蔡暢，王亞芳，苗兵梅，姜慧

（河北科技大學信息科學與工程學院，河北 石家莊 050018）

基于改進遺傳算法的認知無線傳感網(wǎng)動態(tài)頻譜分配方案

蔡暢，王亞芳，苗兵梅，姜慧

（河北科技大學信息科學與工程學院，河北 石家莊 050018）

將認知無線電中的動態(tài)頻譜分配技術應用在無線傳感網(wǎng)中，針對工作在ISM（industrial，scientific and medical）頻段的無線傳感網(wǎng)面臨的頻譜資源緊缺問題，提出一種基于改進自適應遺傳算法的動態(tài)頻譜分配方案。該算法以圖論著色模型為基礎，以最大帶寬收益和最小切換頻率為目標函數(shù)，在交叉和變異過程中采用自適應交叉概率和變異概率代替固定的交叉概率和變異概率。仿真結果表明，與傳統(tǒng)遺傳算法和顏色敏感圖論著色算法相比，該算法可以實現(xiàn)提高頻譜利用率、降低能量消耗的預期目標。

認知無線傳感網(wǎng)；遺傳算法；圖著色；動態(tài)頻譜分配

1 引言

萬物互聯(lián)[1]的概念即將隨著5G時代的到來深入每個行業(yè)中，而萬物互聯(lián)的核心即物聯(lián)網(wǎng)，5G技術讓物聯(lián)網(wǎng)成為可能，可見物聯(lián)網(wǎng)之于5G時代的意義非同尋常。無線傳感網(wǎng)絡（wireless sensor network，WSN）作為物聯(lián)網(wǎng)應用的關鍵領域，在物聯(lián)網(wǎng)中起著類似“感官”的作用，應用于軍事、醫(yī)療等眾多領域。無線傳感網(wǎng)絡是由大量密集分布在監(jiān)控區(qū)域的微小傳感器節(jié)點組成的，這些傳感器節(jié)點具有感知能力、通信能力和計算能力，通過自組織和多跳方式構成自治測控網(wǎng)絡系統(tǒng)[2]。作為無線傳感網(wǎng)的主要任務是各節(jié)點之間協(xié)作地感知和收集數(shù)據(jù)，并將監(jiān)測信息報告給用戶；其局限性在于傳感器能量有限，通信能力有限。

傳統(tǒng)無線傳感器網(wǎng)絡的體系結構一般由3個組件構成，即認知節(jié)點、匯聚（sink）節(jié)點和用戶管理中心（觀察者），如圖1所示。無線傳感器網(wǎng)絡中信息的傳遞是由網(wǎng)絡中的終端節(jié)點進行發(fā)送和接收，當這些節(jié)點處于工作狀態(tài)時，每個節(jié)點將采集到的信息通過多跳的方式傳送給匯聚節(jié)點，之后通過網(wǎng)絡傳遞到管理中心和用戶終端。WSN的拓撲結構有平面式、層次式、混合式和mesh網(wǎng)絡結構，本文討論的僅為基于分簇的拓撲模型，能量消耗更低。

圖1 WSN的網(wǎng)絡體系結構

無線傳感器網(wǎng)絡傳輸?shù)幕A為網(wǎng)絡中的頻譜資源，但是在無線通信技術發(fā)展過程中，有限的頻譜資源被各種無線通信方式利用，資源短缺問題越來越嚴峻。為了提高頻譜資源利用率，解決頻譜利用不均衡問題，Mitola[3]在軟件無線電的基礎上提出認知無線電（cognitive radio，CR）的概念。認知無線電中的動態(tài)頻譜分配技術恰好能解決WSN在數(shù)據(jù)傳送中的頻譜資源有限的問題，為此，近年出現(xiàn)了認知無線傳感器網(wǎng)絡（cognitive radio sensor network，CRSN）的概念。認知無線電被認為是與其他工作在同一頻段網(wǎng)絡共享頻譜資源的一種重要解決途徑[4]。

認知無線傳感網(wǎng)絡系統(tǒng)中帶寬、用戶位置和信道數(shù)量等條件不固定，動態(tài)頻譜分配則可以根據(jù)用戶需求或系統(tǒng)自身指標對頻譜分配策略進行自適應調整，從而提高系統(tǒng)靈活性，避免頻譜空洞浪費，因此動態(tài)頻譜分配在解決頻譜資源共享問題上較靜態(tài)頻譜分配方式有很大優(yōu)勢，但是無形中也給 WSN增加了節(jié)點檢測頻譜空穴和信息通信量增加的負擔。與此同時，動態(tài)頻譜分配過程中節(jié)點為收獲更大帶寬收益不斷切換頻率，使得能量消耗問題更加嚴重。頻譜分配大概分為兩種方式，即集中式和分布式。集中式分配方式由一個專門的網(wǎng)絡協(xié)調器（network coordinator）[5]收集頻譜資源并按需分配給各子節(jié)點，而分布式分配方式則需要每個傳感器都具備感知全局或局部空間可用頻譜的能力并進行競爭；鑒于上述能耗情況，本文設計的系統(tǒng)模型將感知任務交給部分節(jié)點或者基站，以節(jié)約大部分節(jié)點能量。

本文將動態(tài)頻譜分配方案轉換成多目標優(yōu)化問題來解決，利用改進的遺傳算法輔助認知無線電執(zhí)行頻譜分配，進一步改善系統(tǒng)性能。在圖論著色頻譜分配模型的基礎上，提出了改進的遺傳算法（improved genetic algorithm，IGA），該算法兼顧最大頻譜收益率和最小切換頻率兩個指標，在保證最大限度提高系統(tǒng)收益的同時降低能源消耗，使得認知無線傳感網(wǎng)絡的頻譜切換達到最優(yōu)的效果。

2 系統(tǒng)模型和問題描述

2.1 系統(tǒng)模型

CR-WSN模型由主用戶（primary user，PU）、次用戶（secondary user，SU）、PU基站（base station，BS）和WSN的sink節(jié)點組成，圖2為無線認知傳感網(wǎng)絡系統(tǒng)模型，圖中次用戶包括WSN的采集節(jié)點和中繼節(jié)點。WSN的sink節(jié)點任意分布在基站周圍，直接與基站傳遞信息。WSN的采集節(jié)點進行頻譜感知，檢測可用頻譜，并將檢測到的信息傳遞給sink節(jié)點。BS具有全部認知功能，并負責檢測和區(qū)分頻譜機會并進行頻譜分配。

圖2 無線認知傳感網(wǎng)絡系統(tǒng)模型

認知無線傳感網(wǎng)的頻譜分配可以類比于信道分配，而每一個具體的網(wǎng)絡拓撲結構又可以抽象成一個圖論中圖的概念，每一個通信節(jié)點用圖中的定點來表示，以基于圖論著色理論的信道矩陣模型[6]為理論模型進行頻譜分配?；趫D著色理論的頻譜分配模型可以用不同的矩陣來表示W(wǎng)SN的網(wǎng)絡拓撲結構，包括可用矩陣L、效益矩陣B、干擾矩陣C和分配矩陣A。假設在網(wǎng)絡覆蓋區(qū)域內主用戶、次用戶數(shù)均為 N，可用頻段數(shù)目為M。

可用矩陣表示次用戶可用的空閑頻譜，表示為：

其中，ln,m=1表示頻譜m可以分配給用戶n，若ln,m=0，則表示頻譜不可用。

效益矩陣表示用戶在此次頻譜分配中可以獲得的效益，表示為：

其中，bn,m表示頻譜m分配給用戶n可以獲得的效益，如頻譜利用率等。

干擾矩陣表示當用戶n和用戶k同時使用頻譜m時是否相互干擾，表示為：

其中，當cn,k,m=1時，用戶n和用戶k不能同時分配到頻譜m；若cn,k,m=0，則不產(chǎn)生干擾，可以同時分配。當n=k時，cn,n,m=1-ln,m。

分配矩陣表示在沒有任何干擾情況下用戶和頻譜的分配情況，表示為：

其中，an,m=1表示頻譜m分配給了用戶n，而an,m=0則表示用戶n和頻譜m沒有分配關系。

初始分配矩陣表示該網(wǎng)絡環(huán)境的初始分配情況：

由于分配矩陣A是無干擾可行的分配矩陣，所以相對應的干擾矩陣C和可用矩陣L中的相應元素應為cn,k,m=0，ln,m=1。

假設在一種無沖突分配情況下，用戶n的收益為rn，則有：

用R表示對應各用戶收益向量，有：

可以用不同類型的目標函數(shù)對WSN頻譜分配進行優(yōu)化，以按需達到不同的目標。若只考慮最大帶寬收益，設系統(tǒng)收益的目標函數(shù)用 U表示：

收益目標函數(shù)并未考慮到系統(tǒng)的公平性，僅僅單純追求最大網(wǎng)絡收益，適用于對節(jié)點公平性要求不高的網(wǎng)絡。

在每一次頻譜切換中，切換頻率由分配矩陣A和初始分配矩陣A1決定，設切換頻率him表示節(jié)點i在頻譜m上進行切換，則有：

WSN此次進行頻譜切換頻率用H表示：

H值的大小表示此次切換的頻譜切換率的大小[7]。

2.2 問題描述

在CRSN的網(wǎng)絡環(huán)境下進行頻譜分配，考慮到其本身傳遞信息量不是很大，而且分布零散，進行信息傳遞需要通過多跳的方式進行，所以頻譜資源能夠得到最大化合理的利用是頻譜分配過程的最終目的；同時由于其節(jié)點靠電池供電，所以要盡可能減少節(jié)點在頻譜切換上增加的能量損耗。定義X為節(jié)點集合，網(wǎng)絡中有N個節(jié)點，ai采集節(jié)點編號，其中i=1，…，N。ω（a）為節(jié)點i的頻譜分配解。FIND{<ω（ai）>}ai∈X為其解的集合。采用干擾模型，即假定鏈路間的干擾范圍已知，且為定值。

根據(jù)第2.1節(jié)中的參數(shù)定義，可以把問題做以下描述：

其中，式（11）表示所有節(jié)點分配的頻譜必須在給定的可用頻譜空間內。式（12）中I(ai)表示與節(jié)點 ai的干擾集合必須為空。式（13）表示節(jié)點ai的效用函數(shù)最大值，為目標函數(shù)之一；式（14）表示頻譜分配的最小切換頻率，作為另一個目標函數(shù)。

2.3 模型求解

在動態(tài)頻譜分配領域已經(jīng)形成了3種應用最廣泛的模型，分別為圖論著色算法模型、拍賣競價分配模型和博弈論算法模型。對于基于圖論模型解決動態(tài)頻率分配問題，已有很多專家學者進行了研究，并研究出了一套成熟的圖論著色模型算法，有列表著色算法[8,9]、顏色敏感算法[10]、并行分配算法等。在WSN中基于節(jié)約能量的目的大部分都采用集中式頻譜分配，故采用圖論著色模型。

基于圖論模型的頻譜分配是一個NP難問題，智能優(yōu)化算法可以很好地解決此問題，本文選擇目前比較成熟的遺傳算法進行動態(tài)頻譜分配。遺傳算法是一種自適應算法，通常用于數(shù)據(jù)查找和問題優(yōu)化，廣泛用于現(xiàn)代優(yōu)化理論中[11]。

本文提出改進的遺傳算法分別從編碼和交叉變異的過程對遺傳算法進行改進，將帶寬收益和切換頻率作為目標函數(shù)，在程序設計過程中，需進行多次頻譜分配，每次分配的初始分配矩陣均為上次頻譜分配的結果。

3 改進的遺傳算法

遺傳算法作為智能計算中的關鍵技術，有自身的優(yōu)點，如頑健性，但極易出現(xiàn)“早熟”、局部優(yōu)化等現(xiàn)象。通常遺傳算法包括編碼、種群初始化、計算適應度值、選擇、交叉和變異等過程。本文分別在編碼、交叉和變異概率及目標函數(shù)上對傳統(tǒng)遺傳算法進行改進，使得算法更貼切地表達并解決WSN中的頻譜分配問題，最大限度實現(xiàn)系統(tǒng)的最大收益和能源節(jié)約。

3.1 編碼

編碼是遺傳算法的首個步驟，旨在將基因按照一定規(guī)則構成染色體（chromosome），在遺傳算法中以染色體為基本單位進行后續(xù)過程。

初始化環(huán)境過程中，在網(wǎng)絡區(qū)域范圍內隨機分配主次用戶的位置，然后根據(jù)位置信息得出收益矩陣B、可用矩陣L、約束矩陣C。遺傳算法以染色體為基本單位，假設用S表示染色體，則每條染色體S表示一種可行的頻譜分配方案。由于分配矩陣A與可用矩陣L之間存在著約束關系，所以可用矩陣L中零元素的位置上對應分配矩陣A元素值為 0。為了避免染色體中產(chǎn)生大量的冗余位，染色體是S中只記錄與可用矩陣L中值為1的元素位置上對應的分配矩陣A中的元素值。染色體S的長度L(S)為可用矩陣L中非零元素的個數(shù)。

如圖3所示，將染色體S中元素放到可用矩陣L中非零元素位置，得到分配矩陣A。經(jīng)過這樣的映射，搜索空間被極大地降低了，從而提升了整個算法的效率。

3.2 交叉和變異

在遺傳算法中，交叉和變異是整個遺傳算法的核心過程。交叉過程是一種局部優(yōu)化過程；而變異過程則是對問題進行全局優(yōu)化，防止陷入局部最優(yōu)?；镜倪z傳算法交叉概率（pc）和變異概率（pm）都是固定的，但是在進化初期，種群差異比較大，交叉可以產(chǎn)生更好的個體，此時可以減小變異概率，以降低計算量；在進化的后期，種群差異較小，僅僅在種群內部進行交叉已經(jīng)于事無補，需要依靠變異過程對算法進行全局優(yōu)化，適當提高變異概率，降低交叉概率，可以使問題更容易達到全局最優(yōu)解，同時減小計算量。

假設交叉概率和變異概率分別為pc、pm，可以對pc和pm進行自適應化。pc和pm自適應化的數(shù)學表達式為：

在式（16）和式（17）中，fmax為群體中的最大適應度值，favg為群體平均適應度值，f表示要交叉的兩個個體中較大的適應度值，f '為要變異個體的適應度值，pc1、pc2、pm1、pm2為常數(shù)，pc1=0.9、pc2=0.6、pm1=0.1、pm2=0.001。

通過式（16）和式（17）可知，個體的交叉概率和變異概率根據(jù)個體的適應度值在平均適應度和最大適應度值之間進行線性變換。為保證每一代的優(yōu)良個體不參與交叉變異過程，該自適應遺傳算法采用了精英保留策略，如果當前種群最優(yōu)個體適應度值優(yōu)于下一代種群中的最優(yōu)個體適應度值，則將當前種群所有適應度值大于下一代最優(yōu)個體適應度值的多個個體直接替代下一代中適應度最差的個體。在個體的適應度值大于群體平均適應度值時，個體的交叉概率和變異概率會減小，使該解得以被保護進入下一代；當個體適應度值小于群體平均適應度值時，兩者都取較大數(shù)值，使該解更容易被淘汰，保證種群多樣性，避免“早熟”現(xiàn)象發(fā)生。

圖3 S與A的映射

3.3 適應度函數(shù)

在遺傳算法中，個體的優(yōu)劣由適應度值的大小來決定。本算法的適應度函數(shù)由無線傳感網(wǎng)的特殊環(huán)境決定。在無線傳感網(wǎng)中，傳感器作為節(jié)點，本身有著體積小、能量有限的限制性特點，加上在WSN中加入了動態(tài)頻譜分配技術、頻譜感知等功能，使節(jié)點需要去檢測頻譜空穴、傳輸檢測到的信息及頻譜分配的結果等信息、頻繁切換頻率以求達到最大的頻譜利用率，這些額外增加的功能都將加重節(jié)點能量消耗。針對這些在設計適應度函數(shù)時應該綜合考慮兩方面的約束：高效利用頻譜空穴，爭取系統(tǒng)整體最大帶寬收益，節(jié)點之間協(xié)調工作，而非單個節(jié)點獨自占用通信資源；盡可能減小節(jié)點頻率切換，在不能減小頻譜感知和傳遞通信信息耗用能量的同時，減少頻率切換使用的能量，延緩因節(jié)點失效造成的系統(tǒng)網(wǎng)絡拓撲變更。式（18）給出了本算法的適應度函數(shù)：

其中，U表示系統(tǒng)帶寬收益，在迭代過程中選擇最大值，H表示切換頻率，在迭代過程中選擇最小值，所以Obj_F在整個算法中越大，越接近算法要得到的最優(yōu)解。

3.4 改進的遺傳算法流程

本文將遺傳算法應用到無線傳感網(wǎng)中的動態(tài)頻譜分配中，改進的遺傳算法以圖論著色模型為基礎，根據(jù)實際情況對編碼、交叉和變異過程及目標函數(shù)進行了改善。為了保證遺傳算法的收斂時間，改進遺傳算法并未添加復雜的保護機制，使改進的算法更靈活，更有利于無線傳感網(wǎng)絡進行動態(tài)頻譜分配。提出的基于改進遺傳算法的動態(tài)頻譜分配算法流程如圖4所示。

根據(jù)圖4，基于改進遺傳算法的動態(tài)頻譜分配過程分為以下幾個步驟。

步驟 1 對網(wǎng)絡環(huán)境進行初始化。網(wǎng)絡環(huán)境初始化過程包括設定網(wǎng)絡區(qū)域范圍、最大傳送功率和最小傳送功率、主用戶的覆蓋半徑、主用戶數(shù)和次用戶數(shù)、信道數(shù)、隨機放置主用戶和次用戶的位置信息、主用戶選擇要使用的信道，并根據(jù)以上信息計算出效益矩陣B={bn,m}N×M、可用矩陣L=｛ln,m| ln,m∈｛0，1｝｝N×M和干擾矩陣C=｛cn,k,m| cn,k,m∈｛0，1｝｝N×N×M。設置第一代的初始分配矩陣A1為零矩陣，之后的初始分配矩陣為上一代選出的最優(yōu)分配矩陣。

圖4 基于改進遺傳算法的動態(tài)頻譜分配算法流程

步驟2 隨機產(chǎn)生初始種群染色體。首先計算染色體S的長度L(S)即可用矩陣L中非零元素個數(shù)，然后隨機產(chǎn)生一個長度為L(S)的二進制初始種群。

步驟3 根據(jù)可用矩陣L和干擾矩陣C對染色體S進行映射。這一步中遍歷染色體S，將第i個染色體中的基因映射到分配矩陣an,m中，如果an,m、ak,m和cn,k,m同時為1，說明用戶n和用戶k在同時使用信道m(xù)時會產(chǎn)生干擾，這時需隨機將an,m或ak,m中的一個值置零。此步驟為第3.1節(jié)中的編碼過程，目的是降低算法搜索空間，提升搜索效率。

步驟4 根據(jù)適應度函數(shù)Obj_F對種群中每個個體的適應度值進行排序，并采用輪盤賭算法對其進行選擇。在輪盤賭選擇中，適應度值高的個體在輪盤中對應的扇區(qū)大，在輪盤轉動的過程中更容易被選擇到，相反，適應度值低的個體則容易在選擇過程中被淘汰。

步驟 5 交叉和變異。以每個個體的適應度值為依據(jù)，計算每個個體的交叉概率和變異概率并執(zhí)行交叉和變異操作，生成新世代的種群。

步驟6 判斷是否達到算法預設的最大進化代數(shù)，若是，則迭代停止，記錄每一代具有最大適應度值的個體和最終選出的最優(yōu)頻譜分配矩陣；若沒有達到最大進化代數(shù)，則向上循環(huán)執(zhí)行步驟3。

3.5 算法復雜度分析

本文算法將動態(tài)頻譜分配問題作為多目標優(yōu)化問題解決，分為兩個階段：第一階段用圖論著色模型建立模型，描述網(wǎng)絡環(huán)境；第二部分采用遺傳算法在所建模型的基礎上尋找最優(yōu)解。第一階段中需要進行n×m次比較和k次覆蓋半徑的計算，因此第一階段的復雜度為O（nm）；在第二階段中種群初始化階段的時間復雜度為O(nm+n2·popsize)，交叉變異過程的復雜度為O(popsize·gmax·n2)，所以改進遺傳算法的復雜度為O（popsize·gmax·n2），與傳統(tǒng)遺傳算法的復雜度有相同的數(shù)量級。

4 仿真與分析

根據(jù)第3節(jié)所介紹的改進遺傳算法的實現(xiàn)原理，在MATLAB仿真軟件中對改進遺傳算法的性能進行仿真驗證，與傳統(tǒng)遺傳算法和顏色敏感（color sensitive graph coloring，CSGC）算法進行適應度值、平均網(wǎng)絡收益和切換頻率對比，并給出相應的仿真結果，進一步地論證改進遺傳算法的優(yōu)越性。顏色敏感算法作為圖論著色算法模型的其中一個重要分支，其考慮協(xié)作與非協(xié)作的用戶行為下的頻譜效用，在認知無線電動態(tài)頻譜分配算法領域有一定地位。對于傳統(tǒng)遺傳算法，Mustafa Y等[12]第一次將遺傳算法引入認知無線電的頻譜分配領域，并驗證了遺傳算法在該領域應用的有效性，但基本遺傳算法存在收斂速度慢、易早熟、收斂精度不高的缺點，所以人們進行了大量的改善算法研究，本文也是基于遺傳算法的改進算法，并在后文與傳統(tǒng)遺傳算法進行了效果比較。

改進遺傳算法的仿真參數(shù)設定如下：假設仿真的環(huán)境中不存在噪聲干擾，也不存在傳感器節(jié)點地理位置的改變，所有用戶均使用相同功率，且覆蓋半徑和干擾半徑均相同。系統(tǒng)中的主用戶與感知用戶均隨機地分布在一個10 m×10 m的簡單空間中。假設傳送功率最大值和最小值分別為1 dB和4 dB，主用戶覆蓋半徑為2 m，即在主用戶坐標的2個單位長度的范圍內不允許次用戶使用相同頻率，次用戶也如此。實驗均重復40次，取平均值作為輸出結果。

改進遺傳算法相關的仿真參數(shù)見表1。

表1 遺傳算法仿真數(shù)據(jù)

仿真用戶數(shù)及信道數(shù)見表2。

表2 用戶數(shù)及信道數(shù)

改進遺傳算法與傳統(tǒng)遺傳算法適應度值比較如圖5所示，遺傳算法設置為進化200代后終止。在仿真結果中，兩種遺傳算法都可以找到各自的最大適應度值，但是傳統(tǒng)遺傳算法的最大網(wǎng)絡效益明顯比改進過的自適應遺傳算法低?？梢钥闯?，改進遺傳算法在收斂速度和尋求最優(yōu)解上都有更優(yōu)秀的表現(xiàn)。

圖5 兩種遺傳算法適應度值比較

在算法中，無論是遺傳算法自身的參數(shù)設置還是網(wǎng)絡環(huán)境變化，都可以直接影響比較結果，但在大部分情況下改進遺傳算法性能都優(yōu)于傳統(tǒng)遺傳算法。影響算法性能的因素主要來自兩個方面，一方面是遺傳算法方面的參數(shù)，如種群規(guī)模、交叉概率、變異概率等，另一方面是網(wǎng)絡環(huán)境本身，如主用戶數(shù)量、感知節(jié)點數(shù)量和傳感器節(jié)點位置的變化。本文以遺傳算法自身的參數(shù) pm1、pm2和網(wǎng)絡環(huán)境中次用戶數(shù)N為例進行分析。圖6對比了改進遺傳算法中pm1、pm2分別取值為0.1、0.01和0.01、0.001時與傳統(tǒng)遺傳算法適應度值的比較，結果顯示在進化到77代之后，當pm1、pm2取值為0.1、0.01的改進遺傳算法適應度值比傳統(tǒng)遺傳算法高，但是當pm1、pm2取值為0.01、0.001時，效果卻遠不如傳統(tǒng)遺傳算法；圖7的仿真中改變了網(wǎng)絡環(huán)境，將次用戶數(shù)增加到20，可以看出，改進遺傳算法最終的優(yōu)化結果依然比傳統(tǒng)遺傳算法好。

圖6 不同pm下改進算法與傳統(tǒng)遺傳算法適應度值比較

圖7 次用戶數(shù)N=20時兩種算法適應度值比較（K=5,M=10,N=20）

圖8、圖9在比較中加入了顏色敏感圖論著色算法，以最大系統(tǒng)收益和最小切換頻率作為目標函數(shù)，橫坐標為實驗標號，共50組實驗，縱坐標分別為平均網(wǎng)絡收益和切換頻率，且本次50組實驗參數(shù)與表1、表2相同。從仿真結果可以看出，采用遺傳算法對問題進行優(yōu)化時，在增大網(wǎng)絡收益和減小切換頻率兩方面都有明顯改善。在網(wǎng)絡收益方面，改進遺傳算法高于傳統(tǒng)遺傳算法，傳統(tǒng)遺傳算法與CSGC算法的網(wǎng)絡收益相差無幾，可見改進遺傳算法對于相同條件下的網(wǎng)絡收益有明顯的提高。在切換頻率方面，改進遺傳算法略低于傳統(tǒng)遺傳算法，兩種遺傳算法都較穩(wěn)定，CSGC算法的切換頻率由于不作為CSGC算法的目標函數(shù)，故比遺傳算法嚴重，這也恰恰是CSGC算法應用于WSN的弊端。

圖8 平均網(wǎng)絡收益比較

圖9 切換頻率比較

綜合比較發(fā)現(xiàn)，本文提出的改進遺傳算法能夠很好地兼顧最小切換頻率和最大網(wǎng)絡收益，在收斂速度和尋求最優(yōu)解上均高于傳統(tǒng)遺傳算法和顏色敏感圖論著色算法，能夠充分挖掘利用頻譜資源，真正做到在提高系統(tǒng)總帶寬收益的同時節(jié)約節(jié)點資源，達到了預期的效果。

5 結束語

鑒于 WSN頻譜資源短缺和能量受限的特殊情況，本文將認知無線電中的動態(tài)頻譜分配技術與WSN結合，提出了基于改進遺傳算法的動態(tài)頻譜分配方案。仿真結果分析表明，改進遺傳算法以帶寬收益最大化和切換頻率最小化為改進目標對頻譜分配進行優(yōu)化，在保證主用戶數(shù)據(jù)傳輸?shù)那疤嵯拢梢杂行У靥岣哒w系統(tǒng)帶寬效益，與同類頻譜分配算法相比，降低切換頻率帶來的能量消耗，適用于無線傳感網(wǎng)絡。

在研究動態(tài)頻譜分配算法過程中發(fā)現(xiàn)改進遺傳算法的不足之處在于設計目標函數(shù)時未考慮用戶公平性，可能導致網(wǎng)絡資源分配不均衡，一些用戶分配到頻譜時間延長。另外動態(tài)頻譜分配不僅給CRSN帶來了足夠可用的頻譜資源，同時也要求網(wǎng)絡層的路由協(xié)議適應多跳、頻譜多變的環(huán)境，因此還需要提出更適合CRSN路由協(xié)議，這兩點也是下一步要研究的內容。

[1]葉聞. 5G將掀起萬物互聯(lián)的新浪潮[J]. 中國電信業(yè), 2016(7): 74-75. YE W. 5G will set off a new wave of things on the Internet[J]. China Telecommunication Trade, 2016(7): 74-75.

[2]ZHOU Z, ZHOU S L, CUI S G, et al. Energy-efficient cooperative communication in a clustered wireless sensor network[J]. IEEE Transactions on Vehicular Technology, 2008, 57(6): 3618-3628.

[3]VIJAY G, BEN A B E, IBNKAHLA M. Cognition in wireless sensor networks: a perspective[J]. Sensors Journal IEEE, 2011, 11(3): 582-592.

[4]HAYKIN S. Cognitive radio: brain-empowered wireless communications[J]. IEEE Journal on Selected Areas in Communications, 2005, 23(2): 201-220.

[5]OZGER M, AKAN O B. Event-driven spectrum-aware clustering in cognitive radio sensor networks[C]//INFOCOM 2013, April 14-19, 2013, Turin, Italy. New Jersey: IEEE Press, 2013: 1483-1491.

[6]PENG C Y, ZHENG H T. Utilization and fairness in spectrum assignment for opportunistic spectrum access[J]. ACM Mobile Networks and Applications, 2006, 11(4): 555-576.

[7]周來秀, 鄧曙光, 楊冰, 等. 基于 MaUMiH的無線傳感器網(wǎng)絡頻譜分配方案[J]. 計算機與數(shù)字工程, 2010, 38(7): 9-12. ZHOU L X, DENG S G, YANG B, et al. Spectrum allocation scheme based on MaUMiH in wireless sensor networks[J]. Computer and Digital Engineering, 2010, 38(7): 9-12.

[8]BOGDANOWICZ D, GIARO K. Some results on a trading model in a consensus list coloring[C]//2008 International Conference on Information Technology, May 18-21, 2008, Gdansk, Poland. New Jersey: IEEE Press, 2008: 1-4.

[9]LIU Y, JIANG M, TAN X, et al. Maximal independent set based channel allocation algorithm in cognitive radios[C]//2009 IEEE Youth Conference on Information, Computing and Telecommunication, Sept 20-21, 2009, Beijing, China. New Jersey: IEEE Press, 2009: 78-81.

[10]ZHANG B, HU K, ZHU Y. Spectrum allocation in cognitive radio networks using swarm intelligence[C]//2010 International Conference on Communication Software and Networks, Feb 26-28, 2010, Singapore. New Jersey: IEEE Press, 2010: 8-12.

[11]HAUPT R L, WERNER D H. Genetic algorithms in electromagnetics[M]. New Jersey: IEEE Press, 2007.

[12]MUSTAFA Y, NAINAY E. Island genetic algorithm-based cognitive networks[D]. Blacksburg: Virginia Polytechnic Institute and State University, 2009.

Dynamic spectrum allocation for cognitive radio sensor networks based on improved genetic algorithm

CAI Chang, WANG Yafang, MIAO Bingmei, JIANG Hui
College of Information Science and Engineering, Hebei University of Science and Technology, Shijiazhuang 050018, China

ISM (industrial scientific and medical) bands where wireless sensor network works faced with the shortage of spectrum resources problems. Aimed at this case, dynamic spectrum allocation in cognitive radio technology was applied in wireless sensor network. A dynamic frequency spectrum allocation scheme was proposed. The algorithm was a modified adaptive genetic algorithm which was based on graph coloring model. In addition, the objective functions of the algorithm were maximum bandwidth gains and minimum spectrum handoff, besides, in the crossover and mutation process, adaptive crossover probability and mutation probability was used instead of the fixed. Experimental results confirm that compared with the traditional genetic algorithm and color sensitive graph coloring algorithm, the proposed algorithm can achieve the expected goal of improving the spectral efficiency and reducing energy consumption.

cognitive radio sensor network, genetic algorithm, graph coloring, dynamic spectrum allocation

TP393

A

10.11959/j.issn.1000?0801.2017217

蔡暢（1993?），女，河北科技大學信息科學與工程學院碩士生，主要研究方向為數(shù)字通信技術和無線傳感網(wǎng)。

王亞芳（1962?），女，河北科技大學信息科學與工程學院副教授，主要研究方向為信息基礎設施、下一代網(wǎng)絡和數(shù)字交換與傳輸技術。

苗兵梅（1992?），女，河北科技大學信息科學與工程學院碩士生，主要研究方向為數(shù)字通信技術。

姜慧（1991?），女，河北科技大學信息科學與工程學院碩士生，主要研究方向為數(shù)字通信技術。

2017?03?22；

2017?07?05