CN104768161A - 一种基于混沌搜索量子遗传算法的无线频谱分配方法 - Google Patents

Abstract

一种基于混沌搜索量子遗传算法的无线频谱分配方法，涉及无线通信网络领域中的频谱资源动态管理机制。本发明以实现高效的网络频谱资源分配为目标，结合量子遗传算法的特点，设计并实现了支持动态调整无线频谱资源分配的方法，采用混沌搜索初始化种群的染色体编码，在迭代过程设定变异阈值，根据阈值决定染色体是否产生变异，并将染色体映射为频谱分配矩阵，从而实现频谱优化分配。本发明具有网络控制负载小、频谱资源分配效率高、实时性高等特点，适用于无线认知网络中频谱的动态分配过程。

Description

一种基于混沌搜索量子遗传算法的无线频谱分配方法

技术领域

本发明涉及通信技术领域，尤其是一种基于混沌搜索量子遗传算法的无线频谱分配方法。

背景技术

在无线通信技术发展的过程当中，制约无线通信领域的发展的瓶颈是频谱资源的短缺，而造成频谱资源短缺的一个主要原因是频谱资源利用率低下。美国联邦通信委员会(FCC)的相关研究项目表明，目前所广泛采用的固定频谱分配策略已经难以解决当今社会快速增长的无线通信需求。为了提高频谱资源的利用效率，解决频谱利用不均衡问题，Joseph Mitola在软件无线电的基础上进一步提出了认知无线电的概念，以提高频谱利用率和频谱分配质量，缓解频谱资源短缺的压力。

在认知网络环境中，频谱信息是动态变化的，因此，灵活性和实时性是频谱分配算法应具备的两个基本条件。现有的动态频谱分配方法主要包括：博弈论、拍卖理论和图论着色等方法，其中具有灵活高效特点的图论着色方法是该领域研究的热点问题。

发明内容

本发明目的在于提供一种提高频谱分配网络效益以及用户之间公平性的基于混沌搜索量子遗传算法的无线频谱分配方法。

为实现上述目的，采用了以下技术方案，本发明所述分配算法包括如下步骤：

(1)认知网络结构包括主用户和次级用户，每个主用户拥有一条独立信道，通过认知无线网络结构，确定以下矩阵，

可用频谱矩阵L＝{l_n,m|l_n,m∈{0,1}}_N×M

效益矩阵B＝{b_n,m}_N×M

干扰矩阵C＝{c_n,k,m|c_n,k,m∈{0,1}}_N×N×M

其中，N表示用户个数，M表示信道条数；l_n,m＝1表示信道m可以被认知用户n使用，并且没有对主用户产生干扰，反之，信道m不可以被认知用户n使用；b_m,n表示认知用户n使用信道m是可获得的效益；c_n,k,m＝0，表示认知用户n和另一认知用户k可以在互不干扰的情况下使用相同的信道m，c_n,k,m＝1，表示认知用户n和另一认知用户k在使用相同信道m时会产生干扰；

(2)将频谱分配矩阵A＝{a_n,m|a_n,m∈{0,1}}_N×M中元素初始化为0，其中a_n,m＝1表示认知用户n得到了信道m的使用权，a_n,m＝0表示认知用户n没有得到信道m的使用权；将与可用频谱矩阵L中值为1的元素位置相对应的频谱分配矩阵A中的元素提取出来，并与由染色体得到的二进制串相对应，将染色体编码对应到频谱分配矩阵A中；

(3)初始化量子遗传算法参数，包括种群大小S、最大迭代次数g_max；

(4)结合频谱分配问题的特点和混沌搜索的理论对染色体进行初始化；

(5)通过更新量子旋转角得到第g代种群

式中g为进化的代数，S为种群的大小，表示第g代种群中的第i个染色体，表示为 $q_i^g=\left[\begin{array}{cccc}{\mathrm{\α}}_{i1}^g& {\mathrm{\α}}_{i2}^g& ...& {\mathrm{\α}}_{\mathrm{il}}^g\\ {\mathrm{\β}}_{i1}^g& {\mathrm{\β}}_{i2}^g& ...& {\mathrm{\β}}_{\mathrm{il}}^g\end{array}\right]$

对Q(g)中的染色体进行测量可以得到一组状态P(g)是一个二进制解矩阵，其中每一个二进制解均为长度为l的二进制串；

(6)根据染色体二进制解矩阵P、效益矩阵B和可用频谱矩阵L，计算每条染色体的适应度函数网络效益和比例公平性 $F\left(R\right)=\underset{n=1}{\overset{N}{\mathrm{\Π}}}{\log }_M\left({\mathrm{\β}}_n\right)$

式中a_n,m表示认知用户n是否对信道m有使用权；b_n,m表示认知用户n使用信道m时可获得的效益；表示在给定某一无干扰分配矩阵时，认知用户n获得的总效益；

(7)通过量子旋转门对染色体进行更新；

(8)设定变异阈值，对染色体进行变异操作；

(9)判断迭代次数g是否达到最大迭代次数g_max；若达到，将适应度最大的染色体相对应的二进制解逆映射回分配矩阵A，给各用户分配相应的频谱；若达不到，迭代次数g＝g+1，继续执行步骤(5)～(8)。

与现有技术相比较，本发明的创新之处在于：

1、在染色体初始化时结合频谱分配在短时间内变化缓慢的特点引入混沌搜索的方法，将上次频谱分配的解作为混沌优化算法中初始值形成的依据，利用混沌搜索的遍历性的特点增加初始种群的多样性，解决陷入局部最优解的问题。

2、采用动态调整量子旋转角θ的更新策略，通过量子旋转角θ的大小适应性的调整，提高算法的收敛速度。

附图说明

图1为本发明方法的流程图。

图2为本发明方法的认知无线网络结构图。

图3为本发明方法的信息交换示意图。

附图标号：1为主用户、2为次级用户。

具体实施方式

下面结合附图对本发明做进一步说明：

如图1所示，本发明所述分配算法包括如下步骤：

(1)如图2和图3所示，认知网络结构包括多个主用户1和若干个次级用户2，每个主用户拥有一条独立信道，主用户干扰覆盖范围如图2中实线所示，次级用户的干扰覆盖范围如图2中虚线所示，通过认知无线网络结构，确定以下矩阵，

可用频谱矩阵L＝{l_n,m|l_n,m∈{0,1}}_N×M

效益矩阵B＝{b_n,m}_N×M

干扰矩阵C＝{c_n,k,m|c_n,k,m∈{0,1}}_N×N×M

其中，N表示用户个数，M表示信道条数；l_n,m＝1表示信道m可以被认知用户n使用并且没有对主用户产生干扰，反之，l_n,m＝0，信道m不可以被认知用户n使用；b_n,m表示认知用户n使用信道m是可获得的效益；

干扰矩阵为C＝{c_n,k,m|c_n,k,m∈{0,1}}_N×N×M，设定次级用户之间的干扰距离为d_min，次级用户n、k之间的距离为d_n,k，当d_n,k>d_min时，次级用户间距离大于干扰距离，则c_n,k,m＝0，否则c_n,k,m＝1；当c_n,k,m＝0时，表示认知用户n和另一认知用户k可在互不干扰的情况下使用相同的信道m，当c_n,k,m＝1时，表示认知用户n和另一认知用户k在使用相同信道m时会产生干扰；

根据认知无线网络结构，可得到次级用户n在信道m上传输时与发射机的距离d_n,m，根据距离、发射功率、带宽来确定效益的大小。

(2)将频谱分配矩阵A＝{a_n,m|a_n,m∈{0,1}}_N×M中元素初始化为0，其中a_n,m＝1表示认知用户n得到了信道m的使用权，a_n,m＝0表示认知用户n没有得到信道m的使用权；将与可用频谱矩阵L中值为1的元素位置相对应的频谱分配矩阵A中的元素提取出来，并与由染色体得到的二进制串相对应，将染色体编码对应到频谱分配矩阵A中；仅将与L中值为1的元素位置相对应的矩阵A中的元素提取出来，并与由染色体得到的二进制串相对应，极大的降低了计算复杂度。

(3)初始化量子遗传算法参数，包括种群大小S、最大迭代次数g_max；群大小S＝20，g_max＝500。

(4)结合频谱分配问题的特点和混沌搜索的理论对染色体进行初始化；

结合频谱分配问题的特点，假定在一定时间内频段参数的变化不会影响系统的整体性能，则上一个频谱分配的解在当前环境下仍然较优，因此，将上次频谱分配的解作为混沌优化算法中初始值形成的依据；

在所述混沌优化中，应用Logistic映射来产生混沌变量，Logistic映射的形式为： $x_{i+1}^j={\mathrm{\μ}}_j{x}_i^j(1-x_i^j)(j=\mathrm{1,2},...,l),$ 其中μ＝4；

利用上式所产生的l个混沌变量来初始化种群中的第一个染色体的量子位，令i＝1,2,…,s-1，产生另外s-1个染色体，则初始化种群为s为种群规模，g为进化代数，其中，第i个染色体 $q_i=\left[\begin{array}{cccc}{\mathrm{\α}}_1^g& {\mathrm{\α}}_2^g& ...& {\mathrm{\α}}_l^g\\ {\mathrm{\β}}_1^g& {\mathrm{\β}}_2^g& ...& {\mathrm{\β}}_l^g\end{array}\right](i=\mathrm{1,2},...,s).$ 在初始化种群Q(g)中，将α_ij,β_ij分别初始化为

(5)通过更新量子旋转角得到第g代种群

式中g为进化的代数，S为种群的大小，表示第g代种群中的第i个染色体，表示为 $q_i^g=\left[\begin{array}{cccc}{\mathrm{\α}}_{i1}^g& {\mathrm{\α}}_{i2}^g& ...& {\mathrm{\α}}_{\mathrm{il}}^g\\ {\mathrm{\β}}_{i1}^g& {\mathrm{\β}}_{i2}^g& ...& {\mathrm{\β}}_{\mathrm{il}}^g\end{array}\right]$

对Q(g)中的染色体进行测量可以得到一组状态P(g)是一个二进制解矩阵，其中每一个二进制解均为长度为l的二进制串；中第j位的取值由中来确定，

$p_{\mathrm{ij}}^g=\left\{\begin{array}{cc}0& \mathrm{if}{\left|{\mathrm{\α}}_{\mathrm{ij}}^g\right|}^2>\mathrm{rand}\left(\mathrm{0,1}\right)\\ 1& \mathrm{if}{\left|{\mathrm{\α}}_{\mathrm{ij}}^g\right|}^2\≤\mathrm{rand}\left(\mathrm{0,1}\right)\end{array}\right.$

(6)根据染色体二进制解矩阵P、效益矩阵B和可用频谱矩阵L，计算每条染色体的适应度函数网络效益和比例公平性 $F\left(R\right)=\underset{n=1}{\overset{N}{\mathrm{\Π}}}{\log }_M\left({\mathrm{\β}}_n\right)$

式中a_n,m表示认知用户n是否对信道m有使用权；b_n,m表示认知用户n使用信道m时可获得的效益；表示在给定某一无干扰分配矩阵时，认知用户n获得的总效益；

本发明以网络效益U(R)和比例公平性F(R)作为目标函数，其中：

$U\left(R\right)=\underset{n=0}{\overset{N}{\mathrm{\Σ}}}\underset{m=0}{\overset{M}{\mathrm{\Σ}}}{a}_{n,m}{b}_{n,m}$

$F\left(R\right)=\underset{n=1}{\overset{N}{\mathrm{\Π}}}{\log }_M\left({\mathrm{\β}}_n\right)=\underset{n=1}{\overset{N}{\mathrm{\Π}}}{\log }_M\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{a}_{n,m}{b}_{n,m}\right)$

(7)通过量子旋转门对染色体进行更新；

所述染色体的更新方法如下：

旋转角θ的大小根据当前解的位置与当前最好解的距离来度量，采用一种变步长调整的搜索策略，该策略的基本思想是实现自适应性的调整旋转角θ的大小，量子旋转角度θ的大小Δθ确定为

Δθ＝θ_min+f×(θ_max-θ_min)

f＝HamD(A,B)/Chromlens

其中，θ_min为搜索角度范围区间的最小值，设定为0.005π,θ_max为搜索角度范围区的最大值，设定为0.1π，ChromLens为染色体基因长度，A为当前个体相对应的二进制解，B为最优个体相对应的二进制解，HamD(A,B)为当前个体A与最优个体B的汉明距离，即两个向量中相应位置不同的个体个数。

染色体更新过程为：

$R\left(\mathrm{\θ}\right)=\left[\begin{array}{cc}\cos \mathrm{\θ}& -\sin \\ \sin \mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right]$

θ＝Δθ·S

[α′_ij β′_ij]^T＝R(θ_ij)[α_ij β_ij]^T

其中θ为旋转角，Δθ为旋转角的大小，S为旋转角的方向，[α_ij β_ij]^T为染色体i中第j个量子位，[α′_ij β′_ij]^T为更新后的量子位，θ_ij为更新量子位[α_ij β_ij]^T时的量子旋转角度。

(8)设定变异阈值，对染色体进行变异操作；在种群通过量子旋转门进行更新并进行测量适应度值后，对除最优染色体之外的每个染色体通过变异阈值来判定是否发生变异；变异阈值包括如下两个条件：

(1)当染色体的二进制解p_i与最优染色体的二进制解p_b的汉明距离小于0.5l，其中l为染色体的长度；

(2)(f_b-f_i)/f_b≤0.1，其中f_b为最优染色体的适应度值，f_i为染色体i的适应度值；

当满足上述两个条件时对染色体i进行变异操作。

(9)判断迭代次数g是否达到最大迭代次数g_max；若达到，将适应度最大的染色体相对应的二进制解逆映射回分配矩阵A，给各用户分配相应的频谱；若达不到，迭代次数g＝g+1，继续执行步骤(5)～(8)。

Claims (5)

1.一种基于混沌搜索量子遗传算法的无线频谱分配方法，其特征在于，所述分配算法包括如下步骤：

(1)认知网络结构包括主用户和次级用户，每个主用户拥有一条独立信道，通过认知无线网络结构，确定以下矩阵，

可用频谱矩阵L＝{l_n,m|l_n,m∈{0,1}}_N×M

效益矩阵B＝{b_n,m}_N×M

干扰矩阵C＝{c_n,k,m|c_n,k,m∈{0,1}}_N×N×M

其中，N表示用户个数，M表示信道条数；l_n,m＝1表示信道m可以被次级用户n使用并且没有对主用户产生干扰，反之，信道m不可以被次级用户n使用；b_m,n表示次级用户n使用信道m是可获得的效益；c_n,k,m＝0，表示次级用户n和另一次级用户k可以在互不干扰的情况下使用相同的信道m，c_n,k,m＝1，表示次级用户n和另一次级用户k在使用相同信道m时会产生干扰；

(2)频谱分配矩阵A表示在目标函数约束下得到的频谱分配的结果，记为A＝{a_n,m|a_n,m∈{0,1}}_N×M，其中a_n,m＝1表示次级用户n得到了信道m的使用权，a_n,m＝0表示次级用户n没有得到信道m的使用权；将与可用频谱矩阵L中值为1的元素位置相对应的频谱分配矩阵A中的元素提取出来，并与由染色体得到的二进制串相对应，将染色体编码对应到频谱分配矩阵A中；

(3)初始化量子遗传算法参数，包括种群大小S、最大迭代次数g_max；

(4)结合频谱分配问题的特点和混沌搜索的理论对染色体进行初始化；

(5)通过更新量子旋转角得到第g代种群

式中，g为进化的代数，S为种群的大小，表示第g代种群中的第i个染色体，表示为 $q_i^g=\left[\begin{array}{cccc}{\mathrm{\α}}_{i1}^g& {\mathrm{\α}}_{i2}^g& ...& {\mathrm{\α}}_{\mathrm{il}}^g\\ {\mathrm{\β}}_{i1}^g& {\mathrm{\β}}_{i2}^g& ...& {\mathrm{\β}}_{\mathrm{il}}^g\end{array}\right],$ 对Q(g)中的染色体进行测量可以得到一组状态P(g)是一个二进制解矩阵，其中每一个二进制解均为长度为l的二进制串；

(6)根据染色体二进制解矩阵P、效益矩阵B和可用频谱矩阵L，计算每条染色体的适应度函数网络效益和比例公平性 $F\left(R\right)=\underset{n=1}{\overset{N}{\mathrm{\Π}}}{\log }_M\left({\mathrm{\β}}_n\right)$

式中，a_n,m表示认知用户n是否对信道m有使用权；b_n,m表示认知用户n使用信道m时可获得的效益；表示在给定某一无干扰分配矩阵时，认知用户n获得的总效益；

(7)通过量子旋转门对染色体进行更新；

(8)设定变异阈值，对染色体进行变异操作；

(9)判断迭代次数g是否达到最大迭代次数g_max；若达到，将适应度最大的染色体相对应的二进制解逆映射回分配矩阵A，给各用户分配相应的频谱；若达不到，迭代次数g＝g+1，继续执行步骤(5)～(8)。

2.根据权利要求1所述的基于混沌搜索量子遗传算法的无线频谱分配方法，其特征在于：

步骤(4)中所述的染色体初始化，假定在一定时间内频段参数的变化不会影响系统的整体性能，则上一个频谱分配的解在当前环境下仍然较优，因此，将上次频谱分配的解作为混沌优化算法中初始值形成的依据；

在所述混沌优化中，应用Logistic映射来产生混沌变量，Logistic映射的形式为： $x_{i+1}^j={\mathrm{\μ}}_j{x}_i^j(1-x_i^j)(j=\mathrm{1,2},...,l),$ 其中μ＝4；

利用上式所产生的l个混沌变量来初始化种群中的第一个染色体的量子位，令i＝1,2,…,s-1，产生另外s-1个染色体，则初始化种群为s为种群规模，g为进化代数，其中，第i个染色体 $q_i=\left[\begin{array}{cccc}{\mathrm{\α}}_1^g& {\mathrm{\α}}_2^g& ...& {\mathrm{\α}}_l^g\\ {\mathrm{\β}}_1^g& {\mathrm{\β}}_2^g& ...& {\mathrm{\β}}_l^g\end{array}\right](i=\mathrm{1,2},...,s).$ 在初始化种群Q(g)中，将α_ij,β_ij分别初始化为

3.根据权利要求1所述的基于混沌搜索量子遗传算法的无线频谱分配方法，其特征在于：步骤(5)，的取值由中来确定

$p_{\mathrm{ij}}^g=\left\{\begin{array}{cc}0& \mathrm{if}{\left|{\mathrm{\α}}_{\mathrm{ij}}^g\right|}^2>\mathrm{rand}\left(\mathrm{0,1}\right)\\ 1& \mathrm{if}{\left|{\mathrm{\α}}_{\mathrm{ij}}^g\right|}^2\≤\mathrm{rand}\left(\mathrm{0,1}\right)\end{array}\right.$

式中， $q_i^g=\left[\begin{array}{cccc}{\mathrm{\α}}_{i1}^g& {\mathrm{\α}}_{i2}^g& ...& {\mathrm{\α}}_{\mathrm{il}}^g\\ {\mathrm{\β}}_{i1}^g& {\mathrm{\β}}_{i2}^g& ...& {\mathrm{\β}}_{\mathrm{il}}^g\end{array}\right]$ 为第g代种群中的第i个染色体。

4.根据权利要求1所述的基于混沌搜索量子遗传算法的无线频谱分配方法，其特征在于，步骤(7)中，所述染色体的更新方法如下：

旋转角θ的大小根据当前解的位置与当前最好解的距离来度量，采用一种变步长调整的搜索策略，实现自适应性的调整旋转角θ的大小，量子旋转角度θ的大小确定为

θ＝θ_min+f×(θ_max-θ_min)

f＝HamD(A,B)/Chromlens

其中，θ_min为搜索角度范围区间的最小值，设定为0.005π,θ_max为搜索角度范围区的最大值，设定为0.1π，ChromLens为染色体基因长度，A为当前个体相对应的二进制解，B为最优个体相对应的二进制解，HamD(A,B)为当前个体A与最优个体B的汉明距离，即两个向量中相应位置不同的个体个数。

染色体更新过程为：

$R\left(\mathrm{\θ}\right)=\left[\begin{array}{cc}\cos \mathrm{\θ}& -\sin \mathrm{\θ}\\ \sin \mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right]$

θ＝Δθ·S

[α′_ij β′_ij]^T＝R(θ_ij)[α_ij β_ij]^T

其中θ为旋转角，Δθ为旋转角的大小，S为旋转角的方向，[α_ij β_ij]^T为染色体i中第j个量子位，[α′_ij β′_ij]^T为更新后的量子位，θ_ij为量子位[α_ij β_ij]^T发生变异时的量子旋转角度。

5.根据权利要求1所述的基于混沌搜索量子遗传算法的无线频谱分配方法，其特征在于，步骤(8)中，对除最优染色体之外的每个染色体通过变异阈值来判定是否发生变异；变异阈值包括如下两个条件：

(1)当染色体的二进制解p_i与最优染色体的二进制解p_b的汉明距离小于0.5l，其中l为染色体的长度；

(2)(f_b-f_i)/f_b≤0.1，其中f_b为最优染色体的适应度值，f_i为染色体i的适应度值；

当满足上述两个条件时对染色体i进行变异操作。