CN104853399A - 基于改进的遗传-粒子群混合算法的协作中继选择方法 - Google Patents

Abstract

本发明公开了基于改进的遗传-粒子群混合算法的协作中继选择方法，包含以下步骤：发射端检测N个可接入的中继节点，获取各节点间信道状态信息；初始化表示中继选择方案的粒子种群；更新各粒子的速度和位置，并计算各粒子适应度值；更新粒子的个体极值和全局极值；粒子位置数组作为基因，选取基因进行重组并加入种群；选择基因进行突变并替换原基因；随机产生迭代过程中不曾出现的新粒子加入种群中；在种群中选取适应度值最高的M个粒子构成新一代粒子种群；判断是否符合终止条件：若符合，则选择适应度值最高的粒子作为最优中继选择方案；否则继续更新各粒子的速度和位置。本发明的方法，在尽可能提高发射端的传输速率的同时能尽可能降低功耗。

Description

基于改进的遗传-粒子群混合算法的协作中继选择方法

技术领域

本发明涉及无线通信技术领域，特别涉及基于改进的遗传-粒子群混合算法的协作中继选择方法。

背景技术

目前，无线通信环境中存在包括2G、3G、4G、Wi-Fi、蓝牙、超宽带等在内的多种异构无线网络，这些网络各自独立工作，移动终端在同一时间内只能接入一种网络。如何实现各异构无线网络无缝互联、从而使得移动终端可以充分利用各网络资源是一个重大问题。异构无线网络协作通信技术能有效解决上述问题，因此逐渐引起了国内外研究人员的重视。异构无线网络协作通信技术可以实现异构网络之间的无缝融合、协同工作，使得终端可以同时使用多个异构网络传输数据，从而显著提高网络资源利用率和通信系统性能。

在异构无线网络协作通信系统中，发射端可以将数据包分流后利用多个异构协作中继节点并行转发给接收端，从而有效提高传输质量与传输速率。然而，发射端与各个中继节点之间的信道状况各不相同，中继节点的选取会影响整个通信系统的性能。如何选择中继节点，使发射端获得尽可能高的传输速率的同时消耗尽可能低的系统功率是一个关键问题。为此需要对各中继节点进行筛选，选取最合理的方案以达到同时优化发射端的传输速率和功耗两方面性能的目的。

在无线通信中，目前已有许多研究提出了各种关于中继选择的方法，但是大多数研究集中在同构网络、考虑单个中继节点进行协作并且以单个性能指标为优化目标。公开号为CN103491577A，公开日为2014年01月01日的发明专利“一种协同通信系统的中继选择方法”，提供了一种根据中继链路的平均信噪比大小，采用基于最佳中继选择与负载平衡中继选择相混合的中继选择方法，但该发明仅对中继节点的负载平衡进行优化、没有考虑功耗的优化问题，并且针对单种制式的同构网络。公开号为CN102202382A，公开日为2011年09月28日的发明专利“一种降低发射功率的中继选择方法”，考虑了一种在保持所要求的中断概率的前提下降低发射功率的中继选择方案，但是该发明同样是在同构网络环境下进行选择，只考虑选取单个中继节点进行协作，并且仅以功率最小化为优化目标，没有考虑对其它性能的优化。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供基于改进的遗传-粒子群混合算法的协作中继选择方法，该方法寻找最优的中继节点选择方案，以发射端的传输速率和功耗为优化目标，在尽可能提高发射端的传输速率的同时尽可能降低功耗。

本发明的目的通过以下的技术方案实现：

基于改进的遗传-粒子群混合算法的协作中继选择方法，包含以下顺序的步骤：

S1.发射端检测N个可接入的中继节点，获取各节点间信道状态信息；

S2.初始化表示中继选择方案的粒子种群；

S3.更新各粒子的速度和位置，并计算各粒子适应度值；

S4.更新粒子的个体极值和全局极值；

S5.粒子位置数组作为基因，选取基因进行重组，重组后的新基因加入种群；

S6.选择基因进行突变，突变后替换原基因；

S7.随机产生迭代过程中不曾出现的新粒子加入种群中；

S8.在种群中选取适应度值最高的M个粒子构成新一代粒子种群；

S9.判断是否符合终止条件：若符合，则选择适应度值最高的粒子作为最优中继选择方案；若不符合，转到步骤S3继续进行。

所述的基于改进的遗传-粒子群混合算法的协作中继选择方法，具体包含以下顺序的步骤：

步骤1、发射端在通信时，检测周围空闲的N个可接入的中继节点，获取发射端到各中继节点间的信道状态信息；

步骤2、产生代表中继选择方案的粒子种群；产生M个粒子，M为种群规模，其中第k个粒子定义为Particle_k＝(X_k,V_k)(k＝1,…,M)，X_k是粒子的位置，表示第k种中继选择方案，V_k是粒子的运动速度，X_k和V_k均为含有N个元素的0-1数组；此外，定义M个含有N个元素的0-1数组X_{k_pbest}(k＝1,2,…,M)用来存储粒子的个体极值，定义1个含有N个元素的0-1数组X_gbest用来存储粒子种群的全局极值；X_k、V_k、X_{k_pbest}、X_gbest分别称为粒子的二进制位置、二进制运动速度、二进制个体极值和二进制全局极值；

步骤3、定义中继选择方案的适应度函数：以终端的传输速率与系统所消耗的功率为优化目标，粒子Particle_k的适应度函数定义为 $f\left(X_k\right)=\frac{C_k-C_{\min }}{C_{\max }-C_{\min }}+\frac{1}{P_{\mathrm{sys}\_\max }-P_{\mathrm{sys}\_\min }}\×\frac{1}{P_{k\_\mathrm{sys}}-P_{\mathrm{sys}\_\min }},$ 其中C_k、P_{k_sys}分别为第k种中继选择方案下发射端所获得的传输速率与系统所消耗的功率，C_max、C_min、P_{sys_max}、P_{sys_min}分别为该种群中全体粒子所代表的所有中继选择方案中，发射端所获得的最大传输速率、最小传输速率、系统最大消耗功率、系统最小消耗功率；

步骤4、根据步骤3所述的适应度函数计算步骤2中所述的各个粒子的初始适应度值其中是粒子的初始位置；

步骤5、将各个粒子的初始位置存储于各自的个体极值X_{k_pbest}(k＝1,2,…,M)中，完成个体极值的初始化；将适应度值最大的初始个体极值存储于全局极值X_gbest中，完成全局极值的初始化；

步骤6、通过更新粒子的速度V_k和位置X_k，产生新一代粒子种群：将V_k、X_k、X_{k_pbest}、X_gbest分别转化成十进制实数V_{k_d}、X_{k_d}、X_{k_pbest_d}、X_{gbest_d}(分别称为十进制速度、十进制位置、十进制个体极值、十进制全局极值)；第j代粒子种群中的第k个粒子的十进制速度V_{k_d}和十进制位置分别由搜索方程 $V_{k\_d}^j=w{V}_{k\_d}^{j-1}+c_1{R}_1(X_{k\_\mathrm{pbest}\_d}^{j-1}-X_{k\_d}^{j-1})+c_2{R}_2(X_{\mathrm{gbest}\_d}^{j-1}-X_{k\_d}^{j-1})$ 和 $X_{k\_d}^j=X_{k\_d}^{j-1}+V_{k\_d}^j(1\≤j\≤T)$ 产生，其中为Particle_k第j次迭代的十进制个体极值，为粒子种群第j次迭代的十进制全局极值，w为惯性权重因子，c₁、c₂为学习因子，R₁、R₂为(0,1)区间内的随机数，T为最大迭代数；

步骤7、若步骤6所述更新后的十进制位置为整数，则将直接转换为二进制位置若更新后的十进制位置非整数，则取以及指取的整数部分)，并分别转换为二进制数组二进制位置由式 $X_k^j=\left\{\begin{array}{c}{X}_{k1}^j,f\left(X_{k1}^j\right)\&GreaterEqual;f\left(X_{k2}^j\right)\\ X_{k2}^j,f\left(X_{k1}^j\right)<f\left(X_{k2}^j\right)\end{array}\right.$ 确定；

步骤8、通过式更新粒子个体极值；通过式更新全局极值；其中，位置为的粒子的适应度值满足即全局极值更新为适应度值最大的个体极值；

步骤9、将步骤8所得粒子种群视作基因种群，种群中的每个粒子的位置看作一条基因，根据高适应度值优先的方法，按照概率从步骤8所得种群中随机选择m₁(m₁为偶数，2≤m₁≤M)条基因进行基因重组；随机生成m₁个含有N个元素的0-1数组，分别作为重组所生成的基因(粒子位置)所对应的粒子的速度，从而构成m₁个粒子，并将其加入粒子种群；

步骤10、按照低适应度值优先的方法，从步骤9所述基因重组后的粒子种群中选取适应度值较低的粒子，并从中按照概率随机选择m₂(1≤m₂≤M2)个粒子对其位置所代表的基因进行突变，突变方法为：对于选中的待突变的基因在其N个元素中随机选择某几个元素将其取反(二进制中0和1是相反的两个数)，也即将原有的0变为1，或者原有的1变为0；随机生成m₂个含有N个元素的0-1数组，分别作为突变所生成的基因(粒子位置)所对应的粒子的速度，从而构成m₂个粒子，并用其替换突变前的粒子；

步骤11、按照步骤2所述方法随机产生m₃个迭代过程中不曾出现的新粒子并将其加入种群，然后在种群中选取适应度函数值最高的M个粒子构成新一代粒子种群；按照步骤8更新新一代种群的个体极值和全局极值；

步骤12、迭代次数增加1(j＝j+1)，重复步骤6～11，直到种群的最大适应度值的增长连续若干次小于给定的阈值l_th，或者迭代次数达到最大值T(j＝T)；此时选择全局极值作为协作中继选择方案，中继选择算法结束。

步骤1中，所述的发射端检测到周边的中继节点的总数目为N，每个中继节点发送和接收天线均只有一根；所述的信道状态信息用信道增益表示，假定发射端到第i个中继节点的信道增益记为h_i，第i个中继节点到接收端的信道增益记为g_i。

步骤2中，所述的种群规模M的值由算法的精度和复杂度综合衡量确定，M越大，算法的精度越高，但复杂度也越高；M越小，算法的精度越低，但复杂度也越低；粒子的初始位置数组的元素由0-1随机数填充，取值为1指该中继节点被选择参与协作通信，取值为0则表示该中继节点未被选取；粒子的初始速度数组的元素也由0-1随机数填充。

步骤2中，所述的二进制个体极值是指粒子Particle_k历次迭代过程中适应度值最大的位置，表示个体极值的初始值，表示截至第j次迭代粒子Particle_k的个体极值；所述的全局极值X_gbest是指粒子种群中适应度值最大的个体极值，表示粒子种群的全局极值初始值，表示截止第j次迭代的粒子种群全局极值，即截至第j次迭代粒子种群搜索到的最优位置。

步骤3中，所述的 $C_k=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{X}_k\left[n\right]\&times;\frac{1}{2}{w}_n\log (1+\frac{h_n{P}_s/{\mathrm{\&Sigma;}}_{n=1}^N{X}_k\left[n\right]}{w_n{\mathrm{\&sigma;}}_n^2}),$ 其中w_n是中继节点n所在网络的带宽，P_s是发射端的发射功率；P_sys是指该方案中所消耗的系统功率，定义为发射端与中继节点的发射功率之和，由确定，其中P_rd是指中继节点的发射功率。本发明同时优化发射端所获得的传输速率及发射端与中继节点所消耗的功率之和两个指标：传输速率C_k越大，消耗功率P_{k_sys}越低，则得到的适应度函数值越大，对应的中继选择方案性能越优；反之，中继选择方案性能越差。

步骤4中，所述Particle_k＝(X_k,V_k)(k＝1,…,M)的初始适应度值是由步骤3中所定义的适应度函数f(X_k)在初始位置时的函数取值；同理，粒子Particle_k＝(X_k,V_k)(k＝1,…,M)第j次迭代后的适应度值为适应度值是用于评判中继选择方案优劣的标准，适应度值越高，则对应的中继选择方案性能越好；反之，则越差。

所述的步骤5具体为：将粒子的初始位置直接存储于各自的个体极值中，作为个体极值的初始值，即将初始适应度值最大的个体极值存储于全局极值中，作为全局极值的初始值，即其中，位置为的粒子的适应度值满足 $F_{\mathrm{kk}\_\mathrm{pbest}}^0=\max \{F_{1\_\mathrm{pbest}}^0,...,F_{M\_\mathrm{pbest}}^0\}.$

步骤6中，所述的粒子的位置和X_{k_d}速度V_{k_d}根据当前的粒子速度、个体极值和全局极值来更新；w为惯性权重因子，用于调节粒子原先速度的保留程度；c₁、c₂为学习因子，用于调节粒子飞向个体最优位置和全局最优位置的步长，经典粒子算法关于c₁、c₂的取值区间为(0,4)，此处设定c₁＝c₂＝2，R₁、R₂为(0,1)区间内的随机数。

步骤6中，惯性权重因子由下式给出：w＝w_min+(w_max-w_min)×e^λη，其中F_k＝f(X_k),F_max＝max{F₁,……,F_M}；λ为调整参数，用于调整w值的变化快慢，w_max、w_min分别是惯性权重因子的最大、最小值，w取值较大时，有利于提高全局搜索能力，但收敛精度较低；取较小值时，有利于提高收敛精度，但容易陷入局部最优；当粒子Particle_k＝(X_k,V_k)(k＝1,…,M)的适应度值F_k＝f(X_k)越小时，η越大，则w越大，即根据粒子的适应度值调节惯性权重因子的大小，使适应度值较小的粒子获得较强的全局搜索能力；同理，使适应度值较大的粒子获得较强的局部搜索能力，向极值收敛。

步骤9中，所述的基因重组包含如下步骤：

步骤9.1，按照高适应值优先原则选取参与重组的基因；所述的高适应度值优先是指适应度越高，基因被选择参与重组的概率越大，适应度值为的基因被选择参与重组的概率为其中 $F_{\max }^j=\max \{F_1^j,F_2^j,...,F_M^j\};$

步骤9.2，对于两条被选取参与重组的基因X_i、X_j(1≤i,j≤M)经过重组后产生X_{ij_1},……X_{ij_2N}总共2N条基因；

步骤9.3，从步骤9.2所述重组所生成的2N条基因中选取适应度值最高的两个基因作为新基因加入种群，其余基因数组丢弃。

所述的步骤9.2，具体包含以下步骤：

步骤9.2.1，选取X_i的前i个元素，填充至X_{ij_1}的前i个元素，将X_j的后N-i个元素填充至X_{ij_1}的剩余位置中；

步骤9.2.2，将X_j的前i个元素填充至X_{ij_2}的前i个元素，X_i的后N-i元素填充至X_{ij_2}的后N-i个元素中；

步骤9.2.3，i依次取1,2,3,…,N，重复上述步骤即可产生2N条基因。

步骤10中，所述的低适应度值优先方法，具体为：种群中适应度值最高的的前个基因保持不变，剩余的基因中，适应度值为的基因被选择参与变异的概率为 ${\widehat{\mathrm{\&rho;}}}_l=\frac{F_{\min }^j}{{F_l}^j},$ 其中 $F_{\min }^j=\min \{{F_1}^j,F_2^j,...,F_M^j\}.$

步骤11中，所述的随机产生m₃个迭代过程中不曾出现的粒子，产生方法如下：

步骤11.1，利用步骤2所述的方法产生m₄(m₄>m₃)个粒子数组Particle_k＝(X_k,V_k)，并计算X_k的经过二-十进制转换后的编码X_{k_d}；

步骤11.2，用新的位置值X_{k_d}对比迭代过程中出现的各个粒子的位置值X_{k_d}，若出现值相等的则删去该粒子数组；

步骤11.3，删去后的粒子数组若小于m₃个，则重复上述步骤直到产生m₃个在迭代过程中不曾出现的粒子数组，若产生的数组大于m₃个，则计算每个数组的适应度值，选择较大的m₃个加入种群中。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明中发射端利用周边一个或多个异构中继来协作传输数据，发射端发出的数据包经数据分流后发送给各个异构中继节点，通过异构中继节点协作传输数据，在单一网络拥塞、带宽受限的情况下，可以充分利用周围闲置的网络资源，提高数据的传输速率；在发送端和接收端相距较远、信号较差的情况下可以有效提高系统的通信质量。

2、本发明使用一种基于改进的遗传-粒子群混合算法来选择参与异构协作通信的多个中继，以发射端的传输速率和系统的消耗功率为优化目标，可以同时优化传输速率和系统的功耗性能。

3、本发明所使用的一种基于改进的遗传-粒子群混合算法，用粒子群算法模拟自然界的个体成长过程，个体成长后利用遗传算法的迭代更新来产生下一代种群。该算法综合利用了遗传算法全局搜索与粒子群算法局部搜索能力强的特点，使两者的融合达到互补不足的效果，有效的提高了算法的收敛速度，更有利于结果向最优解的方向靠近。

4、本发明所使用的一种基于改进的遗传-粒子群混合算法，使用一种改进后的适应性权重方法构造适应度函数，适应性权重法是指利用当前种群中传输速率和系统消耗功率的极值来调整优化目标的权重，改进后可使整个算法的收敛性更好，结果更易于趋向全局最优值。

5、本发明使用的一种基于改进的遗传-粒子群混合算法，在产生下一代种群过程中采用了高适应度值优先的基因重组与低适应度值优先的基因突变措施，并且通过增加新的粒子来增加粒子的多样性从而扩大粒子搜索的范围，避免种群过早的收敛于局部最优。

附图说明

图1为本发明所述的基于改进的遗传-粒子群混合算法的协作中继选择方法的流程图；

图2为异构无线网络协作通信中继选择示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1，基于改进的遗传-粒子群混合算法的协作中继选择方法，包含以下顺序的步骤：

步骤1，如图2所示的异构无线网络，发射端在通信时检测周围空闲的20个可接入的中继节点，获取发射端到各中继节点间的信道状态信息。

步骤2，定义含有100个粒子Particle_k＝(X_k,V_k)(k＝1,…,100)的粒子种群，X_k和V_k均为含有20个元素的0-1数组，其中X_k是粒子的位置，表示第k种中继选择方案，表示该方案的中继是否被选择参与到协作通信中，0指该中继节点未被选择参与协作通信，1指该中继被选择参与协作通信。V_k是粒子的运动速度，X_k，V_k分别被称为粒子的二进制位置与二进制速度。

步骤3，定义中继选择方案的适应度函数， $f\left(X_k\right)=\frac{C_k-C_{\min }}{C_{\max }-C_{\min }}+\frac{1}{P_{\mathrm{sys}\_\max }-P_{\mathrm{sys}\_\min }}\&times;\frac{1}{P_{k\_\mathrm{sys}}-P_{\mathrm{sys}\_\min }},$ 其中，C_k、P_{k_sys}分别为第k种中继选择方案下发射端所获得的传输速率与系统所消耗的功率，C_max、C_min、P_{sys_max}、P_{sys_min}分别为该种群中全体粒子所代表的所有中继选择方案中，发射端所获得的最大传输速率、最小传输速率、系统最大消耗功率、系统最小消耗功率。传输速率由式 $C_k=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{X}_k\left[n\right]\&times;\frac{1}{2}{w}_n\log (1+\frac{h_n{P}_s/{\mathrm{\&Sigma;}}_{n=1}^N{X}_k\left[n\right]}{w_n{\mathrm{\&sigma;}}_n^2})$ 确定，其中，w_n是中继节点n所在网络的带宽，P_s是发射端固有发送功率。系统消耗功率由式确定，式中P_rd是指所有中继节点转发信号到接收端的功率。

步骤4，根据步骤3所述的适应度函数分别计算各个粒子的初始适应度函数值 $F_k^0=f\left(X_k^0\right)(k=\mathrm{1,2},...,100),$ 其中是粒子的初始位置。

步骤5、产生100个含有20个元素的数组表示粒子的个体极值初始值，称为粒子的二进制个体极值，产生1个含有20个元素的数组表示粒子种群的全局极值初始值，称为粒子的二进制全局极值；将步骤2所产生的100个位置数组分别存储于数组中，，如此完成粒子个体极值初始值的赋值；将初始适应度值最大的个体极值存储于全局极值中，作为全局极值的初始值，即其中，位置为的粒子的适应度值满足 $F_{\mathrm{kk}\_\mathrm{pbest}}^0=\max \{F_{1\_\mathrm{pbest}}^0,...,F_{M\_\mathrm{pbest}}^0\}.$

步骤6，通过更新粒子的速度V_k和位置X_k，产生新一代粒子种群：根据二进制转换十进制编码方式把V_k、X_k、X_{k_pbest}、X_gbest分别转化成V_{k_d}、X_{k_d}、X_{k_pbest_d}、X_{gbest_d}(分别称为十进制速度、十进制位置、十进制个体极值、十进制全局极值)；第j代粒子种群中的第k个粒子的十进制速度由搜索方程 $V_{k\_d}^j=w{V}_{k\_d}^{j-1}+c_1{R}_1(X_{k\_\mathrm{pbest}\_d}^{j-1}-X_{k\_d}^{j-1})+c_2{R}_2(X_{\mathrm{gbest}\_d}^{j-1}-X_{k\_d}^{j-1}),(j=\mathrm{0,1},...,T)$ 更新；十进制位置由式 $X_{k\_d}^j=X_{k\_d}^{j-1}+V_{k\_d}^j(j=0.1,...,T)$ 更新；其中为Particle_k第j次迭代的十进制个体极值，为粒子种群第j次迭代的十进制全局极值，T为最大迭代次数；w为惯性权重因子，其表达式由下式给出：w＝w_min+(w_max-w_min)×e^λη，根据本实施例多次试验结果，取w_max＝1.5，w_min＝0.5，λ＝2.5，c₁、c₂为学习因子，取c₁＝c₂＝2，R₁、R₂为(0,1)区间内的随机数。

步骤7、若步骤6所述更新后的十进制位置为整数，则将直接转换为二进制位置若更新后的十进制位置非整数，则取以及指取的整数部分)，并分别转换为二进制数组二进制位置由式 $X_k^j=\left\{\begin{array}{c}{X}_{k1}^j,f\left(X_{k1}^j\right)\&GreaterEqual;f\left(X_{k2}^j\right)\\ X_{k2}^j,f\left(X_{k1}^j\right)<f\left(X_{k2}^j\right)\end{array}\right.$ 确定。

步骤8，更新粒子个体极值和全局极值。通过式更新粒子的个体极值，通过式更新全局极值，其中，位置为的粒子的适应度值满足 $F_{\mathrm{kk}\_\mathrm{pbest}}^j=\max \{F_{1\_\mathrm{pbest}}^j,......,F_{100\_\mathrm{pbest}}^j\}.$

步骤9，将步骤8所得粒子种群视作基因种群，种群中的每个粒子的位置看作一条基因，根据高适应度值优先的方法，按照概率从步骤8所得种群中随机选择70条基因进行基因重组。基因重组的具体方法主要分为如下步骤：

步骤9.1，高适应度值优先是指适应度越高，基因被选择参与重组的概率越大，适应度值为的基因被选择参与重组的概率为 ${\mathrm{\&rho;}}_k=\frac{F_k^j}{F_{\max }^j},$ 其中 $F_{\max }^j=\max \{{F_1}^j,F_2^j,...,F_{100}^j\};$

步骤9.2，对步骤9.1所述被选择参与重组的任意两条基因X_i、X_j(1≤i,j≤100)，经过重组后产生X_{ij_1},……X_{ij_40}总共40条基因。产生过程主要有以下步骤：

步骤9.2.1，选取X_i的前i个元素，填充至X_{ij_1}的前i个元素，将X_j的后20-i个元素填充至X_{ij_1}的剩余位置中。

步骤9.2.2，将X_j的前i个元素填充至X_{ij_2}的前i个元素，X_i的后20-i元素填充至X_{ij_2}的后20-i个元素中。

步骤9.2.3，i依次取1,2,3,…,20，重复上述步骤即可产生40条基因。

步骤9.3，从步骤9.2所述重组所生成的40条基因中选取适应度值最高的两个基因作为作为新基因加入种群，其余基因丢弃。

步骤9.4，随机生成70个含有20个元素的0-1数组，分别作为重组所生成的基因(粒子位置)所对应的粒子的速度V_k，从而构成70个粒子，并将其加入粒子种群。

步骤10，对步骤9所述的基因重组后的种群，根据最佳保持低适应度值优先的方法，按概率从中随机选择10条基因进行突变。基因突变的具体方法主要有以下步骤：

步骤10.1，对种群中的全体基因按适应度值由高到低排序，保持前50个基因不变；对于剩下的基因，其中的基因X_k以的概率选为待突变的基因，其中为种群中全体基因的适应度值的最小值，由式确定。

步骤10.2，对于步骤10.1中所选取的待突变基因X_k，随机选取14个元素，将其取反，也即将原有的0变为1，或者原有的1变为0，并重新计算适应度值，加入种群中。

步骤10.3，随机生成10个含有20个元素的0-1数组，分别作为突变所生成的基因(粒子位置)所对应的粒子的速度V_k，从而构成10个粒子，并用其替换突变前的粒子。

步骤11，产生20个如步骤2所述的迭代过程中不曾出现的新粒子加入种群中，在种群中选取适应度函数值最高的100个粒子构成新一代种群。按照步骤8更新新一代种群的个体极值和全局极值。随机产生20个迭代过程中不曾出现的粒子，产生方法如下：

步骤11.1，利用步骤1所述的方法产生40个粒子数组Particle_k＝(X_k,V_k)，并计算X_k的经过二-十进制转换后的编码X_{k_d}；

步骤11.2，用新的X_{k_d}对比迭代过程中出现的各个粒子的位置值X_{k_d}，若出现值相等的则删去该粒子数组；

步骤11.3，删去后的粒子数组若小于20个，则重复上述步骤直到产生20个在迭代过程中不曾出现的粒子数组，若产生的数组大于20个，则计算每个数组的适应度值，选择较大的20个加入种群中。

步骤12、迭代次数增加1(j＝j+1)，重复步骤6～11，直到种群的最大适应度值的增长连续5代小于5％，中继算法选择结束；此时选择全局极值作为协作中继选择方案，中继是否参与协作网络传输要根据来判断(其中1代表选择，0代表不选择)。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (14)

1.基于改进的遗传-粒子群混合算法的协作中继选择方法，其特征在于，包含以下顺序的步骤：

S1.发射端检测N个可接入的中继节点，获取各节点间信道状态信息；

S2.初始化表示中继选择方案的粒子种群；

S3.更新各粒子的速度和位置，并计算各粒子适应度值；

S4.更新粒子的个体极值和全局极值；

S5.粒子位置数组作为基因，选取基因进行重组，重组后的新基因加入种群；

S6.选择基因进行突变，突变后替换原基因；

S7.随机产生迭代过程中不曾出现的新粒子加入种群中；

S8.在种群中选取适应度值最高的M个粒子构成新一代粒子种群；

S9.判断是否符合终止条件：若符合，则选择适应度值最高的粒子作为最优中继选择方案；若不符合，转到步骤S3继续进行。

2.根据权利要求1所述的基于改进的遗传-粒子群混合算法的协作中继选择方法，其特征在于，具体包含以下顺序的步骤：

步骤1、发射端在通信时，检测周围空闲的N个可接入的中继节点，获取发射端到各中继节点间的信道状态信息；

步骤2、产生代表中继选择方案的粒子种群；产生M个粒子，M为种群规模，其中第k个粒子定义为Particle_k＝(X_k,V_k)(k＝1,…,M)，X_k是粒子的位置，表示第k种中继选择方案，V_k是粒子的运动速度，X_k和V_k均为含有N个元素的0-1数组；此外，定义M个含有N个元素的0-1数组X_{k_pbest}(k＝1,2,…,M)用来存储粒子的个体极值，定义1个含有N个元素的0-1数组X_gbest用来存储粒子种群的全局极值；X_k、V_k、X_{k_pbest}、X_gbest分别称为粒子的二进制位置、二进制运动速度、二进制个体极值和二进制全局极值；

步骤3、定义中继选择方案的适应度函数：以终端的传输速率与系统所消耗的功率为优化目标，粒子Particle_k的适应度函数定义为 $f\left(X_k\right)=\frac{C_k-C_{\min }}{C_{\max }-C_{\min }}+\frac{1}{P_{\mathrm{sys}\_\max }-P_{\mathrm{sys}\_\min }}\frac{1}{P_{k\_\mathrm{sys}}-P_{\mathrm{sys}\_\min }},$ 其中C_k、P_{k_sys}分别为第k种中继选择方案下发射端所获得的传输速率与系统所消耗的功率，C_max、C_min、P_{sys_max}、P_{sys_min}分别为该种群中全体粒子所代表的所有中继选择方案中，发射端所获得的最大传输速率、最小传输速率、系统最大消耗功率、系统最小消耗功率；

步骤4、根据步骤3所述的适应度函数计算步骤2中所述的各个粒子的初始适应度值其中是粒子的初始位置；

步骤5、将各个粒子的初始位置存储于各自的个体极值X_{k_pbest}(k＝1,2,…,M)中，完成个体极值的初始化；将适应度值最大的初始个体极值存储于全局极值X_gbest中，完成全局极值的初始化；

步骤6、通过更新粒子的速度V_k和位置X_k，产生新一代粒子种群：将V_k、X_k、X_{k_pbest}、X_gbest分别转化成十进制实数V_{k_d}、X_{k_d}、X_{k_pbest_d}、X_{gbest_d}；第j代粒子种群中的第k个粒子的十进制速度V_{k_d}和十进制位置分别由搜索方程 $V_{k\_d}^j=w{V}_{k\_d}^{j-1}+c_1{R}_1(X_{k\_\mathrm{pbest}\_d}^{j-1}-X_{k\_d}^{j-1})+c_2{R}_2(X_{\mathrm{gbest}\_d}^{j-1}-X_{k\_d}^{j-1})$ 和 $X_{k\_d}^j=X_{k\_d}^{j-1}+V_{k\_d}^j(1\&le;j\&le;T)$ 产生，其中为Particle_k第j次迭代的十进制个体极值，为粒子种群第j次迭代的十进制全局极值，w为惯性权重因子，c₁、c₂为学习因子，R₁、R₂为(0,1)区间内的随机数，T为最大迭代数；

步骤7、若步骤6所述更新后的十进制位置为整数，则将直接转换为二进制位置若更新后的十进制位置非整数，则取以及指取的整数部分)，并分别转换为二进制数组二进制位置由式 $X_k^j=\left\{\begin{array}{c}{X}_{k1}^j,f\left(X_{k1}^j\right)\&GreaterEqual;f\left(X_{k2}^j\right)\\ X_{k2}^j,f\left(X_{k1}^j\right)<f\left(X_{k2}^j\right)\end{array}\right.$ 确定；

步骤8、通过式更新粒子个体极值；通过式更新全局极值；其中，位置为的粒子的适应度值满足即全局极值更新为适应度值最大的个体极值；

步骤9、将步骤8所得粒子种群视作基因种群，种群中的每个粒子的位置看作一条基因，根据高适应度值优先的方法，按照概率从步骤8所得种群中随机选择m₁(m₁为偶数，2≤m₁≤M)条基因进行基因重组；随机生成m₁个含有N个元素的0-1数组，分别作为重组所生成的基因所对应的粒子的速度，从而构成m₁个粒子，并将其加入粒子种群；

步骤10、按照低适应度值优先的方法，从步骤9所述基因重组后的粒子种群中选取适应度值较低的粒子，并从中按照概率随机选择m₂(1≤m₂≤M/2)个粒子对其位置所代表的基因进行突变，突变方法为：对于选中的待突变的基因在其N个元素中随机选择某几个元素将其取反，也即将原有的0变为1，或者原有的1变为0；随机生成m₂个含有N个元素的0-1数组，分别作为突变所生成的基因所对应的粒子的速度，从而构成m₂个粒子，并用其替换突变前的粒子；

步骤11、按照步骤2所述方法随机产生m₃个迭代过程中不曾出现的新粒子并将其加入种群，然后在种群中选取适应度函数值最高的M个粒子构成新一代粒子种群；按照步骤8更新新一代种群的个体极值和全局极值；

步骤12、迭代次数增加1，即j＝j+1，重复步骤6～11，直到种群的最大适应度值的增长连续若干次小于给定的阈值l_th，或者迭代次数达到最大值T，即j＝T；此时选择全局极值作为协作中继选择方案，中继选择算法结束。

3.根据权利要求2所述的基于改进的遗传-粒子群混合算法的协作中继选择方法，其特征在于，步骤1中，所述的发射端检测到周边的中继节点的总数目为N，每个中继节点发送和接收天线均只有一根；所述的信道状态信息用信道增益表示，假定发射端到第i个中继节点的信道增益记为h_i，第i个中继节点到接收端的信道增益记为g_i。

4.根据权利要求2所述的基于改进的遗传-粒子群混合算法的协作中继选择方法，其特征在于，步骤2中，所述的种群规模M的值由算法的精度和复杂度综合衡量确定，M越大，算法的精度越高，但复杂度也越高；M越小，算法的精度越低，但复杂度也越低；粒子的初始位置数组的元素由0-1随机数填充，取值为1指该中继节点被选择参与协作通信，取值为0则表示该中继节点未被选取；粒子的初始速度数组的元素也由0-1随机数填充。

5.根据权利要求2所述的基于改进的遗传-粒子群混合算法的协作中继选择方法，其特征在于，步骤2中，所述的二进制个体极值是指粒子Particle_k历次迭代过程中适应度值最大的位置，表示个体极值的初始值，表示截至第j次迭代粒子Particle_k的个体极值；所述的全局极值X_gbest是指粒子种群中适应度值最大的个体极值，表示粒子种群的全局极值初始值，表示截止第j次迭代的粒子种群全局极值，即截至第j次迭代粒子种群搜索到的最优位置。

6.根据权利要求2所述的基于改进的遗传-粒子群混合算法的协作中继选择方法，其特征在于，步骤3中，所述的其中w_n是中继节点n所在网络的带宽，P_s是发射端的发射功率；P_sys是指该方案中所消耗的系统功率，定义为发射端与中继节点的发射功率之和，由确定，其中P_rd是指中继节点的发射功率。

7.根据权利要求2所述的基于改进的遗传-粒子群混合算法的协作中继选择方法，其特征在于，步骤4中，所述Particle_k＝(X_k,V_k)(k＝1,…,M)的初始适应度值是由步骤3中所定义的适应度函数f(X_k)在初始位置时的函数取值；同理，粒子Particle_k＝(X_k,V_k)(k＝1,…,M)第j次迭代后的适应度值为 $F_k^j=f\left(X_k^j\right)(k=\mathrm{1,2},...,M).$

8.根据权利要求2所述的基于改进的遗传-粒子群混合算法的协作中继选择方法，其特征在于，所述的步骤5具体为：将粒子的初始位置直接存储于各自的个体极值中，作为个体极值的初始值，即将初始适应度值最大的个体极值存储于全局极值中，作为全局极值的初始值，即其中，位置为的粒子的适应度值满足 $F_{\mathrm{kk}\_\mathrm{pbest}}^0=\max \{F_{1\_\mathrm{pbest}}^0,...,F_{M\_\mathrm{pbest}}^0\}.$

9.根据权利要求2所述的基于改进的遗传-粒子群混合算法的协作中继选择方法，其特征在于，步骤6中，所述的粒子的位置和X_{k_d}速度V_{k_d}根据当前的粒子速度、个体极值和全局极值来更新；w为惯性权重因子，用于调节粒子原先速度的保留程度；c₁、c₂为学习因子，用于调节粒子飞向个体最优位置和全局最优位置的步长，经典粒子算法关于c₁、c₂的取值区间为(0,4)，此处设定c₁＝c₂＝2，R₁、R₂为(0,1)区间内的随机数。

10.根据权利要求2所述的基于改进的遗传-粒子群混合算法的协作中继选择方法，其特征在于，步骤6中，惯性权重因子由下式给出：其中F_k＝f(X_k),F_max＝max{F₁,……,F_M}；λ为调整参数，用于调整w值的变化快慢，w_max、w_min分别是惯性权重因子的最大、最小值，w取值较大时，有利于提高全局搜索能力，但收敛精度较低；取较小值时，有利于提高收敛精度，但容易陷入局部最优；当粒子Particle_k＝(X_k,V_k)(k＝1,…,M)的适应度值F_k＝f(X_k)越小时，η越大，则w越大，即根据粒子的适应度值调节惯性权重因子的大小，使适应度值较小的粒子获得较强的全局搜索能力；同理，使适应度值较大的粒子获得较强的局部搜索能力，向极值收敛。

11.根据权利要求2所述的基于改进的遗传-粒子群混合算法的协作中继选择方法，其特征在于，步骤9中，所述的基因重组包含如下步骤：

步骤9.1，按照高适应值优先原则选取参与重组的基因；所述的高适应度值优先是指适应度越高，基因被选择参与重组的概率越大，适应度值为的基因被选择参与重组的概率为其中 $F_{\max }^j=\max \{F_1^j,F_2^j,...,F_M^j\};$

步骤9.2，对于两条被选取参与重组的基因X_i、X_j(1≤i,j≤M)经过重组后产生X_{ij_1},……X_{ij_2N}总共2N条基因；

步骤9.3，从步骤9.2所述重组所生成的2N条基因中选取适应度值最高的两个基因作为新基因加入种群，其余基因数组丢弃。

12.根据权利要求11所述的基于改进的遗传-粒子群混合算法的协作中继选择方法，其特征在于，所述的步骤9.2，具体包含以下步骤：

步骤9.2.1，选取X_i的前i个元素，填充至X_{ij_1}的前i个元素，将X_j的后N-i个元素填充至X_{ij_1}的剩余位置中；

步骤9.2.2，将X_j的前i个元素填充至X_{ij_2}的前i个元素，X_i的后N-i元素填充至X_{ij_2}的后N-i个元素中；

步骤9.2.3，i依次取1,2,3,…,N，重复上述步骤即可产生2N条基因。

13.根据权利要求2所述的基于改进的遗传-粒子群混合算法的协作中继选择方法，其特征在于，步骤10中，所述的低适应度值优先方法，具体为：种群中适应度值最高的的前个基因保持不变，剩余的基因中，适应度值为的基因被选择参与变异的概率为其中 $F_{\min }^j=\min \{F_1^j,F_2^j,...,F_M^j\}.$

14.根据权利要求2所述的基于改进的遗传-粒子群混合算法的协作中继选择方法，其特征在于，步骤11中，所述的随机产生m₃个迭代过程中不曾出现的粒子，产生方法如下：

步骤11.1，利用步骤2所述的方法产生m₄(m₄>m₃)个粒子数组Particle_k＝(X_k,V_k)，并计算X_k的经过二-十进制转换后的编码X_{k_d}；

步骤11.2，用新的位置值X_{k_d}对比迭代过程中出现的各个粒子的位置值X_{k_d}，若出现值相等的则删去该粒子数组；

步骤11.3，删去后的粒子数组若小于m₃个，则重复上述步骤直到产生m₃个在迭代过程中不曾出现的粒子数组，若产生的数组大于m₃个，则计算每个数组的适应度值，选择较大的m₃个加入种群中。