技术领域本发明属于认知无线电频谱感知技术领域，具体涉及一种基于多目标优化算法的具有射频能量收集能力的认知无线电网络的多目标优化方法。
背景技术：
随着无线通信技术的迅速发展，频谱资源紧缺的问题越来越严重。传统的固定频谱分配策略已经不能满足人们对频谱需求日益增长的需要。认知无线电技术的出现改变了以往固定的频谱分配方式，使非授权用户可以在不影响授权用户工作的情况下使用频谱，为解决频谱紧缺的问题提供了一种有效的解决方案，是未来通信发展的必然趋势。在传统的能量受限的无线通信系统(无线传感网络)中，无线节点的能量供给永远是一个至关重要的方面。传统的无线节点都是通过电池供电，而电池需要定时充电或更换，不仅增加了人工维护成本，在低电池电量的情况下还会影响网络的性能。而最近，能量收集技术的发展使得无线节点的长期运行和免维护成为可能。能量收集技术多种多样，包括太阳能、射频能量、风能和机械能等等。能量收集技术已经被应用在多种无线网络中，其中就包括认知无线电网络，使得认知无线电网络不仅能提高频谱利用效率，而且提高了认知无线电网络次级用户的能量效率。在目前已知的能量收集技术中，射频能量收集技术被认为特别适合认知无线电网络，具体原因包括以下4点，首先，随着通信系统在全球的快速发展，射频资源随处可得，从而能够为次级用户提供大量能量；其次，射频能量能够远距离传送，使得移动的次级用户能够灵活地收集能量；再者，射频能量能够向各个方向传播，使得多个次级用户能够同时收集该射频能量；最后射频能量能够通过调整射频源的传输功率来控制。尽管射频能量收集技术在认知无线电网络应用中具有如此多的优势，将射频能量收集技术应用到认知无线电网络中并不是直接且简单的。射频能量资源需要和射频频谱资源同时进行管理和优化，这就使得其他能量收集技术的能量管理方法并不能直接应用到具有射频能量收集能力的认知无线电网络中。认知无线电实现的关键是频谱感知技术。而在认知无线电网络中，合作频谱感知技术是目前广泛采用的频谱感知技术，能够有效解决由于信道衰落和阴影效应导致的单节点感知不准确的问题。而对于具有多个子信道的频谱感知，为了增加整个认知网络的吞吐量，一般感知的子信道数越多越好，然而这样又会使得总的感知时长变长，从而降低用于数据传输的时间，导致网络吞吐量降低。另外，针对单个子信道的合作频谱感知，感知用户的数量越多，感知结果越准确，但是能量消耗也会随之增加。因此，对于具有射频能量收集能力的认知无线电网络，最重要的问题是确定感知策略，即确定合作频谱感知的感知用户数、子信道数和感知时长，使得网络总吞吐量和总能量收益达到最优。对于上述问题，目前关于具有射频能量收集能力的认知无线电网络的研究并没有涉及多目标优化，即当前的研究都是在能量受约束的条件下，针对单个目标，即网络吞吐量的最优化。S.Park,H.Kim,andD.Hong,“CognitiveRadioNetworkswithEnergyHarvesting,”IEEETrans.WirelessCommun.,vol.12,no.3,Mar.2013,pp.1386-97.一文提出一种在满足能量约束和碰撞约束的条件下，通过改变检测阈值，优化频谱接入概率来最大化期望吞吐量，但是没有考虑能量收益最优的问题，而且该网络模型只是针对单个感知用户和单个感知信道的情况，对于多感知用户、多信道的认知网络并不适用。W.Chungetal.,“SpectrumSensingOptimizationforEnergy-HarvestingCognitiveRadioSystems,”IEEETrans.WirelessCommun.,vol.13,no.5,May2014,pp.2601-13.一文提出一种在能量受约束的条件下，通过设置最优的感知时长和检测阈值，使得感知网络吞吐量最大化的方法，但是仅考虑了吞吐量这单一目标，使得系统吞吐量最优的情况下，能量收益并不是最优，而且该网络模型同样只是适用于单个感知用户和单个信道的情况。
技术实现要素：
本发明提出一种基于多目标优化算法的具有射频能量收集能力的认知无线电网络的优化方法，旨在克服现有射频供电的认知无线电网络(多感知用户、多信道)仅仅考虑单个优化目标，即网络吞吐量，没有考虑能量收益的不足。通过多目标优化算法，求得最优的解集，并根据系统对网络吞吐量和能量的需求，合理选择感知用户数、感知信道数和感知时长，同时优化系统有效吞吐量和能量。为实现上述目的，本发明的技术方案为：一种基于多目标优化算法的具有射频能量收集能力的认知无线电网络的优化方法，包括以下步骤：(1)初始化算法参数，包括种群数量、种群进化代数、决策空间范围，并产生初始种群：算法产生一个个体数为pop的初始种群，每个个体代表一种感知方案，由决策空间表示；(2)计算种群中每个个体的适应度函数：适应度函数定义为系统有效吞吐量TH(k,m,τ)和系统总能量收益E(k,m,τ)，个体的某个适应度值越高说明该感知方案对相应目标效果更佳；(3)根据个体的适应度值对初始种群进行非支配排序，获得个体的rank值，并计算个体的拥挤距离；(4)设置匹配池大小pool＝round(pop/2)，随机选择当前种群中任意两个个体进行竞争式选择，被选择的个体进入匹配池，直至匹配池大小达到pool；(5)交叉变异：设置交叉概率Pc和变异概率Pmu，其中Pc+Pmu＝1且Pc>Pmu；产生一个0到1的随机数，若随机数小于Pc，则从第(4)步中获得的匹配池中随机选择两个个体进行模拟二进制交叉，若随机数大于Pc，则从第(4)步中获得的匹配池中随机选择一个个体进行多项式变异；此步骤循环pool次，获得大小为pool～2*pool的子代；(6)个体修正：对第(5)步获得的不满足要求的子代，即对超出决策空间的个体进行修正；(7)计算第(6)步获得的子代的适应度值；(8)重组：将第(6)步得到的子代和父代合并，并进行非支配排序，获得个体的rank值，并计算个体的拥挤距离；(9)选择：根据rank值和拥挤距离，从合并的子代和父代种群中选择pop个个体，作为下一代种群；(10)截止：当种群进化代数达到设置的进化代数时，进化停止，得到最优前沿，并根据当前系统的预测吞吐量选择适当的解，即适当的感知用户数k、感知信道数m和感知时长τ，如果不满足截止条件，则跳到步骤(2)进行下一次进化。针对上述技术方案，给出下面的定义：(1)若个体A的所有适应度值均不劣于个体B的对应适应度值，且个体A至少有一个适应度值优于个体B，则说个体A支配个体B；(2)个体的适应度值：个体的适应度值定义为系统有效吞吐量函数和能量收益函数的值；在上述技术方案中，步骤(3)和(8)中的非支配排序的实现步骤如下：101、对种群P中的每个个体p：—初始化此集合用于存储个体p支配的其他个体。—初始化np＝0。表示种群中支配个体p的个体数。—对种群P中的每个个体q■如果p支配q，则将q加入Sp■否则np＝np+1—如果np＝0，则设置个体p的rank值为1，更新前沿1F1＝F1∪{p