CN109768839A - 基于改进混沌粒子群算法的认知无线电频谱分配方法 - Google Patents
基于改进混沌粒子群算法的认知无线电频谱分配方法 Download PDFInfo
- Publication number
- CN109768839A CN109768839A CN201811650118.3A CN201811650118A CN109768839A CN 109768839 A CN109768839 A CN 109768839A CN 201811650118 A CN201811650118 A CN 201811650118A CN 109768839 A CN109768839 A CN 109768839A
- Authority
- CN
- China
- Prior art keywords
- particle
- spectrum
- formula
- matrix
- chaos
- 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.)
- Pending
Links
Abstract
本发明公开了一种基于改进混沌粒子群算法的动态时变频谱分配方法,解决认知无线电网络中以最大化网络效益为准则的频谱分配问题。在该策略中,引入混沌映射对初始种群和每代粒子位置进行遍历优化,以提高粒子的全局寻优性能,搭建降维频谱分配数学模型,降低算法计算繁杂度,减少时间开销。将改进混沌粒子群算法应用到频谱分配问题上,能为用户更高效的分配可用频谱,最大化系统总效益,进一步提高频谱利用率。
Description
技术领域
本发明涉及无线电通信技术领域,是一种基于改进混沌粒子群算法的认知无线电频谱分配方法。
背景技术
随着无线电通信技术的迅猛发展,以超高速,超高容量,超短时延著称的5G技术在未来几年内即将商业化,无线通信业务量将大幅度增加。因频谱资源紧张和频谱分配方式的缺陷造成的频谱利用率低与通信业务需求间的供需不平衡问题日益严峻,认知无线电可动态探测无线环境,通过智能算法和自主学习技术更新数据,同时可进行空闲频谱判断与发射和接收机的工作参数校正调整,实现灵活接入频谱空穴。到目前为止,已将图论着色模型,博弈论模型,定价拍卖模型等经典数学模型及人工智能算法与认知无线电技术相结合,以其优越性能优化频谱分配问题。但应用到图论模型的智能算法本身存在计算复杂和易得到部分最优现象等缺陷。使得现有频谱分配技术在求解精度方面仍待提高,无线频谱资源的利用率仍可进一步提升。
发明内容
本发明所要解决的技术问题是:克服现有认知无线电频谱分配方法存在效率不高的问题,提供一种科学合理,适用性强,效果佳的基于改进混沌粒子群算法的认知无线电频谱分配方法。
为解决上述问题所采用的技术方案是:一种基于改进混沌粒子群算法的认知无线电频谱分配方法,其特征是,它包括以下步骤:
1)N个认知用户通过频谱感知获得M个空闲频谱,根据该频谱感知结果和认知用户自身需求,分别获得可用频谱矩阵L、效益矩阵B和干扰矩阵C;
2)定义一个待求解的分配矩阵A,该分配矩阵A受干扰矩阵C和可用频谱矩阵L的约束,将待求解的分配矩阵A映射为粒子的位置解,根据可用频谱矩阵L确定粒子的维数,并将基于分配矩阵A的网络效益函数U作为适应度评价函数,该网络效益函数U由分配矩阵A和效益矩阵B共同决定;
3)初始化算法参数包含粒子速度公式中c1和c2、w,种群最大迭代次数T,粒子种群个体数E及Logistic映射公式中混沌迭代次数S;
4)创建初始粒子群,粒子i的位置xi表示一种可行认知用户的频谱分配情况, 表示第t次迭代粒子i的位置,Q为粒子的维数对应可用频谱矩阵L中1的个数,采用混沌映射公式和混沌逆映射公式进行S次混沌映射迭代生成一组Q个元素的混沌序列初始种群,并对序列中各元素进行0,1修正,满足二进制编码要求,粒子i的速度vi代表搜索频谱分配方案列表D的步长, 表示第t次迭代粒子i的速度,其中F是频谱方案种数;
5)计算初始粒子群的适应函数值,将网络效益作为适应度函数,选出个体的最大值pbest和种群最大值gbest,保存初代粒子最大的适应函数值,同时保存粒子位置及最优的频谱分配方案;
6)更新每个粒子的速度vi:由于粒子的速度vi表示搜索频谱方案列表的步长,粒子的位置xi表示频谱分配方案列表中的一种可行方案,因此需要在粒子速度公式的基础上进行调整变换,调整后的公式为为了提高粒子群后期的全局寻优能力,对粒子的速度vi也进行混沌映射优化;
7)根据粒子位置公式更新每个粒子的位置xi;
8)更新pbest和gbest,如果的适应度值大于pbest的适应度值,则否则pbest不变,如果的适应度值大于gbest,则 表示第t次迭代粒子种群的最大值;否则gbest不变;
9)如果达到最大迭代次数T,则算法结束,得到最优的频谱分配方案gbest;否则,跳到步骤3)继续循环迭代更新。
进一步,步骤1)中:所述可用频谱矩阵L为一个N×M维矩阵,L={ln,m|ln,m∈{0,1}}N×M式中,ln,m为认知用户n对信道m的使用关系,若ln,m=1,表示认知用户n可以使用频谱m,则ln,m=0,表示认知用户不可以使用频谱m;所述效益矩阵B为一个N×M维矩阵,B={bn,m|bn,m>0}N×M式中,bn,m为次级用户n占用相应信道m时可得到的带宽效益大小,单位为KB/s,由于位置不同的次级用户发射和调制的方式会不同,所以各用户获得的效益有所差异,当ln,m=0时,bn,m=0;所述干扰矩阵C为一个N×N×M维矩阵,C={cn,k,m|cn,k,m∈{0,1}}N×N×M式中,cn,k,m为多个次级用户使用同一信道的干扰关系,若cn,k,m=1,则认知用户n,k使用信道m的时候会产生干扰,不可以同时占用,反之,可以同时使用,并且C由L决定,即cn,k,m≤ln,m×lk,m,当n=k时,cn,n,m=1-ln,m。
进一步,步骤2)中:所述分配矩阵A为一个N×M维矩阵,A={an,m|an,m∈{0,1}}N×M式中,an,m为各个认知用户可能分配到的一种有效频谱情况,若an,m=1,表示认知用户n分配到了频谱m,反之,表示认知用户n没有分配到频谱m,认知用户占用的频谱必须对其它用户无影响,即满足约束规则如下:an,m+ak,m≤1和cn,k,m=1,k∈[1,N],m∈[1,M];所述网络效益函数U为适应度评价函数,目标函数为式中,Λ(L,C)N,M为符合约束条件的所有可用频谱矩阵解集,即A的集合,物理意义表示满足网络效益最大的频谱方案。
进一步,步骤3)中:所述的粒子速度公式为式中,是下一代粒子i的d维速度,即搜索空间的步长,是粒子i的d维位置在t次迭代后最优位置,是粒子种群的d维位置在t次迭代后最优位置,是本代粒子i的d维位置在t次迭代后的位置,r1,r2为均匀分布在(0,1)区间的随机数;c1,c2为学习权值,通常c1=c2=2,w是惯性权重,为参考原速率矢量的程度大小,Logistic映射公式为ys+1=μys(1-ys),式中,ys为第s次迭代产生的粒子位置优化的混沌变量,ys∈[0,1]之间的任意值,μ作为控制遍历状态的参数,当μ=4,变量会遍历到整个搜索空间,即为混沌空间[0,1]之间的所有状态。
进一步,步骤4)中:所述粒子位置公式为其中是下一代粒子i的d维位置,η是随机产生在[0,1]之间的随机数,是一个Sigmoid函数将速度的连续值限制在[0,1]之间,具体公式为粒子位置公式物理意义表示为当的值大于随机数η,则上置1,即第i个粒子d维上的数值在t+1次迭代后为1;反之,则上置0;所述取整函数为xi=round(ys+1),式中round()算子为取整函数,xi是修正后的粒子位置变量;所述混沌映射和混沌逆映射公式分别为和式中p0是混沌变量初值,是粒子i在第t次迭代后d维上的实数值,vmax和vmin是速度可以取到的最大值和最小值,ps是第s次混沌优化后的状态值,是经过t次混沌优化逆映射后的速度实数值;所述频谱分配列表D为D=[D1,…,Df,…,DF]T,表示认知用户搜寻频谱分配方案的所有可能情况列表,其中Df=[d1,d2,…,dq],F是可行的频谱方案总数,f是频谱分配方案标号,q是可进行频谱分配的频谱数,dq∈{0,1},(d1,d2,…,dq)以二进制方式有序排列。
进一步,步骤6):调整后的粒子速度公式为 是下一代粒子i的q维速度,即搜索空间的步长,是粒子i的q维位置在t次迭代后对应的频谱分配方案标号,是粒子i的q维位置在t次迭代后最优的频谱分配方案标号,是粒子种群的q维位置在t次迭代后最优的频谱分配方案标号,频谱分配标号由查表获得,r1,r2为均匀分布在(0,1)区间的随机数;c1,c2为学习权值,通常c1=c2=2,w是惯性权重,为参考原速率矢量的程度大小。
本发明的一种基于改进混沌粒子群算法的认知无线电频谱分配方法与现有技术相比,本发明以最大化网络效益为优化目标,基于改进混沌粒子群算法,设计更高效的频谱分配策略;而通常使用单一的二进制粒子群算法,由于初始种群随机性过强,易陷入局部最优,但全局不一定最优的缺点。本发明利用混沌映射的遍历性和初值敏感性,将两种算法结合以使初始种群遍历解空间,在后期搜索过程中跳出局部最优,得到全局最优,以更好的为用户分配可用频谱,使网络总效益最大,进一步提高频谱资源的利用率。具有科学合理,适用性强,效果佳等优点。
附图说明
图1为认知无线电系统模型示意图;
图2为本发明的一种基于改进混沌粒子群算法的认知无线电频谱分配方法流程图;
图3为N=M=5,仿真50次的总网络总效益曲线示意图;
图4为N=M=5,仿真50次取平均的网络总效益曲线示意图;
图5为N=20,M由5递增到25时,进行100次实验的网络平均效益变化示意图;
图6为M=15,N由5递增到25时,进行100次实验的网络平均效益变化示意图。
具体实施方式
下面利用附图和实施例对本发明作进一步说明。
图1表示认知无线电系统模型:在认知无线电系统中,主用户(PU)和次用户(SU)通过改变发射功率调整通信范围,通信范围为大小不等的圆。如图1所示,此系统模型中有3个PU,9个SU和3个可用信道,可用信道数与主用户数相同。在PU通信范围内的SU不能使用该PU用户占用的信道,以保证SU在占用信道时不会影响PU的正常工作,即图中的SU1、SU2和SU3不能使用PU1占用的信道A,在PU1通信范围外的SU4、SU5、SU6、SU7、SU8和SU9可以占用信道A。其他信道的可使用情况以此类推。还需注意的是图中SU4和SU5两者的通信范围有交叠,说明两者不能同时使用相同信道,否则会产生通信干扰。
图2表示基于改进混沌粒子群算法的认知无线电频谱分配方法具体实现流程。即:一种基于改进混沌粒子群算法的认知无线电频谱分配方法,它包括以下步骤:
1)N个认知用户通过频谱感知获得M个空闲频谱,根据该频谱感知结果和认知用户自身需求,分别获得可用频谱矩阵L、效益矩阵B和干扰矩阵C;
2)定义一个待求解的分配矩阵A,该分配矩阵A受干扰矩阵C和可用频谱矩阵L的约束,将待求解的分配矩阵A映射为粒子的位置解,根据可用频谱矩阵L确定粒子的维数,并将基于分配矩阵A的网络效益函数U作为适应度评价函数,该网络效益函数U由分配矩阵A和效益矩阵B共同决定;
3)初始化算法参数包含粒子速度公式中c1和c2、w,种群最大迭代次数T,粒子种群个体数E及Logistic映射公式中混沌迭代次数S;
4)创建初始粒子群,粒子i的位置xi表示一种可行认知用户的频谱分配情况, 表示第t次迭代粒子i的位置,Q为粒子的维数对应可用频谱矩阵L中1的个数,采用混沌映射公式和混沌逆映射公式进行S次混沌映射迭代生成一组Q个元素的混沌序列初始种群,并对序列中各元素进行0,1修正,满足二进制编码要求,粒子i的速度vi代表搜索频谱分配方案列表D的步长, 表示第t次迭代粒子i的速度,其中F是频谱方案种数;
5)计算初始粒子群的适应函数值,将网络效益作为适应度函数,选出个体的最大值pbest和种群最大值gbest,保存初代粒子最大的适应函数值,同时保存粒子位置及最优的频谱分配方案;
6)更新每个粒子的速度vi:由于粒子的速度vi表示搜索频谱方案列表的步长,粒子的位置xi表示频谱分配方案列表中的一种可行方案,因此需要在粒子速度公式的基础上进行调整变换,调整后的公式为为了提高粒子群后期的全局寻优能力,对粒子的速度vi也进行混沌映射优化;
7)根据粒子位置公式更新每个粒子的位置xi;
8)更新pbest和gbest,如果的适应度值大于pbest的适应度值,则否则pbest不变,如果的适应度值大于gbest,则 表示第t次迭代粒子种群的最大值;否则gbest不变;
9)如果达到最大迭代次数T,则算法结束,得到最优的频谱分配方案gbest;否则,跳到步骤3)继续循环迭代更新。
进一步,步骤1)中:所述可用频谱矩阵L为一个N×M维矩阵,L={ln,m|ln,m∈{0,1}}N×M式中,ln,m为认知用户n对信道m的使用关系,若ln,m=1,表示认知用户n可以使用频谱m,则ln,m=0,表示认知用户不可以使用频谱m;所述效益矩阵B为一个N×M维矩阵,B={bn,m|bn,m>0}N×M式中,bn,m为次级用户n占用相应信道m时可得到的带宽效益大小,单位为KB/s,由于位置不同的次级用户发射和调制的方式会不同,所以各用户获得的效益有所差异,当ln,m=0时,bn,m=0;所述干扰矩阵C为一个N×N×M维矩阵,C={cn,k,m|cn,k,m∈{0,1}}N×N×M式中,cn,k,m为多个次级用户使用同一信道的干扰关系,若cn,k,m=1,则认知用户n,k使用信道m的时候会产生干扰,不可以同时占用,反之,可以同时使用,并且C由L决定,即cn,k,m≤ln,m×lk,m,当n=k时,cn,n,m=1-ln,m。
进一步,步骤2)中:所述分配矩阵A为一个N×M维矩阵,A={an,m|an,m∈{0,1}}N×M式中,an,m为各个认知用户可能分配到的一种有效频谱情况,若an,m=1,表示认知用户n分配到了频谱m,反之,表示认知用户n没有分配到频谱m,认知用户占用的频谱必须对其它用户无影响,即满足约束规则如下:an,m+ak,m≤1和cn,k,m=1,k∈[1,N],m∈[1,M];所述网络效益函数U为适应度评价函数,目标函数为式中,Λ(L,C)N,M为符合约束条件的所有可用频谱矩阵解集,即A的集合,物理意义表示满足网络效益最大的频谱方案。
进一步,步骤3)中:所述的粒子速度公式为式中,是下一代粒子i的d维速度,即搜索空间的步长,是粒子i的d维位置在t次迭代后最优位置,是粒子种群的d维位置在t次迭代后最优位置,是本代粒子i的d维位置在t次迭代后的位置,r1,r2为均匀分布在(0,1)区间的随机数;c1,c2为学习权值,通常c1=c2=2,w是惯性权重,为参考原速率矢量的程度大小,Logistic映射公式为ys+1=μys(1-ys),式中,ys为第s次迭代产生的粒子位置优化的混沌变量,ys∈[0,1]之间的任意值,μ作为控制遍历状态的参数,当μ=4,变量会遍历到整个搜索空间,即为混沌空间[0,1]之间的所有状态。
进一步,步骤4)中:所述粒子位置公式为其中是下一代粒子i的d维位置,η是随机产生在[0,1]之间的随机数,是一个Sigmoid函数将速度的连续值限制在[0,1]之间,具体公式为粒子位置公式物理意义表示为当的值大于随机数η,则上置1,即第i个粒子d维上的数值在t+1次迭代后为1;反之,则上置0;所述取整函数为xi=round(ys+1),式中round()算子为取整函数,xi是修正后的粒子位置变量;所述混沌映射和混沌逆映射公式分别为和式中p0是混沌变量初值,是粒子i在第t次迭代后d维上的实数值,vmax和vmin是速度可以取到的最大值和最小值,ps是第s次混沌优化后的状态值,是经过t次混沌优化逆映射后的速度实数值;所述频谱分配列表D为D=[D1,…,Df,…,DF]T,表示认知用户搜寻频谱分配方案的所有可能情况列表,其中Df=[d1,d2,…,dq],F是可行的频谱方案总数,f是频谱分配方案标号,q是可进行频谱分配的频谱数,dq∈{0,1},(d1,d2,…,dq)以二进制方式有序排列。
进一步,步骤6):调整后的粒子速度公式为 是下一代粒子i的q维速度,即搜索空间的步长,是粒子i的q维位置在t次迭代后对应的频谱分配方案标号,是粒子i的q维位置在t次迭代后最优的频谱分配方案标号,是粒子种群的q维位置在t次迭代后最优的频谱分配方案标号,频谱分配标号由查表获得,r1,r2为均匀分布在(0,1)区间的随机数;c1,c2为学习权值,通常c1=c2=2,w是惯性权重,为参考原速率矢量的程度大小。
概括一种基于改进混沌粒子群算法的认知无线电频谱分配方法总体过程大致如下:算法随机初始粒子种群位置和速度变量,利用混沌映射的随机遍历性优化初始粒子位置,使粒子遍历初始解空间提高初始粒子全局搜索性。计算优化后粒子群的适应函数值,评选pbest和gbest。粒子速度在本发明中代表搜索步长,为避免粒子陷入局部最优搜索遗漏可能最优解。同样对粒子的速度进行混沌优化,通过映射和逆映射两个公式实现。以粒子速度做依据更新粒子位置,评价每代粒子信息,循环迭代直到达到最大迭代次数,算法停止运行。具体实施步骤为:
步骤1)设置算法各参数,初始化粒子的位置和速度。公式如下:粒子速度公式为式中是下一代粒子i的q维速度,即搜索空间的步长,是粒子i的q维位置在t次迭代后对应的频谱分配方案标号,是粒子i的q维位置在t次迭代后最优的频谱分配方案标号,是粒子种群的q维位置在t次迭代后最优的频谱分配方案标号,频谱分配标号由查表获得,r1,r2为均匀分布在(0,1)区间的随机数;c1,c2为学习权值,通常c1=c2=2,w是惯性权重,为参考原速率矢量的程度大小。粒子位置公式为其中是下一代粒子i的q维位置,η是随机产生在[0,1]之间的随机数,是一个Sigmoid函数将速度的连续值限制在[0,1]之间,具体公式为粒子位置公式物理意义可以表示为当的值大于随机数η,则上置1,即第i个粒子q维上的数值在t+1次迭代后为1;反之,则上置0。
本发明基于图论模型进行频谱分配,故分配问题等同0-1规划问题,可采用二进制编码方式,1代表信道可使用,0代表信道不可使用。为N个不同用户分配高效分配M个共享频谱,由于L中0元素对应的m不可被指定的n使用,因此只需将L中1元素所表示的频谱进行种群编码,即粒子维数由L中1的取值数q确定,粒子位置每一维取值为0或1,每个粒子的位置代表一种分配方案,相应的可行分配方案一共有F=2q-1种。L为N=4、M=3时的可用矩阵,x为粒子的位置解。粒子的位置代表一种可行的频谱分配方案,粒子的速度则是更新优化位置的依据,粒子通过迭代更新变换从而寻找到最优方案。以最大化网络效益为粒子搜寻函数,评价粒子寻优解好坏,求解最高效的分配频谱方案。
步骤2)利用混沌映射优化初始位置,并对初始位置取整满足二进制编码。混沌映射公式及取整公式如下:Logistic映射公式为ys+1=μys(1-ys),式中,ys为第s次迭代产生的粒子位置优化的混沌变量,ys∈[0,1]之间的任意值,μ作为控制遍历状态的参数,当μ=4,变量会遍历到整个搜索空间[15],即为混沌空间[0,1]之间的所有状态。取整函数为xi=round(ys+1),式中round()算子为取整函数,xi是修正后的粒子位置变量,取整结果为0或1。
步骤3)根据评价函数计算适应度值,评价初始粒子pbest和gbest。网络效益函数U为适应度评价函数,目标函数为式中,Λ(L,C)N,M为符合约束条件的所有可用频谱矩阵解集,即A的集合,物理意义表示满足网络效益最大的频谱方案。在计算的过程中需要对粒子的位置进行无干扰修正处理,修正方式为粒子在更新迭代位置时,会产生不满足无干扰约束条件和频谱可用条件的位置,需要对这种粒子位置进行无干扰约束修正处理。首先,根据编码映射方式将粒子位置的解映射到无干扰分配矩阵A中,然后对任意的m寻找所有满足cn,k,m=1且n≠k的情况,检查A中m列中n行和k行上的状态量值是否均为1。若是1,则随机更改其中一个元素为0,另一个保持不变。此时修改后的矩阵A为新的可行解。
步骤4)通过混沌映射和逆映射公式更新粒子速度,使得粒子在搜索过程遍历当前搜索空间,跳出局部最优解。混沌映射和逆映射公式如下:和其中,p0是混沌变量初值,是粒子i在第t次迭代后d维上的实数值,vmax和vmin是速度可以取到的最大值和最小值。ps是第s次混沌优化后的状态值,是经过t次混沌优化逆映射后的速度实数值。
步骤5)对粒子速度的混沌映射按照规定的迭代次数优化,以使粒子的搜索遍历整个空间,找到全局最优解。
步骤6)根据优化后的粒子速度更新粒子的位置,评价新一代的粒子适应度值。
步骤7)若达到最大迭代次数T,则算法结束,得到最优的频谱分配方案gbest;否则,跳到步骤4)继续循环迭代更新。gbest即为最终分配结果。
本发明的效果还可以通过以下实验进一步说明:
1.算法参数的设置为:种群数为30,最大迭代次数为200,最大混沌迭代次数为20。
2.仿真实验中,为充分进行比较,在多次的仿真测试中,每次所选的L、B、C矩阵初始值不同。但在同一次仿真测试中,为公平比较,算法所采用的L、B、C矩阵初始值相同。
3.将算法运行多次,对结果取平均值,验证在不同的可用频谱数和认知用户数量下,频谱分配获得的最大化网络总效益,并与现有技术做比较。
图3为N=M=5,仿真50次的两种算法在不同迭代次数下所获得的网络效益总和变化图。
图4为N=M=5,进行50次仿真实验,以比较两种算法在最大化网络效益总和下的性能优劣。本发明算法获得的网络效益明显高于图4中现有技术的算法。
图5为N=20,M由5递增到25时,进行100次实验的网络平均效益变化图。在认知用户数不变频谱数目递增的情况下,网络总效益随之增加,且本发明算法与图4中现有技术的算法相比网络效益增加的幅度较大,本发明算法性能较好。
图6为M=15,N由5递增到25时,进行100次实验的网络平均效益变化图。在频谱数不变的情况下,认知用户数在递增的过程中网络总效益在递减,在网络效益减少的情况下,本发明算法获得的网络收益依旧较高,性能较好。
本发明的特定实施例已对本发明的内容做出了详尽的说明,但不局限本实施例,本领域技术人员根据本发明的启示所做的任何显而易见的改动,都属于本发明权利保护的范围。
Claims (6)
1.一种基于改进混沌粒子群算法的认知无线电频谱分配方法,其特征是,它包括以下步骤:
1)N个认知用户通过频谱感知获得M个空闲频谱,根据该频谱感知结果和认知用户自身需求,分别获得可用频谱矩阵L、效益矩阵B和干扰矩阵C;
2)定义一个待求解的分配矩阵A,该分配矩阵A受干扰矩阵C和可用频谱矩阵L的约束,将待求解的分配矩阵A映射为粒子的位置解,根据可用频谱矩阵L确定粒子的维数,并将基于分配矩阵A的网络效益函数U作为适应度评价函数,该网络效益函数U由分配矩阵A和效益矩阵B共同决定;
3)初始化算法参数包含粒子速度公式中c1和c2、w,种群最大迭代次数T,粒子种群个体数E及Logistic映射公式中混沌迭代次数S;
4)创建初始粒子群,粒子i的位置xi表示一种可行认知用户的频谱分配情况, 表示第t次迭代粒子i的位置,Q为粒子的维数对应可用频谱矩阵L中1的个数,采用混沌映射公式和混沌逆映射公式进行S次混沌映射迭代生成一组Q个元素的混沌序列初始种群,并对序列中各元素进行0,1修正,满足二进制编码要求,粒子i的速度vi代表搜索频谱分配方案列表D的步长, 表示第t次迭代粒子i的速度,其中F是频谱方案种数;
5)计算初始粒子群的适应函数值,将网络效益作为适应度函数,选出个体的最大值pbest和种群最大值gbest,保存初代粒子最大的适应函数值,同时保存粒子位置及最优的频谱分配方案;
6)更新每个粒子的速度vi:由于粒子的速度vi表示搜索频谱方案列表的步长,粒子的位置xi表示频谱分配方案列表中的一种可行方案,因此需要在粒子速度公式的基础上进行调整变换,调整后的公式为为了提高粒子群后期的全局寻优能力,对粒子的速度vi也进行混沌映射优化;
7)根据粒子位置公式更新每个粒子的位置xi;
8)更新pbest和gbest,如果的适应度值大于pbest的适应度值,则否则pbest不变,如果的适应度值大于gbest,则 表示第t次迭代粒子种群的最大值;否则gbest不变;
9)如果达到最大迭代次数T,则算法结束,得到最优的频谱分配方案gbest;否则,跳到步骤3)继续循环迭代更新。
2.根据权利要求1所述的基于改进混沌粒子群算法的认知无线电频谱分配方法,其特征是,步骤1)中:所述可用频谱矩阵L为一个N×M维矩阵,L={ln,m|ln,m∈{0,1}}N×M式中,ln,m为认知用户n对信道m的使用关系,若ln,m=1,表示认知用户n可以使用频谱m,则ln,m=0,表示认知用户不可以使用频谱m;所述效益矩阵B为一个N×M维矩阵,B={bn,m|bn,m>0}N×M式中,bn,m为次级用户n占用相应信道m时可得到的带宽效益大小,单位为KB/s,由于位置不同的次级用户发射和调制的方式会不同,所以各用户获得的效益有所差异,当ln,m=0时,bn,m=0;所述干扰矩阵C为一个N×N×M维矩阵,C={cn,k,m|cn,k,m∈{0,1}}N×N×M式中,cn,k,m为多个次级用户使用同一信道的干扰关系,若cn,k,m=1,则认知用户n,k使用信道m的时候会产生干扰,不可以同时占用,反之,可以同时使用,并且C由L决定,即cn,k,m≤ln,m×lk,m,当n=k时,cn,n,m=1-ln,m。
3.根据权利要求1所述的基于改进混沌粒子群算法的认知无线电频谱分配方法,其特征是,步骤2)中:所述分配矩阵A为一个N×M维矩阵,A={an,m|an,m∈{0,1}}N×M式中,an,m为各个认知用户可能分配到的一种有效频谱情况,若an,m=1,表示认知用户n分配到了频谱m,反之,表示认知用户n没有分配到频谱m,认知用户占用的频谱必须对其它用户无影响,即满足约束规则如下:an,m+ak,m≤1和cn,k,m=1,N],m∈[1,M];所述网络效益函数U为适应度评价函数,目标函数为式中,Λ(L,C)N,M为符合约束条件的所有可用频谱矩阵解集,即A的集合,物理意义表示满足网络效益最大的频谱方案。
4.根据权利要求1所述的基于改进混沌粒子群算法的认知无线电频谱分配方法,其特征是,步骤3)中:所述的粒子速度公式为式中,是下一代粒子i的d维速度,即搜索空间的步长,是粒子i的d维位置在t次迭代后最优位置,是粒子种群的d维位置在t次迭代后最优位置,是本代粒子i的d维位置在t次迭代后的位置,r1,r2为均匀分布在(0,1)区间的随机数;c1,c2为学习权值,通常c1=c2=2,w是惯性权重,为参考原速率矢量的程度大小,Logistic映射公式为ys+1=μys(1-ys),式中,ys为第s次迭代产生的粒子位置优化的混沌变量,ys∈[0,1]之间的任意值,μ作为控制遍历状态的参数,当μ=4,变量会遍历到整个搜索空间,即为混沌空间[0,1]之间的所有状态。
5.根据权利要求1所述的基于改进混沌粒子群算法的认知无线电频谱分配方法,其特征是,步骤4)中:所述粒子位置公式为其中是下一代粒子i的d维位置,η是随机产生在[0,1]之间的随机数,是一个Sigmoid函数将速度的连续值限制在[0,1]之间,具体公式为粒子位置公式物理意义表示为当的值大于随机数η,则上置1,即第i个粒子d维上的数值在t+1次迭代后为1;反之,则上置0;所述取整函数为xi=round(ys+1),式中round()算子为取整函数,xi是修正后的粒子位置变量;所述混沌映射和混沌逆映射公式分别为和式中p0是混沌变量初值,是粒子i在第t次迭代后d维上的实数值,vmax和vmin是速度可以取到的最大值和最小值,ps是第s次混沌优化后的状态值,是经过t次混沌优化逆映射后的速度实数值;所述频谱分配列表D为D=[D1,…,Df,…,DF]T,表示认知用户搜寻频谱分配方案的所有可能情况列表,其中Df=[d1,d2,…,dq],F是可行的频谱方案总数,f是频谱分配方案标号,q是可进行频谱分配的频谱数,dq∈{0,1},(d1,d2,…,dq)以二进制方式有序排列。
6.根据权利要求1所述的基于改进混沌粒子群算法的认知无线电频谱分配方法,其特征是,步骤6):调整后的粒子速度公式为式中是下一代粒子i的q维速度,即搜索空间的步长,是粒子i的q维位置在t次迭代后对应的频谱分配方案标号,是粒子i的q维位置在t次迭代后最优的频谱分配方案标号,是粒子种群的q维位置在t次迭代后最优的频谱分配方案标号,频谱分配标号由查表获得,r1,r2为均匀分布在(0,1)区间的随机数;c1,c2为学习权值,通常c1=c2=2,w是惯性权重,为参考原速率矢量的程度大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811650118.3A CN109768839A (zh) | 2018-12-31 | 2018-12-31 | 基于改进混沌粒子群算法的认知无线电频谱分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811650118.3A CN109768839A (zh) | 2018-12-31 | 2018-12-31 | 基于改进混沌粒子群算法的认知无线电频谱分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109768839A true CN109768839A (zh) | 2019-05-17 |
Family
ID=66453308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811650118.3A Pending CN109768839A (zh) | 2018-12-31 | 2018-12-31 | 基于改进混沌粒子群算法的认知无线电频谱分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109768839A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110191472A (zh) * | 2019-05-24 | 2019-08-30 | 杭州电子科技大学 | 一种基于改进多目标混沌pso优化的目标信道访问方法 |
CN113630886A (zh) * | 2021-08-27 | 2021-11-09 | 黑龙江八一农垦大学 | 异构物联网中一种基于粒子群算法的频谱分配方法 |
CN113950154A (zh) * | 2021-09-27 | 2022-01-18 | 石河子大学 | 一种综合能源数据采集网络中的频谱分配方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100726339B1 (ko) * | 2006-06-15 | 2007-06-11 | 한국과학기술원 | 미세입자 정렬분리용 미세유체칩 및 이를 이용한 미세입자분리방법 |
CN103857046A (zh) * | 2014-03-06 | 2014-06-11 | 南京理工大学 | 基于频谱填充的认知ofdm网络自适应资源分配方法 |
CN106059732A (zh) * | 2016-05-26 | 2016-10-26 | 重庆邮电大学 | 一种基于压缩感知的ofdm稀疏信道估计中的导频优化方法 |
-
2018
- 2018-12-31 CN CN201811650118.3A patent/CN109768839A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100726339B1 (ko) * | 2006-06-15 | 2007-06-11 | 한국과학기술원 | 미세입자 정렬분리용 미세유체칩 및 이를 이용한 미세입자분리방법 |
CN103857046A (zh) * | 2014-03-06 | 2014-06-11 | 南京理工大学 | 基于频谱填充的认知ofdm网络自适应资源分配方法 |
CN106059732A (zh) * | 2016-05-26 | 2016-10-26 | 重庆邮电大学 | 一种基于压缩感知的ofdm稀疏信道估计中的导频优化方法 |
Non-Patent Citations (3)
Title |
---|
乔思宁: "基于改进离散粒子群算法的认知无线电频谱分配", 《无线电工程》 * |
乔思宁: "基于智能算法的认知无线电频谱分配技术研究", 《中国优秀硕士学位论文全文库》 * |
于洋 等: "基于二进制混沌粒子群算法的认知决策引擎", 《哈尔滨工业大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110191472A (zh) * | 2019-05-24 | 2019-08-30 | 杭州电子科技大学 | 一种基于改进多目标混沌pso优化的目标信道访问方法 |
CN110191472B (zh) * | 2019-05-24 | 2022-09-27 | 杭州电子科技大学 | 一种基于改进多目标混沌pso优化的目标信道访问方法 |
CN113630886A (zh) * | 2021-08-27 | 2021-11-09 | 黑龙江八一农垦大学 | 异构物联网中一种基于粒子群算法的频谱分配方法 |
CN113630886B (zh) * | 2021-08-27 | 2023-07-18 | 黑龙江八一农垦大学 | 异构物联网中一种基于粒子群算法的频谱分配方法 |
CN113950154A (zh) * | 2021-09-27 | 2022-01-18 | 石河子大学 | 一种综合能源数据采集网络中的频谱分配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | Federated dropout—a simple approach for enabling federated learning on resource constrained devices | |
CN108566659B (zh) | 一种基于可靠性的5g网络切片在线映射方法 | |
CN112737837B (zh) | 一种高动态网络拓扑下无人机群带宽资源分配方法 | |
Yoshida et al. | MAB-based client selection for federated learning with uncertain resources in mobile networks | |
CN104936186B (zh) | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 | |
CN109768839A (zh) | 基于改进混沌粒子群算法的认知无线电频谱分配方法 | |
CN105900403A (zh) | 软件定义网络中的分区系统和方法 | |
CN109600178A (zh) | 一种边缘计算中能耗与时延和最小化的优化方法 | |
CN103916355B (zh) | 一种认知ofdm网络中子载波的分配方法 | |
CN103324978A (zh) | 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 | |
Wang et al. | A hybrid topology scale-free Gaussian-dynamic particle swarm optimization algorithm applied to real power loss minimization | |
Turgut et al. | Optimizing clustering algorithm in mobile ad hoc networks using simulated annealing | |
CN111124531A (zh) | 一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法 | |
CN106230528B (zh) | 一种认知无线网络频谱分配方法及系统 | |
Xiao et al. | Optimizing resource-efficiency for federated edge intelligence in IoT networks | |
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 | |
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 | |
CN104768161A (zh) | 一种基于混沌搜索量子遗传算法的无线频谱分配方法 | |
CN108260193B (zh) | 一种异构网络中基于信道聚合的联合资源分配方法及装置 | |
CN113157431B (zh) | 一种针对边缘网络应用环境的计算任务副本分发方法 | |
CN105187488A (zh) | 一种基于遗传算法实现mas负载均衡的方法 | |
Kong et al. | Improved AP Deployment Optimization Scheme Based on Multi-objective Particle Swarm Optimization Algorithm. | |
CN104093155A (zh) | 一种td-scdma频率分配方法 | |
Manousakis et al. | Applying simulated annealing for domain generation in ad hoc networks | |
Rose Varuna et al. | Design of an effectual node balancing cluster with partitioner algorithm using Markov decision process |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190517 |