CN114357724A - 基于动态多目标优化的临机用频规划方法、装置和设备 - Google Patents
基于动态多目标优化的临机用频规划方法、装置和设备 Download PDFInfo
- Publication number
- CN114357724A CN114357724A CN202111517997.4A CN202111517997A CN114357724A CN 114357724 A CN114357724 A CN 114357724A CN 202111517997 A CN202111517997 A CN 202111517997A CN 114357724 A CN114357724 A CN 114357724A
- Authority
- CN
- China
- Prior art keywords
- frequency
- population
- individual
- frequency utilization
- individuals
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于动态多目标优化的临机用频规划方法、装置和计算机设备。所述方法包括:构建了动态的、多优化目标的、可以实现时域的复用与频域、空域、时域综合调度的临机用频规划模型。在此基础上,引入动态非支配排序遗传算法,为完善动态非支配排序算法不具有环境变化检测机制、难以实现实时响应突发用频状况的缺陷,针对临机用频规划问题特性设计了基于敏感个体的环境变化检测机制,并将改进后的算法应用于临机用频规划模型的求解中,求解临机用频规划问题具有可行性与优越性。
Description
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动态多目标优化的临机用频规划方法、装置和计算机设备。
背景技术
随着现代信息化发展,通信、雷达探测、卫星导航、电子对抗等各类用频设备在同一时空环境下开展用频活动,如果缺乏对己方用频设备科学、周密的用频规划工作,则容易造成用频设备间的电磁干扰,影响用频设备的使用效能,甚至带来安全隐患。
用频规划问题属于NP-Hard的组合最优化问题,常用的方法包括精确算法、启发式算法两类。其中,启发式算法凭借其对大规模组合优化问题求解效率高、适用性广的特点在求解用频规划问题上得到了更广泛的应用。当前相关文献基本围绕单目标固定用频规划问题进行研究,所研究的问题模型是静态的,用频设备数量等参数不随时间变化,且优化目标是唯一的。霍景河等将遗传算法引入通信网络用频规划中,并针对问题特点改进种群初始化过程,有效提高通信网络用频规划的效率;薛寒等针对用频规划问题进行建模分析,并将遗传算法中的自然选择思想引入粒子群算法,提高了问题模型的求解效率;Bon-Hong Koo等提出基于图着色的改进贪婪算法处理用频规划问题,降低了算法复杂度并提高了求解速度。然而,用频设备投入使用的过程中,可能面临各类突发用频状况,所处电磁环境可能因此发生较大变化,需要对现行的用频规划方案及时作出调整修正,实时地得到可行的临机用频规划方案。临机用频规划问题属于动态的用频规划问题,这类研究处于起步阶段,目前张玉彬等做出相关的探索工作,将动态问题分解为初始、动态指配与动态调整阶段,使用禁忌搜索算法处理了设备增加或减少时的频率再指配问题,但这种方法只适用于用频设备数量变化的动态场景,且当设备变化量较多时的求解效率不够理想,算法鲁棒性也有待进一步提升。
发明内容
基于此,有必要针对上述技术问题,提供一种基于动态多目标优化的临机用频规划方法、装置、计算机设备和存储介质。
一种基于动态多目标优化的临机用频规划方法,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,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目标函数,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;
通过伪随机码函数得到初始种群的种群矩阵;所述种群矩阵的每一行代表一个个体,每行矩阵由对应个体的染色体和其末尾串接的目标函数值组成;所述染色体代表完整的一组用频规划方案;
将所述初始种群的目标函数空间均匀划分为多个子空间,在每个至少存在一个个体的空间中随机定义一个个体作为敏感个体,得到多个敏感个体;
根据所述初始种群和所述多目标优化模型,通过动态非支配排序遗传算法进行种群迭代,在迭代过程中若有敏感个体被淘汰,则在种群的非支配个体中随机定义新的敏感个体进行替代;
每轮迭代后,计算每个敏感个体在当前环境下的目标函数值与上一轮迭代时所处环境下目标函数值之间的差值之和,根据所述差值之和判断敏感个体的变化量是否高于预设的强度阈值,若是则引入种群多样性以更新种群;
判断是否满足迭代终止条件,若满足,输出多组Pareto最优临机用频规划方案,否则,继续迭代直到迭代终止。
一种基于动态多目标优化的临机用频规划装置,所述装置包括:
用频系统信息获取模块,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;
模型构建模块,用于根据所述变量信息,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目标函数,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;
种群初始化模块,用于通过伪随机码函数得到初始种群的种群矩阵;所述种群矩阵的每一行代表一个个体,每行矩阵由对应个体的染色体和其末尾串接的目标函数值组成;所述染色体代表完整的一组用频规划方案;
敏感个体初始化模块,用于将所述初始种群的目标函数空间均匀划分为多个子空间,在每个至少存在一个个体的空间中随机定义一个个体作为敏感个体,得到多个敏感个体;
迭代模块,根据所述初始种群和所述多目标优化模型,通过动态非支配排序遗传算法进行种群迭代,在迭代过程中若有敏感个体被淘汰,则在种群的非支配个体中随机定义新的敏感个体进行替代;
环境变化检测和响应模块,用于在每轮迭代后,计算每个敏感个体在当前环境下的目标函数值与上一轮迭代时所处环境下目标函数值之间的差值之和,根据所述差值之和判断敏感个体的变化量是否高于预设的强度阈值,若是则引入种群多样性以更新种群;
输出模块,用于判断是否满足迭代终止条件,若满足,输出多组Pareto最优临机用频规划方案,否则,继续迭代直到迭代终止。
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,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目标函数,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;
通过伪随机码函数得到初始种群的种群矩阵;所述种群矩阵的每一行代表一个个体,每行矩阵由对应个体的染色体和其末尾串接的目标函数值组成;所述染色体代表完整的一组用频规划方案;
将所述初始种群的目标函数空间均匀划分为多个子空间,在每个至少存在一个个体的空间中随机定义一个个体作为敏感个体,得到多个敏感个体;
根据所述初始种群和所述多目标优化模型,通过动态非支配排序遗传算法进行种群迭代,在迭代过程中若有敏感个体被淘汰,则在种群的非支配个体中随机定义新的敏感个体进行替代;
每轮迭代后,计算每个敏感个体在当前环境下的目标函数值与上一轮迭代时所处环境下目标函数值之间的差值之和,根据所述差值之和判断敏感个体的变化量是否高于预设的强度阈值,若是则引入种群多样性以更新种群;
判断是否满足迭代终止条件,若满足,输出多组Pareto最优临机用频规划方案,否则,继续迭代直到迭代终止。
上述基于动态多目标优化的临机用频规划方法、装置、计算机设备和存储介质,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目标函数,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;通过伪随机码函数得到初始种群的种群矩阵;将初始种群的目标函数空间均匀划分为多个子空间,在每个至少存在一个个体的空间中随机定义一个个体作为敏感个体,得到多个敏感个体;通过动态非支配排序遗传算法进行种群迭代,在迭代过程中若有敏感个体被淘汰,则在种群的非支配个体中随机定义新的敏感个体进行替代;每轮迭代后,计算每个敏感个体在当前环境下的目标函数值与上一轮迭代时所处环境下目标函数值之间的差值之和,根据差值之和判断敏感个体的变化量是否高于预设的强度阈值,若是则引入种群多样性以更新种群;判断是否满足迭代终止条件,若满足,输出多组Pareto最优临机用频规划方案,否则,继续迭代直到迭代终止。本发明构建了动态的、多优化目标的、可以实现时域的复用与频域、空域、时域综合调度的临机用频规划模型。在此基础上,引入动态非支配排序遗传算法,为完善动态非支配排序算法不具有环境变化检测机制、难以实现实时响应突发用频状况的缺陷,针对临机用频规划问题特性设计了基于敏感个体的环境变化检测机制,并将改进后的算法应用于临机用频规划模型的求解中,求解临机用频规划问题具有可行性与优越性。
附图说明
图1为一个实施例中基于动态多目标优化的临机用频规划方法的流程示意图;
图2为一个实施例中动态多目标优化算法的一般框架图;
图3为一个实施例中改进的DNSGA-II算法的基本流程图;
图4为一个具体实施例中第一类动态场景下三种算法的Pareto分布;
图5为一个具体实施例中第一类动态场景下三种算法的IGD值变化趋势;
图6为一个具体实施例中第二类动态场景下三种算法的Pareto分布;
图7为一个具体实施例中第二类动态场景下三种算法的IGD值变化趋势;
图8为一个具体实施例中第三类动态场景下三种算法的Pareto分布;
图9为一个具体实施例中第三类动态场景下三种算法的IGD值变化趋势;
图10为一个具体实施例中第四类动态场景下三种算法的Pareto分布;
图11为一个具体实施例中第四类动态场景下三种算法的IGD值变化趋势;
图12为一个实施例中基于动态多目标优化的临机用频规划装置的结构框图;
图13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。
在一个实施例中,如图1所示,提供了一种基于动态多目标优化的临机用频规划方法,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
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。
用频规划问题建模的主要数学符号如下:
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)。
步骤104,根据变量信息,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目标函数,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。
用频设备使用过程中,用频系统可能面临多种类型的突发状况,所处电磁环境可能因此发生较大变化,可能出现此前所制定的用频规划方案的执行效果大幅降低、或在问题可行域中新增大量更优的用频规划方案的情形,需要对现行的用频规划方案及时作出相应的调整。本文根据用频设备使用过程中可能出现的典型突发用频状况,提出以下四类动态变化场景:
1.可用频谱资源变化
用频设备使用过程中,由于系统外其它用频设备的干扰,导致原先可调度的频谱资源中的部分频段不再可用;或随着态势的演变与改善,部分原先不可用频段已经可以正常使用。该场景下,模型中的可用频谱资源内的元素数目变化,进而改变频谱资源约束条件的计算,因此该场景类型属于动态多目标问题中的约束条件变化类型。
2.用频设备数量变化
出于实际需要及其他原因,我方临时新增一批用频设备投入使用,需要将这批用频设备纳入用频规划范围;或根据任务的变更,停止使用部分用频设备。该场景下,模型中的用频设备数量NW变化,而NW是决策变量X的维数,因此该场景类型属于动态多目标问题中的自变量参数变化类型。
3.地理位置变化
随着任务的推进与态势的变化,我方用频平台部署的地理位置需要根据现实情况实施转移。该场景下,模型的可选地理坐标信息内的元素数值产生变化,改变电磁冲突干扰的计算,进而改变目标函数min DT、max SA、min AR的计算,因此该场景类型属于动态多目标问题中的目标函数变化类型。
4.上述情形同时发生
复杂环境下,以上三类突发状况存在同时发生的可能。因此,在第四类动态变化场景中,可用的频谱资源、用频设备数量以及部分地理位置均产生改变。该场景下,模型的目标函数、约束条件、自变量参数均发生变化,能够更全面地验证临机用频规划方法的性能。
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:
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:
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
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:
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:
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:
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:
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。
步骤106,通过伪随机码函数得到初始种群的种群矩阵。
种群矩阵的每一行代表一个个体,每行矩阵由对应个体的染色体和其末尾串接的目标函数值组成;染色体代表完整的一组用频规划方案。
临机用频规划问题是一个典型的动态多目标问题,而动态多目标问题在数学理论上对求解方法提出了两点要求:首先,如果环境发生了超过强度阈值的改变,算法应确保能够准确、及时地检测到环境的变化并有效响应环境的变化;其次,在环境未发生超过强度阈值的改变的情况下,算法能够追踪当前环境下的理想Pareto最优前沿并不断向该方向收敛。值得注意的是,此处的“环境”并非指代现实的电磁环境,其具体的定义是:算法运行过程中,若种群中的个体在相邻迭代次数中计算得到的目标函数值存在差异,则认为环境发生了变化。目标函数值差异越大,环境变化的强度越高。
由上述可知,动态多目标优化算法(Dynamic multi-objective algorithms,DMOAs)是由第一点中的环境变化检测、变化应答机制以及第二点中的静态多目标优化所共同构成的,算法的一般框架如图2所示。由图2可知,当前所提出的动态多目标优化算法通常是在某一种静态的多目标优化算法的基础上,引入环境变化检测与应答机制构建而成的。
使用大小为pop*(NW+V)的矩阵表示种群,其中pop表示种群大小,V表示目标函数个数。矩阵每行由对应个体的染色体及其末尾串接的目标函数值组成。
本文使用符号编码方式对染色体进行编码,一组1*NW的数组代表完整的一组用频规划方案,第i列元素值代表用频设备wi在其频域、空域、能域三维决策空间中的索引值,即单个用频设备wi的用频规划方案。
在决策变量的上下界范围内使用伪随机码函数生成一组pop*NW的矩阵,其中第i行表示第i个个体的染色体,不满足约束条件的染色体则重新生成。最后,计算种群中全部个体的目标函数值并在对应染色体尾端记录。
步骤108,将初始种群的目标函数空间均匀划分为多个子空间,在每个至少存在一个个体的空间中随机定义一个个体作为敏感个体,得到多个敏感个体。
初始化敏感个体阶段,将初始种群所处的目标函数空间均匀划分为n1个子空间,其中有 n2个子空间内至少存在一个个体,则在每个子空间中随机定义一个个体作为敏感个体,因此敏感个体总数为n2。
步骤110,根据初始种群和多目标优化模型,通过动态非支配排序遗传算法进行种群迭代,在迭代过程中若有敏感个体被淘汰,则在种群的非支配个体中随机定义新的敏感个体进行替代。
使用动态非支配排序遗传算法(Dynamic non-dominated sorting geneticalgorithm II, DNSGA-II)求解临机用频规划模型,针对DNSGA-II没有设计具体的环境变化检测机制、不能实时检测态势变化造成的算法环境变化的缺陷,在DNSGA-II设计思路基础上针对临机用频规划问题的性质设计了一种基于敏感个体的环境变化检测机制,使得DNSGA-II能够实现对态势变化的有效检测与响应,适用于临机用频规划问题的求解。
在迭代过程中,若有敏感个体被淘汰,则在种群的非支配个体(序值为1)中随机定义新的敏感个体,并以此类推。
步骤112,每轮迭代后,计算每个敏感个体在当前环境下的目标函数值与上一轮迭代时所处环境下目标函数值之间的差值之和,根据差值之和判断敏感个体的变化量是否高于预设的强度阈值,若是则引入种群多样性以更新种群。
算法完成一次迭代后,计算敏感个体在当前环境下的目标函数值与上一轮迭代时所处环境下目标函数值之间的差值之和。令f1=DT,f2=1/SA,f3=AR,则计算方式如下:
Δfi=fi(j)-fi(j-1)
式中:Δfi表示敏感个体在当前迭代次数j时的第i个目标函数值fi(j)与上一轮迭代(j-1)时的值fi(j-1)间的差;m表示目标函数个数;Fsum表示敏感个体在所有目标函数值上Δfi之和,反映环境变化的强度。
完成Fsum的计算后,设置环境变化的强度阈值Fth。本章为确保能够准确检测到动态变化场景带来的算法环境变化,设置Fth=0。若存在至少一个敏感个体满足Fsum>Fth,或存在敏感个体为不可行解,则认为环境发生了明显变化,应立即做出响应;否则不做调整。
当环境变化检测机制检测到环境变化超过强度阈值时,算法应及时做出相应调整以响应环境变化。目前动态多目标优化研究领域主流的变化应答机制包括多样性引入机制、自适应应答机制、预测机制等,其中多样性引入机制凭借其低计算复杂度与易于实现的优势得到了广泛应用。DNSGA-II使用多样性引入机制响应环境变化,并根据多样性引入的具体方法的差异分为两个类型:
DNSGA-II-A:通过使用随机生成的新个体替换当前种群中的部分个体的方法,达到提高种群多样性、避免陷入局部最优的目的。
DNSGA-II-B:通过使用变异得到的子代个体替换当前种群中相应的父代个体的方法,达到相同的改善种群多样性的目的。
两类算法具有各自的优势,DNSGA-II-A的计算复杂度相对较低,而DNSGA-II-B通过变异操作能够更充分地利用原种群的信息,因此本文在实验仿真中对DNSGA-II的两种类型算法均进行了优化性能的测试与比较。
步骤114,判断是否满足迭代终止条件,若满足,输出多组Pareto最优临机用频规划方案,否则,继续迭代直到迭代终止。
上述基于动态多目标优化的临机用频规划方法中,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目标函数,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;通过伪随机码函数得到初始种群的种群矩阵;将初始种群的目标函数空间均匀划分为多个子空间,在每个至少存在一个个体的空间中随机定义一个个体作为敏感个体,得到多个敏感个体;通过动态非支配排序遗传算法进行种群迭代,在迭代过程中若有敏感个体被淘汰,则在种群的非支配个体中随机定义新的敏感个体进行替代;每轮迭代后,计算每个敏感个体在当前环境下的目标函数值与上一轮迭代时所处环境下目标函数值之间的差值之和,根据差值之和判断敏感个体的变化量是否高于预设的强度阈值,若是则引入种群多样性以更新种群;判断是否满足迭代终止条件,若满足,输出多组Pareto最优临机用频规划方案,否则,继续迭代直到迭代终止。本发明构建了动态的、多优化目标的、可以实现时域的复用与频域、空域、时域综合调度的临机用频规划模型。在此基础上,引入动态非支配排序遗传算法,为完善动态非支配排序算法不具有环境变化检测机制、难以实现实时响应突发用频状况的缺陷,针对临机用频规划问题特性设计了基于敏感个体的环境变化检测机制,并将改进后的算法应用于临机用频规划模型的求解中,求解临机用频规划问题具有可行性与优越性。
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,根据元任务信息得到决策变量;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目标函数,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。
在其中一个实施例中,还包括:在决策变量的上下界范围内通过伪随机码函数生成一组 pop*NW的个体矩阵,其中pop表示种群大小,NW表示用频设备总数;个体矩阵的每行代表一个个体的染色体;染色体代表完整的一组用频规划方案;计算每个个体的目标函数值,并在个体矩阵对应染色体尾端记录,得到初始种群的种群矩阵。
在其中一个实施例中,还包括:根据多目标优化模型,计算初代种群内个体的序值和拥挤度;根据个体的序值和拥挤度jinx快速非支配排序;采用二元锦标赛选择算法从种群中选择父代个体;采用模拟二进制交叉算子生成子代个体;采用多项式变异算子生成子代个体;将原种群与子代种群合并,计算现种群内个体的序值、拥挤度,并进行快速非支配排序;采用精英策略修剪种群,使种群规模恢复至合并前的数量。
快速非支配排序:
本文采用快速非支配排序方法对种群进行非支配排序操作。非支配排序的内涵是使用序值与拥挤度对种群个体进行分层与比较,基本逻辑为:
计算种群中每个个体i的两个参数npi与psi,其中npi表示种群中支配个体i的个体数量, psi表示种群中被个体i支配的个体集合。
将种群中所有npi=0的个体保存到当前集合H1中。集合Hk表示序值为k的个体的集合。
对于当前集合H1中的每个个体i,遍历psi中每个个体j,执行npj=npj-1,若npj=0则将个体j保存到集合H2中。
对集合H1中所有个体进行拥挤度计算,并以H2作为当前集合。重复上述操作,直至种群个体被分层完毕。
二元锦标赛选择:
本文采用二元锦标赛选择方法从种群中选择个体进入交配池繁衍。每次通过轮盘赌法随机选择两个个体,再从两者中优先选择序值低的个体;若序值相同,优先选择拥挤度高的个体。重复上述操作直至达到预定选择个体数量。
模拟二进制交叉:
交叉操作是将两个父代个体的染色体进行片段的交叉替换从而产生新染色体组合的方法。本文使用模拟二进制交叉算子,算子的基本逻辑表示为:
在区间(0,1)中随机生成一个数值u,并按下式生成交叉算子参数bq:
如果u≤0.5,则:
bq=(2×u)1/(mu+1)
否则:
bq=(1/(2×(1-u)))1/(mu+1)
式中:mu为交叉算子的交叉分布指数。
生成子代1、子代2染色体上的第i个决策变量,i初始设置为1:
child_1(i)=0.5×((1-bq)×parent_1(i)+(1+bq)×parent_2(i))
child_2(i)=0.5×((1+bq)×parent_1(i)+(1-bq)×parent_2(i)) (12)
式中:child_1(i)为子代1第i个决策变量,parent_1(i)为父代1第i个决策变量,其余同理。
执行i=i+1,重复上述操作,直至子代1、子代2染色体上全部决策变量得到确定。
多项式变异:
变异操作是指个体染色体上的决策变量按小概率扰动所产生的变化,可以有效增强算法的局部搜索能力,本文采用多项式变异算子,算子的基本逻辑表示为:
在区间(0,1)中随机生成一个数值r,并按下式生成变异算子参数delta:
如果r<0.5,则:
delta=(2×r)1/(mum+1)-1
否则:
delta=1-(2×(1-r))1/(mum+1)
式中:mum为变异算子的变异分布指数。
生成子代3染色体上的第i个决策变量,i初始设置为1:
child_3(i)=parent_3(i)+delta
式中:parent_3为进行变异操作的基准父代个体。
执行i=i+1,重复上述操作,直至子代3的染色体上全部决策变量均得到确定。
精英策略修剪种群:
父代种群与子代种群合并后,种群规模是合并前的两倍。因此,需要对种群进行修剪,恢复到原种群规模。精英策略是指将合并种群中的个体先按序值升序排列,序值相同则按拥挤度降序排列形成新的次序,再保存其中次序靠前的前pop个精英个体作为下一轮迭代的父代种群。
在其中一个实施例中,还包括:每轮迭代后,计算每个敏感个体在当前环境下的目标函数值与上一轮迭代时所处环境下目标函数值之间的差值之和:
其中,Δfi=fi(j)-fi(j-1),Δfi表示敏感个体在当前迭代次数j时的第i个目标函数值fi(j)与上一轮迭代(j-1)时的值fi(j-1)间的差;m表示目标函数个数;Fsum表示敏感个体在所有目标函数值上Δfi之和,反映环境变化的强度;若存在至少一个敏感个体满足Fsum大于预设阈值Fth,或存在敏感个体为不可行解,则认为环境发生了明显变化;引入种群多样性以更新种群。
在其中一个实施例中,还包括:通过使用随机生成的新个体替换当前种群中的部分个体以更新种群;或者通过使用变异得到的子代个体替换当前种群中相应的父代个体以更新种群。
在其中一个实施例中,还包括:获取预先设置的可用频谱资源增加的阈值;判断当前可用频谱资源增加是否达到阈值,若达到,则引入种群多样性以更新种群。
在其中一个实施例中,如图3所示,提供了一种基于动态多目标优化的临机用频规划方法,包括:
初始化:1)随机初始化种群,在种群中定义初始敏感个体;
2)计算初代种群内个体(用频规划方案)的序值、拥挤度。
迭代:1)使用二元锦标赛选择方法从种群中选择父代个体;
2)使用模拟二进制交叉算子生成子代个体;
3)使用多项式变异算子生成子代个体;
4)将原种群与子代种群合并,计算现种群内个体的序值、拥挤度;
5)使用精英策略修剪种群,使种群规模恢复至合并前的数量;
6)判断敏感个体的变化量是否高于强度阈值,若是则引入种群多样性以更新种群;否则不作调整。
迭代终止条件:最大迭代次数已完成。
输出:引入种群多样性进行调整改进后的多组Pareto最优临机用频规划方案。
应该理解的是,虽然图1,2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1,2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,使用临机用频规划模型验证求解临机用频规划问题的动态非支配排序遗传算法DNSGA-II,模型的测试实例为:地域面积为10km×10km,用频平台数量为5,用频设备数量为25,地理坐标数量为5,用频时段数量为5,用频需求优先级赋值范围为1~9,可用频谱资源为[1,2,...,100]MHz,发射功率赋值范围为90~135dB,接收机门限赋值范围为 5~10dB。在此基础上,动态变化场景的参数设置如下:
第一类动态场景是可用频谱资源发生变化,包括可用频谱资源的缩减与可用频谱资源的增加。两者都属于频谱资源约束条件的动态变化,可不必重复测试,且可用频谱资源缩减对用频规划方案的影响更大,临机调整方案的难度也更大,故本次仿真选取可用频谱资源缩减的情形进行测试。具体设置为:原可用频谱资源F中15~25、45~55、70~70MHz的频段被移除;
第二类动态场景是用频设备数量发生变化,包括用频设备数量的增加与减少。两者都属于问题自变量参数的动态变化,不必重复测试,且用频设备的增加对用频规划方案的影响更大,临机调整方案的难度也更大,故本次仿真选取用频设备增加的情形进行测试。具体设置为:在原有用频设备数量NW的基础上新增3台用频设备;
第三类动态场景是地理位置的变化。具体设置为:5处地理坐标中选取2处坐标,将坐标在地域内随机再赋值;
第四类动态场景是上述三类情形同时发生。相关参数设置按前三类动态场景的设置进行。
为更好地验证DNSGA-II在原算法NSGA-II基础上针对动态的临机用频规划问题进行的机制改进是否可行,选择NSGA-II作为对照组,以体现算法改进后应用于临机用频规划时优化性能的提升程度。实验组包括DNSGA-II-A与DNSGA-II-B共两组算法。
1参数设置
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。
实验组DNSGA-II的参数设置如下:变化检测机制中,子空间个数n1=9,强度阈值Fth=0 ;变化应答机制中,种群多样性引入比例propDiv=0.2;其他模块的参数与对照组保持一致。
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。模型在前25个迭代过程中保持原测试实例不变,在第26次迭代时分别根据四类动态变化场景内容相应地改变测试实例参数。对照组在进入第26次迭代时根据变化后的测试实例重启算法。为公平客观地对算法之间的优化性能进行比较,限制进入动态变化场景后的程序运行时间TimeSpend≤50s,超时则不再进入下一轮迭代。选取三种算法结束迭代后各自所得的非支配排序最靠前的8组用频规划方案为算法的仿真结果。
1.可用频谱资源变化
实验组算法均检测并响应了环境变化,对照组算法同时重启运算,三种算法的Pareto分布如图4所示:
将图4的仿真结果进行归一化处理并确定参考集后,使用反转世代距离IGD与超体积指标HV比较算法的综合优化性能,结果如表2所示:
表2第一类动态场景下算法性能指标对比
保持参考集、归一化标准点与仿真设置不变,再次运行三种算法,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:
2.用频设备数量变化
实验组算法均检测并响应了环境变化,对照组算法同时重启运算,三种算法的Pareto分布如图6所示:
将图6的仿真结果进行归一化处理并确定参考集后,使用反转世代距离IGD与超体积指标HV比较算法的综合优化性能,结果如表3所示:
表3第二类动态场景下算法性能指标对比
保持参考集、归一化标准点与仿真设置不变,再次运行三种算法,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7所示。
3.地理位置变化
实验组算法均检测并响应了环境变化,对照组算法同时重启运算,三种算法的Pareto分布如图8所示。
将图8的仿真结果进行归一化处理并确定参考集后,使用反转世代距离IGD与超体积指标HV比较算法的综合优化性能,结果如表4所示:
表4第三类动态场景下算法性能指标对比
保持参考集、归一化标准点与仿真设置不变,再次运行三种算法,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9所示。
4.上述情形同时发生
实验组算法均检测并响应了环境变化,对照组算法同时重启运算,三种算法的Pareto分布如图10所示。
将图10的仿真结果进行归一化处理并确定参考集后,使用反转世代距离IGD与超体积指标HV比较算法的综合优化性能,结果如表5所示:
表5第四类动态场景下算法性能指标对比
保持参考集、归一化标准点与仿真设置不变,再次运行三种算法,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11 所示。
3算法性能分析
1.算法收敛性与分布性验证
由图4、图6、图8、图10中可视化的算法解集分布状态以及表2、表3、表4、表5中解集的性能指标数据可知,经过50s时长的迭代收敛后,实验组DNSGA-II-A与DNSGA-II-B 的IGD值和HV值均优于对照组NSGA-II,代表实验组算法的综合优化性能高于对照组算法。其中前三类场景下实验组的性能优势明显,但第四类场景下实验组不再具备显著优势,这可能与该场景的参数变化过多以致实验组较难以利用原种群的先验信息有关;实验组中, DNSGA-II-A与DNSGA-II-B的IGD值和HV值相近,但DNSGA-II-B在四类场景下的优化性能整体上略优于DNSGA-II-A。
上述结果表明,在相同时间下,实验组算法DNSGA-II的IGD值与HV值更优,代表实验组算法DNSGA-II所得临机用频规划方案的质量更高,方案间的性能差异更大,对决策者的参考价值越大,这种优势在前三类场景下更加明显,且DNSGA-II-B的优势整体上略大于DNSGA-II-A。
2.算法收敛速度验证
由图5、图7、图9、图11中算法在迭代过程中的IGD值变化趋势可知,实验组DNSGA-II-A 与DNSGA-II-B在迭代初期能够快速收敛到对照组NSGA-II在迭代后期达到的收敛效果,收敛速度明显优于对照组NSGA-II;实验组中,在第一、三、四类场景下DNSGA-II-A与DNSGA- II-B的收敛速度相近但DNSGA-II-B略优,在第二类场景下DNSGA-II-B的收敛速度优于 DNSGA-II-A。
上述结果表明,实验组算法DNSGA-II的IGD值收敛速度大幅优于对照组NSGA-II,在迭代初期即可快速收敛至对照组NSGA-II迭代后期相同水平,表示实验组算法DNSGA-II能在较短时间内调整得到质量较高的临机用频规划方案,符合临机用频规划问题对求解算法实时性、高效性的要求,并且DNSGA-II-B求解临机用频规划方案的速度整体上略快于DNSGA- II-A。
在一个实施例中,如图12所示,提供了一种基于动态多目标优化的临机用频规划装置,包括:用频系统信息获取模块1202、模型构建模块1204、种群初始化模块1206、敏感个体初始化模块1208、迭代模块1210、环境变化检测和响应模块1212和输出模块1214,其中:
用频系统信息获取模块1202,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;
模型构建模块1204,用于根据变量信息,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目标函数,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;
种群初始化模块1206,用于通过伪随机码函数得到初始种群的种群矩阵;种群矩阵的每一行代表一个个体,每行矩阵由对应个体的染色体和其末尾串接的目标函数值组成;染色体代表完整的一组用频规划方案;
敏感个体初始化模块1208,用于将初始种群的目标函数空间均匀划分为多个子空间,在每个至少存在一个个体的空间中随机定义一个个体作为敏感个体,得到多个敏感个体;
迭代模块1210,根据初始种群和多目标优化模型,通过动态非支配排序遗传算法进行种群迭代,在迭代过程中若有敏感个体被淘汰,则在种群的非支配个体中随机定义新的敏感个体进行替代;
环境变化检测和响应模块1212,用于在每轮迭代后,计算每个敏感个体在当前环境下的目标函数值与上一轮迭代时所处环境下目标函数值之间的差值之和,根据差值之和判断敏感个体的变化量是否高于预设的强度阈值,若是则引入种群多样性以更新种群;
输出模块1214,用于判断是否满足迭代终止条件,若满足,输出多组Pareto最优临机用频规划方案,否则,继续迭代直到迭代终止。
模型构建模块1204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,根据元任务信息得到决策变量;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目标函数,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。
种群初始化模块1206还用于在决策变量的上下界范围内通过伪随机码函数生成一组 pop*NW的个体矩阵,其中pop表示种群大小,NW表示用频设备总数;个体矩阵的每行代表一个个体的染色体;染色体代表完整的一组用频规划方案;计算每个个体的目标函数值,并在个体矩阵对应染色体尾端记录,得到初始种群的种群矩阵。
迭代模块1210还用于根据多目标优化模型,计算初代种群内个体的序值和拥挤度;根据个体的序值和拥挤度jinx快速非支配排序;采用二元锦标赛选择算法从种群中选择父代个体;采用模拟二进制交叉算子生成子代个体;采用多项式变异算子生成子代个体;将原种群与子代种群合并,计算现种群内个体的序值、拥挤度,并进行快速非支配排序;采用精英策略修剪种群,使种群规模恢复至合并前的数量。
环境变化检测和响应模块1212还用于每轮迭代后,计算每个敏感个体在当前环境下的目标函数值与上一轮迭代时所处环境下目标函数值之间的差值之和:
其中,Δfi=fi(j)-fi(j-1),Δfi表示敏感个体在当前迭代次数j时的第i个目标函数值 fi(j)与上一轮迭代(j-1)时的值fi(j-1)间的差;m表示目标函数个数;Fsum表示敏感个体在所有目标函数值上Δfi之和,反映环境变化的强度;若存在至少一个敏感个体满足Fsum大于预设阈值Fth,或存在敏感个体为不可行解,则认为环境发生了明显变化;引入种群多样性以更新种群。
环境变化检测和响应模块1212还用于通过使用随机生成的新个体替换当前种群中的部分个体以更新种群;或者通过使用变异得到的子代个体替换当前种群中相应的父代个体以更新种群。
环境变化检测和响应模块1212还用于完成迭代后获取预先设置的可用频谱资源增加的阈值;判断当前可用频谱资源增加是否达到阈值,若达到,则引入种群多样性以更新种群。
关于基于动态多目标优化的临机用频规划装置的具体限定可以参见上文中对于基于动态多目标优化的临机用频规划方法的限定,在此不再赘述。上述基于动态多目标优化的临机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13所示。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动态多目标优化的临机用频规划方法。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13中示出的结构,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)
1.一种基于动态多目标优化的临机用频规划方法,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,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目标函数,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;
通过伪随机码函数得到初始种群的种群矩阵;所述种群矩阵的每一行代表一个个体,每行矩阵由对应个体的染色体和其末尾串接的目标函数值组成;所述染色体代表完整的一组用频规划方案;
将所述初始种群的目标函数空间均匀划分为多个子空间,在每个至少存在一个个体的空间中随机定义一个个体作为敏感个体,得到多个敏感个体;
根据所述初始种群和所述多目标优化模型,通过动态非支配排序遗传算法进行种群迭代,在迭代过程中若有敏感个体被淘汰,则在种群的非支配个体中随机定义新的敏感个体进行替代;
每轮迭代后,计算每个敏感个体在当前环境下的目标函数值与上一轮迭代时所处环境下目标函数值之间的差值之和,根据所述差值之和判断敏感个体的变化量是否高于预设的强度阈值,若是则引入种群多样性以更新种群;
判断是否满足迭代终止条件,若满足,输出多组Pareto最优临机用频规划方案,否则,继续迭代直到迭代终止。
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,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目标函数,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目标函数,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。
3.根据权利要求2所述的方法,其特征在于,通过伪随机码函数得到初始种群的种群矩阵;所述种群矩阵的每一行代表一个个体,每行矩阵由对应个体的染色体和其末尾串接的目标函数值组成;所述染色体代表完整的一组用频规划方案,包括:
在所述决策变量的上下界范围内通过伪随机码函数生成一组pop*NW的个体矩阵,其中pop表示种群大小,NW表示用频设备总数;所述个体矩阵的每行代表一个个体的染色体;所述染色体代表完整的一组用频规划方案;
计算每个个体的目标函数值,并在所述个体矩阵对应染色体尾端记录,得到初始种群的种群矩阵。
4.根据权利要求3所述的方法,其特征在于,根据所述初始种群和所述多目标优化模型,通过动态非支配排序遗传算法进行种群迭代,包括:
根据所述多目标优化模型,计算所述初代种群内个体的序值和拥挤度;
根据所述个体的序值和拥挤度jinx快速非支配排序;
采用二元锦标赛选择算法从种群中选择父代个体;
采用模拟二进制交叉算子生成子代个体;
采用多项式变异算子生成子代个体;
将原种群与子代种群合并,计算现种群内个体的序值、拥挤度,并进行快速非支配排序;
采用精英策略修剪种群,使种群规模恢复至合并前的数量。
5.根据权利要求4所述的方法,其特征在于,每轮迭代后,计算每个敏感个体在当前环境下的目标函数值与上一轮迭代时所处环境下目标函数值之间的差值之和,根据所述差值之和判断敏感个体的变化量是否高于预设的强度阈值,若是则引入种群多样性以更新种群,包括:
每轮迭代后,计算每个敏感个体在当前环境下的目标函数值与上一轮迭代时所处环境下目标函数值之间的差值之和:
其中,Δfi=fi(j)-fi(j-1),Δfi表示敏感个体在当前迭代次数j时的第i个目标函数值fi(j)与上一轮迭代(j-1)时的值fi(j-1)间的差;m表示目标函数个数;Fsum表示敏感个体在所有目标函数值上Δfi之和,反映环境变化的强度;
若存在至少一个敏感个体满足Fsum大于预设阈值Fth,或存在敏感个体为不可行解,则认为环境发生了明显变化;
引入种群多样性以更新种群。
6.根据权利要求5所述的方法,其特征在于,引入种群多样性以更新种群,包括:
通过使用随机生成的新个体替换当前种群中的部分个体以更新种群;
或者通过使用变异得到的子代个体替换当前种群中相应的父代个体以更新种群。
7.根据权利要求1至4任意一项所述的方法,其特征在于,完成迭代后的操作还包括:
获取预先设置的可用频谱资源增加的阈值;
判断当前可用频谱资源增加是否达到所述阈值,若达到,则引入种群多样性以更新种群。
8.一种基于动态多目标优化的临机用频规划装置,其特征在于,所述装置包括:
用频系统信息获取模块,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;
模型构建模块,用于根据所述变量信息,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目标函数,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;
种群初始化模块,用于通过伪随机码函数得到初始种群的种群矩阵;所述种群矩阵的每一行代表一个个体,每行矩阵由对应个体的染色体和其末尾串接的目标函数值组成;所述染色体代表完整的一组用频规划方案;
敏感个体初始化模块,用于将所述初始种群的目标函数空间均匀划分为多个子空间,在每个至少存在一个个体的空间中随机定义一个个体作为敏感个体,得到多个敏感个体;
迭代模块,根据所述初始种群和所述多目标优化模型,通过动态非支配排序遗传算法进行种群迭代,在迭代过程中若有敏感个体被淘汰,则在种群的非支配个体中随机定义新的敏感个体进行替代;
环境变化检测和响应模块,用于在每轮迭代后,计算每个敏感个体在当前环境下的目标函数值与上一轮迭代时所处环境下目标函数值之间的差值之和,根据所述差值之和判断敏感个体的变化量是否高于预设的强度阈值,若是则引入种群多样性以更新种群;
输出模块,用于判断是否满足迭代终止条件,若满足,输出多组Pareto最优临机用频规划方案,否则,继续迭代直到迭代终止。
9.根据权利要求8所述的装置,其特征在于,所述模型构建模块还用于:
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;
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目标函数,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。
10.一种计算机设备,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111517997.4A CN114357724B (zh) | 2021-12-13 | 2021-12-13 | 基于动态多目标优化的临机用频规划方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111517997.4A CN114357724B (zh) | 2021-12-13 | 2021-12-13 | 基于动态多目标优化的临机用频规划方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114357724A true CN114357724A (zh) | 2022-04-15 |
CN114357724B CN114357724B (zh) | 2022-09-16 |
Family
ID=81099803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111517997.4A Active CN114357724B (zh) | 2021-12-13 | 2021-12-13 | 基于动态多目标优化的临机用频规划方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114357724B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943391A (zh) * | 2022-07-27 | 2022-08-26 | 青岛民航凯亚系统集成有限公司 | 基于nsgaⅱ的机场资源调度方法 |
CN115437026A (zh) * | 2022-08-22 | 2022-12-06 | 中国科学院国家空间科学中心 | 一种天基引力波探测器频率规划方案制定方法及系统 |
CN116614830A (zh) * | 2023-07-18 | 2023-08-18 | 中国电信股份有限公司 | 网元优化方法、装置、计算机设备、存储介质 |
CN117349532A (zh) * | 2023-10-24 | 2024-01-05 | 烟台大学 | 一种动态多目标服务组合优化推荐方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111594A (zh) * | 2021-05-12 | 2021-07-13 | 中国人民解放军国防科技大学 | 基于多目标优化的用频规划方法、装置和计算机设备 |
CN113191024A (zh) * | 2021-05-28 | 2021-07-30 | 中国人民解放军国防科技大学 | 基于多目标优化的用频规划建模方法、装置和计算机设备 |
-
2021
- 2021-12-13 CN CN202111517997.4A patent/CN114357724B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111594A (zh) * | 2021-05-12 | 2021-07-13 | 中国人民解放军国防科技大学 | 基于多目标优化的用频规划方法、装置和计算机设备 |
CN113191024A (zh) * | 2021-05-28 | 2021-07-30 | 中国人民解放军国防科技大学 | 基于多目标优化的用频规划建模方法、装置和计算机设备 |
Non-Patent Citations (1)
Title |
---|
万逸飞等: "基于协同多目标算法的多机器人路径规划", 《信息与控制》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943391A (zh) * | 2022-07-27 | 2022-08-26 | 青岛民航凯亚系统集成有限公司 | 基于nsgaⅱ的机场资源调度方法 |
CN115437026A (zh) * | 2022-08-22 | 2022-12-06 | 中国科学院国家空间科学中心 | 一种天基引力波探测器频率规划方案制定方法及系统 |
CN115437026B (zh) * | 2022-08-22 | 2023-05-12 | 中国科学院国家空间科学中心 | 一种天基引力波探测器频率规划方案制定方法及系统 |
CN116614830A (zh) * | 2023-07-18 | 2023-08-18 | 中国电信股份有限公司 | 网元优化方法、装置、计算机设备、存储介质 |
CN116614830B (zh) * | 2023-07-18 | 2023-10-31 | 中国电信股份有限公司 | 网元优化方法、装置、计算机设备、存储介质 |
CN117349532A (zh) * | 2023-10-24 | 2024-01-05 | 烟台大学 | 一种动态多目标服务组合优化推荐方法及系统 |
CN117349532B (zh) * | 2023-10-24 | 2024-05-24 | 烟台大学 | 一种动态多目标服务组合优化推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114357724B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112434448B (zh) | 基于多点加点的代理模型约束优化方法和装置 | |
CN113111594B (zh) | 基于多目标优化的用频规划方法、装置和计算机设备 | |
CN107330560B (zh) | 一种考虑时序约束的异构飞行器多任务协同分配方法 | |
CN113703741B (zh) | 神经网络编译器配置方法、装置、计算机设备和存储介质 | |
CN112749495A (zh) | 基于多点加点的代理模型优化方法、装置和计算机设备 | |
CN109039428B (zh) | 基于冲突消解的中继卫星单址天线调度随机搜索方法 | |
CN106656308A (zh) | 空间信息网络中任务的规划方法和装置 | |
CN104281522B (zh) | 基于语句覆盖和缺陷检测的多目标测试数据缩减方法 | |
CN111967696A (zh) | 基于神经网络的电动汽车充电需求预测方法、系统及装置 | |
CN115392028A (zh) | 基于多规则融合的空间目标探测多传感器协同调度方法 | |
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 | |
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 | |
Yakıcı et al. | Solving a multi-objective heterogeneous sensor network location problem with genetic algorithm | |
Papapanagiotou et al. | Hybrid sampling-based evaluators for the orienteering problem with stochastic travel and service times | |
Tembine | Mean field stochastic games: Convergence, Q/H-learning and optimality | |
CN112668697A (zh) | 一种无人机飞控控制参数的模糊测试方法及系统 | |
Shao et al. | An improved artificial bee colony-based approach for zoning protected ecological areas | |
CN111818007A (zh) | 一种基于量子遗传算法的漏洞修复收益优先级评估方法及电子装置 | |
Duca et al. | An overview of non-Gaussian state-space models for wind speed data | |
Schröder et al. | Field strength prediction for environment aware MIMO channel models | |
CN110009357A (zh) | 一种判决策略配置方法及装置 | |
Hu et al. | A novel construction and inference methodology of belief rule base | |
Song et al. | Solving large-scale relay satellite scheduling problem with a dynamic population firework algorithm: a case study | |
Arthur et al. | Optimization algorithms for solving combined economic emission dispatch: A review |
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 |