混合蝙蝠和布谷鳥算法的認知決策引擎*

鄭建國 ，樊政煒

（1.浙江郵電職業技術學院，浙江 紹興 312016；2.中國科學技術大學軟件學院，江蘇 蘇州 215123）

0 引 言

日益劇增的無線頻譜需求和固定的頻譜分配政策導致頻譜資源稀缺[1-2］。為了解決這個問題，FCC提出一種動態頻譜接入（Dynamic Spectrum Access，DSA）方案，允許未授權用戶（認知用戶）接入授權用戶（主用戶）的頻段[3］。認知無線電（Cognitive Radio，CR）便是實現DSA的一項關鍵技術。

這種CR系統具備感知環境變化、主動學習、自適應參數調整等特點，并主動檢測頻譜空洞，利用空閑的頻譜資源[4］。認知決策引擎（Cognitive Decision Engine, CDE）是主要的決策部分，是認知無線電系統的智能核心，主要作用是根據環境變化配置相應的無線電參數[5-6］，包括信號的調制方式、調制階數、發射功率和編碼速率等以滿足最大化吞吐率、最小化功耗和最小化干擾。

以上參數配置是多維問題，需要較高復雜度。為了兼顧QoS和實時性需求，智能優化算法因其具有高效的隨機搜索能力被視為解決該問題的有效途徑。目前研究文獻主要分為2類：一類是應用單一算法，如文獻[6］提出將二進制粒子群（BPSO）算法應用于參數配置，文獻[7-8］提出遺傳算法（GA）解決方案，然而這樣的單一算法收斂速率慢、容易陷入局部最優；另一類是融合算法，如文獻[10］將混沌優化和量子計算融入粒子群算法，提出CQPSO方法，證明該方法優于BPSO算法。在文獻[11］中，提出了混合粒子群和遺傳算法的HBPGA算法，證明了該算法的收斂速度和適應度值均優于GA算法和BPSO算法。

本文提出融合蝙蝠算法和布谷鳥算法的HBA-CS算法，并和文獻[10］的CQPSO、文獻[11］的HBPGA等方法進行比較，證明本文算法在適應度函數值和收斂速度方面的優勢。

1 認知決策引擎模型及目標函數

1.1 認知決策引擎模型

圖1為基于HBA-CS算法的認知決策引擎系統結構，首先CR通過感知功能獲取環境參數，包括固定路徑損耗、信噪比SNR和噪聲功率等，將這些參數傳遞給認知引擎，認知引擎同時通過CR場景調節器獲取當前的模式，工作模式通過一系列加權的目標函數實現。調節[w1,w2,…,wn］，可以實現不同的工作模式。在收集到以上信息后，認知引擎借助HBA-CS算法做出決策，確定合適的傳輸參數，包括發射功率p、調制類型和調制進制數等，以實現最大化利用頻譜。

圖1 基于HBA-CS算法的認知決策引擎系統結構

1.2 認知決策引擎目標函數

認知決策引擎通常要實現的目標是盡量減少發射功率fmin-power和誤碼率fmin-ber，而最大化數據速率fmax-datarate，其歸一化數學表達式為[6］:

其中pmax是最大化發射功率，是N個子載波平均平均功率，是平均誤比特率，Mi是第i個子載波的調制階數。Mmin和Mmax分別是最小和最大的調制階數。

為了將目標函數一致表示為最大化問題，將式（1）和式（2）分別修改為式（4）和式（5）。

在本文中，優化目標可以表示為：

將上述3個目標函數加權為單目標函數：

其中w1、w2和w3滿足：

目標是調節通信參數，最大化適應度函數fi t，權重矢量w=[w1w2w3］決定工作模式，具體設置如表1所示[6］：

表1 目標函數權重設置

2 蝙蝠算法及布谷鳥算法

2.1 蝙蝠算法（BA）

蝙蝠算法是楊新社于2010年提出的一種啟發式算法[12］，它模擬自然界中蝙蝠利用回聲定位來感知距離的現象。蝙蝠的位置和速度更新如下：

其中，β為[0,1］區間內服從均勻分布的隨機矢量；X*是當前最優位置；Fmax和Fmin表示頻率的最大值和最小值；Vi表示速度。

對于當前的局部搜索區域來說，產生一個隨機數rand1，若rand1＞ri,進行如式（10）所示的隨機擾動策略：

其中，At是蝙蝠在某一時刻發射聲波的平均幅值；ε是[-1,1］區間內服從正態分布的隨機數。ri是脈沖釋放速率。

然后隨機產生一個數rand2，若rand2＜Ai且新的適應度值f(Xnew)＞f(Xold)，則令X t+1=Xnew，并按照式（11）更新和。

其中是初始脈沖釋放速率，γ是脈沖速率控制參數，α是脈沖響度衰減系數。

2.2 布谷鳥算法(CS)

布谷鳥搜搜是Yang和Deb于2009年提出的一種啟發式算法[13］。該算法將尋找最優解的過程看作布谷鳥在宿主鳥巢里下蛋并孵化的過程。第i只布谷鳥產生新的解Xi t+1可以使用Levy飛行按式（12）表示：

式中，step是服從Levy分布的隨機數，表示第t次迭代時最優解表示迭代步長，然后利用式（13）摒棄部分不好的解。

式中，r1和rand3服從uniform分布；Pa是巢穴中布谷鳥的蛋被宿主鳥識別出來的概率，Xa和Xb是從已知巢穴中隨機挑選出的兩個巢穴。

3 認知決策引擎的HBA-CS算法

蝙蝠算法雖然全局搜索能力強，但是存在收斂精度低的問題[12］，布谷鳥算數雖然局部搜索能力強，但是存在容易陷入局部最優的問題[13］，因此可以將蝙蝠算法融入到CS算法中，利用二者的優點。基于新的融合算法，更新后的巢穴位置X ti不是直接作為第t+1次迭代計算的初值，而是使用蝙蝠算法再次更新。首先，比較服從均勻分布的發射速率和脈沖速率隨機數，如果滿足條件要求，當前鳥巢的最優位置將會疊加一個干擾，從而得到新的鳥巢位置；之后評估相應的適應度值。比較幅度和均勻分布的隨機數，如果條件滿足，布谷鳥算法運用新的運算符對鳥巢位置進行更新；同時，也更新了幅值和脈沖速率。最后評估鳥巢適應度值，找到鳥巢當前最優位置和最優值，并開始新一輪迭代；通過布谷鳥算法繼續搜尋和更新位置。

綜上，可知基于HBA-CS算法優化的認知決策引擎具體實現如圖2所示。

圖2 HBA-CS算法流程

4 仿真實驗與分析

4.1 參數設置

仿真環境是一個具有32個子載波的OFDM系統，每個子載波隨機分配一個[0,1］的數以模擬信道衰落情況[6］。發射功率為0～25.2 dBm，步進為0.4 dBm，共有64種選擇，用6位二進制bit編碼，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，數據率設置為1 Mbps。調制方式包括BPSK、QPSK、16QAM和64QAM，由2位二進制bit編碼[7］。每個子載波包括發射功率和調制方式，共需8bit。整個系統需要256 bit，尋優空間為2256。3種優化算法中設置種群規模Pop=30，迭代次數I=200，其中HBPGA算法的交叉概率為0.6，變異概率為0.001；CQPSO算法的混沌因子服從[0.5 0.505］均勻分布,學習因子c1=c2=2。

4.2 實驗仿真分析

圖3～圖6分別給出了3種算法在低功耗模式、緊急模式、多媒體模式和均衡模式下的適應度曲線。其中曲線中每個值都是10次獨立仿真實驗的平均值。

從圖2～圖5可以看出，HBA-CS算法在收斂速度和適應度函數值二方面均優于其他算法。以多媒體模式為例，在進化初期，HBA-CS算法就具有較強的局部尋優能力，借助蝙蝠算法的全局尋優特點，在進化后期收斂精度比其他兩種算法高。而CQPSO在進化初期雖然尋優能力強，但是很快陷入局部最優。同樣，HBPGA算法雖然全局尋優進度高，但是需要較長的時間。

圖3 低功耗模式下適應度曲線

圖4 緊急模式下適應度曲線

圖5 多媒體模式下適應度曲線

圖6 均衡模式下適應度曲線

表2和表3給出了3種算法在4種下的參數配置結果。由表2、表3可以看出，HBA-CS在4種模式下的參數配置性能總體優于其他2種算法。例如，在多媒體模式場景下（例如監控視頻傳輸），對傳輸速率有很高要求，但是對誤碼率要求就低一些，本文提出的HBA-CS算法能達到6.3 Mb/s，分別比HBPGA和CQPSO高1.03 Mbps和0.34 Mb/s，同時需要的發射功率也很小。

表3 3種算法在多媒體模式和均衡模式下參數配置結果對比

5 結 語

本文針對認知無線電中認知決策引擎問題，提出一種混合蝙蝠和布谷鳥算法的HBA-CS算法。首先利用布谷鳥算法求解，在更新位置后，再將該種群輸入到蝙蝠算法中繼續進行優化，因此該算法兼有兩種算法的優點，并且很好的解決了局部尋優和全局尋優的平衡問題，仿真表明該算法優于現有的CQPSO算法和HBPGA算法。