一種認(rèn)知無(wú)線電網(wǎng)絡(luò)的能效提升方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于認(rèn)知無(wú)線電網(wǎng)絡(luò)的頻譜感知領(lǐng)域，具體涉及一種在頻譜感知過(guò)程中應(yīng) 用基于反向?qū)W習(xí)和混沌搜索的改進(jìn)的頭腦風(fēng)暴優(yōu)化方法提升次用戶的能量傳輸效率的認(rèn) 知無(wú)線電網(wǎng)絡(luò)的能效提升方法。
【背景技術(shù)】
[0002] 目前，在無(wú)線應(yīng)用領(lǐng)域，頻譜資源稀缺，但是頻譜的平均利用率卻非常低。作為一 種提高頻譜資源利用率的技術(shù)，認(rèn)知無(wú)線電網(wǎng)絡(luò)近年來(lái)已成為通信領(lǐng)域的研究熱點(diǎn)。在實(shí) 際中，認(rèn)知無(wú)線電網(wǎng)絡(luò)的次用戶通常由電池提供能量來(lái)驅(qū)動(dòng)節(jié)點(diǎn)工作，然而電池電量經(jīng)常 難以及時(shí)補(bǔ)充，所以能量受限是認(rèn)知無(wú)線電網(wǎng)絡(luò)中值得研究的一個(gè)關(guān)鍵問(wèn)題。
[0003] -般的能量傳輸效率優(yōu)化問(wèn)題是一個(gè)多維優(yōu)化問(wèn)題，通過(guò)通信系統(tǒng)的動(dòng)態(tài)控制方 式在一些限制條件（功率、誤碼率等）下提高能量傳輸效率。通常來(lái)說(shuō)，以傳輸單位比特的 數(shù)據(jù)所消耗的能量或者每焦耳能量所傳輸?shù)臄?shù)據(jù)作為衡量能量傳輸效率高低的標(biāo)準(zhǔn)，以確 定傳輸方式。目前，國(guó)內(nèi)外在提升能量有效性上應(yīng)用最為廣泛的方法為基于物理層信號(hào)檢 測(cè)方法，分別從檢測(cè)門(mén)限、感知時(shí)間以及參與協(xié)作感知的次用戶數(shù)量方面進(jìn)行了研究。在分 析感知時(shí)間對(duì)能量有效性影響的過(guò)程中，通過(guò)能量傳輸函數(shù)對(duì)感知時(shí)間變量求導(dǎo)，發(fā)現(xiàn)能 量傳輸效率在感知周期內(nèi)呈現(xiàn)先增大后減小的趨勢(shì)，因此至少存在一個(gè)最優(yōu)的感知時(shí)間， 可使次用戶的能量傳輸效率達(dá)到最優(yōu)。通過(guò)不同的感知功率消耗、傳輸功率消耗、空載功率 消耗對(duì)最優(yōu)感知時(shí)間的影響，結(jié)果顯示認(rèn)知用戶可以通過(guò)選擇適當(dāng)?shù)母兄獣r(shí)間和總時(shí)間長(zhǎng) 度以提高能量傳輸效率。
[0004] 在分析次用戶感知時(shí)間對(duì)能量有效性的影響過(guò)程中，對(duì)感知時(shí)間多為直接設(shè)定， 或者通過(guò)感知時(shí)間遞增步長(zhǎng)的方法來(lái)確定。例如，有人提出一種基于跨層設(shè)計(jì)的能效優(yōu)化 方法，通過(guò)聯(lián)合優(yōu)化感知時(shí)間和接入概率，使次用戶的能量有效性得到提高，但是，在此方 法中，關(guān)于感知時(shí)間的優(yōu)化是設(shè)定初始感知時(shí)間接近于零，通過(guò)遞增步長(zhǎng)增加感知時(shí)間，直 到找到最優(yōu)解。其中，遞增步長(zhǎng)的設(shè)定對(duì)于結(jié)果有著關(guān)鍵作用，步長(zhǎng)太大，則不容易找到精 確的最優(yōu)解，步長(zhǎng)太小，則容易陷入局部最優(yōu)。直接設(shè)定的方法很難確定最優(yōu)感知時(shí)間，感 知時(shí)間遞增的方法很難找到精確最優(yōu)解或者近似最優(yōu)解，這些方法在可靠性和有效性方面 難以平衡。
[0005] 頭腦風(fēng)暴（BrainStormOptimization，簡(jiǎn)稱BS0)是一種創(chuàng)造能力的集體訓(xùn)練 法，是由美國(guó)的現(xiàn)代創(chuàng)造學(xué)奠基人奧斯本提出的。1939年，頭腦風(fēng)暴第一次開(kāi)發(fā)并應(yīng)用于 他的廣告公司。1957年，奧斯本在他的著作《創(chuàng)造性想象》中系統(tǒng)化地介紹了這種方法。之 后，頭腦風(fēng)暴引起了人們極大的興趣，并受到世界各地的學(xué)術(shù)界和工業(yè)界的關(guān)注。2011年， 史玉回教授在第二次群智能?chē)?guó)際會(huì)議（TheSecondInternationalConferenceonSwarm Intelligence，簡(jiǎn)稱ICSI)上提出頭腦風(fēng)暴優(yōu)化方法。在此方法中，通過(guò)分類、替換和創(chuàng)造 來(lái)更新個(gè)體。但是，這種優(yōu)化方法存在局限性，即容易陷入局部最優(yōu)導(dǎo)致早熟收斂問(wèn)題。反 向?qū)W習(xí)（Opposition-basedLearning，簡(jiǎn)稱 0BL)的概念最初是由HamidR.Tizhoosh提出 的，主要思想是在考慮每個(gè)候選個(gè)體的同時(shí)考慮其反向個(gè)體從而得到一個(gè)更接近最優(yōu)解的 個(gè)體。事實(shí)上根據(jù)概率學(xué)原理，每個(gè)隨機(jī)產(chǎn)生的候選個(gè)體相比它的反向個(gè)體有50%的概率 遠(yuǎn)離或靠近問(wèn)題最優(yōu)解，如果采樣時(shí)引入基于反向?qū)W習(xí)的機(jī)制為每個(gè)采樣所得的個(gè)體產(chǎn)生 相對(duì)應(yīng)的反向個(gè)體，然后從采樣個(gè)體及其反向個(gè)體中挑選適應(yīng)度最優(yōu)的個(gè)體產(chǎn)生下一代個(gè) 體，將有助于改進(jìn)優(yōu)化過(guò)程的收斂速率?；煦缡且环N較為普遍的非線性現(xiàn)象，具有隨機(jī)性、 遍歷性和內(nèi)在規(guī)律性的特點(diǎn)。其中遍歷性是指混沌序列能夠不重復(fù)地遍歷混沌吸引域內(nèi)所 有狀態(tài)的性質(zhì)，可作為優(yōu)化過(guò)程中避免陷入局部最小的一種優(yōu)化機(jī)制?；煦缢阉鲀?yōu)化正是 利用這一特性提出的。李冰等人利用Logistic混沌映射和二次載波的概念，提出了一種混 沌搜索優(yōu)化方法，引起了廣泛關(guān)注和大量研究。該方法具有很強(qiáng)的全局搜索能力，但存在初 值敏感、搜索效率不高、搜索時(shí)間長(zhǎng)等缺陷。
[0006] 在搜索過(guò)程中有效地調(diào)節(jié)全局搜索和局部搜索的力度可以使方法避免陷入局部 最優(yōu)。為了克服頭腦風(fēng)暴優(yōu)化方法易陷入局部最優(yōu)導(dǎo)致早熟收斂的問(wèn)題，本發(fā)明提出把反 向?qū)W習(xí)和混沌搜索應(yīng)用于頭腦風(fēng)暴優(yōu)化方法。在頭腦風(fēng)暴優(yōu)化方法個(gè)體更新方式的基礎(chǔ) 上，添加反向?qū)W習(xí)和混沌搜索兩種方式，提高全局搜索能力，從而避免陷入局部最優(yōu)，并將 此方法應(yīng)用于尋找最優(yōu)感知時(shí)間，從而快速有效的提升次用戶能量傳輸效率。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的是提供一種解決現(xiàn)有方法尋找最優(yōu)感知時(shí)間存在局限性從而影響 能效提升問(wèn)題的認(rèn)知無(wú)線電網(wǎng)絡(luò)的能效提升方法。
[0008] 本發(fā)明的目的是這樣實(shí)現(xiàn)的：
[0009] -種認(rèn)知無(wú)線電網(wǎng)絡(luò)的能效提升方法，包括如下步驟：
[0010] ⑴設(shè)置能量傳輸效率為：
[0011]
[0012] (2)隨機(jī)初始化N個(gè)感知時(shí)間集合，根據(jù)能量傳輸效率模型得到N個(gè)個(gè)體的適應(yīng) 度；
[0013] (3)迭代次數(shù)t的初始值設(shè)為0,最大迭代次數(shù)為T(mén)_;
[0014] (4)可行感知時(shí)間集合中的N個(gè)個(gè)體分組成M類；
[0015] (5)根據(jù)能效函數(shù)對(duì)N個(gè)個(gè)體進(jìn)行評(píng)估；
[0016] (6)把每一類中的適應(yīng)度最高的個(gè)體作為其所在類的中心；
[0017] (7)產(chǎn)生一個(gè)0到1之間的隨機(jī)數(shù)r1;
[0018] (8)當(dāng)巧小于概率？，^ 0. 2)時(shí)，隨機(jī)選擇一個(gè)類，并用隨機(jī)產(chǎn)生一個(gè)新個(gè)體替 換類中心；
[0019] (9)當(dāng)ri大于概率P丨時(shí)，直接轉(zhuǎn)到步驟（10);
[0020] (10)i的初始值設(shè)為1 ;
[0021] (11)產(chǎn)生一個(gè)0到1之間的隨機(jī)數(shù)r2;
[0022] (12)當(dāng)r2<P2(P2= 0. 8)時(shí)，隨機(jī)選擇一個(gè)類，根據(jù)基于反向?qū)W習(xí)的頭腦風(fēng)暴優(yōu) 化方法更新個(gè)體；
[0023] (13)當(dāng)r2>P2時(shí)，隨機(jī)選擇兩個(gè)類，根據(jù)基于混沌搜索的頭腦風(fēng)暴優(yōu)化方法更新 個(gè)體；
[0024] (14)計(jì)算新個(gè)體的適應(yīng)度，如果適應(yīng)度大于原來(lái)的個(gè)體，新個(gè)體替換舊個(gè)體；如 果適應(yīng)度小于原來(lái)的個(gè)體，舍棄新個(gè)體；
[0025] (15)判斷i<N是否成立，若是，則i=i+l，返回步驟（11);若否，轉(zhuǎn)到步驟（16);
[0026] (16)比較M個(gè)類中的個(gè)體，把適應(yīng)度最大的個(gè)體作為本次迭代的最優(yōu)個(gè)體，即找 到本次迭代的最優(yōu)感知時(shí)間和最大的能量傳輸效率；
[0027] 步驟（17)判斷迭代次數(shù)是否達(dá)到最大迭代次數(shù)T_，若否，迭代次數(shù)t=t+1，轉(zhuǎn) 到步驟（4);若是，程序終止，輸出最終的方案。
[0028] 所述的步驟（1)中，能量傳輸效率等于平均吞吐量與平均能耗的比值，
[0029] R(t)表示單位時(shí)隙內(nèi)次用戶的平均吞吐量為：
[0030] R(T) =R〇 (T)+Rj(T)
[0031] ^ R〇( x )
[0032] =P(X〇) [1-Pf(x)] (T-x)Blog2(l+y/8)
[0033] W( 〇表示單位時(shí)隙內(nèi)次用戶消耗的能量，表達(dá)式為：
[0034]
[0035]所述的步驟（12)和步驟（13)中更新個(gè)體的更新方式分為兩大類：
[0036]第一大類為在隨機(jī)選擇的一個(gè)類中進(jìn)行個(gè)體更新：
[0037] (12. 1)產(chǎn)生一個(gè)0到1之間的隨機(jī)數(shù)r2，當(dāng)r2< P 2(P2= 0. 8)時(shí)，隨機(jī)選擇一個(gè) 類；
[0038] (12. 2)產(chǎn)生一個(gè)0到1之間的隨機(jī)數(shù)r3，當(dāng)r3<P2a(P2a=0.3)時(shí)，選擇類中心； 當(dāng)r3>P2b(P2b= 0. 6)時(shí)，隨機(jī)選擇類中的一個(gè)個(gè)體，兩種情況下根據(jù)以下方法加隨機(jī)擾動(dòng) 產(chǎn)生新個(gè)體，
[0039] Xnew=Xselected+C*n(y,〇), l=logsig((0. 5*Tmax-t)/k)*rand〇 ；
[0040] 當(dāng)P2a彡r3<P2,時(shí)，選擇類中心，通過(guò)反向?qū)W習(xí)產(chǎn)生新個(gè)體，方法如下：
[0041] 產(chǎn)生反向個(gè)體的公式為X_=L+U-X其中U和L分別為個(gè)體的上限和下限， 在本方法中L= 0，U=T，因此Xnew=T-Xselected〇
[0042] 第二大類為在隨機(jī)選擇的兩個(gè)類中進(jìn)行個(gè)體更新，具體更新方式如下：
[0043] (13. 1)當(dāng)P2時(shí)，隨機(jī)選擇兩個(gè)類；
[0044](13. 2)產(chǎn)生一個(gè)0到1之間的隨機(jī)數(shù)r4，當(dāng)r4< P2。（盡=G》時(shí)，選擇兩個(gè)類中 心合并；當(dāng)r4>P2d (P2d= 0. 6)時(shí)，在兩個(gè)類中各隨機(jī)選擇一個(gè)個(gè)體，兩個(gè)個(gè)體合并，兩種情 況下根據(jù)以下方法加隨機(jī)擾動(dòng)產(chǎn)生新個(gè)體
[0045] Xnew=Xselected+C*n(y, 〇),C=logsig((0. 5*Tmax-t)/k)*rand〇 ；
[0046] 當(dāng)P2。彡rP2,時(shí)，選擇兩個(gè)類中心合并，通過(guò)混沌搜索產(chǎn)生新個(gè)體：
[0047] Xtenp=(Xselected-L)AU-L)，Xtenp=人*Xtenp* (1-Xtenp)，Xnew=L+Xtenp* (U-L)，
[0048] 中L= 0，U=T，即，Xtenp=Xselected/T，Xtenp=入*Xtenp* (l_Xtenp)，Xnew=Xtenp*T〇
[0049