CN107454604B - 认知中继网络的量子化学反应优化多中继选择方法 - Google Patents
认知中继网络的量子化学反应优化多中继选择方法 Download PDFInfo
- Publication number
- CN107454604B CN107454604B CN201710724612.9A CN201710724612A CN107454604B CN 107454604 B CN107454604 B CN 107454604B CN 201710724612 A CN201710724612 A CN 201710724612A CN 107454604 B CN107454604 B CN 107454604B
- Authority
- CN
- China
- Prior art keywords
- quantum
- relay
- molecule
- cognitive
- molecules
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- 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
-
- 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)
- Mobile Radio Communication Systems (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
Abstract
本发明提供的是一种认知中继网络的量子化学反应优化多中继选择方法。1建立认知系统中继选择模型。2初始化量子分子集合及系统参数。3对集合中所有量子分子的势能进行评价,选择势能最小的量子分子的测量态作为全局最优解。4将量子分子的动能从高到低排序,分别进行分解反应、无效碰撞、合成反应。5对新产生的量子分子的势能进行评价。若新产生的量子分子的势能最小值小于上一代势能最小值,则记为新的全局最优解。6如果迭代次数小于预先设定的最大迭代次数,返回第4步;否则输出全局最优解。本发明均衡考虑认知中继网络在有主用户和无主用户约束条件下,基于量子化学反应机制,选择令系统吞吐量最大化的中继选择方案。
Description
技术领域
本发明涉及的是一种认知中继选择方法。
背景技术
认知无线电(Cognitive Radio)网络能够通过所处环境的变化来调整自身参数,具有很强的自适应能力,通过对空闲的授权频段再次利用,提高了无线频谱的利用率,现已成为解决无线频谱资源匮乏问题的重要途径,为现阶段无线通信系统提供了极大的发展空间。在认知中继网络中,往往存在多个候选中继节点。受地理位置和信道衰落的影响,各中继提高认知用户(Secondary User,SU)传输质量的能力以及对主用户(Primary User,PU)造成的干扰存在差异,因此,如何选择合适的中继协助认知用户的传输是认知中继网络研究的关键问题之一。
由于中继选择是NP-hard问题,随着中继数目的增加,算法的复杂度也随之指数性增加,很难在短时间内求出最优解。因此,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算法复杂度,具有重要的意义。杨龙等在《电子与信息学报》上发表的“认知中继网络的多中继选择方法”根据多中继协作时目的节点信噪比的一阶偏导数特征,定义了中继协作效率,提出了一种基于协作效率的迭代中继选择方案,复杂度较低,但系统吞吐量也较低,且没有考虑无主用户约束的情况。Moonchang Choi等在《IEEEVehicular Technology Conference》上发表的“Low Complexity Multiple RelaySelection Scheme for Cognitive Relay Networks”提出了一种简单的多中继选择方法,即根据信道信息,将更多的功率分配给那些对主用户干扰较少的中继,再根据功率分配方案,进行中继选择,也没有考虑无主用户约束的情况。
发明内容
本发明的目的在于提供一种吞吐量大的认知中继网络的量子化学反应优化多中继选择方法。
本发明的目的是这样实现的:
步骤一,建立认知系统中继选择模型
认知中继网络由认知用户源节点s、目的节点d和L个放大-转发(Amplified andForward,AF)半双工中继组成,在有主用户约束条件下,认知用户源节点s、目的节点d和各中继ri,i=1,2,…,L与主用户接收机a共享带宽为W的授权频带,一帧分为两个时隙(TimeSlot,TS):TS1和TS2,在TS1,主用户源节点向其接收机发送信号,认知用户源节点向各中继发送信号,会对主用户接收机产生干扰;在TS2,主用户源节点继续向其接收机发送信号,在TS1中被选择的中继向认知用户目的节点转发信号,也会对主用户接收机产生干扰,任意两节点i和j之间的信道衰落其中,χi,j为节点i和节点j之间的距离,κ为衰落系数,ξ为路径损耗指数,TS1中,认知用户源节点到第i个中继的信道衰落为到主用户接收机的信道衰落为hs,a;TS2中,第i个中继到认知用户目的节点的信道衰落为到主用户接收机的信道衰落为
假设所有接收的噪声服从均值为0,方差为σ2的复高斯分布,在TS1,认知用户源节点s以功率ps发送单位能量信号xs,则第i个中继ri收到的信号为:
由于主用户发射机与认知用户目的节点和各中继距离较远,故对认知中继网络的干扰可以忽略,当认知用户源节点以功率ps发送信号时,发送功率既不能超过自身的最大发送功率也不能使得经信道衰落后对主用户接收机的干扰超过门限值Ith,否则会使主用户通信中断,因此,可采用如下简单的功率控制策略:
其中,min(·)表示取一组数中的最小值;
在TS2,所有被选择的中继向认知用户目的节点d转发在TS1收到的信号,中继选择结果用变量b来表示:如果第i个中继ri被选择,则令bi=1;如果第i个中继ri未被选择,则令bi=0,认知用户目的节点d收到的信号为:
其中,表示中继ri的发送功率,ηd表示目的节点d处的高斯白噪声,由于各中继在转发信息时使用同一频带,其发送功率既不能超过自身的最大发送功率,也不能使得经信道衰落后对主用户接收机的总干扰超过门限值Ith,因此,可采用如下简单的功率控制策略:
在无主用户约束条件下,只需考虑认知用户源节点s到目的节点d链路最大吞吐量即可,即不用考虑对主用户接收机的干扰。认知用户源节点s、目的节点d和各中继ri的授权频带带宽仍为W,一帧分为两个时隙:TS1和TS2,在TS1,认知用户源节点向各中继发送信号;在TS2,被选择的中继向认知用户目的节点发送信号;
将yi′归一化,得:
在TS2,所有被选择的中继以最大功率向认知用户目的节点d转发在TS1收到的信号,中继选择结果用变量b来表示:如果第i个中继ri被选择,则令bi=1;如果第i个中继ri未被选择,则令bi=0,认知用户目的节点d收到的信号为:
认知用户源节点s到目的节点d链路的吞吐量为:
步骤二,初始化量子分子集合及系统参数
设定集合中量子分子数目为N,维度为L,初始化量子分子动能KE,动能损失系数KELossRate,第t代集合的第n个量子分子可表示为其中,n=1,2,...,N,l=1,2,...,L,为了将量子分子映射为测量态采用如下规则,其测量规则为:
步骤三,量子分子的评价
通过如下的势能评价函数对集合中所有量子分子的势能进行评价:
其中,第n个量子分子对应的测量态代表认知中继网络中第n种中继选择方案,若其第l维值为1,则代表第l个中继被选择;若其第l维值为0,则代表第l个中继未被选择,ps、prl的取值视步骤一中的具体约束条件而定,对集合中所有量子分子的势能进行评价,选出势能最小值对应的测量态,即为全局最优解
步骤四,更新量子分子
以分解反应由一个量子分子变为两个量子分子,合成反应由两个量子分子变为一个量子分子为例,将量子分子的动能从高到低排序,排序后的结果记为集合1,即其相应的测量态为为了保证反应后集合1规模不变,令动能排在前20%的量子分子发生分解反应,排在后40%的量子分子发生合成反应,其余的量子分子发生无效碰撞;
1、经分解反应,集合1中第n个量子分子变为集合2中第k、k+1个量子分子,其中,n=1,2,...,N1,k=1,3,...,2N1-1,N1=0.2N,对于集合2中第k个量子分子,首先复制集合中第n个量子分子的所有元素到中,然后从中随机选择L/2个元素,对选择的每一个元素都根据如下规则更新:
其中,是集合2中第k个量子分子的第l个量子旋转角,c1为大于0的常数,和为[0,1]间的均匀随机数;对于集合2中第k+1个量子分子,复制集合1中第n个量子分子的所有元素到中,然后从中随机选择L/2个元素,对选择的每一个元素都根据如下规则更新:
其中,是集合2中第k+1个量子分子的第l个量子旋转角,c2为大于0的常数,为[0,1]间的均匀随机数,分解反应后生成的量子分子的动能小于反应前量子分子的动能,为了便于计算,令分解反应后生成的第k、k+1个量子分子的动能均为反应前第n个量子分子动能的e1倍,e1为与动能损失系数KELossRate有关的常数,令e1=(1-KELossRate)/2;
2、经无效碰撞,集合1中第n个量子分子变为集合2中第k个量子分子,其中,n=N1+1,N1+2,...,3N1,k=2N1+1,2N1+2,...,4N1,对集合1中所有量子分子的势能进行升序排序,排序后的结果存储为集合3;为集合3存储的按势能升序排序后集合1中量子分子的测量态,选择集合3中前10%的个体中的任意一个作为集合1中第n个量子分子的演进方向,按如下规则更新其第l个量子旋转角和量子位置:
其中,c3、c4均为大于0的常数,和为[0,1]间的均匀随机数,j为按势能升序排序后随机选中的量子分子的标号,无效碰撞后生成的量子分子的动能小于反应前量子分子的动能,为了便于计算,令无效碰撞后生成的第k个量子分子的动能为反应前第n个量子分子动能的e2倍,e2为与动能损失系数KELossRate有关的常数,令e2=1-KELossRate;
3、经合成反应,集合1中第n、n+1个量子分子变为集合2中第k个量子分子,其中,n=3N1+1,3N1+3,...,N-1,k=4N1+1,4N1+2,...,N,集合2中存储的第k个量子分子中每一个元素按轮盘赌的方法依概率从中随机选取,概率1-Zn从中随机选取,合成反应后生成的量子分子的动能小于反应前量子分子的动能,为了便于计算,令合成反应后生成的第k个量子分子的动能为反应前第n、n+1个量子分子动能之和的e3倍,e3为与动能损失系数KELossRate有关的常数,令e3=1-KELossRate;
步骤五,对新产生的量子分子的势能进行评价,若新产生的量子分子的势能最小值小于上一代势能最小值,则将其对应的测量态记为新的全局最优解;否则,保留原来的全局最优解;
步骤六,如果迭代次数小于预先设定的最大迭代次数,返回步骤四;否则,终止迭代,输出全局最优解,即为认知中继网络的最佳多中继选择方案。
认知无线电技术的关键和重点是进行频谱感知,即认知用户要实时检测相关频带上主用户的出现情况,在占用即时可用本地频谱的同时,避开对主用户通信产生干扰。本发明针对现有认知中继选择方法吞吐量较小的不足,设计了量子化学反应优化认知多中继选择方法,以此得出有效的认知中继选择方案。
本发明的认知中继选择方法,具体是考虑认知中继网络在有主用户约束和无主用户约束两种条件下,认知用户源节点到目的节点链路吞吐量最大化的多中继选择方法,这是通过量子化学反应优化(Quantum Chemical Reaction Optimization,QCRO)机制来实现的。
本发明设计的量子化学反应优化认知多中继选择方法,考虑在认知中继网络中有主用户约束和无主用户约束两种条件下,认知中继网络源节点到目的节点最大链路吞吐量,以此得到最佳认知中继选择方案,可解决(0,1)离散优化问题,所设计的认知中继选择方法具有收敛速度快,吞吐量大的特点。
本发明设计的基于量子化学反应优化的认知中继选择方法,均衡考虑有主用户约束和无主用户约束两种情况下,认知中继网络源节点到目的节点最大链路吞吐量,以此得到最佳中继选择方案。与现有技术相比,本发明充分考虑解的多样性,具有以下优点:
1、本发明设计了一种新的方法来解决认知中继网络下的多中继选择问题,所设计的方法收敛速度快,吞吐量大。
2、本发明所设计的量子化学反应优化方法采用三种不同的演进规则,能提高解的多样性,有效避免陷入局部最优,具有很好的全局搜索能力。
3、相比于现有的认知中继选择方法,在其他条件相同的情况下,中继数目越大,本发明设计的方法吞吐量越优于现有的方法。
4、相比于传统的化学反应优化算法,本发明所设计的量子化学反应优化方法简化了原有化学反应优化算法的步骤和参数,反应后的个体并不是随机生成,而是采用三种不同的量子态演进规则,其收敛性有了很大的提高。此外,还可根据不同的问题对演进规则加以组合利用,获得更好的性能,还可移植到其他复杂的工程问题中,具有很好的推广性。
附图说明
图1为量子化学反应优化多中继选择方法示意图;
图2为有主用户约束条件下帧结构图;
图3为无主用户约束条件下帧结构图;
图4为有主用户约束条件下认知系统中继选择模型;
图5为无主用户约束条件下认知系统中继选择模型;
图6为有主用户约束条件下,量子化学反应优化多中继选择方法和分布式多中继选择方法吞吐量随迭代次数变化的曲线;
图7为有主用户约束条件下,量子化学反应优化多中继选择方法和分布式多中继选择方法吞吐量随中继数目变化的曲线;
图8为有主用户约束条件下,量子化学反应优化多中继选择方法和分布式多中继选择方法吞吐量随中继最大发送功率变化的曲线;
图9为有主用户约束条件下,量子化学反应优化多中继选择方法和分布式多中继选择方法吞吐量随干扰门限变化的曲线;
图10为无主用户约束条件下,量子化学反应优化多中继选择方法和离散量子粒子群多中继选择方法吞吐量随迭代次数变化的曲线;
图11为无主用户约束条件下,量子化学反应优化多中继选择方法和离散量子粒子群多中继选择方法吞吐量随中继数目变化的曲线;
图12为无主用户约束条件下,量子化学反应优化多中继选择方法和离散量子粒子群多中继选择方法吞吐量随中继最大发送功率变化的曲线。
具体实施方式
下面举例对本发明作更详细的描述。
1、建立认知系统中继选择模型,认知中继网络由认知用户源节点s、目的节点d和L个放大-转发半双工中继组成。在有主用户约束条件下,认知用户源节点s、目的节点d和各中继ri(i=1,2,...,L)与主用户接收机a共享带宽为W的授权频带,认知用户源节点到目的节点链路的吞吐量为:
认知用户源节点的发送功率ps既不能超过自身的最大发送功率也不能使得经信道衰落后对主用户接收机的干扰超过门限值Ith。此外,各中继在转发信息时使用同一频带,其发送功率既不能超过自身的最大发送功率,也不能使得经信道衰落后对主用户接收机的总干扰超过门限值Ith,否则会使主用户通信中断。因此,可采用如下简单的功率控制策略:
在无主用户约束条件下,只需考虑认知用户源节点s到目的节点d链路最大吞吐量即可。认知用户源节点s、目的节点d和各中继ri(i=1,2,...,L)的授权频带带宽为W。此时,认知用户源节点以最大发送功率发送信号,各中继以最大功率转发收到的信号,认知用户源节点到目的节点链路的吞吐量为:
2、设定集合中量子分子数目为N,维度为L,初始化量子分子动能KE,动能损失系数KELossRate。第t代集合的第n个量子分子可表示为其中,n=1,2,...,N,l=1,2,...,L。为了将量子分子映射为测量态采用如下规则,其测量规则为:
3、通过如下的势能评价函数对集合中所有量子分子的势能进行评价:
其中,量子化学反应优化算法中第n个量子分子的测量态代表认知中继网络中第n种中继选择方案,若其第l维值为1,则代表第l个中继被选择;若其第l维值为0,则代表第l个中继未被选择。ps、prl的取值视步骤1中的具体约束条件而定。选出势能最小值对应的量子分子的测量态,即为全局最优解
4、将量子分子的动能从高到低排序,排序后的结果记为集合1,即其相应的测量态为为了保证反应后集合1规模不变,令动能排在前20%的量子分子发生分解反应,排在后40%的量子分子发生合成反应,其余的量子分子发生无效碰撞。
(1)经分解反应,集合1中第n个量子分子变为集合2中第k、k+1个量子分子,其中,n=1,2,...,N1,k=1,3,...,2N1-1,N1=0.2N。对于集合2中第k个量子分子,首先复制集合1中第n个量子分子的所有元素到中,然后从中随机选择L/2个元素,对选择的每一个元素都根据如下规则更新:
其中,是集合2中第k个量子分子的第l个量子旋转角,c1为大于0的常数,和为[0,1]间的均匀随机数。对于集合2中第k+1个量子分子,复制集合1中第n个量子分子的所有元素到中,然后从中随机选择L/2个元素,对选择的每一个元素都根据如下规则更新:
其中,是集合2中第k+1个量子分子的第l个量子旋转角,c2为大于0的常数,为[0,1]间的均匀随机数。为了便于计算,令分解反应后生成的第k、k+1个量子分子的动能均为反应前第n个量子分子动能的e1倍,不妨令e1=(1-KELossRate)/2。
(2)经无效碰撞,集合1中第n个量子分子变为集合2中第k个量子分子,其中,n=N1+1,N1+2,...,3N1,k=2N1+1,2N1+2,...,4N1。对集合1中所有量子分子的势能进行升序排序,排序后的结果存储为集合3。为集合3存储的按势能升序排序后集合1中量子分子的测量态。选择集合3中前10%的个体中的任意一个作为集合1中第n个量子分子的演进方向,按如下规则更新其第l个量子旋转角和量子位置:
其中,c3、c4均为大于0的常数,和为[0,1]间的均匀随机数,j为按势能升序排序后随机选中的量子分子的标号。为了便于计算,令无效碰撞后生成的第k个量子分子的动能为反应前第n个量子分子动能的e2倍,不妨令e2=1-KELossRate。
(3)经合成反应,集合1中第n、n+1个量子分子变为集合2中第k个量子分子,其中,n=3N1+1,3N1+3,...,N-1,k=4N1+1,4N1+2,...,N。集合2中存储的第k个量子分子中每一个元素按轮盘赌的方法依概率中随机选取,概率1-Zn从中随机选取。为了便于计算,令合成反应后生成的第k个量子分子的动能为反应前第n、n+1个量子分子动能之和的e3倍,不妨令e3=1-KELossRate。
5、对新产生的量子分子的势能进行评价。若新产生的量子分子的势能最小值小于上一代势能最小值,则将其对应的测量态记为新的全局最优解;否则,保留原来的全局最优解。
6、如果迭代次数小于预先设定的最大迭代次数,返回步骤4;否则,终止迭代,输出全局最优解,即为认知中继网络的最佳多中继选择方案。
仿真中假设认知中继网络中带宽W=1MHz,认知用户源节点位置为(0,0),目的节点位置为(10,0),中继节点均匀分布在圆心为(5,0),半径为0.5的圆内,主用户接收机位置为(5,1),任意两节点i和j之间的信道衰落其中,χi,j表示节点i和节点j之间的距离,κ表示信道衰落服从均值为0,方差为1的复高斯分布,路径损耗指数ξ=4。噪声功率谱密度N0=-110dBW/Hz,认知用户源节点最大发送功率其中,1dBW=100.1W。
图6~图9为有主用户约束条件下,认知中继网络吞吐量随迭代次数、中继数目、中继最大发送功率、干扰门限变化的情况。在图6,中继数目为20个,各中继最大发送功率干扰门限Ith=-20dBW。在图7,中继数目在10~30个范围内变化,各中继最大发送功率干扰门限Ith=-20dBW。在图8,中继数目为10个,各中继最大发送功率在-10dBW~10dBW范围内变化,干扰门限Ith=-20dBW。在图9,中继数目为10个,各中继最大发送功率干扰门限Ith在-40dBW~-10dBW范围内变化。设定量子分子数目N=60,动能损失系数KELossRate=0.2,初始动能KE=1000,c1=2,c2=0.3,c3=0.5,c4=0.5。为了便于比较量子化学反应优化(QCRO)多中继选择方法与分布式多中继选择方法(DMRS),将终止迭代次数设置为相同值,最大迭代次数为500次,所有结果是200次仿真的平均。分布式多中继选择方法参考杨龙等2013年在《电子与信息学报》上发表的论文“认知中继网络的多中继选择方法”。
图6为有主用户约束条件下,认知中继网络吞吐量随迭代次数变化的情况。由仿真结果可以明显得知在有主用户约束条件下,随着迭代次数的增加,吞吐量也随之增加。量子化学反应优化多中继选择方法吞吐量明显高于分布式多中继选择算法。
图7为有主用户约束条件下,认知中继网络吞吐量随中继数目变化的情况。由仿真结果可以明显得知在有主用户约束条件下,随着中继数目的增加,吞吐量也随之增加,量子化学反应优化多中继选择方法吞吐量明显高于分布式多中继选择算法。
图8为有主用户约束条件下,认知中继网络吞吐量随中继最大发送功率变化的情况。由仿真结果可以明显得知在有主用户约束条件下,随着中继最大发送功率的增加,吞吐量也随之增加,量子化学反应优化多中继选择方法吞吐量明显高于分布式多中继选择算法。
图9为有主用户约束条件下,认知中继网络吞吐量随干扰门限变化的情况。由仿真结果可以明显得知在有主用户约束条件下,随着干扰门限的提高,吞吐量也随之增加,量子化学反应优化多中继选择方法吞吐量明显高于分布式多中继选择算法。
图10~图12为无主用户约束条件下,认知中继网络吞吐量随迭代次数、中继数目、中继最大发送功率变化的情况。在图10,中继数目为20个,各中继最大发送功率在图11,中继数目在10~30个范围内变化,各中继最大发送功率在图12,中继数目为30个,各中继最大发送功率在-10dBW~10dBW范围内变化。设定量子分子数目N=60,动能损失系数KELossRate=0.2,初始动能KE=1000。为了便于比较所提出的量子化学反应优化(QCRO)多中继选择方法与按本发明系统模型修改后的离散量子粒子群(DQPSO)多中继选择方法,将量子分子数目和量子粒子数目均设置为相同值,终止迭代次数为500次,所有结果是200次仿真的平均。离散量子粒子群方法参考2011年Hongyuan Gao等在《Information Technology Journal》上发表的论文“A simplequantum-inspired particle swarm optimization and its application”。
图10为无主用户约束条件下,认知中继网络吞吐量随迭代次数变化的情况。由仿真结果可以明显得知在无主用户约束条件下,随着迭代次数的增加,吞吐量也随之增加。量子化学反应优化多中继选择方法的收敛性明显优于离散量子粒子群多中继选择方法。
图11为无主用户约束条件下,认知中继网络吞吐量随中继数目变化的情况。由仿真结果可以明显得知在无主用户约束条件下,随着中继数目的增加,吞吐量也随之增加。中继数目越多,量子化学反应优化多中继选择方法吞吐量越高于离散量子粒子群多中继选择方法。
图12为无主用户约束条件下,认知中继网络吞吐量随中继最大发送功率变化的情况。由仿真结果可以明显得知在无主用户约束条件下,中继最大发送功率越大,吞吐量也随之增加,量子化学反应优化多中继选择方法吞吐量越高于离散量子粒子群多中继选择方法。
本发明的认知中继选择方法,充分考虑了认知中继网络在有主用户约束和无主用户约束两种情况下,最大系统吞吐量的问题,可解决现有中继选择方法收敛速度慢,吞吐量不高的问题。
本发明的量子化学反应优化方法,根据三种不同的反应机制对集合中的量子分子进行更新,再映射为测量态,根据势能评价函数更新全局最优解。
本发明的的认知中继网络的量子化学反应优化多中继选择方法,可以充分考虑有主用户约束和无主用户约束两种情况,在不同情况下求解认知用户源节点到目的节点最大链路吞吐量,确定最佳中继选择方案。
本发明的认知中继网络的量子化学反应优化多中继选择方法,按照反应中三种不同的量子态演进规则对量子分子进行更新,更新后要映射为测量态,且动能减小。
本发明的对于量子化学反应优化方法,在解决认知中继选择问题时具有收敛速度快、收敛精度高、认知用户吞吐量大和认知用户共用频谱机会多的优点。
认知中继网络的量子化学反应优化多中继选择方法能有效解决认知中继网络下的多中继选择问题,扩展了化学反应优化算法的应用。
量子化学反应优化方法简化了原有化学反应优化算法的步骤和参数,反应后的个体并不是随机生成,而是采用量子态演进规则,其收敛性有了很大的提高。此外,还可根据不同的问题对演进规则加以组合利用,获得更好的性能,还可移植到其他复杂的工程问题中,具有很好的推广性。
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值局限于这些说明。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 (1)
1.一种认知中继网络的量子化学反应优化多中继选择方法,其特征是:
步骤一:根据不同的情况建立认知系统中继选择模型;
步骤二:初始化量子分子集合及系统参数;
步骤三:对集合中所有量子分子的势能进行评价,选择势能最小的量子分子的测量态作为全局最优解;
步骤四:将量子分子的动能从高到低排序,按不同的量子态演进规则分别进行分解反应、无效碰撞、合成反应;
步骤五:对新产生的量子分子的势能进行评价,若新产生的量子分子的势能最小值小于上一代势能最小值,则将其对应的测量态记为新的全局最优解;否则,保留原来的全局最优解;
步骤六:如果迭代次数小于预先设定的最大迭代次数,返回步骤四;否则,终止迭代,输出全局最优解,即为认知中继网络的最佳多中继选择方案;
步骤一具体包括:
认知中继网络由认知用户源节点s、目的节点d和L个放大-转发半双工中继组成,在有主用户约束条件下,认知用户源节点s、目的节点d和各中继ri,i=1,2,…,L与主用户接收机a共享带宽为W的授权频带,一帧分为两个时隙:TS1和TS2,任意两节点i′和j之间的信道衰落其中,χi′,j为节点i′和节点j之间的距离,κ为衰落系数,ξ为路径损耗指数,TS1中,认知用户源节点到第i个中继的信道衰落为到主用户接收机的信道衰落为hs,a;TS2中,第i个中继到认知用户目的节点的信道衰落为到主用户接收机的信道衰落为
设所有接收的噪声服从均值为0,方差为σ2的复高斯分布,在TS1,认知用户源节点s以功率ps发送单位能量信号xs,则第i个中继ri收到的信号为:
当认知用户源节点以功率ps发送信号时,采用如下简单的功率控制策略:
其中,min(·)表示取一组数中的最小值,Ith表示主用户接收机的干扰门限值;
在TS2,所有被选择的中继向认知用户目的节点d转发在TS1收到的信号,中继选择结果用变量b来表示:如果第i个中继ri被选择,则令bi=1;如果第i个中继ri未被选择,则令bi=0,认知用户目的节点d收到的信号为:
在无主用户约束条件下,认知用户源节点s、目的节点d和各中继ri的授权频带带宽仍为W,一帧分为两个时隙:TS1和TS2,在TS1,认知用户源节点向各中继发送信号;在TS2,被选择的中继向认知用户目的节点发送信号;
将y′i归一化,得:
在TS2,所有被选择的中继以最大功率向认知用户目的节点d转发在TS1收到的信号,中继选择结果用变量b来表示:如果第i个中继ri被选择,则令bi=1;如果第i个中继ri未被选择,则令bi=0,认知用户目的节点d收到的信号为:
认知用户源节点s到目的节点d链路的吞吐量为:
步骤二具体包括:
设定集合中量子分子数目为N,维度为L,初始化量子分子动能KE,动能损失系数KELossRate,第t代集合的第n个量子分子可表示为其中,n=1,2,...,N,l=1,2,...,L,为了将量子分子映射为测量态采用如下规则,其测量规则为:
步骤三具体包括:
通过如下的势能评价函数对集合中所有量子分子的势能进行评价:
其中,第n个量子分子对应的测量态代表认知中继网络中第n种中继选择方案,若其第l维值为1,则代表第l个中继被选择;若其第l维值为0,则代表第l个中继未被选择,ps、的取值视步骤一中的具体约束条件而定,对集合中所有量子分子的势能进行评价,选出势能最小值对应的测量态,即为全局最优解
步骤四具体包括:
分解反应由一个量子分子变为两个量子分子,合成反应由两个量子分子变为一个量子分子,将量子分子的动能从高到低排序,排序后的结果记为集合1,即其相应的测量态为令动能排在前20%的量子分子发生分解反应,排在后40%的量子分子发生合成反应,其余的量子分子发生无效碰撞;
1、经分解反应,集合1中第n个量子分子变为集合2中第k、k+1个量子分子,其中,n=1,2,...,N1,k=1,3,...,2N1-1,N1=0.2N,对于集合2中第k个量子分子,首先复制集合1中第n个量子分子的所有元素到中,然后从中随机选择L/2个元素,对选择的每一个元素都根据如下规则更新:
其中,是集合2中第k个量子分子的第l个量子旋转角,c1为大于0的常数,和为[0,1]间的均匀随机数;对于集合2中第k+1个量子分子,复制集合1中第n个量子分子的所有元素到中,然后从中随机选择L/2个元素,对选择的每一个元素都根据如下规则更新:
其中,是集合2中第k+1个量子分子的第l个量子旋转角,c2为大于0的常数,为[0,1]间的均匀随机数,分解反应后生成的量子分子的动能小于反应前量子分子的动能,令分解反应后生成的第k、k+1个量子分子的动能均为反应前第n个量子分子动能的e1倍,e1为与动能损失系数KELossRate有关的常数,令e1=(1-KELossRate)/2;
2、经无效碰撞,集合1中第n个量子分子变为集合2中第k个量子分子,其中,n=N1+1,N1+2,...,3N1,k=2N1+1,2N1+2,...,4N1,对集合1中所有量子分子的势能进行升序排序,排序后的结果存储为集合3;为集合3存储的按势能升序排序后集合1中量子分子的测量态,选择集合3中前10%的个体中的任意一个作为集合1中第n个量子分子的演进方向,按如下规则更新其第l个量子旋转角和量子位置:
其中,c3、c4均为大于0的常数,和为[0,1]间的均匀随机数,j为按势能升序排序后随机选中的量子分子的标号,无效碰撞后生成的量子分子的动能小于反应前量子分子的动能,令无效碰撞后生成的第k个量子分子的动能为反应前第n个量子分子动能的e2倍,e2为与动能损失系数KELossRate有关的常数,令e2=1-KELossRate;
3、经合成反应,集合1中第n、n+1个量子分子变为集合2中第k个量子分子,其中,n=3N1+1,3N1+3,...,N-1,k=4N1+1,4N1+2,...,N,集合2中存储的第k个量子分子中每一个元素按轮盘赌的方法依概率从中随机选取,概率1-Zn从中随机选取,合成反应后生成的量子分子的动能小于反应前量子分子的动能,令合成反应后生成的第k个量子分子的动能为反应前第n、n+1个量子分子动能之和的e3倍,e3为与动能损失系数KELossRate有关的常数,令e3=1-KELossRate;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710724612.9A CN107454604B (zh) | 2017-08-22 | 2017-08-22 | 认知中继网络的量子化学反应优化多中继选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710724612.9A CN107454604B (zh) | 2017-08-22 | 2017-08-22 | 认知中继网络的量子化学反应优化多中继选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107454604A CN107454604A (zh) | 2017-12-08 |
CN107454604B true CN107454604B (zh) | 2020-12-04 |
Family
ID=60493158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710724612.9A Active CN107454604B (zh) | 2017-08-22 | 2017-08-22 | 认知中继网络的量子化学反应优化多中继选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107454604B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108880734B (zh) * | 2018-04-28 | 2020-05-15 | 哈尔滨工程大学 | 量子回溯搜索优化的CCFD-Massive MIMO系统功率分配方法 |
CN108777845B (zh) * | 2018-05-18 | 2021-02-26 | 浙江工业大学 | 蜂窝网中用于设备到设备多播簇的低负载低能耗多播方法 |
CN109861728B (zh) * | 2019-02-21 | 2021-06-18 | 哈尔滨工程大学 | 大规模mimo系统的联合多中继选择与时隙资源配置方法 |
CN110167045B (zh) * | 2019-04-17 | 2020-06-05 | 北京科技大学 | 一种异构网络能效优化方法 |
CN110351144B (zh) * | 2019-07-18 | 2020-07-07 | 重庆电子工程职业学院 | 一种基于cro改正的物联网接入虚拟化资源编排方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1815906A (zh) * | 2006-03-06 | 2006-08-09 | 南京邮电大学 | 一种低复杂度的多用户检测方法 |
CN103533615A (zh) * | 2013-10-22 | 2014-01-22 | 桂林电子科技大学 | 一种节能的认知无线电协作传输中继选择方法 |
CN104702396A (zh) * | 2015-04-07 | 2015-06-10 | 山东大学 | 基于效用的协作多中继认知系统的联合资源分配方法 |
CN106385702A (zh) * | 2016-09-08 | 2017-02-08 | 哈尔滨工程大学 | 量子教与学搜索机制的中继选择方法 |
CN106603140A (zh) * | 2016-12-12 | 2017-04-26 | 哈尔滨工程大学 | 无线能量采集认知无线电的最优中继协作传输方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100888730B1 (ko) * | 2007-01-12 | 2009-03-17 | 삼성전자주식회사 | Df 릴레이 기반 시스템의 송신 전력 제어 방법 및 그장치 |
-
2017
- 2017-08-22 CN CN201710724612.9A patent/CN107454604B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1815906A (zh) * | 2006-03-06 | 2006-08-09 | 南京邮电大学 | 一种低复杂度的多用户检测方法 |
CN103533615A (zh) * | 2013-10-22 | 2014-01-22 | 桂林电子科技大学 | 一种节能的认知无线电协作传输中继选择方法 |
CN104702396A (zh) * | 2015-04-07 | 2015-06-10 | 山东大学 | 基于效用的协作多中继认知系统的联合资源分配方法 |
CN106385702A (zh) * | 2016-09-08 | 2017-02-08 | 哈尔滨工程大学 | 量子教与学搜索机制的中继选择方法 |
CN106603140A (zh) * | 2016-12-12 | 2017-04-26 | 哈尔滨工程大学 | 无线能量采集认知无线电的最优中继协作传输方法 |
Non-Patent Citations (1)
Title |
---|
基于免疫计算的无线通信网络资源优化;朱思峰;《中国博士学位论文全文数据库信息科技辑》;20130315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107454604A (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107454604B (zh) | 认知中继网络的量子化学反应优化多中继选择方法 | |
CN110167176B (zh) | 一种基于分布式机器学习的无线网络资源分配方法 | |
Yu et al. | Spectrum allocation algorithm in cognitive ad-hoc networks with high energy efficiency | |
CN112153744B (zh) | 一种icv网络中物理层安全资源分配方法 | |
CN116744311B (zh) | 基于per-ddqn的用户组频谱接入方法 | |
CN115866787A (zh) | 融合终端直传通信和多接入边缘计算的网络资源分配方法 | |
CN105792218A (zh) | 具有射频能量收集能力的认知无线电网络的优化方法 | |
Cao et al. | Multi-tier collaborative deep reinforcement learning for non-terrestrial network empowered vehicular connections | |
CN103618674B (zh) | 基于自适应服务模型的联合分组调度和信道分配路由方法 | |
Liu et al. | Distributed learning under imperfect sensing in cognitive radio networks | |
CN111741520B (zh) | 一种基于粒子群的认知水声通信系统功率分配方法 | |
CN109548032B (zh) | 一种面向密集网络全频段检测的分布式协作频谱认知方法 | |
CN108390735B (zh) | 一种信息素驱动的分布式协同宽带频谱感知方法 | |
CN115038155B (zh) | 一种超密集多接入点的动态协同传输方法 | |
Li et al. | Resource allocation schemes based on intelligent optimization algorithms for D2D communications underlaying cellular networks | |
CN115623575A (zh) | 一种cr-noma场景下的功率分配方法 | |
CN115987886A (zh) | 一种基于元学习参数优化的水声网络q学习路由方法 | |
CN111343722B (zh) | 边缘计算中基于认知无线电的能效优化方法 | |
Liu et al. | A cognitive relay network throughput optimization algorithm based on deep reinforcement learning | |
CN107801190B (zh) | 一种基于hdp-nshmm的频谱感知方法 | |
CN112423400A (zh) | 基于改进烟花算法的以太网通信链路调度方法 | |
Zuo et al. | Deep Reinforcement Learning for Power Controlled Channel Allocation in Wireless Avionics Intra-Communications | |
CN115150049B (zh) | 基于用户相似性的去蜂窝大规模mimo导频分配方法 | |
CN112637926B (zh) | 一种基于随机森林均匀量化特征提取的安全中继选择方法 | |
CN115632726B (zh) | 一种基于模型驱动的ISTA-Net上行免调度大规模MIMO-NOMA信号检测方法 |
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 |