CN107333317B - 基于量子猫群搜索机制的多目标中继选择方法 - Google Patents

基于量子猫群搜索机制的多目标中继选择方法 Download PDF

Info

Publication number
CN107333317B
CN107333317B CN201710562235.3A CN201710562235A CN107333317B CN 107333317 B CN107333317 B CN 107333317B CN 201710562235 A CN201710562235 A CN 201710562235A CN 107333317 B CN107333317 B CN 107333317B
Authority
CN
China
Prior art keywords
quantum
cat
group
fitness
cats
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710562235.3A
Other languages
English (en)
Other versions
CN107333317A (zh
Inventor
高洪元
张世铂
苏雨萌
杜亚男
刁鸣
李佳
苏雪
张晓桐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201710562235.3A priority Critical patent/CN107333317B/zh
Publication of CN107333317A publication Critical patent/CN107333317A/zh
Application granted granted Critical
Publication of CN107333317B publication Critical patent/CN107333317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
    • H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/40—Monitoring; Testing of relay systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/16—Discovering, processing access restriction or access information
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Security & Cryptography (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供的是一种基于量子猫群搜索机制的多目标中继选择方法。一，建立中继系统模型。二，初始化三个量子猫群。三，对第1个量子猫群和第2个量子猫进行更新。四：对第3个量子猫群中的每一量子猫进行更新。五：将第3个量子猫群更新出的H个量子猫放入非支配解集中。对非支配解集中的量子猫进行非支配解排序和拥挤度计算，保留前H个量子猫作为非支配解。将第3个量子猫的解群替换为非支配解集中的解。六：对非支配解集和演化单目标的量子猫群进行操作。七：如果进化没有终止，返回步骤三，否则，终止迭代，输出非支配解集中的非支配解。本发明可以同时考虑输出端信噪比和网络能量效率来解决多目标中继选择问题，适用性强，应用范围广泛。

Description

基于量子猫群搜索机制的多目标中继选择方法
技术领域
本发明涉及的是一种多目标中继选择方法，具体是无线通信领域的多目标中继选择方法。
背景技术
在移动通信系统中，中继是两个交换中心之间的一条传输通路。在协作多中继网络中， 合理的中继节点的选择对于提高协作通信网络的系统容量、网络能量效率及用户间公平性， 节约通信系统能量，降低数据传输的能耗和接收的误比特率等都有重要的意义。因此，如何 选择合适的中继节点对于协作通信是十分重要的。
在信号传递过程中，中继协作通信技术由于具备灵活性和可实施性，其应用范围是十分 广泛的。中继节点在Ad hoc网络中，可以对传输中的信号进行放大转发，将放大后的信号再 传输给用户。在单用户场景下，往往存在多个候选的中继节点，其中的中继选择是NP-hard 问题，运算复杂度为指数级别，很难在短时间内求出最优解。因此，改进经典的人工智能演 进方法，设计新的中继选择方案，在保证性能接近穷尽搜索得到的解的同时降低运算复杂度， 具有较重要的意义。Yindi Jing等在《IEEE Transactions on WirelessCommunications》上发表 的“Single and multiple relay selection schemes andtheir achievable diversity orders”提出了以接 收端信噪比为优化目标的中继选择方案，利用最好最坏信道策略进行求解，仅仅考虑了信道 的信噪比没有考虑网络能量效率，实用使用性低。Xiaohua Li在《Electronics Letters》上发表 的“Optimal multiple-relay selection in dual-hop amplify-and-forward cooperative networks”提出 了以接收端信噪比为目标函数的单目标问题，求出的解不是最优解，且没有综合考虑接收端信噪比和网络能量效率的中继选择多目标问题。
发明内容
本发明的目的在于提供一种可以广泛的解决现实生活中的多目标中继选择问题的基于 量子猫群搜索机制的多目标中继选择方法。
本发明的目的是这样实现的：
步骤一，建立中继系统模型，发送端SN发送信息，接收端DN接收信息，同时有R个候选的中继节点用于协作通信；
定义从发送端SN到第i个中继节点的信道状态信息为φi,i＝1,2,…,R，第i个中继 节点到接收端DN的信道状态信息为gi，所有的信道状态信息服从参数为1的瑞利分布，发 送端SN的发送功率为P，第i个中继的发送功率为Pi，所有的中继转发方式为放大转发方式，则第i个中继的接收信号为
Figure BDA0001347431250000021
其中s是归一化的发送信号，且E|s|2＝1，E为数学期望，σi是对于第i个中继的均值为0，方差为1的高斯白噪声，由于中继的转发方式为放大转发方式，则接收到的信号为
Figure BDA0001347431250000022
其中ai表示第i个中继节点RN i是否参与协作通信，ai＝1表示RN i参与协作通信，ai＝0 表示RN i没有参与协作通信，
Figure BDA0001347431250000023
arg(.)为对复数取辐角的函数，w为接收端 DN的均值为0；
接收端的信噪比为
Figure BDA0001347431250000024
定义网络的能量效率为整个网络的吞吐量与系统消耗的功率比值，网络的能量效率为
Figure BDA0001347431250000025
其中C代表整个网络系统的吞吐量，Ptotal代表整个协作网络消耗的能量，
提出以接收端信噪比为单目标的中继选择问题为
Figure BDA0001347431250000026
以网络能量效率为单目标的中继选择问题为
Figure BDA0001347431250000027
同时考虑接收端信噪比和网络能量效率的多目标中继选择问题为
Figure BDA0001347431250000031
步骤二，在R维空间中，初始化三个量子猫群，第1个量子猫群、第2个量子猫群和第3个量子猫群分别表示为S1，S2和S3；量子猫群S1和S2分别用于演化多目标中继选择的 两个单目标，量子猫群S1演化接收端信噪比，量子猫群S2演化网络能量效率，量子猫群S3用于演化多目标中继选择问题；每只量子猫群有H只量子猫，第k,k＝1,2,3个量子猫群 中第h只量子猫的第t代的量子位置表示为
Figure RE-GDA0001390317630000032
其 中h＝1,2,…,H，
Figure RE-GDA0001390317630000033
第k个量子猫群中第h只量子猫的第t代的速度 表示为
Figure RE-GDA0001390317630000034
其中
Figure RE-GDA0001390317630000035
r＝1,2,…,R，vr,max表示量子猫群第r维速度的最大边界，对量子猫的量子位置进行测 量得到量子猫的位置，第k个种群第h只量子猫的位置表示为
Figure RE-GDA0001390317630000036
其中，
Figure RE-GDA0001390317630000037
测量方式如下：
Figure BDA0001347431250000038
其中
Figure BDA0001347431250000039
为均匀分布在[0,1]之间的均匀随机数；
对于量子猫群S1，将所有量子猫的位置带入适应度函数进行计算，量子猫群S1中每只 量子猫的适应度通过接收端信噪比公式进行计算，选出适应度最大的量子猫，称其为量子猫 群S1的全局最优量子猫，其位置为量子猫群S1的全局最优位置，则第t代量子猫群S1的全 局最优位置为
Figure BDA00013474312500000310
对于量子猫群S2，将所有量子猫的位置带入适应度函数进行计算，量子猫群S2中每只 量子猫的适应度通过网络能量效率公式进行计算，选出适应度最大的量子猫，称其为量子猫 群S2的全局最优量子猫，其位置为量子猫群S2的全局最优位置，则第t代量子猫群S2的全 局最优位置为
Figure BDA00013474312500000311
对于量子猫群S3，将量子猫群中的所有量子猫进行非支配解排序和拥挤度计算，将非支 配等级为1的个体加入非支配解集SE中。
步骤三，对量子猫群S1和S2中的每一只量子猫进行更新，
量子猫群中的量子猫行为分为两种模式，一种为追踪模式，另外一种为搜寻模式，两种 行为方式通过结合律MR进行交互操作，MR表示执行跟踪模式的量子猫的数量在整个量子 猫群中所占的比例；对于量子猫的搜寻模式，定义三个基本要素，记忆池即SMP、变化域即 SRD和变化数即CDC，记忆池的大小表明了在搜寻模式中，将每一只量子猫所复制的副本数 目，在搜寻模式中，每一维的变化范围由变化域决定，变化数表示了在搜寻模式中，每一只 量子猫变化的维度数目，以下为量子猫的搜寻模式过程：
1.根据记忆池的大小，将当前第k,k＝1,2个量子猫群第h只量子猫复制J个副本放在记忆池中；
2.对于记忆池中的第1个副本，保持原来的量子位置和位置，对于记忆池中其他的J-1个 副本，根据变化数的大小，对复制的第j个量子猫副本的第r维进行更新，更新方程如下：
Figure BDA0001347431250000041
Figure BDA0001347431250000042
Figure BDA0001347431250000043
其中，j＝2,3,…,J，r∈{1,2,…,R}，abs(.)表示绝对值函数，
Figure BDA0001347431250000044
为均匀分 布在[-1,1]之间的均匀随机数，
Figure BDA0001347431250000045
为均匀分布在[0,1]之间的均匀随机数；
3.计算在记忆池中的J个副本的适应度值；
4.从J个副本中选择适应度最大的副本作为第k个量子猫群新的第h只量子猫；
以下为量子猫的搜寻模式过程：
1.对追踪模式的第k个量子猫群第h只量子猫的速度进行更新，更新方程如下：
Figure BDA0001347431250000046
其中，c为速度变化范围权系数，
Figure BDA0001347431250000051
为均匀分布在[0,1]之间的均匀随机数；
2.判断第k个量子猫群第h只量子猫每一维的速度是否超过了边界范围，如果超过了边 界范围，进行如下处理：
Figure BDA0001347431250000052
其中，vr,max表示第r维速度的最大边界。
3.对第k个量子猫群第h只量子猫的量子位置和位置进行更新，更新方程如下：
Figure BDA0001347431250000053
Figure BDA0001347431250000054
其中，
Figure BDA0001347431250000055
为均匀分布在[0,1]之间的均匀随机数；
计算更新后的量子猫群S1中所有量子猫的适应度，适应度通过接收端信噪比公式进行计 算，从更新后的量子猫群S1中找到适应度最大的量子猫的位置，将其位置的适应度与上一代 量子猫群S1的全局最优位置的适应度进行比较，将适应度较优的位置选作量子猫群S1新的 全局最优位置
Figure BDA0001347431250000056
计算更新后的量子猫群S2中所有量子猫的适应度，适应度通过网络能量效率公式进行计 算，从更新后的量子猫群S2中找到适应度最大的量子猫的位置，将其位置的适应度与上一代 量子猫群S2的全局最优位置的适应度进行比较，将适应度较优的位置选作量子猫群S2新的 全局最优位置
Figure BDA0001347431250000057
步骤四：对于量子猫群S3中的每一量子猫进行更新；
以下为S3中处于搜寻模式的量子猫的更新过程：
1.根据记忆池的大小，将S3中第h只量子猫复制J个副本放在记忆池中；
2.对于记忆池中的J个副本，根据变化数的大小，对复制的第j个量子猫副本的第r维进 行更新，更新方程如下：
Figure BDA0001347431250000061
Figure BDA0001347431250000062
Figure BDA0001347431250000063
其中，j＝1,2,…,J，r∈{1,2,…,R}。abs(.)表示绝对值函数，
Figure BDA0001347431250000064
为均匀分 布在[-1,1]之间的均匀随机数，
Figure BDA0001347431250000065
为均匀分布在[0,1]之间的均匀随机数；
3.对在记忆池中的J个副本进行非支配解排序和拥挤度计算，选出支配等级最高、拥挤 度最大的副本作为种群S3的新的第h只量子猫；
以下为量子猫的搜寻模式过程：在这种模式下，量子猫通过各自的速度更新其量子位置 和位置；以下为S3中处于追踪模式的量子猫的更新过程：
1.对S3中处于追踪模式的第h只量子猫的速度进行更新，
Figure BDA0001347431250000066
为在非支配解集SE中非支配等级排在前10％的位置中随机选择的一个的位置，更新方程如 下：
Figure BDA0001347431250000067
其中，c为速度变化范围权系数，
Figure BDA0001347431250000068
为均匀分布在[0,1]之间的均匀随机数；
2.判断S3第h只量子猫每一维的速度是否超过了边界范围，如果超过了边界范围，进 行如下处理：
Figure BDA0001347431250000069
其中，vr,max表示S3第r维速度的最大边界；
3.对S3第h只量子猫的量子位置和位置进行更新，更新方程如下：
Figure BDA00013474312500000610
Figure BDA0001347431250000071
步骤五：将S3更新产生的H只量子猫放入非支配解集SE中；
对非支配解集SE中的量子猫进行非支配解排序和拥挤度计算，保留前H只量子猫作为 非支配解，然后令S3＝SE，S3中的量子猫将参加下一次演进。
步骤六：在迭代过程中，每隔F/10代进行以下操作，F为最大迭代次数：根据第一个目 标函数计算SE的某一量子猫和S1中全局最优量子猫的适应度值，第一个目标函数为接收端 信噪比，如果在SE中该量子猫的适应度值大于S1中全局最优量子猫的适应度值，则将S1中 全局最优量子猫替换为SE中该量子猫，如果SE中该量子猫的适应度值小于等于S1中全局最优量子猫的适应度值，则将SE中该量子猫替换为S1中全局最优量子猫，根据第二个目标函数计算SE的某一量子猫和S2中全局最优量子猫的适应度值，第二个目标函数为网络能量效率，如果在SE中该量子猫的适应度值大于在S2中全局最优量子猫的适应度值，则将S2中全局最优量子猫替换为SE中该量子猫，如果SE中该量子猫的适应度值小于等于在S2中全 局最优量子猫的适应度值，则将SE中该量子猫替换为S2中全局最优量子猫；
步骤七：如果进化没有终止，返回步骤三，否则，终止迭代，输出SE中的非支配解，得 到中继选择方案。
本发明针对现有中继选择方法的不足，提出了一种基于量子猫群搜索机制的多目标中继 选择方法，可以广泛的解决现实生活中的多目标中继选择问题。所设计的方案同时考虑接收 端信噪比和网络能量效率，在满足接收端信噪比的同时又能使网络能量效率得到保证，节能 环保，满足实际需求。
本发明充分考虑到中继协作网络中继选择过程中的多目标问题，设计基于量子猫群搜索 机制的多目标中继选择方法，得到Pareto解集。与现有技术相比，本发明充分考虑了中继选 择过程中的多目标难题，具有以下优点：
(1)本发明解决了离散优化的中继选择问题，针对现有中继选择方法不能解决多目标问题 的状况，设计了新颖的量子猫群搜索机制的多目标中继选择方法作为演进策略，可以解决实 际生活中的多目标中继选择问题，所设计的方法性能稳定，可以短时间内求出最优中继选择 方案。
(2)对于现有的中继选择方法往往保证信噪比的同时不能保证能量效率的问题，本发明提 出的量子猫群搜索机制的中继选择方法可以解决多目标的优化问题，在保证信噪比的同时又 能保证最大的网络能量效率，实现绿色通信，节省硬件资源，避免造成资源浪费。
(3)本发明设计的量子猫群搜索机制的多目标中继选择方法在求解多目标问题时，将单目 标种群演化出的解与多目标种群的非支配解集进行信息交流，提高了收敛性，加快了多目标 中继选择问题的求解速度。
(4)本发明将量子演化、猫群算法、多种群共生进化等思想进行结合，设计了可以求解多 目标问题的基于量子猫群搜索机制的多目标中继选择方法，为其他工程问题的解决提供了新 思路。
附图说明
图1量子猫群搜索机制的多目标中继选择方法示意图。
图2同时考虑信噪比和网络能量效率的穷尽搜索所有解与量子猫群搜索机制搜索出的非 支配解(中继数目为14时)。
图3同时考虑信噪比和网络能量效率的量子猫群搜索机制搜索出的非支配解(中继数目 为20时)。
图4同时考虑信噪比和网络能量效率的量子猫群搜索机制搜索出的非支配解与人工蜂群 方法的单目标解(中继数目为30时)。
具体实施方式
下面举例对本发明做更详细的描述。
(1)建立中继系统模型，发送端SN发送信息，接收端DN接收信息，同时有R个候选的中继节点用于协作通信。
提出以接收端信噪比为单目标的中继选择问题
Figure BDA0001347431250000081
提出以网络能量效率为单目标的中继选择问题
Figure BDA0001347431250000082
同时考虑接收端信噪比和网络能量效率的多目标中继选择问题为
Figure BDA0001347431250000091
(2)在R维空间中，初始化三个量子猫群，第1个量子猫群、第2个量子猫群和第3个量子猫群分别表示为S1，S2和S3。量子猫群S1和S2分别用于演化多目标中继选择的两个 单目标，量子猫群S1演化接收端信噪比，量子猫群S2演化网络能量效率，量子猫群S3用于 演化多目标中继选择问题。每只量子猫群有H只量子猫，第k(k＝1,2,3)个量子猫群中第 h只量子猫的第t代的量子位置可以表示为
Figure RE-GDA0001390317630000092
其 中h＝1,2,…,H，
Figure RE-GDA0001390317630000093
第k(k＝1,2,3)个量子猫群中第h只量子猫的第 t代的速度可以表示为
Figure RE-GDA0001390317630000094
其中
Figure RE-GDA0001390317630000095
r＝1,2,…,R，vr,max表示量子猫群第r维速度的最大边 界。对量子猫的量子位置进行测量得到量子猫的位置，第k个种群第h只量子猫的位置可以 表示为
Figure RE-GDA0001390317630000096
其中h＝1,2,…,H，
Figure RE-GDA0001390317630000097
r＝1,2,…,R。测量方式如下：
Figure BDA0001347431250000098
其中
Figure BDA0001347431250000099
为均匀分布在[0,1]之间的均匀随机数。
对于量子猫群S1，将所有量子猫的位置带入适应度函数进行计算，量子猫群S1中每只 量子猫的适应度通过接收端信噪比公式进行计算，选出适应度最大的量子猫，称其为量子猫 群S1的全局最优量子猫，其位置为量子猫群S1的全局最优位置，则第t代量子猫群S1的全 局最优位置为
Figure BDA00013474312500000910
对于量子猫群S2，将所有量子猫的位置带入适应度函数进行计算，量子猫群S2中每只 量子猫的适应度通过网络能量效率公式进行计算，选出适应度最大的量子猫，称其为量子猫 群S2的全局最优量子猫，其位置为量子猫群S2的全局最优位置，则第t代量子猫群S2的全 局最优位置为
Figure BDA0001347431250000101
对于量子猫群S3，将量子猫群中的所有量子猫进行非支配解排序和拥挤度计算。将非支 配等级为1的个体加入非支配解集SE中。
(3)对量子猫群S1和S2中的每一只量子猫进行更新。量子猫群中的量子猫行为分为两种 模式，一种为追踪模式，另外一种为搜寻模式。两种行为方式通过结合律MR进行交互操作。 MR表示执行跟踪模式的量子猫的数量在整个量子猫群中所占的比例。对于量子猫的搜寻模 式，定义三个基本要素，记忆池(SMP)、变化域(SRD)和变化数(CDC)。记忆池的大小表明了 在搜寻模式中，将每一只量子猫所复制的副本数目。在搜寻模式中，每一维的变化范围由变 化域(SRD)决定。变化数(CDC)表示了在搜寻模式中，每一只量子猫变化的维度数目。以下为 量子猫的搜寻模式过程：
1.根据记忆池的大小，将当前第k(k＝1,2)个量子猫群第h只量子猫复制J个副本放 在记忆池中。
2.对于记忆池中的第1个副本，保持原来的量子位置和位置。对于记忆池中其他的(J-1) 个副本，根据变化数(CDC)的大小，对复制的第j个量子猫副本的第r维进行更新，更新方程 如下：
Figure BDA0001347431250000102
Figure BDA0001347431250000103
Figure BDA0001347431250000104
其中，j＝2,3,…,J，r∈{1,2,…,R}。abs(.)表示绝对值函数，
Figure BDA0001347431250000105
为均匀分 布在[-1,1]之间的均匀随机数，
Figure BDA0001347431250000106
为均匀分布在[0,1]之间的均匀随机数。
3.计算在记忆池中的J个副本的适应度值。
4.从J个副本中选择适应度最大的副本作为第k个量子猫群新的第h只量子猫。
以下为量子猫的搜寻模式过程：在这种模式下，量子猫通过各自的速度更新其量子位置 和位置。以下为量子猫的追踪模式过程：
1.对追踪模式的第k(k＝1,2)个量子猫群第h只量子猫的速度进行更新。更新方程如 下：
Figure BDA0001347431250000111
其中，c为速度变化范围权系数。
Figure BDA0001347431250000112
为均匀分布在[0,1]之间的均匀随机数。
2.判断第k(k＝1,2)个量子猫群第h只量子猫每一维的速度是否超过了边界范围，如 果超过了边界范围，进行如下处理：
Figure BDA0001347431250000113
其中，vr,max表示第r维速度的最大边界。
3.对第k(k＝1,2)个量子猫群第h只量子猫的量子位置和位置进行更新，更新方程如 下：
Figure BDA0001347431250000114
Figure BDA0001347431250000115
其中，
Figure BDA0001347431250000116
为均匀分布在[0,1]之间的均匀随机数。
计算更新后的量子猫群S1中所有量子猫的适应度，适应度通过接收端信噪比公式进行计 算，从更新后的量子猫群S1中找到适应度最大的量子猫的位置，将其位置的适应度与上一代 量子猫群S1的全局最优位置的适应度进行比较，将适应度较优的位置选作量子猫群S1新的 全局最优位置
Figure BDA0001347431250000117
计算更新后的量子猫群S2中所有量子猫的适应度，适应度通过网络能量效率公式进行计 算，从更新后的量子猫群S2中找到适应度最大的量子猫的位置，将其位置的适应度与上一代 量子猫群S2的全局最优位置的适应度进行比较，将适应度较优的位置选作量子猫群S2新的 全局最优位置
Figure BDA0001347431250000121
(4)对于量子猫群S3中的每一量子猫进行更新。以下为S3中处于搜寻模式的量子猫的更 新过程：
1.根据记忆池的大小，将S3中第h只量子猫复制J个副本放在记忆池中。
2.对于记忆池中的J个副本，根据变化数(CDC)的大小，对复制的第j个量子猫副本的第 r维进行更新，更新方程如下：
Figure BDA0001347431250000122
Figure BDA0001347431250000123
Figure BDA0001347431250000124
其中，j＝1,2,…,J，r∈{1,2,…,R}。abs(.)表示绝对值函数，
Figure BDA0001347431250000125
为均匀分 布在[-1,1]之间的均匀随机数，
Figure BDA0001347431250000126
为均匀分布在[0,1]之间的均匀随机数。
3.对在记忆池中的J个副本进行非支配解排序和拥挤度计算，选出支配等级最高、拥挤 度最大的副本作为种群S3的新的第h只量子猫。
以下为量子猫的搜寻模式过程：在这种模式下，量子猫通过各自的速度更新其量子位置 和位置。以下为S3中处于追踪模式的量子猫的更新过程：
1.对S3中处于追踪模式的第h只量子猫的速度进行更新。
Figure BDA0001347431250000127
为在非支配解集SE中非支配等级排在前10％的位置中随机选择的一个的位置。更新方程如 下：
Figure BDA0001347431250000128
其中，c为速度变化范围权系数。
Figure BDA0001347431250000129
为均匀分布在[0,1]之间的均匀随机数。
2.判断S3第h只量子猫每一维的速度是否超过了边界范围，如果超过了边界范围，进 行如下处理：
Figure BDA0001347431250000131
其中，vr,max表示S3第r维速度的最大边界。
3.对S3第h只量子猫的量子位置和位置进行更新，更新方程如下：
Figure BDA0001347431250000132
Figure BDA0001347431250000133
(5)将S3更新产生的H只量子猫放入非支配解集SE中。对非支配解集SE中的量子猫进 行非支配解排序和拥挤度计算，保留前H只量子猫作为非支配解。然后令S3＝SE。S3中的量子猫将参加下一次演进。
(6)在迭代过程中，每隔F/10代(F为最大迭代次数)进行以下操作：根据第一个目标函 数计算SE的某一量子猫和S1中全局最优量子猫的适应度值，第一个目标函数为接收端信噪 比。如果在SE中该量子猫的适应度值大于S1中全局最优量子猫的适应度值，则将S1中全局 最优量子猫替换为SE中该量子猫，如果SE中该量子猫的适应度值小于等于S1中全局最优 量子猫的适应度值，则将SE中该量子猫替换为S1中全局最优量子猫。根据第二个目标函数 计算SE的某一量子猫和S2中全局最优量子猫的适应度值，第二个目标函数为网络能量效率。如果在SE中该量子猫的适应度值大于在S2中全局最优量子猫的适应度值，则将S2中 全局最优量子猫替换为SE中该量子猫，如果SE中该量子猫的适应度值小于等于在S2中全 局最优量子猫的适应度值，则将SE中该量子猫替换为S2中全局最优量子猫。
(7)如果进化没有终止(通常由预先设定的最大迭代次数F决定)，返回(3)，否则，终止 迭代，输出SE中的非支配解，得到中继选择方案。
仿真中假设中继协作网络所有信道状态信息服从参数为1的瑞利分布，中继节点的发送 功率Pi＝0.1P。所有信道噪声均为均值为0，方差为1的高斯白噪声功率。量子猫群多目标 搜索机制中每个量子猫群规模H＝100，最大迭代次数F＝500。结合律MR＝0.2，速度变化常量 c＝2，记忆池中个体数目J＝6，变化域SRD＝1，变化数CDC＝0.5R，vr,max＝0.2。为了便于 比较所提出的量子猫群搜索机制的多目标中继选择方法与已有单目标人工蜂群方法的支配关 系，将人工蜂群方法应用到单目标中继选择问题中，图4对两种方法进行了比较，人工蜂群 方法的群体规模和终止迭代次数均与量子猫群搜索机制的多目标中继选择方法相同。人工蜂 群方法中的其他参数设置参考文献“Multiple relay selectionscheme based on artificial bee colony algorithm”。
图2为同时考虑接收端信噪比和网络能量效率的穷尽搜索所有解与量子猫群搜索机制搜 索出的非支配解。候选的中继节点数目为14，发送端SN的发送功率为10W，中继节点的发 送功率为1W。从仿真结果中可以看出，量子猫群搜索机制搜出的解与穷尽搜索搜出的非支 配解完全一致，但是计算复杂度远远小于穷尽搜索，说明了所提出的量子猫群搜索机制的中 继选择方法的有效性，在保证接收端信噪比的同时又能保证最大的能量效率，实现绿色通信， 节能环保。
图3为同时考虑接收端信噪比和网络能量效率的基于量子猫群搜索机制搜索出的非支配 解。发送端SN的发送功率为10W，中继节点的发送功率为1W。图3候选的中继节点数目 为20。从仿真图中可以看出，所求出的非支配解是均匀分布。
图4为同时考虑接收端信噪比和网络能量效率的基于量子猫群搜索机制搜索出的非支配 解。发送端SN的发送功率为10W，中继节点的发送功率为1W。图4候选的中继节点数目 为30。从仿真图中可以看出，所提出的中继选择方法支配单目标的人工蜂群方法。此外，从 仿真图中也可以看出，所求出的非支配解是均匀分布的，量子猫群搜索机制对应于不同的候 选中继节点数目的都是有效的，说明了所提出的方法适用的广泛性。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具 体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明 构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (2)

1.一种基于量子猫群搜索机制的多目标中继选择方法，其特征是：
步骤一，建立中继系统模型，发送端SN发送信息，接收端DN接收信息，同时有R个候选的中继节点用于协作通信；
步骤二，在R维空间中，初始化三个量子猫群，第1个量子猫群、第2个量子猫群和第3个量子猫群分别表示为S1，S2和S3；具体包括：
量子猫群S1和S2分别用于演化多目标中继选择的两个单目标，量子猫群S1演化接收端信噪比，量子猫群S2演化网络能量效率，量子猫群S3用于演化多目标中继选择问题；每只量子猫群有H只量子猫，第k,k＝1,2,3个量子猫群中第h只量子猫的第t代的量子位置表示为
Figure FDA0002604723520000011
其中h＝1,2,…,H，
Figure FDA0002604723520000012
第k个量子猫群中第h只量子猫的第t代的速度表示为
Figure FDA0002604723520000013
其中
Figure FDA0002604723520000014
r＝1,2,…,R，vr,max表示量子猫群第r维速度的最大边界，对量子猫的量子位置进行测量得到量子猫的位置，第k个量子猫群第h只量子猫的位置表示为
Figure FDA0002604723520000015
其中，
Figure FDA0002604723520000016
测量方式如下：
Figure FDA0002604723520000017
其中
Figure FDA0002604723520000018
为均匀分布在[0,1]之间的均匀随机数；
对于量子猫群S1，将所有量子猫的位置带入适应度函数进行计算，量子猫群S1中每只量子猫的适应度通过接收端信噪比公式进行计算，选出适应度最大的量子猫，称其为量子猫群S1的全局最优量子猫，其位置为量子猫群S1的全局最优位置，则第t代量子猫群S1的全局最优位置为
Figure FDA0002604723520000019
对于量子猫群S2，将所有量子猫的位置带入适应度函数进行计算，量子猫群S2中每只量子猫的适应度通过网络能量效率公式进行计算，选出适应度最大的量子猫，称其为量子猫群S2的全局最优量子猫，其位置为量子猫群S2的全局最优位置，则第t代量子猫群S2的全局最优位置为
Figure FDA0002604723520000021
对于量子猫群S3，将量子猫群中的所有量子猫进行非支配解排序和拥挤度计算，将非支配等级为1的个体加入非支配解集SE中；
步骤三，对量子猫群S1和S2中的每一只量子猫进行更新；具体包括：
量子猫群中的量子猫行为分为两种模式，一种为追踪模式，另外一种为搜寻模式，两种行为方式通过结合律MR进行交互操作，MR表示执行跟踪模式的量子猫的数量在整个量子猫群中所占的比例；对于量子猫的搜寻模式，定义三个基本要素，记忆池SMP、变化域SRD和变化数CDC，记忆池的大小表明了在搜寻模式中，将每一只量子猫所复制的副本数目，在搜寻模式中，每一维的变化范围由变化域决定，变化数表示了在搜寻模式中，每一只量子猫变化的维度数目，以下为量子猫的搜寻模式过程：
(1).根据记忆池的大小，将当前第k,k＝1,2个量子猫群第h只量子猫复制J个副本放在记忆池中；
(2).对于记忆池中的第1个副本，保持原来的量子位置和位置，对于记忆池中其他的J-1个副本，根据变化数的大小，对复制的第j个量子猫副本的第r维进行更新，更新方程如下：
Figure FDA0002604723520000022
Figure FDA0002604723520000023
Figure FDA0002604723520000024
其中，j＝2,3,…,J，r∈{1,2,…,R}，abs(.)表示绝对值函数，
Figure FDA0002604723520000025
为均匀分布在[-1,1]之间的均匀随机数，
Figure FDA0002604723520000026
为均匀分布在[0,1]之间的均匀随机数；
(3).计算在记忆池中的J个副本的适应度值；
(4).从J个副本中选择适应度最大的副本作为第k个量子猫群新的第h只量子猫；
以下为量子猫的搜寻模式过程：
(1).对追踪模式的第k个量子猫群第h只量子猫的速度进行更新，更新方程如下：
Figure FDA0002604723520000031
其中，c为速度变化范围权系数，
Figure FDA0002604723520000032
为均匀分布在[0,1]之间的均匀随机数；
(2).判断第k个量子猫群第h只量子猫每一维的速度是否超过了边界范围，如果超过了边界范围，进行如下处理：
Figure FDA0002604723520000033
其中，vr,max表示第r维速度的最大边界；
(3).对第k个量子猫群第h只量子猫的量子位置和位置进行更新，更新方程如下：
Figure FDA0002604723520000034
Figure FDA0002604723520000035
其中，
Figure FDA0002604723520000036
为均匀分布在[0,1]之间的均匀随机数；
计算更新后的量子猫群S1中所有量子猫的适应度，适应度通过接收端信噪比公式进行计算，从更新后的量子猫群S1中找到适应度最大的量子猫的位置，将其位置的适应度与上一代量子猫群S1的全局最优位置的适应度进行比较，将适应度较优的位置选作量子猫群S1新的全局最优位置
Figure FDA0002604723520000037
计算更新后的量子猫群S2中所有量子猫的适应度，适应度通过网络能量效率公式进行计算，从更新后的量子猫群S2中找到适应度最大的量子猫的位置，将其位置的适应度与上一代量子猫群S2的全局最优位置的适应度进行比较，将适应度较优的位置选作量子猫群S2新的全局最优位置
Figure FDA0002604723520000038
步骤四，对于量子猫群S3中的每一量子猫进行更新；具体包括：
以下为S3中处于搜寻模式的量子猫的更新过程：
(1).根据记忆池的大小，将S3中第h只量子猫复制J个副本放在记忆池中；
(2).对于记忆池中的J个副本，根据变化数的大小，对复制的第j个量子猫副本的第r维进行更新，更新方程如下：
Figure FDA0002604723520000041
Figure FDA0002604723520000042
Figure FDA0002604723520000043
其中，j＝1,2,…,J，r∈{1,2,…,R}，abs(.)表示绝对值函数，
Figure FDA0002604723520000044
为均匀分布在[-1,1]之间的均匀随机数，
Figure FDA0002604723520000045
为均匀分布在[0,1]之间的均匀随机数；
(3).对在记忆池中的J个副本进行非支配解排序和拥挤度计算，选出支配等级最高、拥挤度最大的副本作为种群S3的新的第h只量子猫；
以下为量子猫的搜寻模式过程：在这种模式下，量子猫通过各自的速度更新其量子位置和位置；以下为S3中处于追踪模式的量子猫的更新过程：
(1).对S3中处于追踪模式的第h只量子猫的速度进行更新，
Figure FDA0002604723520000046
为在非支配解集SE中非支配等级排在前10％的位置中随机选择的一个的位置，更新方程如下：
Figure FDA0002604723520000047
其中，c为速度变化范围权系数，
Figure FDA0002604723520000048
为均匀分布在[0,1]之间的均匀随机数；
(2).判断S3第h只量子猫每一维的速度是否超过了边界范围，如果超过了边界范围，进行如下处理：
Figure FDA0002604723520000049
其中，vr,max表示S3第r维速度的最大边界；
(3).对S3第h只量子猫的量子位置和位置进行更新，更新方程如下：
Figure FDA0002604723520000051
Figure FDA0002604723520000052
步骤五：将S3更新产生的H只量子猫放入非支配解集SE中；对非支配解集SE中的量子猫进行非支配解排序和拥挤度计算，保留支配等级高且拥挤度大的前H只量子猫作为非支配解，然后令S3＝SE，S3中的量子猫将参加下一次演进；
步骤六：在迭代过程中，每隔F/10代进行以下操作，F为最大迭代次数：根据第一个目标函数计算SE的某一量子猫和S1中全局最优量子猫的适应度值，第一个目标函数为接收端信噪比，如果在SE中该量子猫的适应度值大于S1中全局最优量子猫的适应度值，则将S1中全局最优量子猫替换为SE中该量子猫，如果SE中该量子猫的适应度值小于等于S1中全局最优量子猫的适应度值，则将SE中该量子猫替换为S1中全局最优量子猫，根据第二个目标函数计算SE的某一量子猫和S2中全局最优量子猫的适应度值，第二个目标函数为网络能量效率，如果在SE中该量子猫的适应度值大于在S2中全局最优量子猫的适应度值，则将S2中全局最优量子猫替换为SE中该量子猫，如果SE中该量子猫的适应度值小于等于在S2中全局最优量子猫的适应度值，则将SE中该量子猫替换为S2中全局最优量子猫；
步骤七：如果进化没有终止，返回步骤三，否则，终止迭代，输出SE中的非支配解，得到中继选择方案。
2.根据权利要求1所述的基于量子猫群搜索机制的多目标中继选择方法，其特征是步骤一具体包括：
定义从发送端SN到第i个中继节点的信道状态信息为φi,i＝1,2,…,R，第i个中继节点到接收端DN的信道状态信息为gi，所有的信道状态信息服从参数为1的瑞利分布，发送端SN的发送功率为P，第i个中继的发送功率为Pi，所有的中继转发方式为放大转发方式，则第i个中继的接收信号为
Figure FDA0002604723520000053
其中s是归一化的发送信号，且E|s|2＝1，E为数学期望，σi是对于第i个中继的均值为0，方差为1的高斯白噪声，由于中继的转发方式为放大转发方式，则接收端DN接收到中继转发的信号为
Figure FDA0002604723520000061
其中ai表示第i个中继节点RNi是否参与协作通信，ai＝1表示RNi参与协作通信，ai＝0表示RNi没有参与协作通信，
Figure FDA0002604723520000062
arg(.)为对复数取辐角的函数，w为对于接收端DN的均值为0、方差为1的高斯白噪声；
接收端的信噪比为
Figure FDA0002604723520000063
定义网络的能量效率为整个网络的吞吐量与系统消耗的功率比值，网络的能量效率为
Figure FDA0002604723520000064
其中C代表整个网络系统的吞吐量，Ptotal代表整个协作网络消耗的能量，
提出以接收端信噪比为单目标的中继选择问题为
Figure FDA0002604723520000065
其中s.t.表示约束条件；
以网络能量效率为单目标的中继选择问题为
Figure FDA0002604723520000066
同时考虑接收端信噪比和网络能量效率的多目标中继选择问题为
Figure FDA0002604723520000071
CN201710562235.3A 2017-07-11 2017-07-11 基于量子猫群搜索机制的多目标中继选择方法 Active CN107333317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710562235.3A CN107333317B (zh) 2017-07-11 2017-07-11 基于量子猫群搜索机制的多目标中继选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710562235.3A CN107333317B (zh) 2017-07-11 2017-07-11 基于量子猫群搜索机制的多目标中继选择方法

Publications (2)

Publication Number Publication Date
CN107333317A CN107333317A (zh) 2017-11-07
CN107333317B true CN107333317B (zh) 2020-11-10

Family

ID=60196858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710562235.3A Active CN107333317B (zh) 2017-07-11 2017-07-11 基于量子猫群搜索机制的多目标中继选择方法

Country Status (1)

Country Link
CN (1) CN107333317B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509840B (zh) * 2018-02-02 2021-10-01 哈尔滨工程大学 基于量子记忆优化机制的高光谱遥感图像波段选择方法
CN116127584B (zh) * 2023-03-13 2024-05-14 西南交通大学 一种动态过道布置方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102802241A (zh) * 2012-08-15 2012-11-28 西南交通大学 一种高能效无线中继选择方法
CN103324978A (zh) * 2013-07-03 2013-09-25 哈尔滨工程大学 基于多目标量子蚁群算法的多目标决策引擎参数优化方法
CN105357762A (zh) * 2015-10-29 2016-02-24 北京邮电大学 一种超密集网络下基于能量效率和频谱效率的动态接入方法
WO2016097874A1 (en) * 2014-12-19 2016-06-23 Orange Power optimization in heterogenous networks
CN105974794A (zh) * 2016-06-08 2016-09-28 江南大学 基于改进的猫群算法的离散制造车间调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8406687B2 (en) * 2008-06-13 2013-03-26 Kyocera Corporation Managing a dynamic data pool on ad-hoc networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102802241A (zh) * 2012-08-15 2012-11-28 西南交通大学 一种高能效无线中继选择方法
CN103324978A (zh) * 2013-07-03 2013-09-25 哈尔滨工程大学 基于多目标量子蚁群算法的多目标决策引擎参数优化方法
WO2016097874A1 (en) * 2014-12-19 2016-06-23 Orange Power optimization in heterogenous networks
CN105357762A (zh) * 2015-10-29 2016-02-24 北京邮电大学 一种超密集网络下基于能量效率和频谱效率的动态接入方法
CN105974794A (zh) * 2016-06-08 2016-09-28 江南大学 基于改进的猫群算法的离散制造车间调度方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Multi-Relay Selection Scheme Based on Quantum Particle Swarm Optimization in Relay Networks;Jinlong Cao，Tiankui Zhang，Zhimin Zeng;《IEEE》;20121231;全文 *
optimal multiple-relay selection in dual-hop amplify-and-forward cooperative networks;Xiaohua Li;《IEEE》;20120614;全文 *
single and multiple relay selection schemes and their achievable diversity orders;Yindi Jing，Hamid Jafarkhani;《IEEE》;20090316;全文 *
基于精英的量子粒子群优化的Ad_hoc能耗研究;张峰，贾智平，蔡晓军，张兰华;《计算机科学》;20140930;全文 *

Also Published As

Publication number Publication date
CN107333317A (zh) 2017-11-07

Similar Documents

Publication Publication Date Title
Al-Shalabi et al. Energy efficient multi-hop path in wireless sensor networks using an enhanced genetic algorithm
Özdemir et al. Multi-objective evolutionary algorithm based on decomposition for energy efficient coverage in wireless sensor networks
Esmaeili et al. CMML: Combined metaheuristic-machine learning for adaptable routing in clustered wireless sensor networks
Ajay et al. Smart Spider Monkey Optimization (SSMO) for Energy‐Based Cluster‐Head Selection Adapted for Biomedical Engineering Applications
Lalwani et al. FARW: firefly algorithm for routing in wireless sensor networks
CN113709841B (zh) 一种基于布谷鸟算法和K-means算法的WSN路由协议方法
CN107333317B (zh) 基于量子猫群搜索机制的多目标中继选择方法
Umashankar et al. An efficient hybrid model for cluster head selection to optimize wireless sensor network using simulated annealing algorithm
Ari et al. Clustering algorithm for wireless sensor networks: The honeybee swarms nest-sites selection process based approach
Jang et al. Deep learning-based power control for non-orthogonal random access
CN111526555B (zh) 基于遗传算法的多跳路由路径选择方法
Marini et al. Distributed caching based on decentralized learning automata
Özdemir et al. Multi-objective clustered-based routing with coverage control in wireless sensor networks
CN111970743A (zh) 基于混沌遗传算法的无线传感器网络负载均衡路由协议
CN109272167B (zh) 一种基于uudn和q神经网络的绿色能量合作方法
Khodeir et al. Manta Ray Foraging Optimization (MRFO)‐Based Energy‐Efficient Cluster Head Selection Algorithm for Wireless Sensor Networks
Saleem et al. Ant based self-organized routing protocol for wireless sensor networks
Srinivas Cluster Based Dense using Hybrid Genetic and Grasshopper Optimization algorithm in WSN: Cluster Based Dense using Hybrid Genetic and Grasshopper Optimization algorithm in WSN
CN108012318B (zh) 一种采用随机能量收集技术提高双向中继网络性能的方法
Rathee et al. Towards energy balancing optimization in wireless sensor networks: A novel quantum inspired genetic algorithm based sinks deployment approach
CN111160513B (zh) 一种电力配电网的能量优化方法
Bongale et al. Firefly algorithm inspired energy aware clustering protocol for wireless sensor network
Alisa et al. Minimizing energy consumption in wireless sensor networks using modified genetic algorithm and an energy balance filter
CN115968009A (zh) 一种能量采集认知中继网络的多目标中继选择方法
Ye et al. Spiking mean field multi-agent reinforcement learning for dynamic resources allocation in D2D networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant