融合PSO與DE的認(rèn)知決策引擎

張煜培 趙知?jiǎng)牛?鄭仕鏈

(1. 杭州電子科技大學(xué)浙江省數(shù)據(jù)存儲(chǔ)傳輸及應(yīng)用技術(shù)研究重點(diǎn)實(shí)驗(yàn)室，浙江杭州 310018；2. 中國(guó)電子科技集團(tuán)第36研究所通信系統(tǒng)信息控制技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室，浙江嘉興 314001)

1 引言

認(rèn)知無(wú)線電需要感知外部無(wú)線信道環(huán)境，并根據(jù)信道條件、用戶需求和其他信息等優(yōu)化決策傳輸參數(shù)，以充分利用有限的頻譜資源[1]。因此，如何根據(jù)當(dāng)前通信場(chǎng)景自適應(yīng)調(diào)整傳輸參數(shù)是實(shí)現(xiàn)認(rèn)知無(wú)線電的一個(gè)關(guān)鍵問(wèn)題。

根據(jù)環(huán)境參數(shù)，其包括路徑衰落、噪聲功率、功率消耗、頻譜效率、頻帶干擾等，自適應(yīng)調(diào)整傳輸參數(shù)[2]，包括發(fā)射功率、調(diào)制類型、調(diào)制指數(shù)、帶寬、編碼速率、幀長(zhǎng)、時(shí)分雙工和吞吐量等。期望優(yōu)化的目標(biāo)通常有最小化誤比特率(bit error rate， BER)、最小化功率消耗、最小化干擾、最大化數(shù)據(jù)吞吐率、高QoS、最大化頻譜效率等。如果同時(shí)優(yōu)化多個(gè)指標(biāo)，系統(tǒng)復(fù)雜度會(huì)大幅增加；并且以上目標(biāo)之間存在依賴性和競(jìng)爭(zhēng)性的關(guān)系。例如，增加調(diào)制指數(shù)可以增加數(shù)據(jù)速率，但是同時(shí)會(huì)增大BER；為了減小誤幀率(frame error rate， FER)，需要降低符號(hào)率和調(diào)制指數(shù)，但是會(huì)降低速率。因此自適應(yīng)參數(shù)調(diào)整過(guò)程是一個(gè)多目標(biāo)優(yōu)化過(guò)程。認(rèn)知決策引擎(cognitive decision engine，CDE)解決參數(shù)最優(yōu)化問(wèn)題。

智能優(yōu)化算法僅僅依靠適應(yīng)度值估計(jì)解的質(zhì)量，并通過(guò)當(dāng)前搜索的最優(yōu)解去尋找全局最優(yōu)解，已在CDE中得到應(yīng)用[3-11]。文獻(xiàn)[4]用遺傳算法(GA)解決認(rèn)知決策引擎；文獻(xiàn)[5]利用了量子遺傳算法(QGA)，采用量子比特編碼，通過(guò)量子門更新，與GA相比，收斂速度和收斂精度有很大提升；文獻(xiàn)[6]和文獻(xiàn)[7]分別采用二進(jìn)制粒子群(BPSO)和爬山遺傳(HGA)算法；文獻(xiàn)[8]和文獻(xiàn)[9]分別提出量子粒子群算法(BQPSO)和混沌粒子群算法(BCPSO)，證明比BPSO更有效；文獻(xiàn)[10]提出協(xié)進(jìn)化粒子群算法(CPSO)，文獻(xiàn)[11]提出基于差分進(jìn)化(DE)算法，整體優(yōu)化性能優(yōu)于文獻(xiàn)[10]的CPSO。

但以上算法未考慮帶寬、編碼速率、幀長(zhǎng)和時(shí)分雙工等傳輸參數(shù)，且在參數(shù)尋優(yōu)的收斂速度和精度上有待進(jìn)一步提高，因此本文提出5個(gè)目標(biāo)函數(shù)優(yōu)化的改進(jìn)IPSO-DE算法，充分利用網(wǎng)絡(luò)資源以實(shí)現(xiàn)全局性能的最優(yōu)化。

2 認(rèn)知決策引擎

為了更好地滿足用戶需求和外部環(huán)境變化，認(rèn)知無(wú)線電需要調(diào)整自身參數(shù)來(lái)優(yōu)化系統(tǒng)性能，在多變的無(wú)線環(huán)境下實(shí)現(xiàn)期望的QoS。認(rèn)知決策引擎就是要實(shí)現(xiàn)認(rèn)知無(wú)線電適應(yīng)性參數(shù)調(diào)整功能。

2.1 認(rèn)知決策引擎建模

圖1給出了認(rèn)知決策引擎結(jié)構(gòu)圖，其中作為決策CDE需要收集用戶需求、政策域和頻譜可用性等信息，使其與無(wú)線通信環(huán)境相適應(yīng)，從而使系統(tǒng)能夠滿足各種業(yè)務(wù)需要[12]。一般認(rèn)知引擎需要調(diào)整n個(gè)決策變量并優(yōu)化m個(gè)目標(biāo)函數(shù)。不同的鏈路條件和用戶需求會(huì)對(duì)不同的目標(biāo)函數(shù)有所側(cè)重。本文綜合考慮各種傳輸參數(shù)，設(shè)計(jì)了如下5個(gè)目標(biāo)函數(shù)。

圖1 認(rèn)知決策引擎結(jié)構(gòu)圖

(1)最小化平均發(fā)射功率

在認(rèn)知無(wú)線電應(yīng)用中，認(rèn)知設(shè)備需要持續(xù)在低功耗模式下工作，例如在緊急通信中，設(shè)備需要利用有限的能量持續(xù)工作。其中發(fā)射功率、信道帶寬、符號(hào)速率和調(diào)制類型對(duì)功耗都有影響[3]。本文只考慮發(fā)射功率的影響，定義歸一化平均發(fā)射功率如下：

(1)

其中，Pwi是第i個(gè)子載波的發(fā)射功率，Pwmax是最大功耗，N是載波總數(shù)。

(2)最小化誤比特率

誤比特率是衡量通信質(zhì)量好壞的一個(gè)重要指標(biāo)，其與信道類型、調(diào)制階數(shù)和SNR都有關(guān)。在加性高斯白噪聲信道中，MPSK和MQAM的BER分別定義為[3-5]：

(2)

(3)

其中，M是調(diào)制階數(shù)；Q(·)是誤差函數(shù)如式(4)所定義

(4)

γ是接收信噪比。通常用Eb/N0表示γ，Eb和N0分別是每比特信號(hào)能量和噪聲功率譜密度，Eb由接收信號(hào)功率S、碼率Rs和調(diào)制階數(shù)M決定。

在多載波系統(tǒng)中，假設(shè)子載波最差BER為0.5，第i個(gè)子載波的BER為Pei，因此歸一化的BER定義為：

(5)

(3)最大化吞吐率

在認(rèn)知無(wú)線電環(huán)境中，當(dāng)需要提供多媒體或者視頻服務(wù)時(shí)，最大化吞吐率比最小化傳輸功率重要。鏈路吞吐能力代表單位時(shí)間內(nèi)傳輸?shù)挠行?shù)據(jù)量。歸一化的數(shù)據(jù)吞吐率定義為[6- 8]：

(6)

其中，Mi是第i個(gè)子載波的調(diào)制指數(shù)，Mmax是最大的調(diào)制階數(shù)。當(dāng)所有子載波用最大調(diào)制階數(shù)時(shí),fmax_throughtput為1。

(4)最小化頻譜干擾

認(rèn)知用戶分享主用戶的頻譜資源，所有認(rèn)知用戶都必須避免對(duì)主用戶和其他認(rèn)知用戶造成干擾。因此，頻譜干擾是衡量認(rèn)知無(wú)線電的一個(gè)重要指標(biāo)。本文使用傳輸功率和帶寬之積定義頻譜干擾[3]：

finter=Pw·BW

(7)

隨著功率和帶寬的增加，認(rèn)知用戶的干擾也會(huì)增加，在多載波系統(tǒng)中，歸一化的頻譜干擾定義如下：

(8)

其中，Pwi和BWi分別是第i個(gè)子載波的功率和帶寬，Pwmax和BWmax分別是最大的傳輸功率和最大化傳輸帶寬，Pwmin和BWmin分別是最小的傳輸功率和最小化傳輸帶寬，TDDi是第i個(gè)載波的時(shí)分雙工占比。

(5)最大化頻譜效率

認(rèn)知無(wú)線電主要目的是提高頻譜利用率，它代表在有限頻帶上傳輸數(shù)據(jù)的能力，系統(tǒng)帶寬、符號(hào)速率和調(diào)制類型都對(duì)其有影響，頻譜效率定義為：

(9)

其中，Rsi是第i個(gè)子載波符號(hào)速率，Rsmax是最大的符號(hào)速率。

我們希望fmin_power、fmin_ber和fmin_inter越小越好,fmax_throughtput和fmax_spec越大越好。但這5個(gè)目標(biāo)函數(shù)相互影響。CR引擎盡可能優(yōu)化以上目標(biāo)函數(shù)，得到最優(yōu)參數(shù)解。

為了簡(jiǎn)化要解決的問(wèn)題，對(duì)所有目標(biāo)函數(shù)進(jìn)行歸一化，從而保證所有目標(biāo)函數(shù)值置于[0，1]之間。假設(shè)歸一化的目標(biāo)函數(shù)為f=[f1,f2，…,fm]，將多目標(biāo)優(yōu)化問(wèn)題可以轉(zhuǎn)換成單目標(biāo)函數(shù)：

(10)

fit=w1(1-fmin_ power)+w2(1-fmin_ber)+w3fmax_throughtput+

w4(1-fmin_inter)+w5fmax_spec

(11)

表1 權(quán)重值

3 融合PSO與DE的認(rèn)知決策引擎

為了兼顧用戶QoS和實(shí)時(shí)性需求，對(duì)算法的求解速度及求解精度有較高要求，智能優(yōu)化算法因其具有高效的隨機(jī)搜索能力被視為解決CDE的有效途徑。

3.1 二進(jìn)制粒子群算法

二進(jìn)制粒子群算法(BPSO)可用于解決離散優(yōu)化問(wèn)題，在迭代過(guò)程中，每個(gè)粒子都在搜索可能解。它們根據(jù)式(12)和式(13)更新速度vi=(νi1，νi2，…，xiD)和位置xi=(xi1，xi2，…，xiD)，D是搜索空間維度，νij和xij分別表示第i個(gè)粒子第j維的速度和位置。

(12)

(13)

3.2 二進(jìn)制差分進(jìn)化算法

差分進(jìn)化的DE/best/1/bin形式[14]主要步驟如下。

隨機(jī)選擇兩個(gè)個(gè)體xr1和xr2，將二者的加權(quán)差加到全局最優(yōu)解g上，產(chǎn)生新的變異個(gè)體v。

v=g+(-1)sig|xr1-xr2|

(14)

(15)

然后將變異向量按式(16)進(jìn)行交叉，得到交叉?zhèn)€體u。

(16)

其中CR為交叉概率，通常設(shè)置為常數(shù)，rand為[0，1]上的隨機(jī)數(shù)，randn(D)為隨機(jī)產(chǎn)生的[1，D]上的整數(shù)。為了決定交叉?zhèn)€體是否成為下一代個(gè)體，按照貪婪準(zhǔn)則將ui和xi比較，按照式(17)確定下一代種群。

(17)

3.3 融合PSO與DE的認(rèn)知決策引擎

粒子群算法中的we衡量了前一時(shí)刻的速度對(duì)當(dāng)前速度的影響[15]，用于平衡算法的局部搜索能力和全局搜索能力，本文提出一種按照個(gè)體適應(yīng)度值的慣性權(quán)重we進(jìn)行自適應(yīng)調(diào)整策略。首先定義相似度函數(shù)為：

(18)

其中Hamming(xi，xj)表示xi，xj的海明距離。然后以當(dāng)前種群中最差個(gè)體xmin為衡量標(biāo)準(zhǔn)，定義慣性權(quán)重為：

(19)

由于粒子群算法容易陷入局部最優(yōu)，而差分進(jìn)化算法具有良好的全局尋優(yōu)能力，本文對(duì)適應(yīng)度值較低個(gè)體利用差分進(jìn)化算法進(jìn)行優(yōu)化變異，增加粒子群個(gè)體的差異性。即在每次迭代過(guò)程中，設(shè)定平均適應(yīng)度值作為門限，將低于門限的個(gè)體通過(guò)全局搜索能力強(qiáng)的差分進(jìn)化進(jìn)行優(yōu)化。同時(shí)提出式(20)所示的自適應(yīng)交叉概率，代替式(16)中的交叉概率，其根據(jù)每個(gè)個(gè)體xi的適應(yīng)度值決定第i個(gè)個(gè)體的交叉概率，適應(yīng)度值小的個(gè)體具有較大的交叉概率，以快速淘汰當(dāng)前劣解，尋找更優(yōu)解。

CRi=fitmax-(fitavg-fit(xi))·e-(fitmax-fitmin)/4

(20)

其中fitmax、 fitavg和fitmin分別表示最優(yōu)個(gè)體適應(yīng)度值，平均適應(yīng)度值和最劣適應(yīng)度值。由此得到本文提出的改進(jìn)粒子群(IPSO-DE)算法將其應(yīng)用于本文的參數(shù)優(yōu)化決策，得到本文提出的融合PSO與DE的認(rèn)知決策引擎算法(仍記為IPSO-DE)，其主要步驟如下：

(1)初始化：產(chǎn)生種群大小為N的種群。設(shè)置迭代次數(shù)I和間隔代數(shù)T，令t=1。

(3)更新個(gè)體：利用式(18)～(19)計(jì)算第i個(gè)個(gè)體的慣性權(quán)重wei，利用式(12)～(13)對(duì)個(gè)體的速度和位置進(jìn)行更新，計(jì)算平均適應(yīng)度值fitavg；

(4)種群劃分：將適應(yīng)度值高于fitavg的個(gè)體歸入種群Popt中，其余歸入Pwor。

(5)進(jìn)化劣質(zhì)個(gè)體：對(duì)Pwor中個(gè)體按照式(14)～(15)進(jìn)行變異，按照式(20)確定每個(gè)個(gè)體的交叉概率CRi、再按照式(16)進(jìn)行交叉，最后按照式(17)進(jìn)行選擇。

(6)將經(jīng)過(guò)差分進(jìn)化優(yōu)化后的個(gè)體和種群Popt合并，并確定全局最優(yōu)個(gè)體gt。

(7)判斷t≤I是否成立，若成立，t=t+1，轉(zhuǎn)步驟(2)；否則轉(zhuǎn)步驟(8)。

(8)輸出gt，將其解碼，完成參數(shù)配置。

4 算法仿真與性能分析

本節(jié)仿真分析比較本文提出的IPSO-DE與HGA[7]、BQPSO[8]、BCPSO[9]算法對(duì)多載波系統(tǒng)參數(shù)的認(rèn)知決策性能。

4.1 參數(shù)設(shè)置

多載波系統(tǒng)具有32個(gè)子載波，每個(gè)子載波分配一個(gè)[0，1]上均勻分布隨機(jī)的數(shù)以模擬信道衰落情況。發(fā)射功率為0～25.2 dBm，步進(jìn)為0.4 dBm，共有64種選擇，用6位二進(jìn)制bit編碼。數(shù)據(jù)率設(shè)置為1 Mbps。調(diào)制方式包括BPSK、QPSK、16QAM、32QAM、64QAM、128QAM和256QAM共7種，編號(hào)為1至7，由3位二進(jìn)制bit編碼。信道帶寬為2～32 MHz，步進(jìn)為2 MHz，用4位二進(jìn)制比特編碼。TDD為25%～100%，間隔為25%，由2位二進(jìn)制bit編碼，碼率為125～1000 Ksps，步進(jìn)為125 Ksps，用3位二進(jìn)制bit編碼，整個(gè)系統(tǒng)需要576 bit，尋優(yōu)空間為2576。背景噪聲為加性高斯白噪聲，噪聲功率為-80 dBm，路徑損耗為85 dB。HGA[7]、BQPSO[8]、BCPSO[9]和本文的IPSO-DE算法中設(shè)置種群規(guī)模P=30，迭代次數(shù)I=1500；HGA的交叉概率為0.6，變異概率為0.001。BCPSO的控制參數(shù)μ為4。

按照公式(11)和表1分別設(shè)計(jì)的目標(biāo)函數(shù)和權(quán)重值，求得的四種算法在最小化功耗、最小化BER、最大化吞吐率、最小化頻譜干擾和最大化頻譜效率模式下適應(yīng)度曲線如圖2～6所示，每條曲線都是10次獨(dú)立實(shí)驗(yàn)的平均。從圖2～6可知，隨著進(jìn)化代數(shù)的增加，平均目標(biāo)函數(shù)總體趨勢(shì)增大，算法終止時(shí)所獲得的目標(biāo)函數(shù)值要明顯高于進(jìn)化初期的目標(biāo)函數(shù)值，從而驗(yàn)證了四種算法調(diào)整認(rèn)知無(wú)線電參數(shù)的有效性。在五種模式下，本文提出的IPSO-DE算法的平均目標(biāo)函數(shù)值均高于其他三種算法，說(shuō)明該方法具有較好的尋優(yōu)性能，該算法還能兼顧探索和開(kāi)發(fā)的能力。同時(shí)可以看出BQPSO算法在模式2下表現(xiàn)較差，HGA算法在模式5下表現(xiàn)較差，BCPSO在模式2和模式5下均表現(xiàn)較差，說(shuō)明這三種算法對(duì)參數(shù)較為敏感。

圖2 最小化平均發(fā)射功率下目標(biāo)函數(shù)值曲線

圖3 最小化BER下目標(biāo)函數(shù)值曲線

圖4 最大化吞吐率下目標(biāo)函數(shù)值曲線

圖5 最小化頻譜干擾下目標(biāo)函數(shù)值曲線

圖6 最大化頻譜效率下目標(biāo)函數(shù)值曲線

圖7～11給出了本文IPSO-DE算法在最小化平均發(fā)射功率、最小化BER、最大化吞吐率、最小化頻譜干擾和最大化頻譜效率模式下的參數(shù)配置。圖7中，平均發(fā)射功率為0.1 dBm，說(shuō)明該算法成功實(shí)現(xiàn)了場(chǎng)景1下對(duì)最小化發(fā)射功率這一主要目標(biāo)函數(shù)優(yōu)化，同時(shí)也兼顧了其他四個(gè)目標(biāo)函數(shù)的要求。圖8中，誤比特率為1.86×10-4，調(diào)制方式基本為BPSK和QPSK，這種方式實(shí)現(xiàn)了低BER。圖9中調(diào)制方式基本上調(diào)整為256QAM，實(shí)現(xiàn)了最大化吞吐率。圖10中具有較小的TDD、Pw和BW，實(shí)現(xiàn)了最小化干擾的目標(biāo)。圖11中具有較大的M、Rs和較小的BW，實(shí)現(xiàn)了最大化頻譜利用率這一目標(biāo)。

圖7 最小化平均發(fā)射功率下參數(shù)調(diào)整

圖8 最小化BER下參數(shù)調(diào)整

圖9 最大化吞吐率下參數(shù)調(diào)整

圖10 最小化頻譜干擾下參數(shù)調(diào)整

圖11 最大化頻譜效率下參數(shù)調(diào)整

5 結(jié)論

在認(rèn)知無(wú)線電系統(tǒng)中，認(rèn)知用戶需要在不干擾主用戶前提下動(dòng)態(tài)使用頻譜空穴，并且根據(jù)復(fù)雜多變的信道環(huán)境實(shí)時(shí)優(yōu)化傳輸參數(shù)。本文提出利用5個(gè)目標(biāo)函數(shù)的優(yōu)化模型，該模型充分考慮無(wú)線通信各種傳輸參數(shù)，以網(wǎng)絡(luò)整體性能最優(yōu)為目標(biāo)。為了提高利用PSO算法求解CDE問(wèn)題的收斂速度和收斂精度，IPSO-DE算法改進(jìn)了慣性權(quán)重，利用DE進(jìn)化粒子群劣等群體，并改進(jìn)了DE的交叉概率更新方式，增強(qiáng)了種群的探索能力。多載波系統(tǒng)的仿真結(jié)果表明IPSO-DE算法尋優(yōu)能力強(qiáng)、收斂快、準(zhǔn)確性高。