無線通信系統頻譜分配策略范文

本站小編為你精心準備了無線通信系統頻譜分配策略參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1引言

隨著通信技術的快速發展，頻譜資源短缺的問題越來越成為制約無線通信發展的關鍵，其中一個重要原因是現有的無線通信系統普遍采用效率較低的固定頻譜分配方法。為解決該問題，認知無線電(CognitiveRadio，CR)系統近年來得到了快速發展。該系統能夠從環境中進行智能學習，實現對頻譜資源的有效利用，從而開展高可靠性的通信。頻譜分配，是指將特定的頻譜分配給特定的無線設備以完成特定的無線應用。目的是允許認知用戶(SecondUsers，SU)使用當前授權用戶(PrimaryUsers，PU)未使用的頻譜，從而提高頻譜利用率。分配的關鍵是如何在獲得所需效益且不出現相互干擾的情況下實現公平而有效的頻譜分配。目前已有大量的頻譜分配模型被提出，如圖論著色模型，定價拍賣模型，干擾溫度模型，博弈論模型等。因為頻譜分配問題是一個NP－hard的組合優化問題，故近年來學者們又提出利用智能優化算法來解決認知無線電中的頻譜分配問題，例如粒子群算法、人工蜂群算法等。這些經典智能計算方法雖然能夠在一定程度上提高頻譜分配問題的分配效益和公平性，但受到收斂速度和收斂性能的制約，在有限計算條件和計算時間下很難搜索到最優解。因此，需要設計新的智能優化算法解決上述矛盾。

蟻群算法(AntColonyAlgorithm，ACA)最早由意大利學者MarcoDorugo在1991年提出，這是一種新的群智能優化算法，具有魯棒性強、收斂性好、理論體系完備、易改進、分布式計算的優勢，能有效解決NP問題，近年來被廣泛用于解決旅行商問題、車輛路徑問題、分配問題等等，在研究者之間引起巨大研究熱潮。文獻將ACA算法用于認知無線電的頻譜分配中，取得了很好的效果。然而經典ACA算法存在易停滯、收斂慢、信息素更新效率低等缺陷，會對認知無線電頻譜分配的效益產生一定的影響。

針對上述問題，本文提出一種基于改進蟻群算法(Im-provedAntColonyAlgorithm，IACA)的頻譜分配方案。針對ACA算法中螞蟻在搜索最優路徑時過于隨機，搜索效率低的問題，采用自適應搜索窗口固定螞蟻下一步的選擇節點，減少搜索的盲目性。針對原有最優路徑上信息素因過度加強而導致的算法停滯問題，加入局部信息素的更新機制，確保新路徑的實時追蹤，采用一種局部和全局相結合的信息素更新方式不僅可以提高當前最優路徑的信息素貢獻，還可以創造更多的最優可能解。最后，通過與其他頻譜分配算法在不同網絡效益函數下的性能相比較證明了本文算法的可行性和優越性。

2認知無線電頻譜分配模型

本文所使用的認知無線電頻譜分配模型可用頻譜矩陣、效益矩陣、干擾矩陣和無干擾分配矩陣［3］來描述，假定一個檢測周期內該網絡的拓撲結構不變。設定一個區域，其中隨機分布著一定數量的PU和SU，假設已知每個PU的保護范圍和每個SU的干擾范圍。

3改進蟻群算法(IACA)的認知無線電頻譜分配

3．1改進的蟻群算法(IACA)蟻群算法(ACA)是在真實螞蟻覓食時尋找從蟻巢到食物間最短路徑行為的啟發下，由MarcoDorigo等學者提出的一種元啟發式隨機搜索算法［9］。算法利用信息素濃度更新的正反饋機制，具有并行搜索能力，是一種高效的智能優化算法。本文在經典ACA算法基礎上進行改進。主要對ACA算法的螞蟻搜索空間、信息素更新方式進行改進。經典的ACA算法原理和流程在這里不做詳細介紹，重點闡述本文改進的兩個方面。

3．1.1自適應搜索窗口自適應搜索窗口的引入是為了提高ACA算法搜索最優路徑時的搜索效率，減少搜索的盲目性。在算法迭代過程中自適應調整一個非均勻的窗口以限制螞蟻的移動范圍，目的是通過窗口限制螞蟻下一步要選擇的節點，從而縮短螞蟻搜索周期并開辟新的解空間，起到跳出局部最優解的作用。設定ACA算法的迭代次數ε，每一次迭代過程中螞蟻窗口大小(窗口中的節點數)保持不變，窗口位置隨機選擇，設為wε，在第ε+1次迭代時利用第ε次迭代得到的最優解與前ε次迭代得到的最優解之間的差值自適應地更新窗口大小。

3．1.2信息素更新規則傳統ACA算法采用全局更新的信息素更新方式，在迭代過程中，當新的最優路徑還未出現時，當前最優路徑上的信息素會不斷增強，這會導致算法因當前最優路徑上信息素過高而停止搜索，陷入停滯。該方法的另一個缺點是:當新的最優路徑出現時，因為信息素更新不及時會導致該路徑上的信息素強度在經過很多次迭代后仍低于原有最優路徑上的信息素強度。針對上述問題，本文提出一種局部更新和全局更新相結合的信息素更新方式。同時與常規信息素在邊上更新不同，該算法信息素的更新是在路徑中的點上。信息素局部更新指螞蟻在每走一步之后都要進行信息素更新。設可以經過節點i的螞蟻數為R，實際經過節點i的螞蟻數為r，則稱r/R為節點i對螞蟻的吸引力。在進行信息素局部更新時，若每次釋放的信息量Δτ為常量，則節點i上的螞蟻吸引力越大，經過節點i的螞蟻數目就越多，從而局部更新的次數也就越多。隨時間累計，會導致節點之間的信息量差距過大，限制了算法搜索的全局性。因此，隨著算法搜索狀態的變化，Δτ值應不斷調整。其調整原則是，螞蟻的吸引力越大，則Δτ值越小。

3．2基于IACA的頻譜分配設定算法中螞蟻訪問的為一個N×M的點陣空間，將螞蟻尋找最優路徑的過程看作一個頻譜分配過程，即螞蟻走到點(n，m)時就將信道m分配給SU用戶n。每只螞蟻在每個節點留下的信息素由該節點分配可用信道產生的信道效益決定。每只螞蟻不重復經過相同的節點。設螞蟻數為X(編號1～x)，ACA算法的迭代次數為ε，本文頻譜分配算法的步驟框圖如圖1所示。Step1:設置參數。設置SU用戶數N、信道數M;設定螞蟻的搜索空間，通過它們之間的地理位置等相互關系求得網絡拓撲圖及相應的頻譜矩陣L、干擾矩陣C和效益矩陣B;設定本文改進ACA算法的迭代次數ε、初始窗口大小ω1、螞蟻只數X、參數α、β、ρ等。按照頻譜矩陣L隨機選擇螞蟻的起始點。Step2:信道分配(螞蟻尋找路徑)并進行局部信息素更新和矩陣L"C的更新。螞蟻在設定的窗口中按照節點上信息素計算轉移概率并進行移動。Step3:螞蟻行動判斷。螞蟻每走一步后干擾矩陣C都會重新對可用矩陣L進行更新，即將與螞蟻移動后的點使用同信道會產生干擾的點在矩陣L中的相應位置置為0。然后判斷可用矩陣L是否存在可移動的點，當矩陣L為0矩陣時，螞蟻的本次游走結束;當矩陣L不為0矩陣時，返回Step2繼續進行信道分配，直到矩陣L為0矩陣。Step4:更新窗口大小。當所有螞蟻走完后，對所記錄的所有路徑(在此作為效益值)利用式(7)對下一次迭代中螞蟻的搜索窗口大小進行自適應更新。Step5:全局信息素更新。利用式(10)對所有螞蟻完整的完成一次迭代的信息素進行全局更新。Step6:若滿足最大迭代次數，則輸出最終信道分配矩陣A，否則跳轉到Step2繼續進行下一次迭代。

4仿真及結果分析

為了評估IACA算法的性能，本文以最大平均網絡效益和最大比例公平網絡效益為評價指標，與敏感圖著色算法(CSGC)［3］和傳統蟻群算法(ACA)進行了比較。

4．1場景及參數設定首先設定一個10×10的區域，其中隨機分布著10個PU，每個PU可以從10個可用信道中任意選擇一個使用，且每個PU都有固定的保護范圍(dp=2);該區域中同時存在10個待分配信道的SU，每個SU的干擾范圍ds為［2，4］。由上述仿真場景參數可計算出可用矩陣L、效益矩陣B和干擾矩陣C。設定參數螞蟻只數X=20，算法迭代次數為εmax=100，信息素揮發因子ρ=0.1，信息素指數α=3，啟發式信息指數β=2，初始窗口大小ω1=4，信息素強度Q1=2，Q2=20，信息素濃度初始值τ(0)=1。為了保證比較的充分性，仿真進行40次獨立實驗并記錄結果，且每次實驗時的矩陣L、B和矩陣C都不同。

4．2基于平均最大網絡效益(MSR)的性能仿真將改進的蟻群算法(IACA)與傳統ACA算法和CSGC算法對平均最大網絡效益的性能進行比較。進行40次的仿真，結果如圖2所示。由圖2可以看出，采用IACA算法進行頻譜分配獲得的MSR優于其它兩種算法。這主要是因為局部更新和全局更新相結合的信息素更新方式提高了最優路徑上的信息素貢獻，使得網絡效益值有所提高。圖3顯示了平均網絡效益與迭代次數的關系曲線，由圖3可以看出，改進的蟻群算法(IACA)比傳統的蟻群算法(ACA)網絡效益高，且收斂速度更快。這是因為增加的自適應搜索窗口可以大大減小選擇的盲目性，提高了實驗效率，加快了算法的收斂速度。4．3基于最大比例公平網絡效益(MPF)的性能仿真將改進的蟻群算法(IACA)與傳統ACA算法和傳統的CSGC算法在對最大比例公平網絡效益MPF的性能進行比較。同樣進行40次的仿真，改進的蟻群算法(IACA)的MPF比敏感圖著色算法(CSGC)和傳統的蟻群算法(ACA)的效果更好。如圖4所示。將改進的蟻群算法(IACA)與傳統的蟻群算法(ACA)相比較。同MSR的效果一樣，因為自適應搜索窗口的存在，IA-CA收斂速度更快。結果如圖5所示。

5結語

本文在傳統的蟻群算法上對其進行改進，改進的算法引入了自適應搜索窗口并對信息素更新的方式做了改變。由實驗結果可知，改進的蟻群算法(IACA)在搜索結果(平均最大網絡效益和最大比例公平網絡效益)和收斂速度方面都比敏感圖著色算法(CSGC)和傳統的蟻群算法(ACA)的性能更優。在對自適應搜索窗口的設置與使用上，本文主要基于實驗手段分析，下一步可以從理論上對不同初始搜索窗口的性能進行分析比較，尋求更好的窗口設置準則。

作者：張婧怡 向新 孫曄 王峰 單位：空軍工程大學航空航天工程學院