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射參數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化問題，并采用加權和方法將其轉換為單目標優化問題。采用雞群算法對認知決策引擎進行求解，從而實現認知無線電發射參數的重配置。結合多載波通信系統進行了仿真實驗，結果表明，該認知決策引擎能根據用戶需求變化，動態進行認知無線電參數的重配置。

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，能實現對頻譜資源的動態利用。CR最大的優點是智能性，體現其智能性的是認知決策引擎 （Cognitive Decision Engine，CDE） 。CDE是實現認知無線電發射參數自適應調整的關鍵技術，能根據變化的通信環境及用戶需求，對無線電發射參數進行自適應優化，以保證有效通信[2]。

CDE本質上可建模為一個多目標優化問題，然后采用各種智能優化算法求解。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

通過調整自身參數以適應通信環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化問題，即對自身發射參數進行優化求解，并根據尋優結果進行參數自適應調整，從而使通信性能達到最優。發射功率、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。假設CR系統中有m個可調參數，表示為x=[x1，x2，…，xm]，由于受到政策法規、通信環境、硬件設備等制約，單個參數xi在某取值范圍[Ai，Bi]內取離散值或連續值。設f=[f1，f2，…，fn]代表系統的n個性能優化目標，在實際通信環境中，由于用戶業務需求不同，對通信的要求也各異，例如多媒體通信關心的是數據傳輸速率的最大化，而數據通信則關心的是誤比特率的最小化[7]。對不同目標函數的應用需求，本文采用w=[w1，w2，…，wn]表示，其中，權重wi（1≤i≤n）的數值大小代表了目標函數fi（1≤i≤n）在不同需求時的重要程度。將已經歸一化處理的n個目標函數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：

2 雞群算法優化認知決策引擎參數

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；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；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，取值區間[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。

2.2 雞群算法求解認知決策引擎

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

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

認知無線電決策引擎所要完成的任務，就是根據用戶不同的通信業務需求和通信環境變化，對式（8）進行尋優，根據尋優結果調整無線電參數以實現式（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具有32個子載波。32個子載波的信道衰落因子用隨機產生的32個0～1之間的數來動態模擬；系統有64種可選發射功率，最小和最大值分別為0dBm與25.2dBm，其余值依次相隔0.4dBm；系統支持BPSK、QPSK、16QAM和64QAM等4種調制方式；32個子載波都可根據變化的通信業務需求自適應調整發射功率和調制方式；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的發射功率。endprint

GA參數設置如下：種群規模為30，交叉概率為0.8，變異概率為0.001，最大演化代數為500；CSO參數設置如下：種群規模為30，雞群中公雞比例20%，母雞比例60%，解的維數D為32，最大進化代數為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，適用于高數據速率通信要求的是模式3。

仿真實驗分別采用GA、CSO算法對目標函數進行優化，并記錄各代種群中最大適應度個體目標函數值。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值隨進化代數的變化曲線。

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化得到的平均目標函數值都明顯大于GA算法。GA算法在初期收斂速度很快，但是平均目標函數值比較小，在算法后期其性能差于CSO算法。基于CSO的CDE平均目標函數值明顯高于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算法的目標函數值遠高于GA算法，這表明基于CSO算法的CDE在尋優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境不斷變化的情況下，利用CDE進行多參數目標優化，最終實現參數動態重配置，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化問題進行求解，從而實現CDE的參數動態重配置功能。仿真結果表明，基于CSO的CDE在收斂速度和精度上都優于經典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].系統工程與電子技術，2010，32（5）：1083-1087.endprint