专利名称：认知无线电网络中基于改进粒子群的功率控制最优化算法的制作方法
技术领域：
本发明涉及一种认知无线电网络中基于改进粒子群的功率控制最优化算法，属于 系统资源分配技术领域。
背景技术：
目前的频谱使用方式遵循固定分配原则，授权频段有时利用率不高，非授权频 段过分拥挤，无法满足日益增加的频谱需求。为解决这一矛盾，人们提出了认知无线电 (Cognitive Radio, CR)[1]的概念。认知无线电系统是一种智能的无线通信系统，它能感知周围无线环境，通过对环 境的理解和学习，使其系统内部状态适应外部无线环境的变化，实现随时随地的可靠通信 以及频谱资源的高效利用[2]。功率控制是认知无线电系统中的关键技术之一，能有效地减 小认知用户对授权用户的干扰，同时使认知用享受更好的服务质量(QoS)，增加系统容量。文[3]讨论了共享信道上的功率控制问题，其中多信道次要用户根据主要用户模 拟传输。文[4]提出基于博弈论的认知无线电功率控制算法，考虑不同用户SIR的阈值要 求，提高了系统总吞吐量。文[5]基于香农定理分别研究了在存在干扰温度约束和不考虑 干扰温度约束两种情况下的无线认知网络的功率控制问题，并把非凸优化问题转化为凸优 化。在文[6]中，考虑了无线认知Ad-hoc网络中的功率问题，最大化次用户的能量效率从 而保障主用户和次用户的QoS。文[7]提出了无线认知网络功率控制的一种广义模型，保证 网络有规则地管理干扰温度，把功率控制问题建立一个非合作决策。文[8]采用博弈理论 对认知无线网络中的分布是动态频率选择和功率分配策略进行建模分析，并建立一个模块 化的通用仿真平台。文[9]赵知劲等人基于智能优化算法研究认知无线电频谱分配问题。 以上研究认知无线电系统的资源分配算法时，通常对最优化目标函数进行严格假设，效用 函数假设为凹的，对应的问题为凸性规划问题，或是将非凸优化问题转换为凸优化问题来 解决，只解决了某类非凹函数对应的非凸优化源分配问题。本发明将粒子群优化方法直接应用到非凸优化算法设计中，粒子群优化方法 (Particle Swarm Optimization, PS0)是 Kennedy 和 Eberhart [10]于 1995 年开发的一种 群智能优化算法，来源于一个简化社会模型的模拟，已经在许多复杂的最优化问题上有广 泛的应用[11]_[15]。粒子群算法概念简单，易于理解；对优化问题定义的连续性无特殊要求只 有非常少的参数需要调整；算法实现简单、速度快。但传统PSO算法容易陷入局部极小解， 本发明对粒子群的基本参数和优化问题的约束都进行自适应调整，设计有效的认知无线网 络的非凸优化控制算法。
发明内容
本发明的目的在于提供认知无线电网络中，一种对优化问题定义的连续性无特殊 要求、具有更好的有效性和快速性以及能够保证算法的全局收敛性的基于改进粒子群的功 率控制最优化算法。
本发明基于如
图1所示的考虑与蜂窝式网络共存的认知无线电网络。授权网 络中存在一个授权用户Pu，表示为Up，使用授权频谱与授权用户基站BSp通信。认知通 信网络位于授权用户网络的范围内，包含N个认知用户，使用CDMA方案发送数据到基站 BSs0 Up的授权频谱表示为W，认知用户可以共享此频谱。在N个认知用户中，每个认知用 户都会收到其他N-I个认知用户的干扰。假设认知用户i与基站间的信道增益为Gii，功 率为Pi,信号干扰比为Yi,背景噪声为Oi，则认知用户i的信号干扰噪声比(SINR)为
m)~y GiiPiMi ⑴
Aui^j IJ J I认知用户i的效用函数Ui (Y (Pi))表示其对获得的服务质量的满意程度。约束条件由表达式(1)可知，认知用户在共享带宽W使用扩频信号。所有的认知用户 都需要控制其传输功率以避免对授权用户产生干扰。授权用户Up接收到的干扰功率
为HifioiPt，其中Gtli (i = 1,2-, N)表示第i个认知用户到授权用户的信道增益，
令Pth表示授权用户允许的干扰功率阈值。因此，认知用户的干扰功率约束可以表示为
N /=1
tar
Hi^GmPi < Pth；为了保证认知用户的可靠传输，SINR需要大于等于，即厂> Y1
maximize Y^^UXyiPi))
subject to Pi < PmaxiPi^ Q/o、满足以上约束的功率优化的模型为二胃(2)
Yl^rT其中w为加权因子，用来保证系统的公平性。在以往研究的关于效用函数功率控制的算法中，目标函数被描述为“S”型函数，假 设效用函数有连续性和可微性的特点。在本发明中，我们去掉了对效用函数的假设，不仅考
虑了效用函数为对数形式 fi = 1 og(a* Y i (P) _b)，“S” 型{γ,(P)) = χ + Jih{P)_b} (a，b 都是
正常值)和凸函数型Ui(YjP)) = q*(Yi(P))2(q是正值)这三种更加符合网络实际情形 的函数。后两种关于Y的函数对于P都是非凹的，下面我们给出相关命题以及其证明。
命题1关于Y非凹的这两种函数关于P也是非凹的。 证明首先我们给出“S”型函数的证明 1
_7]‘ 樣列在证明过程中，采用反证法。假设Ui是关于P的凹函数，那么可以得到学⑶ S2P是一个必要条件。为了书写的方便，把exp(b-a) Yi记为Ε，那么
权利要求
认知无线电网络中基于改进粒子群的功率控制最优化算法，其特征在于步骤如下第一步初始化算法的迭代次数，粒子的位置，速度和粒子群的基本参数；第二步计算适应度函数值，令个体粒子本身位置Xa为初始最佳位置令种群中具有最佳函数值的微粒为初始最佳群体位置Gbestk；第三步执行基于PSO算法的搜索，更新粒子和群体的最佳位置，并利用粒子群基本公式更新粒子的速度和位置；第四步设置终止标准。FSA00000333289700011.tif
2.按照权利要求1所述认知无线电网络中基于改进粒子群的功率控制最优化算法，其 特征在于第一步初始化算法的迭代次数，粒子的位置，速度和粒子群的基本参数；具体为设置迭代次数“k”初始值为零，最大迭代次数为“K”。初始化粒子Xa的位置，即初始化 一组认知用户的功率，初始化速度Vi和粒子群中的基本参数。
3.按照权利要求1所述认知无线电网络中基于改进粒子群的功率控制最优化算法，其 特征在于第二步计算适应度函数值，令个体粒子本身位置Xa为初始最佳位置^^^，令种群中 具有最佳函数值的微粒为初始最佳群体位置Gbestk ；根据式(8)，Ff是粒子群算法中的适应度函数。
4.按照权利要求1所述认知无线电网络中基于改进粒子群的功率控制最优化算法，其 特征在于第三步执行基于PSO算法的搜索，更新粒子和群体的最佳位置，并利用粒子群基本公 式更新粒子的速度和位置；具体包括对于每个粒子，将其适应值与其经历过的最好位置Pk^f进行比较，如果当前值优于 Pk1^f的值，记为当前最好的位置；将其适应值与群体所经历过的最好位置Gbestk 进行比较，如果其适应值优于Gbestk,就将Gbestk设置为群体最优位置；根据式(3)和(4) 更新当前粒子的位置和速度。
5.按照权利要求1所述认知无线电网络中基于改进粒子群的功率控制最优化算法，其 特征在于第四步设置终止标准；包括当系统达到最大迭代次数，终止迭代；Gbestk为最优解，GZ^i = Of i^,...,Xf叫)， 那么就是认知系统中所求的用户最优功率if O)。全文摘要
本发明涉及一种认知无线电网络中的功率控制最优化算法，属系统资源分配技术领域。步骤1、初始化算法的迭代次数，粒子的位置，速度和粒子群的基本参数；2、计算适应度函数值，令个体粒子本身位置Xa为初始最佳位置令种群中具有最佳函数值的微粒为初始最佳群体位置Gbestk；3、执行基于PSO算法的搜索，更新粒子和群体的最佳位置，并利用粒子群基本公式更新粒子的速度和位置；4、设置终止标准。本发明对认知无线电功率控制的非凸优化问题进行研究，提出基于改进粒子群的功率控制算法，算法允许效用函数是非凹的，如″S″型函数和凸性函数，更加符合实际网络。通过对粒子群算法进行参数调整保证算法的全局收敛性。本发明算法有更好的有效性和快速性。
文档编号H04W16/14GK101982992SQ20101053270
公开日2011年3月2日 申请日期2010年10月30日 优先权日2010年10月30日
发明者刘晓华, 唐美芹, 辛亚林 申请人:鲁东大学