CN114521024A - 无线网络中多用户信道的认知分配方法 - Google Patents

Abstract

本发明提供无线网络中多用户信道的认知分配方法，属于认知无线传感器网络领域。首先初始化认知无线传感器网络模型；然后基于自适应PU数量路由的节点分簇，包括路由的建立与节点分簇；之后节点对信道的认知检测以及网络吞吐问题的建立；最后基于蛙跳博弈优化算法的频谱分配。经过实验验证，本发明算法不单适用于理想的自由空间模型，同时也适用于大尺度衰落的正态对数模型与小尺度衰落的莱斯模型。由于不同的下对应有不同的信道指数，因此经过算法后的全局收益与并不是正相关。

Description

无线网络中多用户信道的认知分配方法

技术领域

本发明属于认知无线传感器网络领域，涉及无线网络中多用户信道的认知分配方法，可以在认知传感器网络所涉及的相关领域进行使用。

背景技术

认知无线传感器网络(Cognitive Radio Sensor Networks，CRSN)将认知无线电(Cognitive Radio，CR)技术引入无线传感器网络，使每个传感器节点拥有频谱感知和动态接入频谱的能力。随着频谱资源日益受限的发展现状，为保证主用户(Primary user，PU)优先使用频谱，势必需要对作为次用户(Secondary user，SU)的网络节点进行必要的频谱的限制。基于CR技术机会利用频谱特性，在频谱受限情况下CRSN相比于传统的无线传感器网络(Wireless Sensor Networks,WSN)可以有效减少信道碰撞和竞争所造成的时延和能耗。SU在认知到频谱空闲时才有占用的权限，目前频谱认知可使用能量检测(EnergyDetection，ED)、匹配滤波器检测(Matched Filter Detection,MFD)和静态循环特征检测(Cyclostationary Feature Detection,CFD)等方式。

系统吞吐量低是CRSN受限于频谱的体现，合理的频谱分配方案可以明显增加系统吞吐量。根据计算主体的不同，CRSN中频谱分配方式可分为集中式和分布式。集中式方案依靠基站收集各个节点的数据来分配全局的频谱，分布式分配方案一般以一个集群或节点为主体，通过与邻居的集群或节点互换收集的数据并自行选择频谱。基于PU频谱占用的差异，频谱分配也可区分为固定与动态两种形式，前者主要应用于频谱资源较为丰富网络，将频谱分配给难以对主用户产生干扰的节点，分得频谱后的节点短期内不会改变。目前已有许多研究人员基于博弈论、图论染色、群优化算法等方向对其开展研究。后者是应对频谱资源极其受限场景下的动态频谱分配方案，通常会给一个节点分配几段频谱，并使用各类智能算法计算频谱的时间使用片段。针对PU位置固定场景，为不失一般性得掌控全局频谱分配，提升网络吞吐量，聚焦于集中式的固定频谱分配方案。

CRSN受限于频谱数量与路由，有限的频谱数量在减低SU通信灵活性的同时，也带来了网络热区与路由的多枝隐患。路由是固定频谱分配的基础，而传统的WSN路由受节点随机分布与频谱的影响，无法满足CRSN网络的吞吐和延迟要求，所以传统WSN路由不适合直接用于CRSN。因此兼顾网络吞吐量和通信限制的同时，如何构建路由与频谱分配方案将至关重要。

针对频谱局限与路由困难对CRSN系统吞吐的不利影响，提出了基于蛙跳博弈优化算法(Improve Swarm optimization method based on Leapfrog Game,ISLG)的认知频谱分配方案。使用自适应的调节路由优化网络负载，解决节点分布不合理所导致的网络热区和局部多枝问题。在此路由基础上，使用ISLG搜寻最佳频谱分配方案，通过蛙跳博弈(Leapfrog Game,LG)对基础寻优算法的分配群进行再移动，以寻找最佳频谱分配方案。通过仿真比较分析，LG可以显著加强各类群体寻优算法的搜索性能，ISLG在频谱分配问题的求解上也有比未改进前算法更高的性能，可以有效提高系统总吞吐。

发明内容

本发明针对上述技术问题，提供了无线网络中多用户信道的认知分配方法。

本发明的技术方案：

一种无线网络中多用户信道的认知分配方法，步骤如下：

步骤一、初始化认知无线传感器网络模型；

步骤二、基于自适应PU数量路由的节点分簇，包括路由的建立与节点分簇；

步骤三、节点对信道的认知检测；

步骤四、网络吞吐问题的建立；

步骤五、基于蛙跳博弈优化算法的频谱分配。

步骤一具体过程为：

给定一个认知无线传感器网络CRSN中随机分布着M个主用户PU与N个次用户SU，其中PU＝{pu_m|m＝1,2,…,M}，SU＝{su_n|n＝1,2,…,N}。基于频分复用与PU均等原则，将网络中的频谱资源均匀分割成M个信道C＝{c_m|m＝1,2,…,M}，并对应分配给每个PU，其中PU信号功率符合正态分布且均值为0。

为满足节点信道固定的需求，在单向多跳路由中的所有节点，不得不使用指定的同一信道，降低频谱利用率的同时也增加了网络冲突。因此，SU节点采用一种区分接收与发送的工作方式，将一个节点的收发工作分给两根天线完成，实现固定频谱的吞吐量扩大，平衡单一信道下的互扰与冲突浪费。

基于已知的PU位置与通信信息，CRSN网络中每个PU占用信道的行为都可类比为一个马尔可夫过程。

对于每个时长为T的时隙，SU会将每个时隙分为认知与传输两个阶段，其中每个时隙开始的τ时间内为认知阶段，剩余的T-τ时间则被作为传输阶段。在认知阶段pu_m占用的信道c_m，并以p_m和q_m分别表示c_m在当前时隙上信道状态由空闲转为占用和由占用转为空闲的概率。只有当信道空闲时，SU才可以机会的进行传输，因此信道c_m的理论传输占比D_m如式(1)。

步骤二具体过程为：

(1)三角剖分分层的自适应PU数量路由APRT的建立

CRSN中网络路由对于吞吐的影响较大，因此提出三角剖分分层的自适应PU数量路由(Adaptive PU Quantity Routing Based on Triangulation Layering，APRT)，APRT路由的生成可分为分层与分配两步。

分层阶段，网络内所有SU节点包括基站将进行三角剖分，随后以基站为中心，对网络进行分层。分层逻辑为与基站有直接边连接的即为第一层节点，由于基站可同时接收所有信道数据，因此热区节点不必局限于复用一条信道，因此为了最大化热区节点的吞吐，作出以下限制：限制第一层的节点数量不超过信道数量M，因此将第一层中节点依据与基站的欧式距离进行排序，距离远的节点将直接放入第二层中。其后的各层节点遵从与第i层中节点拥有直连边的节点即为第i+1层节点，且一个节点不会处于多层。

分配阶段，将决定每个节点的上跳节点与下跳节点，其中一个节点的下跳节点只能有一个，但上跳节点可以有多个，这便是路由中多枝的产生。多枝会使得过多节点共用一条信道，这会导致相关节点的吞吐量显著降低。为使路由中枝叶分配更为均衡，设置APRT网络最多产生两枝节点，以路由枝叶长度的增加换取路由枝杈的减少。分配过程描述如下：按照从小到大的顺序依次选择路由层，遍历第i层，依据欧氏距离为其中节点选择最多两个第i+1层的节点作为上跳节点，如遍历完后i+1中还剩余有节点，将i+1中剩余节点放入i+2层中。

考虑到三角剖分拥有最大化最小角的特性，运用到网络路由的形成中，可以减少网络中钝角的产生进而减少长边产生，可降低路由中远距单跳路径出现的概率。由此，提出了一种基于三角剖分分层的自适应PU数量路由(Adaptive PU Quantity Routing Basedon Triangulation Layering，APRT)，基于最大化最小角等特点限制路由调度，增加节点选择链路时距离与空间的合理性，因此可缓解网络中局部冲突的产生。

基站可同时接收所有信道数据，因此热区节点不必局限于复用一条信道，即热区节点单跳至基站的信道可用相互不同。若严格限制APRT中单跳到基站的节点数量小于等于网络中信道的数量，则可满足热区节点间选用的上跳信道互不相同的条件，这保证了热区中各个节点的吞吐性能，同时也可以避免热区冲突。由于信道数量是固定的，因此，上述条件下，只能限制热区节点的数量。

如此，APRT中限制多枝节点与热区节点数量的规则如式(3)与式(4)所示。

其中，A＝{a_k＝|l_k|-1|k＝1,2,...K}为L对应的簇中上跳节点数量矩阵；|·|表示取集合的元素数量。建立三角剖分分层的自适应PU数量路由后就可以进行节点分簇。

(2)节点分簇

节点区分接收与发送的工作方式可在保证发送信道与其下跳节点的接收信道相同的情况下，解除其下跳节点的发送信道选择限制。SU的接收与发送信道分别为互不相同的独立信道，因此认知无线传感器网络CRSN整体呈现出一种以信道为区分标志的类分簇结构，如此便实现了部分节点的绑定，有助于进行信道分配。构成的簇彼此之间可具有相同节点，但除以基站作为下跳节点的簇，不会有两个簇的下跳节点相同。

簇内节点绑定之后，可以将原本对节点信道分配问题转换为对簇的信道分配问题。为降低簇间干扰，在信道分配中临近簇之间需尽量分配不同的信道。显然在路由确定后，各个簇也可随之确定，则存在的K个簇构成的集合L可描述如式(2):

其中，k＝1,2,...,K；l_k(0)为簇l_k的唯一下跳节点；l_k(i)∈SU,1≤i≤K则是簇l_k中的上跳节点，BS为基站。

如图1中su₁、su₂、su₃，就形成了一个簇，其包含了多个上跳节点{su₂,su₃}与一个下跳节点su₁，其中各个上跳节点基于频分复用原则共享信道。

步骤三具体过程为：

能量检测是最常见的信道占用检测方法，通过统计PU信号一段时间内的能量并与预设阈值对比，可以判断PU对于频谱的占用情况。在本专利中，PU的占空比可以通过各个节点对PU的认知信息在基站的融合以求取。

节点的认知传输模型如图2所示，在时长τ内SU对信道能量采样了N_T次，PU的发射信号x_PU服从正态分布，则在SU处接收的对应信道中信号x也服从正态分布，由于SU具有认知能力，因此其可计算得到所接收PU的信号强度方差δ_x ²。根据已知的呈正态分布的网络噪声方差δ_x ²，可得su_n认知c_m检测概率Q_n,m如式(5)。

γ＝βN_T+(1-β)N_T(SNR+1) (6)

其中，Q(·)表示正态分布右尾函数；β为检测因子，其取值区间为[0,1]；SNR＝δ_x ²/δ_w ²。

可计算得su_n使用c_m信道的理论传输时长占比g_n,m如式(7)

g_n,m＝D_mQ_n,m (7)

步骤四具体过程为：

当su_n检测的pu_m距离其越近时，接收信号强度越高，则su_n在c_m上的信道容量e_n,m以及su_n对c_m认知成功率Q_n,m也越高。考虑到每个时隙中[0,τ]与[τ,T]的时间分离，[0,τ]时间段不会产生节点间传输干扰。但在[τ,T]时间段，选择相同信道的节点之间不可避免会产生节点间传输干扰，降低系统吞吐量。

su_n在c_m上的信道容量e_n,m如式(8)所示。

式中，l_k是节点su_n作为上跳节点对应簇；a_n＝|l_k|-1是簇l_k中上跳节点个数；1/(a_na_i)是节点su_n与su_i的信道重叠期望比；B是信道带宽；r_n,i则是同信道中节点su_i对su_n的干扰，可由节点su_n事先感知得到。

节点su_n在信道c_m上的吞吐量b_n,m可计算如下，

b_n,m＝g_n,m×e_n,m (9)

为保证网络整体的吞吐均衡，需首先满足转发数据较多节点的吞吐需求。为此在全局收益的计算中设置各个节点有吞吐权重w_n，以在算法中提高数据量高节点的信道分配优先级，其值正比于其期望的数据发送量。w_n以需发送数据量与自身数据量的比值表征，存在有节点权重矩阵W＝[w₁,w₂...w_n...w_N]。

由于路由的绑定效果，则对单个SU的发送信道分配可转换为对于簇中上跳节点的发送信道分配，则有信道分配矩阵X X＝{x_k|1≤x_k≤M,k＝1,2,...K}，其中x_k为l_k所选信道编号，即

为l_k选择信道。

在各个簇的信道选择约束下的最大化全局吞吐量收益U的问题则可转换为式(10)与(11)。

步骤五具体过程为：

由于对节点进行了分簇，对节点的信道分配问题便转换为对簇的信道分配问题，这大大降低了问题的复杂度。

蛙跳博弈(Leapfrog Game,LG)继承了混合蛙跳算法(Shuffled Frog LeapingAlgorithm，SFLA)的策略与思想，其主要突出对于博弈者与策略的伪随机性，而伪随机性则可以在保证不同的初始解拥有唯一的纳什均衡的条件下，增加博弈的无序性。

由于每次策略的选择都必须符合博弈者只能作出对自己更好且不使其他参与者变差的策略，那么在有限轮次博弈下，一定会收敛到帕累托最优。这使得LG可以在频谱分配问题中降解问题的复杂度的同时获得较好的全局搜索能力。基于帕累托最优下的LG可以在保证效果的前提下限制算法的复杂度。

当使用LG进行信道分配，LG可将每个簇作为一只青蛙，信道代表可跳上的石头，簇吞吐收益lb_k,m则表征青蛙l_k处于石头c_m的心情。每只青蛙拥有各自独立的随机跳跃序列f_k，该序列可以增加蛙跳的随机性与蛙跳后解的离散程度，这降低相同跳跃顺序下青蛙跳跃时出现的信道选择冲突概率。对于一次信道分配，各个簇l_k的随机跳跃序列f_k可组成如下跳跃矩阵F：

其中，f_k内元素需相互不重复，rand(M)为取[1,M]的随机整数，用以对应信道编号。

博弈时每轮选择自身收益最差的簇依据随机跳跃序列f_k依次进行判断，当判断所选信道满足帕累托改进的条件时，本轮停止并选择一个簇进行循环。当收敛到帕累托最优时算法停止。

若仅使用LG进行信道分配，会使得信道分配的效果受限于初始解。由此提出基于蛙跳博弈的优化算法(Improve Swarm optimization method based on Leapfrog Game,ISLG)，通过引入群优化算法对LG其进行优化。虽然标准的群优化算法则难以在此类高维度的离散问题中寻找到全局最优解，且极易陷入局部最优解，但配合LG可以进行优势互补。

针对上述问题，提出基于蛙跳博弈的改进群体寻优方法(ISLG)来寻找最优的频谱分配方案。通过LG对群寻优算法中的各个分配集进行再移动，以在单次群优化迭代中实现低复杂度的再寻优。其中再移动仅是将各个分配集执行LG后的收益作为其收益，并不移动分配集的位置。在优化过程中，如对离散粒子群算法DPSO进行基于LG的改进时，其中作为最佳收益的粒子可其位置更新为将LG后的位置，如此可使得该算法获得更好的效果。

本发明的有益效果：本专利提供了一种无线网络中多用户信道的认知分配方法。专利总体包括APRT的路由生成以及ISLG的频谱分配算法。在CRSN中，基于APRT进行网络路由的初始化可以明显增加热区节点的吞吐，同时由于APRT较之泛洪路由与分层路由限制了多枝节点的问题，因此也提升了部分节点的吞吐。CRSN中的频谱分配问题可看作图着色问题，由于网络中频谱分配问题的复杂度随M的数量指数增加，因此普通的群优化算法如离散粒子群算、离散灰狼算法等在网络中M数量较大时都难以获得较好的结果。而LG则可以在M数量较大的情况下以较小的复杂度获得较佳的解，因此ISLG基于LG将各类群优化算法进行改进，可以将二者的优势互补，在M数量较小时群优化算法进行主导，而在M数量较大时算法由LG进行主导。因此在频谱分配问题中，ISLG算法较各类群优化算法可以在任意M下都获得更佳的效果。

附图说明

图1为类簇下的频分复用图。其中su为网络中的次用户节点，不同的边框的圆圈则代表不同的簇所使用的信道。

图2为SU认知传输模型图，其中PU的状态转移模型为马尔科夫模型，SU的认知状态模型基于PU的状态转移模型产生。

图3为APRT路由与其他常见路由的吞吐收益对比图。

图4为不同PU数量下LG与常见群优化算法的性能对比图。

图5为不同PU数量下常见群优化算法使用LG改进前后的性能对比图。

图6为在不同信道模型下不同算法优化方案的性能的对比图。

具体实施方式

本实施例提供一种无线网络中多用户信道的认知分配方法。

为了评估方案的性能，利用MATLAB建立仿真实验。对基于蛙跳博弈优化算法的认知频谱分配方案进行分析，首先将APRT与其余三类常用的无线传感器路由进行适应性的分析，其次将各类ISLG算法与其标准算法进行对比，并通过分析网络的吞吐收益比较各个算法的优劣。

假设网络区域为正方形，BS处于正中心，SU与PU随机播撒在区域中，信道采用自由空间模型。在ISLG的对比中，选择了如下基础群优化算法进行优化：离散粒子群算法DPSO(可参考J.Kennedy and R.C.Eberhart.“Particle swarm optimization.”In IEEEinternational Conference on Neural Networks,volume 4,IEEE Press,1995,pp.1942–1948.)和离散灰狼算法DGWO(可参考Mirjalili S,Mirjalili S M,Lewis A.Grey WolfOptimizer[J].Advances in Engineering Software,2014,69:46-61.)。优化后的ISLG类算法分别为基于LG改进后的蛙跳粒子群算法(An improved DPSO based on LG,DPLG)与蛙跳灰狼算法(An improved DGWO based on LG,DGLG)。

首先为了验证APRT路由的有效性，以PU数量M作为变量，在相同M下，设置不同的网络快照，并使用DPLG分配信道，每轮算法运行50次求取平均值。

仿真结果如图3所示，可见在M逐渐增加的情况下，4种路由下的全局吞吐收益都呈现上升趋势，且逐渐变缓，其中ARPT的效果始终好于其他三类。在4≤M≤5的热区受限段可以明显看到4类路由算法的收益较之全局都显得极差。APRT虽然也局限于信道数量的选择，但由于没有热区冲突的问题，因此较之THR其曲线在4≤M≤5的上升梯度更平缓，且起点也更高。

为分析LG在信道分配上的性能，通过将LG、DPSO和DGWO算法在相同的网络快照上进行信道分配，以M作为变量对比性能。设置DPSO和DGWO的初始粒子和狼群数量为1000，在相同M下对LG、DPSO和DGWO各进行50次仿真并取平均值。

仿真结果如图4所示，可见随M的增加三种算法总体呈现出上升趋势，但DPSO和DGWO上升趋势较为缓慢，甚至出现不同程度的下降。而LG则更为稳定，并且其吞吐收益U在M≥9之后优于DPSO与DGWO，此时LG中蛙跳选择信道的局限性降低，因此M数量越高，其收益也越高。

为分析ISLG算法在信道分配上的性能，作以下仿真：将ISLG类算法DPLG和DGLG与改进前DPSO与DGWO算法进行仿真。在相同的网络快照下，设置不同的M对优化前后的两种群优化算法进行仿真对比。为体现时间复杂度的公平，在设置ISLG类算法粒子数量为num＝10的前提下，设置优化前算法的初始粒子数与等于LG计算次数与num的乘积，且最大迭代次数为200，值得注意的是四种算法都在200次迭代内实现了收敛。对改进前后的两种算法在不同M下各进行50次仿真并取平均值，结果如图5所示。

图5中，4种算法虽然总体效果都随着M的变大而上升，但DPSO与DGWO显然没有ISLG类算法稳定，而是呈波动上升，这证明了ISLG可以继承的LG的优点以填补群优化类算法的缺点。

总体上，M＞4时ISLG算法效果皆优于未改进前的算法，由图中可知，DPSO效果比DGWO更好，同时DPLG对比DGWO效果也总体更好。这与预想的效果一致，即ISLG所继承的基础群优化算法也会对其效果产生影响。而在PU数量较高时，DPLG与DWLG的效果已经趋向同步，这是因为此时ISLG算法中的主导角色已经由基础群优化算法变为LG。如此蛙跳可以改进群优化算法在高维度情况下效果不佳的特点，而群优化算法则可以间接提高蛙跳博弈跳出局部最优的能力，因此ISLG可以保证在复杂度较低的同时，也在信道分配中有着更佳的性能。

为不失去公平性的分析算法在不同信道下的效果，在此对莱斯衰落模型(Ricean)，对数正态衰落模型(Logmormal)仿真分析。其中，设置莱斯衰落模型中的k因子为10，对数正态衰落模型的均值为1，方差为2。

对两种信道模型，分别使用OSPF配以DPSO与APRT配以DPSO两种算法进行仿真，对于不同的M，每次的信道增益重新计算，算法各进行50次仿真并取平均值，结果如图6所示。

结果显示，本发明算法不单适用于理想的自由空间模型，同时也适用于大尺度衰落的正态对数模型与小尺度衰落的莱斯模型。由于不同的M下对应有不同的信道指数，因此经过算法后的全局收益与M并不是正相关。

Claims (7)

1.无线网络中多用户信道的认知分配方法，其特征在于，步骤如下：

步骤一、初始化认知无线传感器网络模型；

步骤二、基于自适应PU数量路由的节点分簇，包括路由的建立与节点分簇；

步骤三、节点对信道的认知检测；

步骤四、网络吞吐问题的建立；

步骤五、基于蛙跳博弈优化算法的频谱分配。

2.根据权利要求1所述的无线网络中多用户信道的认知分配方法，其特征在于，步骤一具体过程为：

设一个认知无线传感器网络CRSN中随机分布M个主用户PU与N个次用户SU，其中PU＝{pu_m|m＝1,2,…,M}，SU＝{su_n|n＝1,2,…,N}；基于频分复用与PU均等原则，将网络中的频谱资源均匀分割成M个信道C＝{c_m|m＝1,2,…,M}，并对应分配给每个PU，其中PU信号功率符合正态分布且均值为0；SU节点采用一种区分接收与发送的工作方式，将一个节点的收发工作分给两根天线完成；

基于已知的PU位置与通信信息，将CRSN网络中每个PU占用信道的行为类比为一个马尔可夫过程；

对于每个时长为T的时隙，SU将每个时隙分为认知与传输两个阶段，其中每个时隙开始的τ时间内为认知阶段，剩余的T-τ时间为传输阶段；在认知阶段pu_m占用信道c_m，并以p_m和q_m分别表示c_m在当前时隙上信道状态由空闲转为占用和由占用转为空闲的概率；当信道空闲时，SU才能机会的进行传输，因此信道c_m的理论传输占比D_m如式(1)：

3.根据权利要求1所述的一种无线网络中多用户信道的认知分配方法，其特征在于，步骤二中三角剖分分层的自适应PU数量路由APRT的建立为：

CRSN中网络路由对于吞吐的影响大，因此提出三角剖分分层的自适应PU数量路由APRT，APRT路由的生成可分为分层与分配两步：

分层阶段：网络内所有SU节点包括基站将进行三角剖分，随后以基站为中心，对网络进行分层；分层逻辑为与基站有直接边连接的即为第一层节点，由于基站可同时接收所有信道数据，因此热区节点不必局限于复用一条信道，因此为了最大化热区节点的吞吐，作出以下限制：限制第一层的节点数量不超过信道数量M，因此将第一层中节点依据与基站的欧式距离进行排序，距离远的节点将直接放入第二层中；其后的各层节点遵从与第i层中节点拥有直连边的节点即为第i+1层节点，且一个节点不会处于多层；

分配阶段：按照从小到大的顺序依次选择路由层，遍历第i层，依据欧氏距离为其中节点选择最多两个第i+1层的节点作为上跳节点；

APRT中限制多枝节点与热区节点数量的规则如式(3)与式(4)所示：

其中，A＝{a_k＝|l_k|-1|k＝1,2,...K}为L对应的簇中上跳节点数量矩阵；|·|表示取集合的元素数量，建立三角剖分分层的自适应PU数量路由后就可以进行节点分簇。

4.根据权利要求1所述的一种基于博弈优化算法的认知频谱分配方法，其特征在于，节点分簇过程为：

节点区分接收与发送的工作方式在保证发送信道与其下跳节点的接收信道相同的情况下，解除其下跳节点的发送信道选择限制；SU的接收与发送信道分别为互不相同的独立信道，因此认知无线传感器网络CRSN整体呈现出一种以信道为区分标志的类分簇结构，实现部分节点的绑定，构成的簇彼此之间可具有相同节点，但除以基站作为下跳节点的簇，不会有两个簇的下跳节点相同；

簇内节点绑定之后，将原本对节点信道分配问题转换为对簇的信道分配问题；在信道分配中临近簇之间需尽量分配不同的信道；在路由确定后，各个簇随之确定，则存在的K个簇构成的集合L可描述如式(2)：

其中，k＝1,2,...,K；l_k(0)为簇l_k的唯一下跳节点；l_k(i)∈SU,1≤i≤K则是簇l_k中的上跳节点，BS为基站；各个上跳节点基于频分复用原则共享信道。

5.根据权利要求1所述的一种基于博弈优化算法的认知频谱分配方法，其特征在于，步骤三具体过程为：

通过各个节点对PU的认知信息在基站的融合以求取PU的占空比；

节点的认知传输模型：在时长τ内SU对信道能量采样了N_T次，PU的发射信号x_PU服从正态分布，则在SU处接收的对应信道中信号x也服从正态分布，由于SU具有认知能力，因此SU可计算得到所接收PU的信号强度方差δ_x ²：根据已知的呈正态分布的网络噪声方差δ_w ²，可得su_n认知c_m检测概率Q_n,m如式(5)：

γ＝βN_T+(1-β)N_T(SNR+1) (6)

其中，Q(·)表示正态分布右尾函数；β为检测因子，其取值区间为[0,1]；SNR＝δ_x ²/δ_w ²；

计算得su_n使用c_m信道的理论传输时长占比g_n,m如式(7)：

g_n,m＝D_mQ_n,m(7)。

6.根据权利要求1所述的一种基于博弈优化算法的认知频谱分配方法，其特征在于，步骤四具体过程为：

当su_n检测的pu_m距离其越近时，接收信号强度越高，则su_n在c_m上的信道容量e_n,m以及su_n对c_m认知成功率Q_n,m也越高；考虑到每个时隙中[0,τ]与[τ,T]的时间分离，[0,τ]时间段不会产生节点间传输干扰；但在[τ,T]时间段，选择相同信道的节点之间不可避免会产生节点间传输干扰，降低系统吞吐量；

su_n在c_m上的信道容量e_n,m如式(8)所示：

式中，l_k是节点su_n作为上跳节点对应簇；a_n＝|l_k|-1是簇l_k中上跳节点个数；1/(a_na_i)是节点su_n与su_i的信道重叠期望比；B是信道带宽；r_n,i则是同信道中节点su_i对su_n的干扰，可由节点su_n事先感知得到；

节点su_n在信道c_m上的吞吐量b_n,m可计算如下，

b_n,m＝g_n,m×e_n,m(9)

为保证网络整体的吞吐均衡，需首先满足转发数据较多节点的吞吐需求；为此在全局收益的计算中设置各个节点有吞吐权重w_n，提高数据量高节点的信道分配优先级，w_n值正比于w_n的期望的数据发送量；w_n以需发送数据量与自身数据量的比值表征，存在有节点权重矩阵W＝[w₁,w₂...w_n...w_N]；

由于路由的绑定效果，则对单个SU的发送信道分配转换为对于簇中上跳节点的发送信道分配，则有信道分配矩阵X：X＝{x_k|1≤x_k≤M,k＝1,2,...K}，其中x_k为l_k所选信道编号，即

为l_k选择信道；

在各个簇的信道选择约束下的最大化全局吞吐量收益U的问题则可转换为式(10)与(11)：

7.根据权利要求1所述的一种基于博弈优化算法的认知频谱分配方法，其特征在于，步骤五具体过程为：

由于对节点进行了分簇，对节点的信道分配问题便转换为对簇的信道分配问题；

每次策略的选择都必须符合博弈者只能作出对自己更好且不使其他参与者变差的策略，那么在有限轮次博弈下，一定会收敛到帕累托最优；这使得蛙跳博弈LG能在频谱分配问题中降解问题的复杂度的同时获得好的全局搜索能力；基于帕累托最优理论下的LG能在保证效果的前提下限制算法的复杂度；

当使用LG进行信道分配，LG将每个簇作为一只青蛙，信道代表可跳上的石头，簇吞吐收益lb_k,m则表征青蛙l_k处于石头c_m的心情；每只青蛙拥有各自独立的随机跳跃序列f_k，该序列可以增加蛙跳的随机性与蛙跳后解的离散程度，进而降低相同跳跃顺序下青蛙跳跃时出现的信道选择冲突概率；对于一次信道分配，各个簇l_k的随机跳跃序列f_k可组成如下跳跃矩阵F：

其中，f_k内元素需相互不重复，rand(M)为取[1,M]的随机整数，用以对应信道编号；

博弈时每轮选择自身收益最差的簇依据随机跳跃序列f_k依次进行判断，当判断所选信道满足帕累托改进的条件时，本轮停止并选择一个簇进行循环；当收敛到帕累托最优时算法停止；

若仅使用LG进行信道分配，会使得信道分配的效果受限于初始解；由此提出基于蛙跳博弈的优化算法ISLG，通过引入群优化算法对LG其进行优化；虽然标准的群优化算法则难以在此类高维度的离散问题中寻找到全局最优解，且极易陷入局部最优解，但配合LG可以进行优势互补；

ISLG通过LG对群寻优算法中的各个分配集进行再移动，以在单次群优化迭代中实现低复杂度的再寻优；其中再移动仅是将各个分配集执行LG后的收益作为其收益，并不移动分配集的位置；在优化过程中，如对离散粒子群算法DPSO进行基于LG的改进时，其中作为最佳收益的粒子可其位置更新为将LG后的位置，如此可使得该算法获得更好的效果。

Images