摘 要:認(rèn)知無線電技術(shù)是下一代通信發(fā)展的方向和趨勢(shì)，同時(shí)也是目前通信研究中的熱點(diǎn)問題。針對(duì)認(rèn)知無線電系統(tǒng)中，在某一信道條件下其通信系統(tǒng)的物理層(PHY)和媒體鏈路層(MAC)的基于多個(gè)目標(biāo)來實(shí)現(xiàn)優(yōu)化的問題，基于量子粒子群算法的基本思想，把量子粒子群算法引入認(rèn)知無線電系統(tǒng)中，并對(duì)該算法進(jìn)行適當(dāng)?shù)母倪M(jìn)，最后基于WSGA控制對(duì)電臺(tái)優(yōu)化問題進(jìn)行了仿真，通過仿真證明了其有效性。

關(guān)鍵詞:認(rèn)知無線電;量子粒子群;多目標(biāo)優(yōu)化;物理層、媒體鏈路層

中圖分類號(hào):TN911文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1004-373X(2010)05-047-04

Goals Optimization Based on Quantum Crowd Particle Algorithm in PHY

Layer and MAC Layer in Cognitive Radio System

XUE Zhoucheng1，LV Junwei1，NI Lei2

(1.Ordnance Engineering College，Shijiazhuang，050003，China;2.Unit 61451 of the PLA，Beijing，100094，China)

Abstract:Cognitive radio technology is tendency and the direction of future communication development，it is also the focus of the communication research.Aimming at solving the problem of goals optimization under certain channel condition in its physical layer and medium link layer in cognitive radio system.The problems of goals optimization problem in cognitive radio based on the basic thoughts of quantum particle crowd algorithm are solved and thoughts of quantum particle crowd algorithm in the cognitive radio system are used for carrying out proper improvements.Finally it emulates the optimization problem using the radio station controlled by WSGA.

Keywords:cognitive radio;quantum crowd particle algorithm;goals optimization;PHY layer and MAC layer

0 引 言

認(rèn)知無線電(Cognitive Radio)將人工智能與無線電通信相結(jié)合，這個(gè)領(lǐng)域具有高度的多學(xué)科性質(zhì)，混合了傳統(tǒng)通信與電子工程的無線電，同時(shí)應(yīng)用了來自計(jì)算機(jī)科學(xué)的一些概念[1]?；径x可歸納為:它是可以感知外界通信環(huán)境的智能通信系統(tǒng)，認(rèn)知無線電系統(tǒng)通過學(xué)習(xí)，不斷地感知外界環(huán)境的變化，并通過自適應(yīng)調(diào)整內(nèi)部的通信機(jī)理達(dá)到對(duì)環(huán)境變化的適應(yīng)。這樣的自適應(yīng)調(diào)整，一方面是為了改進(jìn)系統(tǒng)的穩(wěn)定性，另一方面也是為了提高頻譜的利用率。根據(jù)認(rèn)知無線電框架，用戶首先需要檢測(cè)頻譜環(huán)境，估計(jì)當(dāng)前信道中的干擾溫度及其接入對(duì)鄰近用戶的干擾，根據(jù)這些測(cè)量數(shù)據(jù)，用戶可以自適應(yīng)地改變傳輸參數(shù)，以達(dá)到系統(tǒng)最終的性能最優(yōu)。其基本任務(wù)是:環(huán)境分析、信道預(yù)測(cè)估計(jì)和信道預(yù)測(cè)建模、傳輸功率控制和動(dòng)態(tài)頻譜管理[2]。

認(rèn)知無線電的目標(biāo)是最優(yōu)化自身性能以及支持用戶的需求，但是“最優(yōu)化”的含義是什么?它不僅僅是無線電用戶追求自身資源消耗最大化的自適應(yīng)參數(shù)調(diào)整，考慮在無線電通信上，如果兩對(duì)節(jié)點(diǎn)在不同的網(wǎng)絡(luò)上通信，傳輸在時(shí)間和頻率上的重疊，會(huì)形成干擾。節(jié)點(diǎn)將低信干噪比(SINR)的情況認(rèn)為是觀測(cè)到了干擾，傳統(tǒng)應(yīng)對(duì)干擾的方法是通過增大發(fā)射功率來增加SINR，一條鏈路上的發(fā)射機(jī)增加發(fā)射功率，另一鏈路也將會(huì)以提高發(fā)射功率來回應(yīng)[3]。每個(gè)無線電用戶都將通過增大自身的發(fā)射功率來使接收機(jī)的SINR最大化，這樣最終會(huì)使功率增加到硬件的極限[4]。

在嚴(yán)重?fù)砣念l譜環(huán)境中，改變頻率可能不是一個(gè)很好的解決方法，這是為什么要查找可能調(diào)整的所有物理層和鏈路層來改善其性能的原因[5]。

首先定義，在無線電中實(shí)現(xiàn)了滿足用戶的性能水平，并最小化其消耗資源(如占用的帶寬、消耗的功率等)時(shí)，就認(rèn)為“最優(yōu)化”。因此應(yīng)該知道用戶的需要以及如何調(diào)整無線電性能才能滿足這些需要。

在物理層中，中心頻率、符號(hào)速率、發(fā)射功率、調(diào)制類型和調(diào)制階數(shù)、脈沖成形濾波器(PSF)類型、階數(shù)、擴(kuò)頻類型、擴(kuò)頻因子等都能進(jìn)行調(diào)整。鏈路層上則為各種可以改進(jìn)網(wǎng)絡(luò)性能的變量，包括信道編碼和交織類型和速率，以及接入控制方法，如流量控制、幀的大小以及多址接入技術(shù)等。

認(rèn)知無線電遵循的基本過程是調(diào)整自身的參數(shù)來實(shí)現(xiàn)某一期望的最優(yōu)性能組合。無線最優(yōu)化概念是通過分析許多目標(biāo)函數(shù)的輸入與輸出來描述的，在這種情況下，描述各個(gè)目標(biāo)之間的相互依賴關(guān)系使用單目標(biāo)分析系統(tǒng)變得困難，用戶和網(wǎng)絡(luò)的需求不能同時(shí)得到滿足，這種需求會(huì)隨著時(shí)間和具體情況發(fā)生很大變化。這時(shí)單目標(biāo)函數(shù)已不能充分表示這些不同目標(biāo)的需求[6]。

設(shè)認(rèn)知無線電需調(diào)整的N個(gè)參數(shù)為a=，具體參數(shù)是發(fā)射功率、調(diào)制方式、中心頻率、符號(hào)速率等，由于受各種制度、物理環(huán)境、硬件條件等方面的限制，認(rèn)知無線電參數(shù)通常要滿足很多約束條件。為適應(yīng)當(dāng)前外部條件，認(rèn)知無線電需優(yōu)化的目標(biāo)函數(shù)為f=，其中n為目標(biāo)函數(shù)的個(gè)數(shù)，目標(biāo)函數(shù)的選擇要求能反映當(dāng)前的鏈路質(zhì)量，如平均發(fā)射功率、數(shù)據(jù)速率、識(shí)碼率、帶寬、頻帶效率、數(shù)據(jù)包延時(shí)等。不同的鏈路條件、不同的用戶需求導(dǎo)致不同目標(biāo)函數(shù)的重要性不盡相同。在實(shí)際運(yùn)用中可用權(quán)重?cái)?shù)值的大小來反映目標(biāo)函數(shù)的重要性程度。由此可知實(shí)現(xiàn)認(rèn)知無線電參數(shù)的調(diào)整功能是一個(gè)多目標(biāo)優(yōu)化問題，即如何調(diào)整無線電參數(shù)取值來實(shí)現(xiàn)給定權(quán)重情況下多個(gè)目標(biāo)函數(shù)的優(yōu)化[7]。

由于缺少單目標(biāo)函數(shù)的衡量，所以不能從經(jīng)典的優(yōu)化理論來獲得調(diào)整無線電參數(shù)的方法，取而代之的是使用MODE標(biāo)準(zhǔn)來分析無線電性能。MODE理論使得人們可以在與之用來建模的目標(biāo)函數(shù)個(gè)數(shù)一樣多的維數(shù)中實(shí)現(xiàn)最優(yōu)化，目前遺傳算法已被廣泛用于MODE問題的求解[1]。

MODE理論的核心是用數(shù)學(xué)方法選擇一系列的參數(shù)，從而使一組目標(biāo)函數(shù)最優(yōu)化。MODE方法的基本表示如式(1)、式(2)所示:

min/max(y)=f()=)，f2()，…，fn()〗(1)

約束條件:

=(x1，x2，…，xm)∈X

=(y1，y2，…，ym)∈Y(2)

其中，所有的目標(biāo)函數(shù)都定義成最大化y或最小化y，最大化或最小化取決于具體的實(shí)際應(yīng)用。x的值(即x1，x2等)表示輸入;y值表示輸出。式(1)提供了MODE的表示，但沒有指定優(yōu)化系統(tǒng)的方法。某些目標(biāo)函數(shù)以某種方式進(jìn)行組合會(huì)產(chǎn)生最優(yōu)化的輸出。在實(shí)踐中可以有很多方法實(shí)現(xiàn)最優(yōu)化，目前遺傳算法運(yùn)用最廣泛。

傳統(tǒng)求解多目標(biāo)優(yōu)化問題的方法有加權(quán)法、約束法、目標(biāo)規(guī)劃法等，這些求解方法按某種策略確定多目標(biāo)之間的權(quán)衡方式，將多目標(biāo)問題轉(zhuǎn)換為多個(gè)不同的單目標(biāo)問題，并用這些單目標(biāo)優(yōu)化問題的最優(yōu)解構(gòu)成的解集去近似最優(yōu)解。這些方法和每次優(yōu)化結(jié)果，只得到一個(gè)妥協(xié)解，而且采用不同的方法求解，結(jié)果可能完全不同。

本文引入的量子粒子群算法用于對(duì)MODE問題的求解，同時(shí)對(duì)于量子粒子群算法進(jìn)行了一些改進(jìn)。量子衍生計(jì)算是近年來新提出的一種新的計(jì)算方法，引進(jìn)量子理論的進(jìn)化算法具有很好的空間搜索能力。量子多目標(biāo)進(jìn)化算法具有更強(qiáng)逼近最優(yōu)前沿的能力和更好的多樣性，具有量子行為的粒子群算法，能保證全局的收斂性，其性能優(yōu)于傳統(tǒng)的遺傳算法。

1 量子粒子群算法

1.1 粒子群算法的基本思想

粒子群算法(PSO)是由Kennedy和Eberhart等于1995年率先提出的，它借鑒鳥群捕食過程的社會(huì)行為，是一種并行進(jìn)化的計(jì)算方法，引入慣性權(quán)重來實(shí)現(xiàn)對(duì)解空間的搜索控制，逐步形成了目前普遍應(yīng)用的基本粒子群算法[8]。思想是:為將每個(gè)個(gè)體看作是D維搜索空間中一個(gè)沒有體積和質(zhì)量的粒子，在搜索空間中，以一定的速度飛行，并根據(jù)個(gè)體和群體飛行經(jīng)驗(yàn)的綜合分析來動(dòng)態(tài)調(diào)整這個(gè)速度。設(shè)群體中第i個(gè)粒子為Xi，它經(jīng)歷過的位置為Pi，其中最佳位置記為Pbest，當(dāng)前組成的群體中所有粒子經(jīng)過的最佳位置記為Pgbest，粒子i速度用vi=(vi1，vi2，…，vid)表示，對(duì)第i次迭代，粒子i在D維空間的運(yùn)動(dòng)方程為:

vid(t+1)=w#8226;vid(t)+c1rand()[pbest-xid(t)]+

c2rand()[Pgbest-x(t)]

xid(t+1)=xid+v(t+1)(3)

式中:w為慣性權(quán)重，它使粒子保持運(yùn)動(dòng)的慣性，使其有能力探索新的區(qū)域;c1，c2為常數(shù);rand為范圍的隨機(jī)數(shù)。

1.2 量子比特的表示

提出量子比特編碼多態(tài)問題可由式(4):

α1α2…αm

β2β2…βm〗(4)

表示為。通用量子旋轉(zhuǎn)門調(diào)整則相應(yīng)可表示為:

α′iβ′i〗=cos(Δθ)-sin(Δθ)sin(Δθ)cos(Δθ)〗αiβi〗(5)

1.3 量子粒子群算法

從量子力學(xué)的角度出發(fā)提出了一種新的PSO算法模型。這種模型以DELTA勢(shì)阱為基礎(chǔ)，認(rèn)為粒子具有量子行為，并根據(jù)這種模型，提出了一種具有量子行為的粒子群算法。此算法具有簡(jiǎn)單易實(shí)現(xiàn)和調(diào)節(jié)參數(shù)少的優(yōu)點(diǎn)，具有良好的穩(wěn)定性和收斂性[9]。

借用粒子群中的群智能策略，將這種群的所有量子看成一個(gè)智能群體，找到每次迭代過程中局部最優(yōu)解進(jìn)行進(jìn)一步的動(dòng)態(tài)調(diào)整，其操作過程是:量子粒子i在第j比特經(jīng)i次迭后，速度、位置、個(gè)體最好和全局位置分別為vij(t)，θij(t)，θbestij，θgbestij，則速度和位置迭代公式為:

vij(t+1)=w#8226;vij(t)+c1rand()+

c2rand()

θij(t+1)=θij(t)+vij(t+1)(6)

本文基于以上量子粒子群算法的基本思想，采用基于Pareto支配關(guān)系的排序關(guān)系來更新粒子的個(gè)體最優(yōu)值和局部發(fā)最優(yōu)值，定義一種新的極大極小距離方法，并采用該距離方法裁減非支配解。利用量子粒子旋轉(zhuǎn)門更新粒子的量子角度，提出了一種新的多目標(biāo)優(yōu)法算法。

1.4 基于距離方法的量子粒子群多目標(biāo)優(yōu)化算法

提出用于計(jì)算適應(yīng)值的距離方法——量子粒子群多目標(biāo)優(yōu)化算法(Quantum Bit Particle Swarm Optimization，QBPSO)，來解決多目標(biāo)優(yōu)化問題。這種方法的基本思想是根據(jù)每個(gè)個(gè)體到前一代獲得的Pareto解之間的距離來分配其適應(yīng)值。它采用外部懲罰函數(shù)將多目標(biāo)優(yōu)化問題轉(zhuǎn)換為無約束問題。其中，參數(shù)r控制懲罰項(xiàng)的幅度，Pi是初始潛在值。

該距離方法對(duì)于Pi和r的設(shè)置比較敏感。對(duì)于任何不可行解，r的值越高，計(jì)算得到的距離值也越高，因此，適應(yīng)值最終接近于0，如果太多，個(gè)體的適應(yīng)值為0，搜索將無法進(jìn)行。另外，如果初始潛在值與不同解之間的適應(yīng)值差別會(huì)很不明顯。這將導(dǎo)致選擇壓力過小，結(jié)果導(dǎo)致算法收斂速度較慢。另一方面，如果初始潛在值過小，計(jì)算得到的適應(yīng)值將趨向于0。

對(duì)于每個(gè)個(gè)體歷史最優(yōu)解的選取，采用以下步驟:

(1) 如果當(dāng)前解支配個(gè)體i個(gè)歷史最優(yōu)解，則作為歷史最優(yōu)解。

(2) 如果當(dāng)前解不支配i個(gè)歷史最優(yōu)解，則比較當(dāng)前解和歷史最優(yōu)解的D(i)值，選擇具有較小D(i)的那個(gè)解作為歷史最優(yōu)解[10]。

1.5 慣性權(quán)重的改進(jìn)

慣性權(quán)重類似模擬退火中的溫度，較大的w有較好的全局收斂能力;而較小的w則有較強(qiáng)的局部收斂能力，慣性權(quán)重w滿足:

w(t)=0.9-(0.5t)/MaxNumber(7)

式中:MaxNumber為最大截止代數(shù)。這樣，將慣性權(quán)重w看成迭代次數(shù)的函數(shù)，可從0.9~0.4線性減少。

雖然該方法能保證慣性權(quán)重w隨迭代次數(shù)的增加而減小，但在每一代中，所有粒子的慣性權(quán)重均一樣，不能很好地體現(xiàn)每個(gè)粒子的支配關(guān)系和擁擠程度。因此，在本文算法中，采用不動(dòng)態(tài)設(shè)置慣性權(quán)重。

慣性權(quán)重w=群體粒子數(shù)/個(gè)體粒子數(shù)N+被粒子I所支配的粒子數(shù)+距離密度D(i)。

可以看出，慣性權(quán)重取值區(qū)間為(0.33，1)，在算法當(dāng)前期粒子慣性權(quán)重趨向于后期慣性權(quán)重時(shí)，逐漸趨于1，而且在每次迭代過程中各個(gè)粒子的慣性權(quán)重也不盡相同，越好的粒子獲得的慣性權(quán)重越小，越差的粒子獲得的慣性的權(quán)重值越大。該方法能更好的平衡和局部搜索，提高算法的收斂速度。

1.6 算法流程

上述量子粒子群算法流程如下:

(1) t→0，初始化種群Q(0)。

(2) 對(duì)初始化種群的各個(gè)體實(shí)施測(cè)量，得到一組狀態(tài)P(0)，并進(jìn)行適應(yīng)度評(píng)估。

(3) While 非結(jié)束條件do。

Begin

① t→t+1;

② 對(duì)于Q(t-1)實(shí)施觀測(cè)，得到P(t)，進(jìn)行適應(yīng)評(píng)估;

③ 比較各解，計(jì)算各解所支配的解的個(gè)數(shù);

④ 計(jì)算極大極小距離，求出各Pareto解的D(x)值;

⑤ 利用基于量子門旋轉(zhuǎn)策略更新Q(t)。

End

2 算法驗(yàn)證及基于某型電臺(tái)的最優(yōu)化仿真

本文改進(jìn)的這種基于粒子群化多目標(biāo)優(yōu)化算法，采用新的距離方法，以保持解群體的分布性能，同時(shí)，動(dòng)態(tài)設(shè)置粒子的慣性權(quán)重，有效地保持了算法前期全局搜索和后期局部搜索之間的平衡。以多維0/1背包問題為測(cè)試對(duì)象，經(jīng)多次實(shí)驗(yàn)結(jié)果表明，該算法具有較好的收劍性和保持解的分布性。該算法能夠快速搜索到多目標(biāo)優(yōu)化問題的Pareto前沿，特別對(duì)多維、復(fù)雜優(yōu)化問題提供更有效的方法[10]。

下面以某型電臺(tái)為例，它是基于硬件的平臺(tái)，具有有限的參數(shù)和調(diào)整范圍，所有的物理層特性如表1所示。

在受限制的無線電臺(tái)中，量子粒子群算法也是可行的，設(shè)計(jì)試驗(yàn)由WSGA控制的點(diǎn)對(duì)點(diǎn)無線電鏈路和作為干擾的第三個(gè)同型號(hào)的無線電臺(tái)組成。

表1 硬件參數(shù)的配置

參數(shù)范圍參數(shù)范圍

頻率5 730~5 820 MHz編碼速率:1/2，2/3，3/4

功率6~17 dBmTDD29.2%~91%

調(diào)制QPSK，QAM8，QAM16

注:QPSK為正交相移鍵控;TDD為時(shí)分雙工。

試驗(yàn)包括建立一條高流量的初始視頻鏈路，當(dāng)出現(xiàn)干擾時(shí)，信號(hào)質(zhì)量迅速下降且變得無法區(qū)別時(shí)，WSGA接著運(yùn)行，目標(biāo)函數(shù)設(shè)置為最小化BER、最小化發(fā)射功率、最大化數(shù)據(jù)速率、電臺(tái)不改變現(xiàn)有的頻率，測(cè)試目的是為了測(cè)試無線電如何處理其他參數(shù)。

試驗(yàn)中顯示了在測(cè)試中WSGA的良好性能，但仍然希望有更靈活的平臺(tái)，這樣就能建立一個(gè)軟件無線電(SDR)的物理層仿真，具有更多的可調(diào)參數(shù)，以及更大的調(diào)整范圍，如表2，表3所示。

表2 仿真參數(shù)

參數(shù)范圍參數(shù)范圍

功率0~30 dBmPSF滾降系數(shù)0.01~1

頻率2 400~2 480 MHzPSF階數(shù)5~10

調(diào)制MPSK，MQAM符號(hào)速率1~20 MSPS

調(diào)制M2~64

表3 仿真試驗(yàn)條件

函數(shù)

權(quán)重最小頻譜占用最大流量干擾避免

BER255100200

帶寬25510255

頻譜效率100200200

功率22510200

數(shù)據(jù)速率100255100

干擾00255

在此時(shí)的無線電仿真參數(shù)和條件下，目標(biāo)函數(shù)為BER、占用帶寬、功率、數(shù)據(jù)速率以及干擾量。

運(yùn)用算法如表3所示，每個(gè)目標(biāo)都得到了優(yōu)化，每個(gè)結(jié)果BER都為0。

第一試驗(yàn):如圖1所示，將占用頻譜最小化為1 MHz。

第二試驗(yàn):如圖2所示，將流量最大化為72 Mb/s。

第三試驗(yàn):如圖3所示，找到一個(gè)嵌入干擾空隙的解。

圖1 占用頻譜最小化為1MHz

圖2 流量最大化為72 Mb/s

圖3 一個(gè)嵌入干擾空隙的解

3 結(jié) 語

認(rèn)知無線電的設(shè)計(jì)目標(biāo)是優(yōu)化自身的性能，支持用戶需求。當(dāng)無線電在達(dá)到具有一定水平的性能，且滿足用戶需求時(shí)，對(duì)占用帶寬和電池功率等資源消耗最小時(shí)，就實(shí)現(xiàn)了優(yōu)化。本文所討論的算法可解決物理層和鏈路層參數(shù)調(diào)整的一些基礎(chǔ)性問題。

參考文獻(xiàn)

[1][美] Bruce A Fette.認(rèn)知無線電技術(shù)[M].趙知?jiǎng)?，鄭仕鏈，譯.北京:科學(xué)出版社，2008.

[2]Mitola J，Maguire G.Cognitive Radio:Making Software Radios more Personal[J].IEEE Personal Communication Magazine，1999，6(4):13-18.

[3]Mitola J.Cognitive Radio for Flexible Mobile Multimedia Communications[J].1999 IEEE International Work-shop on Mobile Multimedia Communications，1999，10(3):15-17.

[4]Ganesan G，Li YG.Cooperation Spectrum Sensing in Cognitive Radio Networks[J].Proceedings of IEEE，2005:137-143.

[5]Mitola J.Cognitive Radio for Flexible Mobile Multimedia Communications[J].Mobile Networks and Applications，2001，6(5):435-441.

[6]Urkowitz H.Energy Detection of Unknown Detection Signals[J].Proceedings of IEEE，1997，55:523-231.

[7]Nuttall A H.Some Integrals involving the Qm Function[J].IEEE Trans.on Information Theory，1975，21(1):95-96.

[8]Kalyanmoy Deb，Amrit Pratap，Meyarivan T.A Fast and Elitist Multi-objective Genetic Algorithm:NSGA-II[J].IEEE Trans.on Evolutional Computation，2002，6(2):182-197.

[9]Sun J，Xu W B.A Global Search Strategy of Quantum-Behaved Particle Swarm Optimization.Proceedings of IEEE Conference on Cybernetics and Intelligent Systems[C].2004:111-116.

[10]Sun J，F(xiàn)eng B，Xu W B.Particle Swarm Optimization with Particles having Quantum Behavior.Proceedings of Congress on Evolutionary Computation[C].2004:325-331.