CN104993889A - 一种基于人工蜂群算法的多频带协作频谱感知优化方法 - Google Patents

Abstract

本发明公开了一种基于人工蜂群算法的多频带协作频谱感知优化方法，将多频带协作频谱感知优化问题中的优化变量对应于改进人工蜂群算法中食物源的位置，每个食物源的收益率由优化问题所确定的适应度函数决定，跟随蜂或引领蜂的个数与解的个数一致；从一个随机产生的初始种群出发，先是引领蜂对相应食物源的邻域进行一次搜索，如果搜索到的食物源的花蜜质量比之前的优，那么就用新的食物源的位置替代之前的食物源位置，否则保持旧的食物源位置不变；所有的引领蜂完成搜索之后，回到舞蹈区把食物源花蜜质量的信息通过跳摇摆舞传递给跟随蜂。本发明快速高效地搜索到最优解；加快了算法的收敛性，具有鲁棒性和适应性，实现了更高的系统吞吐量。

Description

一种基于人工蜂群算法的多频带协作频谱感知优化方法

技术领域

本发明属于无线电技术领域，尤其涉及一种基于人工蜂群算法的多频带协作频谱感知优化方法。

背景技术

随着无线通信技术的飞速发展，频谱资源的稀缺已经成为提升现有各种通信系统以及发明新型通信系统的瓶颈，而认知无线电是解决这个问题的最佳方案，能够缓解频谱资源匮乏与授权频段利用率低下的矛盾。认知无线电作为一种智能无线电通信技术，通过感知外界环境，动态调整自身的无线电参数，从而使得内部状态和外部环境相适应，在不干扰特定频段上主用户的情况下，充分利用频谱资源，实现频谱利用率最大化。频谱感知是认知无线电的一项关键技术，具有检测、感知和学习各种无线电磁参数的能力，其主要功能是发现频谱空穴。可靠的频谱感知是实现认知无线电通信的重要前提，然而，由于多径、阴影衰落及噪声不确定性等因素的影响，通过单一频带用户感知很难获得准确的结果。而多个频带的协作频谱感知方案，充分利用协作带来的空间分集，有效改善了频谱检测的性能，因此多频带协作频谱感知技术被广泛提及和关注。多频带协作频谱感知是将一宽带系统等分成若干个子带，每一个子带分别完成单一频带的协作频谱感知，最后将所有的检测结果进行最终判决。多频带协作频谱感知问题的优化往往呈现非凸非线性特性，很难直接求解其最优解。凸优化方法虽然能够很好地求解这类问题，但是需要将优化问题转换成具有凸特性的子优化问题,转换过程复杂且计算复杂度较高。进化算法能够提供一种求解非线性复杂系统优化问题的通用框架，作为一种具有自适应调节功能的鲁棒寻优技术，近年来，进化算法已经被广泛应用于无线通信领域。目前比较常用的有基于遗传算法的协作频谱感知技术和基于粒子群算法的协作频谱感知技术，然而，基于遗传算法的协作频谱感知技术在搜索最优解的过程中容易陷入局部最优，基于粒子群算法的协作频谱感知技术虽然能够更有效的搜索到最优解，但其性能还有待于进一步提高。

发明内容

本发明的目的在于提供一种基于人工蜂群算法的多频带协作频谱感知优化方法，旨在获得更高的系统吞吐量。

本发明是这样实现的，一种基于人工蜂群算法的多频带协作频谱感知优化方法，所述基于人工蜂群算法的多频带协作频谱感知优化方法将多频带协作频谱感知优化问题中的优化变量对应于改进人工蜂群算法中食物源的位置，每个食物源的收益率由优化问题所确定的适应度函数决定，跟随蜂或引领蜂的个数与解的个数一致；从一个随机产生的初始种群出发，先是引领蜂对相应食物源的邻域进行一次搜索，如果搜索到的食物源的花蜜质量比之前的优，那么就用新的食物源的位置替代之前的食物源位置，否则保持旧的食物源位置不变；所有的引领蜂完成搜索之后，回到舞蹈区把食物源花蜜质量的信息通过跳摇摆舞传递给跟随蜂。

本发明的另一目的在于提供一种基于人工蜂群算法的多频带协作频谱感知优化方法，所述基于人工蜂群算法的多频带协作频谱感知优化方法具体包括以下步骤：

步骤一，建立多频带协作频谱感知优化模型；

步骤二，初始化参数；包括种群大小，控制参数'_limit'和最大迭代次数T_max；初始化迭代次数t＝1，随机生成一个含有SN个解的初始种群，每个解x_i(i＝1,2,...,SN)是一个D维矢量，x_i＝[ω_i,γ_i]，D＝(N+1)*K，其中w是控制中心给各用户统计信息所分配的权值因子，γ是判决门限，N是协作感知的用户数，K是子带数目；

步骤三，计算步骤二中每个解的适应度值，所述适应度函数定义为食物源的收益率；根据食物源的收益率记录当前最好的解X_best,G；

步骤四，引领蜂搜索邻域中的食物源，产生新解New_i,G+1；

步骤五，利用交叉算子，引领蜂根据步骤四的新解New_i,G+1和对应的父代个体X_i,G得到试验向量；

步骤六，利用贪婪选择策略从步骤五的试验向量值与原来的食物源之间选择出收益率更高的食物源；计算当前所有食物源的适应度值，并根据适应度值计算每个食物源对应的选择概率；

步骤七，跟随蜂根据步骤六得到的概率选择食物源，并搜索邻域中的食物源，产生新解，并计算适应度值；利用贪婪选择策略在新解和原来的解之间选择出收益率更高的解；

步骤八，判断是否有要放弃的解，即如果某个解经过limit次循环之后没有得到改善，此时对应的引领蜂变成侦察蜂，随机产生一个新解来替代该解；

步骤九，一次迭代结束后，记录当前最好的解；

步骤十，判断迭代次数t是否达到最大迭代次数T_max，若达到，输出全局最优X_opt,并根据式f_i＝rT(1-P_f(ω_i,γ_i))，x_i＝[ω_i,γ_i]得到系统的吞吐量；否则迭代次数t＝t+1，重复步骤四～步骤十。

进一步，所述多频带协作频谱感知模型为：

$\underset{W,\mathrm{\γ}}{\max }R(W,\mathrm{\γ})=r^T\[1-P_f(W,\mathrm{\γ})\]$

s.t. c^T(1-P_d(W,γ))≤ε

1-P_d(W,γ)≤α

1-P_f(W,γ)≥β

其中，W＝[ω₁,ω₂,...,ω_K]是权值因子，γ＝[γ_1,γ₂,...γ_K]是判决门限，K表示子带数目，r^T＝[r₁,r₂,...,r_K]是可实现的吞吐率，c^T＝[c₁,c₂,...,c_K]是代价系数，ε代表系统总的干扰，α＝[α₁,α₂,...,α_K]^T表示每个子带的干扰限制，β＝[β₁,β₂,...,β_K]^T是每个子带应该实现的最小机会频谱利用率， $P_f(W,\mathrm{\γ})={\[P_f^{\left(1\right)}({\mathrm{\ω}}_1,{\mathrm{\γ}}_1),P_f^{\left(2\right)}({\mathrm{\ω}}_2,{\mathrm{\γ}}_2),\mathrm{...}{P}_f^{\left(K\right)}({\mathrm{\ω}}_K,{\mathrm{\γ}}_K)\]}^T$ 是虚警概率，其中第k个子带的虚警概率表示为 $P_d(W,\mathrm{\γ})={\[P_d^{\left(1\right)}({\mathrm{\ω}}_1,{\mathrm{\γ}}_1),P_d^{\left(2\right)}({\mathrm{\ω}}_2,{\mathrm{\γ}}_2),\mathrm{...}{P}_d^{\left(K\right)}({\mathrm{\ω}}_K,{\mathrm{\γ}}_K)\]}^T$ 是检测概率，其中第k个子带的检测概率表示为 $P_d^{\left(k\right)}({\mathrm{\ω}}_k,{\mathrm{\γ}}_k)=Q\left(\frac{{\mathrm{\γ}}_k-{\mathrm{M\ω}}_k^T({\mathrm{\σ}}_{\mathrm{\υ}}^{2}1+G_k)}{{\mathrm{\σ}}_v\sqrt{2{\mathrm{M\ω}}_k^T{\mathrm{\Σ}}_k{\mathrm{\ω}}_k}}\right),$ M是检测区间长度，是噪声功率，G_k＝[|H_k(1)|²,|H_k(2)|²,...|H_k(N)|²]^T是主发送用户和次级接收用户间的信道增益，N表示协作用户的数目。

进一步，所述步骤三食物源收益率的计算公式如下：

根据式 ${\mathrm{fit}}_i=\left\{\begin{array}{cc}\frac{1}{1+f_i}& f_i\&GreaterEqual;0\\ 1+abs\left(f_i\right)& f_i<0\end{array}\right.,$ 得到每个食物源的收益率，其中f_i是目标函数f_i＝r^T(1-P_f(ω_i,γ_i))。

进一步，所述步骤四引领蜂搜索邻域中的食物源，产生新解New_i,G+1的计算公式为：

根据式 ${\mathrm{New}}_{i,G+1}=X_{best,G}+P_m(X_{r_1,G}-X_{r_2,G}-X_{r_3,G}+X_{r_4,G}),$ 引领蜂产生新解，其中i＝1,2,...,SN，随机生成r₁,r₂,r₃,r₄∈{1,2,...,SN}，且满足i≠r₁≠r₂≠r₃≠r₄，X_best,G是当前最好的解，变异概率P_m∈[0,1]，P_m＝0.5。

进一步，所述步骤五利用交叉算子，引领蜂根据步骤四的新解New_i,G+1和对应的父代个体X_i,G得到试验向量的计算公式为：

根据式 $T_{ij,G+1}=\left\{\begin{array}{cc}{V}_{ij,G+1}& if\left(\begin{array}{ccc}rand\left(j\right)\&le;P_c& \mathrm{or}& j=ri\mathrm{nd}\left(i\right)\end{array}\right)\\ X_{ij,G}& otherwise\end{array}\right.$ 得到试验向量其中j＝1,2,...,D，rind(i)是从[1,2,...,D]中随机选取的，交叉概率P_c∈[0,1]，P_c＝0.9。

进一步，所述步骤六中：

根据式计算出每个食物源的选择概率，跟随蜂根据食物源的收益率大小，按照轮盘赌的选择策略来选择食物源，其中fit_i是食物源i的适应度值，即收益率；

所述步骤七中：

根据式跟随蜂产生新解，其中X_fol,j是跟随蜂选择的食物源，fol∈{1,2,...SN}和满足fol≠r₁≠r₂，三者均通过轮盘赌策略得到，R_ij是介于-1和1之间的随机数；

所述步骤八的计算公式为：

根据式 $x_i^j=x_{min}^j+rand(0,1)(x_{max}^j-x_{min}^j),j=1,2,\mathrm{...},D,$ 某个经过l_imit次循环没有得到改善的解被该随机产生的新解代替。

本发明的另一目的在于提供一种所述的基于人工蜂群算法的多频带协作频谱感知优化方法在函数优化中的应用。

本发明的另一目的在于提供一种所述的基于人工蜂群算法的多频带协作频谱感知优化方法在电磁场逆问题数值优化中的应用。

本发明的另一目的在于提供一种所述的基于人工蜂群算法的多频带协作频谱感知优化方法在生产调度中的应用。

本发明与现有技术相比具有以下优点：

1、本发明技术应用于多频带协作频谱感知优化问题，与现有技术相比，本发明技术具有更高效的优化性能。

2、本发明以自然界中蜜蜂快速、有效的采蜜方式作为优化问题最优解的搜索策略，能够快速高效地搜索到最优解。

3、本发明中的蜂群不同角色之间在对路径进行选择时，通过信息共享，倾向于选择食物源较为丰富的路径，从而形成正反馈机制，加快了算法的收敛性，故本发明能够以较大概率找到最优解。

4、本发明在搜索最优解的过程中，以并行优化策略代替串行优化策略，提高了搜索效率。

5、本发明在基本人工蜂群算法的基础上引入变异、交叉因子，增加了种群多样性，降低了搜索解陷入局部最优的概率，从而能够有效地搜索到最优解。

6、本发明不需要有先验的知识,结合随机性选择和概率规则进行最优解的搜索,具有鲁棒性和适应性。

7、本发明能够与其他启发式算法混合使用，相较于其他技术，基于本发明技术的多频带协作频谱感知优化问题能够实现更高的系统吞吐量。

附图说明

图1是本发明实施例提供的实现原理框图；

图2是本发明实施例提供的基于人工蜂群算法的多频带协作频谱感知优化方法流程图；

图3是本发明实施例提供的在不同干扰和频谱接入率的情况下，最佳门限对应的虚警概率和检测概率示意图；

图4是本发明实施例提供的与现有方法可实现的系统吞吐量的对比示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，一个宽带分成若干个子带，对于某一个子带来说，该子带中的每个用户独立地完成频谱感知，然后将局部检测结果发送给融合中心，融合中心对最终结果进行判决。

如图2所示，本发明的具体步骤如下：

步骤一，初始化，初始化参数；包括种群大小，控制参数'limit'和最大迭代次数T_max；初始化迭代次数t＝1，随机生成一个含有SN个解(食物源)的初始种群，每个解x_i(i＝1,2,...,SN)是一个D维矢量，x_i＝[ω_i,γ_i]，D＝(N+1)*K，其中w是控制中心给各用户统计信息所分配的权值因子，γ是判决门限，N是协作感知的用户数，K是子带数目。

步骤二，记录初始种群中最优解，根据式 ${\mathrm{fit}}_i=\left\{\begin{array}{cc}\frac{1}{1+f_i}& f_i\&GreaterEqual;0\\ 1+abs\left(f_i\right)& f_i<0\end{array}\right.,$ 其中f_i是目标函数f_i＝r^T(1-P_f(ω_i,γ_i))，计算步骤一中每个解的适应度值，所述适应度函数定义为食物源的收益率；根据食物源的收益率记录当前最好的解X_best,G。

步骤三，产生新解，根据式 ${\mathrm{New}}_{i,G+1}=X_{best,G}+P_m(X_{r_1,G}-X_{r_2,G}-X_{r_3,G}+X_{r_4,G}),$ 引领蜂产生新解，其中i＝1,2,...,SN，随机生成r₁,r₂,r₃,r₄∈{1,2,...,SN},且满足i≠r₁≠r₂≠r₃≠r₄，X_best,G是当前最好的解,变异概率P_m∈[0,1]，本发明中，P_m＝0.5。

步骤四，交叉。根据式 $T_{ij,G+1}=\left\{\begin{array}{cc}{V}_{ij,G+1}& if\left(\begin{array}{ccc}rand\left(j\right)\&le;P_c& or& j=rind\left(i\right)\end{array}\right)\\ X_{ij,G}& otherwise\end{array}\right.$ 引领蜂从步骤三的新解New_i,G+1和对应的父代个体X_i,G间得到试验向量T_i,G+1 ⁽T_i1,G+1,T_i2,G+1,..._,T_iD,G+1)，其中j＝1,2,...,D，rind(i)是从[1,2,...,D]中随机选取的，交叉概率P_c∈[0,1]，本发明中，P_c＝0.9。

步骤五，选择，利用贪婪选择策略从步骤四的试验向量值与原来的食物源之间选择出收益率更高的食物源；计算当前所有食物源的适应度值，并根据适应度值计算每个食物源对应的选择概率，计算公式为

步骤六，产生新解和选择，跟随蜂根据步骤五得到的概率选择食物源，并搜索邻域中的食物源，根据式产生新解，其中X_fol,j是跟随蜂选择的食物源，fol∈{1,2,...SN}和X_r1,j,X_r2,j r₁,r₂∈{1,2,...,SN}满足fol≠r₁≠r₂，三者均通过轮盘赌策略得到，R_ij是介于-1和1之间的随机数，并计算适应度值；利用贪婪选择策略在新解和原来的解之间选择出收益率更高的解。

步骤七，判断是否有要放弃的解，即如果某个解经过limit次循环之后没有得到改善，此时对应的引领蜂变成侦察蜂，根据式 $x_i^j=x_{min}^j+rand(0,1)(x_{max}^j-x_{min}^j),j=1,2,\mathrm{...},D$ 随机产生一个新解来替代该解。

步骤八，一次迭代结束后，记录当前最好的解。

步骤九，判断迭代次数t是否达到最大迭代次数T_max，若达到，输出全局最优X_opt，并根据式f_i＝r^T(1-P_f(ω_i,γ_i))，x_i＝[ω_i,γ_i]得到系统的吞吐量；否则迭代次数t＝t+1，重复步骤三～九。

为了更好地描述本发明的效果，将通过下面的仿真实例进一步说明。

一、仿真参数设置

具体参数设置如表1所示：

参数	种群数目	最大迭代次数	控制参数	变异率	交叉率
						取值	SN＝60	Tmax＝1000	limit＝50	Pm＝0.5	Pc＝0.9

二、仿真方法

现有的基于遗传算法(GA)的多频带协作频谱感知优化方法，基于粒子群算法(PSO)的多频带协作频谱感知优化方法和本发明方法。

三、仿真内容

仿真1

如图3所示，本发明方法在不同干扰和频谱接入率的情况下，最佳门限对应的虚警概率和检测概率柱状图。在图3中，柱状图31是干扰α＝0.2，频谱接入率β＝0.3对应的值，柱状图32是干扰α＝0.2，频谱接入率β＝0.5对应的值，柱状图33是干扰α＝0.2，频谱接入率β＝0.6对应的值。

在相同的干扰和不同的频谱接入率时，从柱状图的分布可以看出，最佳门限对应的虚警概率和检测概率总能够在一定的迭代次数内得到，可见该发明方法已经突破了凸性限制。

仿真2

如图4所示，将本发明方法与基于遗传算法(GA)的多频带协作频谱感知优化方法以及基于粒子群算法(PSO)的多频带协作频谱感知优化方法的系统吞吐量进行比较。在图4中，曲线41是本发明方法仿真得到的吞吐量曲线，曲线42是基于遗传算法(GA)的多频带协作频谱感知优化方法仿真得到的吞吐量曲线，曲线43是基于粒子群算法(PSO)的多频带协作频谱感知优化方法仿真得到的吞吐量曲线。对比曲线41、42和43可以看出，在相同的种群数目和迭代次数下，随着系统干扰的增加，本发明方法得到的系统吞吐量增加，且总是大于基于粒子群算法的多频带协作频谱感知优化方法和基于遗传算法的多频带协作频谱感知优化方法。

综合分析上述仿真结果，本发明方法在多频带协作频谱感知优化时具有检测性能好、稳定等优势。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工蜂群算法的多频带协作频谱感知优化方法，其特征在于，所述基于人工蜂群算法的多频带协作频谱感知优化方法将多频带协作频谱感知优化问题中的优化变量对应于改进人工蜂群算法中食物源的位置，每个食物源的收益率由优化问题所确定适应度函数决定，跟随蜂或引领蜂的个数与解的个数一致；从一个随机产生的初始种群出发，先是引领蜂对相应食物源的邻域进行一次搜索，搜索到的食物源的花蜜质量比之前的优，用新的食物源的位置替代之前的食物源位置，否则保持旧的食物源位置不变；所有的引领蜂完成搜索之后，回到舞蹈区把食物源花蜜质量的信息通过跳摇摆舞传递给跟随蜂。

2.如权利要求1所述的基于人工蜂群算法的多频带协作频谱感知优化方法，其特征在于，所述基于人工蜂群算法的多频带协作频谱感知优化方法具体包括以下步骤：

步骤一，建立多频带协作频谱感知优化模型；

步骤二，初始化参数；包括种群大小，控制参数'limit'和最大迭代次数T_max；初始化迭代次数t＝1，随机生成一个含有SN个解的初始种群，每个解x_i(i＝1,2,...,SN)是一个D维矢量，x_i＝[ω_i,γ_i]，D＝(N+1)*K，其中w是控制中心给各用户统计信息所分配的权值因子，γ是判决门限，N是协作感知的用户数，K是子带数目；

步骤三，计算步骤二中每个解的适应度值，所述适应度函数定义为食物源的收益率；根据食物源的收益率记录当前最好的解X_best,G；

步骤四，引领蜂搜索邻域中的食物源，产生新解New_i,G+1；

步骤五，利用交叉算子，引领蜂根据步骤四的新解New_i,G+1和对应的父代个体X_i,G得到试验向量；

步骤六，利用贪婪选择策略从步骤五的试验向量值与原来的食物源之间选择出收益率更高的食物源；计算当前所有食物源的适应度值，并根据适应度值计算每个食物源对应的选择概率；

步骤七，跟随蜂根据步骤六得到的概率选择食物源，并搜索邻域中的食物源，产生新解，并计算适应度值；利用贪婪选择策略在新解和原来的解之间选择出收益率更高的解；

步骤八，判断是否有要放弃的解，即如果某个解经过limit次循环之后没有得到改善，此时对应的引领蜂变成侦察蜂，随机产生一个新解来替代该解；

步骤九，一次迭代结束后，记录当前最好的解；

步骤十，判断迭代次数t是否达到最大迭代次数T_max，若达到，输出全局最优X_opt,并根据式f_i＝r^T(1-P_f(ω_i,γ_i))，x_i＝[ω_i,γ_i]得到系统的吞吐量；否则迭代次数t＝t+1，重复步骤四～步骤十。

3.如权利要求2所述的基于人工蜂群算法的多频带协作频谱感知优化方法，其特征在于，所述多频带协作频谱感知模型为：

$\underset{W,\mathrm{\&gamma;}}{max}R(W,\mathrm{\&gamma;})=r^T\&lsqb;1-P_f(W,\mathrm{\&gamma;})\&rsqb;$

s.t.c^T(1-P_d(W,γ))≤ε

1-P_d(W,γ)≤α

1_-P_f(W,γ)≥β

其中，W＝[ω₁,ω₂,...,ω_K]是权值因子，γ＝[γ₁,γ₂,...γ_K]是判决门限，K表示子带数目，r^T＝[r₁,r₂,...,r_K]是实现的吞吐率，c^T＝[c₁,c₂,...,c_K]是代价系数，ε代表系统总的干扰，α＝[α₁,α₂,...,α_K]^T表示每个子带的干扰限制，β＝[β₁,β₂,...,β_K]^T是每个子带实现的最小机会频谱利用率， $P_f(W,\mathrm{\&gamma;})={\&lsqb;P_f^{\left(1\right)}({\mathrm{\&omega;}}_1,{\mathrm{\&gamma;}}_1),P_f^{\left(2\right)}({\mathrm{\&omega;}}_2,{\mathrm{\&gamma;}}_2),...P_f^{\left(K\right)}({\mathrm{\&omega;}}_K,{\mathrm{\&gamma;}}_K)\&rsqb;}^T$ 是虚警概率，其中第k个子带的虚警概率表示为 $P_d(W,\mathrm{\&gamma;})={\&lsqb;P_d^{\left(1\right)}({\mathrm{\&omega;}}_1,{\mathrm{\&gamma;}}_1),P_d^{\left(2\right)}({\mathrm{\&omega;}}_2,{\mathrm{\&gamma;}}_2),...P_d^{\left(K\right)}({\mathrm{\&omega;}}_K,{\mathrm{\&gamma;}}_K)\&rsqb;}^T$ 是检测概率，其中第k个子带的检测概率表示为M是检测区间长度，是噪声功率， ${\mathrm{\&Sigma;}}_k={\mathrm{\&sigma;}}_{\mathrm{\&upsi;}}^{2}I+2diag\left(G_k\right),$ G_k＝[|H_k(1)|²,|H_k(2)|²,...|H_k(N)|²]^T是主发送用户和次级接收用户间的信道增益，N表示协作用户的数目。

4.如权利要求2所述的基于人工蜂群算法的多频带协作频谱感知优化方法，其特征在于，所述步骤三食物源的收益率计算公式如下：

根据式 ${\mathrm{fit}}_i=\left\{\begin{array}{cc}\frac{1}{1+f_i}& f_i\&GreaterEqual;0\\ 1+abs\left(f_i\right)& f_i<0\end{array}\right.,$ 得到每个食物源的收益率，其中f_i是目标函数f_i＝r^T(1-P_f(ω_i,γ_i))。

5.如权利要求2所述的基于人工蜂群算法的多频带协作频谱感知优化方法，其特征在于，所述步骤四引领蜂搜索邻域中的食物源，产生新解New_i,G+1的计算公式为：

根据式 ${\mathrm{New}}_{i,G+1}=X_{best,G}+P_m(X_{r_1,G}-X_{r_2,G}-X_{r_3,G}+X_{r_4,G}),$ 引领蜂产生新解，其中i＝1,2,...,SN，随机生成r₁,r₂,r₃,r₄∈{1,2,...,SN}，且满足i≠r₁≠r₂≠r₃≠r₄，X_best,G是当前最好的解，变异概率P_m∈[0,1]，P_m＝0.5。

6.如权利要求2所述的基于人工蜂群算法的多频带协作频谱感知优化方法，其特征在于，所述步骤五利用交叉算子，引领蜂根据步骤四的新解New_i,G+1和对应的父代个体X_i,G得到试验向量的计算公式为：

根据式 $T_{ij,G+1}=\left\{\begin{array}{cc}{V}_{ij,G+1}& if\left(\begin{array}{ccc}rand\left(i\right)\&le;P_c& or& j=rind\left(i\right)\end{array}\right)\\ X_{ij,G}& otherwise\end{array}\right.$ 得到试验向量T_i,G+1(T_i1,G+1,T_i2,G+1,...,T_iD,G+1)，其中j＝1,2,...,D，rind(i)是从[1,2,...,D]中随机选取的，交叉概率P_c∈[0,1]，P_c＝0.9。

7.如权利要求2所述的基于人工蜂群算法的多频带协作频谱感知优化方法，其特征在于，所述步骤六中：

根据式计算出每个食物源的选择概率，跟随蜂根据食物源的收益率大小，按照轮盘赌的选择策略来选择食物源，其中fit_i是食物源i的适应度值，即收益率；

所述步骤七中：

根据式跟随蜂产生新解，其中X_fol,j是跟随蜂选择的食物源，fol∈{1,2,...SN}和X_r1,j,X_r2,j r₁,r₂∈{1,2,...,SN}满足fol≠r₁≠r₂，三者均通过轮盘赌策略得到，R_ij是介于-1和1之间的随机数；

所述步骤八的计算公式为：

根据式 $x_i^j=x_{\min }^j+rand(0,1)(x_{\max }^j-x_{\min }^j),j=1,2,\mathrm{...},D,$ 某个经过limit次循环没有得到改善的解被该随机产生的新解代替。

8.如权利要求1-7任意一项所述的基于人工蜂群算法的多频带协作频谱感知优化方法在函数优化中的应用。

9.如权利要求1-7任意一项所述的基于人工蜂群算法的多频带协作频谱感知优化方法在电磁场逆问题数值优化中的应用。

10.如权利要求1-7任意一项所述的基于人工蜂群算法的多频带协作频谱感知优化方法在生产调度中的应用。