基于雞群算法的認知無線電決策引擎

尤曉建+韓雪梅

摘 要：提出基于雞群算法的認知決策引擎，以解決認知無線電發(fā)射參數(shù)的自適應重配置問題。將認知決策引擎模型轉化為多目標優(yōu)化問題，并采用加權和方法將其轉換為單目標優(yōu)化問題。采用雞群算法對認知決策引擎進行求解，從而實現(xiàn)認知無線電發(fā)射參數(shù)的重配置。結合多載波通信系統(tǒng)進行了仿真實驗，結果表明，該認知決策引擎能根據(jù)用戶需求變化，動態(tài)進行認知無線電參數(shù)的重配置。

關鍵詞：認知無線電；認知決策引擎；雞群算法

DOIDOI：10.11907/rjdk.171721

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2017）007-0128-03

0 引言

無線通信業(yè)務對頻譜資源的需求飛速增長，加劇了頻譜資源的供需矛盾。Mitola[1]提出的認知無線電（Cognitive Radio，CR）技術，能實現(xiàn)對頻譜資源的動態(tài)利用。CR最大的優(yōu)點是智能性，體現(xiàn)其智能性的是認知決策引擎 （Cognitive Decision Engine，CDE） 。CDE是實現(xiàn)認知無線電發(fā)射參數(shù)自適應調整的關鍵技術，能根據(jù)變化的通信環(huán)境及用戶需求，對無線電發(fā)射參數(shù)進行自適應優(yōu)化，以保證有效通信[2]。

CDE本質上可建模為一個多目標優(yōu)化問題，然后采用各種智能優(yōu)化算法求解。遺傳算法（Genetic Algorithm，GA）雖能求解CDE[3-4]，但其存在收斂速度慢、早熟等缺點；對遺傳算法進行改進得到的量子遺傳算法用于求解CDE[5]，性能得到了提升，但其復雜度也增加了。Meng等[6]于2014年提出了雞群算法（Chicken Swarm Optimization，CSO），簡單、易擴展，是一種新的、天然的多種群、自適應群智能優(yōu)化算法，本文將建立基于雞群算法的認知決策引擎。

1 認知決策引擎

通過調整自身參數(shù)以適應通信環(huán)境的變化從而滿足用戶的要求，這是認知決策引擎的目標，其可建模為一個多目標優(yōu)化問題，即對自身發(fā)射參數(shù)進行優(yōu)化求解，并根據(jù)尋優(yōu)結果進行參數(shù)自適應調整，從而使通信性能達到最優(yōu)。發(fā)射功率、調制方式、符號速率、頻率、帶寬等是認知無線電中常見的調整參數(shù)。假設CR系統(tǒng)中有m個可調參數(shù)，表示為x=[x1，x2，…，xm]，由于受到政策法規(guī)、通信環(huán)境、硬件設備等制約，單個參數(shù)xi在某取值范圍[Ai，Bi]內取離散值或連續(xù)值。設f=[f1，f2，…，fn]代表系統(tǒng)的n個性能優(yōu)化目標，在實際通信環(huán)境中，由于用戶業(yè)務需求不同，對通信的要求也各異，例如多媒體通信關心的是數(shù)據(jù)傳輸速率的最大化，而數(shù)據(jù)通信則關心的是誤比特率的最小化[7]。對不同目標函數(shù)的應用需求，本文采用w=[w1，w2，…，wn]表示，其中，權重wi（1≤i≤n）的數(shù)值大小代表了目標函數(shù)fi（1≤i≤n）在不同需求時的重要程度。將已經(jīng)歸一化處理的n個目標函數(shù)f=[f1，f2，…，fn]采用線性加權和方法轉化為如式（1）所示的單目標函數(shù)：

2 雞群算法優(yōu)化認知決策引擎參數(shù)

2.1 雞群算法原理

對于所有的N只雞，每一代t，第i只雞搜尋食物的位置可以被描述為xtij（i∈[1，2，...，N]，j∈[1，2，...，D]），D為搜索空間的維度。公雞、母雞、小雞各自搜索食物的公式見式（2） [6]：

其中，Randn（0，σ2）均值為0，標注差為σ2的高斯分布；ε為一個很小的常數(shù)；k為公雞中除i外的任一個體。母雞搜索食物的公式見式（3）：

其中，rand為[0，1]間均勻分布的隨機數(shù)；r1為母雞i所在雞群中的公雞；r2為公雞和母雞組成的群體中的任意一只，且r1≠r2。

小雞搜索食物的公式見式（4）：

其中，m為小雞i所對應的母雞；FL為跟隨系數(shù)，取值區(qū)間[0，2]。

3種雞擁有各自的搜索公式，適應度值越大的雞群搜索空間越廣。這種搜索機制能盡可能保證種群多樣性，避免搜索陷入局部最優(yōu)。

2.2 雞群算法求解認知決策引擎

設仿真實驗中的CR系統(tǒng)是一種OFDM多載波系統(tǒng)，能實現(xiàn)自適應調整的參數(shù)為發(fā)射功率、調制方式，待優(yōu)化的3個性能目標包括最小化發(fā)射功率fmin-power，最小化誤比特率fmin-ber和最大化數(shù)據(jù)速率fmax-data-rate，公式如下[8]：

其中，Pmax為最大發(fā)射功率，為子載波的平均發(fā)射功率，be為誤比特率的平均值，N為子載波數(shù)量，Mi為第i個子載波的調制進制數(shù)，Mmin和Mmax分別為最小和最大調制進制數(shù)。因此，基于雞群算法的CDE發(fā)射參數(shù)自適應動態(tài)重配置求解的最終目標函數(shù)可以表示為：

認知無線電決策引擎所要完成的任務，就是根據(jù)用戶不同的通信業(yè)務需求和通信環(huán)境變化，對式（8）進行尋優(yōu)，根據(jù)尋優(yōu)結果調整無線電參數(shù)以實現(xiàn)式（8）的最大化。

3 算法仿真及分析

為了將基于雞群算法的CDE與基于GA的CDE比較，本文仿真實驗采用的多載波系統(tǒng)具有32個子載波。32個子載波的信道衰落因子用隨機產(chǎn)生的32個0～1之間的數(shù)來動態(tài)模擬；系統(tǒng)有64種可選發(fā)射功率，最小和最大值分別為0dBm與25.2dBm，其余值依次相隔0.4dBm；系統(tǒng)支持BPSK、QPSK、16QAM和64QAM等4種調制方式；32個子載波都可根據(jù)變化的通信業(yè)務需求自適應調整發(fā)射功率和調制方式；如AWGN信道的噪聲功率為0 dBm ，具有1Msps的符號速率，并采用Gray碼分配星座圖，比特錯誤率的計算見參考文獻[9]中的公式。

仿真實驗采用二進制編碼，有BPSK、QPSK、16QAM和64QAM四種調制方式，分別用2位二進制編碼00、01、10、11表示；64個不同的發(fā)射功率值，需要6位二進制編碼，如二進制編碼011110就代表值為12dBm的發(fā)射功率。endprint

GA參數(shù)設置如下：種群規(guī)模為30，交叉概率為0.8，變異概率為0.001，最大演化代數(shù)為500；CSO參數(shù)設置如下：種群規(guī)模為30，雞群中公雞比例20%，母雞比例60%，解的維數(shù)D為32，最大進化代數(shù)為500。權重設置采用如表1所示的3種模式。

其中，適用于低功耗的是模式1，適用于高可靠性通信要求的是模式2，適用于高數(shù)據(jù)速率通信要求的是模式3。

仿真實驗分別采用GA、CSO算法對目標函數(shù)進行優(yōu)化，并記錄各代種群中最大適應度個體目標函數(shù)值。對上述3種模式分別獨立仿真20次，再對20次仿真實驗結果求平均值，如圖1所示為平均歸一化目標函數(shù)值隨進化代數(shù)的變化曲線。

從圖1可以看出，在每種通信需求模式下，CSO算法在進化過程中優(yōu)化得到的平均目標函數(shù)值都明顯大于GA算法。GA算法在初期收斂速度很快，但是平均目標函數(shù)值比較小，在算法后期其性能差于CSO算法?；贑SO的CDE平均目標函數(shù)值明顯高于GA算法，這表明CSO算法搜索效率高、收斂能力強。在進化后期，CSO算法的目標函數(shù)值遠高于GA算法，這表明基于CSO算法的CDE在尋優(yōu)后期具有更好的爬山能力。

4 結語

CR的一個重要特點就是能夠在用戶需求和通信環(huán)境不斷變化的情況下，利用CDE進行多參數(shù)目標優(yōu)化，最終實現(xiàn)參數(shù)動態(tài)重配置，確保有效通信及更好地利用頻譜資源。本文設計的CSO算法用于對多目標優(yōu)化問題進行求解，從而實現(xiàn)CDE的參數(shù)動態(tài)重配置功能。仿真結果表明，基于CSO的CDE在收斂速度和精度上都優(yōu)于經(jīng)典GA算法。

參考文獻：

[1] MITOLA J.Cognitive radio：making software radios more personal [J].IEEE Personal Communications，1999，6（4）：13-18.

[2] MITOLA J.Cognitive radio [D].Stockholm，Sweden：Royal Institute of Technology，2000.

[3] ZHANG X，HUANG Y，JIANG H，et al.Design of cognitive radio node engine based on genetic algorithm[C].Information Engineering，ICIE'09.WASE International Conference on.IEEE，2009.

[4] PRADHAN P M，PANDA G.Comparative performance analysis of evolutionary algorithm based parameter optimization in cognitive radio engine：a survey[J].Ad Hoc Networks，2014 （17）： 129-146.

[5] 趙知勁，鄭仕鏈，尚俊娜，等.基于量子遺傳算法的認知無線電決策引擎研究[J].物理學報，2007，56（11）：6760-6766.

[6] MENG X，LIU Y，GAO X，et al.A new bio-inspired algorithm：chicken swarm optimization[C].International Conference in Swarm Intelligence.Springer International Publishing，2014.

[7] 邵國媛.認知引擎中決策方法的研究[J].無線電工程，2013，43（2）：58-60.

[8] ZHAO J，LI F，ZHANG X.Parameter adjustment based on improved genetic algorithm for cognitive radio networks[J].The Journal of China Universities of Posts and Telecommunications，2012，19（3）：22-26.

[9] 焦傳海，王可人.一種基于免疫遺傳算法的認知決策引擎[J].系統(tǒng)工程與電子技術，2010，32（5）：1083-1087.endprint