基于在線排隊模型的信道優化分配研究

許洪華 徐 馳 顧玲麗 劉青松

(蘇州科技大學電子與信息工程學院 江蘇 蘇州 215009)

0 引 言

對于目前各種網絡而言，其網絡節點存在各異方式，針對各異的網絡節點，往往主要考量的是對信道資源的合理使用以及信道傳輸信息的可靠性等來評價一個系統優與劣。而對于信道資源的合理使用和信道傳輸信息的可靠性往往取決于信道的配置以及信道質量。

針對上述問題，文獻[1]提出一種以局部未使用的頻譜增加系統的總容量，其推導出頻譜池系統的總頻譜效率以及可能的成對通信最大數目。文獻[2]在已建頻譜池的基礎上,提出了頻譜空穴空閑時間由長到短的排隊時間模型,并對該模型下的頻譜切換概率問題進行對比研究。文獻[3]的認知無線電中的關鍵技術包括動態頻譜感知、動態頻譜分配以及動態頻譜管理。文獻[4]介紹了傳統的信道資源分配都是以list-coloring算法、CSGC算法、Local bargaining算法以及并行分配算法作為分配的模型，同時提出了一種新的DSA策略。該策略建立在頻譜池的基礎之上，較即時接入方式有較高的接入效率。文獻[5]提出了一種介于信道節點的動態頻譜分配法，對上述所列算法略作解釋，其核心算法為圖論算法，是以考慮用戶所獲得的帶寬效益為主要目的，并沒有結合用戶實際需求相結合，甚至會導致分配給用戶的信道與用戶的所需出現不匹配，同時造成時間開銷大。文獻[6]提出一種結合遺傳算法和模擬退火算法的信道分配方案，針對多接口多信道分配問題,以最小化信道干擾為目標, 實現對網絡吞吐量進行提高和較低的信道沖突。文獻[7]針對多信道單無線電認知無線電網絡，提出了一種新的混合動態頻譜接入方法，該方法將經典和隨機兩種方法與新的遺傳算子相結合。對于頻譜池而言，文獻[8]給出了一種關于頻譜池在認知無線電的應用，并詳細列出了認知無線電能夠有效解決頻率資源的稀缺性和低利用率之間的矛盾，使得頻率資源得到合理的利用。文獻[9]提出一種基于能量均衡的可靠傳輸調度算法，可以避免因為節點消失而造成信號發送失敗的情況,增加工業無線通信的可靠性傳輸，但僅有的研究建立能量均衡的前提下，不具一般性。文獻[10]提出了一種新的動態頻譜接入策略，該策略以頻譜池為基礎，利用即時方式具有更高的接入效率，研究了頻譜池的最佳容量和更新時間，發現存在定量的數學關系。文獻[11]提出了一種新的層次博弈理論模型，該模型由重疊的聯盟形成博弈模型和非合作博弈模型組成，分析了供應商之間的價格合作/競爭策略，研究了供應商之間的資源競爭。文獻[12]提出一種頻譜合作的方法解決不同的次用戶感知信道的信息的分異，同時使用融合準則理論推導獲得出解決方案的優處。文獻[13]提出一種基于遺傳算法的多信道頻譜感知方法，以數學模型構建系統效用、感知收益以及由感知錯誤引起的系統開銷概念，利用遺傳算法有效解決多個認知用戶在較短感知時隙內共同感知多個異構信道的問題。文獻[14]提出了一種認知無線電網絡協同頻譜感知的最優軟融合方案，其利用融合中心全局測試統計偏差系數最大的基礎上，在Neyman-Pearson框架下，推導了中繼傳感觀測的最優軟融合方案。文獻[15-16]對無限傳感網絡中的數據建立融合模型，提高數據可靠性。

本文研究主要集中解決關于在線星型網絡拓撲結構中信道優化分配和信道資源合理配置問題。為了解決對通信系統的性能評估和對信道源的分配，以信道的可靠性作為解決對象，采用評估信道質量為基礎，運用在線排隊模型為算法基礎，以簇頭處感知信道和網關節點感知干擾合作改進在線排隊模型，利用遺傳算法改進網關節點權重，探索得出優化信道資源分配。

1 相關研究

1.1 感知頻譜

認知無線電的立場是不影響授權信道的正常通信線，具有認知功能的無線通信設備，按照特定的方式接入后授權的信道，進入其先授權的信道內可以起到動態的利用信道或頻譜。其結構如圖1所示。

圖1 感知頻譜結構

在感知頻譜的租賃系統RS終端需要進行適當假設:(1) 假設在RS探測頻譜時間內，上層協議必須保證所有的RS用戶沉默，換言之，需要空中僅存在授權系統LS發射的功率；(2) 假設頻譜探測在RSU和LS用戶之間沒有直視線路的情況，該假設可以滿足在兩者之間有直視路徑時，檢測到的LS功率將會比較大，從而將檢測的結果變得更好。

在AP處的頻譜信息的收集和廣播在各個RS終端探測完成頻譜后，該探測信息應該被傳送到AP處，并在AP處進行邏輯或運算。當任意一個RS終端檢測到其中一個子頻帶被LU占用，則認為該子頻帶不可用，同時將會最大限度地減少RS對LU的干擾。

1.2 整體設計模型感知

當前在人工智能算法中通常都是以在線和離線兩種方式進行實驗操作，本文以在線為主，利用底層簇頭感知與網關節點感知實現對信道不間斷的在線感知。以在線排隊和在線篩選信道的可靠性選擇優劣次序，運用簇頭處感知信道和網關節點信道故障感知進行合作篩選，最終得出簇頭處信道資源分配的優化矩陣。同時利用遺傳算法對網關節點處的專家經驗所得的權重比進行優化，優化后的權重將極大程度提高整個系統的效率。整體架構如圖2所示。

圖2 整體架構

2 信道質量評估的簇頭感知中心模型

在一條主網絡上假設存在完整的節點通信，共有N個網關節點，每個網關節點均有完整的子網絡。假設其中一個網關節點下方的子網絡存在n個AP節點，A={a1,a2,…,an}，如圖3所示為線星型網絡，每個子網絡都存在m個信道且信道的質量均不相同，C={c1,c2,…,cm}。

圖3 線星型網絡拓補結構

2.1 信道感知與外界干擾信道模型

對于信道而言，其質量的好壞取決于外界對信道的影響，當外界對信道發生影響時，信道感知外界必然會出現一定的故障，故障率會隨著時間的推移逐漸變化，進而影響信道傳輸信息最終的質量。設某一簇頭進行感知外界工作按照ai(ti,t)通信周期進行感知(i為某一簇頭結點序列)。在簇頭感知外界能量消耗完之前，簇頭以感知到外界通信事務周期時間為ai(t)進行工作，在簇頭感知通信事務周期內，隨后該簇頭將進入沉睡期(沉睡期較長)，其沉睡期的時間為ai(t-ti)。

對于網關節點而言，其本身可接受來自子網絡的傳輸信息，并可自行感知外界信息，但是由于網關節點感知通信事務出現干擾的時間數存在隨機性，其感知信道不存在特定的周期。在網關節點感知外界時，可感知出外界對當前信道的干擾信號的通信時間，以第一網關節點為例，以感知到干擾信道cm信號開始算起到感知干擾信號消失，其工作的時間為N1(T1)，同時設定從當前時刻算起到下一次感知到信道信息的時間為N1(T2)，則可以將網關節點感知信道cm的時間表示為：

N1T=N1(T1)+N1(T2)

(1)

在簇頭處感知外界的通信周期內，由于外界環境的變化會對簇頭存在干擾造成簇頭某段通信周期內中感知到錯誤信息，其簇頭可以感知到錯誤信息出現的概率為：

(2)

網關節點可以感知到錯誤信息出現的概率為：

(3)

式中:Rate(N1,cm)表示第一項為節點在[0,aiti/N1T1]感知到干擾信道cm信號出現的概率，由于感知干擾信道的性能是相同的，因此干擾信道的信號出現都將呈現即時感知。同時式中第二項為節點的沉睡期，由于節點進入沉睡期的時間較長，因此在下一個周期或者干擾信號來臨時，其存在感知干擾信道信號出現的可能性變大。

2.2 感知干擾信號模型

對于簇頭而言，所有簇頭具有相同特性，因此其感知信道的工作周期相同，沉睡期和感知工作時間也將必然按照設定的順序進行。由于同處在一個網關節點下方的所有簇頭應具有相同的特性，因此最后一個簇頭感知信道cm信號時間結束后，感知周期結束標記為所有簇頭感知信道信號的一個周期TN1,該周期包括所有簇頭感知信道工作的所有時間和簇頭沉睡期的時間。對于任何一個簇頭而言，其通信事務的周期應該為感知信道的時間與沉睡時間的總和，因此對任何一個信道，感知信道的時間就會出現不同。利用信道感知模型可得出對信道cm可能存在的干擾時間為：若在這段時間內網關節點下的簇頭在通信事務周期內感知到信道的通信時間為S={s1,s2,…,sn}，則簇頭沉睡期為t-s1,t-s2,…,t-sn，根據式(2)可得出關于信道感知的矩陣，設定簇頭關于通信事務的工作周期中感知信道的矩陣為T(N1,cm)，則簇頭通信事務的周期中感知信道的矩陣可以表示為：

(4)

在網關節點感知外界干擾信道信號的出現時，其可靠性的變化來源于兩大因素影響(不考慮網關節點與網關節點之間的部署)。其一來自外界對信道的干擾，其干擾量直接影響網關節點感知信道的質量；其二來源于網關節點自身，網關節點自身的工作時間與沉睡時間的變化。利用上述關于在通信事務周期內簇頭感知到信道的通信時間為S的前提下，對當前網關節點進行感知信道中是否存有干擾信號的處理。感知到外界干擾信道信號的出現時，利用式(3)可得出關于感知矩陣N1OUT(t)，則簇頭通信事務的周期中感知信道的矩陣可以表示為：

(5)

2.3 量化處理模型

在檢測問題中，為了方便信號的處理、存儲和傳輸，降低系統的復雜度，需要對檢測到的信號進行量化。在檢測信號檢測中，量化后的信號并不需要通過重建來恢復原始的信號，而是通過某些檢測算法得出最終的判決結果。與量化失真相比，系統整體的檢測性能更為重要。因此檢測問題中的量化器并不以最小化量化失真為目標，而應以最優化檢測性能為目標。從廣義上來講，本地檢測統計量為一個連續幅度的隨機變量，當其數值大于判決閾值時，則判決H1為真，反之則判決H0為真。經過判決，檢測統計量從連續幅度的無限集合被映射為含有兩個元素的有限集合，因此本地判決過程實際上是一個1 bit的量化過程。在集中式的認知無線網絡中，頻譜通常是由中心節點進行管理和分配。假設量化后的本地檢測節點的檢測結果為ui，其中i為本地節點的編號，根據上述所設，可知當采用最小錯誤概率準則來推導多比特的判決結果的最優融合準則時，最小錯誤概率準則可以表示為：

(6)

轉化為對數似然比檢驗形式：

(7)

根據各節點所檢測的結果相互之間獨立，則有：

(8)

式中：Si表示量化后判決結果為l的所有節點的ui的集合，類似的有：

(9)

將式(8)和式(9)代入式(7),化簡可得:

(10)

式中:

(11)

利用上述最優融合準則的模型對簇頭與網關節點中的檢測到的信道進行量化處理，其量化后的結果形成標準矩陣，利用形成的簇頭處的量化矩陣和網關節點的量化矩陣進行下述操作。

2.4 在線信道排隊模型

根據上述模型可得到關于簇頭處量化矩陣和網關節點處量化矩陣。由于可靠性的變化直接關系到簇頭感知信道的排序，利用簇頭處量化矩陣和網關節點處量化矩陣對各個信道進行不同的感知(去除節點自身發生的故障率)，則可以對點到點、端到端、點到端的信道隊列進行排序。設定RANK(N,n)為隊列排序，其中N為網關節點，n為其分支下的簇頭的總數。以第一網關節點為例，則排序隊列為RANK(s)，即在s時刻時系統的第一網關節點和簇頭感知出的隊列；將網關節點感知的干擾信號與簇頭感知的信道進行統計，該統計矩陣表示為：

NUM(N1,an,cm)=T(N1,c)·N1OUT(t)

(12)

RANK(s，N1/ai,cm)為s時刻某信道cm在網關節點感知的隊列中或者在簇頭感知的隊列中的位置，其取值的范圍為[1，m]的整數位；RANK(NUM(N1,an,cm))表示的是在對某一個信道cm感知中所有簇頭感知信道與網關節點感知干擾信號處理后的排序。因此，關于RANK(s)的信道感知干擾信號的排序為：

NUM(RANK(s))=RANK(NUM(N1,an,cm))

(13)

NUM(RANK(s))中排列的信道越靠前表明該信道在網關節點感知干擾信號與簇頭感知信道融合的干擾次數越多，表明該信道的越容易出現故障，利用出現的干擾次數對在s時刻的系統中的信道和權重比列進行構建s時刻的簇頭信道隊列，構建如下：

(14)

式中：θ=[θ1,θ2，…,θn]是加權平均參數；Kc為一個排隊模型；Capture(NUM(RANK(s)))為感知信道干擾信號后的去除或正確排序后的序列。

對于上述加權參數而言，第一次感知的權重系數可以設為1，在若干簇頭工作周期后的加權系數都將會呈現動態實時的變化，即第c次中所有簇頭在第x次感知中的加權系數為θc(x)，則每一次感知后，簇頭的權重分配變化應滿足當前的簇頭感知信道與網關節點感知干擾相關，其表達式為：

(15)

3 基于遺傳算法的網關節點信道資源

3.1 構建遺傳算法

基于專家意見，按照上述設計的方法對網關節點感知到的信道在線排隊矩陣進行編排。對于每一個網關節點下形成的小型信道感知矩陣，利用當前的網關節點對后續網關形成的小型信道矩陣進行感知，可將后續每一個網關節點處形成的信道矩陣看成是一個較為準確的專家意見，對多個專家意見進行科學的融合，即可得到較為準確的網關節點的在線信道排隊模型。考慮將任意的子網絡中的信道排序作為一個專家意見，通過將n個專家意見進行加權平均獲得最終的信道排序，因此，在N個AP節點所對應的主網絡的信道綜合排序可以表示為：

(16)

式中：θ=[θ1,θ2,…,θn]是加權平均參數；Rank(aN,C)中的第一個信道則為最優信道。假設第一個信道為c，則信道c在當前網絡中的綜合通信質量Q(c)可以表示為：

(17)

因此，針對不同的參數向量θ，可以獲得不同的綜合信道排序，同時可以獲得在網關節點處關于信道的最終排序和分配，利用遺傳算法，求解最優的參數向量θ。

3.2 信道參數編碼規則

對于信道資源分配的優化，可以將與信道質量評估的參數向量編碼為一個二進制字符串，其中每一個向量分量由K個二進制字符組成。假設θj所對應的二進制字符串為ωj，則向量θ=θ1,θ2,…,θn的字符串可以表示為ω=ω1,ω2,…,ωn，可以看作是遺傳算法中一個染色體個體，ω中的分量與θ參數分量之間的轉換關系可以表示為：

(18)

假設θj要精確到x位小數，可以將閉區間[xmin,xmax]分(xmax-xmin)×10x等份。假設:

(19)

則θj的二進制長度至少為q位，染色體的長度為q×n。

3.3 遺傳算法的信道適應度函數

作為遺傳算法而言，適應度函數是用來評估染色體個體質量的評價函數，也是作為選擇操作的基本指標，對于適應度值較大的染色體個體將有較大的概率被選入新的種群，反之亦然。本文主要考慮對綜合排序Rank(aN,C)進行評估，而在實際應用中，僅僅考慮Rank(aN,C)中的第一個信道c。因此，可將信道c的綜合通信質量作為遺傳算法Q(c)的適應度函數,即：

F(ω)=Q(c)

(20)

式中：ω是與參數向量θ所對應的二進制字符串，也是種群中一個個染色體個體。

3.4 基于遺傳算法的信道評估算法

(1) 隨機產生初始信道種群P0，其中每個染色體ωj都是由隨機產生的長度為q×n的二進制串組成；

(2) 計算染色體的適應度值。根據式(20)計算每個個體的染色體的適應度值；

(3) 判斷終止化條件。終止條件是系統執行之前設定的遺傳算法的進化最大代數。如果符合上述終止條件，則終止算法的執行，得出最優染色體，根據最佳染色體計算出最佳權重；否則，轉到第(4)步。

(4) 選擇父染色體。在被選集(當前種群)中，每個染色體具有一個適應度值及其被選擇的概率P(ωj)。根據選擇操作，得出由父染色體組成的種群。

(5) 生成新種群。根據第(4)步中得到的父種群，按照交叉和變異操作，生成新種群，返回第(2)步。

3.5 控制算法

基于上述準則，對于未知的信道可以有效地提高在感知過程的效率，同時可以更加合理地對信道的分配進行優化。

其工作流程如下：

步驟1基于感知頻譜的原理，對簇頭和網關節點處進行信道感知。

步驟2使用網關節點下方簇頭進行簇頭感知信道，對感知到的信道利用當前網關節點感知干擾信號，記錄干擾與簇頭正常感知出現碰撞的次數。

步驟3利用記錄的碰撞次數對簇頭感知的信道采用在線評估的算法進行排序，次數越多證明信道的可靠性越低。

步驟4基于簇頭處形成的信道感知矩陣，依據在線排隊模型，對網關處節點下的簇頭依據干擾次數和可靠性構建不同的信道感知矩陣。

步驟5使用遺傳算法處理網關節點處的調控權數，利用遺傳算法解決權重問題。

4 仿真結果與分析

基于上述準則，利用MATLAB軟件對同一網關節點下的不同簇頭處關于相同信道的感知生成數據集，生成的標準以周期相同，但感知工作時間不同，便于對實驗的正確性進行檢測。此處簇頭隨機敷設，信道具有16個，網關節點可根據當前實際情況具體制定個數，根據上述給定的關于在線模型的計算方法對網關節點的故障感知概率進行隨機統計。當前針對簇頭處的實驗，以第一網關節點進行驗證，利用軟件進行實時設定，以信道中的可靠性為恒定指標，利用干擾次數出現的頻率來認定一個節點處感知的信道的質量的好壞，利用在線排隊的模型對感知出的信道的好壞進行實時排隊處理，分辨出當前信道質量的好壞。

對于上述提出的簇頭感知信道工作的時間與網關節點感知干擾信道的信號出現，利用MATLAB軟件對當前的網關節點和簇頭進行模擬實驗。在使用軟件進行模擬前，需要對信道傳輸信息的可靠性進行預處理設定，即使用分布期望對信道傳輸信息的可靠性處理，設定實驗原始信道可靠性。表1為實驗的信道可靠性的數集表。

表1 信道的傳輸信息的可靠性

4.1 仿真步驟

步驟1建立簇頭感知信道的工作周期和網關節點感知干擾信號周期(如式(1)-式(3))。

步驟2利用建立的周期確定簇頭感知信道的概率與網關節點感知干擾信道的概率(如式(4))，對簇頭處的感知信道與網關節點進行量化處理(如式(5)-式(7))。

步驟3利用矩陣建立相對應的簇頭處的量化矩陣和網關節點的量化矩陣，對簇頭處的量化矩陣和網關節點的量化矩陣進行在線處理，即每次利用對信道檢測出現的干擾與感知的信道結果進行感知融合(如式(8))，其結果矩陣可提供在線排隊模型的實時排序。在s時刻的系統中，以出現結果矩陣的干擾次數對的信道和權重比列進行構建s時刻的簇頭信道隊列(如式(13)-式(14)，并使用簇頭權重調節因子(如式(15))對當前的簇頭信道隊列進行權重調節。

步驟4在簇頭處完成s時刻的信道排隊模型后，形成各小型排隊矩陣小型信道感知矩陣，利用當前的網關節點對后續網關形成的小型信道矩陣進行感知，可將后續每一個網關節點處形成的信道矩陣看成是一個較為準確的專家意見。根據專家經驗，對網關節點處形成權重比列分配，以遺傳算法作為調節權重比列變化的基礎算法，對權重進行實時分配優化(如式(16))。

步驟5對當前的網關節點制定編碼規則與適應度函數，該編碼規則(如式(18)-式(19))為：xmax=1,xmin=0，滿足當前對網關節點的需求。其適應度函數為上述形成的Q(c)(如式(17)、式(20))。在經過優化權重后，可得出較為精確的權重比例分配。

4.2 簇頭下的在線感知模型實驗結果分析

4.2.1調控通信事務周期變化感知實驗

當前對于工業上的信道處理分配的方法絕大部分都是以盲跳頻的方式處理信道的分配的，這就會使得在以可靠性為結果的信道上出現丟失或缺失等不必要的資源問題。在對簇頭處感知信道以及網關節點的實時感知干擾情況下，利用對周期進行調控的同時可以很好地針對當前的在線排隊模型和隨機盲跳頻模型的實時對比。利用在線排隊模型可以很好地解決在處理簇頭處的信道的分配和資源的合理配置，設定實驗參數信道的可靠性。同時預處理通信事務的通信周期，在本實驗中對簇頭的數量進行恒定設定，以防止實驗處理時會對實驗結果造成不必要的影響，設定簇頭節點均為3個，表2為設定的通信事務周期。

表2 通信事務周期與簇頭數量

在使用相同簇頭節點的情況下，通過改變通信事務的周期對當前信道處理，驗證調控通信事務周期變化是否會對系統級的可靠性帶來變化。如圖4所示，實驗1只改變通信事務周期的前提下，在線排隊可以達到83.5%左右的可靠性變化，未使用優化排隊的可靠性維持在74%。這表明在線排隊模型可以有效提高系統級的可靠性，并大幅減少網關節點感知干擾信號。

圖4 實驗1系統級可靠性變化

為了驗證同時改變簇頭數量與通信事務周期前提下系統級的可靠性，避免因簇頭數量相同而造成實驗與實際情形出現較大的誤差，在圖5中，實驗2的在線排隊模型的系統級可靠性仍然可以很好地穩定在83.5%，未使用優化排隊的可靠性為74%。這充分說明了在對通信事務周期的調控下，使用在線排隊模型可以有效幫助簇頭中信道質量較好的可以得到充分的利用，從而避免信息的缺失和資源的浪費。

圖5 實驗2系統級可靠性變化

4.2.2調控簇頭數量驗證盲跳頻與在線排隊模型實驗

通常而言對于工業使用信道的方法，在簇頭的數量不斷增加的情況下，都是以增多信道的方法來緩解盲跳頻，利用盲跳頻處理信道的分配是當前的一種常用的方法，但是單純地使用盲跳頻會使系統級的可靠性呈現大幅度趨于低可靠性的勢態，利用在線排隊模型可以很好地解決這一問題。

如圖6所示，隨著簇頭的不斷增加，排序優化的系統級可靠性均處于盲跳頻的水平之上，盲跳頻的曲線與排序優化曲線逐漸呈現出下滑趨勢，直到簇頭增加至16時，排序優化曲線開始呈現出緩慢下滑趨勢，其盲跳頻仍處于較快下滑趨勢。當簇頭至20時，排序優化曲線基本已保持小幅下滑的趨勢，而盲跳頻曲線仍大幅下滑。嚴格意義上來講，在大環境下，系統級的可靠性隨著大量的簇頭增加而呈現極小的下滑趨勢，為信息的傳輸提供保障。相反，隨著簇頭的增加，盲跳頻的下滑趨勢極大，不能為信息的傳輸提供保障。按照實驗對比圖可以得出，在極大的信道數量和極多的簇頭使用情況下，在線排隊模型的方法遠遠大于實用盲跳頻所帶來的系統級的可靠性。

圖6 簇頭數量變化的系統級可靠性變化

4.3 網關節點數量變化對系統級可靠性的實驗

利用網關節點數量的變化來調控關于系統級的可靠性的變化，其中作為衡量優化后的與未優化的系統級的可靠性，同時作為評價一個信道質量的兩大評價手段，簇頭所評價的為當前AP節點所帶來的局部影響，網管節點所評價的則為當前系統級的信道質量的問題。因此在對簇頭節點量級的實驗后，應當對當前系統級下的網關節點量級進行實驗與仿真，進而充分說明在排序優化后的網關節點的量級上升中與盲跳頻下的系統級的可靠性的變化，二者均可對系統級的可靠性做出合理的判定。

如圖7所示，執行算法的排序優化的系統級可靠性與盲跳頻下的系統級可靠性均呈現下滑趨勢。至主節點數為2時，其排序優化的系統級可靠性比盲跳頻系統級可靠性高0.05,縱觀整個實驗結果，排序優化的下滑速率較盲跳頻的下滑速率快，但是從系統級的可靠性來說，在網關節點的數量沒有達到極多的前提下，使用優化模型的系統級可靠性仍然比使用盲跳頻的系統級的可靠性高。在數量級達到16時，網關節點的系統級可靠性比盲跳頻的系統級可靠性高出3%，對于一個系統的穩定性和精確性而言，優化模型將會保障系統級的信息傳輸精確。

圖7 簇頭數量變化的系統級可靠性變化

4.4 網關節點處下重傳信息處理優化信道問題驗證

在實際運行中，對于一個信息傳輸而言，通常達不到100%的傳輸成功。在工業上對于信息的傳輸都是采用一定的傳輸次數，以解決傳輸所帶來的失敗率和丟包率，因此網關節點處必定會出現一些重傳信息。這些重傳信息給實驗結果帶來一定的誤差，利用實驗對誤差進行一定量級化的處理，處理后對算法與盲跳頻下的系統級的可靠性進行實驗。

如圖8所示，在網關節點出現重傳時，利用算法系統級的可靠性下滑速率較為平穩，使用盲跳頻下的系統級的可靠性大幅下滑。在網關節點量級達到15后，使用算法優化的系統級的可靠性相對平穩，但使用盲跳頻的呈現下滑趨勢不變，在一段量級化后，使用算法排序優化的系統級的可靠性將遠遠領先盲跳頻的系統級的可靠性。

圖8 出現重傳時網關節點數量變化系統級可靠性變化

4.5 網關節點下分配權重的遺傳算法

當前對網關節點權重優化和合理分配使用的遺傳算法，選取變異概率為0.05，交叉概率0.9，設定代溝0.9，對檢測的簇頭設定數量為10，網關節點8，并隨機敷設16個信道可靠性，其敷設的可靠性均處在可用之上并設定其中某些信道的可靠性處于不穩定狀態(設定的可靠性符合實際情景)。算法結果如圖9所示。

圖9 權重比例優化分配遺傳算法

在使用遺傳算法的時候，對權重比例進行設定，其權重比例總和為1，利用隨機變異和交叉，實現基因的另創造和優化基因。對網關節點的權重訓練時，使用遺傳算法在迭代次數達到250代左右后系統的可靠性收斂，呈現穩定趨勢，系統的可靠性收斂于0.734左右。250代之前系統的總體可靠性呈現下滑趨勢，為系統的不穩定時期，在該時期系統的可靠性盡管比后期的可靠性高。但對于一個系統而言應當考慮的是對系統的穩定性和可靠性，同時要滿足通信事務周期長、信息量多以及系統總體平穩，而不是單純地考慮極短期的高效率、低回報的預期結果。

5 結 語

本文評價簇頭處的信道質量是以感知信道工作以及網關節點感知干擾信號進行質量指標評估。對每個簇頭構建數學模型，可得到較為精確的在線排隊模型，對各簇頭處進行有效的信道排序，形成簇頭處合理優化的信道感知矩陣。根據較多簇頭處信道感知矩陣在線集合，實時綜合出簇頭處精準的信道優化排序。在各網關節點處利用專家經驗對網關節點處權重分配，以遺傳算法對權重在線集合進行調節，簇頭處感知信道故障和感知簇頭集合對權數進行優化分配，得出最終優化的信道資源配置。利用建立的數學模型和仿真軟件可以很好地對當前的信道進行很大程度上的優化和篩選，符合對信道的設定。實驗結果表明：優化后的信道資源分配可以很好地調節信道問題，具有良好的穩定性和較高的運行效率，對系統的可靠性具有極大的提高，同時在收斂速度和搜索全局最優解上有了一定的改進和提高。