畢曉君,李安寧
(哈爾濱工程大學(xué)信息與通信工程學(xué)院,黑龍江哈爾濱150001)
近年來(lái),認(rèn)知無(wú)線電被認(rèn)為是克服頻譜資源緊缺和提高通信效率最具有前景的技術(shù)[1],其中認(rèn)知能力和重配置能力是認(rèn)知無(wú)線電系統(tǒng)必須具備的兩大基本功能[2].而認(rèn)知決策引擎是實(shí)現(xiàn)重配置能力的關(guān)鍵技術(shù),它根據(jù)感知到的環(huán)境參數(shù),對(duì)多個(gè)目標(biāo)進(jìn)行參數(shù)優(yōu)化,可減小發(fā)射功率、降低系統(tǒng)誤碼率和增大數(shù)據(jù)傳輸速率等,從而提高通信效率.目前關(guān)于認(rèn)知無(wú)線電決策引擎問(wèn)題的研究尚屬起步階段,文獻(xiàn)成果較少.其中文獻(xiàn)[3]將遺傳算法應(yīng)用到?jīng)Q策引擎中,但遺傳算法存在收斂速度慢、易于早熟等問(wèn)題,導(dǎo)致優(yōu)化效率比較低;文獻(xiàn)[4]提出了二進(jìn)制粒子群算法,雖然在收斂速度上有所提高,但仍易陷入局部最優(yōu).而目前效果最好的方法是基于協(xié)進(jìn)化粒子群算法(coevolutionry particle swarm optimization,CPSO)的認(rèn)知決策引擎[5],與其他算法相比,在一定程度上可以提高系統(tǒng)的整體性能,但在易陷入局部最優(yōu)和優(yōu)化時(shí)間方面仍有待進(jìn)一步提高.
差分進(jìn)化算法是近年興起的目前效果最好的優(yōu)化算法,查閱現(xiàn)有文獻(xiàn),還沒(méi)有將差分進(jìn)化算法應(yīng)用到認(rèn)知無(wú)線電決策引擎的研究成果.為此本文進(jìn)行了探索和嘗試,提出一種基于二進(jìn)制差分算法的認(rèn)知無(wú)線電決策引擎,實(shí)驗(yàn)仿真結(jié)果表明,它可以在更短的時(shí)間內(nèi),獲得更適合系統(tǒng)的工作參數(shù),使系統(tǒng)整體性能有較大幅度的提高.
認(rèn)知無(wú)線電系統(tǒng)不僅需要適應(yīng)動(dòng)態(tài)變化的無(wú)線環(huán)境,還需要考慮到用戶的應(yīng)用需求、遵守特定頻段的頻譜特性和傳播特性等參數(shù);因此,認(rèn)知決策引擎所要解決的問(wèn)題可以描述成多目標(biāo)優(yōu)化問(wèn)題,通過(guò)調(diào)整自身參數(shù)來(lái)實(shí)現(xiàn)多個(gè)目標(biāo)最佳的性能組合[6].
假設(shè)認(rèn)知無(wú)線電需要調(diào)整的參數(shù)為
式中:m為參數(shù)的個(gè)數(shù).
式中:f=(f1,f2,…,fn)表示所要實(shí)現(xiàn)的各目標(biāo)函數(shù),n為目標(biāo)函數(shù)個(gè)數(shù),則認(rèn)知決策引擎所要解決的優(yōu)化問(wèn)題可以表示為式(1)的形式:
式中:X代表所要調(diào)整參數(shù)的約束空間,F(xiàn)代表目標(biāo)函數(shù)適應(yīng)度值的約束空間[7].
實(shí)際上,不同的信道條件和用戶需求導(dǎo)致目標(biāo)函數(shù)的側(cè)重程度也不相同,例如在多媒體通信中,側(cè)重點(diǎn)是最大化數(shù)據(jù)傳輸速率;在數(shù)據(jù)通信中,側(cè)重點(diǎn)是最小化誤比特率.因此,大部分文獻(xiàn)采用式(2)的形式將復(fù)雜的多目標(biāo)函數(shù)優(yōu)化問(wèn)題轉(zhuǎn)換成單目標(biāo)優(yōu)化問(wèn)題,通過(guò)權(quán)值的不同來(lái)滿足各用戶對(duì)不同目標(biāo)偏好程度的需求[7].
式中:wi≥0,i=1,2,…,n,w1+w2+ … +wn=1.wi為各個(gè)目標(biāo)函數(shù)的權(quán)值,權(quán)值越大代表對(duì)該目標(biāo)的偏好程度越大,反之亦然.
本文與文獻(xiàn)[8]相同,根據(jù)多載波頻譜環(huán)境、用戶需求以及頻譜限制,選取最小化傳輸功率、最小化誤碼率以及最大化數(shù)據(jù)速率3個(gè)目標(biāo)函數(shù)作為認(rèn)知決策引擎的重點(diǎn),進(jìn)行參數(shù)優(yōu)化.雖然文獻(xiàn)[5]中將最大化吞吐量也作為一個(gè)目標(biāo)函數(shù),但是系統(tǒng)吞吐量主要由系統(tǒng)誤碼率決定,最小化誤碼率就可以保證最大化系統(tǒng)吞吐量,因此沒(méi)有必要再引入最大化吞吐量這一目標(biāo)函數(shù).3個(gè)目標(biāo)函數(shù)的歸一化表達(dá)式分別為:
1)最小化傳輸功率:
式中:pmax為子載波所能達(dá)到的最大傳輸功率,p為所有子載波的平均功率.
2)最小化誤碼率:
式中:pbe為所有子信道的平均誤碼率,定義0.5為系統(tǒng)所能容忍的誤碼率最大值,不同調(diào)制方式誤碼率計(jì)算公式不同,為了能夠與文獻(xiàn)[5]進(jìn)行有效的性能對(duì)比,本文也選用AWGN信道條件,則M-PSK的誤碼率如式(5)所示.
而M-QAM的誤碼率如式(6)所示.
式中:M為調(diào)制進(jìn)制數(shù),γ為信噪比,erfc為互補(bǔ)誤差函數(shù).
3)最大化數(shù)據(jù)速率:
式中:N為子載波數(shù)目,Mi為第i個(gè)子載波的調(diào)制進(jìn)制數(shù),Mmin為最小調(diào)制進(jìn)制數(shù),Mmax為最大調(diào)制進(jìn)制數(shù).
由此認(rèn)知決策引擎所要優(yōu)化的目標(biāo)函數(shù)可以表示為式(8)的形式:
差分進(jìn)化算法(differential evolution,DE)是1995年由Storn等提出的一種群體智能優(yōu)化算法[9],2005年被引入國(guó)內(nèi).DE算法具有記憶個(gè)體最優(yōu)解和種群內(nèi)信息共享的特點(diǎn),通過(guò)種群內(nèi)個(gè)體的合作與競(jìng)爭(zhēng)來(lái)實(shí)現(xiàn)對(duì)優(yōu)化問(wèn)題的求解,其本質(zhì)是一種基于實(shí)數(shù)編碼的具有保優(yōu)思想的貪婪遺傳算法.
式中:r1,r2,r3∈{1,2,…,NP}互不相同且與 i不同;為父代基向量為父代差分向量;F為變異因子.然后,對(duì)個(gè)體由式(9)生成的變異個(gè)體實(shí)施交叉操作,生成試驗(yàn)個(gè)體如式(10)所示.
式中:rand(j)為[0,1]的均勻分布隨機(jī)數(shù);PCR為[0,1]的交叉概率;jrand為{1,2,…,D}之間的隨機(jī)量.利用式(8)對(duì)試驗(yàn)個(gè)體的目標(biāo)函數(shù)進(jìn)行比較,對(duì)于最大化問(wèn)題,則選擇目標(biāo)函數(shù)值較低的個(gè)體作為新種群的個(gè)體,如式(11)所示.
式中:f為目標(biāo)函數(shù).
DE算法流程圖如圖1所示.
圖1 差分進(jìn)化算法流程Fig.1 Flowchart of DE
最初的DE算法主要針對(duì)解決連續(xù)空間函數(shù)優(yōu)化問(wèn)題,為解決離散優(yōu)化問(wèn)題,文獻(xiàn)[10]提出一種二進(jìn)制差分算法(binary differential evolution,BDE),可以有效解決離散函數(shù)優(yōu)化問(wèn)題.
與標(biāo)準(zhǔn)差分算法相比,BDE的不同之處在于問(wèn)題解空間都是通過(guò)0和1編碼,如果直接進(jìn)行變異操作所得到的變異個(gè)體可能不符合解空間取值范圍的限制,所以進(jìn)行以下操作,首先按照式(12)把解向量映射到[0,1]:
然后針對(duì)變異操作后不在[0,1]的解按照sigmoid函數(shù)映射到該范圍內(nèi),如式(13)所示.
最后在交叉操作之前再將解重新解碼成由0和1組成的解,如式(14)所示.
除了以上不同之外,二進(jìn)制差分算法與標(biāo)準(zhǔn)差分算法類似.
在式(8)中,首先需要確定3個(gè)目標(biāo)函數(shù)對(duì)應(yīng)的權(quán)重值,為此本文采用文獻(xiàn)[11]提供的權(quán)重值,具體如表1所示.
表1 目標(biāo)函數(shù)的權(quán)重設(shè)置Tabel 1 The settings of the weight of the objective function
實(shí)際上,不同的權(quán)重值代表了系統(tǒng)不同的工作模式.模式1側(cè)重于最小化傳輸功率,適用于低功耗情況;模式2側(cè)重于最小化誤碼率,適用于可靠性要求較高的情況;模式3側(cè)重于最大化數(shù)據(jù)速率,適用于對(duì)數(shù)據(jù)速率要求高的情況.
本文采用BDE算法對(duì)式(8)進(jìn)行尋優(yōu)計(jì)算,以獲得認(rèn)知決策引擎的最優(yōu)參數(shù)組合,其具體的步驟如下:
1)設(shè)定參數(shù):設(shè)定算法終止條件即種群最大迭代次數(shù)Max_g,初始群體規(guī)模POPSIZE,每個(gè)個(gè)體的維數(shù)為codelength,子載波數(shù)目N.
2)生成初始種群:隨機(jī)生成一個(gè)POPSIZE行codelength列的矩陣,其中每行表示一個(gè)個(gè)體.
3)計(jì)算適應(yīng)度:對(duì)于每個(gè)個(gè)體分別將N個(gè)子載波的功率和調(diào)制方式進(jìn)行解碼,根據(jù)式(3)~(7)計(jì)算 fmin-power、fmin-ber和 fmin-datarate,然后根據(jù)式(8)及表 1計(jì)算每個(gè)個(gè)體的適應(yīng)度值.
4)差分和交叉算子操作:對(duì)于每個(gè)父代個(gè)體,從父代種群中隨機(jī)選取2個(gè)不同的個(gè)體,并根據(jù)式(9)產(chǎn)生變異后新的子代;根據(jù)式(10)生成交叉后的新個(gè)體.
5)選擇操作:將變異和交叉前后的個(gè)體進(jìn)行適應(yīng)度比較,較優(yōu)的個(gè)體保留下來(lái)進(jìn)入下一代.
6)重復(fù)3)~5),直到滿足終止條件,其中最大適應(yīng)度值對(duì)應(yīng)的解就是最佳工作參數(shù)組合.
為驗(yàn)證本文提出算法應(yīng)用于認(rèn)知決策引擎的效果,這里進(jìn)行了仿真實(shí)驗(yàn),并與目前效果最好的CPSO算法[5]進(jìn)行對(duì)比,從而證明本文提出算法的有效性和先進(jìn)性.實(shí)驗(yàn)是在 Inter core i7 CPU Q720,1.6GHz、內(nèi)存4GB的計(jì)算機(jī)上運(yùn)行,程序采用Matlab 2010b版本編寫.仿真環(huán)境是基于多載波通信系統(tǒng),采用32個(gè)子載波,為了模擬信道的衰落,為每個(gè)子載波分配一個(gè)區(qū)間為[0,1]的隨機(jī)數(shù).發(fā)射功率為0~25.2 dBm,步長(zhǎng)間隔 0.4 dBm,編碼由 6位二進(jìn)制比特組成,調(diào)制方式可能為 BPSK、QPSK、16QAM和64QAM,由2位二進(jìn)制比特進(jìn)行編碼,因此每個(gè)子載波功率和調(diào)制方式由8位比特進(jìn)行編碼.信道類型為AWGN,噪聲功率為0 dBm,路徑損耗為0 dB[5].在 BDE 算法中 PCR=0.6,F(xiàn)=0.1.在CPSO 算法中,c1=2,c2=2,vmax=4,w=1.2 種算法初始種群為30,迭代次數(shù)為1 000.
本文BDE算法與CPSO算法對(duì)3種模式分別進(jìn)行30次獨(dú)立的仿真實(shí)驗(yàn),最后對(duì)30次仿真結(jié)果平均.圖2分別給出了3種模式下平均目標(biāo)函數(shù)值隨迭代次數(shù)的變化情況.
圖2 2種算法適應(yīng)度對(duì)比Fig.2 The comparison of the fitness in twoalgorithms
從圖2中可以看出,在3種模式下CPSO算法都陷入局部最優(yōu)后,適應(yīng)度值不再變化,同時(shí)算法結(jié)束后最優(yōu)個(gè)體的適應(yīng)度值都低于本文BDE算法,說(shuō)明不能保證每次發(fā)現(xiàn)全局最優(yōu)解;而本文BDE算法可以在CPSO算法陷入局部最優(yōu)后,仍可以通過(guò)不斷迭代提高適應(yīng)度值,最終準(zhǔn)確發(fā)現(xiàn)全局最優(yōu)解,說(shuō)明本文BDE算法的全局尋優(yōu)能力強(qiáng)于CPSO算法.同時(shí)BDE算法在3種模式下目標(biāo)函數(shù)適應(yīng)度值都高于CPSO,說(shuō)明在最小化功率、最小化誤碼率和最大化數(shù)據(jù)速率3個(gè)目標(biāo)綜合評(píng)價(jià)下,基于BDE的認(rèn)知決策引擎在不同工作模式下整體優(yōu)化性能都要優(yōu)于基于CPSO的認(rèn)知決策引擎.
表2給出了2種算法在不同模式下30次獨(dú)立實(shí)驗(yàn)的平均運(yùn)行時(shí)間和各目標(biāo)工作性能.從表2可以看出,與目前效果最好的CPSO算法相比,本文算法在3種模式下所需要的運(yùn)行時(shí)間明顯少于CPSO算法所需時(shí)間,說(shuō)明本文算法的認(rèn)知決策引擎速度快于基于CPSO的認(rèn)知決策引擎.同時(shí)在模式1下,本文算法優(yōu)化后的平均功率明顯小于CPSO算法優(yōu)化后結(jié)果,降低了系統(tǒng)的功率損耗;在模式2下,本文算法優(yōu)化后的平均誤碼率遠(yuǎn)遠(yuǎn)小于CPSO算法的結(jié)果,提高了通信質(zhì)量;在模式3下,本文算法優(yōu)化后的數(shù)據(jù)速率大于CPSO算法的結(jié)果,提高了系統(tǒng)的通信效率.
表2 2種算法優(yōu)化時(shí)間及結(jié)果對(duì)比Tabel 2 The time and results of two algorithms
綜上所述,本文提出的基于BDE算法的認(rèn)知決策引擎整體優(yōu)化性能優(yōu)于基于CPSO的認(rèn)知決策引擎,并且工作效率和對(duì)偏好目標(biāo)工作性能都明顯優(yōu)于CPSO算法.
針對(duì)認(rèn)知無(wú)線電決策引擎調(diào)整工作參數(shù)問(wèn)題,本文提出了一種基于BDE算法的認(rèn)知決策引擎算法.實(shí)驗(yàn)仿真結(jié)果表明,本文提出的算法能夠快速得到最佳工作參數(shù),同時(shí)使整體優(yōu)化性能更好,并且在不同模式下針對(duì)主要優(yōu)化目標(biāo)取得更好的工作性能,更適合解決認(rèn)知決策引擎實(shí)際問(wèn)題,在認(rèn)知無(wú)線電系統(tǒng)中具有一定的實(shí)用價(jià)值.
[1]NEWMAN T R,RAJBANSHI R,WYGLINSKI A M,et al.Population adaptation for genetic algorithm cognitive radios[C]//Proceedings of the 2nd International Conference on Cognitive Radio Oriented Wireless Networks and Communications.Orland,USA,2007:279-284.
[2]郭彩麗,馮春燕,曾志民.認(rèn)知無(wú)線電網(wǎng)絡(luò)技術(shù)及應(yīng)用[M].北京:電子工業(yè)出版社,2010:14-15.
[3]ZHANG X Q,HUANG Y Q,JIANG H,et al.Design of cognitive radio node engine based on genetic algorithm[C]//2009 WASE International Conference on Information Engineering.Taiyuan,China,2009:22-25.
[4]POVALAC K,MARSALEK R.Adjusting of the multicarrier communication system using binary particle swarm optimization[C]//Proceedings of 19th International Conference Radioelektronika 2009.Bratisalava,Slovakia,2009:251-254.
[5]趙知?jiǎng)?,張偉衛(wèi),彭振,等.基于協(xié)進(jìn)化粒子群優(yōu)化的認(rèn)知決策引擎[J].計(jì)算機(jī)工程,2011,37(3):163-165.ZHAO Zhijin,ZHANG Weiwei,PENG Zhen,et al.Cognitive decision engine based coevolutionry particle swarm optimization[J].Computer Engineering,2011,37(3):163-165.
[6]趙知?jiǎng)牛焓烙?,鄭仕鏈,?基于二進(jìn)制粒子群算法的認(rèn)知無(wú)線電決策引擎[J].物理學(xué)報(bào),2009,58(7):5118-5125.ZHAO Zhijin,XU Shiyu,ZHENG Shilian,et al.Cognitive radio decision engine based on binary particle swarm optimization[J].Acta Physica Sincia,2009,58(7):5118-5125.
[7]焦傳海,王可人.一種基于免疫遺傳算法的認(rèn)知決策引擎[J].系統(tǒng)工程與電子技術(shù),2010,32(5):1083-1087.JIAO Chuanhai,WANG Keren.Cognitive radio decision based on immune genetic algorithm[J].Systems Engineering and Electronics,2010,32(5):1083-1087.
[8]WU D,WANG F,YANG S Y.Cognitive radio decision engine based on priori knowledge[C]//Proceedings of 3rd International Symposium on Parallel architectures,Algorithms and Programming.Dalian,China,2009:346-349.
[9]畢曉君,王義新.多模態(tài)函數(shù)優(yōu)化的擁擠差分進(jìn)化算法[J].哈爾濱工程大學(xué)學(xué)報(bào),2011,32(2):223-227.BI Xiaojun,WANG Yixin.Multimodal function optimization using a crowding differential evolution[J].Journal of Harbin Engineering University,2011,32(2):223-227.
[10]DENG C S,ZHAO B Y,YANG Y L,et al.Novel binary differential evolution algorithm for discrete optimization[C]//5th International Conference on Natural Computation.Tianjin,China,2009:346-349.
[11]NEWMAN T R.Cognitive engine implementation for wireless multicarrier transceivers[J].Wireless Communications and Mobile Computing,2007,7(1):1129-1142.