CN113766623A - 基于改进人工蜂群的认知无线电功率分配方法 - Google Patents

基于改进人工蜂群的认知无线电功率分配方法 Download PDF

Info

Publication number
CN113766623A
CN113766623A CN202110841245.7A CN202110841245A CN113766623A CN 113766623 A CN113766623 A CN 113766623A CN 202110841245 A CN202110841245 A CN 202110841245A CN 113766623 A CN113766623 A CN 113766623A
Authority
CN
China
Prior art keywords
honey
honey source
cognitive
cognitive user
bee colony
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
CN202110841245.7A
Other languages
English (en)
Other versions
CN113766623B (zh
Inventor
林瑞全
林剑峰
王俊
李谋道
谢鑫
程长春
章敏
谢欢
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202110841245.7A priority Critical patent/CN113766623B/zh
Publication of CN113766623A publication Critical patent/CN113766623A/zh
Application granted granted Critical
Publication of CN113766623B publication Critical patent/CN113766623B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/38—TPC being performed in particular situations
    • H04W52/46—TPC being performed in particular situations in multi hop networks, e.g. wireless relay networks
    • 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]
    • 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
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/10—Dynamic resource partitioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/30—TPC using constraints in the total amount of available transmission power
    • H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
    • H04W52/346—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading distributing total power among users or channels
    • 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)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提出一种基于改进人工蜂群的认知无线电功率分配方法，包括以下步骤：步骤S1：在一个时隙T内，认知用户根据主用户携带的数据包的大小选择合作中继通信的主用户，计算出认知用户传输自身数据的吞吐量；步骤S2：获得合作通信中认知用户的吞吐量后，通过联合时间分配因子和认知用户传输功率构建的目标函数；步骤S3：初始化改进的人工蜂群算法，计算目标函数的适应度值；得到认知用户吞吐量最大化的传输功率。其利用改进人工蜂群算法对认知用户进行功率分配，通过该方法可以提高频谱利用率。利用本发明的方法能够找到最优时间和最优功率分配策略，在满足所有约束条件的情况下使数据速率或者吞吐量最大化。

Description

基于改进人工蜂群的认知无线电功率分配方法
技术领域
本发明属于认知无线电资源分配技术领域，尤其涉及一种基于改进人工蜂群的认知无线电功率分配方法。
背景技术
随着科技的进步，人们生活的日新月异，无线通信技术在各种领域都得到了相当广泛的应用，成为了人与人之间交流必不可少的沟通载体，利用无线通信技术，我们可以实现无线信号的覆盖，通过无线网络使各种终端设备实现端到端的连接，最大程度的满足人们对于无线通信的需求。认知无线电技术的思想是无线电频谱资源的动态分配和共享，即在授权用户不使用授权频带的时候，将空闲下来的频段分配给认知用户，从而达到高效的频带利用率。
认知无线电的出现主要是为了解决当前频谱资源利用率较低导致的资源浪费的，认知用户在主用户不使用授权频带时接入，从而提高频谱利用率。但要实现这项技术，一个重要的前提就是：当认知用户使用空闲的授权频段时，其传输功率造成的干扰不能对主用户通信造成影响，同时还要尽可能利用频谱资源。因此就需要对认知用户进行功率分配。
发明内容
为了弥补现有技术的空白和不足，本发明的目的在于提供一种基于改进人工蜂群的认知无线电功率分配方法，其利用改进人工蜂群算法对认知用户进行功率分配，通过该方法可以提高频谱利用率。利用本发明的方法能够找到最优时间和最优功率分配策略，在满足所有约束条件的情况下使数据速率或者吞吐量最大化。
本发明具体采用以下技术方案：
一种基于改进人工蜂群的认知无线电功率分配方法，其特征在于，包括以下步骤：
步骤S1：在一个时隙T内，认知用户根据主用户携带的数据包的大小选择合作中继通信的主用户，计算出认知用户传输自身数据的吞吐量；
步骤S2：获得合作通信中认知用户的吞吐量后，通过联合时间分配因子η和认知用户传输功率
Figure RE-GDA0003314918400000011
构建的目标函数；
步骤S3：初始化改进的人工蜂群算法，计算目标函数的适应度值；得到认知用户吞吐量最大化的传输功率
Figure RE-GDA0003314918400000021
所述改进的人工蜂群算法包括：每个蜜源位置代表优化问题的一个可能解，花蜜量质量的好坏对由适应度值来衡量,每个蜜源位置代表优化问题的一个可能解，花蜜量质量的好坏对由适应度值来衡量；完成搜索任务后，观察蜂得到采蜜蜂传递的蜜源信息后，根据与蜜源相关的概率值pi选择一个蜜源；设定limit 控制蜜源的改进次数，当蜜源改进次数超过limit，那么该位置将被放弃，此时采蜜蜂转变为侦察蜂，随机搜索一个蜜源替换原蜜源；引入随机全局搜索因子，在每次的搜索将当前最优适应度的蜜源信息加入下一次位置更新。
进一步地，步骤S2中，通过联合时间分配因子η和认知用户传输功率
Figure RE-GDA00033149184000000211
构建的目标函数的过程具体包括以下步骤：
步骤S21：假设认知用户上一时隙剩余的能量为
Figure RE-GDA0003314918400000022
认知用户从周围的射频信号中采集能量，此阶段采集的能量为
Figure RE-GDA0003314918400000023
Figure RE-GDA0003314918400000024
其中，
Figure RE-GDA00033149184000000212
为能量采集效率，
Figure RE-GDA0003314918400000025
为PTi→STj的发射功率，
Figure RE-GDA0003314918400000026
为PTi→STj的信道增益，
Figure RE-GDA0003314918400000027
为PTi→STj的路径距离；
步骤S22：PTi→STj传输数据，STj处的可实现吞吐量为：
Figure RE-GDA0003314918400000028
其中，
Figure RE-GDA0003314918400000029
为PTi→STj的信道增益，
Figure RE-GDA00033149184000000210
为PTi→STj的路径距离，σ2为高斯噪声功率；
STj采用DF协议将解码后的数据传送到PRi，则PRi处可达到的吞吐量为：
Figure RE-GDA0003314918400000031
其中，
Figure RE-GDA00033149184000000311
为STj→PRi的传输功率，
Figure RE-GDA0003314918400000032
为STj→PRi的信道增益，
Figure RE-GDA0003314918400000033
为STj→ PRi的路径距离；
步骤S23：主用户传输完自身的数据，授权信道空闲下来，认知用户可以传输自己的数据，得到此时认知用户的吞吐量为：
Figure RE-GDA0003314918400000034
其中，
Figure RE-GDA0003314918400000035
为STj→SRj的传输功率；
Figure RE-GDA0003314918400000036
为STj→SRj的信道增益；
Figure RE-GDA0003314918400000037
为 STj→SRj的路径距离。
进一步地，步骤S3具体包括以下步骤：
步骤S31：初始化参数；
步骤S32：以每个蜜源位置代表优化问题的一个可能解，花蜜量质量的好坏对由适应度值来衡量,每个蜜源位置代表优化问题的一个可能解，花蜜量质量的好坏对由适应度值衡量，以此确定适应度函数，采蜜蜂根据该式对蜜源领域搜索:
Figure RE-GDA0003314918400000038
其中，k为不同于i的蜜源，j为随机选择下标，
Figure RE-GDA0003314918400000039
为[-1,1]之间的随机数，控制着xij领域内蜜源位置的产生；
步骤S33：完成搜索任务后，观察蜂得到采蜜蜂传递的蜜源信息后，根据与蜜源相关的概率值pi选择一个蜜源并对其领域进行搜索，蜜源被选择的概率计算公式为：
Figure RE-GDA00033149184000000310
式中，pi为第i个蜜源被选中的概率；fiti为解Xi的适应度值；(i＝1,2,…,SN)， SN为种群中解的个数；
步骤S34：设定limit控制蜜源的改进次数，当蜜源改进次数超过limit，那么该位置将被放弃，此时采蜜蜂转变为侦察蜂，随机搜索一个蜜源替换原蜜源；其公式为：
Figure RE-GDA0003314918400000041
式中，
Figure RE-GDA0003314918400000042
为第i个蜜源的第j维的值，j∈{1,2,…,D}；
步骤S35：判断是否符合终止条件，如果为否则回到步骤S32；如果为是则由此选取最优蜜源[η,Psu]，得出SU的最大吞吐量。
进一步地，引入随机全局搜索因子，在每次的搜索将当前最优适应度的蜜源信息加入下一次位置更新，改进的公式为：
Figure RE-GDA0003314918400000043
式中，
Figure RE-GDA0003314918400000044
是[0,1]的随机数；xbest,j代表适应度值最高的蜜源。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的基于改进人工蜂群的认知无线电功率分配方法的步骤。
一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上所述的基于改进人工蜂群的认知无线电功率分配方法的步骤。
与现有技术相比，本发明及其优选方案能够找到最优时间和最优功率分配策略，在满足所有约束条件的情况下使数据速率或者吞吐量最大化。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1为本发明实施例时隙划分示意图。
图2为本发明实施例改进的人工蜂群算法流程意图。
图3为本发明实施例发射功率和吞吐量的对比示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
本实施例提供了一种基于改进人工蜂群的认知无线电功率分配方法，具体包括以下步骤：
步骤1：在一个时隙T内，认知用户根据主用户携带的数据包的大小来选择合作中继通信的主用户，计算出认知用户传输自己数据的吞吐量；
步骤2：获得合作通信中认知用户的吞吐量后，通过联合时间分配因子η和认知用户传输功率
Figure RE-GDA0003314918400000058
构建的目标函数；
步骤3：初始化改进的人工蜂群算法，计算目标函数的适应度值；从而得到认知用户吞吐量最大化的传输功率
Figure RE-GDA00033149184000000511
如图1所示，本实施例时隙划分图步骤如下所示：
步骤(2.1)：假设认知用户上一时隙剩余的能量为
Figure RE-GDA0003314918400000051
认知用户从周围的射频信号中采集能量，此阶段采集的能量为
Figure RE-GDA0003314918400000052
Figure RE-GDA0003314918400000053
其中，
Figure RE-GDA00033149184000000510
为能量采集效率，
Figure RE-GDA0003314918400000054
为PTi→STj的发射功率，
Figure RE-GDA0003314918400000055
为PTi→STj的信道增益，
Figure RE-GDA0003314918400000056
为PTi→STj的路径距离；
步骤(2.2)：PTi→STj传输数据，STj处的可实现吞吐量为：
Figure RE-GDA0003314918400000057
其中，
Figure RE-GDA0003314918400000061
为PTi→STj的信道增益，
Figure RE-GDA0003314918400000062
为PTi→STj的路径距离，σ2为高斯噪声功率；
STj采用DF协议将解码后的数据传送到PRi，则PRi处可达到的吞吐量为：
Figure RE-GDA0003314918400000063
其中，
Figure RE-GDA00033149184000000612
为STj→PRi的传输功率，
Figure RE-GDA0003314918400000064
为STj→PRi的信道增益，
Figure RE-GDA0003314918400000065
为STj→ PRi的路径距离；
步骤(2.3)：主用户传输完自身的数据，授权信道空闲下来，认知用户可以传输自己的数据，得到此时认知用户的吞吐量为：
Figure RE-GDA0003314918400000066
其中，
Figure RE-GDA0003314918400000067
为STj→SRj的传输功率；
Figure RE-GDA0003314918400000068
为STj→SRj的信道增益；
Figure RE-GDA0003314918400000069
为 STj→SRj的路径距离。
进一步，如图2所示，本实施例人工蜂群算法流程步骤如下所示：
步骤(3.1)：人工蜂群算法主要模拟蜂群的智能采集行为,每个蜜源位置代表优化问题的一个可能解，花蜜量质量的好坏对由适应度值来衡量,每个蜜源位置代表优化问题的一个可能解，花蜜量质量的好坏对由适应度值来衡量:
Figure RE-GDA00033149184000000610
其中，k为不同于i的蜜源，j为随机选择下标，
Figure RE-GDA00033149184000000611
为[-1,1]之间的随机数，控制着xij领域内蜜源位置的产生。
步骤(3.2)：完成搜索任务后，观察蜂得到采蜜蜂传递的蜜源信息后，根据与蜜源相关的概率值pi选择一个蜜源，蜜源被选择的概率计算公式为：
Figure RE-GDA0003314918400000071
式中，pi为第i个蜜源被选中的概率；fiti为解Xi的适应度值；(i＝1,2,…,SN)， SN为种群中解的个数。
步骤(3.3)：设定limit控制蜜源的改进次数，当蜜源改进次数超过limit，那么该位置将被放弃，此时采蜜蜂转变为侦察蜂，随机搜索一个蜜源替换原蜜源。其公式为：
Figure RE-GDA0003314918400000072
式中，
Figure RE-GDA0003314918400000073
为第i个蜜源的第j维的值，j∈{1,2,…,D}。
步骤(3.4)：引入随机全局搜索因子，在每次的搜索将当前最优适应度的蜜源信息加入下一次位置更新，改进的公式为：
Figure RE-GDA0003314918400000074
式中，
Figure RE-GDA0003314918400000075
是[0,1]的随机数；xbest,j代表适应度值最高的蜜源。
需要说明的是，本实施例提供的一种基于改进人工蜂群的认知无线电功率分配方法，在保证不影响主用户传输数据的前提下，可以实现认知用户吞吐量的最大化。如图3所示，相比于原算法，改进的算法具有明显的性能优势，吞吐量得到了提升。
本实施例提供的以上方法可以代码化的形式存储在计算机可读取存储介质中，并以计算机程序的方式进行实现，并通过计算机硬件输入计算所需的基本参数信息，并输出计算结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和 /或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于改进人工蜂群的认知无线电功率分配方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (6)

1.一种基于改进人工蜂群的认知无线电功率分配方法，其特征在于，包括以下步骤：
步骤S1：在一个时隙T内，认知用户根据主用户携带的数据包的大小选择合作中继通信的主用户，计算出认知用户传输自身数据的吞吐量；
步骤S2：获得合作通信中认知用户的吞吐量后，通过联合时间分配因子η和认知用户传输功率
Figure RE-FDA0003314918390000011
构建的目标函数；
步骤S3：初始化改进的人工蜂群算法，计算目标函数的适应度值；得到认知用户吞吐量最大化的传输功率
Figure RE-FDA0003314918390000012
所述改进的人工蜂群算法包括：每个蜜源位置代表优化问题的一个可能解，花蜜量质量的好坏对由适应度值来衡量,每个蜜源位置代表优化问题的一个可能解，花蜜量质量的好坏对由适应度值来衡量；完成搜索任务后，观察蜂得到采蜜蜂传递的蜜源信息后，根据与蜜源相关的概率值pi选择一个蜜源；设定limit控制蜜源的改进次数，当蜜源改进次数超过limit，那么该位置将被放弃，此时采蜜蜂转变为侦察蜂，随机搜索一个蜜源替换原蜜源；引入随机全局搜索因子，在每次的搜索将当前最优适应度的蜜源信息加入下一次位置更新。
2.根据权利要求1所述的基于改进人工蜂群的认知无线电功率分配方法，其特征在于：步骤S2中，通过联合时间分配因子η和认知用户传输功率
Figure RE-FDA0003314918390000013
构建的目标函数的过程具体包括以下步骤：
步骤S21：假设认知用户上一时隙剩余的能量为
Figure RE-FDA0003314918390000014
认知用户从周围的射频信号中采集能量，此阶段采集的能量为
Figure RE-FDA0003314918390000015
Figure RE-FDA0003314918390000016
其中，
Figure RE-FDA0003314918390000017
为能量采集效率，
Figure RE-FDA0003314918390000018
为PTi→STj的发射功率，
Figure RE-FDA0003314918390000019
为PTi→STj的信道增益，
Figure RE-FDA00033149183900000110
为PTi→STj的路径距离；
步骤S22：PTi→STj传输数据，STj处的可实现吞吐量为：
Figure RE-FDA0003314918390000021
其中，
Figure RE-FDA0003314918390000022
为PTi→STj的信道增益，
Figure RE-FDA0003314918390000023
为PTi→STj的路径距离，σ2为高斯噪声功率；
STj采用DF协议将解码后的数据传送到PRi，则PRi处可达到的吞吐量为：
Figure RE-FDA0003314918390000024
其中，
Figure RE-FDA0003314918390000025
为STj→PRi的传输功率，
Figure RE-FDA0003314918390000026
为STj→PRi的信道增益，
Figure RE-FDA0003314918390000027
为STj→PRi的路径距离；
步骤S23：主用户传输完自身的数据，授权信道空闲下来，认知用户可以传输自己的数据，得到此时认知用户的吞吐量为：
Figure RE-FDA0003314918390000028
其中，
Figure RE-FDA0003314918390000029
为STj→SRj的传输功率；
Figure RE-FDA00033149183900000210
为STj→SRj的信道增益；
Figure RE-FDA00033149183900000211
为STj→SRj的路径距离。
3.根据权利要求2所述的基于改进人工蜂群的认知无线电功率分配方法，其特征在于：步骤S3具体包括以下步骤：
步骤S31：初始化参数；
步骤S32：以每个蜜源位置代表优化问题的一个可能解，花蜜量质量的好坏对由适应度值来衡量,每个蜜源位置代表优化问题的一个可能解，花蜜量质量的好坏对由适应度值衡量，以此确定适应度函数，采蜜蜂根据该式对蜜源领域搜索:
Figure RE-FDA00033149183900000212
其中，k为不同于i的蜜源，j为随机选择下标，
Figure RE-FDA0003314918390000031
为[-1,1]之间的随机数，控制着xij领域内蜜源位置的产生；
步骤S33：完成搜索任务后，观察蜂得到采蜜蜂传递的蜜源信息后，根据与蜜源相关的概率值pi选择一个蜜源并对其领域进行搜索，蜜源被选择的概率计算公式为：
Figure RE-FDA0003314918390000032
式中，pi为第i个蜜源被选中的概率；fiti为解Xi的适应度值；(i＝1,2,…,SN)，SN为种群中解的个数；
步骤S34：设定limit控制蜜源的改进次数，当蜜源改进次数超过limit，那么该位置将被放弃，此时采蜜蜂转变为侦察蜂，随机搜索一个蜜源替换原蜜源；其公式为：
Figure RE-FDA0003314918390000033
式中，
Figure RE-FDA0003314918390000034
为第i个蜜源的第j维的值，j∈{1,2,…,D}；
步骤S35：判断是否符合终止条件，如果为否则回到步骤S32；如果为是则由此选取最优蜜源[η,Psu]，得出SU的最大吞吐量。
4.根据权利要求3所述的基于改进人工蜂群的认知无线电功率分配方法，其特征在于：引入随机全局搜索因子，在每次的搜索将当前最优适应度的蜜源信息加入下一次位置更新，改进的公式为：
Figure RE-FDA0003314918390000035
式中，
Figure RE-FDA0003314918390000036
是[0,1]的随机数；xbest,j代表适应度值最高的蜜源。
5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4其中任一所述的基于改进人工蜂群的认知无线电功率分配方法的步骤。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-4其中任一所述的基于改进人工蜂群的认知无线电功率分配方法的步骤。
CN202110841245.7A 2021-07-23 2021-07-23 基于改进人工蜂群的认知无线电功率分配方法 Active CN113766623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110841245.7A CN113766623B (zh) 2021-07-23 2021-07-23 基于改进人工蜂群的认知无线电功率分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110841245.7A CN113766623B (zh) 2021-07-23 2021-07-23 基于改进人工蜂群的认知无线电功率分配方法

Publications (2)

Publication Number Publication Date
CN113766623A true CN113766623A (zh) 2021-12-07
CN113766623B CN113766623B (zh) 2023-05-09

Family

ID=78787919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110841245.7A Active CN113766623B (zh) 2021-07-23 2021-07-23 基于改进人工蜂群的认知无线电功率分配方法

Country Status (1)

Country Link
CN (1) CN113766623B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100304773A1 (en) * 2009-05-27 2010-12-02 Ramprashad Sean A Method for selective antenna activation and per antenna or antenna group power assignments in cooperative signaling wireless mimo systems
CN104993889A (zh) * 2015-07-07 2015-10-21 西安电子科技大学 一种基于人工蜂群算法的多频带协作频谱感知优化方法
CN106788939A (zh) * 2017-01-03 2017-05-31 重庆邮电大学 一种联合子载波和人工蜂群算法的ofdma自适应资源分配方案
WO2017197626A1 (zh) * 2016-05-19 2017-11-23 江南大学 改进人工蜂群优化的极限学习机方法
CN109347214A (zh) * 2018-07-16 2019-02-15 福州大学 无线电能传输系统调频控制中多峰极值的搜索方法
CN110167204A (zh) * 2019-05-08 2019-08-23 燕山大学 一种基于ms-bas算法的中继传输策略选择和功率分配方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100304773A1 (en) * 2009-05-27 2010-12-02 Ramprashad Sean A Method for selective antenna activation and per antenna or antenna group power assignments in cooperative signaling wireless mimo systems
CN104993889A (zh) * 2015-07-07 2015-10-21 西安电子科技大学 一种基于人工蜂群算法的多频带协作频谱感知优化方法
WO2017197626A1 (zh) * 2016-05-19 2017-11-23 江南大学 改进人工蜂群优化的极限学习机方法
CN106788939A (zh) * 2017-01-03 2017-05-31 重庆邮电大学 一种联合子载波和人工蜂群算法的ofdma自适应资源分配方案
CN109347214A (zh) * 2018-07-16 2019-02-15 福州大学 无线电能传输系统调频控制中多峰极值的搜索方法
CN110167204A (zh) * 2019-05-08 2019-08-23 燕山大学 一种基于ms-bas算法的中继传输策略选择和功率分配方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
卿利: "无人机蜂群网络非合作博弈的功率控制", 《电讯技术》 *
朱冰莲: "采用多策略离散人工蜂群的改进频谱分配算法", 《西安交通大学学报》 *
李鑫滨等: "基于一种改进人工蜂群算法的认知无线电频谱分配", 《应用科学学报》 *
林瑞全等: "一种基于能量检测的鲁棒频谱感知方法", 《系统科学与数学》 *
蒋雪婷等: "基于人工蜂群算法的多用户中继选择研究", 《现代计算机(专业版)》 *

Also Published As

Publication number Publication date
CN113766623B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN109729528B (zh) 一种基于多智能体深度强化学习的d2d资源分配方法
CN109474980A (zh) 一种基于深度增强学习的无线网络资源分配方法
CN113490184B (zh) 一种面向智慧工厂的随机接入资源优化方法及装置
CN112543049A (zh) 一种集成地面卫星网络的能效优化方法及装置
CN108848558B (zh) 一种基于非线性能量收集的swipt系统自适应时隙信号接收方法
CN112533237B (zh) 工业互联网中支持大规模设备通信的网络容量优化方法
CN112153744B (zh) 一种icv网络中物理层安全资源分配方法
CN114698128A (zh) 一种认知星地网络的抗干扰信道选择方法和系统
CN115987375A (zh) 融合网络的电力设备关联与资源优化方法、系统及介质
CN110418360A (zh) 无线携能网络多用户子载波比特联合分配方法
CN110139282A (zh) 一种基于神经网络的能量采集d2d通信资源分配方法
Zhang et al. Toward intelligent resource allocation on task-oriented semantic communication
Saraiva et al. Deep reinforcement learning for QoS-constrained resource allocation in multiservice networks
Hassan et al. Joint throughput-power optimization of fog-RAN using rate-splitting multiple access and reinforcement-learning based user clustering
CN114521023A (zh) Swipt辅助noma-mec系统资源分配建模方法
CN102186232B (zh) 一种多小区ofdma系统的功率分配方法
Chandra et al. Multi Agent Deep Reinforcement learning with Deep Q-Network based energy efficiency and resource allocation in NOMA wireless Systems
CN113766623A (zh) 基于改进人工蜂群的认知无线电功率分配方法
CN115915454A (zh) Swipt辅助的下行资源分配方法及装置
CN107995034B (zh) 一种密集蜂窝网络能量与业务协作方法
CN116112934A (zh) 一种基于机器学习的端到端网络切片资源分配方法
CN112911715B (zh) 一种虚拟无线网络中吞吐量最大化的功率分配方法及装置
CN115021399A (zh) 一种适配园区多能源供电网络的拓扑辨识方法及装置
CN114423070A (zh) 一种基于d2d的异构无线网络功率分配方法及系统
Jiang et al. Dueling double deep q-network based computation offloading and resource allocation scheme for internet of vehicles

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