基于遺傳算法的快速認(rèn)知無線電系統(tǒng)

摘 要:近幾年來，在認(rèn)知引擎(CE)中廣泛應(yīng)用遺傳算法(GA)優(yōu)化傳輸波形的各項參數(shù)，然而由于無線電波形需優(yōu)化的參數(shù)和所達(dá)到的目標(biāo)很多，形成了巨大的搜索空間，導(dǎo)致遺傳算法收斂時間過長，不能滿足認(rèn)知無線電的實時應(yīng)用。針對這一問題，提出一種快速認(rèn)知無線電，通過遺傳算法與案例學(xué)習(xí)結(jié)合來縮短反應(yīng)時間，并進(jìn)行了簡單的實驗仿真。仿真結(jié)果表明，快速認(rèn)知無線電能夠?qū)Νh(huán)境進(jìn)行快速自適應(yīng)，算法收斂時間變短。

關(guān)鍵詞:認(rèn)知無線電; 遺傳算法; 搜集空間; 收斂時間

中圖分類號:TN92 文獻(xiàn)標(biāo)識碼:A

文章編號:1004-373X(2010)07-0010-04

Genetic Algorithm-based Rapid Cognitive Radio System

HUANG Chen1， WEI Sheng-qun2， ZHANG Hua-wei1， XU Ting2

(1. The College of Communication Engineering， PLA University of Science and Technology， Nanjing 210007， China;

2. The Research Institute of the China Electronic Systems Engineering Company， Beijing 100141， China;

3. Unit 96616 of PLA， Beijing 100085， China)

Abstract: Recently， the genetic algorithm(GA) has been widely used in cognitive engine(CE) for optimizing all the parameters of transmission waveform. However， the convergence time of GA is too long to satisfy real-time application of cognitive radio，due to the large search space of a large number of parameters and their possible values.To solve this problem， a rapid cognitive radio is proposed. This radio can cut down the expense of thereaction time by combining GA with a case. A simple simulation was carried out. The simulation results show that this radio system can adapt to environment rapidly， and the covergence time of GA is decreased.

Keywords: cognitive radio; genetic algorithm; search space; convergence time

0 引 言

隨著通信行業(yè)的迅速發(fā)展，頻譜資源匱乏日益嚴(yán)重。然而，造成這種狀況的主要原因是目前固定頻譜分配體制不合理而非頻譜資源本身，一些非授權(quán)頻帶占用擁擠，而有些授權(quán)頻帶則經(jīng)常空閑。為了解決頻譜資源日益緊張和由固定頻譜分配造成的頻譜利用率低的問題，1999年Joseph Mitola在軟件無線電的基礎(chǔ)上提出了認(rèn)知無線電(CR)的概念[1]。

認(rèn)知無線電是一種智能的無線通信系統(tǒng)，能夠依靠人工智能的支持，通過感知周圍的無線環(huán)境，根據(jù)一定的學(xué)習(xí)和決策算法，對環(huán)境進(jìn)行理解構(gòu)建，然后通過無線電知識描述語言(RKRL)與網(wǎng)絡(luò)進(jìn)行智能交流，實時地自適應(yīng)調(diào)整系統(tǒng)工作參數(shù)，以適應(yīng)環(huán)境的變化。認(rèn)知無線電理論上允許在時間、空間和頻譜上進(jìn)行三維復(fù)用，大大降低頻譜和帶寬的限制。

認(rèn)知引擎(CE) 是實現(xiàn)CR的核心部件，是在軟件無線電平臺上實現(xiàn)基于人工智能技術(shù)的推理與學(xué)習(xí)而實現(xiàn)并驅(qū)動整個認(rèn)知環(huán)路。認(rèn)知引擎技術(shù)是實現(xiàn)CR的核心技術(shù)之一。認(rèn)知引擎主要用于發(fā)展和應(yīng)用認(rèn)知無線電算法和配置認(rèn)知無線電功能[2]。結(jié)合認(rèn)知引擎的認(rèn)知無線電功能模塊主要有建模系統(tǒng)、知識庫、推理機和學(xué)習(xí)機。圖1為通用的認(rèn)知環(huán)。

圖1 認(rèn)知環(huán)

文獻(xiàn)[3]介紹了無線信道上采用遺傳算法(GA)配置最佳無線電傳輸參數(shù)的CE模型，通過給每個目標(biāo)賦予一個特定的權(quán)值，利用線性加權(quán)的方法將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題，進(jìn)而用遺傳算法對傳輸參數(shù)進(jìn)行優(yōu)化，選擇目標(biāo)函數(shù)值最高的參數(shù)配置，對波形進(jìn)行重配置，以適應(yīng)信道環(huán)境和用戶需求。但由于GA要搜索的認(rèn)知波形參數(shù)空間巨大，導(dǎo)致算法收斂時間過長，進(jìn)而影響了認(rèn)知無線電的實時應(yīng)用。鑒于這種情況，本文提出了一種快速認(rèn)知無線電，這種無線電能夠借鑒存儲的案例，采用最相似條件的案例所選的配置初始化算法，高效進(jìn)行搜索，減小算法的收斂時間，從而提高認(rèn)知無線電整體的反應(yīng)能力。

1 快速認(rèn)知系統(tǒng)

1.1 遺傳算法

GA是基于生物進(jìn)化學(xué)說和遺傳學(xué)理論發(fā)展起來的人工智能技術(shù)，它模擬生物在自然環(huán)境中遺傳和進(jìn)化，通過利用選擇，交叉和變異三種基本的遺傳操作，隨著進(jìn)化代數(shù)的增加對種群中的個體進(jìn)行優(yōu)勝劣汰，經(jīng)過長期進(jìn)化，產(chǎn)生了最能適應(yīng)環(huán)境的群體。近年來，隨著對遺傳算法的深入研究，算法日趨完善，在復(fù)雜優(yōu)化問題的工程領(lǐng)域應(yīng)用越來越廣泛。

認(rèn)知無線電需要調(diào)整的參數(shù)有信號功率、調(diào)制類型、調(diào)制指數(shù)、載波頻率、帶寬、信號編碼率、幀長等[4]，且存在多個相應(yīng)目標(biāo)，如最小化干擾，最大化頻譜利用效率，最小化發(fā)射功率等[5]，因此，認(rèn)知引擎中的波形優(yōu)化是一個多目標(biāo)最優(yōu)化問題。由于波形優(yōu)化需要調(diào)整的參數(shù)和每個參數(shù)可設(shè)置的數(shù)值都很多，無線電波形優(yōu)化形成了一個巨大的搜索空間，一般算法不能夠解決，而遺傳算法適用于這類復(fù)雜問題，且遺傳算法還可以保留優(yōu)化過程的非劣最優(yōu)解，擁有一套完整的理論體系，具有良好的并行性和全局優(yōu)化性[6]，所以對于優(yōu)化認(rèn)知無線電波形而言，遺傳算法是一種非常有效的解決方法。

遺傳算法的一個特點是求解時使用特定問題的信息極少，能夠自適應(yīng)調(diào)整搜索方向。然而，正是這個特點，沒有對已有知識進(jìn)行學(xué)習(xí)利用，導(dǎo)致算法收斂時間過長，不能滿足實時性應(yīng)用的需求。

1.2 GA-CBDT系統(tǒng)

遺傳算法搜索一大批理論上可行的參數(shù)配置，利用效用函數(shù)優(yōu)先考慮等級最高的參數(shù)配置，并行搜索大量參數(shù)配置，指導(dǎo)每個起始點的搜索方向，使它們能朝著最佳個體進(jìn)化。這個過程需要對大量參數(shù)配置進(jìn)行評估。一個種群大小為30，最大進(jìn)化代數(shù)為1 500的遺傳算法，如果沒保留每代最優(yōu)個體，則最多考慮45 000種參數(shù)配置。但由于沒保留每代最優(yōu)的個體，導(dǎo)致已搜索到的當(dāng)代最優(yōu)個體在下一代中被拋棄，不大可能搜索到45 000個配置中最優(yōu)的個體。考慮每代保留兩個最優(yōu)個體，則最多搜素44 700種參數(shù)配置，如果再考慮重復(fù)搜素，則能搜索到的參數(shù)配置就更少了，這不可能窮舉認(rèn)知無線電大量的參數(shù)配置。因此，如何找到一個高效的有限搜索空間，并在其中快速搜索到最優(yōu)或近最優(yōu)個體，是設(shè)計時需要考慮的。

為了使認(rèn)知無線電能夠?qū)崟r適應(yīng)環(huán)境變化，文獻(xiàn)[2]提出一種基于案例決策理論(Case-based Decision Theory， CBDT)。它將以往經(jīng)驗與需要決策的問題相結(jié)合，利用存儲的以往案例與當(dāng)前問題的相比較，賦予每個案例一個0~1的相似值。基于當(dāng)前的目標(biāo)需求和每個案例的結(jié)果，進(jìn)一步賦予他們相應(yīng)的效用值[7]。然后對這些案例按等級進(jìn)行排序，等級最高的案例將被選擇，相應(yīng)的行動也即對參數(shù)的配置按比例被選為遺傳算法中初始種群的個體。假設(shè)當(dāng)前環(huán)境條件為E0，相應(yīng)的當(dāng)前最佳配置為R0，存儲的最相似環(huán)境條件為E1，相應(yīng)的最佳配置為R1，則由經(jīng)驗可知，當(dāng)E0與E1差別很小時，R0有很大概率處于R1附近，使R1及R1附近形成了一個高效的搜索空間，因而CBDT是可行的。圖2為GA-CBDT系統(tǒng)結(jié)構(gòu)圖[2]。

圖2 GA-CBDT系統(tǒng)

1.3 快速認(rèn)知無線電

認(rèn)知無線電不僅應(yīng)該具有認(rèn)知能力，也應(yīng)該能要滿足實時應(yīng)用需求。參考GA-CBDT系統(tǒng)，本文提出一種快速認(rèn)知無線電。通過引入一個策略與控制模塊，在空閑時模擬人的思考，對存儲的案例和當(dāng)前案例進(jìn)行學(xué)習(xí)，并將習(xí)得的知識存入知識庫。當(dāng)外界環(huán)境發(fā)生變化時，該模塊快速掃描已存儲的案例，以最相似案例的行動初始配置無線電的各個參數(shù)，并利用學(xué)到的知識引導(dǎo)算法朝著最優(yōu)配置的方向快速演化。該模塊除了采用特定的算法，根據(jù)案例決策理論，報告最有可能的候選配置外[8]，在認(rèn)知無線電進(jìn)行算法優(yōu)化前，拋棄那些不可能產(chǎn)生更好的配置，盡可能縮小搜索空間，同時可根據(jù)習(xí)得的知識，在認(rèn)知無線電對各參數(shù)進(jìn)行優(yōu)化的過程中，不多次搜索同一個解，在有限代數(shù)條件下增加有效搜索數(shù)量。通過對案例的學(xué)習(xí)與借鑒，對知識的利用，以及對算法的控制，認(rèn)知無線電可以很快對外界環(huán)境做出反應(yīng)。圖3為本文提出的快速認(rèn)知無線電。

圖3 快速認(rèn)知無線電框圖

為了說明快速認(rèn)知無線電確實能滿足實時應(yīng)用的需求，現(xiàn)以前一認(rèn)知周期的結(jié)果作為案例，在環(huán)境條件變化的情況下，對系統(tǒng)自適應(yīng)調(diào)整各個參數(shù)的情況進(jìn)行簡單的仿真實驗與分析。

2 仿真系統(tǒng)設(shè)計

仿真實驗采用多載波系統(tǒng)，子載波數(shù)為32，考慮信道為頻率非選擇性慢衰落信道，每個載波隨機初始分配一個取值范圍為0~1的信道衰落因子。信道類型為AWGN信道，噪聲功率初始為0.01 mW。系統(tǒng)可調(diào)參數(shù)包括發(fā)射功率和調(diào)制方式。發(fā)射功率取值范圍為0.1~3 mW，調(diào)制方式有BPSK，QPSK，16QAM和64QAM。每個子載波信道可獨立選擇不同的發(fā)射功率和調(diào)制方式。實驗場景為緊急情況環(huán)境，環(huán)境變化的參數(shù)為信道衰落因子和噪聲。實驗中要實現(xiàn)的目標(biāo)有最小化發(fā)射功率、最小化誤比特率和最大化數(shù)據(jù)速率。各目標(biāo)函數(shù)的歸一化形式為[3]:

fmc_min_power=1-P/Pmax

(1)

fmc_min_ber=1-log10(0.5)/log10(Pbe)

(2)

fmc_max_rate=log2 Mlog2 Mmax

(3)

式中:P為所有載波發(fā)射功率均值;Pmax為最大可行發(fā)射功率;M為調(diào)制進(jìn)制數(shù);Mmax為最大調(diào)制進(jìn)制數(shù);Pbe為所有載波比特錯誤率平均值。衰落信道的比特錯誤率的計算公式可參考文獻(xiàn)[9]。利用加權(quán)合法，分別賦予每個目標(biāo)權(quán)值0.10，0.85和0.05，則要實現(xiàn)的目標(biāo)為:

f=0.1fmc_min_power+0.85fmc_min_ber+0.05fmc_max_rate

(4)

環(huán)境變化因子(EVF):

g1(x，x′)=max(ln vi，ln vi′)

(5)

g2(x，x′)=min(ln vi，ln vi′)

(6)

x=ln vi，x′=ln vi′

(7)

EVF=1e-1{exp{∑wj[g1(x，x′)(g1(x，x′)-

g2(x，x′))]/[g1(x，x′)(g1(x，x′)-

g2(x，x′))+g2(x，x′)]}-1}

(8)

式中:wj為各環(huán)境參數(shù)的權(quán)值，其和為1，根據(jù)不同的應(yīng)用情況，賦予不同值;vi表示前一認(rèn)知周期中所感知到的環(huán)境參數(shù)值;

v′i代表當(dāng)前認(rèn)知周期的相應(yīng)環(huán)境參數(shù)值，vi可以是信道衰落，噪聲功率，傳輸距離以及頻譜使用情況等。在本研究報告中，vi分別對應(yīng)于單邊噪聲功率譜密度n0和信道衰落a。

環(huán)境變化因子EVF越小，表示環(huán)境變化越小，即當(dāng)前認(rèn)知周期與前一認(rèn)知周期越相似。

3 仿真結(jié)果及分析

本實驗采用Matlab仿真。以前一周期當(dāng)作案例，前一周期的參數(shù)配置按比例插入當(dāng)前周期的初始種群。圖4給出EVF為0.137時，前一認(rèn)知周期優(yōu)化出來的個體在當(dāng)前周期初始種群中所占的比例不同時，相應(yīng)遺傳算法的每代最佳目標(biāo)值隨代數(shù)的變化而變化。從圖4可以看出，當(dāng)環(huán)境變化不大時，結(jié)合前一周期案例的結(jié)果，對種群進(jìn)行初始化的遺傳算法收斂速度要比沒有結(jié)合案例的遺傳算法快，最終所達(dá)到的目標(biāo)值普遍比一般的高。而在所有列出的結(jié)合了先前案例的算法中，先前結(jié)果占初始種群的比例為1的收斂速度并不是最快的，最終的目標(biāo)值也不是最高的。這是因為環(huán)境發(fā)生了變化，先前的配置并不是最佳配置，離最佳配置的距離也不是最近的。而所占比例為0.9和0.6的算法收斂速度就要比0.1的好，這說明在環(huán)境變化不大的情況下，所占比例大一點為宜， 當(dāng)然也不是越大越好。從圖中還可看出，結(jié)合案例算法中第一代最佳目標(biāo)普遍要比一般算法中第一代最佳目標(biāo)高得多，這是因為在相似環(huán)境下，前一周期優(yōu)化出來的配置目標(biāo)值相差不會很大，而這些配置在前一周期的目標(biāo)值都較高，所以在當(dāng)前周期的目標(biāo)也較高。作為當(dāng)前周期算法的第一代最佳目標(biāo)值一定不比這些配置在當(dāng)前周期的目標(biāo)值低。圖5~圖7分別是EVF為0.216，0.383，0.792時，前一認(rèn)知周期優(yōu)化出來的個體在當(dāng)前周期初始種群中所占的比例不同時，相應(yīng)的遺傳算法中每代最佳目標(biāo)值隨代數(shù)的變化而變化。從圖中可看出，隨著EVF的增加，環(huán)境變化的加大，前一周期與當(dāng)前周期越來越不相似，前一周期的參數(shù)配置在當(dāng)前周期的作用越來越小。從圖7可以看出，參考前一周期的參數(shù)配置并沒有對算法的收斂速度有所增益，相反還不如一般的。圖5~圖7中的目標(biāo)值整體要比圖4小，這是因為環(huán)境發(fā)生了變化，噪聲功率和信道都發(fā)生了改變。

圖4 EVF為0.137時各代最佳染色體曲線圖

圖5 EVF為0.216時各代最佳染色體曲線圖

圖6 EVF為0.383時各代最佳染色體曲線圖

圖7 EVF為0.792時各代最佳染色體曲線圖

綜上所述，在案例決策理論中，采用相似性高的以往案例中行動作為優(yōu)化算法的初始值要比相似性低的好。采用與當(dāng)前案例相似性高的以往案例中配置作為初始值的優(yōu)化算法，其收斂速度加快，達(dá)到的目標(biāo)變好。

4 結(jié) 語

提出了一種遺傳算法與知識學(xué)習(xí)相結(jié)合的快速認(rèn)知無線電，通過認(rèn)知無線電策略控制模塊去除了冗余配置，選取最相似條件的配置初始化算法，不僅可減小算法的收斂時間，也可減少無線電的反應(yīng)時間。仿真結(jié)果表明，這種認(rèn)知無線電比改進(jìn)前的無線電反應(yīng)更快，自適應(yīng)能力更強，更能符合實時應(yīng)用的需求。這種認(rèn)知無線電實際是以消耗存儲空間來減小算法收斂時間，在存儲空間不大的情況下，它可對兩者進(jìn)行折衷，優(yōu)化無線電系統(tǒng)性能。

參考文獻(xiàn)

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

[2]RONDEAU T W. Application of artificial intelligence to wireless communications[J]. Electrical and Computer Engineering: 2007(10): 28-32.

[3]NEWMAN T， BARKER B， WYGLINSKI A， et al. Cognitive engine implementation for wireless multicarrier tran-sceivers[J]. Wiley Journal on Wireless Communications and Mobile Computing，2006， 6: 1-14.

[4]HAURIS J F. DONYA He， GEREMY M， et al.Cognitive radio and RF communications design optimization using genetic algorithms[C]. [S.l.]: Military Communications Conference， 2007: 1-6.

[5]NEWMAN T， EVANS J. Parameter sensitivity in cognitive radio adaptation engines[C]. Chicago: 3rd IEEE Sympo-sium on New Frontiers in Dynamic Spectrum Access Networks， 2008.

[6]張文修，梁怡.遺傳算法的數(shù)學(xué)基礎(chǔ)[M].2版.西安:西安交通大學(xué)出版社，2003.

[7]PROAKIS J G. MACKENZIE A B. Cognitve radio and networking research at virginia tech.[J]. IEEE， 2009， 97(4): 660-688.

[8]DOERR C，GRUNWALD D. Enhancing cognitve radio algorithms through efficient， automatic adaptation management[C]. [S.l.]: IEEE Vehicular Technology Conference， 2008.

[9]PROAKIS J G.數(shù)字通信[M].4版.北京:電子工業(yè)出版社，2001.