CN116056158A - 一种频率分配方法、装置、电子设备及存储介质 - Google Patents

一种频率分配方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116056158A
CN116056158A CN202310336093.4A CN202310336093A CN116056158A CN 116056158 A CN116056158 A CN 116056158A CN 202310336093 A CN202310336093 A CN 202310336093A CN 116056158 A CN116056158 A CN 116056158A
Authority
CN
China
Prior art keywords
chromosome
original frequency
frequency point
original
target
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
CN202310336093.4A
Other languages
English (en)
Other versions
CN116056158B (zh
Inventor
孔玉玲
蒋勤
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.)
New H3C Technologies Co Ltd
Original Assignee
New H3C Technologies Co Ltd
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 New H3C Technologies Co Ltd filed Critical New H3C Technologies Co Ltd
Priority to CN202310336093.4A priority Critical patent/CN116056158B/zh
Publication of CN116056158A publication Critical patent/CN116056158A/zh
Application granted granted Critical
Publication of CN116056158B publication Critical patent/CN116056158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • 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)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请实施例提供了一种频率分配方法、装置、电子设备及存储介质，涉及通信技术领域，该方法包括：根据频率约束条件，获取目标种群，目标种群包括多个染色体，每个染色体包括多个原始频率点，每个原始频率点所在的位置对应一个用频设备；对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点；基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的目标适应度；若根据多个染色体的目标适应度确定目标种群满足终止条件，则将目标染色体包括的每个原始频率点分配给对应的用频设备，目标染色体为目标种群中适应度最好的染色体。应用本申请实施例提供的技术方案，能够降低通信网络的干扰，提高频率资源利用率。

Description

一种频率分配方法、装置、电子设备及存储介质
技术领域
本申请涉及通信技术领域，特别是涉及一种频率分配方法、装置、电子设备及存储介质。
背景技术
随着科学技术的发展和工业4.0时代的到来，各种各样无线设备迅速涌入生产生活的方方面面，无线设备的用频需求迅猛发展，用频需求的迅猛发展与稀缺的频率资源之间的矛盾日益凸显。因此，如何在有限频率资源的条件下，找到一种频率分配方案，使得通信网络的干扰最小，成为提高频率资源利用率，缓解频率供需矛盾的一个重要环节。
发明内容
本申请实施例的目的在于提供一种频率分配方法、装置、电子设备及存储介质，以降低通信网络的干扰，提高频率资源利用率。具体技术方案如下：
在本申请实施例的第一方面，提供了一种频率分配方法，所述方法包括：
根据频率约束条件，获取目标种群，所述目标种群包括多个染色体，每个染色体包括多个原始频率点，每个原始频率点所在的位置对应一个用频设备；
对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点；
基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的目标适应度；
若根据所述多个染色体的目标适应度确定所述目标种群满足终止条件，则将目标染色体包括的每个原始频率点分配给对应的用频设备，所述目标染色体为所述目标种群中适应度最好的染色体。
在一些实施例中，所述方法还包括：
若根据所述多个染色体的目标适应度确定所述目标种群不满足终止条件，则对所述多个染色体进行遗传操作，得到新的目标种群，重新执行所述对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点的步骤。
在一些实施例中，所述方法还包括：
确定每个染色体中违反互调干扰和镜频干扰的约束条件的干扰频率组数；
利用惩罚函数，基于每个染色体中的干扰频率组数，确定每个染色体的惩罚值；
所述基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的目标适应度的步骤，包括：
基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的初始适应度；
基于每个染色体的初始适应度和惩罚值，确定每个染色体的目标适应度。
在一些实施例中，所述对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点的步骤，包括：
根据预设频率间隔和预设数量，对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点，相邻两个扩展频率点的频率间隔为所述预设频率间隔。
在一些实施例中，所述基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的目标适应度的步骤，包括：
针对每个染色体中的每个原始频率点，利用指数衰减函数，确定该原始频率点对应的多个扩展频率点相对于该原始频率点的第一功率向量，以及该原始频率点对应的多个扩展频率点相对于该染色体中每个其他原始频率点的第二功率向量；
确定每个染色体中的每个原始频率点对应的第一功率向量与每个第二功率向量之间的欧式距离，得到每个原始频率点对应的多个欧式距离；
根据每个染色体中每个原始频率点对应的多个欧式距离，确定每个染色体的目标适应度。
在一些实施例中，所述根据每个染色体中每个原始频率点对应的多个欧式距离，确定每个染色体的目标适应度的步骤，包括：
针对每个染色体，对该染色体中每个原始频率点对应的多个欧式距离进行归一化处理，得到每个原始频率点对应的多个归一化距离；确定该染色体中每个原始频率点对应的多个归一化距离的均值，得到该染色体中每个原始频率点与其他原始频率点之间的第一相关性；对该染色体中所有原始频率点对应的第一相关性进行均值处理，得到该染色体的目标适应度；或
针对每个染色体，对该染色体中每个原始频率点对应的多个欧式距离进行均值处理，得到该染色体中每个原始频率点与其他原始频率点之间的第二相关性；对该染色体中所有原始频率点对应的第二相关性进行均值处理，得到该染色体的目标适应度。
在本申请实施例的第二方面，提供了一种频率分配装置，所述装置包括：
获取模块，用于根据频率约束条件，获取目标种群，所述目标种群包括多个染色体，每个染色体包括多个原始频率点，每个原始频率点所在的位置对应一个用频设备；
扩展模块，用于对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点；
第一确定模块，用于基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的目标适应度；
分配模块，用于若根据所述多个染色体的目标适应度确定所述目标种群满足终止条件，则将目标染色体包括的每个原始频率点分配给对应的用频设备，所述目标染色体为所述目标种群中适应度最好的染色体。
在一些实施例中，所述装置还包括：
操作模块，用于若根据所述多个染色体的目标适应度确定所述目标种群不满足终止条件，则对所述多个染色体进行遗传操作，得到新的目标种群，重新执行所述对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点的步骤。
在一些实施例中，所述装置还包括：
第二确定模块，用于确定每个染色体中违反互调干扰和镜频干扰的约束条件的干扰频率组数；利用惩罚函数，基于每个染色体中的干扰频率组数，确定每个染色体的惩罚值；
所述第一确定模块，具体用于基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的初始适应度；基于每个染色体的初始适应度和惩罚值，确定每个染色体的目标适应度。
在一些实施例中，所述扩展模块，具体用于：
根据预设频率间隔和预设数量，对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点，相邻两个扩展频率点的频率间隔为所述预设频率间隔。
在一些实施例中，所述第一确定模块，具体用于：
针对每个染色体中的每个原始频率点，利用指数衰减函数，确定该原始频率点对应的多个扩展频率点相对于该原始频率点的第一功率向量，以及该原始频率点对应的多个扩展频率点相对于该染色体中每个其他原始频率点的第二功率向量；
确定每个染色体中的每个原始频率点对应的第一功率向量与每个第二功率向量之间的欧式距离，得到每个原始频率点对应的多个欧式距离；
根据每个染色体中每个原始频率点对应的多个欧式距离，确定每个染色体的目标适应度。
在一些实施例中，所述第一确定模块，
具体用于针对每个染色体，对该染色体中每个原始频率点对应的多个欧式距离进行归一化处理，得到每个原始频率点对应的多个归一化距离；确定该染色体中每个原始频率点对应的多个归一化距离的均值，得到该染色体中每个原始频率点与其他原始频率点之间的第一相关性；对该染色体中所有原始频率点对应的第一相关性进行均值处理，得到该染色体的目标适应度；或
具体用于针对每个染色体，对该染色体中每个原始频率点对应的多个欧式距离进行均值处理，得到该染色体中每个原始频率点与其他原始频率点之间的第二相关性；对该染色体中所有原始频率点对应的第二相关性进行均值处理，得到该染色体的目标适应度。
在本申请实施例的第三方面，提供了一种电子设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现上述任一频率分配方法步骤。
在本申请实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一频率分配方法步骤。
本申请实施例有益效果：
本申请实施例提供的技术方案中，在获得目标种群后，对目标种群中每个染色体包括的每个原始频率点进行扩展，也就是，将原始频率点细化为多个扩展频率点，采用细化后的扩展频率点，可以更为精准地衡量每个染色体的适应度，进而精确评估频率集的电磁兼容性和潜在干扰威胁，获得一个使通信网络干扰较小的频率分配方案，即一个较好的染色体，按照该染色体进行频率点分配，降低了通信网络的干扰，提高了频率资源利用率。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。
图1为本申请实施例提供的三个频率集的频率分布图；
图2为本申请实施例提供的频率分配方法的第一种流程示意图；
图3为本申请实施例提供的频率分配方法的第二种流程示意图；
图4为本申请实施例提供的一种染色体交叉过程的示意图；
图5为本申请实施例提供的一种染色体变异过程的示意图；
图6为本申请实施例提供的步骤S23或步骤S33的一种细化流程示意图；
图7为本申请实施例提供的三个频率集的扩展频率相应功率的频率分布图；
图8为本申请实施例提供的频率分配方法的第三种流程示意图；
图9为本申请实施例提供的频率分配方法的第四种流程示意图；
图10为本申请实施例提供的频率分配方法的第一种仿真结果示意图；
图11为本申请实施例提供的频率分配方法的第二种仿真结果示意图；
图12为应用本申请实施例提供的频率分配方法得到的最优解的一种频率分布图；
图13为应用现有技术中的最大间隔法得出的频率解的一种频率分布图；
图14为本申请实施例提供的频率分配装置的一种结构示意图；
图15为本申请实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本申请保护的范围。
为便于理解，下面对本申请实施例中出现的词语进行解释说明。
频率分配问题（Frequency Assignment Problem，FAP）：在满足电磁干扰约束的情况下，找到一种频率分配方案使得网络的干扰最小。
启发式方法（Heuristic Algorithm，HA）：利用类似仿生学的原理，将自然、动物中的一些现象抽象为算法处理相应问题。当一个问题是NP-hard问题时，是无法得出最优解的，因此采用启发式算法，在可行的时间内得到一个有效解，去尽可能逼近最优解，是当前求解NP-hard问题的一种常用方法。
遗传算法（Genetic Algorithm，GA）：是一种通过模拟达尔文自然进化过程搜索最优解的启发式算法，能够克服NP-hard问题的运算量障碍，在有效的时间内求出可行解。
染色体：包括多个频率点，本申请实施例中，将染色体包括的频率点称为原始频率点。例如，染色体 v k =[400,410,420]，其中，400、410、420分别为原始频率点，即基因，单位为MHz。本申请实施例中，原始频率点可以采用编号表示，例如，400 MHz、410 MHz、420 MHz的编号分别为1、2、3，则上述染色体 v k =[1,2,3]。
此外，染色体包括的基因数量与参与频率分配的用频设备的数量相同，且每个基因的位置分别对应一个用频设备（无线设备），如染色体 v k =[400,410,420]，400所在的位置对应用频设备1，410所在的位置对应用频设备2，420所在的位置对应用频设备3。
随着科学技术的发展和工业4.0时代的到来，各种各样无线设备迅速涌入生产生活的方方面面，无线设备的用频需求急速增大，用频需求的迅猛发展与稀缺的频率资源之间的矛盾日益凸显。因此，如何在有限频率资源的条件下，找到一种频率分配方案，使得通信网络的干扰最小，成为提高频率资源利用率，缓解频率供需矛盾的一个重要环节。
频率分配问题的数学解决方式在19世纪60年代首次提出，目前解决频率分配问题的主要的方法可分为确定性方法和启发式方法两类。
确定性方法可以包括图染色、枚举法、分支界限等方法。确定性方法的优势在于能够找到最好的频率分配方案，但是当问题的规模增大时，确定性方法无法在有效的时间内得到频率分配方案。随着无线通信网络的日益发展，确定性方法已经无法解决实际网络的频率分配问题。
启发式方法是一种解决问题时采取经验规则进行发现的方法，可以包括：模拟退火、遗传算法、蚁群算法等人工智能方法。启发式方法在解决NP-hard问题上具有天然的优势，能够在允许的代价内，得到有效可行的问题解决方案，受到越来越多人的重视，也取得了丰硕的研究成果。
目前，常用一种使用频率阈值的频率分配方法，频率分配过程包括：利用违反约束条件的频率数量作为衡量适应度的标准，同时采取贪婪算法提高遗传效率。以邻道干扰为例，邻道干扰的约束条件为| f i -f j |>Δ f， f i 和 f j 为两个频率点，Δ f为接收机的频率阈值；两个频率点之间干扰情况可以用以下公式表示：
 （1）
公式（1）中，C(fi，fj)表示频率点fi和fj之间的干扰情况，如C(fi，fj)为0时，表示频率点fi和fj之间不存在干扰，C(fi，fj)为1时，频率点fi和fj之间存在干扰，频率点fi和fj违反了邻道干扰的约束条件。
对于频率集F=[ f 1, f 2, f 3,… f N]的总干扰数目（即目标函数）可以表示为：
 （2）
公式（2）中， K f 表示频率集F的总干扰数目，C(fi，fj)表示频率点fi和fj之间的干扰情况，如公式（1）。
利用公式（2）中的总干扰数目，构造适值函数，如 V f =1/ K f 。基于该适值函数计算种群中染色体的适应度，结合贪婪算法，在种群初始化过程中要求下一步得到的染色体适应度高于上一步得到的染色体适应度，提高遗传效率。
上述基于总干扰数目构造适值函数的方式，公式简单，扩展性强，但优化目标较为粗犷，缺少对不同频率分配方案的精确衡量，在处理潜在干扰问题上效果较差，无法对频率集的电磁兼容性和潜在干扰进行定量评估。
例如，3个频率集分别为F1-F3，其中F1=[410,411,413,416,420]，F2=[410,412,414,417,421]，F3=[410,413,416,419,423]，F1-F3的频率分布如图1所示。图1中，横坐标为频率，单位为MHz，纵坐标为功率。在接收机的频率阈值分布为1 MHz、2 MHz、3 MHz和4 MHz时，F1-F3的总干扰数目如表1所示。
表1
由表1可知：
1）当接收机的频率阈值等于1 MHz时，使用频率阈值的频率分配方法能够判断出F2、F3均无邻频干扰，但无法评价F2、F3的优劣；
2）当接收机的频率阈值等于2 MHz，使用频率阈值的频率分配方法能够判断出F1、F2均存在两组邻频干扰频率，无法评价F1、F2的优劣；
3）当接收机的频率阈值大于3 MHz时，使用频率阈值的频率分配方法能够判断出F1、F2、F3均存在同样的邻频干扰数量，但无法评价各频率集的优劣。
为解决上述问题，本申请实施例提供了一种频率分配方法，可以应用于云端管理平台、服务器、集群等设备，为便于描述，下面以服务器为执行主体进行说明，并不起限定作用。上述频率分配方法中，服务器在获得目标种群后，对目标种群中每个染色体包括的每个原始频率点进行扩展，也就是，将原始频率点细化为多个扩展频率点，采用细化后的扩展频率点，可以更为精准地衡量每个染色体的适应度，进而精确评估频率集的电磁兼容性和潜在干扰威胁，获得一个使通信网络干扰较小的频率分配方案，即一个较好的染色体，按照该染色体进行频率点分配，降低了通信网络的干扰，提高了频率资源利用率。
下面通过具体实施例，对本申请实施例提供的频率分配方法进行详细说明。
参见图2，图2为本申请实施例提供的频率分配方法的第一种流程示意图，包括如下步骤：
步骤S21，根据频率约束条件，获取目标种群，目标种群包括多个染色体，每个染色体包括多个原始频率点，每个原始频率点所在的位置对应一个用频设备。
本申请实施例中，频率约束条件可以包括：原始频率点为用频设备的可用频率点，一个染色体包括的多个原始频率点不能重叠；每两个原始频率点之间的频率间隔大于预设阈值等中的一个或多个条件，对此不进行限定。
在进行频率分配的初始阶段，服务器可以根据频率约束条件，从可用频率资源中随机选择原始频率点，生成多个染色体，获得初始种群，该初始种群即为目标种群。
例如，N个用频设备的可用频率资源（即可用频率集）均为F=[f1,f2,f3,…,fM]， f i 表示原始频率点，i=1,2,3,…,M，用频设备为N个，则服务器根据频率约束条件，从频率集为F中随机选择N个原始频率点构成一个染色体 v k =[ i 1, i 2, i 3,…, i N]， i i 对应一个原始频率点 f m ，即预分配给用频设备i的一个原始频率点 f m ，i=1,2,3,…,N，m=1,2,3,…,M。本申请实施例中， i i 可以采用原始频率点 f m 表示，也可以采用自然数表示，对此不进行限定。服务器采用上述方式，随机生成K个染色体 v k ， k=1,2,3,…,K，构成一个初始种群，即目标种群。
在后续对目标种群进行遗传操作，需要随机生成新的染色体，以获得新的目标种群时，服务器也可以根据频率约束条件，从可用频率资源中随机选择原始频率点生成染色体，以构成新的目标种群。
步骤S22，对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点。
在获得目标种群后，针对目标种群中每个染色体包括的每个原始频率点，服务器对该原始频率点进行扩展，得到该原始频率点对应的多个扩展频率点。
本申请实施例中，针对每个原始频率点，服务器可以根据预设频率间隔和预设数量，对该原始频率点进行扩展，得到该原始频率点对应的多个扩展频率点。其中，相邻两个扩展频率点的频率间隔为预设频率间隔，预设频率间隔Δ f和预设数量n可以根据接收机性能和计算能力进行设定。为了保证能精确评估频率集的电磁兼容性和潜在干扰威胁，n×Δ f要大于频率阈值。另外，n×Δ f越大，频谱利用率越高，算法的效果越好，在n×Δ f一定的情况下，n越大，Δ f越小，频率分配方法的精度越高，但运算量也越大，因此，Δ f和n的取值需要在频率分配方法的精度和运算量之间折中考虑。
本申请实施例中，服务器可以采用以下任一种方式，根据预设频率间隔和预设数量，对原始频率点进行扩展：
方式一，按照预设频率间隔Δ f，在原始频率点的两侧分别扩展预设数量n个频率点，共得到2n+1个扩展频率点（包括原始频率点）。以原始频率点为 f i 为例， f i 对应的多个扩展频率点，即扩展频率点向量为fi'={fi-n×Δf,fi-(n-1)×Δf,…,fi,…,fi+(n-1)×Δf,fi+n×Δf}。
方式二，按照预设频率间隔Δ f，在大于原始频率点的一侧分别扩展预设数量n个频率点，共得到n+1个扩展频率点（包括原始频率点）。以原始频率点为 f i 为例， f i 对应的多个扩展频率点，即扩展频率点向量为fi'={fi,…,fi+(n-1)×Δf,fi+n×Δf}。
方式三，按照预设频率间隔Δ f，在小于原始频率点的一侧分别扩展预设数量n个频率点，共得到n+1个扩展频率点（包括原始频率点）。以原始频率点为 f i 为例， f i 对应的多个扩展频率点，即扩展频率点向量为fi'={fi-n×Δf,fi-(n-1)×Δf,…,fi}。
本申请实施例中，服务器还可以采用其他方式，对原始频率点进行扩展，如在原始频率点的两侧随机选择预设数量n个频率点，得到n+1个扩展频率点（包括原始频率点），对此不进行限定。
步骤S23，基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的目标适应度。
在获得每个原始频率点对应的多个扩展频率点后，针对每个染色体，服务器基于该染色体包括的每个原始频率点对应的多个扩展频率点，确定该染色体的适应度，即目标适应度。本申请实施例中，服务器可以采用多种方式确定染色体的适应度，对于不同的适应度确定方式，适应度的好差表达方式不同，例如，适应度越大，适应度越好，或者，适应度越小，适应度越好。
步骤S24，若根据多个染色体的目标适应度确定目标种群满足终止条件，则将目标染色体包括的每个原始频率点分配给对应的用频设备，目标染色体为目标种群中适应度最好的染色体。
本申请实施例中，终止条件可以根据实际需求进行设定，例如，终止条件可以包括以下至少一种：遗传迭代次数达到第一预设次数；最好的适应度等于均值；最好的适应度连续保持第二预设次数，等等。
当确定目标种群中每个染色体的目标适应度后，服务器若确定当前目标种群满足终止条件，则终止迭代，获取当前目标种群中适应度最好的染色体，针对目标染色体包括的每个原始频率点，将该原始频率点分配给该原始频率点所在的位置对应的用频设备。
应用图2所示实施例，服务器在获得目标种群后，对目标种群中每个染色体包括的每个原始频率点进行扩展，也就是，将原始频率点细化为多个扩展频率点，采用细化后的扩展频率点，可以更为精准地衡量每个染色体的适应度，进而精确评估频率集的电磁兼容性和潜在干扰威胁，获得一个使通信网络干扰较小的频率分配方案，即一个较好的染色体，按照该染色体进行频率点分配，降低了通信网络的干扰，提高了频率资源利用率。
在一些实施例中，本申请实施例还提供了一种频率分配方法，如图3所示，可以包括如下步骤：
步骤S31，根据频率约束条件，获取目标种群，目标种群包括多个染色体，每个染色体包括多个原始频率点，每个原始频率点所在的位置对应一个用频设备。与上述步骤S21相同。
步骤S32，对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点。与上述步骤S22相同。
步骤S33，基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的目标适应度。与上述步骤S23相同。
步骤S34，若根据多个染色体的目标适应度确定目标种群满足终止条件，则将目标染色体包括的每个原始频率点分配给对应的用频设备，目标染色体为目标种群中适应度最好的染色体。与上述步骤S24相同。
步骤S35，若根据多个染色体的目标适应度确定目标种群不满足终止条件，则对多个染色体进行遗传操作，得到新的目标种群，重新执行步骤S32。
当确定目标种群中每个染色体的目标适应度后，服务器若确定当前目标种群不满足终止条件，则继续进行遗传迭代，对多个染色体进行遗传操作，得到新的目标种群。此时遗传迭代次数加1，服务器基于新的目标种群，重新执行步骤S32。如此循环执行步骤S32-步骤S35，直至目标种群满足终止条件。通过不断的遗传迭代，服务器可以获取最优解，即最优的频率分配方案，进一步降低了通信网络的干扰，提高了频率资源利用率。
本申请实施例中，遗传操作可以包括复制操作、交叉操作和变异操作。服务器可以预先设定交叉率、变异率、淘汰率、精英个体数量等。
（1）服务器可以按照如下步骤执行复制操作：
步骤1，计算染色体 v k 的适应度 V k ，并令 W k =1/ V k ；
步骤2，计算目标种群中所有染色体对应的 W k 的和，得到 W sum如下：
其中，K为目标种群中染色体的个数。
步骤3，计算染色体 v k 的选择概率 p k ；
p k = W k / W sum  k=1,2,…K。
步骤4，计算染色体 v k 的累计概率 q k ；
其中，K为目标种群中染色体的个数。
步骤5，在[0,1]区间内产生一个均匀分布的随机数r；若r≤q1，则选择染色体 v 1进行复制；
若 q k-1<r≤ q k ，则选择染色体 v k 进行复制；
步骤6，选择适应度最好的染色体进行复制；
本申请实施例中，服务器可以采用步骤5和/或步骤6，对染色体进行复制，共得到精英个体数量个下一代染色体。
本申请实施例中，服务器按照淘汰率，淘汰目标种群中适应度最差的染色体，剩余的染色体参与后续的交叉操作和变异操作。
（2）服务器可以按照如下步骤执行交叉操作：
步骤1，基于复制操作中计算得到的选择概率，从剩余的染色体中随机选择2个染色体；
步骤2，对选择的2个染色体进行交叉，得到交叉后的染色体。
以OX算法为例，服务器随机选择了2个染色体，如图4中的双亲1和双亲2，图4中染色体上的每个数字表示1个频率点。服务器从双亲1中，随机选择一个子串，如“4987”，将“4987”复制到一个空染色体的相应位置，产生一个原始后代。服务器删除双亲2中包括的子串“4987”中的频率点，如4、9、8，将剩余的频率点（如图4中的频率点11、12、13、14、15、16）随机填充到原始后代的空缺位置，得到下一代染色体。对于未填充至原始后代的频率点，如图4中的频率点16，服务器丢弃该频率点16。
通过循环执行步骤1-步骤2，当交叉得到的下一代染色体的数量占目标种群包括的染色体总数的比例达到交叉率时，结束交叉操作。
（3）服务器可以按照如下步骤执行变异操作：
步骤1，基于复制操作中计算得到的选择概率，从剩余的染色体中随机选择1个染色体；
步骤2，对选择的1个染色体进行变异，得到变异后的染色体。
例如，服务器随机选择了1个染色体，如图5中的染色体1，在染色体1随机选择几个频率点，如“4、9、8、7”，随机选择染色体1中没有的频率点，如“10、12、14、11”替换“4、9、8、7”，得到变异后的下一代染色体2。
通过循环执行步骤1-步骤2，当变异得到的下一代染色体的数量占目标种群包括的染色体总数的比例达到变异率时，结束变异操作。
（4）根据频率约束条件，随机生成等多个染色体。
通过上述（1）-（4）的遗传操作，得到新的目标种群，新的目标种群与上一代对目标种群包括的染色体数量相同。
本申请实施例中，复制操作、交叉操作和变异操作还可以通过其他方式实现，对此不进行限定。
在一些实施例中，如图6所示，上述步骤S23或步骤S33可以包括如下步骤：
步骤S61，针对每个染色体中的每个原始频率点，利用指数衰减函数，确定该原始频率点对应的多个扩展频率点相对于该原始频率点的第一功率向量，以及该原始频率点对应的多个扩展频率点相对于该染色体中每个其他原始频率点的第二功率向量。
本申请实施例中，指数衰减函数可以根据实际需求进行设定。一个示例中，指数衰减函数可以采用如下公式（3）表示：
P( f i ， f k )=exp(- λ| f i - f k |) （3）
公式（3）中， P( f i ， f k )表示频率点 f k 相对于频率点 f i 的功率，exp( )表示以自然数e为底数的指数函数， λ表示衰减系数，衰减系数的大小可以由接收机的性能决定。仍以图1中的3个频率集为例，基于公式（3），当 λ=3时，服务器对F1-F3包括的各个原始频率点进行扩展，得到相应功率的频率分布可参见图7所示。
另一个示例中，指数衰减函数可以采用如下公式（4）表示：
P( f i ， f k )=exp( λ| f i - f k |) （4）
公式（4）中， P( f i ， f k )表示频率点 f k 相对于频率点 f i 的功率，exp( )表示以自然数e为底数的指数函数， λ表示衰减系数。
本申请实施例中，在获得每个原始频率点对应的多个扩展频率点后，针对每个染色体中的每个原始频率点，服务器可以利用指数衰减函数，如上述公式（3）或（4），确定该原始频率点对应的第一功率向量和第二功率向量。
例如，一个染色体中，原始频率点fi的扩展频率点向量为fi'={fi-n×Δf,fi-(n-1)×Δf,…,fi,…,fi+(n-1)×Δf,fi+n×Δf }。原始频率点fi对应的第一功率向量为Pi'={P(fi，fi-n×Δf )，P(fi，fi-(n-1)×Δf )，…，P(fi，fi)，…，P(fi，fi+(n-1)×Δf )，P(fi，fi+n×Δf )}，原始频率点fi对应的第二功率向量为Pj'= P1'={P(fj，fi-n×Δf )，P(fj，fi-(n-1)×Δf )，…，P(fj，fi)，…，P(fj，fi+(n-1)×Δf )，P(fj，fi+n×Δf )}，其中，原始频率点fj为该染色体中的任一其他原始频率点。
步骤S62，确定每个染色体中的每个原始频率点对应的第一功率向量与每个第二功率向量之间的欧式距离，得到每个原始频率点对应的多个欧式距离。
在获得每个原始频率点对应的第一功率向量与每个第二功率向量后，针对每个染色体中的每个原始频率点，服务器确定该原始频率点对应的第一功率向量分别与该原始频率点对应的每个第二功率向量之间的欧式距离，共得到该原始频率点对应的多个欧式距离。仍以步骤S61中的例子为例，原始频率点 f i 对应的一个欧式距离为| P i '- P j '|，其中， P i '为原始频率点 f i 对应的第一功率向量， P j '为原始频率点 f i 对应的一个第二功率向量。
步骤S63，根据每个染色体中每个原始频率点对应的多个欧式距离，确定每个染色体的目标适应度。
针对每个染色体，服务器根据该染色体中每个原始频率点对应的多个欧式距离，确定每个染色体的目标适应度。
应用图6所示的实施例中，根据用频设备的接收机性能，使用指数衰减函数构建功率函数，如上述公式（3），使得干扰模型能够有效模拟中频滤波器性能，更接近接收机实际情况，进一步避免了邻道干扰问题，提高了频率资源利用率。
在一些实施例中，上述步骤S63可以为：针对每个染色体，对该染色体中每个原始频率点对应的多个欧式距离进行均值处理，得到该染色体中每个原始频率点与其他原始频率点之间的第二相关性；对该染色体中所有原始频率点对应的第二相关性进行均值处理，得到该染色体的目标适应度。
本申请实施例中，针对每个染色体中每个原始频率点，服务器对该原始频率点对应的多个欧式距离进行均值处理，得到该原始频率点与该染色体中其他原始频率点之间的相关性，如该原始频率点对应的第二相关性；服务器对该染色体中所有原始频率点对应的第二相关性进行均值处理，得到该染色体的目标适应度。
例如，针对每个染色体中每个原始频率点，服务器可以采用公式（5），确定该原始频率点与该染色体中其他原始频率点的第二相关性。
 （5）
公式（5）中， Z i 表示一个染色体中，原始频率点 f i 与该染色体中其他原始频率点之间的的第二相关性， r i, j 表示原始频率点 f i 对应的一个欧式距离，如步骤S62中| P i '- P j '|，N为该染色体包括的原始频率点的总数。
针对每个染色体，服务器可以采用公式（6），确定该染色体的目标适应度。
 （6）
公式（6）中， V k 表示染色体 v k 的目标适应度， Z i 表示一个染色体中，原始频率点 f i 与该染色体中其他原始频率点之间的的第二相关性，N为一个染色体包括的原始频率点的总数。公式（6）即为适值函数，为非负函数。
在一些实施例中，上述步骤S63可以为：针对每个染色体，对该染色体中每个原始频率点对应的多个欧式距离进行归一化处理，得到每个原始频率点对应的多个归一化距离；确定该染色体中每个原始频率点对应的多个归一化距离的均值，得到该染色体中每个原始频率点与其他原始频率点之间的第一相关性；对该染色体中所有原始频率点对应的第一相关性进行均值处理，得到该染色体的目标适应度。
本申请实施例中，针对每个染色体中每个原始频率点，服务器对该原始频率点对应的多个欧式距离进行归一化处理，得到该原始频率点对应的多个归一化距离；服务器对该原始频率点对应的多个归一化距离进行均值处理，得到该原始频率点与该染色体中其他原始频率点之间的相关性，如该原始频率点对应的第一相关性；服务器对该染色体中所有原始频率点对应的第一相关性进行均值处理，得到该染色体的目标适应度。
例如，针对每个染色体中每个原始频率点，服务器可以采用上述公式（5），确定该原始频率点的第一相关性。之后，针对每个染色体，服务器可以采用上述公式（6），确定该染色体的目标适应度。此时，公式（5）和（6）中， Z i 表示原始频率点 f i 与该染色体中其他原始频率点之间的第一相关性， r i, j 表示原始频率点 f i 的一个归一化距离。
本申请实施例中，对归一化处理的方式不进行限定。一个示例中，服务器可以采用公式（7）对一个欧式距离进行归一化处理，得到归一化距离。
 （7）
公式（7）中， r i, j 表示原始频率点 f i 对应的一个归一化距离， P i '表示原始频率点 f i 对应的第一功率向量， P j '表示原始频率点 f i 对应的一个第二功率向量，| P i '- P j '|表示原始频率点 f i 对应的一个欧式距离。
本申请实施例中，仍图1所示的3个频率集为例，结合公式（5）、（6）、（7）、（3），服务器求得频率集F1-F3的适应度参见表2所示。
表2
从表2可以得出，F3的适应度最小，最好，F1的适应度最大，最差。
另一个示例中，服务器可以采用公式（8）对一个欧式距离进行归一化处理，得到归一化距离。
 （8）
公式（8）中， r i, j 表示原始频率点 f i 对应的一个归一化距离， P i '表示原始频率点 f i 对应的第一功率向量， P j '表示原始频率点 f i 对应的一个第二功率向量，| P i '- P j '|表示原始频率点 f i 对应的一个欧式距离。
利用上述公式（7）确定适应度时，适应度越小越好，利用上述公式（8）确定适应度时，适应度越大越好。
通过本申请实施例，服务器对欧式距离进行了归一化处理，增强了频率分配方法的鲁棒性。此外，采用归一化距离计算适应度，可以有效提高遗传算法的效率，减小不同连接数据带来的计算误差，提高了频率分配的精度。
此外，本申请实施例中，实际是以相关性作为适应度，这能够更精确地评估染色体的电磁兼容性和潜在干扰威胁，能够适用于解决大量移动无线电设备的频率分配问题。
在一个实施例中，如图8所示，还提供了一种频率分配方法，可以包括如下步骤：
步骤S81，根据频率约束条件，获取目标种群，目标种群包括多个染色体，每个染色体包括多个原始频率点，每个原始频率点所在的位置对应一个用频设备。与上述步骤S21相同。
步骤S82，确定每个染色体中违反互调干扰和镜频干扰的约束条件的干扰频率组数。
以三阶互调干扰为例，在频率集F=[ f 1, f 2, f 3,…, f M]中，若存在一组，使 f k -|n× f i ± m× f j |<Δ f成立，Δ f为三阶互调干扰的频率阈值，n+m=3，则令 K f  = K f +1， K f  表示干扰频率组数。基于此，针对每个染色体，服务器可以根据如下公式（9）确定干扰频率组数。
 （9）
 （10）
公式（9）和（10）中，C(fi，fj，fk)表示原始频率点fi、fj和fk之间的三阶互调干扰情况，如C(fi，fj，fk)为0时，表示原始频率点fi、fj和fk间不存在三阶互调干扰，C(fi，fj，fk)为1时，频率点fi、fj和fk之间存在三阶互调干扰，原始频率点fi、fj和fk违反了三阶互调干扰的约束条件，Kf表示一个染色体中的干扰频率组数，N表示该染色体包括的原始频率点总个数。
步骤S83，利用惩罚函数，基于每个染色体中的干扰频率组数，确定每个染色体的惩罚值。
本申请实施例中，惩罚函数可以根据实际需求进行设定。一个示例中，惩罚函数可以采用如下公式（11）表示：
Tk=η×exp(-1/Kf) （11）
公式（11）中， T k 表示染色体的惩罚值， K f 表示该染色体中的干扰频率组数，η表示惩罚系数。
另一个示例中，惩罚函数可以采用如下公式（12）表示：
Tk=η×exp(1/Kf) （12）
公式（12）中， T k 表示染色体的惩罚值， K f 表示该染色体中的干扰频率组数，η表示惩罚系数。
服务器利用公式（11）或（12）可确定每个染色体的惩罚值。
本申请实施例中，服务器可以采用多种方式确定染色体的惩罚值，对于不同的惩罚值确定方式，惩罚值的好差表达方式不同，例如，采用公式（11）确定惩罚值时，惩罚值越小越好，或者，采用公式（12）确定惩罚值时，惩罚值越大越好。
步骤S84，对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点。与上述步骤S22相同。本申请实施例中不限定步骤S82和步骤S84的执行顺序。
步骤S85，基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的初始适应度。步骤S85中确定初始适应度的方式可参见步骤S61-步骤S63部分的相关描述，此处不再赘述。
步骤S86，基于每个染色体的初始适应度和惩罚值，确定每个染色体的目标适应度。
本申请实施例中，当初始适应度和惩罚值均为越大越好，或均为越小越好时，服务器可以采用公式（13）确定每个染色体的目标适应度。
V k '= V k + T k  （13）
公式（13）中， V k '表示染色体 v k 的目标适应度， V k 表示染色体 v k 的初始适应度， T k 表示染色体 v k 的惩罚值。当初始适应度和惩罚值均为越大越好，目标适应度也越大越好；当初始适应度和惩罚值均为越小越好，目标适应度也越小越好。
当初始适应度越大越好，惩罚值越小越好，或初始适应度越小越好，惩罚值越大越好时，服务器可以采用公式（14）确定每个染色体的目标适应度。
V k '= V k +1/ T k  （14）
公式（14）中， V k '表示染色体 v k 的目标适应度， V k 表示染色体 v k 的初始适应度， T k 表示染色体 v k 的惩罚值。当初始适应度为越大越好，目标适应度也越大越好；当初始适应度为越小越好，目标适应度也越小越好。
本申请实施例中，服务器还可以采用其他方式确定每个染色体的目标适应度，对此不进行限定。
步骤S87，若根据多个染色体的目标适应度确定目标种群满足终止条件，则将目标染色体包括的每个原始频率点分配给对应的用频设备，目标染色体为目标种群中适应度最好的染色体。与上述步骤S24相同。
在空间有限且用频设备移动的情况下，互调干扰和镜频干扰是一种比较大的潜在干扰威胁，应用图8所示实施例，服务器在适值函数中引入互调和镜频干扰构成的惩罚函数，结合由扩展频率点构成的初始适值函数，可以有效、精确地评估电磁兼容性和潜在干扰威胁，解决有限空间、有限频率资源条件下的频率问题。
下面结合图9所示频率分配流程图，对本申请实施例提供的频率分配方法进行说明。
步骤S91，产生规模为K的初始种群。
初始时刻，遗传迭代次数Gen=0，服务器可以根据频率约束条件，进行编码，随机产生规模为K的初始种群。具体可参见步骤S21部分的相关描述。
步骤S92，判断是否达到终止条件；若是，则执行步骤S93，输出结果，即输出适应度最好的染色体，进而终止程序；若否，则执行步骤S94。
步骤S94，计算每个染色体的适应度。具体可参见步骤S23、步骤S61-步骤S63、步骤S81-步骤S87部分的相关描述。
步骤S95，执行遗传操作。
本申请实施例中，服务器可以按照图9所示的遗传操作从左至右的顺序执行，即：先根据适应度选择复制的染色体，执行复制操作，将复制的染色体加入新种群；其次，选择两个染色体，执行交叉操作，将交叉后的染色体加入新种群；其次，选择一个染色体，执行变异操作，将变异后的染色体加入新种群。具体可参见步骤S35部分的相关描述。
步骤S96，迭代次数加1，即Gen=Gen+1。返回执行步骤S92。
采用本申请实施例提供的频率分配方法，经仿真发现，相对于现有技术，本申请实施例提供的频率分配方法取得了优异的效果。
仿真背景以及参数设置如下：以某固定区域内部署40台用频设备为背景，验证算法的可行性和优越性。设定频率资源为400 MHz -470 MHz，信道间隔0.025MHz，适值函数为公式（13），基于公式（11）、（7）、（6）、（5）和（3），种群包括的染色体数60，染色体的基因数40，交叉率30%，变异率30%，淘汰率10%，精英个体5个；其余后代采取随机产生的方法。衰减系数=5；惩罚系数0.1；终止条件为满足下列条件之一：1）遗传迭代次数大于500；2）最优值等于均值；3）最优值连续保持50代。
基于此的仿真结果如图10和图11所示，图10为表示单次遗传算法（即上述频率分配方法）的种群进化图，图11为600次遗传算法的蒙特卡洛平均种群进化图。其中，曲线1为种群所有染色体的平均适应度的大小，曲线2为种群最佳染色体的适应度的大小。由图10和图11可见，遗传算法在成功收敛的同时，保持了一定的种群多样性，且通过600次的蒙特卡洛仿真可知，在迭代200次之后，遗传算法最优解趋于稳定，收敛效率较高。图10和图11中，横坐标为遗传迭代次数，纵坐标为适应度。
本申请实施例的遗传算法的优化解以及最大间隔法得出的频率解如表3所示。由表3可知，采取最大间隔法选出的频率集存在大量的互调干扰，而本申请实施例的遗传算法得出的频率集不存在互调干扰；在频率间隔上，本申请实施例的遗传算法的频率集没有小于10倍信道间隔（0.25MHz）的频率对，仅存在1对频率间隔小于20倍信道间隔（0.5MHz），小于40倍信道间隔（1MHz）的频率为8对，采取等间隔法的所有频率间隔均大于1MHz。由图12和图13能更清晰的看出本申请实施例的遗传算法的优化解和最大间隔法得出的频率解的频率分布。图12和图13中，横坐标为频率，单位MHz，纵坐标为功率。
表3
综上所述，采取本申请实施例的遗传算法，较好地处理了同频干扰、邻频干扰和互调干扰，能够快速、稳定地得出一种可用解，使得频率分配方法具备处理多种干扰、多个频段、多种类型无线电设备的频率分配能力。
与上述频率分配方法对应，本申请实施例还提供了一种频率分配装置，如图14所示，该装置包括：
获取模块141，用于根据频率约束条件，获取目标种群，目标种群包括多个染色体，每个染色体包括多个原始频率点，每个原始频率点所在的位置对应一个用频设备；
扩展模块142，用于对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点；
第一确定模块143，用于基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的目标适应度；
分配模块144，用于若根据多个染色体的目标适应度确定目标种群满足终止条件，则将目标染色体包括的每个原始频率点分配给对应的用频设备，目标染色体为目标种群中适应度最好的染色体。
在一些实施例中，上述频率分配装置还可以包括：
操作模块，用于若根据多个染色体的目标适应度确定目标种群不满足终止条件，则对多个染色体进行遗传操作，得到新的目标种群，重新执行对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点的步骤。
在一些实施例中，上述频率分配装置还可以包括：
第二确定模块，用于确定每个染色体中违反互调干扰和镜频干扰的约束条件的干扰频率组数；利用惩罚函数，基于每个染色体中的干扰频率组数，确定每个染色体的惩罚值；
第一确定模块143，具体可以用于基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的初始适应度；基于每个染色体的初始适应度和惩罚值，确定每个染色体的目标适应度。
在一些实施例中，扩展模块142，具体可以用于：
根据预设频率间隔和预设数量，对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点，相邻两个扩展频率点的频率间隔为预设频率间隔。
在一些实施例中，第一确定模块143，具体可以用于：
针对每个染色体中的每个原始频率点，利用指数衰减函数，确定该原始频率点对应的多个扩展频率点相对于该原始频率点的第一功率向量，以及该原始频率点对应的多个扩展频率点相对于该染色体中每个其他原始频率点的第二功率向量；
确定每个染色体中的每个原始频率点对应的第一功率向量与每个第二功率向量之间的欧式距离，得到每个原始频率点对应的多个欧式距离；
根据每个染色体中每个原始频率点对应的多个欧式距离，确定每个染色体的目标适应度。
在一些实施例中，第一确定模块143，具体可以用于针对每个染色体，对该染色体中每个原始频率点对应的多个欧式距离进行归一化处理，得到每个原始频率点对应的多个归一化距离；确定该染色体中每个原始频率点对应的多个归一化距离的均值，得到该染色体中每个原始频率点与其他原始频率点之间的第一相关性；对该染色体中所有原始频率点对应的第一相关性进行均值处理，得到该染色体的目标适应度；或
具体可以用于针对每个染色体，对该染色体中每个原始频率点对应的多个欧式距离进行均值处理，得到该染色体中每个原始频率点与其他原始频率点之间的第二相关性；对该染色体中所有原始频率点对应的第二相关性进行均值处理，得到该染色体的目标适应度。
本申请实施例提供的技术方案中，在获得目标种群后，对目标种群中每个染色体包括的每个原始频率点进行扩展，也就是，将原始频率点细化为多个扩展频率点，采用细化后的扩展频率点，可以更为精准地衡量每个染色体的适应度，进而精确评估频率集的电磁兼容性和潜在干扰威胁，获得一个使通信网络干扰较小的频率分配方案，即一个较好的染色体，按照该染色体进行频率点分配，降低了通信网络的干扰，提高了频率资源利用率。
与上述频率分配方法对应，本申请实施例还提供了一种电子设备，如图15所示，包括处理器151和机器可读存储介质152，所述机器可读存储介质152存储有能够被所述处理器151执行的机器可执行指令，所述处理器151被所述机器可执行指令促使：实现上述任一频率分配方法步骤。
机器可读存储介质可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，机器可读存储介质还可以是至少一个位于远离前述处理器的存储装置。
处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-ProgrammableGate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一频率分配方法步骤。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一频率分配方法步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、存储介质、程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (14)

1.一种频率分配方法，其特征在于，所述方法包括：
根据频率约束条件，获取目标种群，所述目标种群包括多个染色体，每个染色体包括多个原始频率点，每个原始频率点所在的位置对应一个用频设备；
对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点；
基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的目标适应度；
若根据所述多个染色体的目标适应度确定所述目标种群满足终止条件，则将目标染色体包括的每个原始频率点分配给对应的用频设备，所述目标染色体为所述目标种群中适应度最好的染色体。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若根据所述多个染色体的目标适应度确定所述目标种群不满足终止条件，则对所述多个染色体进行遗传操作，得到新的目标种群，重新执行所述对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点的步骤。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
确定每个染色体中违反互调干扰和镜频干扰的约束条件的干扰频率组数；
利用惩罚函数，基于每个染色体中的干扰频率组数，确定每个染色体的惩罚值；
所述基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的目标适应度的步骤，包括：
基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的初始适应度；
基于每个染色体的初始适应度和惩罚值，确定每个染色体的目标适应度。
4.根据权利要求1或2所述的方法，其特征在于，所述对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点的步骤，包括：
根据预设频率间隔和预设数量，对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点，相邻两个扩展频率点的频率间隔为所述预设频率间隔。
5.根据权利要求1或2所述的方法，其特征在于，所述基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的目标适应度的步骤，包括：
针对每个染色体中的每个原始频率点，利用指数衰减函数，确定该原始频率点对应的多个扩展频率点相对于该原始频率点的第一功率向量，以及该原始频率点对应的多个扩展频率点相对于该染色体中每个其他原始频率点的第二功率向量；
确定每个染色体中的每个原始频率点对应的第一功率向量与每个第二功率向量之间的欧式距离，得到每个原始频率点对应的多个欧式距离；
根据每个染色体中每个原始频率点对应的多个欧式距离，确定每个染色体的目标适应度。
6.根据权利要求5所述的方法，其特征在于，所述根据每个染色体中每个原始频率点对应的多个欧式距离，确定每个染色体的目标适应度的步骤，包括：
针对每个染色体，对该染色体中每个原始频率点对应的多个欧式距离进行归一化处理，得到每个原始频率点对应的多个归一化距离；确定该染色体中每个原始频率点对应的多个归一化距离的均值，得到该染色体中每个原始频率点与其他原始频率点之间的第一相关性；对该染色体中所有原始频率点对应的第一相关性进行均值处理，得到该染色体的目标适应度；或
针对每个染色体，对该染色体中每个原始频率点对应的多个欧式距离进行均值处理，得到该染色体中每个原始频率点与其他原始频率点之间的第二相关性；对该染色体中所有原始频率点对应的第二相关性进行均值处理，得到该染色体的目标适应度。
7.一种频率分配装置，其特征在于，所述装置包括：
获取模块，用于根据频率约束条件，获取目标种群，所述目标种群包括多个染色体，每个染色体包括多个原始频率点，每个原始频率点所在的位置对应一个用频设备；
扩展模块，用于对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点；
第一确定模块，用于基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的目标适应度；
分配模块，用于若根据所述多个染色体的目标适应度确定所述目标种群满足终止条件，则将目标染色体包括的每个原始频率点分配给对应的用频设备，所述目标染色体为所述目标种群中适应度最好的染色体。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
操作模块，用于若根据所述多个染色体的目标适应度确定所述目标种群不满足终止条件，则对所述多个染色体进行遗传操作，得到新的目标种群，重新执行所述对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点的步骤。
9.根据权利要求7或8所述的装置，其特征在于，所述装置还包括：
第二确定模块，用于确定每个染色体中违反互调干扰和镜频干扰的约束条件的干扰频率组数；利用惩罚函数，基于每个染色体中的干扰频率组数，确定每个染色体的惩罚值；
所述第一确定模块，具体用于基于每个染色体包括的每个原始频率点对应的多个扩展频率点，确定每个染色体的初始适应度；基于每个染色体的初始适应度和惩罚值，确定每个染色体的目标适应度。
10.根据权利要求7或8所述的装置，其特征在于，所述扩展模块，具体用于：
根据预设频率间隔和预设数量，对每个原始频率点进行扩展，得到每个原始频率点对应的多个扩展频率点，相邻两个扩展频率点的频率间隔为所述预设频率间隔。
11.根据权利要求7或8所述的装置，其特征在于，所述第一确定模块，具体用于：
针对每个染色体中的每个原始频率点，利用指数衰减函数，确定该原始频率点对应的多个扩展频率点相对于该原始频率点的第一功率向量，以及该原始频率点对应的多个扩展频率点相对于该染色体中每个其他原始频率点的第二功率向量；
确定每个染色体中的每个原始频率点对应的第一功率向量与每个第二功率向量之间的欧式距离，得到每个原始频率点对应的多个欧式距离；
根据每个染色体中每个原始频率点对应的多个欧式距离，确定每个染色体的目标适应度。
12.根据权利要求11所述的装置，其特征在于，所述第一确定模块，
具体用于针对每个染色体，对该染色体中每个原始频率点对应的多个欧式距离进行归一化处理，得到每个原始频率点对应的多个归一化距离；确定该染色体中每个原始频率点对应的多个归一化距离的均值，得到该染色体中每个原始频率点与其他原始频率点之间的第一相关性；对该染色体中所有原始频率点对应的第一相关性进行均值处理，得到该染色体的目标适应度；或
具体用于针对每个染色体，对该染色体中每个原始频率点对应的多个欧式距离进行均值处理，得到该染色体中每个原始频率点与其他原始频率点之间的第二相关性；对该染色体中所有原始频率点对应的第二相关性进行均值处理，得到该染色体的目标适应度。
13.一种电子设备，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现权利要求1-6任一所述的方法步骤。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
CN202310336093.4A 2023-03-24 2023-03-24 一种频率分配方法、装置、电子设备及存储介质 Active CN116056158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310336093.4A CN116056158B (zh) 2023-03-24 2023-03-24 一种频率分配方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310336093.4A CN116056158B (zh) 2023-03-24 2023-03-24 一种频率分配方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116056158A true CN116056158A (zh) 2023-05-02
CN116056158B CN116056158B (zh) 2023-06-20

Family

ID=86127651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310336093.4A Active CN116056158B (zh) 2023-03-24 2023-03-24 一种频率分配方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116056158B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060253464A1 (en) * 2003-01-30 2006-11-09 Shyamalie Thilakawardana Method and system for determining optimum resource allocation in a network
CN101776765A (zh) * 2009-11-16 2010-07-14 北京航空航天大学 一种多系统兼容接收机频点选择方法
CN103037447A (zh) * 2012-12-21 2013-04-10 深圳市国电科技通信有限公司 一种无线通信系统中动态带宽分配的自适应双工方法
CN104093155A (zh) * 2014-07-25 2014-10-08 湖南大学 一种td-scdma频率分配方法
US20150289210A1 (en) * 2012-10-09 2015-10-08 Zte Corporation Uplink Power Control Method and Device Based on Genetic Algorithm in Communication Network
CN107079376A (zh) * 2014-10-24 2017-08-18 高通股份有限公司 用于lte系统的双边搜索算法
CN111125904A (zh) * 2019-12-20 2020-05-08 哈尔滨工业大学 一种基于多目标调控的大型高速回转装备叶片排序方法
CN111182511A (zh) * 2020-02-21 2020-05-19 重庆邮电大学 一种mMTC场景中基于AGA的NOMA资源分配方法
US20200366341A1 (en) * 2019-05-17 2020-11-19 North Carolina State University Software-defined massive multi-input multi-output (mimo)
WO2021233550A1 (en) * 2020-05-22 2021-11-25 Nokia Technologies Oy Spectral shaping with spectrum extension for reference signals for wireless networks
CN114675239A (zh) * 2022-03-25 2022-06-28 西安电子科技大学 基于遗传算法优化多组参差组合mti滤波器频率响应方法
US20220294431A1 (en) * 2021-03-15 2022-09-15 Rockchip Electronics Co., Ltd. System, Device, and Methods for an Adaptive Frequency Adjustment Circuit
CN115236605A (zh) * 2022-07-18 2022-10-25 西安电子科技大学 基于遗传算法的pd雷达脉冲重复频率组选择方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060253464A1 (en) * 2003-01-30 2006-11-09 Shyamalie Thilakawardana Method and system for determining optimum resource allocation in a network
CN101776765A (zh) * 2009-11-16 2010-07-14 北京航空航天大学 一种多系统兼容接收机频点选择方法
US20150289210A1 (en) * 2012-10-09 2015-10-08 Zte Corporation Uplink Power Control Method and Device Based on Genetic Algorithm in Communication Network
CN103037447A (zh) * 2012-12-21 2013-04-10 深圳市国电科技通信有限公司 一种无线通信系统中动态带宽分配的自适应双工方法
CN104093155A (zh) * 2014-07-25 2014-10-08 湖南大学 一种td-scdma频率分配方法
CN107079376A (zh) * 2014-10-24 2017-08-18 高通股份有限公司 用于lte系统的双边搜索算法
US20200366341A1 (en) * 2019-05-17 2020-11-19 North Carolina State University Software-defined massive multi-input multi-output (mimo)
CN111125904A (zh) * 2019-12-20 2020-05-08 哈尔滨工业大学 一种基于多目标调控的大型高速回转装备叶片排序方法
CN111182511A (zh) * 2020-02-21 2020-05-19 重庆邮电大学 一种mMTC场景中基于AGA的NOMA资源分配方法
WO2021233550A1 (en) * 2020-05-22 2021-11-25 Nokia Technologies Oy Spectral shaping with spectrum extension for reference signals for wireless networks
US20220294431A1 (en) * 2021-03-15 2022-09-15 Rockchip Electronics Co., Ltd. System, Device, and Methods for an Adaptive Frequency Adjustment Circuit
CN114675239A (zh) * 2022-03-25 2022-06-28 西安电子科技大学 基于遗传算法优化多组参差组合mti滤波器频率响应方法
CN115236605A (zh) * 2022-07-18 2022-10-25 西安电子科技大学 基于遗传算法的pd雷达脉冲重复频率组选择方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHANGSHENG YIN: "Research on Radio Frequency Assignment Method Based on Improved Genetic Algorithm", 《IEEE》 *
张宏伟: "基于人工鱼群算法的频率指配工程化设计", 《中国硕士论文全文数据库》 *
徐雪飞;李建华;沈迪;郭蓉;: "基于量子遗传算法的航空通信频率动态分配", 电讯技术, no. 12 *
王云璐;戴伏生;李怀远;: "遗传粒子群算法在频率分配中的应用", 信息技术, no. 07 *
霍景河;易晓蓉;古丛;: "基于遗传算法的野战通信网频率指配方法研究", 舰船电子对抗, no. 06 *

Also Published As

Publication number Publication date
CN116056158B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
Oda et al. Evaluation of WMN-GA for different mutation operators
CN113780436B (zh) 一种基于综合度的复杂网络关键节点识别方法
CN109298930B (zh) 一种基于多目标优化的云工作流调度方法及装置
CN108809697B (zh) 基于影响力最大化的社交网络关键节点识别方法及系统
CN112073452B (zh) 一种能源有效和资源受限的移动边缘计算任务分配方法
CN107276843B (zh) 一种基于Spark平台的多目标进化社区检测方法
Oliveira et al. A comparative study of different approaches using an outranking relation in a multi-objective evolutionary algorithm
CN112446634A (zh) 一种社交网络中影响力最大化节点的探测方法及系统
Zanaj et al. Efficiency of the gossip algorithm for wireless sensor networks
CN116056158B (zh) 一种频率分配方法、装置、电子设备及存储介质
Chiu et al. A genetic algorithm for reliability-oriented task assignment with k/spl tilde/duplications in distributed systems
CN108289115B (zh) 一种信息处理方法及系统
Chen et al. Method for replica creation in data grids based on complex networks
CN115640845A (zh) 基于生成对抗网络的图神经网络少数类别样本生成方法
Hillmann et al. Modeling the location selection of mirror servers in content delivery networks
Robbi et al. A modified genetic algorithm for resource allocation in cognitive radio networks
CN108415774A (zh) 一种基于改进烟花算法的软硬件划分方法
CN113709817A (zh) 多基站多服务器场景下的任务卸载和资源调度方法及装置
Bowden et al. Cold: Pop-level network topology synthesis
CN108737158B (zh) 基于最小生成树的社交网络层次化社区发现方法及系统
Chandra et al. Modeling temporal and spatial features of collaboration network
Jiang et al. Indian buffet game with non-bayesian social learning
CN117221335B (zh) 无线区块链网络分片方法及装置、电子设备、存储介质
Islam et al. FGPGA: An efficient genetic approach for producing feasible graph partitions
Mu et al. A memetic algorithm using local structural information for detecting community structure in complex networks

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