阅读说明：本技术 基于改进小生境遗传的认知无线网络频谱分配方法 (Cognitive wireless network spectrum allocation method based on improved niche inheritance ) 是由 朱赟 许颖 钱梁梁 汤磊 廖赟 于 2020-06-10 设计创作，主要内容包括：本发明公开了一种基于改进小生境遗传的认知无线网络频谱分配方法,在认知无线电中,如何最大化合理地分配频谱资源,从而使整体的频谱效益最大是当前的研究重点。本发明基于改进小生境遗传的认知无线网络频谱分配方法通过无干扰分配、干扰分配等方法计算频谱分配总效益。改进传统遗传算法对各个频谱方案进行选择、交叉、变异、淘汰、迭代等一系列的操作来得到最适合的分配方案,此方案就是我们需要的最优方案。为用户提供一种访问可用频谱的有效方法,保证信道的合理有效分配,提高频谱的吞吐量。(The invention discloses a cognitive wireless network spectrum allocation method based on improved niche inheritance, which is a current research focus on how to reasonably allocate spectrum resources to the maximum extent in cognitive radio. The cognitive wireless network spectrum allocation method based on the improved niche inheritance calculates the total benefit of spectrum allocation through methods such as interference-free allocation and interference allocation. A traditional genetic algorithm is improved to carry out a series of operations such as selection, intersection, variation, elimination, iteration and the like on each frequency spectrum scheme to obtain the most suitable distribution scheme, and the scheme is the optimal scheme required by people. An effective method for accessing the available frequency spectrum is provided for users, the reasonable and effective distribution of channels is ensured, and the throughput of the frequency spectrum is improved.)

基于改进小生境遗传的认知无线网络频谱分配方法

技术领域

为用户提供一种访问可用频谱的有效方法，保证信道的合理有效分配，提高频谱的吞吐量，保证频谱分配效益最大化。

背景技术

随着近年来的无线设备的不断增加，无线电频谱的稀缺性出现了，要求建立方法来开发技术描述，以有效地访问现有的无线电频谱。为此，认知无线电(CR) 技术可以为提高频谱利用率提供一个有前途的解决方案。CR需要一个可选的频谱管理，即当一级用户(PU)未占用频道时，允许二级用户(SU)探测和访问该频谱。

认知无线电的方法：认知无线电为有效和充分利用无线电频道资源提供了一个很有前途的解决方案。它已经引起了许多研究的关注，为了促进SUs和PUs之间的频谱分配共享，已经提出了分布式和集中式的方案。然后，应用机器学习的概念来最大化容量和频谱访问分配。不同的学习算法可用于CR网络，如模糊逻辑、神经网络、隐马尔可夫模型、遗传算法等。

遗传算法：遗传算法是解决最佳化的一种搜索算法，是群体智能算法的一种。它模拟了生物进化中的遗传、变异、选择等过程，“物竞天择，适者生存”说明最适合的个体，即适应度最大的个体应该保存下来，成为进化的大体方向。在用遗传算法解决实际问题的时候，需要对问题的所有解决方案先进行编码，而这个编码就是它的基因型，所有的解决方案构成初始群体，用一个适应度函数来衡量这个解决方案的好坏优劣，经过模拟生物基因的选择、交叉、变异来产生新的种群，一部分优秀的解决方案被保留下来，一些不理想的解决方案在“进化”的过程中被舍弃，往复N次，即进化了N代后，结果将趋近于选择那个最好的方案，以此来模拟生物进化。遗传算法的好处在于过程简单，利用概率可以与其他算法结合，找到最适合解决的方案。

系统模型：图论着色模型(图1)

其中频谱分配被表述为图着色问题。网络抽象为无向图G＝(V,E,L)，顶点(v) 表示用户，边缘(E)表示干扰，没有通道可以同时分配给任何相邻的节点。L 表示信道的可用性。

图1中▲1-5表示不同的5位二级用户，A、B、C表示当前空间内存在的可用频谱，Ⅰ-Ⅳ表示的是当前空间内存在的一级用户，他们各自使用的频谱为 B\A\B\C.

圆圈表示的是一级用户可使用的频谱范围。二级用户在此范围内不可以使用与当前一级用户使用的频谱，但是在无干扰下可以使用该一级用户闲置不用的频谱。例如，对于二级用户3，它不能使用一级用户Ⅰ的频谱B，也不可以使用一级用户Ⅱ的频谱A，只能使用频谱C。

本发明的目的是提出基于改进小生境遗传的认知无线网络频谱分配方法。通过可用频谱分配、干扰分配、频谱分配效益结合负载和信噪比来得出频谱分配总效益，以此作为改进遗传算法的适应度函数。以二级用户(N)分配频谱(J)作为一个个体，所有的分配可能性作为种群，所分配的频谱为它的基因型。在此基础上进行一系列选择、交叉、变异，迭代。最终得出最适合的分配方案。

为解决上述发明目的，将整个过程分为：图论着色数学模型的构建、频谱分配总效益的推算、小生境遗传算法的改进。

(一)图论着色数学模型的构建

图1中▲1-5表示不同的5位二级用户，A、B、C表示当前空间内存在的可用频谱，Ⅰ-Ⅳ表示的是当前空间内存在的一级用户，他们各自使用的频谱为 B\A\B\C.为更好地描述整个认知无线电系统，我们引入一级用户集合M{1、2、 3、……m},二级用户N集合{1、2、3……n},可用频谱集合J{a、b、c、d……j}, 可用频谱集合

干扰分配概率集合

频谱分配效益集合信噪比集合

用户负载集合

频谱效益集合

i可用频谱集合

可用频谱指的是在指定的时间内，二级用户N是否可以使用频谱J,如果该频谱有主用户正在使用或者二级用户不在该频谱范围内，表示频谱不可使用。如果此时二级用户处在频谱j范围内，且一级用户不在使用，则

表示频谱可用。

ii干扰分配概率集合

是干扰分配概率，干扰指的是二级用户之间的干扰，I_hf＝1表示存在干扰， I_hf＝0表示不存在干扰。二级用户之间最好不要公用一个频谱，如果二级用户α正在使用频谱j,则二级用户β如果同时使用会产生干扰。为了保障大部分用户的需求，保证频谱吞吐量将存在干扰的也进行分配分配概率如上述式子，

中e^h表示时间影响因子随时间的变化而变化，时间久则需要尽快填充弥补空缺，S_l ²表示与距离的大小有关，距离近的优先分配，ω₀为定值。信噪比和负载

也会影响分配概率，后面会提到，θ为权重因子，用于调控信噪比与负载的影响比例。即当前空间中频谱已完全分配给一级用户和一些二级用户,此时虽然存在干扰但是仍要从已分配频谱的二级用户那里公用频谱。

iii频谱分配效益集合

频谱效益分配指的是用户K使用目标频谱J后产生的效益值。一个认知无线电网络最重要的就是频谱分配效益。F_bef可用于效益值的判断。其中γ为权重因子，它可以根据不同的主用户，二级用户设置不同的权重，最终影响个体效益的判定。这里的P是指同时用此频谱用户的数目，如果有多个用户则存在干扰的情况下频谱分配效益会受到影响。

iv信噪比集合

信噪比指的是有用信号功率P_signal与噪声功率P_noise的比，A_S表示信号振幅A_n表示噪声振幅

v用户负载集合

优化系统吞吐量的传统方法就是将干扰小的优先分配给负载大的用户

(二)频谱分配总效益的推算

频谱分配总效益MAX_E总的系统中产生的最大效益(图2)。分为一级用户效益U_M和二级用户效益U_N。频谱分配总效益可以作为后述遗传算法的适应度函数，用于判定当前分配优劣。

(三)小生境遗传算法的改进

从生物学上讲，小生境指的是特定环境下的一种生存环境，一般情况下，具有相似特征、活动方式轨迹的物种往往聚在一起进行交配和繁殖，在遗传算法里，就是模拟这样一种“物以类聚”的方式，以适应度为参考量，将大量的种群个体划分为一个一个的小群体，独立地进行生存进化。好的种群之间希望可以更好产生优良的后代，在差的种群中希望通过交叉、变异等产生新的优异的基因型。利用小生境可以解决传统遗传算法里复杂多峰问题中只能找到单一的解的问题，能够找出多个甚至全部的最优解。利用这种小生境遗传算法，能够更多的列举合适解供参考，能够更加全面，不局限于过程中的某一解，同时还具有搜素速度快，效率高的特点。

小生境技术还存在需要改进的地方，例如初期的种群(Z)划分问题，划分的子种群个体数量(Z_i)如果过大就起不到将类似的群体划分在一起共同进化的目的，划分的子种群个体数量如果过小会导致群体内部基因型数量过小，进化的能力减弱。为了保证每个群体的不停滞于当前的局部最优解，采用淘汰机制，评判一个种群淘汰值，淘汰值最高的种群淘汰，用其他种群的最优个体组成一个新的种群经行迭代，直到找出全局最优解。

针对上述问题，本文在传统遗传算法的基础上进行了相关的改进(图3)。在小生境划分的基础上提出等量划分和非等量划分结合的综合群体划分原则。目的是保证划分种群的多样性，加快进化收敛。淘汰机制也能够合理地淘汰掉一些进化潜力低地群体。算法的选择操作采用“轮盘赌”的方式，用每次随机转动轮盘决定是否选择，种***叉的概率和变异的概率根据当前种群的个体适应度，总体适应度和迭代数动态地改变来保证交叉和变异概率的合理性，这样能够克服传统遗传算法难以解决的早熟和局部收敛的问题。

①综合群体划分原则

首先按适应度函数f来对每一个个体进行判定。得出每一个个体的适应度，将他们进行正向排序处理。得出按适应度正向排序的种群f₁＞f₂＞f_3＞……＞f_i。Z_i表示划分的子种群个体数量，假设i＝R时，前面R个种群的总个体数为种群数目的一半,即当Z＝i²+i时，种群的前一半按照y＝x的正比例划分，得出前一半划分种群的数量num＝i作为后一半种群划分数量，种群后一半进行等量划分每一子种群数量为

这样划分的好处是进行排序后划分种群让适应度相近的能够划分到一起起到模拟小生境的作用。前一部分非等量划分到中间子种群数目变大，为了使得后部分种群数量差距不大采用了等量划分。这样前面的优良种群可以最大限度地继承他们优良的基因。而后一部分的种群也能有丰富的基因供他们进化出新的基因，进行进化发展。

②赌盘选择

赌盘选择就是以当前种群内个体的适应度作为被选择留下来的概率P划分 0-1这个区间,我们随机生成i个0-1之间的小数rd,它落在每个区间内的次数就是他被选择的次数，如果有的区间没有被选择则在下一代个体中用适应度最高的替代。M表示子种群数量。O_i＝1代表选中，O_i＝0表示未选中。

表示第m个子种群的第n个个体的基因。因为最大适应度的个体就是当前子种群中的第一个个体，所以未被选中的个体就用第一个个体的基因型替代，增大了优良基因型在种群中的比例。

③自适应交叉概率变换P_c

对种群的进化来说，交叉是极为重要的一环，交叉概率的取值如果过小会导致搜索过程缓慢，停滞不前，如果交叉概率的取值过大会导致遗传模式发生改变，使得高适应度的基因型出现破环。这里用动态交叉概率P_c来代替固定的交叉概率。将子群体的适应度划分为三份以f_one和f_hwo划分。其中Δ₁为概率常数1，Δ₂为概率常数2，Δ₃为概率常数3，T_now为当前的迭代数。指的是第m个子种群的第n 个个体的适应度,代表第m个子种群中的第一个个体的适应度，此时的个体在它存在的子种群中适应度最大。

为两个需要交叉基因的个体适应度的平均值。交叉概率应和迭代次数有关，随着迭代次数的增加，交叉概率应该线性下降来保护最优解不被破坏。

④自适应变异概率P_m

对于种群来说，变异概率的大小同样影响巨大，过小的变异概率不利于新的，更加合适的个体的出现；过大的变异概率导致了变异太过于刻意，违背自然变异的本质，需要在两者间找到平衡点。这里用动态变异概率P_m来代替固定的变异概率来随时调控变异概率。将子群体的适应度划分为三份以f_one和f_hwo划分其中为概率常数1，

为概率常数2，为概率常数3，T_now为当前的迭代数。

指的是第m个子种群的第n个个体的适应度,

代表第m个子种群中的最大适应度。

表示该产生变异的个体的适应度值，随着迭代次数的增加，变异概率应该线性增加，来打破陷入的局部最优。

⑤淘汰机制

淘汰机制主要是针对适应度最差的那个种群(即第2i个子种群)，判定其是否有继续进化发展的潜力，如果判定其发展潜力(U_develop)低则将其淘汰，选取其他种群中当前适应度最大的进行替换。淘汰的判定主要从以下方面：1.交叉是否产生新的基因型2.交叉后产生的新个体的适应度是否超当前子种群中的最大适应度3.变异后产生的新个体的适应度是否超过了当前子种群的最大适应度。 MK＝0表示未产生新的基因型，N_new表示产生新的基因的个数，表示超过当前最大适应度个体的平均适应度。f_max表示当前种群最大适应度。N_same表示当前种群中相同基因的个体数量。K为定值。当前种群的淘汰值小于K，则保留当前种群，当前种群淘汰值大于K，则用前i个子种群的最优个体替换,K_a、K_b、 K_c用于调节不同时期不同因素所占比重，K_a、K_b、K_c三个值和应为1。

附图说明

图1：图论着色模型

图2：频谱分配总效益推算

图3：改进遗传算法流程图

图4：改进算法效果仿真图

具体实施方式

首先将空间内的频谱优先分配给一级用户，首先保证一级用户的利益，一级用户所产生的总效益是不变的，再将一级用户不用的频谱分给二级用户使用，如果空间内频谱不能够完全无干扰分配给二级用户，为了保障最大频谱效益，可以进行部分干扰分配,来保证频谱分配总效益的最大化。为了更直观地体现整个算法的过程，下面用具体例子表示。

空间中存在一级用户Ⅰ到Ⅳ

存在二级用户1、2、3、4、5

空间中存在频谱A\B\C\D

在优先满足一级用户频谱分配的条件下再考虑分配给二级用户，一共有10种不同的方案：方案①……方案1○0。

第一代：

第二代：

重复上述操作实验直达达到迭代次数。得出最适宜的方案时方案⑩。

用MATLB对此改进遗传算法进行仿真实验

由图4可得经过改进遗传算法在增加迭代次数后的适应度值明显比传统遗传算法得到的适应度值高。随着迭代次数的增加，好的方案被保留下来，差的方案被淘汰，中等方案也能够交叉有新的方案产生。