一种认知无线电网络的能效提升方法
【技术领域】
[0001] 本发明属于认知无线电网络的频谱感知领域，具体涉及一种在频谱感知过程中应 用基于反向学习和混沌搜索的改进的头脑风暴优化方法提升次用户的能量传输效率的认 知无线电网络的能效提升方法。
【背景技术】
[0002] 目前，在无线应用领域，频谱资源稀缺，但是频谱的平均利用率却非常低。作为一 种提高频谱资源利用率的技术，认知无线电网络近年来已成为通信领域的研究热点。在实 际中，认知无线电网络的次用户通常由电池提供能量来驱动节点工作，然而电池电量经常 难以及时补充，所以能量受限是认知无线电网络中值得研究的一个关键问题。
[0003] -般的能量传输效率优化问题是一个多维优化问题，通过通信系统的动态控制方 式在一些限制条件（功率、误码率等）下提高能量传输效率。通常来说，以传输单位比特的 数据所消耗的能量或者每焦耳能量所传输的数据作为衡量能量传输效率高低的标准，以确 定传输方式。目前，国内外在提升能量有效性上应用最为广泛的方法为基于物理层信号检 测方法，分别从检测门限、感知时间以及参与协作感知的次用户数量方面进行了研究。在分 析感知时间对能量有效性影响的过程中，通过能量传输函数对感知时间变量求导，发现能 量传输效率在感知周期内呈现先增大后减小的趋势，因此至少存在一个最优的感知时间， 可使次用户的能量传输效率达到最优。通过不同的感知功率消耗、传输功率消耗、空载功率 消耗对最优感知时间的影响，结果显示认知用户可以通过选择适当的感知时间和总时间长 度以提高能量传输效率。
[0004] 在分析次用户感知时间对能量有效性的影响过程中，对感知时间多为直接设定， 或者通过感知时间递增步长的方法来确定。例如，有人提出一种基于跨层设计的能效优化 方法，通过联合优化感知时间和接入概率，使次用户的能量有效性得到提高，但是，在此方 法中，关于感知时间的优化是设定初始感知时间接近于零，通过递增步长增加感知时间，直 到找到最优解。其中，递增步长的设定对于结果有着关键作用，步长太大，则不容易找到精 确的最优解，步长太小，则容易陷入局部最优。直接设定的方法很难确定最优感知时间，感 知时间递增的方法很难找到精确最优解或者近似最优解，这些方法在可靠性和有效性方面 难以平衡。
[0005] 头脑风暴（BrainStormOptimization，简称BS0)是一种创造能力的集体训练 法，是由美国的现代创造学奠基人奥斯本提出的。1939年，头脑风暴第一次开发并应用于 他的广告公司。1957年，奥斯本在他的著作《创造性想象》中系统化地介绍了这种方法。之 后，头脑风暴引起了人们极大的兴趣，并受到世界各地的学术界和工业界的关注。2011年， 史玉回教授在第二次群智能国际会议（TheSecondInternationalConferenceonSwarm Intelligence，简称ICSI)上提出头脑风暴优化方法。在此方法中，通过分类、替换和创造 来更新个体。但是，这种优化方法存在局限性，即容易陷入局部最优导致早熟收敛问题。反 向学习（Opposition-basedLearning，简称 0BL)的概念最初是由HamidR.Tizhoosh提出 的，主要思想是在考虑每个候选个体的同时考虑其反向个体从而得到一个更接近最优解的 个体。事实上根据概率学原理，每个随机产生的候选个体相比它的反向个体有50%的概率 远离或靠近问题最优解，如果采样时引入基于反向学习的机制为每个采样所得的个体产生 相对应的反向个体，然后从采样个体及其反向个体中挑选适应度最优的个体产生下一代个 体，将有助于改进优化过程的收敛速率。混沌是一种较为普遍的非线性现象，具有随机性、 遍历性和内在规律性的特点。其中遍历性是指混沌序列能够不重复地遍历混沌吸引域内所 有状态的性质，可作为优化过程中避免陷入局部最小的一种优化机制。混沌搜索优化正是 利用这一特性提出的。李冰等人利用Logistic混沌映射和二次载波的概念，提出了一种混 沌搜索优化方法，引起了广泛关注和大量研究。该方法具有很强的全局搜索能力，但存在初 值敏感、搜索效率不高、搜索时间长等缺陷。
[0006] 在搜索过程中有效地调节全局搜索和局部搜索的力度可以使方法避免陷入局部 最优。为了克服头脑风暴优化方法易陷入局部最优导致早熟收敛的问题，本发明提出把反 向学习和混沌搜索应用于头脑风暴优化方法。在头脑风暴优化方法个体更新方式的基础 上，添加反向学习和混沌搜索两种方式，提高全局搜索能力，从而避免陷入局部最优，并将 此方法应用于寻找最优感知时间，从而快速有效的提升次用户能量传输效率。
【发明内容】
[0007] 本发明的目的是提供一种解决现有方法寻找最优感知时间存在局限性从而影响 能效提升问题的认知无线电网络的能效提升方法。
[0008] 本发明的目的是这样实现的：
[0009] -种认知无线电网络的能效提升方法，包括如下步骤：
[0010] ⑴设置能量传输效率为：
[0011]
[0012] (2)随机初始化N个感知时间集合，根据能量传输效率模型得到N个个体的适应 度；
[0013] (3)迭代次数t的初始值设为0,最大迭代次数为T_;
[0014] (4)可行感知时间集合中的N个个体分组成M类；
[0015] (5)根据能效函数对N个个体进行评估；
[0016] (6)把每一类中的适应度最高的个体作为其所在类的中心；
[0017] (7)产生一个0到1之间的随机数r1;
[0018] (8)当巧小于概率？，^ 0. 2)时，随机选择一个类，并用随机产生一个新个体替 换类中心；
[0019] (9)当ri大于概率P丨时，直接转到步骤（10);
[0020] (10)i的初始值设为1 ;
[0021] (11)产生一个0到1之间的随机数r2;
[0022] (12)当r2<P2(P2= 0. 8)时，随机选择一个类，根据基于反向学习的头脑风暴优 化方法更新个体；
[0023] (13)当r2>P2时，随机选择两个类，根据基于混沌搜索的头脑风暴优化方法更新 个体；
[0024] (14)计算新个体的适应度，如果适应度大于原来的个体，新个体替换旧个体；如 果适应度小于原来的个体，舍弃新个体；
[0025] (15)判断i<N是否成立，若是，则i=i+l，返回步骤（11);若否，转到步骤（16);
[0026] (16)比较M个类中的个体，把适应度最大的个体作为本次迭代的最优个体，即找 到本次迭代的最优感知时间和最大的能量传输效率；
[0027] 步骤（17)判断迭代次数是否达到最大迭代次数T_，若否，迭代次数t=t+1，转 到步骤（4);若是，程序终止，输出最终的方案。
[0028] 所述的步骤（1)中，能量传输效率等于平均吞吐量与平均能耗的比值，
[0029] R(t)表示单位时隙内次用户的平均吞吐量为：
[0030] R(T) =R〇 (T)+Rj(T)
[0031] ^ R〇( x )
[0032] =P(X〇) [1-Pf(x)] (T-x)Blog2(l+y/8)
[0033] W( 〇表示单位时隙内次用户消耗的能量，表达式为：
[0034]
[0035]所述的步骤（12)和步骤（13)中更新个体的更新方式分为两大类：
[0036]第一大类为在随机选择的一个类中进行个体更新：
[0037] (12. 1)产生一个0到1之间的随机数r2，当r2< P 2(P2= 0. 8)时，随机选择一个 类；
[0038] (12. 2)产生一个0到1之间的随机数r3，当r3<P2a(P2a=0.3)时，选择类中心； 当r3>P2b(P2b= 0. 6)时，随机选择类中的一个个体，两种情况下根据以下方法加随机扰动 产生新个体，
[0039] Xnew=Xselected+C*n(y,〇), l=logsig((0. 5*Tmax-t)/k)*rand〇 ；
[0040] 当P2a彡r3<P2,时，选择类中心，通过反向学习产生新个体，方法如下：
[0041] 产生反向个体的公式为X_=L+U-X其中U和L分别为个体的上限和下限， 在本方法中L= 0，U=T，因此Xnew=T-Xselected〇
[0042] 第二大类为在随机选择的两个类中进行个体更新，具体更新方式如下：
[0043] (13. 1)当P2时，随机选择两个类；
[0044](13. 2)产生一个0到1之间的随机数r4，当r4< P2。（尽=G》时，选择两个类中 心合并；当r4>P2d (P2d= 0. 6)时，在两个类中各随机选择一个个体，两个个体合并，两种情 况下根据以下方法加随机扰动产生新个体
[0045] Xnew=Xselected+C*n(y, 〇),C=logsig((0. 5*Tmax-t)/k)*rand〇 ；
[0046] 当P2。彡rP2,时，选择两个类中心合并，通过混沌搜索产生新个体：
[0047] Xtenp=(Xselected-L)AU-L)，Xtenp=人*Xtenp* (1-Xtenp)，Xnew=L+Xtenp* (U-L)，
[0048] 中L= 0，U=T，即，Xtenp=Xselected/T，Xtenp=入*Xtenp* (l_Xtenp)，Xnew=Xtenp*T〇
[0049