CN103401625B - 基于粒子群优化算法的协作频谱感知优化方法 - Google Patents

Abstract

本发明公开了一种基于粒子群优化算法的协作频谱感知优化方法，其实现步骤是：首先建立协作频谱感知优化模型，然后将待优化变量和粒子群优化算法的相关参数对应；初始化迭代次数，随机产生的粒子的位置向量和速度向量；对初始化的每个粒子进行适应度评估，并找出适应度值最小的粒子作为全局最优粒子；随着迭代次数的增加，不断更新粒子的位置向量和速度向量，并更新全局最优值；当迭代次数达到最大迭代次数时，输出全局最优粒子，求出它所对应的检测概率。本发明在协作频谱感知优化时具有简单方便、计算量小、易于实现、调整参数少，搜素能力强等优势。

Description

基于粒子群优化算法的协作频谱感知优化方法

技术领域

本发明涉及认知无线电技术领域，具体涉及一种基于粒子群优化算法的协作频谱感知优化方法，适用于***设计、多目标优化、模式识别、调度、信号处理、决策、机器人应用等领域。

背景技术

作为一种新的智能无线通信技术，认知无线电(Cognitive Radio，CR)技术通过对授权频谱进行“二次利用”，为缓解频谱资源缺乏与日益增长的无线接入需求之间的矛盾提供了可行的思路。它能够感知电磁环境并对无线环境进行分析、理解和判断，自适应地调整***的通信参数以适应环境的变化，在不影响授权用户通信的前提下，实现智能的高效动态频谱利用。

在认知网络中，频谱感知无疑是当今认知无线电研究的最大热点之一，首先，快速可靠地发现频谱空洞是进行频谱资源再利用的前提；其次，非授权用户需要有较高的接收机灵敏度以准确监测授权用户的频谱活动，从而避免对授权用户造成干扰，这就给频谱感知提出了更高的要求。然而受无线信道干扰、衰落以及时变特性的影响，一般单个认知用户很难获得可靠的瞬态感知信息，能够有效分辨出到底是微弱主用户信号还是主用户空闲这两种状态。而相比较单个认知用户的检测结果，多个认知用户进行协作频谱感知能够有效提高检测的可靠性，因此协作频谱感知技术具有重要的理论价值和现实意义。

协作频谱感知通常分为感知和报告两个阶段，在感知阶段，每个用户独立地完成局部检测；在报告阶段，将所有用户的局部检测结果发送到融合中心(Fusion Center,FC)，FC对收到的局部统计信息进行数据融合，综合做出主用户信号存在与否的最终判决。

一般而言，对于协作频谱感知的优化，可以通过以下两种方法：

1、最优的线性合并方法(Optimal Linear Cooperation,OPT.LIN)，OPT.LIN方法对原优化问题划分成子问题，得出其理论上下确界，然后通过凸优化方法进行求解，从而会耗费大量的计算时间。

2、偏移系数方法(Modified Deflection Coefficient,OPT.MDC)，OPT.MDC方法尽管简单，但其最优性建立在认知用户的局部信噪比远大于1的基础上，使其应用范围受到一定限制。

发明内容

本发明的目的在于针对已有技术的不足，提供一种基于粒子群优化算法的协作频谱感知优化方法，获得较优检测性能的同时减少算法在频谱感知时所耗费的时间。

需要说明的是，实现本发明目的的技术思路是：首先建立协作频谱感知优化模型，在此基础上，初始化粒子群优化算法的相关参数，将待优化变量和粒子群优化算法的相关参数对应；初始化迭代次数，随机产生的粒子的位置向量和速度向量；对初始化的每个粒子进行适应度评估，并找出适应度值最小的粒子的序号，作为全局最优值；随着迭代次数的增加，不断更新粒子的位置向量和速度向量，并更新权值最优值；当迭代次数达到最大迭代次数时，输出全局最优值，求出它所对应的检测概率。

为了实现上述目的，下面进一步描述本发明的技术方案：

基于粒子群优化算法的协作频谱感知优化方法，所述方法包括以下步骤：

（1）建立协作频谱感知优化模型；

（2）初始化粒子群优化算法的相关参数，其中包括：

（2a）随机产生P个粒子，记粒子i为x_i=[x_i1,x_i2,…,x_iD],i=1,2,…,P，D=M,其中D表示个体的维数，其中粒子定义为待优化变量，即控制中心给各用户统计信息所分配的权值因子w，也即x_i=w；

（2b）置迭代次数t=0，随机生成粒子í的位置向量 $x_i^t={[x_{i1}^t,x_{i2}^t,\·\·\·,x_{\mathrm{iD}}^t]}^T$ 和速度向量 $v_i^t={[v_{i1}^t,v_{i2}^t,\·\·\·,v_{\mathrm{iD}}^t]}^T$ ，其中 $x_{\mathrm{id}}^t\∈\left[\mathrm{0,1}\right],$ 且1≤d≤M,1≤i≤P；每次迭代后，每一个粒子的位置公式为：

$\stackrel{\‾}{x_{\mathrm{id}}^t}=\frac{\left|x_{\mathrm{id}}^t\right|}{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}\left|x_{\mathrm{id}}^t\right|};$

（3）计算所述每个粒子的适应度值其中适应度函数定义为每个粒子所代表的权值获得的检测结果。根据适应度值，确定局部最优粒子 $p_i^t=(p_{i1}^t,p_{i2}^t,\·\·\·,p_{\mathrm{iD}}^t)$ 和全局最优粒子 $p_b^t=(x_{b1}^t,x_{b2}^t,\·\·\·,x_{\mathrm{bD}}^t),$ 其中b是适应度值最小的粒子对应的序数，对于t=0，

（4）令t=t+1，并按式 $v_{\mathrm{id}}^t=\mathrm{\&omega;}{v}_{\mathrm{id}}^{t-1}+c_1\mathrm{\&xi;}(p_{\mathrm{id}}^{t-1}-x_{\mathrm{id}}^{t-1})+c_2\mathrm{\&eta;}(p_{\mathrm{bd}}^{t-1}-x_{\mathrm{id}}^{t-1})$ 更新速度其中c₁和c₂是正常数，ξ和η是分布在[0,1]内的随机数，ω是惯性权重，和分别对应局部最优粒子和全局最优粒子的d维元素，其中，如果 $v_{\mathrm{id}}^t>V_{\max },$ 令 $v_{\mathrm{id}}^t=V_{\max };$ 如果 $v_{\mathrm{id}}^t<-V_{\max },$ 令 $v_{\mathrm{id}}^t=-V_{\max };$

（5）按式更新位置根据步骤（2b）进行归一化；

（6）计算经过更新的每个粒子的适应度值对于粒子如果它当前的适应度值小于上次迭代中的局部最优粒子的适应度值，将其局部最优粒子置为否则其局部最优粒子保持不变如果粒子当前的适应度值小于上次迭代中全局最优粒子的适应度值，将此粒子置为全局最优粒子如果没有粒子的适应度值小于的适应度值，则令全局最优粒子保持不变

（7）判断迭代次数t是否达到最大迭代次数T_max，若达到，输出全局最优值，并根据式求出它所对应的检测概率P_d；否则，重复步骤（4）～（7）。

需要说明的是，所述协作频谱感知优化模型为：

minf(w)

$s.t.{\left|\right|w\left|\right|}_2^2=1$

其中w为权值因子, $f\left(w\right)=\frac{Q^{-1}\left(p_f\right)\sqrt{w^T\mathrm{Aw}}-E_s{g}^{T}w}{\sqrt{w^T\mathrm{Bw}}},$ P_f是虚警概率，A=2Ndiag²(σ)+diag(δ)，B=2Ndiag²(σ)+diag(δ)+4E_sdiag(g)diag(σ)，其中N为采样点数，σ为链路噪声，δ为控制信道噪声，g表示信道增益，f(w)是由检测概率利用Q函数的非增性化简得到的，最大化检测概率对应于最小化f(w)，其中检测概率为

需要说明的是，所述步骤（3）的计算公式为：

根据式fitness(x_i)=f(x_i)， $f\left(w\right)=\frac{Q^{-1}\left(p_f\right)\sqrt{w^T\mathrm{Aw}}-E_s{g}^{T}w}{\sqrt{w^T\mathrm{Bw}}},$ 其中x_i=w。

本发明与现有技术相比具有以下优点：

1、本发明不是采用确定性规则，而是根据对历史和社会的记忆进行随机搜索，相较于现有技术，本发明搜索到最优解的可能性大大增加；

2、本发明的信息流动是单向的，能够更快的收敛于最优值；

3、本发明的运行速度快，能够有效地改善检测性能；

4、本发明收敛速度较快，算法简单，容易编程实现。

附图说明

图1为本发明实现的原理框图；

图2为本发明实现的总体流程图；

图3为本发明方法与现有方法检测性能的对比图；

图4为本发明方法与现有方法在协作频谱感知优化时所耗费的平均时间的对比图。

具体实施方式

下面将结合附图对本发明作进一步的描述。

需要说明的是，如图1所示，为协作频谱感知的原理框图，每个用户独立地完成频谱感知，然后将局部检测结果发送给融合中心，融合中心对最终结果进行判决。

如图2所示，本发明的具体步骤如下：

步骤1，建立协作频谱感知优化模型；

协作频谱感知优化模型为：

minf(w)

$s.t.{\left|\right|w\left|\right|}_2^2=1;$

其中w为权值因子, $f\left(w\right)=\frac{Q^{-1}\left(p_f\right)\sqrt{w^T\mathrm{Aw}}-E_s{g}^{T}w}{\sqrt{w^T\mathrm{Bw}}},$ P_f是虚警概率，A=2Ndiag²(σ)+diag(δ)，B=2Ndiag²(σ)+diag(δ)+4E_sdiag(g)diag(σ)，其中N为采样点数，σ为链路噪声，δ为控制信道噪声，g表示信道增益，f(w)是由检测概率利用Q函数的非增性化简得到的，最大化检测概率对应于最小化f(w)，其中检测概率为

步骤2，初始化粒子群优化算法的相关参数；

（2a）随机产生P个粒子，记粒子i为x_i=[x_i1,x_i2,…,x_iD],i=1,2,…,P，D=M,其中D表示个体的维数；

需要说明的是，对于本发明的协作频谱感知问题，粒子定义为待优化变量，即控制中心给各用户统计信息所分配的权值因子w，也即x_i=w；

（2b）置迭代次数t=0，随机生成粒子í的位置向量 $x_i^t={[x_{i1}^t,x_{i2}^t,\&CenterDot;\&CenterDot;\&CenterDot;,x_{\mathrm{iD}}^t]}^T$ 和速度向量 $v_i^t={[v_{i1}^t,v_{i2}^t,\&CenterDot;\&CenterDot;\&CenterDot;,v_{\mathrm{iD}}^t]}^T,$ 其中 $x_{\mathrm{id}}^t\&Element;\left[\mathrm{0,1}\right],$ 且1≤d≤M,1≤i≤P；随机生成的初始种群，粒子的位置需满足约束条件。每次迭代后，每一个粒子的位置通过公式完成归一化操作。

步骤3，评估；根据式fitness(x_i)=f(x_i)，其中x_i=w，其计算步骤如下：

步骤（2a）中每个粒子的适应度值并设b是适应度值最小的粒子的序数，则全局最优粒子为对于局部最优粒子当t=0时，其中适应度函数定义为每个粒子所代表的权值获得的检测结果，即fitness(x_i)=f(x_i)，其中x_i=w；

需要进一步说明的是，个体的适应度值越小，表示该个体所表示的权值所获得的检测概率P_d越高，从而该个体的质量越好；

步骤4，更新速度；其中，令t=t+1，并按式 $v_{\mathrm{id}}^t=\mathrm{\&omega;}{v}_{\mathrm{id}}^{t-1}+c_1\mathrm{\&xi;}(p_{\mathrm{id}}^{t-1}-x_{\mathrm{id}}^{t-1})+c_2\mathrm{\&eta;}(p_{\mathrm{bd}}^{t-1}-x_{\mathrm{id}}^{t-1})$ 更新速度 $v_{\mathrm{id}}^t,$ 其中c₁和c₂是正常数，ξ和η是分布在[0,1]内的随机数，ω是惯性权重；和分别对应局部最优粒子和全局最优粒子的d维元素，如果令 $v_{\mathrm{id}}^t=V_{\max };$ 如果 $v_{\mathrm{id}}^t<-V_{\max },$ 令 $v_{\mathrm{id}}^t=-V_{\max }.$

步骤5，更新位置；按式更新位置根据步骤（2b）进行归一化；

步骤6，更新最优粒子；计算经过更新的每个粒子的适应度值对于粒子如果它当前的适应度值小于上次迭代中的局部最优粒子的适应度值，将其局部最优粒子置为否则其局部最优粒子保持不变如果粒子当前的适应度值小于上次迭代中全局最优粒子的适应度值，将此粒子置为全局最优粒子如果没有粒子的适应度值小于的适应度值，则令全局最优粒子保持不变

步骤7，判断迭代次数t是否达到最大迭代次数T_max，若达到，输出全局最优值，并根据式求出它所对应的检测概率P_d；否则，重复步骤4～7。

为了更好地描述本发明的效果，将通过下面的仿真实例进一步证明。

1、仿真参数设置

具体参数设置如表1所示：

仿真参数	粒子数目	迭代次数	加速度常数	惯性权重
					取值	P=20	Tmax=50	c1=c2=2	w=0.4

2、仿真方法

现有最优的线性合并方法、偏移系数方法和本发明方法。

3、仿真内容

仿真1

如图3所示，本发明方法与传统的最优的线性合并方法(OPT.LIN)以及偏移系数方法(OPT.MDC)的检测性能进行比较。

在图3中，曲线31是本发明方法仿真得到的检测性能曲线，曲线32是最优的线性合并方法(OPT.LIN)仿真得到的检测性能曲线，曲线33是偏移系数方法(OPT.MDC)仿真得到的检测性能曲线。

对比曲线31、32和33可以看出，本发明的方法与最优的线性合并方法(OPT.LIN)检测性能相接近，而优于偏移系数方法(OPT.MDC)的检测性能。然而，相比本发明方法，最优的线性合并方法(OPT.LIN)对原优化问题划分成子问题，得出其理论上下确界，然后通过凸优化方法进行求解，会耗费大量的计算时间。偏移系数方法(OPT.MDC)虽然简单，但其最优性建立在认知用户的局部信噪比远大于1的基础上。

仿真2

如图4所示，将本发明方法与传统的最优的线性合并方法(OPT.LIN)以及偏移系数方法(OPT.MDC)在协作频谱感知优化时所耗费的平均时间进行仿真比较。

在图4中，曲线41是本发明方法在协作频谱感知优化时所耗费的平均时间，曲线42是最优的线性合并方法(OPT.LIN)在协作频谱感知优化时所耗费的平均时间，曲线43是偏移系数方法(OPT.MDC)在协作频谱感知优化时所耗费的平均时间。

对比曲线41、42和43可以看出，最优的线性合并方法(OPT.LIN)所耗费的时间最多，本发明方法所耗费的时间次之，偏移系数方法(OPT.MDC)在三种方法中所耗费的时间最少，这样就无疑为保证频谱感知的计算效率和实时性提供了有效的优化思路。

综合分析上述仿真结果，粒子群优化算法在协作频谱感知优化时具有简单方便、计算量小、易于实现、调整参数少，搜素能力强等优势。

对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及变形，而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。

Claims (2)

1.基于粒子群优化算法的协作频谱感知优化方法，其特征在于，所述方法包括以下步骤：

(1)建立协作频谱感知优化模型：

minf(w)

$s.t.{\left|\right|w\left|\right|}_2^2=1$

其中w为权值因子, $f\left(w\right)=\frac{Q^{-1}\left(P_f\right)\sqrt{w^T\mathrm{Aw}}-E_s{g}^{T}w}{\sqrt{w^T\mathrm{Bw}}},$ P_f是虚警概率，A＝2Ndiag²(σ)+diag(δ)，B＝2Ndiag²(σ)+diag(δ)+4E_sdiag(g)diag(σ)，其中N为采样点数，σ为链路噪声，δ为控制信道噪声，g表示信道增益，E_S为主用户发射功率；f(w)是由检测概率利用Q函数的非增性化简得到的，最大化检测概率对应于最小化f(w)；

(2)初始化粒子群优化算法的相关参数，其中包括：

(2a)随机产生P个粒子，记粒子i为x_i＝[x_i1,x_i2,…,x_iD],i＝1,2,…,P，D＝M,其中D表示个体的维数，其中粒子定义为待优化变量，x_i＝w，w是控制中心给各用户统计信息所分配的权值因子；

(2b)置迭代次数t＝0，随机生成粒子í的位置向量 $x_i^t={[x_{i1}^t,x_{i2}^t,\&CenterDot;\&CenterDot;\&CenterDot;,x_{\mathrm{iD}}^t]}^T$ 和速度向量 $v_i^t={[v_{i1}^t,v_{i2}^t,\&CenterDot;\&CenterDot;\&CenterDot;,v_{\mathrm{iD}}^t]}^T,$ 其中 $x_{\mathrm{id}}^t\&Element;\left[\mathrm{0,1}\right],$ 且1#d M,1#i P；每次迭代后，每一个粒子的位置公式为：

$\stackrel{\&OverBar;}{x_{\mathrm{id}}^t}=\frac{\left|x_{\mathrm{id}}^t\right|}{\underset{d=1}{\overset{D}{\mathrm{\&Sigma;}}}\left|x_{\mathrm{id}}^t\right|};$

(3)计算所述每个粒子的适应度值其中适应度函数定义为每个粒子所代表的权值获得的检测结果，根据适应度值，确定局部最优粒子 $p_i^t=(p_{i1}^t,p_{i2}^t,\&CenterDot;\&CenterDot;\&CenterDot;,p_{\mathrm{iD}}^t)$ 和全局最优粒子 $p_b^t=(x_{b1}^t,x_{b2}^t,\&CenterDot;\&CenterDot;\&CenterDot;,x_{\mathrm{bD}}^t),$ 其中b是适应度值最小的粒子对应的序数，对于t＝0，

(4)令t＝t+1，并按式 $v_{\mathrm{id}}^t={\mathrm{\&omega;v}}_{\mathrm{id}}^{t-1}+c_1\mathrm{\&xi;}(p_{\mathrm{id}}^{t-1}-x_{\mathrm{id}}^{t-1})+c_2\mathrm{\&eta;}(p_{\mathrm{bd}}^{t-1}-x_{\mathrm{id}}^{t-1})$ 更新速度其中c₁和c₂是正常数，ξ和η是分布在[0,1]内的随机数，ω是惯性权重，和分别对应局部最优粒子和全局最优粒子的d维元素，其中，如果 $v_{\mathrm{id}}^t>V_{\max },$ 令 $v_{\mathrm{id}}^t=V_{\max };$ 如果 $v_{\mathrm{id}}^t<-V_{\max },$ 令 $v_{\mathrm{id}}^t=-V_{\max };$

(5)按式更新位置根据步骤(2b)进行归一化；

(6)计算经过更新的每个粒子的适应度值对于粒子如果它当前的适应度值小于上次迭代中的局部最优粒子的适应度值，将其局部最优粒子置为否则其局部最优粒子保持不变如果粒子当前的适应度值小于上次迭代中全局最优粒子的适应度值，将此粒子置为全局最优粒子如果没有粒子的适应度值小于的适应度值，则令全局最优粒子保持不变

(7)判断迭代次数t是否达到最大迭代次数T_max，若达到，输出全局最优值，并根据式 $P_d=Q\left(\frac{Q^{-1}\left(P_f\right)\sqrt{w^T\mathrm{Aw}}-E_s{g}^{T}w}{\sqrt{w^T\mathrm{Bw}}}\right)$ 求出它所对应的检测概率P_d；否则，重复步骤(4)～(7)。

2.根据权利要求1所述的协作频谱感知优化方法，其特征在于，所述步骤(3)的计算公式为：

根据式fitness(x_i)＝f(x_i)，其中x_i＝w；fitness(x_i)为对应粒子的适应度值