本发明涉及一种在能量采集情况下基于差分进化算法的认知无线电网络的功率和时间分配方法，主要采用差分进化算法来搜索找到最优时间分配值，从而计算出最佳认知用户发射功率，使认知用户的效用函数达到最大值，属于无线电通信技术领域。
背景技术：
随着无线通信业务的蓬勃发展，现有的频谱变得越来越稀缺，统计显示授权频段的利用率都很低，认知无线电网络的提出很好的解决了这一问题。
认知无线电是一种实现主、次网络共存，使授权系统与其他系统共享频谱带的有效技术。它的提出提高了通信系统的网络寿命和频谱利用率，同时不会影响底层模式下的主用户的性能。
然而电池供电的无线系统寿命短，存在更换、充电等不可避免的问题，能量采集是减少这些问题的有效途径。它可以提供近乎永久的能源供应，这有助于解决无线网络的资源约束问题，特别是射频能量采集，它持续的能量供应比一般的太阳能和风能采集都要灵活和方便。能量采集的关键思想：无限节点可以采集由源节点发送的射频信号，为其电池或者超级电容器充电，然后用于信号处理或传输。能量采集方案的提出降低了运营支出成本，减少了温室气体的排放量。
在任何无线网络中，收到的信号质量受到衰落、多径、距离等多种损耗因素的影响，为了克服信号的恶化，源节点和目的节点之间需要使用中继转发节点来转发信号。中继通信技术的提出提高了认知无线网的网络系统性能，同时也扩大了覆盖范围、提高了传输效率以及传输可靠性。对于能量受限的应用，继电器通信降低了整体传输效率，减少了对其他用户的干扰。在认知无线电网络中，认知用户也可以充当中继来协助主用户之间的信息传输。作为回报，认知用户可以从接收的主用户信号中收集能量，并使用相同的频带将自己的信号送到认知用户接收器，认知用户从主系统中获取能量和频谱，这可以在现有和即将到来的网络中使用低能耗和低成本设备。能量效率和频谱效率是无线电网络应对环境问题和无线服务需求的两个基本设计指标，而基于能量采集的认知无线电网络刚好是解决这些问题的有效途径。
差分进化算法(de)是一种有效的优化实值多模态目标函数的方法，它具有良好的收敛特性和并行化的适用性。差分进化算法的重要思想是：生成试验参数向量的方案。通常，de通过将两个总体向量之间的加权差添加到第三个向量来生成新的参数向量。如果参数向量的目标函数值比对应的当前种群个体的目标函数值高，则新生成的参数向量将会进入下一代中，否则保留之前的向量。
差分进化算法的操作程序主要有以下几步：1)种群初始化。为了建立优化搜索的初始点，种群需要初始化。初始化种群是随机选择的，应该尽量覆盖整个参数空间。2)变异。变异是将两个总体向量之间的加权差加到第三个向量上来产生新的参数变量。3)交叉。交叉操作是为了增加干扰参数的多样性。新的参数向量与确定的目标向量按照一定的规则混合来产生试验向量，组成临时种群。4)选择。差分进化算法通过贪婪准则比较试验向量和当前种群中的目标向量，即比较临时种群中各个向量的目标函数值与当前种群所对应得各个向量的目标函数值，若临时种群中的某个个体的目标函数值大于当前种群对应个体的目标函数值，则临时种群中的个体进入下一代种群中，否则保留原来的个体，最终形成下一代种群。5)在达到最大进化代数g之前，我们需要循环上述步骤2)、3)、4)，最终得到最优个体。
技术实现要素：
技术问题：本发明所要解决的问题是克服现有技术的不足而提供基于自适应差分进化算法的认知无线电网络的功率分配方法。本发明通过优化一个时隙内的时间分配值，提高认知用户的能量利用率和效用函数。
技术方案：本发明所述的一种能量采集下基于差分进化算法的认知无线电网络的时间和功率分配方法，首先我们把认知无线网络一个时隙的时间分配看作是一个种群。然后根据边界条件，我们得到一个初始化种群，然后通过变异、交叉，我们得到一个临时种群。我们在根据贪婪准则比较临时种群中个体的目标函数与其对应的当前种群的个体的目标函数，随之形成下一代种群，以此循环，知道进化代数达到最大值为止，我们就可以找到最优的个体，即最优时间分配值，从而计算出最佳认知用户发射功率以此最大化认知用户的效用函数。
本发明的一种基于差分进化算法的认知无线网络的时间和功率分配方法包括以下步骤：
步骤1)在时间t1内主用户向认知用户发射射频信号，认知用户从主用户pt发射的射频信号中采集能量，储存在自己的超级电容里；第k个认知用户的能量采集效率为ξk，pa是主用户源节点pt的发射功率，
步骤2)在时间t2-t3内，主用户目的节点pr收到来自pt和中继转发节点stk的信息；pt到pr的信道增益是
同时，主用户选择作为stk自己的最佳中继转发点，在时间t3内，认知用户stk协助pt向pr传送信息；认知用户stk的发射功率是
pr接收到的总信噪比为：
步骤3)在时间t4内，主用户提供空闲频段给认知用户stk，stk向对应的目的节点srk传送信息；认知用户的发射功率依旧保持在
在t3到t4的时间内，认知用户stk将采集到的能量全部用完，
步骤4)认知无线网络运用自适应差分进化算法对一个时隙的时间分配进行优化，来实现效用函数的最大化，具体如下：
认知无线电网络根据自身各链路的信道情况，以及认知用户能量采集的情况，将一个时隙的时间值看作是一个种群，一个个体t＝(t1、t2、t3、t4)；运用自适应差分进化算法，根据目标函数，不断筛选，当进化代数增加到最大进化代数时，选出使效用函数最大的时间分配，进而计算出发射功率
其中，
所述目标函数值，目标函数值最大的种群个体是发射功率最佳的。
最大进化代数是预先设置的。
最大进化代数为100。
所述的步骤4)具体为：
步骤4.1)系统模型初始化种群的参数，其中包括：种群np、自适应变异算子f、交易算子cr、最大进化数g；认知无线电网络根据时间的边界值以及信噪比的约束条件，通过随机选择产生初始种群，并对初始种群进行目标函数计算；其中每个时隙由四部分组成，维数d等于4；初始化种群由如下方法产生：
其中i表示个体在种群中的序列，i＝1，2，3,……,np，j＝1,2,3,4，且
步骤4.2)认知无线网络进行变异、交叉操作，得到临时种群；在变异操作中，对于每个目标向量ti,g，自适应差分进化算法通过随机选择、产生变异向量为：
f＝f0·2λ
其中λ是关于进化代数的指数函数，
ui,g+1＝(u1i,g+1,u2i,g+1,…,udi,g+1)
randb(j)表示在[0,1]中随机产生的第j个估计值，当估值小于等于交叉算子时，临时种群中的第j个个体为通过变异操作得到的个体，若是大于变异算子，则临时种群中的第j个个体是当前种群中对应的第j个个体，通过变异、交叉造作，最终获得系统模型的临时种群；
步骤4.3)认知无线网络使用算法对获得到的临时种群进行选择操作，计算临时种群的目标函数，然后与当前种群的目标向量ti,g的目标函数进行比较，拥有相对较大目标函数值的个体将会进入下一代种群，从而将得到一个新的种群；
步骤4.4)将进化代数g增加1，判断g是否达到最大值g：若是，进化终止，此时种群中的最优个体就是最终的最优个体，即得到认知无线网络在一个时隙内最优的时间分配；若否，继续进行步骤4.2)。
有益效果：本发明采用以上技术方案与其他方案相比，具有如下技术效果：
1)全局搜索概率增加：本方案利用自适应差分进化算法，随机产生种群个体，同时根据算法的搜索情况以及种群进化代数，设置不同的变异算子，增加了搜索到全局最优解的概率。
2)收敛加快：相比较普通的差分进化算法，在相同的收敛情况下，自适应差分进化算法要收敛的比一般差分进化算法快。
附图说明：
图1是本发明的方法流程图。
图2是认知无线电系统模型。
具体实施方法：
下面结合附图对本发明的技术方案做进一步的详细说明：
所述的认知无线电网络，为了提高能量利用率，增大通信范围，主用户发射结点pt可以为认知用户发射结点st提供能量，同时认知用户发射结点st可以作为pt的中继转发节点，协助pt传输信息到主用户目的节点pr。认知无线电网络要根据信道状况和能量采集状况，对一个时隙的时间进行合理分配。
本方案在差分进化算法的基础上，做了一些改进。首先还是根据认知无线电网络模型的边界条件，随机产生一个种群，作为初始种群。同时根据进化代数的逐渐增加，设置不同的变异算子，保证个体的多样性，避免“早熟”现象，有助于保证种群个体的多样性，增加搜索到全局最优值的概率。通过在认知无线电网络中效用函数的测试结果证明：自适应差分进化算法优于一般差分进化算法。
图2是认知无线电系统模型。其中，模型是由一对主用户和k对认知用户组成。其工作原理如图：一个时隙t可以分成四个部分：t1、t2、t3、t4。t1时间内，k个认知用户采集来自主用户源节点pt的射频信号的能量；t2时间内，主用户源节点pt选择认知用户stk作为自己的最佳中继节点并向其传送信息；t3时间内，stk作为中继转发节点，通过解码转发的方式，传输信息给主用户目的节点pr；t4时间内，stk传输自己的信息给其对应的认知用户目的节点srk。
结合图2进行说明，主用户发射结点pt在时间t1内，向主用户目的节点pr发送信息，同时多个认知用户st采集来自pt射频信号的能量，并储存在自己的超级电容里。在时间t2内，pt选择一个st作为最佳中继转发节点，同时依旧传输信息给pr。在时间t3内，认知用户stk作为被选中的中继转发节点协助pt传输信息到pr。在时间t4内，pt提供空闲频谱给stk，stk传输信息给相应的认知用户目的节点srk。在stk传输信息的过程中，即在时间t3～t4内，认知用户stk消耗的全部是t1时间内采集到的能量。认知无线网络通过自适应差分进化算法来分配一个时隙内的t1、t2、t3、t4，从而计算出最佳发射功率
一个时隙内的各时间值是模型要优化的系数，效用函数是目标函数。初始种群中的个体是根据模型的边界条件，随机产生，进化代数g＝1。通过变异、交叉操作，系统产生临时种群。在变异操作过程中，变异算子是自适应的，它随着进化代数的增加变化。计算临时种群和当前种群的目标函数值，比较大小，取目标函数值较大的种群作为当前种群进入下一代进化，即g+1。在达到最大进化数g之前，认知无线电网络需要进行循环操作，直到进化数达到g，则对应的种群个体就是一个时隙最优的时间分配。
本发明提出的能量采集下基于差分进化算法的认知无线网的时间和功率分配方法包括以下步骤：
图1是本发明的方法流程图，一种认知用户在采集能量情况下基于差分进化算法的认知无线电网络的时间和功率分配方法，其特征在于该方法包括以下步骤：
步骤1)、在时间t1内主用户向认知用户发射射频信号，同时，认知用户从主用户pt发射的射频信号中采集能量，并储存在自己的超级电容里。第k个认知用户的能量采集效率为ξk，pa是主用户源节点pt的发射功率，
步骤2)、在时间t2-t3内，主用户目的节点pr收到来自pt和中继转发节点stk的信息。pt到pr的信道增益是
同时，主用户选择作为stk自己的最佳中继转发点，在时间t3内，认知用户stk协助pt向pr传送信息。认知用户stk的发射功率是
pr接收到的总信噪比为：
步骤3)、在时间t4内，主用户提供空闲频段给认知用户stk，stk向对应的目的节点srk传送信息。认知用户的发射功率依旧保持在
在t3到t4的时间内，认知用户stk将采集到的能量全部用完，
步骤4)、认知无线网络运用自适应差分进化算法对一个时隙的时间分配进行优化，来实现效用函数的最大化，具体如下：
认知无线电网络根据自身各链路的信道情况，以及认知用户能量采集的情况，将一个时隙的时间值看作是一个种群，一个个体t＝(t1、t2、t3、t4)。运用自适应差分进化算法，根据目标函数，不断筛选，最终选出使效用函数最大的时间分配，进而计算出发射功率
步骤4.1)、系统模型要初始化种群的关键参数，其中包括：种群np、自适应变异算子f、交易算子cr、最大进化数g。认知无线电网络根据时间的边界值以及信噪比的约束条件，通过随机选择产生初始种群，并对初始种群进行目标函数计算。其中每个时隙由四部分组成，维数d等于4。初始化种群由如下方法产生：
其中i表示个体在种群中的序列，i＝1,2,3,…,np，j＝1,2,3,4，且
步骤4.2)、认知无线网络进行变异、交叉操作，得到临时种群。在变异操作中，对于每个目标向量ti,g(i＝1,2,…,np)，自适应差分进化算法通过随机选择、产生变异向量为：
f＝f0·2λ
其中λ是关于进化代数的指数函数，
在交叉操作中，试验变量通过如下方法产生：
ui,g+1＝(u1i,g+1,u2i,g+1,…,udi,g+1)
(i＝1，2,…,np；j＝1,2,3,4)
randb(j)表示在[0,1]中随机产生的第j个估计值，当估值小于等于交叉算子时，临时种群中的第j个个体为通过变异操作得到的个体，若是大于变异算子，则临时种群中的第j个个体是当前种群中对应的第j个个体，通过变异、交叉造作，最终获得系统模型的临时种群。
步骤4.3)认知无线网络使用算法对获得到的临时种群进行选择操作，计算临时种群的目标函数，然后与当前种群的目标向量ti,g的目标函数进行比较，拥有较大目标函数值的个体将会进入下一代种群，从而我们将得到一个新的种群。
步骤4.4)、判断进化代数的大小，在达到最大进化数g之前，要循环进行步骤4.2)、4.3)的操作，进化代数g也随之加一。当进化代数g＝g时，进化终止，我们将会得到最优个体值，即得到认知无线网络在一个时隙内最优的时间分配。
以上所述仅是本发明的部分实施方法，应当指出，对于本技术领域的技术人员来说，在不脱离本发明原理的前提下，还可以作出相应的改进，这些改进也视为本发明的保护范围。