CN109788569A - 基于启发式算法的感知网络资源优化方法 - Google Patents

Abstract

本公开提供了一种基于启发式算法的感知网络资源优化方法其包括：第一节点与第二节点之间通过四个帧进行控制信令和数据的传输，每个帧包括导频信号和信息信号，信息信号由源信息进行信道编码和调制获得，源信息包括附加信息位和数据信息位；计算各个帧差错概率，进而获得可靠性参数和吞吐量；当可靠性参数、第一节点的第一总发射能量、第二节点的第二总发射能量、源信息的信息位长度、各个帧的帧长度、各个帧长度之和满足要求时，基于混合蛙跳‑极值优化算法第一节点和第二节点自适应地分配发射功率、导频信号的信号长度、信息信号的信号长度和帧长度，以使吞吐量最大化。

Description

基于启发式算法的感知网络资源优化方法

技术领域

本公开涉及感知网络通信技术领域，具体涉及一种基于启发式算法的感知网络资源优化方法。

背景技术

在现有的感知互联网中，存在第一节点与第二节点之间进行四个带有短帧的无线传输的通信协议。其中，帧长度和发射功率都是可调的。当第一节点与第二节点基于上述的通信协议进行信息传输时，感知互联网还需要考虑三个因素分别是超敏感的网络连接、超可靠的连接以及物理层的资源分配。

在考虑资源分配问题时，可以将制定资源分配问题作为优化问题，以获得所考虑协议的最优参数。但是由于优化问题既不凸也不凹，所以全局最优结果很难获得。

尽管优化问题可以通过传统的启发式算法(如粒子群优化(PSO)、模拟退火算法和遗传算法)来解决。然而，这些传统的算法不适用于动态帧协议，因为传统的算法受优化问题中过度约束条件导致的收敛效率低。

发明内容

为了解决上述问题，本公开提出了一种能够通过具有较强的鲁棒性和快速收敛性的算法解决优化问题的基于启发式算法的感知网络资源优化方法。

为此，本公开的第一方面提供了一种基于启发式算法的感知网络资源优化方法，是包括四个帧的基于启发式算法的感知网络资源优化方法，其特征在于，包括：第一节点向第二节点发送调度请求帧，所述第二节点基于所述调度请求帧反馈调度授权帧，所述第一节点接收所述调度授权帧向所述第二节点发送数据帧，所述第二节点基于所述数据帧向所述第一节点传输发送确认帧，每个帧包括导频信号和信息信号，所述信息信号由源信息进行信道编码和调制获得，所述源信息包括附加信息位和数据信息位；计算各个帧差错概率，基于所述帧差错概率获得数据传输的可靠性参数，基于所述可靠性参数获得吞吐量；并且当所述可靠性参数不小于预设帧差错概率，所述第一节点的第一总发射能量不大于第一能量阈值且所述第二节点的第二总发射能量不大于第二能量阈值，所述源信息的信息位长度等于所述附加信息位与所述数据信息位的信息位长度之和，帧长度等于所述导频信号与所述信息信号的信号长度之和，各个帧长度之和等于总帧长度时，基于混合蛙跳-极值优化算法所述第一节点和所述第二节点自适应地分配发射功率、所述导频信号的信号长度、所述信息信号的信号长度和所述帧长度，以使所述吞吐量最大化。

在本公开中，第一节点与第二节点之前通过四个帧进行控制信令和数据的传输。其中，调度请求帧、调度授权帧和确认帧用于控制信令，数据帧用于数据传输。每个帧包括导频信号和信息信号，信息信号由源信息进行信道编码和调制获得。源信息包括附加信息位和数据信息位。计算各个帧差错概率，基于帧差错概率获得数据传输的可靠性参数，进而获得吞吐量；当可靠性参数、第一节点的第一总发射能量、第二节点的第二总发射能量、源信息的信息位长度、各个帧的帧长度以及各个帧长度之和满足要求时，基于混合蛙跳-极值优化算法第一节点和第二节点自适应地分配发射功率、导频信号的信号长度、信息信号的信号长度和帧长度，以使所述吞吐量最大化。由此，能够通过具有较强的鲁棒性和快速收敛性的算法解决感知网络资源优化问题。

在本公开第一方面所涉及的感知网络资源优化方法中，可选地，上述四个帧为短帧结构，所述帧长度为感知网络传输时的短数据包的长度。由此，能够满足感知网络的超敏感的网络连接的要求。

在本公开第一方面所涉及的感知网络资源优化方法中，可选地，所述源信息的信息位长度满足k_i＝k_i,m+k_i,d，其中，k_i,m表示第i个帧的所述附加信息位的有效载荷位，k_i,d表示第i个帧的所述数据信息位的有效载荷位。由此，能够获得源信息的有效载荷位。

在本公开第一方面所涉及的感知网络资源优化方法中，可选地，用于数据传输的所述数据帧的数据信息位的有效载荷位k_3,d满足k_3,d≠0。由此，能够保证数据帧包含第一节点所要传递的信息。

在本公开第一方面所涉及的感知网络资源优化方法中，可选地，所述帧差错概率ε满足其中，k表示所述源信息的信息位长度，n表示所述帧长度，γ表示所述信噪比，C(γ)表示香农容量，V(γ)表示信道分散系数，n_d表示所述信息信号的信号长度。由此，能够获得帧差错概率。

在本公开第一方面所涉及的感知网络资源优化方法中，可选地，所述可靠性参数p_DPL满足其中，ε_i表示第i个所述帧差错概率。由此，能够获得可靠性参数。

在本公开第一方面所涉及的感知网络资源优化方法中，可选地，所述吞吐量R_DPL满足其中，k_3,d表示第3个帧的源信息的数据信息位的信息位长度，n_Σ表示所述总帧长度。由此，能够获得吞吐量。

在本公开第一方面所涉及的感知网络资源优化方法中，可选地，所述预设帧差错概率表示为1-ε^*，故p_DPL≥1-ε^*，其中，ε^*表示总帧差错概率，各个发射功率表示为P_i,t，各个发射能量表示为P_i,tn_i，故其中，E₁表示第一能量阈值，E₂表示第二能量阈值，n_i表示第i个帧长度。由此，能够便于在可靠性参数、第一节点的第一总发射能量、第二节点的第二总发射能量、源信息的信息位长度、各个帧的帧长度以及各个帧长度之和满足要求时基于混合蛙跳-极值优化算法进行感知网络资源优化。

在本公开第一方面所涉及的感知网络资源优化方法中，可选地，所述混合蛙跳-极值优化算法包括：设置初始化参数；随机生成包括L个青蛙在内的种群；评估每只青蛙的适应度；判断是否满足收敛准则；当满足收敛准则时，获得最优的输出参数并结束进程；当不满足收敛准则时，将L个青蛙相应的适应值按照降序排序；构造多组青蛙和子模因复合体；对于每组青蛙，在每个青蛙的偶然极值优化过程中进行局部搜索；对所有青蛙进行局部复位。由此，能够确保快速和稳定的收敛。

在本公开第一方面所涉及的感知网络资源优化方法中，可选地，所述初始化参数包括各个所述发射功率、各个所述导频信号的信号长度、各个所述信息信号的信号长度和各个所述帧长度，所述输出参数包括各个所述发射功率、各个所述导频信号的信号长度、各个所述信息信号的信号长度和各个所述帧长度。由此，混合蛙跳-极值优化算法能够基于上述的初始化参数进行优化，并获得优化的输出参数。

本公开涉及的基于启发式算法的感知网络资源优化方法与传统的启发式算法相比，具有卓越的稳定性和全局搜索能力，可用于高维连续函数优化。基于混合蛙跳-极值优化算法(MSFLA-EO)，当帧结构没有限制时对动态帧长度(DPL协议)进行最终性能分析。

附图说明

图1是示出了本公开的示例所涉及的基于启发式算法的感知网络资源优化方法的动态帧长度协议的控制信令和数据传输的示意图。

图2是示出了本公开的示例所涉及的感知网络的帧结构的示意图。

图3是示出了本公开的示例所涉及的基于启发式算法的感知网络资源优化方法的流程示意图。

图4是示出了本公开的示例所涉及的基于启发式算法的感知网络资源优化方法的混合蛙跳-极值优化算法的流程图。

图5是示出了本公开的示例所涉及的基于启发式算法的感知网络资源优化方法的在不同的能量阈值下的吞吐量的波形示意图。

图6是示出了本公开的示例所涉及的基于启发式算法的感知网络资源优化方法的在不同的能量阈值下的吞吐量的波形示意图。

图7是示出了本公开的示例所涉及的基于启发式算法的感知网络资源优化方法的在不同的信道信噪比下的吞吐量的波形示意图。

具体实施方式

以下，参考附图，详细地说明本公开的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。

需要说明的是，本公开中的术语“包括”和“具有”以及它们的任何变形，例如所包括或所具有的一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可以包括或具有没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

图1是示出了本公开的示例所涉及的基于启发式算法的感知网络资源优化方法的动态帧长度协议的控制信令和数据传输的示意图。图2是示出了本公开的示例所涉及的感知网络的帧结构的示意图。

本公开涉及一种基于启发式算法的感知网络资源优化方法，是包括四个帧的基于启发式算法的感知网络资源优化方法。如图1所示，四个帧分别是调度请求帧(SR)、调度授权帧(SG)、数据帧(DATA)和确认帧(ACK)。其中，调度请求帧、调度授权帧和确认帧用于控制信令。数据帧用于数据传输。上述每个帧可以按照其发送顺序定义为第i帧。

在一些示例中，动态帧长度(DPL)协议的控制信令和数据传输过程如图1所示。具体而言，第一节点向第二节点发送调度请求帧，第二节点基于调度请求帧反馈调度授权帧，第一节点接收调度授权帧向第二节点发送数据帧，第二节点基于数据帧向第一节点发送确认帧。确认帧可以用于使第一节点确认数据帧被正确接收。

在一些示例中，由于感知互联网(即感知网络)需要超敏感的网络连接性，有即1ms量级的端到端延迟，因此，帧可以使用短帧。另外，帧结构也可以称为短分组结构或短数据包结构。在这种情况下，上述的四个帧均为短帧结构。帧长度为感知网络传输时的短数据包的长度。由此，能够满足感知网络的超敏感的网络连接的要求。

在一些示例中，如图2所示，一个帧可以包括导频信号和信息信号。其中，导频信号可以用于对接收端(例如第一节点或第二节点)所需的信道状态信息(Channel StateInformation，CSI)的帧检测和估计，以补偿由无线信道引入的发射信号(例如上述四个帧)的失真。导频信号的信号长度为n_p。信息信号可以包括第一节点所要传递的信息。信息信号的信号长度为n_d。由此，每个帧的帧长度n_i满足n_i＝n_i,p+n_i,d。

在一些示例中，信息信号可以由源信息进行信道编码和调制获得。换而言之，源信息可以通过信道编码器获得信息信号。信道编码器具有信道编码和调制的功能。由此，能够提高帧传输的可靠性和效率。

在一些示例中，如图2所示，源信息包括附加信息位和数据信息位。其中，附加信息位可以包含媒体访问控制(MAC)层和更高层的元数据。附加信息位具有k_m个有效载荷位。数据信息位具有k_d个有效载荷位。也即，附加信息位的信息位长度为k_mbits。数据信息位的信息位长度为k_dbits。由此，能够获得源信息的有效载荷位(也即源信息的信息位长度)为k个，即每个帧的源信息的有效载荷位满足k_i＝k_i,m+k_i,d。

在一些示例中，用于数据传输的数据帧的数据信息位的有效载荷位k_3,d满足k_3,d≠0。由此，能够保证数据帧包含第一节点所要传递的信息。另外三个帧的数据信息位的信息位长度k_i,d均为零。对于包含源地址，目的地址和用于控制信令的各个帧的附加信息位的信息位长度k_i,m均相同。

图3是示出了本公开的示例所涉及的基于启发式算法的感知网络资源优化方法的流程示意图。图4是示出了本公开的示例所涉及的基于启发式算法的感知网络资源优化方法的混合蛙跳-极值优化算法的流程图。本公开涉及的基于启发式算法的感知网络资源优化方法可以简称感知网络资源优化方法。

在一些示例中，如图3所示，基于上述图1的动态帧长度协议的控制信令和数据传输和图2的帧结构，感知网络资源优化方法可以包括第一节点与第二节点之间通过四个帧进行控制信令和数据的传输，每个帧包括导频信号和信息信号，信息信号由源信息进行信道编码和调制获得，源信息包括附加信息位和数据信息位(步骤S100)。

在步骤S100中，第一节点与第二节点之间通过四个帧进行控制信令和数据的传输。用于控制信令的帧可以包括调度请求帧、调度授权帧和确认帧。用于数据传输的帧可以包括数据帧。具体可以参见上述图1中第一节点与第二节点之间的传输过程。每个帧的帧结构可以参见图2。

在一些示例中，每个帧从相应的发射端(例如第一节点或第二节点)发射通过无线信道到达相应的接收端(例如第二节点或第一节点)。第i个帧经过第i个信道使用后接收端的接收信号可以表示为其中，P_t是发射功率，x_i表示通过第i个信道使用后单位功率发送的信号，h_i表示衰落和其他传播现象的信道系数，ω_i是加性复高斯噪声，建模为另外，信道使用可以用带宽和传输持续时间的乘积(Hz·s)来表示。

在一些示例中，无线信道可以是无记忆块衰落信道。衰落系数h_i对同一个帧下的n个信道使用来说是相同的，对于不同帧来说衰落系数h_i独立改变。衰落系数h_i满足其中，表示信道响应，且满足α_d指信道路径损耗指数，α_d≥2。d是第一节点和第二节点之间的距离。另外，γ_h表示信道信噪比(SNR)，且满足

在一些示例中，接收端(例如第二节点或第一节点)知道导频信号，无线信道可以是加性高斯白噪声(AWGN)信道。在这种情况下，接收端可以通过最小均方误差(MMSE)准则获得的信道估计且满足由此，估计衰落系数建模为接收端的接收信号可以表示为

在一些示例中，如图3所示，感知网络资源优化方法还可以包括计算各个帧差错概率，基于帧差错概率获得数据传输的可靠性参数，基于可靠性参数获得吞吐量(步骤S200)。

在步骤S200中，在帧错误概率为ε的情况下，短帧长度为n的可达速率可以近似满足其中，γ表示接收端的信噪比，且满足C(γ)是香农容量，V(γ)是信道分散系数，Q^-1(·)是高斯函数Q的反演函数。

在一些示例中，无线信道是加性高斯白噪声(AWGN)信道时，香农容量满足信道分散系数满足

在一些示例中，基于可达速率、帧长度n和信息比特数k＝Rn可以获得帧差错概率ε。第一节点或第二节点计算的帧差错概率ε满足其中，k表示源信息的信息位长度，γ表示信噪比，n_d表示信息信号的信号长度。由此，能够获得帧差错概率。

在一些示例中，基于可以获得每个帧的帧差错概率ε_i＝ε(k_i,n_i,γ_i)，也即第i个帧的帧差错概率ε_i。

在一些示例中，如果上述的四个帧中的任一个传输失败，则帧丢失。在动态帧长度(DPL)协议的数据传输的可靠性可以通过可靠性参数p_DPL体现。基于帧差错概率可以获得可靠性参数p_DPL满足其中，ε_i表示第i个帧差错概率。由此，能够获得可靠性参数。

在一些示例中，基于可靠性参数p_DPL，可以获得吞吐量R_DPL。吞吐量R_DPL满足其中，k_3,d表示第3个帧的源信息的数据信息位的信息位长度，n_Σ表示总帧长度，且满足由此，能够获得吞吐量。

在一些示例中，如图3所示，感知网络资源优化方法还可以包括当可靠性参数、第一节点的第一总发射能量、第二节点的第二总发射能量、源信息的信息位长度、各个帧的帧长度以及各个帧长度之和满足要求时，基于混合蛙跳-极值优化算法第一节点和第二节点自适应地分配发射功率、导频信号的信号长度、信息信号的信号长度和帧长度，以使吞吐量最大化(步骤S300)。

在步骤S300中，第一节点和第二节点进行自适应分配时需要满足要求。满足的要求可以是指对可靠性参数、第一节点的第一总发射能量、第二节点的第二总发射能量、源信息的信息位长度、各个帧的帧长度以及各个帧长度之和的限制。

具体而言，满足的要求包括可靠性参数不小于预设帧差错概率。也即p_DPL≥1-ε^*，其中，1-ε^*表示预设帧差错概率，ε^*表示总帧差错概率。第一节点的第一总发射能量不大于第一能量阈值且第二节点的第二总发射能量不大于第二能量阈值。也即其中，E₁表示第一能量阈值，E₂表示第二能量阈值，第一能量阈值和第二能量阈值的单位是W·Hz·s。第一总发射能量等于P_1,tn₁+P_3,tn₃，第二总发射能量等于P_2,tn₂+P_4,tn₄，P_i,t表示各个发射功率，P_i,tn_i表示各个发射能量。

满足的要求还包括源信息的信息位长度等于附加信息位与数据信息位的信息位长度之和，也即k_i＝k_i,m+k_i,d。其中，k_3,d≠0，另外三个帧的数据信息位的信息位长度k_i,d均为零，各个帧的附加信息位的信息位长度k_i,m均相同。帧长度等于导频信号与信息信号的信号长度之和，也即n_i＝n_i,p+n_i,d。其中，n_i,p表示第i个帧的导频信号的信号长度，n_i,d表示第i个帧的信息信号的信号长度。各个帧长度之和等于总帧长度，也即由此，能够便于在可靠性参数、第一节点的第一总发射能量、第二节点的第二总发射能量、源信息的信息位长度、各个帧的帧长度以及各个帧长度之和满足要求时基于混合蛙跳-极值优化算法进行感知网络资源优化。

在步骤S300中，第一节点和第二节点可以通过自动功率控制实现对功率的控制。例如，将第一节点或第二节点接收的射频信号依次输入具有滤波功能的滤波器和变频器，进而获得中频信号，再将此中频信号输入到第一节点或第二节点中的相应的自动功率控制模块中对功率进行控制。其中，自动功率控制模块包括A/D转换器、去直流单元、功率估计单元和功率反馈调整单元。

在一些示例中，自动功率控制模块的自动功率控制过程包括：将中频信号经过A/D转换器获得数字信号，该数字信号经过可变点数的去直流单元得到零均值的数字中频信号，该数字中频信号再经过点数可变的功率估计单元得到信号的功率估计，该功率估计值经过功率反馈调整单元得到新的增益系数值，新增益系数应用于下一时间段内的限幅调整过程，最终使数字中频信号的输出维持在稳定功率附近。

在一些示例中，第一节点或第二节点可以把接收到的信号加以稳定再发送出去，这样可有效地减少或避免通信信号在无线传输中的损失，保证第一节点的通信质量。

在步骤S300中，基于混合蛙跳-极值优化算法第一节点和第二节点可以自适应地分配发射功率P_i,t、导频信号的信号长度n_i,p、信息信号的信号长度n_i,d和帧长度n_i，以使吞吐量R_DPL最大化。吞吐量最大化满足式(1)：

p_DPL≥1-ε^*

s.t.P_1,tn₁+P_3,tn₃≤E₁ (1)。

P_2,tn₂+P_4,tn₄≤E₂

k_i＝k_i,m+k_i,d

n_i＝n_i,p+n_i,d

在步骤S300中，第一节点和第二节点基于混合蛙跳-极值优化算法(MSFLA-EO)进行吞吐量最大化。MSFLA-EO在DPL协议中的实现如图4所示。由于MSFLA可以确保快速和稳定的收敛，EO可以增加可行解的局部多样性，因此，MSFLA-EO十分高效。MSFLA-EO摆脱了许多局部最小值，最终达到全局的最低值。

在一些示例中，如图4所示，混合蛙跳-极值优化算法可以包括设置初始化参数(步骤S310)。初始化参数可以是各个发射功率P_i,t、各个导频信号的信号长度n_i,p、各个信息信号的信号长度n_i,d和每个帧的帧长度n_i等。

在一些示例中，如图4所示，混合蛙跳-极值优化算法还可以包括随机生成种群(由L个青蛙代表)(步骤S320)。也即随机生成包括L个青蛙在内的种群。

在一些示例中，如图4所示，混合蛙跳-极值优化算法还可以包括评估每只青蛙的适应度(步骤S330)。其中，适应度也可以称为适应值。感知网络资源优化方法中的吞吐量可以作为混合蛙跳-极值优化算法中的适应值。当式(1)的条件不满足时，从适应值中减去一个非常大的正整数惩罚系数T，以保持MSFLA-EO的鲁棒性。

在一些示例中，如图4所示，混合蛙跳-极值优化算法还可以包括判断是否满足收敛准则(步骤S340)和当满足收敛准则时，获得最优的输出参数并结束进程(步骤S350)。其中，输出参数可以包括各个发射功率、各个导频信号的信号长度、各个信息信号的信号长度和各个帧长度。由此，混合蛙跳-极值优化算法能够基于上述的初始化参数进行优化，并获得优化的输出参数。

在一些示例中，如图4所示，混合蛙跳-极值优化算法还可以包括当不满足收敛准则时，按降序排序L个青蛙(步骤S360)。也即将L个青蛙相应的适应值按照降序排序。

在一些示例中，如图4所示，混合蛙跳-极值优化算法还可以包括构造群和子模因复合体(步骤S370)。具体而言，所有青蛙被分成多个群(也称组或社区)，每个群可以独立发展，以搜索不同方向的空间。

在一些示例中，如图4所示，混合蛙跳-极值优化算法还可以包括对于每个群，在每个青蛙的偶然极值优化(EO)过程中进行局部搜索(步骤S380)和对所有青蛙进行局部复位(步骤S390)。由此，能够确保快速和稳定的收敛。在步骤S380中，每个群可以代表一种模因，局部搜索可以被认为是每个群中的青蛙经历了模因演化。在偶然极值优化(EO)过程中允许每个青蛙之间转移模因。经过预设数量的模因演化步骤之后，信息在混洗过程(即步骤S390的局部复位行为)中在群之间传递。混洗确保了针对任何特定兴趣的文化演变没有偏见。

在一些示例中，混合蛙跳-极值优化算法结合了全局搜索算法(蛙跳算法SFLA)和本地勘探的极值优化算法(Extreme value optimization，EO)，且对于对高维连续函数的优化来说具有强大的鲁棒性和快速收敛性。蛙跳算法(SFLA)是一种元启发式优化方法。蛙跳算法在寻找具有最大可用食物量的位置时模仿一组青蛙的模因进化。在SFLA中，青蛙被认为是模因的宿主，并被描述为具有相同结构但不同适应性的模因载体。青蛙可以互相沟通，通过彼此感染(即彼此间传递信息)来改善他们的模因。当将SFLA应用于优化问题时，每个青蛙的适应性被正确定义并且通常称为适应性、适应度或适应值。适应值可以代表解决该优化问题的可行解。另外，MSFLA可以通过适当延长跳跃步长和增加跳跃惯性组件来解决社交行为，改善了跳跃规则。极值优化算法(EO)是受统计物理学领域启发的优化启方法。极值优化算法被设计为用于组合优化问题的局部搜索算法。与基于群组的SFLA相比，EO通常发展出单一的可行解，并对可行解中的最差的组分进行局部修改。也即若将质量度量分配给其各个组分，则可以获得较好的候选解。在EO中，选择某些低质量的组分，并根据其质量评估选择其他随机选择的组分。EO本质上是一种爬山(局部搜索)方法，类似于SFLA，该方法运行在次级群中最差的可行解上。

本公开涉及的基于启发式算法的感知网络资源优化方法与传统的启发式算法相比，具有卓越的稳定性和全局搜索能力，可用于高维连续函数优化。基于混合蛙跳-极值优化算法(MSFLA-EO)，当帧结构没有限制时对动态帧长度(DPL协议)进行最终性能分析。

在一些示例中，假设第一节点和第二节点都有一个6字节的地址。一位表示第一次传输中的SR位，一位表示第二次传输中的SG位，一位表示第三次传输中的流量控制，一位表示第四次传输中的ACK位。另外，k_i,m＝97，i＝1,2,3,4。k_3,d＝4×6bytes＝192bits。另外，由于第一节点和第二节点的位置固定，故每个传输中的信道信噪比γ_h相同。由于发射功率P_i,t、导频信号的信号长度n_i,p、信息信号的信号长度n_i,d和帧长度n_i可调，故接收端接收到的信噪比γ_i不同。为了保持MSFLA-EO的稳健性，设定L＝T＝200。图5是示出了本公开的示例所涉及的基于启发式算法的感知网络资源优化方法的在不同的能量阈值下的吞吐量的波形示意图。图6是示出了本公开的示例所涉及的基于启发式算法的感知网络资源优化方法的在不同的能量阈值下的吞吐量的波形示意图。

基于上述设定，在不同的能量阈值下，获得图5和图6所示的不同信道信噪比γ_h下的吞吐量的波形示意图。其中，ε^*＝10^-5。图5中的波形A、B、C、D分别表示第一能量阈值E₁等于第二能量阈值E₂，且第一能量阈值E₁为500、1000、2000或4000下的吞吐量的波形示意图。图6中的波形E表示第一能量阈值E₁等于第二能量阈值E₂，且第一能量阈值E₁为4000下的吞吐量的波形。图6中的波形F表示第一能量阈值E₁等于4000且第二能量阈值E₂等于2000下的吞吐量的波形。图6中的波形G表示第一能量阈值E₁等于2000且第二能量阈值E₂等于4000下的吞吐量的波形。

如图5所示，吞吐量R_DPL随着信道信噪比γ_h的增加而增加。吞吐量R_DPL随着第一能量阈值E₁或第二能量阈值E₂的增加而明显提高。当第一能量阈值E₁或第二能量阈值E₂较低时，MSFLA-EO无法找到一个可行解来满足低信道信噪比γ_h区域下式(1)的约束条件。另外，在相同的条件下吞吐量R_DPL的值增加，表面MSFLA-EO可以享有更多的自由度。

在一些示例中，在E₁＝E₂＝4000和ε^*＝10^-5情况下，随着信道信噪比γ_h的增加，总信道使用量(也即总帧长度)n_Σ下降、任一个帧的导频信号的信号长度n_p且减小吞吐量R_DPL相应增加。

如图6所示，在E₁＝E₂的情况下吞吐量R_DPL达到最佳结果，因为达到了平衡状态。对于E₁≠E₂的情况，吞吐量R_DPL相比于平衡状态下的吞吐量R_DPL的值有所降低，且MSFLA-EO无法找到一个可行解来满足低信道信噪比γ_h区域下式(1)的约束条件。由于，第一节点需要通过更多的发射能量可靠地发送数据帧，E₁＞E₂情况下的吞吐量R_DPL的值由于E₁＜E₂情况下的吞吐量R_DPL的值。

图7是示出了本公开的示例所涉及的基于启发式算法的感知网络资源优化方法的在不同的信道信噪比下的吞吐量的波形示意图。其中，E₁＝E₂＝1000和ε^*＝10^-5。图7中的波形M、N、P、Q分别表示信道信噪比为10dB、20dB、30dB和40dB下的吞吐量的波形。

如图7所示，当数据帧的数据信息位的有效载荷位k_3,d增加时，吞吐量R_DPL随之增加。当信道信噪比γ_h较低时，MSFLA-EO无法找到一个可行解来满足式(1)的约束条件。

在本公开中，第一节点与第二节点之前通过四个帧进行控制信令和数据的传输。其中，调度请求帧、调度授权帧和确认帧用于控制信令，数据帧用于数据传输。每个帧包括导频信号和信息信号，信息信号由源信息进行信道编码和调制获得。源信息包括附加信息位和数据信息位。计算各个帧差错概率，基于帧差错概率获得数据传输的可靠性参数，进而获得吞吐量；当可靠性参数、第一节点的第一总发射能量、第二节点的第二总发射能量、源信息的信息位长度、帧长度以及各个帧长度之和满足要求时，基于混合蛙跳-极值优化算法第二节点自适应地分配发射功率、导频信号的信号长度、信息信号的信号长度和帧长度，以使吞吐量最大化。由此，能够通过具有较强的鲁棒性和快速收敛性的算法解决感知网络资源优化问题。

虽然以上结合附图和实施例对本公开进行了具体说明，但是可以理解，上述说明不以任何形式限制本公开。本领域技术人员在不偏离本公开的实质精神和范围的情况下可以根据需要对本公开进行变形和变化，这些变形和变化均落入本公开的范围内。

Claims (10)

1.一种基于启发式算法的感知网络资源优化方法，是包括四个帧的基于启发式算法的感知网络资源优化方法，其特征在于，

包括：

第一节点向第二节点发送调度请求帧，所述第二节点基于所述调度请求帧反馈调度授权帧，所述第一节点接收所述调度授权帧向所述第二节点发送数据帧，所述第二节点基于所述数据帧向所述第一节点传输发送确认帧，每个帧包括导频信号和信息信号，所述信息信号由源信息进行信道编码和调制获得，所述源信息包括附加信息位和数据信息位；

计算各个帧差错概率，基于所述帧差错概率获得数据传输的可靠性参数，基于所述可靠性参数获得吞吐量；并且

当所述可靠性参数不小于预设帧差错概率，所述第一节点的第一总发射能量不大于第一能量阈值且所述第二节点的第二总发射能量不大于第二能量阈值，所述源信息的信息位长度等于所述附加信息位与所述数据信息位的信息位长度之和，帧长度等于所述导频信号与所述信息信号的信号长度之和，各个帧长度之和等于总帧长度时，基于混合蛙跳-极值优化算法所述第一节点和所述第二节点自适应地分配发射功率、所述导频信号的信号长度、所述信息信号的信号长度和所述帧长度，以使所述吞吐量最大化。

2.如权利要求1所述的感知网络资源优化方法，其特征在于：

上述四个帧为短帧结构，所述帧长度为感知网络传输时的短数据包的长度。

3.如权利要求2所述的感知网络资源优化方法，其特征在于：

所述源信息的信息位长度满足k_i＝k_i,m+k_i,d，其中，k_i,m表示第i个帧的所述附加信息位的有效载荷位，k_i,d表示第i个帧的所述数据信息位的有效载荷位。

4.如权利要求3所述的感知网络资源优化方法，其特征在于：

用于数据传输的所述数据帧的数据信息位的有效载荷位k_3,d满足k_3,d≠0。

5.如权利要求1所述的感知网络资源优化方法，其特征在于：

所述帧差错概率ε满足其中，k表示所述源信息的信息位长度，n表示所述帧长度，γ表示所述信噪比，C(γ)表示香农容量，V(γ)表示信道分散系数，n_d表示所述信息信号的信号长度。

6.如权利要求5所述的感知网络资源优化方法，其特征在于：

所述可靠性参数p_DPL满足其中，ε_i表示第i个所述帧差错概率。

7.如权利要求6所述的感知网络资源优化方法，其特征在于：

所述吞吐量R_DPL满足其中，k_3,d表示第3个帧的源信息的数据信息位的信息位长度，n_Σ表示所述总帧长度。

8.如权利要求6所述的感知网络资源优化方法，其特征在于：

所述预设帧差错概率表示为1-ε^*，故p_DPL≥1-ε^*，其中，ε^*表示总帧差错概率，各个发射功率表示为P_i,t，各个发射能量表示为P_i,tn_i，故其中，E₁表示第一能量阈值，E₂表示第二能量阈值，n_i表示第i个帧长度。

9.如权利要求1所述的感知网络资源优化方法，其特征在于：

所述混合蛙跳-极值优化算法包括：

设置初始化参数；随机生成包括L个青蛙在内的种群；评估每只青蛙的适应度；判断是否满足收敛准则；当满足收敛准则时，获得最优的输出参数并结束进程；当不满足收敛准则时，将L个青蛙相应的适应值按照降序排序；构造多组青蛙和子模因复合体；对于每组青蛙，在每个青蛙的偶然极值优化过程中进行局部搜索；对所有青蛙进行局部复位。

10.如权利要求9所述的感知网络资源优化方法，其特征在于：

所述初始化参数包括各个所述发射功率、各个所述导频信号的信号长度、各个所述信息信号的信号长度和各个所述帧长度，所述输出参数包括所述发射功率、各个所述导频信号的信号长度、各个所述信息信号的信号长度和各个所述帧长度。