一种认知异构网络的动态频谱分配方法
【专利摘要】本发明涉及一种认知异构网络的动态频谱分配方法，设置从量子和声集合中进行选择的概率HMCR，对基于量子和声的动态频谱方法进行初始化；对每个量子和声的量子音调进行测量得到和声库x和和声记忆库H，对每个和声进行适应度计算，对应的适应度值分别保存在Fit和Fit1中；若rand＜HMCR，则继承上一代量子和声的量子音调，启动量子旋转门产生新解；若rand＞HMCR，则随机生成一个Tent伪混沌序列，产生新的量子和声；依次对每个量子和声的量子音调进行测量得到其对应的和声，并进行适应度计算，替换Fit1中的对应适应度值；循环迭代输出和声记忆库H中的全局最优和声，全局最优和声映射得到的频谱分配矩阵A即为该认知异构网络的最优频谱分配方案。
【专利说明】一种认知异构网络的动态频谱分配方法
【技术领域】
[0001]本发明涉及一种认知异构网络的动态频谱分配方法。
【背景技术】
[0002]现有无线通信网络由多种基于不同无线接入技术(RAT, rad1 accesstechnology)的无线接入网(RAN,rad1 access network)共存构成,这些接入网虽然提供相似业务，但因分别独立工作，不能保证用户业务总是获得最佳服务质量，为此不同接入网通过融合而增加覆盖和提高服务质量，异构无线网络成为发展趋势；另外，目前固定分配频谱资源考虑的是RAN的峰值业务，忽略了业务分布的时间区域差异，导致频谱使用效率较低，异构无线网络可充分利用网络的异构性动态管理资源进而提高使用效率，同时认知技术使网络具有认知重构功能，可根据无线通信环境灵活改变发射参数，在不同频段上发送和接收信息，为认知异构网络动态管理资源提供了可能。
[0003]经对现有技术文献的检索发现，石华等在《通信学报》(2012，Vol.33,N0.7)上发表的“认知异构网络中基于克隆选择算法的动态频谱分配”，提出了基于克隆选择算法的动态频谱分配，并与贪婪算法进行了对比，但克隆选择算法的收敛精度并不高，并且其只考虑了网络效益作为适应度函数的情况，适用范围不广。赵楠等在《计算机集成制造系统》(2012，Vol.18，N0.7)上发表的“云制造环境中面向设计知识资源序列化组合的量子和声搜索算法”，提出了一种量子和声搜索算法，但这篇文章中提出的算法实现起来比较复杂，并没有引入和声记忆库来指导演化，而且量子旋转角的更新仍然采用传统的方式，得到的效果并不理想。
[0004]随着认知技术在网络中的应用，接入网基站具有认知重构功能，可以根据接入网的业务分布而被动态分配频谱资源，此时认知异构无线网络中的接入网类型不同，其需求的信道频谱资源粒度随之也存在差异。IEEE1900.4标准给出了异构无线网络系统模型(如图2所示)。因各种无线通信网络基本成熟布置，所以多种网络通过共享核心网而组成认知异构无线网络，便于动态管理无线资源，而不改变各网络原有的无线通信技术。核心网和接入网分别增加了模块实体:网络重构管理(NRM, Network Reconfigurat1n Manager)模块、接入网网络重构管理(RNRM, RAN Network Reconfigurat1n Manger)模块、无线接入网感知(RMC,RAN Measurement Collector)模块和接入网重构控制(RRC,RAN Reconfigurat1nController)模块，其中，RMC模块感知网络信息并提交给RNRM，RNRM模块与NRM进行信息和决策交互，帮助NRM管理不同类型网络的接入网，NRM模块实现动态资源分配，通过与RNRM交互通知分配结果，RRC模块根据RNRM的重构请求实现接入网重新配置。异构无线网络参数调整需要根据感知到的当前信道条件、用户需求和制度限定等信息，对多个不同的网络进行优化，给出一系列符合多条件限制的最佳参数配置方案，从而优化系统性能。而认知异构无线网络频谱资源动态分配问题为有约束非线性0-1整数规划建模问题，而用现有非多约束动态频谱分配方法进行分配的结果并不理想。
【发明内容】
[0005]本发明目的在于提供一种认知异构网络的动态频谱分配方法，有效解决认知异构网络中的离散多约束频谱分配参数优化问题，达到认知异构网络动态频谱分配的最优效果O
[0006]实现本发明目的技术方案:
[0007]步骤1:感知当前可用频谱资源F，接入网随机提出频谱需求，设置信道频谱粒度，设置从量子和声集合中进行选择的概率HMCR，对基于量子和声的动态频谱方法进行初始化；
[0008]待分配的频谱资源宽度为F，K种异构无线网络相应接入技术对信道带宽的规定分别为BiQ = 1,2,…，K)，则频谱资源被划分为多粒度重叠信道，对应每种网络的信道数满=^，信道总数为M =，每个信道用一个整数m(l彡m彡Μ)进行编号；将带宽相同的信道组成的集合(Φ1; Φ2，…，Φκ)叫作信道集合，其中O1 = (1,2,…，M1),
?χ+1，?χ+2，...，?χ，(,+=2，3，...，[);
U=iy=iy=i J
[0009]用0?= Oi表示RAN(n，k)可能得到的最大信道数，RAN(n，k)表示第η个接入网，并且其属于第k种异构网络，第η个接入网用长度为Dn的和声片段表示RAN(n，k)得到的相应信道编号，则每个量子和声的音调编码总长度为G = ，量子和声集合中第i个量
M=I
子和声包含Q位量子音调，则其量子和声的量子音调编码形式为'=?，其
_P n Pn …H1 _
中I aij|2+| hj2 = 1，I Qij12描述量子音调Vij = [Qij, Ut出现“O”状态概率，I U描述量子音调Vij出现“I”状态概率，i = 1，2，…，P，j = l，2，…，Q;把i = l，2，…，P
的所有量子和声的量子音调中的0"初始化为1/λ/?，Ρ为量子和声集合所包含量子和声数；
[0010]步骤2:对每个量子和声的量子音调进行测量得到和声库X和和声记忆库H，对每个和声进行适应度计算，对应的适应度值保存在向量Fit和Fitl中，其中Fit与和声库X相对应，Fitl与记忆库H相对应，最后利用适应度向量Fitl中适应度值的大小对和声记忆库H中的和声和向量Fitl中适应度值进行降序排序；
[0011]步骤3:若rand < HMCR, rand e (O, I)是满足均匀分布的随机数，则在对第i个量子和声进行更新时，继承第t代第i个量子和声的量子音调来进行第t+Ι次更新，更新时启动量子旋转门产生新解；若rand > HMCR, rand e (O, I)是满足均匀分布的随机数，则随机生成一个Tent伪混沌序列，用它构造量子声调代替第i个量子和声的量子声调来进行第t+Ι次迭代；
[0012]步骤4:依次对每个量子和声的量子音调进行测量得到其对应的和声，并进行适应度计算，评价其优劣，替换Fitl中的对应适应度值；重新计算全局最优和声，并依据适应度向量Fitl对和声记忆库H的和声及向量Fitl中适应度值进行降序排序，用和声记忆库H中的和声音调来指导量子和声集合进行演进；
[0013]步骤5:如果演进没有终止，演进由预先设定的最大迭代次数决定，设t = t+Ι，返回步骤3 ;否则，迭代终止，输出和声记忆库H中的全局最优和声，全局最优和声映射得到的频谱分配矩阵A即为该认知异构网络的最优频谱分配方案。
[0014]步骤2中，测量公式为Xy.，其中= JlijG (0,1)是满足均匀分布的随机数，(a u)2描述量子音调Vu出现“O”状态概率；量子和声集合对应的测量态即为和声集合，和声集合中第i个和声为Xi = [Χη，Χ?2，…，Xw]，P个初始和声构成和声库X = [X1,X2,…，χρ]τ的初始状态，以及和声记忆库H = [H1,H2,…，ΗΡ]Τ的初始状态，和声记忆库中存储着迄今为止找到的P个最优解，其中和声记忆库中第i个和声为Hi = [Hil, Hi2,…，Hie]，I ^ i ^ P ；
[0015]认知异构网络频谱分配参数优化方法遵循多约束0-1整数规划，由优化过程确定系统参数；系统参数通过简单编码规则与和声库中数据一一对应；
[0016]Xi = (Xil, Xi2,…，XiN)为有N个接入网的认知异构网络系统参数，是由取值{0，1}的二进制数构成的Q维解向量，Xin为第i个和声的第η个接入网的系统参数，N为接入网总数。
[0017]步骤2中，根据不同的网络要求，适应度函数可在如下9个函数中选取:
[0018](I)网络效益(R，revenue): R{A) = sum(r x = J^J^rnmanm ;式中 A 为第 i 个量子
w=l n=\
和声对应的音调Xi映射成的频谱分配矩阵，r为频谱效益矩阵；
I N e
[0019](2)RAN 频谱需求满足率(RS，RAN satisfactory) =; en 为第 η 个接
^ n=\ c^n
入网最终分配得到的频谱数，dn为第η个接入网实际提出的频谱需求，N为接入网总数；
N
[0020](3)频谱使用效率(SU，spectrum utilizat1n):SU = ^^ηχ Bj，即接入网实际
/7 二 I
利用的频谱带宽；en为第η个接入网(假设其属于第i种异构网络)最终分配得到的频谱数，Bi表示为第i种异构网络的信道粒度，N为接入网总数；
Cr/
[0021](4)频谱占用(SO, spectrum occupat1n):= ，表示频谱资源的实际利用
F
比率；SU为频谱使用效率，F为当前网络总共可以使用的频谱资源；
[0022](5) f = R(A).RS.SU.SO ;
[R(A) if RS>S?,SU>S?SO>S.刚⑶else;
[則(靜RiA^SU^SO^^
[P2^ else
\ SU if R(A)>d,RS>S7,SO>S4
[0025]⑶凡=w /4;
[P3SU else
[SO if R(A)>S, ,RS>S?,SU>S,
[0026](9) fit, =；2 3;
yp4SU else
[0027]式中Anxm = (aJNXMS Xi映射成的频谱分配矩阵，r为频谱效益矩阵。S1,δ2，δ3，δ4分别为对网络效益R、频谱需求满足率RS、频谱使用效率SU和频谱占用SO所做的约束，P1, P2, P3, P4 < I为当前分配方案不满足约束时的惩罚因子；A 需要满足的约束条件有:IBinl, n2) X ICiml, m2) X (Cirm xa^ +a^ χα?2?ηι) = 0
M
Wnl^ml7Jn2 ，=0 /n,m ，<min(^,Mi) Vn， 其中，
w=l
\\m ￠: Φ.1_Φ.=1_? I n, n1； n2 ^ N, I 5? m, m1； m2 ^ M, IB 为接入网干扰矩阵，IC 为信道
1 [U, m e Φ.干扰矩阵，dn为第η个接入网的频谱需求，Mi为第i中异构网络总的可用信道数量；接
Γ/ I I I
aN1N ^ aN ，: ? NNr
入网干扰矩阵/B= h:NlJNti，Γ，ΙνΝε ，其中，子块矩阵=(L2)ivvi2表示接入网
I 1...1
_1 NkN1，1 NkN2 , ? ± NkNk _
RANu1' =1,2,(即第I1种异构网络的第J1个接入网)与—ΜU = I，2，...，')之间的干扰，A172 =1表示ranU与1^^同时使用重叠或同一信道时会相互干扰，而表示互不干扰；当I1 = i2时，Ay2根据接入技术规定的频率复用系数确定，且当j'l = J2时，5HH =1，表示RAN与其自身存在干扰,不能被分配重叠或同一信道；当ii幸i2时，若RANw与RAN&之间距离小于其覆盖半径之和，则认为相互干扰，δ认=I，否则^jJ2 = O。信道干扰矩阵7Cmxm = (^niltnJ μ km，当Hi1古m2时，若信道叫与信道m2有重叠部分，则士im2 =1，表示接入网使用信道Hl1会对信道Hl2的信号造成干扰，否则=G;同理，当Hl1=Hl2时，=1 ; fit” fit2、fit3和flt4是有约束适应度函数；f是使4个目标乘积达到最大的适应度函数。
[0028]步骤3中，量子旋转角更新公式如下:
[0029]= C1 (χ；.-Xtlj)+ C^Htmj -Xttj)+ C^Htnj —4.)其中，I < i < P，I < j < Q ；xgJ 为全局最优和声的第j个音调，XU为第i个量子和声的第j个量子音调对应的音调。m e [1,Ρ/2]为从排序后的H中的前一半和声中随机选一个和声标号，n e (p/2,P]为从排序后的H中的后一半和声中随机选一个和声标号，上标t和t+Ι代表迭代次数；g+1为量子旋转角；常数C1, C2, C3分别表不所有和声中的全局最优和声以及和声记忆库中前一半较优和声以及后一
cos 武,— sin θ.,
半较差和声对量子和声集合演化的影响程度；量子旋转门定义为?/(<)=.J J，
sin 0 7 ,cos0 7
_VV _
^?ν；；.,若 g+1 =O且<+1 <c ,
量子比特用量子旋转门进行更新，vf = u \ttJ, ?λ廿二 ，<为[0，1]之间均勻
卜bs(i/(《+1)v;.),其他分布的随机数，abs()表示对其取绝对值，I ^ i ^ P, I ^ j ^ Q ；c是为在旋转角为O的量子音调的变异概率，取值为[0，1/Q]间的一个常数；t+Ι和t代表循环次数即迭代次数，
N= °γ ^为量子非门。
[0030]本发明具有的有益效果:
[0031]本发明考虑到认知异构网络中需要同时考虑不同接入网的频谱需求、多粒度重叠信道划分、可用频谱资源宽度等多约束频谱分配要求，设计了一种新的认知异构网络中基于量子和声的动态频谱分配方法。认知异构无线网络可以根据各个小区提出的频谱需求、可用频谱资源和不同的信道粒度，通过基于量子和声的动态频谱分配方法从和声记忆库中选择适应度最优的和声，该和声映射得到的频谱分配矩阵A即为该认知异构网络的最优频谱分配方案。
[0032]与现有技术相比，本发明充分考虑了认知异构网络在完成频谱分配的过程中需同时考虑到多粒度重叠信道、不同接入网的频谱需求和可用频谱资源宽度多约束条件下达到最优的难题，具有以下优点:
[0033](I)本发明解决了认知异构网络中的离散多约束频谱分配参数优化问题，并设计了基于网络效益、频谱需求满足率、频谱使用效率和频谱占用等优化目标的量子和声搜索方法作为求解策略，所设计的方法具有收敛精度高的优点。
[0034](2)相对于现有的频谱分配参数优化方法，本发明可以同时解决多粒度重叠信道优化和满足不同异构接入网频谱需求的多约束离散优化，并且可以根据不同的网络要求选择相应的适应度函数，说明本方法的适用性更广。
[0035](3)仿真结果表明，本发明所提出的频谱分配参数优化方法可得到比基于量子遗传算法(QGA)的频谱分配技术更优秀的性能，说明了本发明方法的有效性。
[0036](4)从仿真图12中可以看出不仅有约束基于量子和声的动态频谱分配方法的频谱需求满足率RS高于未加约束基于量子和声的动态频谱分配方法，而且基于量子和声的动态频谱分配方法均高于有约束和未加约束基于量子遗传的动态频谱分配方法，从而充分说明了所提出动态频谱分配方法的有效性。
【专利附图】
【附图说明】
[0037]图1是本发明基于量子和声机制的认知异构网络中参数优化流程图；
[0038]图2是认知异构网络动态资源管理系统模型示意图；
[0039]图3是多粒度重叠信道划分示意图；
[0040]图4是网络效益R与可用频谱宽度F的关系；
[0041]图5是频谱需求满足率RS与可用频谱宽度F的关系图；
[0042]图6是频谱使用效率SU与可用频谱宽度F的关系图；
[0043]图7是频谱占用SO与可用频谱宽度F的关系图；
[0044]图8是网络效益R与可用频谱宽度F的关系图；
[0045]图9是频谱需求满足率RS与可用频谱宽度F的关系图；
[0046]图10是频谱使用效率SU与可用频谱宽度F的关系图；
[0047]图11是频谱占用SO与可用频谱宽度F的关系图；
[0048]图12是频谱需求满足率RS与可用频谱宽度F的关系的仿真结果对比图。
【具体实施方式】
[0049]如图1所示，本发明认知异构网络的动态频谱分配方法包括以下步骤:
[0050]步骤1:感知当前可用频谱资源F，接入网随机提出频谱需求，设置信道频谱粒度，设置从量子和声集合中进行选择的概率HMCR，对基于量子和声的动态频谱方法进行初始化；
[0051]待分配的频谱资源宽度为F，K种异构无线网络相应接入技术对信道带宽的规定分别为BiQ = 1,2,…，K)，则频谱资源被划分为多粒度重叠信道，对应每种网络的信道数为|，信道总数为M = ^M.，每个信道用一个整数m(l彡m彡M)进行编号；将 B^ 1
_ Z」Z=I
带宽相同的信道组成的集合(Φ1; Φ2，…，Φκ)叫作信道集合，其中O1 = (1,2,…，M1),
φ ? =\+2,...3^Μ_ν 丨，(i = 2，3，-、K)；
U=iy=1y=1 J
[0052]对于K种异构无线网络，假定提出频谱需求小区数分别有N1,N2,…，Nk个，则接入网总数为# = ? M。各个接入网的频谱需求dn随机产生，I彡η彡N ;第i个接入网使用第
Jc=I
j个信道的频谱资源效益也随机生成，其中I彡i彡N，I彡j彡M。
[0053]用0?= Oi表示RAN(n，k)可能得到的最大信道数，RAN(n，k)表示第η个接入网，并且其属于第k种异构网络，第η个接入网用长度为Dn的和声片段表示RAN(n，k)得到的相应信道编号，则每个量子和声的音调编码总长度为G = ，量子和声集合中第i个量子和
M=I
声包含Q位量子音调，则其量子音调编码形式为'=[7 H ]，其中，IauI2MiiijI2
_P n Pi2 …H1」
=1，I 2描述量子音调Vu= [Qij, i3u]T出现“O”状态概率，I β U2描述量子音调ViJ出现“I”状态概率，i = 1，2，…，P，j = l，2，...，0;把1 = 1，2，…，P的所有量子和声的量子音调中的a 和β 初始化为1/Τ?，P为量子和声集合所包含量子和声数；
[0054]步骤2:对每个量子和声的量子音调进行测量得到和声库X和和声记忆库H，对每个和声进行适应度计算，对应的适应度值保存在适应度向量Fit和Fitl中，其中Fit与和声库X相对应，Fitl与记忆库H相对应，最后利用适应度向量Fitl中适应度的大小对和声记忆库H中的和声及向量Fitl中适应度值进行降序排序；
[0055]步骤2中，测量公式为~ =?; > ，其中:Ilij e (0,1)是满足均匀分布的随机数，(a u)2描述量子音调Vu出现“O”状态概率；量子和声集合对应的测量态即为和声集合，和声集合中第i个和声为Xi = [Χη，Χ?2，…，Xw]，P个初始和声构成和声库X = [X1,X2,…，χρ]τ的初始状态，以及和声记忆库H = [H1,H2,…，ΗΡ]Τ的初始状态，和声记忆库中存储着迄今为止找到的P个最优解，其中和声记忆库中第i个和声为Hi = [Hil, Hi2,…，Hie]，I ^ i ^ P ；
[0056]认知异构网络频谱分配参数优化方法遵循多约束0-1整数规划，由优化过程确定系统参数；系统参数通过简单编码规则与和声库中数据一一对应；
[0057]Xi = (Xil, Xi2,…，XiN)为有N个接入网的认知异构网络系统参数，是由取值{0，1}的二进制数构成的Q维解向量，Xin为第i个和声的第η个接入网的系统参数，N为接入网总数。
[0058]根据不同的网络要求，适应度函数可在如下9个函数中选取:
[0059](I)网络效益(R，revenue): R{A) = sum(r x = J^J^rnmanm ;式中 A 为第 i 个量子
w=l n=\
和声对应的音调Xi映射成的频谱分配矩阵，r为频谱效益矩阵；
I N e
[0060](2)RAN 频谱需求满足率(RS，RAN satisfactory) =; en 为第 η 个接
^ n=\ c^n
入网最终分配得到的频谱数，dn为第η个接入网实际提出的频谱需求，N为接入网总数；
N
[0061](3)频谱使用效率(SU，spectrum utilizat1n):SU = ^^ηχ Bj，即接入网实际
η=\
利用的频谱带宽；en为第η个接入网(假设其属于第i种异构网络)最终分配得到的频谱数，Bi表示为第i种异构网络的信道粒度，N为接入网总数；
Cr/
[0062](4)频谱占用(SO, spectrum occupat1n):= ，表示频谱资源的实际利用
F
比率；SU为频谱使用效率，F为当前网络总共可以使用的频谱资源；
[0063](5) f = R(A).RS.SU.SO ;
\R(A) if RS>S?,SU>S?SO>S._] (6)else;
[0065]⑵'
[P2RSelse
(SU ifR(A)>d, ,RS>S?,SO>S.
[0066]⑶凡=,%
[P3SUelse
(SO ifR(A)>d, ,RS>S?,SU>S,
[0067](9)风=w ,%
yp4SU else
[0068]式中Anxm= (aJNXMS Xi映射成的频谱分配矩阵，r为频谱效益矩阵。S1,δ2，δ3，δ4分别为对网络效益R、频谱需求满足率RS、频谱使用效率SU和频谱占用SO所做的约束，P1, P2, P3, P4 < I为当前分配方案不满足约束时的惩罚因子；A 需要满足的约束条件有:IB(Ji1A2)X(α?Λ x--2?2 χ--λ) = 0
M
^fnl,m2 ，QnmXlm^i =0 Mnjn ，Υ^αηη< Vm^dnMi) Vw , 其中，
w=l
[\m ￠: Φ.1m,φ.= Α &，I < η，η1? η2 < Ν，1 < m，Hi1, m2 < Μ，IB 为接入网干扰矩阵，IC 为信道
1 [O,m G Φ.干扰矩阵，dn为第η个接入网的频谱需求，Mi为第i中异构网络总的可用信道数量；接
Γ/ I I I
丄N1N ?量N ，2Nr
入网干扰矩阵/B= h:NlJN“'lNNR ，其中，子块矩阵=(^2)λ^2表示接入网
I 1...1
_1 NkN1，1 NkN2 , ? ± NkNk _
RANv1' =1,2,-,7V；1)(即第 Mt异构网络的第 1个接入网)与RANi2i2Cz2 =1，2，...，')之间的干扰，5认=1表示-^与―沾同时使用重叠或同一信道时会相互干扰，而5从=°表示互不干扰；当I1 = 时，\;2根据接入技术规定的频率复用系数确定，且当ji = ^时，5认=1，友示RAN与其自身存在干扰，不能被分配重叠或同一信道；当I1 Φ i2时，若RANvi与RAN^2之间距离小于其覆盖半径之和，则认为相互干扰，δ]']2 =1，否则A72 =0。信道干扰矩阵7cVxM =(Avh2)M*，当HI1^m2时，若信道HI1与信道HI2有重叠部分，则=1，表示接入网使用信道Hl1会对信道Hl2的信号造成干扰，否则= O ；同理，当Hl1 = Hi2时，amimi =1 ;fitp fit2、fit3和fit4是有约束适应度函数；f是使4个目标乘积达到最大的适应度函数。
[0069]对每个和声进行适应度计算,对应的适应度值保存在Fit (与和声库X相对应)和Fitl (与记忆库H相对应)中。所计算出的适应度函数最大值对应的和声为全局最优和声，
最优量子和声记作< =I，对应的全局最优和声为最后利用适应度向量Fitl中的适应度值大小对和声记忆库H中的和声及向量Fitl中适应度值进行降序排序。
[0070]步骤3:若rand < HMCR, rand e (O, I)是满足均匀分布的随机数，则在对第i个量子和声进行更新时，继承第t代第i个量子和声的量子音调来进行t+Ι次更新，更新时启动量子旋转门产生新解；若rand > HMCR, rand e (O, I)是满足均匀分布的随机数，则随机生成一个Tent伪混沌序列，用它构造量子声调代替第i个量子和声的量子声调来进行t+1次迭代；
[0071]量子旋转角更新公式如下:
[0072]^1=C1Cx;.-Xt^)+ C^Htmj -0抓—4)其中，I ^ i ^ P, I ^ j ^ Q ;xgJ 为全局最优和声的第j个音调，xu为第i个量子和声的第j个量子音调对应的音调。m e [1,Ρ/2为从排序后的H中的前一半和声中随机选一个和声标号，n e (P/2, P]为从排序后的H中的后一半和声中随机选一个和声标号，上标t和t+Ι代表迭代次数；g+1为量子旋转角；常数C1, C2, C3分别表不所有和声中的全局最优和声以及和声记忆库中前一半较优和声以及后一
cos 化,— sin Otu
半较差和声对量子和声集合演化的影响程度；量子旋转门定义为U($)=.J J，
sin O'cosO,
_1J1J _
々V；；.,若 g+1 =Q 且 <+1 <e ,
量子比特用量子旋转门进行更新，<=,\,、廿二 ，<为[0，1]之间均勻
卜bs(i/(Ov;.),其他分布的随机数，abs()表示对其取绝对值，I ^ i ^ P, I ^ j ^ Q ；c是为在旋转角为O的量子音调的变异概率，取值为[0，1/Q]间的一个常数；t+1和t代表循环次数即迭代次数，
N= ° lQ为量子非门。
[0073]若rand > HMCR, rand e (0，I)是满足均匀分布的随机数，则随机生成一个Tent伪混沌序列，用它构造量子声调代替第i个量子和声的量子声调来完成t+1次迭代的更新。Tent映射关系和量子音调的生成如以下公式所示:=ra?4，
Pa1 = ^1-?+1)2 ’ ακ]+\) = 1 -2K+1 _ 0.5|，βΤι+i) = V1 -(d))2，K J.< Q，^andi 代表(O，
I)之间的均匀随机数。
[0074]步骤4:依次对每个量子和声的量子音调进行测量得到其对应的和声，并进行适应度计算，评价其优劣(最优适应度值为根据适应度函数所计算出的最大值)。
[0075]若该量子和声是以HMCR概率从第t代继承的，则经过量子旋转门更新以后，更新该量子和声对应的量子音调、和声集合X中对应的和声以及Fit中的对应适应度值，同时与和声记忆库H中的最差和声进行比较，若其适应度优于和声记忆库H中的最差和声，则用测量得到的和声对其进行替换，并替换Fitl中的对应适应度值。
[0076]若该量子和声是以1-HMCR的概率随机产生的,贝U只与和声记忆库H中的最差和声进行比较，若其适应度优于和声记忆库H中的最差和声，则用测量得到的和声对其进行替换，并替换Fitl中的对应适应度值。
[0077]量子和声集合中的P个量子和声全都更新过之后，重新计算全局最优和声，并依据适应度向量Fitl对H中的和声及向量Fitl中适应度值进行降序排序，用和声记忆库H中的和声音调来指导量子和声集合进行演进。
[0078]步骤5:如果演进没有终止(由预先设定的最大迭代次数决定)，设t = t+Ι，返回步骤3 ;否则，迭代终止，输出全局最优和声。通过以上迭代搜索，得到的和声记忆库H中的全局最优和声映射得到的频谱分配矩阵A即为该认知异构网络的最优频谱分配方案。
[0079]以IEEE1900.4标准给出的认知异构无线网络系统模型(如图2)为例，给出本发明基于量子和声的频谱资源动态分配方法(QHS-SA, Quantum Harmony Search-SpectrumAllocat1n)的实现流程。
[0080]设K种异构无线网络参与频谱资源分配，分别由RNRMi (i = 1，2，...，K)管理;第i种网络提出频谱需求的接入网个数为Ni,分别用RANijQ = 1,2,…，K ；j = 1，2，…，Ni)表示；RANij中的RMC模块感知接入网网络信息，感知当前信道可用频谱资源F，预测业务请求，提出频谱需求dn ( ? = +J )和估计每个信道的频谱资源效益
rnm(n = Y,Nk+j , l^nd)，将信息(dn，rj (此时dn表示第n个接入网频谱需求，并且其属于第i个异构网络的第j个接入网，I?表示第η个接入网使用m信道的效益)通过与RNRMi的信息交互接口发送至RNRMitl
[0081]RNRMi (i = 1，2，…，K)收集其管理的所有RAN的频谱需求信息，并将此信息(RANU，dn，rj通过与NRM的信息交互接口提供给NRM。
[0082]NRM根据收到的信息得到接入网集合、频谱需求集合和频谱资源效益集合，计算接入网干扰矩阵；将频谱资源多粒度信道划分，得到信道集合，计算信道干扰矩阵；再利用基于本发明量子和声搜索的动态频谱分配方法求解频谱资源最优分配矩阵A%即完成动态频谱分配。
[0083]NRM将最优分配矩阵k*进行分块，如下式所示。
^N1M1，O ,…，O
OA...0.*I Ν-,Μ-, 5 3
[0084]Anxm =
O,O,.■., _
[0085]通过与RNRMi的决策交互接口，将即频谱资源分配结果通知RNRMi (i = 1，2，…，K)。
[0086]RANij (i = 1,2,…，K ；j = 1,2,…，Ni)中的RRC模块根据频谱分配结果实现接入网重构，即通过软件自适应地修改接入网网络参数；同时开始计时，当周期T结束时，转到流程开始处继续执行上述过程。
[0087]结合仿真实验进一步说明本发明的有益效果。仿真基于认知异构网络系统。采用GSM、CDMA2000和WCDMA三种网络。提出频谱需求的GSM小区有5个，CDMA2000小区有4个，WCDMA小区有6个，其频谱需求分别服从[0,100], [0，16]和[0,4]的均匀分布，频谱资源效益分别服从[0.2，2]、[1.25，12.5]和[5，50]的均匀分布，所有小区均匀分布在100X100的区域内，所有小区的覆盖半径均为10，信道粒度分别为0.5MHzUMHz和2MHz。产生频谱需求的小区固定不变，改变待分配的频谱资源宽度(F)从1MHz递增到30MHz，并且与量子遗传算法(QGA)比较，观察所设计动态频谱分配方法性能。使用的适应度函数为:
R(A) = sum(r x= ^Σrnanm ;式中A为第i个量子和声对应的和声Xi映射成的频谱分配
w=l n=\
矩阵，r为频谱效益矩阵。
[0088]量子和声搜索(QHS)方法的量子和声集合规模P = 20,每个量子和声的长度由初始化时通过计算得到，终止迭代次数为800, C1 = 0.01, C2 = 0.06, C3 = 0.01, c = 0.001/Q, HMCR = 1-0.ΟΙ/Qo 使用基于量子遗传算法(QGA, Quantum Genetic Algorithm)的动态频谱分配方法进行比较，量子遗传算法的种群规模设置为P = 20，迭代次数为800，其它参数同赵知劲等发表在《物理学报》的“基于量子遗传算法的认知无线电频谱分配”中的参数相一致。
[0089]仿真结果如图4、5、6和7所示。
\R(A) if RS > S2 (/), SU > δ, (/), SO > S4 (/)
[0090]以允=\ΛΛ ,4、；(灿),S3(Z)A(Z)为在第i个频
[P1R(A) else
率时的约束，i = 1,2,3,4,5)为目标函数，δ 2 = [ δ 2(1)，δ 2⑵，δ 2⑶，δ 2(4), δ 2(5)]=[0.7,0.78,0.83,0.85,0.88], δ 3 = [ δ 3(1), δ 3(2), δ 3(3), δ 3(4), δ 3(5)] = [48,62，68，79，91]，δ4 = [δ4⑴，δ4⑵，δ4(3)，δ4⑷，δ4(5)] = [4.8,4.1,3.4,3.1,3]中的五个值分别对应在10、15、20、25和30MHz五个频率时的约束，P1 = 0.9，其中δ 2中的值比未加约束基于量子和声的动态频谱分配方法所得到的RS值稍大，而δ3, δ4的值比未加约束基于量子遗传的动态频谱分配方法所得到的SU和SO的值还要小，故在分析结果时，只在图12中和未加约束时的方法对比了关于RS的性能，其他参数与上面的仿真参数相同。
[0091]仿真结果如图8、9、10、11和12所示:
\R(A) if RS > S2 (/), SU > δ, (/), SO > S4 (/)
[0092]其中图12是以有约束的两='',3V4W，
[P1R(A) else
(δ2α)，δ3α)，δ4(?)为在第i个频率时的期望目标，为约束条件)为量子和声集合目标函数,与以网络效益用= sum(r x^) = YjYjTnmQnm为目标函数时频谱需求满足率RS与可
w=l n=\
用频谱宽度F的关系的仿真结果对比。
[0093]上述仿真结果表明，本发明所提出的频谱分配方法可得到比基于量子遗传算法(QGA)的频谱分配技术更优秀的性能，说明了本发明方法的有效性。从仿真图12中可以看出不仅有约束基于量子和声的动态频谱分配方法的频谱需求满足率RS高于未加约束基于量子和声的动态频谱分配方法，而且基于量子和声的动态频谱分配方法均高于有约束和未加约束基于量子遗传的动态频谱分配方法，从而充分说明了所提出动态频谱分配方法的有效性。
【权利要求】
1.一种认知异构网络的动态频谱分配方法，其特征在于: 步骤1:感知当前可用频谱资源F，接入网随机提出频谱需求，设置信道频谱粒度，设置从量子和声集合中进行选择的概率HMCR，对基于量子和声的动态频谱方法进行初始化；待分配的频谱资源宽度为F，K种异构无线网络相应接入技术对信道带宽的规定分别为Bi (i = 1，2，…，K)，则频谱资源被划分为多粒度重叠信道，对应每种网络的信 道数为
,信道总数为
每个信道用一个整数m(l≤m≤Μ)进 行编号；将带宽相同的信道组成的集合叫作信道集合，其中O1 =
用Dn = O1表示RAN(n, k)可能得到的最大信道数，RAN(n, k)表示第η个接入网，并且其属于第k种异构网络，第η个接入网用长度为Dn的和声片段表示RAN(n，k)得到的相应信道编号，则每个量子和声的音调编码总长度为
量子和声集合中第i个量子
和声包含Q位量子音调，则其量子和声的量子音调编码形式为
,其中 QijI2+! ^ijI2 = 1，I a J2描述量子音调Vij = [ a β Jt出现“O”状态概率，| PiJ2描述量子音调Vij出现“I”状态概率，i = 1，2，…，P, j = I, 2，…，Q ;把i = l,2,…，P的所有量子和声的量子音调中的aulP 0〃初始化为I/#，P为量子和声集合所包含量子和声数； 步骤2:对每个量子和声的量子音调进行测量得到和声库X和和声记忆库H，对每个和声进行适应度计算，对应的适应度值保存在Fit和Fitl中，其中Fit与和声库X相对应，Fitl与记忆库H相对应，最后利用适应度向量Fitl中适应度值的大小对和声记忆库H中的和声及向量Fitl中的适应度值进行降序排序； 步骤3:若rand < HMCR, rand e (O, I)是满足均匀分布的随机数，则在对第i个量子和声进行更新时，继承第t代第i个量子和声的量子音调来进行第t+Ι次更新，更新时启动量子旋转门产生新解；grand > HMCR, rand e (O, I)是满足均匀分布的随机数，则随机生成一个Tent伪混沌序列，用它构造量子声调代替第i个量子和声的量子声调来进行第t+1次迭代； 步骤4:依次对每个量子和声的量子音调进行测量得到其对应的和声，并进行适应度计算，评价其优劣，替换Fitl中的对应适应度值；重新计算全局最优和声，并依据适应度向量Fitl对和声记忆库H中的和声及向量Fitl中的适应度值进行降序排序，用和声记忆库H中的和声音调来指导量子和声集合进行演进； 步骤5:如果演进没有终止，演进由预先设定的最大迭代次数决定，设t = t+Ι，返回步骤3 ;否则，迭代终止，输出和声记忆库H中的全局最优和声，全局最优和声映射得到的频谱分配矩阵A即为该认知异构网络的最优频谱分配方案。
2.根据权利要求1所述的认知异构网络的动态频谱分配方法，其特征在于:步骤2中，测量公式为J%=其中:h.e (Ο, I)是满足均匀分布的随机数，Uij)2描述
[0,% < IaijY量子音调&出现“O”状态概率；量子和声集合对应的测量态即为和声集合，和声集合中第I个和声为Xi = [xn, Xi2,…，XiQ]，P个初始和声构成和声库X = [X1, X2,…，Xp]T的初始状态，以及和声记忆库H = [H1, H2,…，ΗΡ]Τ的初始状态，和声记忆库中存储着迄今为止找到的P个最优解，其中和声记忆库中第i个和声为Hi = [Hil, Hi2,...，HiJ，I彡i彡P ; 认知异构网络频谱分配参数优化方法遵循多约束0-1整数规划，由优化过程确定系统参数；系统参数通过简单编码规则与和声库中数据一一对应；Xi = (Xn, Xi2,…，XiN)为有N个接入网的认知异构网络系统参数，是由取值{0，1}的二进制数构成的Q维解向量，XinS第i个和声的第η个接入网的系统参数，N为接入网总数。
3.根据权利要求2所述的认知异构网络的动态频谱分配方法，其特征在于:步骤2中，根据不同的网络要求，适应度函数可在如下9个函数中选取:
Af Λ* (1)网络效益(R,revenue): _ = sum(rx A) =;式中A为第i个量子和
Hf-1 ?—I声对应的音调Xi映射成的频谱分配矩阵，r为频谱效益矩阵； (2)RAN频谱需求满足率(RS，RAN satisfactory):^ en为第η个接入网
^ ?-1 & η最终分配得到的频谱数，dn为第η个接入网实际提出的频谱需求，N为接入网总数；
N (3)频谱使用效率(SU,spectrum utilizat1n): SU = ^em XBj ,即接入网实际利用
W=I的频谱带宽；en为第η个接入网(假设其属于第i种异构网络)最终分配得到的频谱数，Bi表示为第i种异构网络的信道粒度，N为接入网总数；
C// (4)频谱占用(SO,spectrum occupat1n): SO: + ?表示频谱资源的实际利用比率；
rSU为频谱使用效率，F为当前网络总共可以使用的频谱资源；
(5)f = R ⑷.RS.SU.SO ;
?R(A) if RS>S2,SU>S3,SO>S4 (6)Ip1Ji(J) else5 ,、P \RS if R{A)>S^SU > S^SO>δ4 (7)fih= I 飘、--
[P2RS mm
?su if R(A)>-&sm>s,jo>s4 ⑶机=|A?/ else‘ 、
iso if R(A)》，RS 之 S”SU > (9)Jik = Ip4SO else.5 式中Anxm = (Bi1ii1)nxm为Xi映射成的频谱分配矩阵，r为频谱效益矩阵。δ1； δ2, δ3, δ4分别为对网络效益R、频谱需求满足率RS、频谱使用效率SU和频谱占用SO所做的约束，P1, P2, P3, Ρ4< I为当前分配方案不满足约束时的惩罚因子；A 需要满足的约束条件有:Ciml,m2)x(α,ιηι: χα,,，— x?，)= 0
MVwl5II25TO15ItI2 ? e零xl_*=0 ViIfIIJ ?sVw， 其 中，
wi=lI一( =|0 m eφ , I ( η, η” η2 ^ N, I ^ m, Hi1，m2 ( Μ, IB 为接入网干扰矩阵，IC 为信道干扰矩阵，dn为第η个接入网的频谱需求，Mi为第i中异构网络总的可用信道数量；接
I V,..V ,’(V.Y \ "--1SKil入网干扰矩阵《=,r',/vXfi ，其中，子块矩阵Iwa表示接入网RAN4i,(Ji =%2,...,Νι；)(即第 I1 种异构网络的第 ji 个接入网)与RAM,y:(./2 =1，2，...，％)之间的干扰，(\卜=I表示RAN,#与RAN-同时使用重叠或同一信道时会相互干扰，而?V ()表示互不干扰；当I1 = i2时，?ΑΑ根据接入技术规定的频率复用系数确定，且当J_1 = 1时，^iih ，表示RAN与其自身存在干扰,不能被分配重叠或同一信道；当h古i2时，若:RANm-与RAN4a之间距离小于其覆盖半径之和，则认为相互干扰，Sj上=I ?否则^jlh = O O信道干扰矩阵#Q#x,W = (am,m, ),lfXM ?当Hl1关1?时,若信道Hl1与信道Hl2有重叠部分，则^ =1，表示接入网使用信道Hl1会对信道Hl2的信号造成干扰,否则%职—=G;同理，当Hl1=m2时，%mi =I ； fitl、fit2、fit3和fit4是有约束适应度函数；f是使4个目标乘积达到最大的适应度函数。
4.根据权利要求3所述的认知异构网络的动态频谱分配方法，其特征在于:步骤3中， 量子旋转角更新公式如下:謂f = cAx: ^+ CWiLi O + -xi)其中，I 彡 i 彡 P，I 彡 j 彡 Q ；xgJ 为全局最优和声的第j个音调，Xij为第i个量子和声的第j个量子音调对应的音调。m e [I, P/2]为从排序后的H中的前一半和声中随机选一个和声标号，n e (P/2, P]为从排序后的H中的后一半和声中随机选一个和声标号，上标t和t+Ι代表迭代次数；^+1为量子旋转角；常数C1, C2, C3分别表不所有和声中的全局最优和声以及和声记忆库中前一半较优和声以及后一cos Θ' —sin Θ' 丨半较差和声对量子和声集合演化的影响程度；量子旋转门定义为￡/(?)=Λ/?，sm cos I
,fi￥Fj,lrC+l = OiIj^+1 <c.量子比特用量子旋转门进行更新，^+1 =Λ?) , M ，片为[0，1]之间均匀
.9 Iabs(LW1)I^It-他分布的随机数，abs()表示对其取绝对值，I < i < P，I < j < Q ;c是为在旋转角为O的量子音调的变异概率，取值为[0，1/Q]间的一个常数；t+l和t代表循环次数即迭代次数，—~ο ΓN= t n为量子非门。
I O
【文档编号】H04W16/10GK104168569SQ201410334032
【公开日】2014年11月26日 申请日期:2014年7月15日 优先权日:2014年7月15日
【发明者】高洪元, 欧振威, 杜亚男, 李晨琬, 程君会, 张飞笼 申请人:哈尔滨工程大学