052]式中，入为缩放因子；if、if表示第t代的两个随机鸟巢位置；Pa为被发现 概率。
[0053]与现有技术相比，本发明以最大化认知网络总效益为优化目标，基于布谷鸟搜索 算法，设计更高效的频谱分配方法。布谷鸟算法探索解空间的性能高，并能灵活地跳出局部 极值，其结构十分简单，控制参数较少，参数的调整和设置方便，易于实施。将布谷鸟算法应 用到无线频谱资源分配上，能更高效地将无线频谱资源分配给认知用户，更好地实现认知 网络效益最大化，提高频谱利用率。
【附图说明】
[0054]图1为一个认知无线电系统网络模型。其中实线箭头代表数据传输，虚线箭头代 表干扰。
[0055] 图2为本发明的流程图。
[0056] 图3为N=M= 5、仿真50次取平均的认知网络总效益。
[0057] 图4为N=M= 20、仿真50次取平均的认知网络总效益。
[0058] 图5为当M= 30时，认知网络平均效益随频谱数N的变化曲线。
[0059] 图6为当N= 15时，认知网络平均效益随认知用户数M的变化曲线。
【具体实施方式】
[0060] 如图1所示，一个认知无线电网络模型包括授权用户、认知用户和认知基站。每个 授权用户占用某一授权频段的使用权，认知用户通过认知基站进行通信，且只有在通过频 谱感知检测到授权频谱空闲时才可使用。
[0061] 如图2所示，一种基于布谷鸟搜索算法的认知无线电网络频谱分配方法，它分为 以下几个步骤：
[0062] 步骤1、假设认知无线电网络中有多个授权用户，M个认知用户，认知用户通过频 谱感知获得N个空闲频段。根据频谱感知结果和用户自身信息，分别获得可用频谱矩阵L、 效益矩阵B和干扰矩阵C。其中：
[0063] 认知用户m通过频谱感知检测授权频段n当前是否被占用来决定该频段是否可 用，由此获得可用频谱矩阵为L= {lm，n |lm，nG{〇，1}}MXN，L为个MXN维矩阵。lm，n= 1 表示频段n为认知用户m的可用频段，即认知用户m使用频段n对授权用户不会产生干扰； 1_= 〇表示频段n为认知用户m的不可用频段，即认知用户m使用频段n对授权用户会产 生干扰。
[0064] 效益矩阵B= {bm，n}MXN是一个MXN维矩阵，bm，n表示认知用户m在频段n上获得 的最大效益，如频谱带宽、吞吐量等，显然当lm，n= 〇时，bm，n= 0。
[0065] 干扰矩阵C= {cm，k，n|cm，k，nG{〇, 1}}MXMXN 是一个MXMXN维矩阵。cm，k，n= 0 表示 认知用户m、k可无干扰地同时使用频段n;反之，不能。本发明实例中，两个认知用户使用 同一频段是否产生干扰，采用两者之间的地理距离和各自的传输半径来判断，当认知用户m 与认知用户k的距离大于两者传输半径之和，cm，k，n= 0,具体表示如下：
[0066]
[0067] 其中，Rm、Rk分别为认知用户m、k的传输半径，dm，k=dk，m为两者之间的距离。
[0068] 步骤2、将所要求解的分配矩阵A映射为布谷鸟搜索算法中的鸟巢位置，确定优化 维数和适应度评价函数。
[0069] 分配矩阵A= {am，n|am，ne{0, 1}}MXN是一个MXN维矩阵，描述一种可行的频谱分 配方案。am，n=l表示频段n分配给了认知用户m，反之，频段n未被分配给认知用户m。显 然，分配矩阵A受干扰矩阵C、可用频谱矩阵L的约束，具体表示为：
[0070]
[0071] 由于分配矩阵A受到可用频谱矩阵L的约束，因此，为简化求解维数，可将矩阵L 中非0的元素映射为鸟巢位置中的元素。则优化维数，即鸟巢位置的维数为矩阵L中值为 1的元素的个数，记为D，并将这些元素所对应的m和n值记录在位置矩阵P= {(m,n) |lm，n = 1}。适应度评价函数为认知网络总效益函数
[0072] 步骤3、初始化种群，设定相关参数。具体包括：
[0073] 设定寄主鸟的鸟巢个数，即种群规模Pop，最大迭代次数Nter，布谷鸟蛋被寄主鸟 发现的概率Pa。设初始迭代次数为〇,随机初始化鸟巢位置，即随机产生Pop个初始鸟巢位 置
戈表第j个鸟巢 在第〇代的鸟巢位置，为鸟巢位置的第i位数值，表示能被二进制编码为1的概率。
[0074] 步骤4、计算每个鸟巢的适应度值，并进行选择过程，保留最优。
[0075] 对每个鸟巢位置进行二进制编码后根据矩阵P将其映射到分配矩阵A。对矩阵A 做无干扰约束处理，即得到所求解。根据适应度评价函数计算各所求解的适应度值，即对每 个鸟巢位置进行适应度评价。在所有适应度值中选出最优的适应度值也就是最大的适应度 值，该最大的适应度值、及其该最大适应度值所对应的鸟巢位置和所求解即为所需选出的 最优适应度值、最优鸟巢位置和最优解，并对最优适应度值、最优鸟巢位置和最优解进行保 留。
[0076] 其中，鸟巢位置的二进制编码公式和无干扰约束处理分别为：
[0077] (1)根据频谱分配的二进制编码特性，本发明采用二进制布谷鸟算法。在二进制 CS算法中，鸟巢的位置矢量仍属于D维实属空间，但其所求解属于二进制空间。因此，二进 制CS鸟巢位置可以通过保留基本的CS算法中的更新公式而仅对更新位置进行二进制编码 得到。鸟巢位置的二进制编码公式为：
[0078]
[0079]
[0080]其中，j=l，2,3，...，P〇p(P〇p为种群数），i= 1，2,3，...，D(D为优化维数）， rand在算法过程中随机产生，rand服从分布于u(0, 1)即rand~u(0, 1)，u(0, 1)为定义在 (〇, 1)上的均匀分布。为第j个原鸟巢位置的第i维变量，其表示能被二进制编码为1 的概率，{〇，1}为对其进行二进制编码之后的值，函数Sig为一个映射函数，可将原鸟 巢位置的^^映射到{〇, 1}。
[0081] (2)无干扰约束处理；
[0082] 当两个认知用户使用同一频段相互间产生干扰时，需进行无干扰约束处理。具体 操作为：对任一频段n，当Cm，tn= 1时，则检查频谱分配矩阵A中第n列第m行和第n列第k行是否都为1，若是，则随机将其中一个置为0,另一个保持不变。
[0083] 步骤5、更新鸟巢位置，找全局最优。
[0084] (1)按L6vyflights(莱维飞行）过程随机游动产生新的鸟巢位置。
[0085] 根据L6vyflights公式产生Pop个新的鸟巢位置，L6vyflights随机游动公式 表示为?
[0086]
(2)
[0087]其中，t表示当前迭代数；表示第t代第j个鸟巢位置；@表示 点对点乘；a为布谷鸟搜索路径的控制系数，一般取a= 〇. 〇1
为L6vy飞行随机搜索路径，Xbest表示当前最优鸟巢位置。u和v服从正态分布，即
〇 v= 1。其中，r表示标准的伽马函数；本发明取|3 = 3/2 ;
[0088] (2)对更新后的每个鸟巢位置按上述步骤4计算适应度值，再依次比较更新前后 两个鸟巢位置所对应的适应度值，保留更新前后两个解中对应较优者，则产生一组新的鸟 巢位置。记录此时的最优适应度值、最优鸟巢位置和最优解。
[0089] (3)根据被发现概率Pa更新鸟巢位置。
[0090] 用一个随机数r~u (0, 1)作为鸟窝主人发现外来鸟蛋的可能性。产生一个与鸟 巢位置同维的随机数组RD，RD中元素r~u(0, 1)，将RD与被发现的概率Pa进行比较，保留RD中大于Pa的元素所对应的鸟巢的元素，而对RD中小于等于Pa的元素所对应的鸟巢的元 素随机更新，得到一个新的鸟巢位置。
[0091] 鸟巢位置随机偏好游动更新公式为：
[0092]
[0093]其中，X~U(〇, 1)为缩放因子；Zf、表示第t代的两个随机鸟巢位置；本 发明中Pa= 0. 25。
[0094] (4)根据获得的新的鸟巢位置，按上述步骤4计算适应度值，与上一步中得到的每 个鸟巢位置的适应度值进行比较，保留更新前后两个鸟巢位置中对应较优者，则产生一组 新的鸟巢位置。记录此时的最优适应度值、最优鸟巢位置和最优解。
[0095] 步骤6、判断是否达到预先设定的最大迭代次数，若是，则输出最优解，即为最优的 频谱分配方案；否则，把此代的鸟巢位置作为下一代的初始鸟巢位置，迭代次数值t=t+1， 返回步骤5,继续迭代。
[0096] 本发明的效果可以通过以下实验进一步说明：
[0097] 1、算法参数设置：种群数为30,最大迭代次数为1000。
[0098] 2、仿真实验中，为充分进行比较，在多次的仿真测试中，每次所选的L、B、C矩阵其 初始值都不同。但在同一次仿真测试中，