CN113111594A - 基于多目标优化的用频规划方法、装置和计算机设备 - Google Patents

基于多目标优化的用频规划方法、装置和计算机设备 Download PDF

Info

Publication number
CN113111594A
CN113111594A CN202110516233.7A CN202110516233A CN113111594A CN 113111594 A CN113111594 A CN 113111594A CN 202110516233 A CN202110516233 A CN 202110516233A CN 113111594 A CN113111594 A CN 113111594A
Authority
CN
China
Prior art keywords
frequency
planning
frequency utilization
utilization
equipment
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.)
Granted
Application number
CN202110516233.7A
Other languages
English (en)
Other versions
CN113111594B (zh
Inventor
查淞
刘铭
夏海洋
黄纪军
刘继斌
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110516233.7A priority Critical patent/CN113111594B/zh
Publication of CN113111594A publication Critical patent/CN113111594A/zh
Application granted granted Critical
Publication of CN113111594B publication Critical patent/CN113111594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请涉及一种基于多目标优化的用频规划方法、装置、计算机设备和存储介质。所述方法包括：引入多目标优化理论，以干扰冲突最少、需求满足最高和邻频风险最低作为优化目标建立了多目标的用频规划模型，并提出一种求解用频规划问题的非支配排序蚁群算法。在蚁群初始化阶段使用带贪心策略的爬山算法获取次优解集合以提升蚁群前期收敛速度；并运用社团检测机制将用频设备分簇以减少电磁干扰分析的计算复杂度从而加快算法进程。同时，在算法每次迭代中对得到的用频规划方案执行调度改进操作，并自适应调整信息素挥发系数等参数，以提升算法全局优化性能。本发明考虑到用频设备时域的复用，实现了空域、频域、能域等维度的统筹调度，效果更佳。

Description

基于多目标优化的用频规划方法、装置和计算机设备
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于多目标优化的用频规划方法、装置、计算机设备和存储介质。
背景技术
随着现代信息化发展，通信、雷达探测、卫星导航、电子对抗等都需要获得足够的电磁频谱资源支持。在有限的频谱资源条件下，如何实时、精确地实施用频规划，已成为提高用频设备效能发挥的关键所在。
用频规划问题的研究方法主要包括确定性算法、博弈论、图论着色、拍卖理论、智能优化算法等。现有技术在有引入图论概念改进穷举搜索法以提高确定性算法解决用频规划问题的实时性；运用博弈论与Gram矩阵实现了高效智能的认知无线电频谱分配模型的建立；根据用频规划问题的特征，将用频规划问题抽象成图着色问题从而实现频率的快速分配；运用拍卖机制建立用户频谱共享模型并提出迭代的分布式出价更新算法快速求解；在模拟退火算法的基础上引入禁忌搜索的记忆功能以改善搜索效率与精度，从而提出优化性能更佳的基于混合智能优化的用频规划方法；引入以计算速度快和灵活高效著称的禁忌搜索算法，并利用工程经验对算法作提速改进，实现了战术通信网频率灵活高效的快速指配。上述方法中，智能优化算法凭借其对求解大规模组合优化问题具有较好全局优化性能与较低时间复杂度的优势，在用频规划问题的求解中应用最为广泛。
然而，目前在用频规划问题相关文献中，建模通常只设有频域一维的变量，得到的用频规划方案仅包含各用频设备频点的指配方案，无法实现对用频设备时域、空域、频域、能域等多维度的统筹调度。同时，规划模型难以精确描述决策者对用频规划方案执行预期的考量与要求，可能导致解的优劣判定的偏差，造成理想用频规划方案的丢失，存在规划效果不佳的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升用频规划效果的基于多目标优化的用频规划方法、装置、计算机设备和存储介质。
一种基于多目标优化的用频规划方法，所述方法包括：
获取用频系统的变量信息；所述用频系统包括多个用频平台、多台用频设备、用频过程包括多个用频时段；同一频点可以配给不在同一用频时段的多台用频设备使用；
根据所述变量信息设置用于描述单个用频设备规划方案的元任务信息，根据所述元任务信息得到决策变量；
根据所述决策变量信息，以所述用频设备间同频干扰最少、需求满足最高、邻频干扰风险最低为优化目标，以频谱资源约束、同平台位置一致性约束、用频设备唯一性约束为约束条件，构建用频规划的多目标优化模型；
对所述用频设备构建无权无向网络，通过Markov聚类算法对所述无权无向网络进行分簇操作，得到同簇用频设备；
通过带贪心策略的爬山算法对所述多目标优化模型进行局部搜索，得到局部最优解；其中同频干扰和邻频干扰的分析在所述同簇用频设备之间进行；
将所述局部最优解作为初始解集，通过基于精英个体矩阵的蚁群算法进行迭代；所述精英个体矩阵根据每次迭代后得到的非支配解进行更新；所述精英个体矩阵对应的信息素按照预设的更新规则进行更新，所述更新规则中的信息素更新分布系数和信息素挥发系数随着迭代次数自适应调整；
当所述精英个体矩阵内非支配解数目达到预设阈值或迭代次数达到最大迭代次数后，停止迭代，输出所述用频系统用频规划的方案包。
一种基于多目标优化的用频规划装置，所述装置包括：
变量信息获取模块，用于获取用频系统的变量信息；所述用频系统包括多个用频平台、多台用频设备、用频过程包括多个用频时段；同一频点可以配给不在同一用频时段的多台用频设备使用；
决策变量定义模块，用于根据所述变量信息设置用于描述单个用频设备规划方案的元任务信息，根据所述元任务信息得到决策变量；
多目标优化模型构建模块，用于根据所述决策变量信息，以所述用频设备间同频干扰最少、需求满足最高、邻频干扰风险最低为优化目标，以频谱资源约束、同平台位置一致性约束、用频设备唯一性约束为约束条件，构建用频规划的多目标优化模型；
聚类模块，用于对所述用频设备构建无权无向网络，通过Markov聚类算法对所述无权无向网络进行分簇操作，得到同簇用频设备；
蚁群初始化模块，用于通过带贪心策略的爬山算法对所述多目标优化模型进行局部搜索，得到局部最优解；其中同频干扰和邻频干扰的分析在所述同簇用频设备之间进行；
蚁群迭代模块，用于将所述局部最优解作为初始解集，通过基于精英个体矩阵的蚁群算法进行迭代；所述精英个体矩阵根据每次迭代后得到的非支配解进行更新；所述精英个体矩阵对应的信息素按照预设的更新规则进行更新，所述更新规则中的信息素更新分布系数和信息素挥发系数随着迭代次数自适应调整；
规划方案包获取模块，用于当所述精英个体矩阵内非支配解数目达到预设阈值或迭代次数达到最大迭代次数后，停止迭代，输出所述用频系统用频规划的方案包。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取用频系统的变量信息；所述用频系统包括多个用频平台、多台用频设备、用频过程包括多个用频时段；同一频点可以配给不在同一用频时段的多台用频设备使用；
根据所述变量信息设置用于描述单个用频设备规划方案的元任务信息，根据所述元任务信息得到决策变量；
根据所述决策变量信息，以所述用频设备间同频干扰最少、需求满足最高、邻频干扰风险最低为优化目标，以频谱资源约束、同平台位置一致性约束、用频设备唯一性约束为约束条件，构建用频规划的多目标优化模型；
对所述用频设备构建无权无向网络，通过Markov聚类算法对所述无权无向网络进行分簇操作，得到同簇用频设备；
通过带贪心策略的爬山算法对所述多目标优化模型进行局部搜索，得到局部最优解；其中同频干扰和邻频干扰的分析在所述同簇用频设备之间进行；
将所述局部最优解作为初始解集，通过基于精英个体矩阵的蚁群算法进行迭代；所述精英个体矩阵根据每次迭代后得到的非支配解进行更新；所述精英个体矩阵对应的信息素按照预设的更新规则进行更新，所述更新规则中的信息素更新分布系数和信息素挥发系数随着迭代次数自适应调整；
当所述精英个体矩阵内非支配解数目达到预设阈值或迭代次数达到最大迭代次数后，停止迭代，输出所述用频系统用频规划的方案包。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取用频系统的变量信息；所述用频系统包括多个用频平台、多台用频设备、用频过程包括多个用频时段；同一频点可以配给不在同一用频时段的多台用频设备使用；
根据所述变量信息设置用于描述单个用频设备规划方案的元任务信息，根据所述元任务信息得到决策变量；
根据所述决策变量信息，以所述用频设备间同频干扰最少、需求满足最高、邻频干扰风险最低为优化目标，以频谱资源约束、同平台位置一致性约束、用频设备唯一性约束为约束条件，构建用频规划的多目标优化模型；
对所述用频设备构建无权无向网络，通过Markov聚类算法对所述无权无向网络进行分簇操作，得到同簇用频设备；
通过带贪心策略的爬山算法对所述多目标优化模型进行局部搜索，得到局部最优解；其中同频干扰和邻频干扰的分析在所述同簇用频设备之间进行；
将所述局部最优解作为初始解集，通过基于精英个体矩阵的蚁群算法进行迭代；所述精英个体矩阵根据每次迭代后得到的非支配解进行更新；所述精英个体矩阵对应的信息素按照预设的更新规则进行更新，所述更新规则中的信息素更新分布系数和信息素挥发系数随着迭代次数自适应调整；
当所述精英个体矩阵内非支配解数目达到预设阈值或迭代次数达到最大迭代次数后，停止迭代，输出所述用频系统用频规划的方案包。
上述基于多目标优化的用频规划方法、装置、计算机设备和存储介质，通过获取用频系统的变量信息，根据变量信息设置用于描述单个用频设备规划方案的元任务信息，根据元任务信息得到决策变量，其中用频系统包括多个用频平台、多台用频设备、用频过程包括多个用频时段；根据决策变量信息，以用频设备间同频干扰最少、需求满足最高、邻频干扰风险最低为优化目标，以频谱资源约束、同平台位置一致性约束、用频设备唯一性约束为约束条件，构建用频规划的多目标优化模型；对用频设备构建无权无向网络，通过Markov聚类算法进行分簇操作，得到同簇用频设备；通过带贪心策略的爬山算法对多目标优化模型进行局部搜索，得到局部最优解；其中同频干扰和邻频干扰的分析在同簇用频设备之间进行；将局部最优解作为初始解集，通过基于精英个体矩阵的蚁群算法进行迭代；精英个体矩阵根据每次迭代后得到的非支配解进行更新；精英个体矩阵对应的信息素按照预设的更新规则进行更新，更新规则中的信息素更新分布系数和信息素挥发系数随着迭代次数自适应调整；达到预设条件后停止迭代，输出用频系统用频规划的方案包。本发明在建模中考虑到用频设备时域的复用，并实现了用频设备空域、频域、能域等三维度的统筹调度，可以精确描述决策者对用频规划方案执行预期的考量与要求，具有更好的规划效果和实用性；引入多目标优化理论中的非支配排序思想，求解用频规划问题的非支配最优解集，效果更好；以蚁群算法为基础，结合贪心策略、爬山算法、社团检测、调度改进、参数自适应调整等有效机制，设计了一种优化性能更强的更新蚂蚁种群的计算流程，在求解用频规划问题时具有更优的算法性能。
附图说明
图1为一个实施例中基于多目标优化的用频规划方法的流程示意图；
图2为一个实施例中采用Markov聚类算法对用频设备进行聚类分析的结果示意图；
图3为一个具体实施例中基于多目标优化的用频规划方法的流程示意图；
图4为一个实施例中Pareto分布示意图；其中，图4a为一个实施例中非支配排序蚁群算法与其他智能算法的Pareto分布；图4b为一个实施例中NSACA算法的Pareto分布；图4c为一个实施例中NSGA-II算法的Pareto分布；图4d为一个实施例中MOEA/D算法的Pareto分布；
图5为一个实施例中非支配排序蚁群算法与其他智能算法的IGD值变化趋势；
图6为一个实施例中基于多目标优化的用频规划装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于多目标优化的用频规划方法，可以应用于如下应用环境中。其中，终端执行一种基于多目标优化的用频规划方法，引入多目标优化理论，以干扰冲突最少、需求满足最高和邻频风险最低作为优化目标建立了多目标的用频规划模型，并提出一种求解用频规划问题的非支配排序蚁群算法。在蚁群初始化阶段使用带贪心策略的爬山算法获取次优解集合以提升蚁群前期收敛速度；并运用社团检测机制将用频设备分簇以减少电磁干扰分析的计算复杂度从而加快算法进程。同时，在算法每次迭代中对得到的用频规划方案执行调度改进操作，并自适应调整信息素挥发系数等参数，以提升算法全局优化性能。其中，终端可以但不限于是各种个人计算机、笔记本电脑和平板电脑。
在一个实施例中，如图1所示，提供了一种基于多目标优化的用频规划方法，包括以下步骤：
步骤102，获取用频系统的变量信息。
用频系统包括多个用频平台、多台用频设备、用频过程包括多个用频时段；同一频点可以配给不在同一用频时段的多台用频设备使用。
用频系统包括多个用频平台、多台用频设备、用频过程包括多个用频时段；同一频点可以配给不在同一用频时段的多台用频设备使用；
用频系统由NP个用频平台组成，各用频平台分别列装一台或多台各型通信、导航、雷达、制导、电子战等用频设备。用频系统的用频过程可依次序拆解为NT个阶段。
具体地，用频系统各阶段的用频需求如表1所示：
表1用频系统各阶段用频需求
Figure BDA0003062327510000071
注：○表示无任务要求，●表示有任务要求。
将用频系统的用频过程依次序拆解为NT个用频时段，目的是使得同一频点可以被指配给不在同一用频时段使用的多台用频设备，从而实现频谱资源时间维度上的复用。同一台用频设备，原则上从用频行为开始到终止的全部用频时段均使用同一频点，尽可能避免换频的操作。
步骤104，根据变量信息设置用于描述单个用频设备规划方案的元任务信息，根据元任务信息得到决策变量。
元任务用以描述单个用频设备的用频规划方案，包括用频设备的标号，使用的频点，发射功率，所在平台的横纵地理坐标等信息。元任务可以穷尽用每个频装备规划的所有可能情况，若某一个元任务得以执行，其对应的决策变量的元素可赋值为1，否则为0。
步骤106，根据决策变量信息，以用频设备间同频干扰最少、需求满足最高、邻频干扰风险最低为优化目标，以频谱资源约束、同平台位置一致性约束、用频设备唯一性约束为约束条件，构建用频规划的多目标优化模型。
用频规划过程中需要分析用频设备间可能存在的电磁干扰，需要考虑的干扰类型包括同频干扰、邻频干扰、谐波干扰、杂散干扰以及互调干扰等。本发明为简化问题描述，只考虑同频干扰与邻频干扰两类主要的电磁干扰。考虑同、邻频干扰时，首先根据表1判定两用频设备间是否存在共同工作的用频时段：若不存在，则两台用频设备间不存在电磁干扰可能性；若存在，则进一步运用自由空间传播模型对用频设备间的电磁干扰可能性进行分析。
本发明所考虑的用频规划问题可概括为：在满足频谱资源约束、同平台位置一致性约束、用频设备唯一性约束等约束条件的前提下，结合用频系统用频需求与用频设备冲突干扰分析，对我方用频系统中的用频平台与用频设备进行综合调度，为用频设备指配可选频点、明确发射功率以及为用频平台分配地理坐标，制定优化的用频规划方案，以最大化实现干扰冲突最少、需求满足最高、邻频风险最低等多目标的总体最优化。
步骤108，对用频设备构建无权无向网络，通过Markov聚类算法对无权无向网络进行分簇操作，得到同簇用频设备。
社团检测是一种在网络中找出关系密切的结点的集合(社团)的技术，Markov聚类算法则是社团检测中经典的一类算法，常用于实现复杂网络的聚类、分簇等操作。
本发明采用无权无向网络模型对全体用频设备进行分析。网络搭建后，通过Markov聚类算法对全体用频设备形成的复杂网络进行了分簇操作，同簇的用频设备之间相互冲突的概率远大于异簇的用频设备，因此在聚类效果较好的情况下，只需分别对每簇用频设备之间是否存在电磁干扰进行计算再汇总，即可分析得到一组用频计划总体的电磁干扰情况，有效降低电磁干扰分析的计算复杂度。
步骤110，通过带贪心策略的爬山算法对多目标优化模型进行局部搜索，得到局部最优解。
其中同频干扰和邻频干扰的分析在同簇用频设备之间进行。
为解决蚁群算法前期收敛速度慢的问题，本发明引入带贪心策略的爬山算法对可行域进行局部搜索，在蚁群算法初始化阶段获取局部最优解集作为蚁群的初始解集。贪心策略的核心思想是将待求解问题拆分成若干子问题逐一求解再合成原问题的完整解；爬山算法是每一步均将当前解与邻居解逐个比较、择优替换从而实现向更优解靠近的局部搜索算法。
步骤112，将局部最优解作为初始解集，通过基于精英个体矩阵的蚁群算法进行迭代。
蚁群算法，具有分布计算、信息正反馈与启发式搜索的特征，是一种启发式全局优化算法，灵感来自蚂蚁寻找食物发现路径的行为。蚁群算法独有的信息素累积与挥发机制使其具有良好的信息正反馈特性以及全局搜索能力，缺点是前期收敛速度较慢。为使蚁群算法应用于多目标优化问题，本发明引入非支配排序思想中的序值、拥挤度的概念来评价解的优劣。
精英个体矩阵根据每次迭代后得到的非支配解进行更新；精英个体矩阵对应的信息素按照预设的更新规则进行更新，更新规则中的信息素更新分布系数和信息素挥发系数随着迭代次数自适应调整。
精英个体矩阵更新：根据干扰冲突最少DT、需求满足最高SA、邻频风险最低AR三项目标函数，求解该次蚁群迭代中获得的多组用频规划方案中各用频规划方案的序值与拥挤度。每次迭代将计算得出的非支配解放入精英个体矩阵中，并在精英个体矩阵PKC中再次将矩阵内全体解统筹计算各个解的序值拥挤度，首先按序值由低到高升序排列、序值相同则按拥挤度由高到低降序排列，将精英个体数目上限Nel之外的劣解移除出精英个体矩阵。
信息素矩阵更新：每次蚁群迭代之后，采用信息素挥发规则来更新信息素矩阵中全体精英个体所对应的信息素。
步骤114，当精英个体矩阵内非支配解数目达到预设阈值或迭代次数达到最大迭代次数后，停止迭代，输出用频系统用频规划的方案包。
上述基于多目标优化的用频规划方法中，通过获取用频系统的变量信息，根据变量信息设置用于描述单个用频设备规划方案的元任务信息，根据元任务信息得到决策变量，其中用频系统包括多个用频平台、多台用频设备、用频过程包括多个用频时段；根据决策变量信息，以用频设备间同频干扰最少、需求满足最高、邻频干扰风险最低为优化目标，以频谱资源约束、同平台位置一致性约束、用频设备唯一性约束为约束条件，构建用频规划的多目标优化模型；对用频设备构建无权无向网络，通过Markov聚类算法进行分簇操作，得到同簇用频设备；通过带贪心策略的爬山算法对多目标优化模型进行局部搜索，得到局部最优解；其中同频干扰和邻频干扰的分析在同簇用频设备之间进行；将局部最优解作为初始解集，通过基于精英个体矩阵的蚁群算法进行迭代；精英个体矩阵根据每次迭代后得到的非支配解进行更新；精英个体矩阵对应的信息素按照预设的更新规则进行更新，更新规则中的信息素更新分布系数和信息素挥发系数随着迭代次数自适应调整；达到预设条件后停止迭代，输出用频系统用频规划的方案包。本发明在建模中考虑到用频设备时域的复用，并实现了用频设备空域、频域、能域等三维度的统筹调度，可以精确描述决策者对用频规划方案执行预期的考量与要求，具有更好的规划效果和实用性；引入多目标优化理论中的非支配排序思想，求解用频规划问题的非支配最优解集，效果更好；以蚁群算法为基础，结合贪心策略、爬山算法、社团检测、调度改进、参数自适应调整等有效机制，设计了一种优化性能更强的更新蚂蚁种群的计算流程，在求解用频规划问题时具有更优的算法性能。
在其中一个实施例中，还包括：根据变量信息设置用于描述单个用频设备规划方案的元任务信息中的元任务为：
Figure BDA0003062327510000101
其中，Uijkv表示用频设备wi使用频点sfj、发射功率spk，其所在用频平台的横纵地理坐标为scv；EquipmentId表示用频设备标识信息；StageId表示用频设备所处平台标识信息；Frequency表示用频设备的使用频点；Power表示用频设备的发射功率；CordX表示用频设备的x轴坐标位置，CordY表示用频设备的y轴坐标位置；
根据元任务信息得到决策变量为：
Figure BDA0003062327510000102
其中，xijkv表示元任务Uijkv的完成状态，若元任务得到执行，则xijkv＝1；否则xijkv＝0；NW表示用频设备的台数；N(SFi)表示可选频点的个数；N(SPi)表示可选功率值的个数；N(SCs(i))表示可选横纵地理坐标的个数。
在其中一个实施例中，还包括：根据决策变量信息，以用频设备间同频干扰最少、需求满足最高、邻频干扰风险最低为优化目标，以频谱资源约束、同平台位置一致性约束、用频设备唯一性约束为约束条件，构建用频规划的多目标优化模型；其中判断同频干扰和邻频干扰的步骤为：判定两台用频设备是否存在共同工作的用频时段，若不存在，则两台用频设备不存在电磁干扰的可能性；若存在，通过自由传播模型对用频设备之间的电磁干扰可能性进行分析。
在一个具体实施例中，用频规划问题建模的主要数学符号如下：
1)用频平台标识：
Figure BDA0003062327510000111
表示NP个用频平台。
2)用频设备标识：
Figure BDA0003062327510000112
表示NW台用频设备。
3)用频设备所处平台序号：
Figure BDA0003062327510000113
表示各用频设备所处用频平台标识号的集合。
4)用频需求优先级：Ri表示用频设备wi的用频需求优先级。
5)干扰门限：Di表示用频设备wi的接收机干扰门限(单位：dB)。
6)用频时段标识：
Figure BDA0003062327510000114
表示NT个用频时段。
7)可用频谱资源：
Figure BDA0003062327510000115
表示我方全体可用频点，Nf为可用频点数量。
8)可选频率信息：
Figure BDA0003062327510000116
表示用频设备wi的可选频点集合，
Figure BDA0003062327510000117
为用频设备wi可选频点数量。
9)可选发射功率信息：
Figure BDA0003062327510000118
表示用频设备wi的可选功率值集合，
Figure BDA0003062327510000119
为用频设备wi可选功率值数量。
10)可选地理坐标信息：
Figure BDA00030623275100001110
表示用频平台pi的可选横纵地理坐标集合，
Figure BDA00030623275100001111
为用频平台pi可选横纵地理坐标数量。
用频规划问题的约束条件为：
1)用频设备的唯一性约束：每个用频设备只能且必须执行一次频率、功率、地理坐标的综合调度：
Figure BDA00030623275100001112
2)频谱资源约束：用频规划方案中用频设备选定的频点应在可用频谱资源与该用频设备可选频率信息的交集中：
Figure BDA0003062327510000121
3)同平台位置一致性约束:处在同一用频平台的不同用频设备地理坐标应当保持一致性：
if Si＝Sj&i≠j,then
Figure BDA0003062327510000122
用频规划问题的目标函数为：
1)干扰冲突最少：用频设备间造成同频干扰的总次数最少：
Figure BDA0003062327510000123
式中：dtij＝0表示用频设备wi与用频设备wj间不存在同频干扰；dtij＝1表示用频设备wi与用频设备wj间存在同频干扰。
2)需求满足最高：需求得到满足的用频设备乘以其优先级系数后的总量最高：
Figure BDA0003062327510000124
式中：sai＝0表示存在至少一台用频设备对用频设备wi产生同频干扰；sai＝1表示全体用频设备均不对用频设备wi产生同频干扰。
3)邻频风险最低：计算用频规划方案中全体具有电磁干扰可能性的成对用频设备之间邻频干扰风险的总和：
Figure BDA0003062327510000125
式中：arij＝1/|Frequencyi-Frequencyj|，arij表示用频设备wi与用频设备wj间的邻频干扰风险，频点相同时取arij＝0。
判断同频干扰和邻频干扰的步骤为：判定两台用频设备是否存在共同工作的用频时段，若不存在，则两台用频设备不存在电磁干扰的可能性；若存在，通过自由传播模型对用频设备之间的电磁干扰可能性进行分析，具体为:
Lij＝32.44+20lg dij+20lg fi
PEij＝PSi-Lij
式中：Lij表示用频设备wi的发射信号到达用频设备wj接收机上时的传播损耗(单位：dB)；dij表示用频设备wi与用频设备wj间的距离(单位：km)；fi表示用频设备wi选定的频点(单位：MHz)；PSi表示用频设备wi选定的功率(单位：dB)；PEij表示用频设备wi的发射信号到达用频设备wj接收机时的接收信号电平(单位：dB)。
得到接收信号电平PEij后，将其与用频设备wj的干扰门限Dj作比较：若PEij≥Dj，则用频设备wi对用频设备wj存在电磁干扰可能性；若PEij＜Dj，则两台用频设备间不存在电磁干扰可能性。电磁干扰可能性的判定矩阵化如下：
Figure BDA0003062327510000131
A表示电磁干扰可能性矩阵；aij＝0表示用频设备wi与用频设备wj间不存在电磁干扰可能性，aij＝1表示用频设备wi与用频设备wj间存在电磁干扰可能性。
当用频设备wi与用频设备wj间存在电磁干扰可能性(aij＝1)时，进一步考虑两台用频设备间的同频干扰与邻频干扰：考虑同频干扰dtij时，以两台用频设备工作频点是否相同为判定依据，工作频点相同则两者存在同频干扰；否则不存在同频干扰并进一步考虑两者的邻频干扰风险。考虑邻频干扰风险arij时，计算两台用频设备之间指配频点的间隔afij。间隔越长，则邻频干扰的风险越低，因此本发明取间隔的倒数作为两台用频设备邻频风险的度量。
在其中一个实施例中，还包括：获取用频设备的用频时段信息；单台用频设备对应无权无向网络的节点，根据用频时段信息对用频设备构建无权无向网络，若两台用频设备有共同的用频时段且有重合的可选频点，则在两台用频设备对应的节点之间设置连接边，否则不在两台用频设备对应的节点之间设置连接边；通过Markov聚类算法对无权无向网络进行分簇操作，得到同簇用频设备。
在一个具体实施例中，选取15台用频设备，采用Markov聚类算法将网络分为4簇：[7,9,13]，[2,5,12,8]，[10,6,14,3]，[15,11,1,4]，如图2所示。通过Markov聚类算法实现用频设备分簇后，在聚类程度较好的情况下，电磁干扰分析只需考虑同簇间用频设备，即可高效准确地获得用频系统同、邻频干扰情况，有效降低电磁干扰分析的计算复杂度。
在其中一个实施例中，还包括：使用爬山算法得到用频设备中第一台用频设备的用频规划方案数据；在第一台用频设备的用频规划方案数据基础上求解前两台用频设备的用频规划方案，直至将用频设备中全部用频设备遍历，得到用频设备中所有用频设备的用频规划方案数据。
设置N组均匀权重Wi,i＝1,2,...,N，使用带贪心策略的爬山算法进行第i组用频规划方案求解时，总目标函数可表示为minFC＝Wi×[DT,1/SA,AR]，算法迭代完成可得N组局部最优的用频规划方案。将局部搜索得出的N个局部最优解进行非支配排序后择优选择序值为1的解加入精英个体矩阵当中，并更新信息素矩阵当中相对应解的信息素水平，以有效提升蚁群算法前期的收敛速度，从而提高用频规划过程的整体运算速度。
在其中一个实施例中，还包括：将精英个体矩阵与信息素矩阵初始化；将局部最优解作为初始解集；在单只蚂蚁的单次迭代过程中，按照用频设备用频需求优先级选择需要指派元任务的用频设备；根据元任务指派的概率分布为选取的用频设备指派一个元任务，得到单只蚂蚁对应的一组用频规划方案；元任务指派的概率分布的分布函数包括信息素矩阵；在每次蚁群迭代得到多组用频规划方案后，通过非支配排序算法选取序值为1的非支配规划方案；将非支配规划方案加入精英个体矩阵中，从精英个体矩阵中随机选取一个精英个体作为参考系，对多组用频规划方案中的用频规划方案进行调度改进操作；在调度改进操作过程中，进行调整的用频设备数量不超过总用频设备数量的10％。
具体地，将精英个体矩阵与信息素矩阵初始化：
1)精英个体矩阵：将精英个体的集合称为精英个体矩阵，其规模为Nel。在初始化阶段，精英个体的集合将被设置为空。
2)信息素矩阵：信息素矩阵相应位置存有对应元任务的信息素。求解该问题时，我们采用大小为NW×max(Nsf)×max(Nsp)×max(Nsc)的矩阵PHM来表示信息素矩阵，max(Nsf)表示所有用频设备中可用频点数量的最大值，其余同理。在初始化阶段，如果用频设备wi不使用可选频率信息SFij、可选发射功率信息SPik与可选地理坐标信息SCiv，则将PHM(i,j,k,v)初始化为0；否则将PHM(i,j,k,v)初始化为1。
设置蚂蚁数目为antSize只，那么每次迭代更新可以获得antSize组用频规划方案。其中，单只蚂蚁在单次迭代过程中，按以下规则从元任务集合中选取元任务以构成一组用频规划方案：
1)按照用频需求优先级选择需要指派元任务的用频设备。本步操作优先选取用频需求优先级较高的用频设备，并继续执行下一步操作。
2)为上一步选取的用频设备指派一个元任务。元任务指派的概率分布：
Figure BDA0003062327510000151
式中：Pr(i,j,k,v)表示用频设备wi使用频点sfj、功率spk，其所在平台的横纵地理坐标为scv的元任务Uijkv被成功指派的概率；PHM(i,j,k,v)则表示元任务Uijkv的信息素。
本发明算法在每次蚁群迭代过后，都将基于精英个体矩阵来执行用频规划方案的调度改进操作：
1)选择待调整的用频规划方案。算法从每次蚁群迭代后所得的用频规划方案中，选取经非支配排序后序值为1的方案来执行调度改进操作。调度改进操作依次对每组已选取的用频规划方案进行调整，以期获得更接近理想Pareto前沿的解。
2)选择精英个体。从精英个体矩阵中随机选取一个精英个体ELk作为参考系。
3)以精英个体ELk作为参考系，对第一步已选取的某个用频规划方案(假设为Solv)执行调度改进。按以下概率分布随机选取一台用频设备：
Figure BDA0003062327510000161
假设选取的用频设备为wi，则按用频设备wi在精英个体ELk被指派的元任务来调整用频规划方案Solv。在本步调度改进操作中，进行调整的用频设备数量Nr不应超过总用频设备数量NW的10％。
精英个体矩阵更新：根据干扰冲突最少DT、需求满足最高SA、邻频风险最低AR三项目标函数，求解该次蚁群迭代中获得的多组用频规划方案中各用频规划方案的序值与拥挤度。每次迭代将计算得出的非支配解放入精英个体矩阵中，并在精英个体矩阵PKC中再次将矩阵内全体解统筹计算各个解的序值拥挤度，首先按序值由低到高升序排列、序值相同则按拥挤度由高到低降序排列，将精英个体数目上限Nel之外的劣解移除出精英个体矩阵。
信息素矩阵更新：每次蚁群迭代之后，采用信息素挥发规则来更新信息素矩阵中全体精英个体所对应的信息素。为提高算法全局搜索能力，将信息素的数值限制在区间[τmin,τmax]内。信息素矩阵按如下更新规则进行信息素更新：
Figure BDA0003062327510000171
式中：符号<>表示四舍五入取整；Q表示信息素矩阵的信息素增量系数；η为信息素更新分布系数，其数值随迭代次数iter的增长而自适应调整[11]：
Figure BDA0003062327510000172
式中：信息素更新分布系数η的取值区间为[ηmin,ηmax]；iterMax为最大迭代次数。信息素矩阵的挥发规则如下：
Figure BDA0003062327510000173
式中：ρ表示信息素矩阵的挥发系数，且ρ将随迭代次数iter的增长而自适应调整：
Figure BDA0003062327510000174
式中：挥发系数ρ的取值区间为[ρmin,ρmax]。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个具体实施例中，如图3所示，提供了一种基于多目标优化的用频规划方法，将所述方法用于用频规划，首先输入用频规划算例输入，进行用频设备的聚类操作，然后进行蚁群初始化以及蚁群迭代，再进行用频规划方案调度改进，进行精英个体与信息素更新，迭代多次，直到满足终止准则，输出用频规划方案。
在用频规划领域尚无公开且适用于本文用频规划模型的标准测试集的前提下，构造并采用覆盖问题各项特征的测试实例来验证数学模型与优化算法，并使用带精英策略的非支配排序遗传算法(Non-dominated sorting genetic algorithm II,NSGA-II)与基于分解的多目标进化算法(Multi-objective evolutionary algorithm based ondecomposition,MOEA/D)两种典型多目标优化算法作为对照组，对本发明提出的非支配排序蚁群算法(Non-dominated sorting ant colony algorithm,NSACA)进行优化性能方面的比较分析。
(1)参数设计
本发明使用的非支配排序蚁群算法NSACA的参数设置如下：蚁群规模antSize＝30，信息素水平τ始终被限制在区间[0.05,20]中，信息素增量系数Q＝1，信息素挥发系数ρ在区间[0.1,0.2]内自适应调整，信息素更新分布系数η在区间[0,1]内自适应调整，精英个体的规模Nel＝10，调度改进次数Nr＝2，最大迭代次数iterMax＝80；局部搜索部分，均匀权重组数N＝36，信息素增量系数Q'＝20。
对照组NSGA-II的参数设置如下：种群规模pop＝200，交配池规模pool＝100，竞标赛候选人个数tour＝2，交叉概率rateCro＝0.9，交叉分布指数mu＝20，变异概率rateMut＝1，变异分布指数mum＝20，最大迭代次数iterMax＝40，其中交叉算法为模拟二进制交叉，变异算法为多项式变异。
对照组MOEA/D的参数设置如下：种群规模/均匀权重数量N＝28，邻居子问题规模Nsn＝3，子代变异概率rateOfs＝1，向量合成系数vector＝0.2，多项式变异概率ratePol＝1，变异分布指数mum＝1，最大迭代次数iterMax＝500。
(2)仿真结果
模型运行硬件环境为Intel(R)Core(TM)i5-4210U CPU@1.70GHz 2.40GHz双核四线程处理器，RAM为4.00GB，软件环境为Windows7操作系统64位，编程软件为MATLAB R2020b软件。为公平客观地对算法之间的优化性能进行比较，限制程序运行时间TimeSpend≤50s，超时则不再进入下一轮迭代。三种算法结束迭代后所得的非支配排序最靠前的8组用频规划方案的目标函数值对比结果如下表所示：
表2非支配排序蚁群算法与其他智能算法仿真结果
Figure BDA0003062327510000191
表中，将目标函数maxSA取倒数为min(1/SA)，使三项目标函数均在数值上表现为以最小化为优化方向，更利于观察，在下图中也将延续此操作。三种算法的Pareto分布如图4a、4b、4c、4d所示。
(3)算法性能比较
本发明使用反转世代距离(Inverted generational distance,IGD)与超体积指标(Hypervolume,HV)两种算法性能指标来比较三种算法的多目标优化性能。由于真实Pareto前沿未知，因此本发明参照文献[12]的处理方式，将三种算法的全部运行结果的并集中的非支配解集近似为真实Pareto前沿，并将其作为性能指标IGD计算中的参考集。
反转世代距离(IGD)：表示参考集中每个参考点到最近的解的距离的均值。可同时评价解集的收敛性与分布性，IGD值越小，说明算法综合性能越好。
Figure BDA0003062327510000192
式中：P为待测性能的解集，P*为参考集，dis(x,y)表示点x与点y间的欧式距离。
超体积指标(HV)：表示目标函数空间中算法求得的解集与参照点围成区域的体积。可同时评价解集的收敛性与分布性，HV值越大，说明算法综合性能越好。
Figure BDA0003062327510000193
式中：δ表示Lebesgue测度，用以测量体积，|S|表示解集中非支配解的数目，vi表示参照点与解集中第i个解构成的超体积，参照点的坐标取三种算法的全部运行结果中各目标函数的历史最大值。
将表2仿真结果使用最大最小值法进行归一化处理后，求解反转世代距离(IGD)与超体积指标(HV)，结果如下表所示：
表3算法性能指标对比
Figure BDA0003062327510000201
由上表可得，本发明算法NSACA的IGD值最小，HV值最大，在IGD与HV指标上均优于NSGA-II与MOEA/D，证明该算法在求解用频规划问题时所得Pareto解集具有较好的收敛性与分布性，即所得用频规划方案质量较高。
为公平衡量三种算法的收敛速度，本发明保持上一步中的参考集、归一化标准点等不变，再次运行三种算法，程序运行时间TimeSpend≤50s不变。由于固定参考点对于HV值计算影响较大，故本发明仅对三种算法每次迭代中的IGD值进行计算与统计，以IGD值的收敛速度代表算法解集的收敛速度。结果如图5所示。由图5三种算法的IGD值变化趋势可得，本发明算法NSACA的IGD值下降趋势最明显，收敛结果也优于NSGA-II与MOEA/D，证明该算法在求解用频规划问题时可以更快收敛得到Pareto解集，即运算得出可行用频规划方案的速度更快。
在一个实施例中，如图6所示，提供了一种基于多目标优化的用频规划装置，包括：变量信息获取模块602、决策变量定义模块604、多目标优化模型构建模块606、聚类模块608、蚁群初始化模块610、蚁群迭代模块612和规划方案包获取模块614，其中：
变量信息获取模块602，用于获取用频系统的变量信息；用频系统包括多个用频平台、多台用频设备、用频过程包括多个用频时段；同一频点可以配给不在同一用频时段的多台用频设备使用；
决策变量定义模块604，用于根据变量信息设置用于描述单个用频设备规划方案的元任务信息，根据元任务信息得到决策变量；
多目标优化模型构建模块606，用于根据决策变量信息，以用频设备间同频干扰最少、需求满足最高、邻频干扰风险最低为优化目标，以频谱资源约束、同平台位置一致性约束、用频设备唯一性约束为约束条件，构建用频规划的多目标优化模型；
聚类模块608，用于对用频设备构建无权无向网络，通过Markov聚类算法对无权无向网络进行分簇操作，得到同簇用频设备；
蚁群初始化模块610，用于通过带贪心策略的爬山算法对多目标优化模型进行局部搜索，得到局部最优解；其中同频干扰和邻频干扰的分析在同簇用频设备之间进行；
蚁群迭代模块612，用于将局部最优解作为初始解集，通过基于精英个体矩阵的蚁群算法进行迭代；精英个体矩阵根据每次迭代后得到的非支配解进行更新；精英个体矩阵对应的信息素按照预设的更新规则进行更新，更新规则中的信息素更新分布系数和信息素挥发系数随着迭代次数自适应调整；
规划方案包获取模块614，用于当精英个体矩阵内非支配解数目达到预设阈值或迭代次数达到最大迭代次数后，停止迭代，输出用频系统用频规划的方案包。
决策变量定义模块604还用于根据变量信息设置用于描述单个用频设备规划方案的元任务信息中的元任务为：
Figure BDA0003062327510000211
其中，Uijkv表示用频设备wi使用频点sfj、发射功率spk，其所在用频平台的横纵地理坐标为scv；EquipmentId表示用频设备标识信息；StageId表示用频设备所处平台标识信息；Frequency表示用频设备的使用频点；Power表示用频设备的发射功率；CordX表示用频设备的x轴坐标位置，CordY表示用频设备的y轴坐标位置；
根据元任务信息得到决策变量为：
Figure BDA0003062327510000221
其中，xijkv表示元任务Uijkv的完成状态，若元任务得到执行，则xijkv＝1；否则xijkv＝0；NW表示用频设备的台数；N(SFi)表示可选频点的个数；N(SPi)表示可选功率值的个数；N(SCs(i))表示可选横纵地理坐标的个数。
多目标优化模型606还用于根据决策变量信息，以用频设备间同频干扰最少、需求满足最高、邻频干扰风险最低为优化目标，以频谱资源约束、同平台位置一致性约束、用频设备唯一性约束为约束条件，构建用频规划的多目标优化模型；其中判断同频干扰和邻频干扰的步骤为：判定两台用频设备是否存在共同工作的用频时段，若不存在，则两台用频设备不存在电磁干扰的可能性；若存在，通过自由传播模型对用频设备之间的电磁干扰可能性进行分析。
聚类模块608还用于获取用频设备的用频时段信息；单台用频设备对应无权无向网络的节点，根据用频时段信息对用频设备构建无权无向网络，若两台用频设备有共同的用频时段且有重合的可选频点，则在两台用频设备对应的节点之间设置连接边，否则不在两台用频设备对应的节点之间设置连接边；通过Markov聚类算法对无权无向网络进行分簇操作，得到同簇用频设备。
蚁群初始化模块610还用于使用爬山算法得到用频设备中第一台用频设备的用频规划方案数据；在第一台用频设备的用频规划方案数据基础上求解前两台用频设备的用频规划方案，直至将用频设备中全部用频设备遍历，得到用频设备中所有用频设备的用频规划方案数据。
蚁群迭代模块612还用于将精英个体矩阵与信息素矩阵初始化；将局部最优解作为初始解集；在单只蚂蚁的单次迭代过程中，按照用频设备用频需求优先级选择需要指派元任务的用频设备；根据元任务指派的概率分布为选取的用频设备指派一个元任务，得到单只蚂蚁对应的一组用频规划方案；元任务指派的概率分布的分布函数包括信息素矩阵；在每次蚁群迭代得到多组用频规划方案后，通过非支配排序算法选取序值为1的非支配规划方案；将非支配规划方案加入精英个体矩阵中，从精英个体矩阵中随机选取一个精英个体作为参考系，对多组用频规划方案中的用频规划方案进行调度改进操作。
关于基于多目标优化的用频规划装置的具体限定可以参见上文中对于基于多目标优化的用频规划方法的限定，在此不再赘述。上述基于多目标优化的用频规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于多目标优化的用频规划方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于多目标优化的用频规划方法，其特征在于，所述方法包括：
获取用频系统的变量信息；所述用频系统包括多个用频平台、多台用频设备、用频过程包括多个用频时段；同一频点可以配给不在同一用频时段的多台用频设备使用；
根据所述变量信息设置用于描述单个用频设备规划方案的元任务信息，根据所述元任务信息得到决策变量；
根据所述决策变量信息，以所述用频设备间同频干扰最少、需求满足最高、邻频干扰风险最低为优化目标，以频谱资源约束、同平台位置一致性约束、用频设备唯一性约束为约束条件，构建用频规划的多目标优化模型；
对所述用频设备构建无权无向网络，通过Markov聚类算法对所述无权无向网络进行分簇操作，得到同簇用频设备；
通过带贪心策略的爬山算法对所述多目标优化模型进行局部搜索，得到局部最优解；其中同频干扰和邻频干扰的分析在所述同簇用频设备之间进行；
将所述局部最优解作为初始解集，通过基于精英个体矩阵的蚁群算法进行迭代；所述精英个体矩阵根据每次迭代后得到的非支配解进行更新；所述精英个体矩阵对应的信息素按照预设的更新规则进行更新，所述更新规则中的信息素更新分布系数和信息素挥发系数随着迭代次数自适应调整；
当所述精英个体矩阵内非支配解数目达到预设阈值或迭代次数达到最大迭代次数后，停止迭代，输出所述用频系统用频规划的方案包。
2.根据权利要求1所述的方法，其特征在于，根据所述变量信息设置用于描述单个用频设备规划方案的元任务信息，根据所述元任务信息得到决策变量，包括：
根据所述变量信息设置用于描述单个用频设备规划方案的元任务信息中的元任务为：
Figure FDA0003062327500000011
其中，Uijkv表示用频设备wi使用频点sfj、发射功率spk，其所在用频平台的横纵地理坐标为scv；EquipmentId表示用频设备标识信息；StageId表示用频设备所处平台标识信息；Frequency表示用频设备的使用频点；Power表示用频设备的发射功率；CordX表示用频设备的x轴坐标位置，CordY表示用频设备的y轴坐标位置；
根据所述元任务信息得到决策变量为：
Figure FDA0003062327500000021
其中，xijkv表示所述元任务Uijkv的完成状态，若所述元任务得到执行，则xijkv＝1；否则xijkv＝0；NW表示所述用频设备的台数；
Figure FDA0003062327500000022
表示可选频点的个数；
Figure FDA0003062327500000023
表示可选功率值的个数；
Figure FDA0003062327500000024
表示可选横纵地理坐标的个数。
3.根据权利要求2所述的方法，其特征在于，根据所述决策变量信息，以所述用频设备间同频干扰最少、需求满足最高、邻频干扰风险最低为优化目标，以频谱资源约束、同平台位置一致性约束、用频设备唯一性约束为约束条件，构建用频规划的多目标优化模型，包括：
根据所述决策变量信息，以所述用频设备间同频干扰最少、需求满足最高、邻频干扰风险最低为优化目标，以频谱资源约束、同平台位置一致性约束、用频设备唯一性约束为约束条件，构建用频规划的多目标优化模型；其中判断同频干扰和邻频干扰的步骤为：
判定两台所述用频设备是否存在共同工作的用频时段，若不存在，则两台所述用频设备不存在电磁干扰的可能性；
若存在，通过自由传播模型对所述用频设备之间的电磁干扰可能性进行分析。
4.根据权利要求3所述的方法，其特征在于，对所述用频设备构建无权无向网络，通过Markov聚类算法对所述无权无向网络进行分簇操作，得到同簇用频设备，包括：
获取所述用频设备的用频时段信息；
单台所述用频设备对应所述无权无向网络的节点，根据所述用频时段信息对所述用频设备构建无权无向网络，若两台用频设备有共同的用频时段且有重合的可选频点，则在两台所述用频设备对应的节点之间设置连接边，否则不在两台所述用频设备对应的节点之间设置连接边；
通过Markov聚类算法对所述无权无向网络进行分簇操作，得到同簇用频设备。
5.根据权利要求4所述的方法，其特征在于，所述通过带贪心策略的爬山算法对所述多目标优化模型进行局部搜索，得到局部最优解，包括：
使用爬山算法得到所述用频设备中第一台用频设备的用频规划方案数据；
在所述第一台用频设备的用频规划方案数据基础上求解前两台用频设备的用频规划方案，直至将所述用频设备中全部用频设备遍历，得到所述用频设备中所有用频设备的用频规划方案数据。
6.根据权利要求5所述的方法，其特征在于，将所述局部最优解作为初始解集，通过基于精英个体矩阵的蚁群算法进行迭代，包括：
将精英个体矩阵与信息素矩阵初始化；
将所述局部最优解作为初始解集；
在单只蚂蚁的单次迭代过程中，按照用频设备用频需求优先级选择需要指派元任务的用频设备；
根据元任务指派的概率分布为选取的所述用频设备指派一个元任务，得到单只蚂蚁对应的一组用频规划方案；所述元任务指派的概率分布的分布函数包括所述信息素矩阵；
在每次蚁群迭代得到多组用频规划方案后，通过非支配排序算法选取序值为1的非支配规划方案；
将所述非支配规划方案加入所述精英个体矩阵中，从所述精英个体矩阵中随机选取一个精英个体作为参考系，对所述多组用频规划方案中的用频规划方案进行调度改进操作。
7.根据权利要求6所述的方法，其特征在于，将所述非支配规划方案加入所述精英个体矩阵中，从所述精英个体矩阵中随机选取一个精英个体作为参考系，对所述多组用频规划方案中的用频规划方案进行调度改进操作，包括：
将所述非支配规划方案加入所述精英个体矩阵中，从所述精英个体矩阵中随机选取一个精英个体作为参考系，对所述多组用频规划方案中的用频规划方案进行调度改进操作；在所述调度改进操作过程中，进行调整的用频设备数量不超过总用频设备数量的10％。
8.一种基于多目标优化的用频规划装置，其特征在于，所述装置包括：
变量信息获取模块，用于获取用频系统的变量信息；所述用频系统包括多个用频平台、多台用频设备、用频过程包括多个用频时段；同一频点可以配给不在同一用频时段的多台用频设备使用；
决策变量定义模块，用于根据所述变量信息设置用于描述单个用频设备规划方案的元任务信息，根据所述元任务信息得到决策变量；
多目标优化模型构建模块，用于根据所述决策变量信息，以所述用频设备间同频干扰最少、需求满足最高、邻频干扰风险最低为优化目标，以频谱资源约束、同平台位置一致性约束、用频设备唯一性约束为约束条件，构建用频规划的多目标优化模型；
聚类模块，用于对所述用频设备构建无权无向网络，通过Markov聚类算法对所述无权无向网络进行分簇操作，得到同簇用频设备；
蚁群初始化模块，用于通过带贪心策略的爬山算法对所述多目标优化模型进行局部搜索，得到局部最优解；其中同频干扰和邻频干扰的分析在所述同簇用频设备之间进行；
蚁群迭代模块，用于将所述局部最优解作为初始解集，通过基于精英个体矩阵的蚁群算法进行迭代；所述精英个体矩阵根据每次迭代后得到的非支配解进行更新；所述精英个体矩阵对应的信息素按照预设的更新规则进行更新，所述更新规则中的信息素更新分布系数和信息素挥发系数随着迭代次数自适应调整；
规划方案包获取模块，用于当所述精英个体矩阵内非支配解数目达到预设阈值或迭代次数达到最大迭代次数后，停止迭代，输出所述用频系统用频规划的方案包。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110516233.7A 2021-05-12 2021-05-12 基于多目标优化的用频规划方法、装置和计算机设备 Active CN113111594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110516233.7A CN113111594B (zh) 2021-05-12 2021-05-12 基于多目标优化的用频规划方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110516233.7A CN113111594B (zh) 2021-05-12 2021-05-12 基于多目标优化的用频规划方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN113111594A true CN113111594A (zh) 2021-07-13
CN113111594B CN113111594B (zh) 2022-04-12

Family

ID=76722393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110516233.7A Active CN113111594B (zh) 2021-05-12 2021-05-12 基于多目标优化的用频规划方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN113111594B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114357724A (zh) * 2021-12-13 2022-04-15 中国人民解放军国防科技大学 基于动态多目标优化的临机用频规划方法、装置和设备
CN115081884A (zh) * 2022-06-23 2022-09-20 哈尔滨工业大学 一种分布式星上在线多对多任务规划方法
CN115150963A (zh) * 2022-09-05 2022-10-04 中国人民解放军国防科技大学 一种面向多用户场景的分布式干扰规避方法和装置
CN115189788A (zh) * 2022-07-04 2022-10-14 中国舰船研究设计中心 面向用频行为的频谱分配方法、电子设备及存储介质
CN115730700A (zh) * 2022-09-29 2023-03-03 中国人民解放军海军航空大学 基于参考点的自适应多目标任务规划方法、系统和设备
CN116321467A (zh) * 2023-03-22 2023-06-23 中国人民解放军93216部队 一种基于用频需求匹配度的频率指配方法
CN118365000A (zh) * 2024-05-17 2024-07-19 广州智在信息科技有限公司 一种工业互联网平台的任务处理方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20160285265A1 (en) * 2015-03-25 2016-09-29 Eleon Energy, Inc. Methods and systems for power restoration planning employing simulation and a frequency analysis test
CN106131853A (zh) * 2016-06-16 2016-11-16 中国人民解放军国防信息学院 基于冲突消解迭代优化算法的无线电频谱资源规划方法
CN111225367A (zh) * 2020-01-08 2020-06-02 西安电子科技大学 基于混合粒子群算法的rfid网络规划方法
CN111526520A (zh) * 2020-05-12 2020-08-11 华北电力大学 一种rfid与wsn集成网络多目标规划方法
CN112766510A (zh) * 2021-01-04 2021-05-07 四川大学 基于多目标蚁群算法的可解释混合类型模糊系统优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20160285265A1 (en) * 2015-03-25 2016-09-29 Eleon Energy, Inc. Methods and systems for power restoration planning employing simulation and a frequency analysis test
CN106131853A (zh) * 2016-06-16 2016-11-16 中国人民解放军国防信息学院 基于冲突消解迭代优化算法的无线电频谱资源规划方法
CN111225367A (zh) * 2020-01-08 2020-06-02 西安电子科技大学 基于混合粒子群算法的rfid网络规划方法
CN111526520A (zh) * 2020-05-12 2020-08-11 华北电力大学 一种rfid与wsn集成网络多目标规划方法
CN112766510A (zh) * 2021-01-04 2021-05-07 四川大学 基于多目标蚁群算法的可解释混合类型模糊系统优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐宗龙等: "基于模糊物元模型的用频方案评估", 《电波科学学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114357724A (zh) * 2021-12-13 2022-04-15 中国人民解放军国防科技大学 基于动态多目标优化的临机用频规划方法、装置和设备
CN115081884A (zh) * 2022-06-23 2022-09-20 哈尔滨工业大学 一种分布式星上在线多对多任务规划方法
CN115189788A (zh) * 2022-07-04 2022-10-14 中国舰船研究设计中心 面向用频行为的频谱分配方法、电子设备及存储介质
CN115150963A (zh) * 2022-09-05 2022-10-04 中国人民解放军国防科技大学 一种面向多用户场景的分布式干扰规避方法和装置
CN115150963B (zh) * 2022-09-05 2022-11-04 中国人民解放军国防科技大学 一种面向多用户场景的分布式干扰规避方法和装置
CN115730700A (zh) * 2022-09-29 2023-03-03 中国人民解放军海军航空大学 基于参考点的自适应多目标任务规划方法、系统和设备
CN116321467A (zh) * 2023-03-22 2023-06-23 中国人民解放军93216部队 一种基于用频需求匹配度的频率指配方法
CN116321467B (zh) * 2023-03-22 2024-02-02 中国人民解放军93216部队 一种基于用频需求匹配度的频率指配方法
CN118365000A (zh) * 2024-05-17 2024-07-19 广州智在信息科技有限公司 一种工业互联网平台的任务处理方法和系统

Also Published As

Publication number Publication date
CN113111594B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN113111594B (zh) 基于多目标优化的用频规划方法、装置和计算机设备
Ding et al. A bi-objective load balancing model in a distributed simulation system using NSGA-II and MOPSO approaches
CN114357724B (zh) 基于动态多目标优化的临机用频规划方法、装置和设备
CN111586720A (zh) 一种多小区场景下的任务卸载和资源分配的联合优化方法
Zhang et al. A large-scale multiobjective satellite data transmission scheduling algorithm based on SVM+ NSGA-II
CN102316464B (zh) 基于非支配解排序量子雁群算法的多目标频谱分配方法
CN114698128B (zh) 一种认知星地网络的抗干扰信道选择方法和系统
CN113037877A (zh) 云边端架构下时空数据及资源调度的优化方法
Rkhami et al. On the use of graph neural networks for virtual network embedding
CN113191024B (zh) 基于多目标优化的用频规划建模方法、装置和计算机设备
Armant et al. Semi-online task assignment policies for workload consolidation in cloud computing systems
CN114519190A (zh) 基于贝叶斯网络攻击图的多目标网络安全动态评估方法
CN116541106A (zh) 计算任务卸载方法、计算设备及存储介质
Elahi et al. Online context-aware task assignment in mobile crowdsourcing via adaptive discretization
Morell et al. A multi-objective approach for communication reduction in federated learning under devices heterogeneity constraints
CN109859063B (zh) 一种社区发现方法、装置、存储介质及终端设备
CN117436627A (zh) 任务分配方法、装置、终端设备及介质
Cho et al. Distributed dual coordinate ascent in general tree networks and communication network effect on synchronous machine learning
Kim Learning and game based spectrum allocation model for internet of medical things (IoMT) platform
James et al. An inter-molecular adaptive collision scheme for chemical reaction optimization
Lakhno et al. Multi-criterial optimization composition of cyber security circuits based on genetic algorithm
Masdari et al. Energy-aware computation offloading in mobile edge computing using quantum-based arithmetic optimization algorithm
Alali et al. New Methods for Optimal Power Allocation and Joint Resource Scheduling in 5G Network which Use Mobile Edge Computing
Antonius Efficient resource allocation through CNN-game theory based network slicing recognition for next-generation networks
Benameur et al. A hybrid discrete particle swarm algorithm for solving the fixed-spectrum frequency assignment problem

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