req}},k=K_0+1,....,K---\left(5\right)$

其中，N表示子信道个数，K表示认知用户的个数K₀表示非实时用户的个数，L表示一级用户的个数，P_kn表示第k个认知用户使用的第n个子信道的功率，P_T是功率的最大值，I_nl是认知用户对第n个子信道上一级用户的干扰，I_l ^th是一级用户所能接受的最大干扰，r_kn是第k个认知用户使用的第n个信道的速率，β_k表示第k个非实时用户与第一个非实时用户的约束速率比值，Ω_k表示第k个认知用户所占用的信道集合,r_1n是第1个认知用户使用的第n个信道的速率，R_k ^req是第k个用户的速率需求。

步骤3.3，将青蛙种群根据分组算子分成若干个模因组，记录全局最优解和每个模因内最差和最好位置。

本例中，其具体实现包括：

将N只青蛙按适应度值降序排列成m个模因组，第一只青蛙进入第一个模因组，第二只青蛙进入第二个模因组，第m只青蛙进入第m个模因组；

记录每个组的最差和最好位置分别为F_w、F_b，适应度值按下式计算：

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}}\log (1+\frac{p_{\mathrm{kn}}{\left|c_{\mathrm{kn}}\right|}^2}{\mathrm{\Γ}({\mathrm{BN}}_0+I_k)})---\left(6\right)$

其中，P_kn表示第k个认知用户使用的第n个子信道的功率，C_kn表示第k个认知用户和第n个信道之间的信道增益，B表示每个子信道的带宽，I_k表示一级用户对第k个认知用户的影响，N₀表示加性高斯白噪声的PSD,г表示信噪比。

步骤3.4，粒子群在全局最优解附近进行局部搜索，粒子群的更新方式如下：

先更新速度，再更新位置：

V^k+1＝V^k+c₁rand()(pbest^k-X^k)+c₂rand()(gbest^k-X^k)

                                                 (7)

X^k+1＝X^k+V^k+1

其中，V^k是粒子在第k次迭代的速度，pbest^k是粒子历史最优位置，gbest^k是全局最优位置，X^k是粒子第k次迭代的位置C₁C₂是给定参数，X^k+1是第^k+1次迭代的位置，V^k+1是第k+1次迭代的速度，rand()产生(0-1)之间的随机数。

步骤3.5中，更新每个模因组的最差个体，直到最大组内迭代次数。

本例中，最差个体更新，首先向组内最优个体方向寻找，如果没有得到改善，再向全局最优个体方向寻找，如果解依然没有得到改善则随机产生新解取代最差的个体。

最差个体更新方法为：

先调整青蛙的位移，再更新青蛙的位置：

D_i＝rand()*(F_b-F_w)

                                        (8)

F_w＝F_w+D_i

其中，F_b是组内最优个体，F_w是组内最差个体，rand()产生(0-1)之间的随机数，如果按上式得到的新个体的适应度值没有变优，则用F_g代替F_b，具体为：

D_i＝rand()*(F_g-F_w)

                                        (9)

F_w＝F_w+D_i

如果个体的适应度值任然没有变优，则随机产生一个新解来取代最优个体。

步骤3.6、重复步骤3.3～3.5，直至最大迭代次数，输出最优个体解。

实施例1

本发明采用有领导机制的混合蛙跳算法进行资源分配，步骤如下：

步骤1，智能集中控制器收集异构认知无线网络中可用的无线资源。

所述的无线资源是基于OFDM的的异构认知网络，路径传输指数是4，遮蔽效应方差是10dB，噪声功率是10^-13W，有64个OFDM子信道，每个OFDM子信道带宽是62.5kHz，频谱感知用AP随机识别可用的子信道来模拟。

步骤2，智能集中控制器收集用户设备的资源使用申请。

结合图2所示，随机在CR网络范围内，生成两个一级用户，4个认知用户，其中两个是非实时用户，对每个一级用户的干扰阀限为50^-13W，两个是非实时用户的限制速率比例是1:1，每个认知用户的速率需求是20bits/symbol，一级用户的带宽由均匀分布随机生成。

步骤3，智能集中控制器采用有领导机制的混合蛙跳算法对无线资源进行分配。

结合图3所示的有领导机制的混合蛙跳算法的流程：

首先，初始化算法参数，青蛙种群个体数量N＝200、模因数量m＝20，模因组内进化次数M＝10，全局最大迭代次数MaxIter＝100，粒子群中粒子的个数Npso＝30，学习因子c1＝2、c2＝2。

然后，随机产生个体对每个个体进行评估，进行模因分组。

其次，在粒子群最优解附近进行局部寻找。

再次，更新每个组的最差个体。

最后，重复上述步骤，直至最大迭代次数输出最优个体解。

综上所述，本发明提供的资源分配方法在保证初级用户服务条件下，以次级用户速率最大化为目标，对异构认知无线网络资源进行分配，高效、可靠，可以显著提高认知无线网络中次级用户的总速率。

Claims (8)

1.一种基于频谱感知的异构认知无线网络资源分配方法，其特征在于，包括以下步骤：

步骤1、智能集中控制器收集异构认知无线网络中可用的无线资源；

步骤2、智能集中控制器收集用户设备的资源使用申请；以及

步骤3、智能集中控制器采用有领导机制的混合蛙跳算法对异构认知无线网络中的资源进行分配。

2.根据权利要求1所述的基于频谱感知的异构认知无线网络资源分配方法，其特征在于，步骤1中，所述的智能集中控制器收集异构认知无线网络中可用的无线资源，无线带宽被分成若干个OFDM子信道。

3.根据权利要求1所述的基于频谱感知的异构认知无线网络资源分配方法，其特征在于，步骤3所述的智能集中控制器采用有领导机制的混合蛙跳算法对异构认知无线网络中的资源进行分配，具体步骤如下：

步骤3.1、初始化有领导机制的混合蛙跳算法的参数；

步骤3.2、随机初始化青蛙种群、粒子群种群；

步骤3.3、将青蛙种群根据分组算子分成若干个模因组，记录全局最优解和每个模

因内最差和最好位置；

步骤3.4、粒子群在全局最优解附近进行局部搜索；

步骤3.5、更新每个模因组的最差个体，直到最大组内迭代次数；

步骤3.6、重复步骤3.3～3.5，直至最大迭代次数，输出最优个体解。

4.根据权利要求3所述的基于频谱感知的异构认知无线网络资源分配方法，其特征在于，步骤3.1中，初始化有领导机制的混合蛙跳算法的参数，具体为：

初始化下述参数：青蛙种群个体数量N、模因数量m，模因组内进化次数M，全局最大迭代次数MaxIter，粒子群中粒子的个数N_pso，学习因子c₁、c₂。

5.根据权利要求4所述的基于频谱感知的异构认知无线网络资源分配方法，其特征在于，所述步骤3.2中，随机初始化青蛙种群、粒子群种群，其具体实现包括：

随机产生N个个体，初始化的个体满足下述公式：

$p_{\mathrm{kn}}\≥0,\∀n\∈N,\∀k---\left(1\right)$

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}}{p}_{\mathrm{kn}}\≤P_T---\left(2\right)$

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}}{p}_{\mathrm{kn}}{I}_{\mathrm{nl}}\≤I_l^{\mathrm{th}},l=1,...,L---\left(3\right)$

$\underset{n\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}}{r}_{\mathrm{kn}}={\mathrm{\β}}_k\underset{n\∈{\mathrm{\Ω}}_1}{\mathrm{\Σ}}{r}_{1n},k=2,...,K_0---\left(4\right)$

$\underset{n\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}}{r}_{\mathrm{kn}}=R_k^{\mathrm{req}},k=K_0+1,...,K---\left(5\right)$

其中，N表示子信道个数，K表示认知用户的个数K₀表示非实时用户的个数，L表示一级用户的个数，P_kn表示第k个认知用户使用的第n个子信道的功率，P_T是功率的最大值，I_nl是认知用户对第n个子信道上一级用户的干扰，I_l ^th是一级用户所能接受的最大干扰，r_kn是第k个认知用户使用的第n个信道的速率，β_k表示第k个非实时用户与第一个非实时用户的约束速率比值，Ω_k表示第k个认知用户所占用的信道集合,r_1n是第1个认知用户使用的第n个信道的速率，R_k ^req是第k个用户的速率需求。

6.根据权利要求5所述的基于频谱感知的异构认知无线网络资源分配方法，其特征在于，步骤3.3中，将青蛙种群根据分组算子分成若干个模因组，记录全局最优解和每个模因内最差和最好位置，具体分组方法是：

将N只青蛙按适应度值降序排列成m个模因组，第一只青蛙进入第一个模因组，第二只青蛙进入第二个模因组，第m只青蛙进入第m个模因组；

记录每个组的最差和最好位置分别为F_w、F_b，适应度值按下式计算：

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}}\log (1+\frac{o_{\mathrm{kn}}{\left|c_{\mathrm{kn}}\right|}^2}{\mathrm{\Γ}({\mathrm{BN}}_0+I_k)})---\left(6\right)$

其中，P_kn表示第k个认知用户使用的第n个子信道的功率，C_kn表示第k个认知用户和第n个信道之间的信道增益，B表示每个子信道的带宽，I_k表示一级用户对第k个认知用户的影响，N₀表示加性高斯白噪声的PSD,г表示信噪比。

7.根据权利要求6所述的基于频谱感知的异构认知无线网络资源分配方法，其特征在于，步骤3.4中，粒子群在全局最优解附近进行局部搜索，粒子群的更新方式如下：

先更新速度，再更新位置：

V^k+1＝V^k+c₁rand()(pbest^k-X^k)+c₂rand()(gbest^k-X^k)   (7)

X^k+1＝X^k+V^k+1

其中，V^k是粒子在第k次迭代的速度，pbest^k是粒子历史最优位置，gbest^k是全局最优位置，X^k是粒子第k次迭代的位置C₁C₂是给定参数，X^k+1是第^k+1次迭代的位置，V^k+1是第k+1次迭代的速度，rand()产生(0-1)之间的随机数。

8.根据权利要求7所述的基于频谱感知的异构认知无线网络资源分配方法，其特征在于，步骤3.5中，更新每个模因组的最差个体，直到最大组内迭代次数，最差个体更新方法为：

先调整青蛙的位移，再更新青蛙的位置：

D_i＝rand()*(F_b-F_w)   (8)

F_w＝F_w+D_i

其中，F_b是组内最优个体，F_w是组内最差个体，rand()产生(0-1)之间的随机数，如果按上式得到的新个体的适应度值没有变优，则用F_g代替F_b，具体为：

D_i＝rand()*(F_g-F_w)   (9)

F_w＝F_w+D_i

如果个体的适应度值任然没有变优，则随机产生一个新解来取代最优个体。