CN108541072B - 基于自适应群搜索算法的频谱决策多目标优化方法 - Google Patents

Abstract

本发明公开了一种基于自适应群搜索算法的频谱决策多目标优化方法，包括如下步骤：建立频谱参数决策模型；初始化；种群中最优个体执行发现策略，其他个体选择执行策略；种群中的个体两两顺序配对，执行单点交叉操作；对种群中个体进行线性排列；种群中的个体执行方向变异操作；更新当前种群中所有个体的目标函数值；判断当前的迭代次数是否达到了预先设定的最大迭代次数，若是，输出最优解，若不是，则返回对种群中个体进行线性排列的步骤。该优化方法能够同时使认知无线电系统的最小化误码率、最小化发射功率和最大化数据速率达到最优。

Description

基于自适应群搜索算法的频谱决策多目标优化方法

技术领域

本发明属于人工智能技术领域，特别提供了一种基于自适应群搜索算法的频谱决策多目标优化方法。

背景技术

电磁环境的复杂多变对其间工作的电子信息系统带来了越来越多的不确定性。在复杂电磁环境中，频谱资源有限且利用率低，如何对有限频谱进行有效分配是解决无线频谱资源紧缺的关键问题，同时更是我国能否掌握电磁大战制胜权的关键问题。

电磁环境中的无线电信号是复杂多变的，且整体自适应性能是动态多目标的，多目标之间还存在相互制约等特点。在多目标方面，系统整体性能需同时满足适应异构无线信道条件、满足多类用户服务需求，以及遵守特定频段和特定地理位置的频谱规则等要求。在目标动态性方面，如某些目标的计算方法跟无线信道当前条件有关，优化的目标依赖于用户的当前动态需求和动态状态。而且，这些目标还经常相互制约，比如最小化误码率和最小化传输能量是相互矛盾的，因为在降低传输能量的同时可能会增大BER。

上述问题的存在使得传统的通信网络和无线网络的动态频谱分配无法满足复杂电磁环境中用户对带宽、可用信道的数量和位置信息等随时变化的需求。

发明内容

鉴于此，本发明的目的在于提供一种基于自适应群搜索算法的频谱决策多目标优化方法，以能够同时使认知无线电系统的最小化误码率、最小化发射功率和最大化数据速率达到最优，以更好的解决和处理多目标优化问题。

本发明提供的技术方案是：一种基于自适应群搜索算法的频谱决策多目标优化方法，包括如下步骤：

步骤一：建立认知无线电系统的频谱参数决策模型，表示如下：

f＝ω₁·f_{min power}+ω₂·f_{min ber}+ω₃f_{max daterate}

其中，f为目标函数，f_{min power}表示最小化发射功率优化函数，f_{min ber}表示最小化误码率优化函数，f_maxdatarate表示最大化传输速率优化函数；

ω_i≥0(1≤i≤3)，且ω₁+ω₂+ω₃＝1，其中，ω_i表示权值；

其中，

为所有载波发射功率的平均值，p_max为最大可能发射功率；

其中，

为所有载波比特错误率平均值；

其中，M_min为最小调制进制数，M_max为最大调制进制数，Mi为第i个载波对应的调制指数向量，N为载波数；

步骤二：初始化

21)、设定参数，包括种群规模值S、搜索空间上下限B_lo,B_up、觅食方式选择概率P_f、交叉概率P_c、变异概率P_m、最大迭代次数T_max、收敛精度ξ、混沌变量Sc、正态分布平均数μ、正态分布标准差σ；初始化产生一个随机种群E1，将种群E1的数值取整记为E，求出种群E的每一个个体，并随机产生一行8列的个体，其中由于有64种发射功率的可能，前6列表示发射功率，后2列表示调制方式，其中，将前6位发射功率的二进制编码转换成十进制得到发射功率P以及

子载波调制指数向量Mi；

22)、根据步骤21)得到的发射功率P以及

和子载波调制指数向量Mi，更新最小化误码率、最小化发射功率和最大化传输速率这三个优化函数的值，同时，将初始种群中的最优个体p_g设置为全局初始极值；

步骤三：种群中的最优个体执行发现策略，其他个体根据觅食方式选择概率选择执行追随策略或游荡策略；

步骤四：将种群中的个体进行两两顺序配对，根据交叉概率，一对个体交叉的概率为40％，若随机概率大于交叉概率，则执行单点交叉操作，经过交叉操作，产生新的个体；

步骤五：对种群中个体按照目标函数值f从小到大的顺序进行线性排列，根据目标函数值f和目标函数值总和sum(f)，得到对于每个个体的选择概率f/sum(f)，之后采用轮盘赌法，产生新的个体种群；

步骤六：种群中的个体根据变异概率执行方向变异操作，设定变异概率值，若达到所述变异概率值，则执行变异操作，产生新个体；

步骤七：更新当前种群中所有个体的目标函数值f；

步骤八：判断当前的迭代次数是否达到了预先设定的最大迭代次数T_max，若是，则停止迭代，输出目标函数最优解，否则转到步骤五。

优选，步骤三：种群中的最优个体执行发现策略，其他个体根据觅食方式选择概率选择执行追随策略或游荡策略包括：

根据发现、加入和游荡这三种觅食策略，群成员被分为3类：发现者、加入者和游荡者，每轮迭代中，当前位置最佳的个体为此轮的发现者，发现者保持其位置不变，其他个体随机地被选择为加入者或游荡者，加入者即朝发现者的位置前进一段距离，而游荡者朝任意方向游动一段距离，在整个迭代过程中，发现者保持了当前最佳位置，加入者一直向发现者靠近，而游荡者则随机地在觅食区域游弋，迭代中，每个个体都可以在3种角色中切换，在群搜索算法中，发现者在每次移动前，都先采用类似刺盖太阳鱼的三点视觉扫描的方式，分别在前面、左侧和右侧三个方向扫描三个点，再通过判断后移动到其中最优点位置，

其中，r₁是[0,1]之间正态分布的随机数，r₂是[0,1]之间均匀分布的随机数，θ_max和l_max为自定义常数，分别表示发现者扫描过程中的最大扫描角度和移动的最大步长，在n维搜索空间中，每个个体i在第k次迭代都有三个属性向量：位置向量

头部角度向量

和方向向量

X_g代表发现者，方向向量通过头部角度的极坐标与笛卡尔坐标的转换得到，计算如下：

其中，发现者X_g首先在前、右和左三个方向分别扫描三个点X_z，X_r和X_l，然后计算各个位置所对应的最优值，如果新搜索的位置比原来的位置更优，发现者会跳到此位置；否则，发现者会留在原位置，调整头部方向后准备下一次的迭代搜索，

其中，a_max为发现者头部最大转弯角度，

如果发现者在经过a次迭代计算后，仍没有搜索到更好的位置，它将会停留在当前位置，并让头部转回到a次迭代前的角度并进行重新搜索，

追随者按随机步长追随发现者并参与搜索，

其中，r₃是[0,1]之间均匀分布的随机数，

散布于不可行群内的各个游荡者，先随机的选择搜索角度和搜索距离，然后计算随机步长进行独立搜索，

li＝a·r1lmax

其中，l_max为个体移动最大步长。

本发明提供的基于自适应群搜索算法的频谱决策多目标优化方法能够同时使认知无线电系统的最小化误码率、最小化发射功率和最大化数据速率达到最优，更好的解决和处理多目标优化问题，同时能够为军事通信、自然灾害应急通信等领域的相关问题提供技术支持。

本发明提供的基于自适应群搜索算法的频谱决策多目标优化方法具有收敛速度快，不易陷入局部最优等优点，得到满足分配目标的最优频谱分配方案。在最大化平均系统效益和最大化比例公平性两个分配准则下，本发明以得到使系统用户获得更大的网络收益和更好的体现出各认知用户之间的公平性，且不受用户和频谱数目规模的限制。

附图说明

下面结合附图及实施方式对本发明作进一步详细的说明：

图1为本发明基于自适应群搜索算法的频谱决策多目标优化方法的流程图；

图2-1为模式1下四种算法在不同迭代次数时，产生不同最优解的情况；

图2-2为模式1下GA算法的数据吞吐量、发射功率和误码率情况；

图2-3为模式1下PSO算法的数据吞吐量、发射功率和误码率情况；

图2-4为模式1下ACO算法的数据吞吐量、发射功率和误码率情况；

图2-5为模式1下本发明的方法的数据吞吐量、发射功率和误码率情况；

图3-1为模式2下四种算法在不同迭代次数时，产生不同最优解的情况；

图3-2为模式2下GA算法的数据吞吐量、发射功率和误码率情况；

图3-3为模式2下PSO算法的数据吞吐量、发射功率和误码率情况；

图3-4为模式2下ACO算法的数据吞吐量、发射功率和误码率情况；

图3-5为模式2下本发明的方法的数据吞吐量、发射功率和误码率情况；

图4-1为模式3下四种算法在不同迭代次数时，产生不同最优解的情况；

图4-2为模式3下GA算法的数据吞吐量、发射功率和误码率情况；

图4-3为模式3下PSO算法的数据吞吐量、发射功率和误码率情况；

图4-4为模式3下ACO算法的数据吞吐量、发射功率和误码率情况；

图4-5为模式3下本发明的方法的数据吞吐量、发射功率和误码率情况；

图5-1为模式4下四种算法在不同迭代次数时，产生不同最优解的情况；

图5-2为模式4下GA算法的数据吞吐量、发射功率和误码率情况；

图5-3为模式4下PSO算法的数据吞吐量、发射功率和误码率情况；

图5-4为模式4下ACO算法的数据吞吐量、发射功率和误码率情况；

图5-5为模式4下本发明的方法的数据吞吐量、发射功率和误码率情况。

具体实施方式

下面将结合具体的实施方案对本发明进行进一步的解释，但并不局限本发明。

如图1所示，本发明提供了一种基于自适应群搜索算法的频谱决策多目标优化方法，包括如下步骤：

步骤一：建立认知无线电系统的频谱参数决策模型，表示如下：

f＝ω₁·f_{min power}+ω₂·f_{min ber}+ω₃f_{max daterate}

其中，f表示目标函数，f_{min power}表示最小化发射功率优化函数，f_{min ber}表示最小化误码率优化函数，f_maxdatarate表示最大化传输速率优化函数；

ω_i≥0(1≤i≤3)，且ω₁+ω₂+ω₃＝1，其中，ω_i表示权值；

其中，

为所有载波发射功率的平均值，p_max为最大可能发射功率；

其中，

为所有载波比特错误率平均值；

其中，M_min为最小调制进制数，M_max为最大调制进制数，Mi为第i个载波对应的调制指数向量，N为载波数；

步骤二：初始化

21)、设定参数，包括种群规模值S、搜索空间上下限B_lo,B_up、觅食方式选择概率P_f、交叉概率P_c、变异概率P_m、最大迭代次数T_max、收敛精度ξ、混沌变量Sc、正态分布平均数μ、正态分布标准差σ；初始化产生一个随机种群E1，将种群E1的数值取整记为E，求出种群E的每一个个体，并随机产生一行8列的个体，其中由于有64种发射功率的可能，前6列表示发射功率，后2列表示调制方式，其中将前6位发射功率的二进制编码转换成十进制得到发射功率P以及

子载波调制指数向量Mi；

22)、根据步骤21)得到的发射功率P以及

和子载波调制指数向量Mi，更新最小化误码率、最小化发射功率和最大化传输速率这三个优化函数的值，同时，将初始种群中的最优个体p_g设置为全局初始极值；

步骤三：种群中的最优个体执行发现策略，其他个体根据觅食方式选择概率选择执行追随策略或游荡策略；

步骤四：将种群中的个体进行两两顺序配对，根据交叉概率，一对个体交叉的概率为40％，若随机概率大于交叉概率，则执行单点交叉操作，经过交叉操作，产生新的个体；

步骤五：对种群中个体按照目标函数值f从小到大的顺序进行线性排列，根据目标函数值f和目标函数值总和sum(f)，得到对于每个个体的选择概率f/sum(f)，之后采用轮盘赌法，产生新的个体种群；

步骤六：种群中的个体根据变异概率执行方向变异操作，设定变异概率值，若达到所述变异概率值，则执行变异操作，产生新个体；

步骤七：更新当前种群中所有个体的目标函数值f；

步骤八：判断当前的迭代次数是否达到了预先设定的最大迭代次数T_max，若是，则停止迭代，输出目标函数最优解，否则转到步骤五。

其中，步骤三：种群中的最优个体执行发现策略，其他个体根据觅食方式选择概率选择执行追随策略或游荡策略包括：

根据发现、加入和游荡这三种觅食策略，群成员被分为3类：发现者、加入者和游荡者，每轮迭代中，当前位置最佳的个体为此轮的发现者，发现者保持其位置不变，其他个体随机地被选择为加入者或游荡者，加入者即朝发现者的位置前进一段距离，而游荡者朝任意方向游动一段距离，在整个迭代过程中，发现者保持了当前最佳位置，加入者一直向发现者靠近，而游荡者则随机地在觅食区域游弋，迭代中，每个个体都可以在3种角色中切换，在群搜索算法中，发现者在每次移动前，都先采用类似刺盖太阳鱼的三点视觉扫描的方式，分别在前面、左侧和右侧三个方向扫描三个点，再通过判断后移动到其中最优点位置，

其中，r₁是[0,1]之间正态分布的随机数，r₂是[0,1]之间均匀分布的随机数，θ_max和l_max为自定义常数，分别表示发现者扫描过程中的最大扫描角度和移动的最大步长，在n维搜索空间中，每个个体i在第k次迭代都有三个属性向量：位置向量

头部角度向量

和方向向量

X_g代表发现者，方向向量通过头部角度的极坐标与笛卡尔坐标的转换得到，计算如下：

其中，发现者X_g首先在前、右和左三个方向分别扫描三个点X_z，X_r和X_l，然后计算各个位置所对应的最优值，如果新搜索的位置比原来的位置具有更优，发现者会跳到此位置；否则，发现者会留在原位置，调整头部方向后准备下一次的迭代搜索，

其中，a_max为发现者头部最大转弯角度，

如果发现者在经过a次迭代计算后，仍没有搜索到更好的位置，它将会停留在当前位置，并让头部转回到a次迭代前的角度并进行重新搜索，

追随者按随机步长追随发现者并参与搜索，

其中，r₃是[0,1]之间均匀分布的随机数，

散布于不可行群内的各个游荡者，先随机的选择搜索角度和搜索距离，然后计算随机步长进行独立搜索，

l_i＝a·r₁l_max

其中，l_max为个体移动最大步长。

实施例

基于自适应群搜索算法的频谱决策多目标优化方法中，建立认知无线电系统的频谱参数决策模型，表示如下：

f＝ω₁·f_{min power}+ω₂·f_{min ber}+ω₃f_{max daterate}

其中，ω_i≥0(1≤i≤3)，且ω₁+ω₂+ω₃＝1，3个权值的不同取值可以代表4种不同的业务模式：低功耗模式、应急通信模式、多媒体模式、均衡模式，每种模式对应的目标函数权值如下表所示。

表1不同业务模式的权重设置

模式	含义	ω<sub>1</sub>	ω<sub>2</sub>	ω<sub>3</sub>
					模式1	低功耗模式，最小化发射功率	0.80	0.15	0.05
模式2	紧急模式，最小化误码率	0.15	0.80	0.05
					模式3	多媒体传输模式，最大化数据速率	0.05	0.15	0.80
模式4	各目标偏好相同	1/3	1/3	1/3

仿真测试环境采用多载波通信体制设计，子载波数为32，为每个子载波分配一个随机数(取值范围为0～1)，用来反映对应的信道衰落因子，模拟信道动态特性；信道类型为AWGN信道，噪声功率为0dBm；由于存储空间限制，系统可调参数仅包括发射功率和调制方式，发射功率共有64种可能取值，范围0～25.2dBm、间隔0.4dBm；可选调制方式有BPSK，QPSK，16QAM和64QAM，子载波信道可选择不同发射功率和调制方式，参数调整寻优空间为25632。采用二进制编码，每个染色体上包含了各子载波对应的发射功率和调制方式，因此，比特位数为256。例如，调制方式为16QAM，发射功率为24.4dBm，则对应的染色体编码为10111100。

在多载波系统上分别进行10次独立实验，记录四种模式下用户满意的最优值最大的一个解，再对此实验结果取平均值。附图中给出了本发明提出的方法(ASA)与基本遗传算法(GA(遗传算法)、PSO(粒子群算法)、ACO(蚁群算法))在各模式下平均适应度的具体数值的比较。

如图2-1至2-5所示，模式1下，本发明的方法(ASA)的平均发射功率为2.14，发射功率被控制在较低的水平，体现了低功率模式下最小化发射功率的主要目标，同时兼顾了最小化误码率和最大化数据吞吐量两个目标。

如图3-1至3-5所示，模式2下，本发明的方法(ASA)优先考虑了最小化误码率的要求为8.78e-14，同时兼顾了其他两个目标。平均发射功率为12.6，各个子载波普遍采用了较低的调制指数。

如图4-1至4-5所示，模式3下，本发明的方法(ASA)的调制方式均值为64，实现了最大化数据吞吐量的要求，此时数据的通信速率最快，同时算法根据载波情况采用了不同的发射功率，保证了误码率不至于太高，均衡了发射功率和误码率两方面的要求。

如图5-1至5-5所示，模式4下，本发明的方法(ASA)平均发射功率为5.5，调制方式均值为56.5，该模式虽然对各个目标的无特殊要求，但实际效果却引导系统尽可能地优化发射功率和数据吞吐量这两个目标。原因在于，目标最小化误码率与其他两个目标均存在竞争关系，同时实现发射功率较小和数据吞吐量较大的染色体适应度要高于只实现误码率较低的染色体，在进化过程中前者占有优势，更容易被遗传进入下一代种群中。

从附图中的数据可以看出本发明提出的基于自适应群搜索算法的频谱决策多目标优化方法得到的函数适应度平均值在四种模式下均要优于其他典型算法，提升较明显，证明本算法确实能够收敛得到最优解的同时，也体现了本方法的优越性。

综上所述，本发明的方法(ASA)能够根据用户的服务需求不同而对不同的目标函数进行权衡，优先考虑主要目标，同时也兼顾了其他两个目标。算法结果显示,提出的决策引擎优化方法可以得到理想的认知无线电传输参数组合，且参数调整结果与对目标函数的偏好一致，同时兼顾了其他优化目标，证明了本方法的有效性和正确性。

Claims (2)

1.基于自适应群搜索算法的频谱决策多目标优化方法，其特征在于，包括如下步骤：

步骤一：建立认知无线电系统的频谱参数决策模型，表示如下：

f＝ω₁·f_minpower+ω₂·f_minber+ω₃f_maxdaterate

其中，f为目标函数，f_minpower表示最小化发射功率优化函数，f_minber表示最小化误码率优化函数，f_maxdatarate表示最大化传输速率优化函数；

ω_i≥0(1≤i≤3)，且ω₁+ω₂+ω₃＝1，其中，ω_i表示权值；

其中，

为所有载波发射功率的平均值，p_max为最大可能发射功率；

其中，

为所有载波比特错误率平均值；

其中，M_min为最小调制进制数，M_max为最大调制进制数，Mi为第i个载波对应的调制指数向量，N为载波数；

步骤二：初始化

21)、设定参数，包括种群规模值S、搜索空间上下限B_lo,B_up、觅食方式选择概率P_f、交叉概率P_c、变异概率P_m、最大迭代次数T_max、收敛精度ξ、混沌变量Sc、正态分布平均数μ、正态分布标准差σ；初始化产生一个随机种群E1，将种群E1的数值取整记为E，求出种群E的每一个个体，并随机产生一行8列的个体，其中由于有64种发射功率的可能，前6列表示发射功率，后2列表示调制方式，其中，将前6位发射功率的二进制编码转换成十进制得到发射功率P以及P和第i个载波对应的调制指数向量Mi；

22)、根据步骤21)得到的发射功率P以及

和第i个载波对应的调制指数向量Mi，更新最小化误码率、最小化发射功率和最大化传输速率这三个优化函数的值，同时，将初始种群中的最优个体p_g设置为全局初始极值；

步骤三：种群中的最优个体执行发现策略，其他个体根据觅食方式选择概率选择执行追随策略或游荡策略；

步骤四：将种群中的个体进行两两顺序配对，根据交叉概率，一对个体交叉的概率为40％，若随机概率大于交叉概率，则执行单点交叉操作，经过交叉操作，产生新的个体；

步骤五：对种群中个体按照目标函数值f从小到大的顺序进行线性排列，根据目标函数值f和目标函数值总和sum(f)，得到对于每个个体的选择概率f/sum(f)，之后采用轮盘赌法，产生新的个体种群；

步骤六：种群中的个体根据变异概率执行方向变异操作，设定变异概率值，若达到所述变异概率值，则执行变异操作，产生新个体；

步骤七：更新当前种群中所有个体的目标函数值f；

步骤八：判断当前的迭代次数是否达到了预先设定的最大迭代次数T_max，若是，则停止迭代，输出目标函数最优解，否则转到步骤五。

2.按照权利要求1所述的基于自适应群搜索算法的频谱决策多目标优化方法，其特征在于：

步骤三：种群中的最优个体执行发现策略，其他个体根据觅食方式选择概率选择执行追随策略或游荡策略包括：

根据发现、加入和游荡这三种觅食策略，群成员被分为3类：发现者、加入者和游荡者，每轮迭代中，当前位置最佳的个体为此轮的发现者，发现者保持其位置不变，其他个体随机地被选择为加入者或游荡者，加入者即朝发现者的位置前进一段距离，而游荡者朝任意方向游动一段距离，在整个迭代过程中，发现者保持了当前最佳位置，加入者一直向发现者靠近，而游荡者则随机地在觅食区域游弋，迭代中，每个个体都可以在3种角色中切换，在群搜索算法中，发现者在每次移动前，都先采用三点视觉扫描的方式，分别在前面、左侧和右侧三个方向扫描三个点，再通过判断后移动到其中最优点位置，

其中，r₁是[0,1]之间正态分布的随机数，r₂是[0,1]之间均匀分布的随机数，θ_max和l_max为自定义常数，分别表示发现者扫描过程中的最大扫描角度和移动的最大步长，在n维搜索空间中，每个个体i在第k次迭代都有三个属性向量：位置向量

头部角度向量

和方向向量

X_g代表发现者，方向向量通过头部角度的极坐标与笛卡尔坐标的转换得到，计算如下：

其中，发现者X_g首先在前、右和左三个方向分别扫描三个点X_z，X_r和X_l，然后计算各个位置所对应的最优值，如果新搜索的位置比原来的位置具有更优，发现者会跳到此位置；否则，发现者会留在原位置，调整头部方向后准备下一次的迭代搜索，

其中，a_max为发现者头部最大转弯角度，

如果发现者在经过a次迭代计算后，仍没有搜索到更好的位置，它将会停留在当前位置，并让头部转回到a次迭代前的角度并进行重新搜索，

追随者按随机步长追随发现者并参与搜索，

其中，r₃是[0,1]之间均匀分布的随机数，

散布于不可行群内的各个游荡者，先随机的选择搜索角度和搜索距离，然后计算随机步长进行独立搜索，

l_i＝a·r₁l_max

其中，l_max为个体移动最大步长。

Images