混合蝙蝠和布谷鳥算法的認(rèn)知決策引擎*

鄭建國(guó) ，樊政煒

（1.浙江郵電職業(yè)技術(shù)學(xué)院，浙江 紹興 312016；2.中國(guó)科學(xué)技術(shù)大學(xué)軟件學(xué)院，江蘇 蘇州 215123）

0 引 言

日益劇增的無線頻譜需求和固定的頻譜分配政策導(dǎo)致頻譜資源稀缺[1-2］。為了解決這個(gè)問題，F(xiàn)CC提出一種動(dòng)態(tài)頻譜接入（Dynamic Spectrum Access，DSA）方案，允許未授權(quán)用戶（認(rèn)知用戶）接入授權(quán)用戶（主用戶）的頻段[3］。認(rèn)知無線電（Cognitive Radio，CR）便是實(shí)現(xiàn)DSA的一項(xiàng)關(guān)鍵技術(shù)。

這種CR系統(tǒng)具備感知環(huán)境變化、主動(dòng)學(xué)習(xí)、自適應(yīng)參數(shù)調(diào)整等特點(diǎn)，并主動(dòng)檢測(cè)頻譜空洞，利用空閑的頻譜資源[4］。認(rèn)知決策引擎（Cognitive Decision Engine, CDE）是主要的決策部分，是認(rèn)知無線電系統(tǒng)的智能核心，主要作用是根據(jù)環(huán)境變化配置相應(yīng)的無線電參數(shù)[5-6］，包括信號(hào)的調(diào)制方式、調(diào)制階數(shù)、發(fā)射功率和編碼速率等以滿足最大化吞吐率、最小化功耗和最小化干擾。

以上參數(shù)配置是多維問題，需要較高復(fù)雜度。為了兼顧QoS和實(shí)時(shí)性需求，智能優(yōu)化算法因其具有高效的隨機(jī)搜索能力被視為解決該問題的有效途徑。目前研究文獻(xiàn)主要分為2類：一類是應(yīng)用單一算法，如文獻(xiàn)[6］提出將二進(jìn)制粒子群（BPSO）算法應(yīng)用于參數(shù)配置，文獻(xiàn)[7-8］提出遺傳算法（GA）解決方案，然而這樣的單一算法收斂速率慢、容易陷入局部最優(yōu)；另一類是融合算法，如文獻(xiàn)[10］將混沌優(yōu)化和量子計(jì)算融入粒子群算法，提出CQPSO方法，證明該方法優(yōu)于BPSO算法。在文獻(xiàn)[11］中，提出了混合粒子群和遺傳算法的HBPGA算法，證明了該算法的收斂速度和適應(yīng)度值均優(yōu)于GA算法和BPSO算法。

本文提出融合蝙蝠算法和布谷鳥算法的HBA-CS算法，并和文獻(xiàn)[10］的CQPSO、文獻(xiàn)[11］的HBPGA等方法進(jìn)行比較，證明本文算法在適應(yīng)度函數(shù)值和收斂速度方面的優(yōu)勢(shì)。

1 認(rèn)知決策引擎模型及目標(biāo)函數(shù)

1.1 認(rèn)知決策引擎模型

圖1為基于HBA-CS算法的認(rèn)知決策引擎系統(tǒng)結(jié)構(gòu)，首先CR通過感知功能獲取環(huán)境參數(shù)，包括固定路徑損耗、信噪比SNR和噪聲功率等，將這些參數(shù)傳遞給認(rèn)知引擎，認(rèn)知引擎同時(shí)通過CR場(chǎng)景調(diào)節(jié)器獲取當(dāng)前的模式，工作模式通過一系列加權(quán)的目標(biāo)函數(shù)實(shí)現(xiàn)。調(diào)節(jié)[w1,w2,…,wn］，可以實(shí)現(xiàn)不同的工作模式。在收集到以上信息后，認(rèn)知引擎借助HBA-CS算法做出決策，確定合適的傳輸參數(shù)，包括發(fā)射功率p、調(diào)制類型和調(diào)制進(jìn)制數(shù)等，以實(shí)現(xiàn)最大化利用頻譜。

圖1 基于HBA-CS算法的認(rèn)知決策引擎系統(tǒng)結(jié)構(gòu)

1.2 認(rèn)知決策引擎目標(biāo)函數(shù)

認(rèn)知決策引擎通常要實(shí)現(xiàn)的目標(biāo)是盡量減少發(fā)射功率fmin-power和誤碼率fmin-ber，而最大化數(shù)據(jù)速率fmax-datarate，其歸一化數(shù)學(xué)表達(dá)式為[6］:

其中pmax是最大化發(fā)射功率，是N個(gè)子載波平均平均功率，是平均誤比特率，Mi是第i個(gè)子載波的調(diào)制階數(shù)。Mmin和Mmax分別是最小和最大的調(diào)制階數(shù)。

為了將目標(biāo)函數(shù)一致表示為最大化問題，將式（1）和式（2）分別修改為式（4）和式（5）。

在本文中，優(yōu)化目標(biāo)可以表示為：

將上述3個(gè)目標(biāo)函數(shù)加權(quán)為單目標(biāo)函數(shù)：

其中w1、w2和w3滿足：

目標(biāo)是調(diào)節(jié)通信參數(shù)，最大化適應(yīng)度函數(shù)fi t，權(quán)重矢量w=[w1w2w3］決定工作模式，具體設(shè)置如表1所示[6］：

表1 目標(biāo)函數(shù)權(quán)重設(shè)置

2 蝙蝠算法及布谷鳥算法

2.1 蝙蝠算法（BA）

蝙蝠算法是楊新社于2010年提出的一種啟發(fā)式算法[12］，它模擬自然界中蝙蝠利用回聲定位來感知距離的現(xiàn)象。蝙蝠的位置和速度更新如下：

其中，β為[0,1］區(qū)間內(nèi)服從均勻分布的隨機(jī)矢量；X*是當(dāng)前最優(yōu)位置；Fmax和Fmin表示頻率的最大值和最小值；Vi表示速度。

對(duì)于當(dāng)前的局部搜索區(qū)域來說，產(chǎn)生一個(gè)隨機(jī)數(shù)rand1，若rand1＞ri,進(jìn)行如式（10）所示的隨機(jī)擾動(dòng)策略：

其中，At是蝙蝠在某一時(shí)刻發(fā)射聲波的平均幅值；ε是[-1,1］區(qū)間內(nèi)服從正態(tài)分布的隨機(jī)數(shù)。ri是脈沖釋放速率。

然后隨機(jī)產(chǎn)生一個(gè)數(shù)rand2，若rand2＜Ai且新的適應(yīng)度值f(Xnew)＞f(Xold)，則令X t+1=Xnew，并按照式（11）更新和。

其中是初始脈沖釋放速率，γ是脈沖速率控制參數(shù)，α是脈沖響度衰減系數(shù)。

2.2 布谷鳥算法(CS)

布谷鳥搜搜是Yang和Deb于2009年提出的一種啟發(fā)式算法[13］。該算法將尋找最優(yōu)解的過程看作布谷鳥在宿主鳥巢里下蛋并孵化的過程。第i只布谷鳥產(chǎn)生新的解Xi t+1可以使用Levy飛行按式（12）表示：

式中，step是服從Levy分布的隨機(jī)數(shù)，表示第t次迭代時(shí)最優(yōu)解表示迭代步長(zhǎng)，然后利用式（13）摒棄部分不好的解。

式中，r1和rand3服從uniform分布；Pa是巢穴中布谷鳥的蛋被宿主鳥識(shí)別出來的概率，Xa和Xb是從已知巢穴中隨機(jī)挑選出的兩個(gè)巢穴。

3 認(rèn)知決策引擎的HBA-CS算法

蝙蝠算法雖然全局搜索能力強(qiáng)，但是存在收斂精度低的問題[12］，布谷鳥算數(shù)雖然局部搜索能力強(qiáng)，但是存在容易陷入局部最優(yōu)的問題[13］，因此可以將蝙蝠算法融入到CS算法中，利用二者的優(yōu)點(diǎn)。基于新的融合算法，更新后的巢穴位置X ti不是直接作為第t+1次迭代計(jì)算的初值，而是使用蝙蝠算法再次更新。首先，比較服從均勻分布的發(fā)射速率和脈沖速率隨機(jī)數(shù)，如果滿足條件要求，當(dāng)前鳥巢的最優(yōu)位置將會(huì)疊加一個(gè)干擾，從而得到新的鳥巢位置；之后評(píng)估相應(yīng)的適應(yīng)度值。比較幅度和均勻分布的隨機(jī)數(shù)，如果條件滿足，布谷鳥算法運(yùn)用新的運(yùn)算符對(duì)鳥巢位置進(jìn)行更新；同時(shí)，也更新了幅值和脈沖速率。最后評(píng)估鳥巢適應(yīng)度值，找到鳥巢當(dāng)前最優(yōu)位置和最優(yōu)值，并開始新一輪迭代；通過布谷鳥算法繼續(xù)搜尋和更新位置。

綜上，可知基于HBA-CS算法優(yōu)化的認(rèn)知決策引擎具體實(shí)現(xiàn)如圖2所示。

圖2 HBA-CS算法流程

4 仿真實(shí)驗(yàn)與分析

4.1 參數(shù)設(shè)置

仿真環(huán)境是一個(gè)具有32個(gè)子載波的OFDM系統(tǒng)，每個(gè)子載波隨機(jī)分配一個(gè)[0,1］的數(shù)以模擬信道衰落情況[6］。發(fā)射功率為0～25.2 dBm，步進(jìn)為0.4 dBm，共有64種選擇，用6位二進(jìn)制bit編碼，背景噪聲為加性高斯白噪聲，噪聲功率為-80 dBm，路徑損耗為85 dB，數(shù)據(jù)率設(shè)置為1 Mbps。調(diào)制方式包括BPSK、QPSK、16QAM和64QAM，由2位二進(jìn)制bit編碼[7］。每個(gè)子載波包括發(fā)射功率和調(diào)制方式，共需8bit。整個(gè)系統(tǒng)需要256 bit，尋優(yōu)空間為2256。3種優(yōu)化算法中設(shè)置種群規(guī)模Pop=30，迭代次數(shù)I=200，其中HBPGA算法的交叉概率為0.6，變異概率為0.001；CQPSO算法的混沌因子服從[0.5 0.505］均勻分布,學(xué)習(xí)因子c1=c2=2。

4.2 實(shí)驗(yàn)仿真分析

圖3～圖6分別給出了3種算法在低功耗模式、緊急模式、多媒體模式和均衡模式下的適應(yīng)度曲線。其中曲線中每個(gè)值都是10次獨(dú)立仿真實(shí)驗(yàn)的平均值。

從圖2～圖5可以看出，HBA-CS算法在收斂速度和適應(yīng)度函數(shù)值二方面均優(yōu)于其他算法。以多媒體模式為例，在進(jìn)化初期，HBA-CS算法就具有較強(qiáng)的局部尋優(yōu)能力，借助蝙蝠算法的全局尋優(yōu)特點(diǎn)，在進(jìn)化后期收斂精度比其他兩種算法高。而CQPSO在進(jìn)化初期雖然尋優(yōu)能力強(qiáng)，但是很快陷入局部最優(yōu)。同樣，HBPGA算法雖然全局尋優(yōu)進(jìn)度高，但是需要較長(zhǎng)的時(shí)間。

圖3 低功耗模式下適應(yīng)度曲線

圖4 緊急模式下適應(yīng)度曲線

圖5 多媒體模式下適應(yīng)度曲線

圖6 均衡模式下適應(yīng)度曲線

表2和表3給出了3種算法在4種下的參數(shù)配置結(jié)果。由表2、表3可以看出，HBA-CS在4種模式下的參數(shù)配置性能總體優(yōu)于其他2種算法。例如，在多媒體模式場(chǎng)景下（例如監(jiān)控視頻傳輸），對(duì)傳輸速率有很高要求，但是對(duì)誤碼率要求就低一些，本文提出的HBA-CS算法能達(dá)到6.3 Mb/s，分別比HBPGA和CQPSO高1.03 Mbps和0.34 Mb/s，同時(shí)需要的發(fā)射功率也很小。

表3 3種算法在多媒體模式和均衡模式下參數(shù)配置結(jié)果對(duì)比

5 結(jié) 語

本文針對(duì)認(rèn)知無線電中認(rèn)知決策引擎問題，提出一種混合蝙蝠和布谷鳥算法的HBA-CS算法。首先利用布谷鳥算法求解，在更新位置后，再將該種群輸入到蝙蝠算法中繼續(xù)進(jìn)行優(yōu)化，因此該算法兼有兩種算法的優(yōu)點(diǎn)，并且很好的解決了局部尋優(yōu)和全局尋優(yōu)的平衡問題，仿真表明該算法優(yōu)于現(xiàn)有的CQPSO算法和HBPGA算法。