人工智能在CR智能優(yōu)化階段的應(yīng)用

摘 要：針對(duì)智能優(yōu)化算法認(rèn)知無(wú)線(xiàn)電中智能優(yōu)化階段的應(yīng)用，本文介紹了遺傳算法、模擬退算法、禁忌搜索算法、蟻群優(yōu)化算法在認(rèn)知無(wú)線(xiàn)電智能階段的應(yīng)用，并對(duì)智能優(yōu)化在認(rèn)知無(wú)線(xiàn)電智能優(yōu)化現(xiàn)狀和成果進(jìn)行了總結(jié)分析。

關(guān)鍵詞：認(rèn)知無(wú)線(xiàn)電；啟發(fā)式算法；智能優(yōu)化

1 概述

認(rèn)知無(wú)線(xiàn)電技術(shù)是無(wú)線(xiàn)通信領(lǐng)域與人工智能領(lǐng)域相結(jié)合的產(chǎn)物，認(rèn)知無(wú)線(xiàn)系統(tǒng)是認(rèn)知無(wú)線(xiàn)電技術(shù)的無(wú)線(xiàn)通信系統(tǒng)， 其核心思想借助更加靈活的收發(fā)機(jī)平臺(tái)和智能計(jì)算，使得通信系統(tǒng)更加靈活。將人工智能及其相關(guān)理論、方法和思想引入到認(rèn)知無(wú)線(xiàn)電網(wǎng)絡(luò)決策中，實(shí)現(xiàn)智能通信系統(tǒng)，對(duì)認(rèn)知無(wú)線(xiàn)電的發(fā)展有著重要的科學(xué)和現(xiàn)實(shí)意義。

認(rèn)知無(wú)線(xiàn)電（CR）的”智能化”運(yùn)用到了整個(gè)認(rèn)知過(guò)程中，包括認(rèn)知用戶(hù)信息和通信環(huán)境的感知、辨識(shí)，各種信息采集、判斷、推理，新認(rèn)知過(guò)程的實(shí)現(xiàn)等。認(rèn)知引擎做為認(rèn)知無(wú)線(xiàn)電的核心，它是在人工智能平臺(tái)的基礎(chǔ)上，把多種人工智能技術(shù)相結(jié)合以實(shí)現(xiàn)認(rèn)知智能。人工智能在認(rèn)知無(wú)線(xiàn)電網(wǎng)絡(luò)（CRN）中有三個(gè)階段的應(yīng)用：環(huán)境感知與推理階段；認(rèn)知學(xué)習(xí)階段；以及智能優(yōu)化階段[1][2]。下文介紹人工智能在CRN智能優(yōu)化階段的應(yīng)用。

2 遺傳算法的應(yīng)用

遺傳算法是利用遺傳學(xué)理論，并受達(dá)爾文進(jìn)化論所啟發(fā)逐漸發(fā)展成通用的問(wèn)題求解方法之一，可用于解決目標(biāo)優(yōu)化問(wèn)題。其核心思想是通過(guò)建模得到一個(gè)目標(biāo)適應(yīng)值函數(shù)，尋找使目標(biāo)函數(shù)最大化的一組變量。遺傳算法在認(rèn)知無(wú)線(xiàn)電應(yīng)用中的基本思想是把無(wú)線(xiàn)電類(lèi)近似比擬為一個(gè)進(jìn)化生物系統(tǒng)[1]，將無(wú)線(xiàn)電的特征定義成染色體，染色體的每個(gè)基因?qū)?yīng)無(wú)線(xiàn)電的每一個(gè)可變的參數(shù)，利用遺傳算法的進(jìn)化特性，并通過(guò)不斷學(xué)習(xí)獲得系統(tǒng)參數(shù)和系統(tǒng)性能之間的平衡點(diǎn)，尋找到最優(yōu)參數(shù)以滿(mǎn)足動(dòng)態(tài)變換的無(wú)線(xiàn)電環(huán)境參數(shù)配置，進(jìn)而最大化滿(mǎn)足用戶(hù)的需求。因此，學(xué)者們利用遺傳算法的并行性，解決認(rèn)知無(wú)線(xiàn)電中的多目標(biāo)優(yōu)化問(wèn)題，如利用多目標(biāo)免疫遺傳算法去解決認(rèn)知無(wú)線(xiàn)電的參數(shù)優(yōu)化問(wèn)題；認(rèn)知無(wú)線(xiàn)電中的重配置技術(shù)存在著不同性能參數(shù)之間可能沖突的問(wèn)題，遺傳算法在解決多個(gè)目標(biāo)互相沖突的最優(yōu)化問(wèn)題時(shí)具有明顯優(yōu)勢(shì)，目前常見(jiàn)的遺傳算法多目標(biāo)求解方法有多目標(biāo)遺傳算法、非支配排序遺傳算法、小生境帕累托遺傳算法等。

未來(lái)，遺傳算法在認(rèn)知無(wú)線(xiàn)電應(yīng)用方面的研究方向是：實(shí)時(shí)檢測(cè)并修改無(wú)線(xiàn)電參數(shù)；避免陷入非最優(yōu)方案而進(jìn)行算法改進(jìn)，以實(shí)現(xiàn)問(wèn)題的最優(yōu)解決方案[2]；提高算法的收斂率和降低計(jì)算復(fù)雜度，以進(jìn)一步滿(mǎn)足實(shí)時(shí)性的要求等。

3 禁忌搜索算法

禁忌搜索算法是將最近的搜索過(guò)程存儲(chǔ)在一張禁忌表中，禁忌表主要的作用是相當(dāng)于人類(lèi)的大腦模擬人類(lèi)的記憶，從而阻止重復(fù)的算法步驟，這樣可以在很大程度上提高搜索效率。

4 模擬退火算法

模擬退算法，是通過(guò)模擬熱力學(xué)的降溫過(guò)程，計(jì)算各個(gè)狀態(tài)轉(zhuǎn)移概率，以某一設(shè)定的概率選擇目標(biāo)值較小的狀態(tài)，從而跳出局部最優(yōu)解，改進(jìn)后的算法執(zhí)行起來(lái)比較容易，雖然具有優(yōu)秀的搜索能力，但缺點(diǎn)是收斂速度慢，然而CR又對(duì)實(shí)時(shí)性有較高的要求，故模擬退火算法在CR中的應(yīng)用較少。

5 蟻群優(yōu)化算法的應(yīng)用

蟻群優(yōu)化算法是模擬自然界螞蟻集體合作尋找食物行為基礎(chǔ)上，提出的一種隨機(jī)優(yōu)化算法[3]，而且已經(jīng)在組合優(yōu)化問(wèn)題中得到廣泛應(yīng)用[4]。蟻群優(yōu)化算法實(shí)質(zhì)上是一種正反饋機(jī)制，通過(guò)螞蟻信息素的不斷更新，最終獲得一條最優(yōu)路徑，而且加入了人類(lèi)的智能。此外，由于蟻群優(yōu)化算法是一種全局的優(yōu)化算法，且優(yōu)化性能較好，因此，對(duì)于求解優(yōu)化問(wèn)題無(wú)論是單目標(biāo)還是多目標(biāo)優(yōu)化問(wèn)題都效果顯著提高。文獻(xiàn)[5]提出的是改進(jìn)的蟻群優(yōu)化算法，用于認(rèn)知引擎的參數(shù)優(yōu)化其性能優(yōu)于經(jīng)典遺傳算法，存在的缺點(diǎn)是過(guò)早收斂問(wèn)題。文獻(xiàn)[6]提出的自適應(yīng)蟻群優(yōu)化算法，用于認(rèn)知引擎的優(yōu)化，通過(guò)改良的自適應(yīng)調(diào)整機(jī)制，種群收斂速度提高的同時(shí)，不僅保證了算法的全局搜索能力，還能有效避免陷入局部最優(yōu)的困境，能夠更好地滿(mǎn)足認(rèn)知無(wú)線(xiàn)電決策引擎對(duì)多目標(biāo)優(yōu)化的需求。

6 結(jié)束語(yǔ)

上述遺傳算法、模擬退算法、禁忌搜索算法、蟻群優(yōu)化算法都是群體智能優(yōu)化算法，它們把具體問(wèn)題抽象成的數(shù)學(xué)模型做為目標(biāo)函數(shù)，進(jìn)而尋找目標(biāo)函數(shù)的最優(yōu)解，或者是通過(guò)訓(xùn)練樣本來(lái)達(dá)到預(yù)期目標(biāo)，以找到適合認(rèn)知無(wú)線(xiàn)電優(yōu)化目標(biāo)的最優(yōu)解決方案，為認(rèn)知無(wú)線(xiàn)電技術(shù)的應(yīng)用奠定基礎(chǔ)。

參考文獻(xiàn)：

[1]Rondeau T W. Application of artifical intelligence to wireless communications[C]. Blacksburg： Virginia Polytechnic Institute and State University，2007：11-12.

[2]Daniel H F，M ustafa Y E， Shi Y， et al. Architecture and performance of an island genetic algorithm-based cognitive network[C]. IEEE CCNC，2008.

[3]Dorigo M， Birattari M， Stuzle T. Ant conoly optimization.[J] IEEE Computational Intelligence Magazine，2006，1（4）：28-39.

[4]史恒亮，白光一.基于蟻群優(yōu)化算法的云數(shù)據(jù)庫(kù)動(dòng)態(tài)路徑規(guī)劃[J].計(jì)算機(jī)科學(xué)，2010，37（5）：143-145.

[5]Zhao N， Cognitive radio engine design based on ant conoly optimization[J].Wirless Personal Communications，2011，1（10）：1-10.

[6]羅云月，孫志峰.基于自適應(yīng)蟻群優(yōu)化算法的認(rèn)知決策引擎[J].計(jì)算機(jī)科學(xué)，2011，38（8）：253-256.

作者簡(jiǎn)介：劉俊霞，1980年生，講師，碩士，主要研究方向：移動(dòng)通信網(wǎng)絡(luò)規(guī)劃與建模。