专利名称：基于非支配解排序量子雁群算法的多目标频谱分配方法
技术领域：
本发明涉及的是一种认知无线电的频谱分配方法。
背景技术：
随着无线通信的发展，无线频谱资源的短缺成为制约无线通信持续发展的瓶颈。 美国联邦委员会的研究报告表明，当前的固定频谱分配政策使得频谱利用率极为低下，很多频段未得到充分利用，而另外一些频段则拥挤不堪。认知无线电(Cognitive radio)技术提供了一种解决无线频谱资源短缺的可能。该技术使得认知用户能够在不对授权用户和其它认知用户产生干扰的情况下，使用空闲频谱。认知用户通过感知周围的频谱环境，搜索可用频谱资源，并进行动态的频谱接入，从而提高通信系统的容量和频谱利用率，缓解了频谱资源缺乏与日益增长的无线接入需求之间的矛盾，因而成为无线通信的重要研究方向。认知无线电系统是一个智能无线通信系统，它能够感知外界环境，并利用人工智能技术从环境中学习，通过实时改变某些操作参数，来实现高度可靠通信及对频谱资源的有效利用。由于空闲频谱资源有限，认知用户之间也需要竞争使用这些资源。频谱分配，是在频谱检测完成后，空闲频谱资源在认知用户之间的分配。它作为认知无线电技术很重要的一部分，是决定能否公平而有效地分配一定数量的频谱资源，使系统性能得到改善或逼近最优状态的关键。经对现有技术文献的检索发现，Chunyi Peng等在《ACM Mobile networks and Application (sMONET)》(ACM 移动网络及应用)Q006，Vol. 11，No. 4，pp. 555-576)上发表 StJ "Utilization and fairness in spectrum assignment for opportunistic spectrum access”(在空闲频谱分配中的效益与公平)中提出了频谱分配的图论着色模型，基于该模型，提出了解决认知无线电频谱分配的敏感图论着色算法。该算法精度不够高，并且不能同时考虑最大网络效益与用户间公平性。Zhijin Siao等在《IEEE Transactions on Wireless Communications)) (IEEE (无线通信)期刊)0009，Vol. 8，No. 9，September, pp. 4421-4425)上发表白勺"Cognitive radio spectrum allocation using evolutionary algorithms”提出了应用人工智能算法(包括遗传算法，量子遗传算法和粒子群算法)解决频谱分配问题，精度虽然相对于敏感图论着色算法有提高，但依旧不能解决认知无线电频谱分配的多目标问题。认知无线电频谱多目标分配问题可以看作组合优化问题，为NP难题，很难在有限的时间内寻得最优解。
发明内容
本发明的目的在于提供一种同时考虑最大网络效益和用户间公平性的基于非支配解排序量子雁群算法的多目标频谱分配方法。本发明的目的是这样实现的本发明基于非支配解排序量子雁群算法的多目标频谱分配方法，其特征是
(1)建立认知无线电频谱分配的图论着色模型，有N个认知用户标号为1到N竞争获取M个正交频道标号为1到M的使用权；确定种群规模pop，优化问题的维数
权利要求
1.基于非支配解排序量子雁群算法的多目标频谱分配方法，其特征是(1)建立认知无线电频谱分配的图论着色模型，有N个认知用户标号为1到N竞争获取 M个正交频道标号为1到M的使用权；N M确定种群规模POP，优化问题的维数Z = Σ Σ ln,m并记录L中值为1元素对应的Πη =I m=l与m，即令L1 = {(η, m) | ln, m = 1}且使L1中的元素按照η递增m递增的方式排列，L1中的元素个数即为1 ；(2)初始化量子大雁的位置Xij(l( i ( pop, 1 < j < 1)和量子速度 Vij =1/λ/2 (1</< ρορ,Ι < y < 1)并对每个量子大雁进行适应度评价；9(3)对种群中的个体根据其适应度值进行非支配解排序和拥挤度的计算，多于最大值多目标优化问题，对于可行解11、~若&(11) ^fi (v), (i = 1,2, ，w)对所有的i都成立， 且知识有一个严格不等式成立，则成为u支配v，u为非支配解；若&(11) ^fi(V), (i = 1, 2,-,w)对所有的i都成立，且知识有一个严格不等式成立，则成为ν支配u，ν为非支配解； 否则解U、ν之间无任何支配关系；(4)对非支配解排序等级相同的个体进行拥挤度由大到小进行排序，选择非支配解排序等级为1的解加入精英解集nonDomQGSAList中；(5)采用量子雁群的演进规则对种群进行演化，产生新的量子速度和位置，对新位置求解适应度值，并将该迭代产生解和上一代的解混合，产生规模为2Xpop的解，并进行非支配解排序及拥挤度的计算，将产生的非支配解排序等级为1的解加入精英解集 nonDomQGSAList中，非支配解排序等级不为1的解加入到nextQGSAListRest中；(6)如果精英解集nonDomQGSAList的个体数大于ElitePop，则对nonDomQGSAList中的解进行非支配解排序和拥挤度计算，并对非支配解排序等级相同的解进行拥挤度由大到小进行排序，从中选择前ElitePop个解作为精英解集；(7)如果nonDomQGSAList中的解目大于等于pop，则选取前pop个解作为量子大雁的位置参与下一代演化，否则对nextQGSAListRest中的解进行非支配解排序和拥挤度计算、排序，选择非支配解排序等级为1的解作为量子大雁的位置参与下一代进行演化，更新nextQGSAListRest，即选择非支配解排序等级不为1的解，如果下一代的数目依旧小于 pop,重复上述过程直至下一代的量子大雁的位置数目等于pop ；(8)如果达到最大迭化代数，算法终止；否则返回步骤(5)继续进行；(9)将得到的精英解集nonDomQGSAList中的解进行非支配解排序，选择非支配解等级为1的解作为最终的pareto前端解集。
2.根据权利要求1所述的基于非支配解排序量子雁群算法的多目标频谱分配方法，其特征是所述的认知无线电的频谱分配模型包括可用频谱矩阵、效益矩阵、干扰矩阵和无干扰分配矩阵；可用频谱矩阵L= {ln,Jln,ffle {0，1}}NXM是一个N行M列的矩阵，代表了频谱的可用性，认知用户η通过检测邻居授权用户信号的判断邻居授权用户当前是否占有频段m决定频段是否可用，认知用户使用频段m不会对任何授权用户造成干扰，则该频段对于认知用户η可用，则ln,m = 1，否则，认知用户η不可以使用频段m，ln,m = 0 ；效益矩阵B = {bn,JNXM是N行M列的矩阵代表了认知用户η使用频道m所能得到的效益，效益可以用频谱利用率，最大流量，吞吐量来描述，不同的认知用户采用的发射功率以及调制方式等不同，使得不同的认知用户使用同一频道会得到不同的效益，如果ln,m = 0， 则 bn,m = 0;干扰矩阵C= {cn,k,Jcn,k,ffle {0，1}}NXNXM是一个NXNXM的三维矩阵，描述认知用户 η和k使用频道m的干扰情况，如果cn,k,m = 1，则认知用户η和k在同时使用频道m时会产生干扰，干扰矩阵和可用频谱矩阵也有制约关系，即cn,k,m ( ln,mX lk,m，当η = k时，cn,k,ffl = l_ln,m，仅由可用频谱矩阵L决定；无干扰分配矩阵A= {an,Jan,ffle {0，1}}NXM是N行M列的矩阵，描述了一种可行的频谱分配方案如果将频道m分配给认知用户n，则= 1，无干扰分配矩阵必须满足干扰约束条件
3.根据权利要求2所述的基于非支配解排序量子雁群算法的多目标频谱分配方法，其特征是所述的对每个量子大雁进行适应度评价的过程如下无干扰分配矩阵为Α，初始化为知』=0，将\的第j位映射为iin,m，其中(n， m)为L1中的第j(l彡j彡1)个元素，对所有的m(l彡m彡Μ)，寻找满足cn, k, m = 1 的所有的η和k，检查A中的第η行第m列的元素和第k行第m列的元素值是否都为1，若是1，随机将一位变为0，另一位保证不变，根据无干扰分配矩阵计算网络效 益，分别为最大网络效益
4.根据权利要求3所述的基于非支配解排序量子雁群算法的多目标频谱分配方法，其特征是所述的非支配解排序的过程如下对种群中每个个体P，计算支配个体P的个体的数目np以及个体P所支配的个体的集合\，如果np = 0，这意味着没有个体支配p，则说明个体ρ的非支配排序等级为1，对于每个np = 0的个体p，遍历&中的每个个体q，并且η, = η,-l，若η, = 0，则将个体q放在集合Q中，这些个体的非支配解等级为2，这个过程对Q中的每个个体重复，得到非支配解排序等级为3的个体集合，重复此过程直至得到所有的非支配等级。
5.根据权利要求4所述的基于非支配解排序量子雁群算法的多目标频谱分配方法，其特征是所述的拥挤度计算的过程是对非支配等级相同个体进行的，过程如下对每个非支配等级，根据目标函数值由小到大进行排序，目标函数值最大和最小的个体的拥挤度值为⑴，其它的个体的拥挤度为相邻两个个体的拥挤度的差除以最大目标函数和最小目标函数的差值，即进行归一化处理，对所有的目标函数都进行上述计算，最终的拥挤度值就是所有目标函数计算出的拥挤度的总和。
全文摘要
本发明的目的在于提供基于非支配解排序量子雁群算法的多目标频谱分配方法，包括以下步骤建立认知无线电频谱分配的图论着色模型，初始化量子大雁的位置和量子速度，对种群中的个体根据其适应度值进行非支配解排序和拥挤度的计算，对非支配解排序等级相同的个体进行拥挤度由大到小进行排序，采用量子雁群的演进规则对种群进行演化，产生新的量子速度和位置，将得到的精英解集nonDomQGSAList中的解进行非支配解排序，选择非支配解等级为1的解作为最终的pareto前端解集。本发明解决了离散多目标优化问题，并设计新颖的非支配解排序的量子雁群算法作为演进策略，具有收敛速度快，收敛精度高的优点，且本发明的适用性更广。
文档编号H04W16/10GK102316464SQ201110278099
公开日2012年1月11日 申请日期2011年9月19日 优先权日2011年9月19日
发明者刁鸣, 曹金龙, 赵宇宁, 高洪元 申请人:哈尔滨工程大学