1. 引言
研究表明,固定式的频谱分配已经造成了严重的频谱资源浪费,大部分授权频谱在绝
大多数时间内处在空闲状态,利用率仅为 15%~35%
[1]
.为了解决这一问题,1999 年美国 J
Mitola 博士提出了认知无线电(Cognitive Radio, CR)这一概念.认知无线电允许无线通信系统
对于周围环境进行感知,将授权用户未使用的频带空洞进行“二次利用”,能够适应环境变
化并自动调节系统参数,更加灵活而高效的方式进行频谱利用.
频谱分配优化一直作为研究热点,对于频谱的有效利用至关重要,研究人员提出了各
种频谱分配模型,其中经典的分配方法有:图论着色模型
[2]
、博弈论模型
[3]
、干扰温度模型
[4]
、议价机制模型
[5]
等,频谱分配模型可以最大化系统效益,且很难准确地控制用户的公
平.因此存在不能保证用户公平性和用户间的不公平竞争等缺陷.学者们运用不同的群智能算
法来优化频谱分配,使得系统总效益和用户公平性得到更优解.如遗传算法(Genetic
Algorithm, GA)
[6]
、粒子群优化算法(Particle Swarm Optimization, PSO)
[7]
等智能优化算法都被
用于认知无线电中频谱分配问题.上述大多数算法在求解问题的时候都出现早熟收敛、停滞
和反复求解的缺点.为了克服这些问题并保持种群的多样性,在图论着色模型基础上,本文
提出一种改进的二进制樽海鞘群算法(Improved Binary Salp Swarm Algorithm, IBSSA)来优化
频谱分配.在标准樽海鞘群算法追随者位置中引入共生策略以增强算法开发能力,此外通过
引入新的离散函数将樽海鞘个体位置二进制化,以此更好平衡算法探索能力和开发能力.
2. 樽海鞘群算法
2.1 标准樽海鞘群算法
樽海鞘群算法
[8]
是 Mirjalili 等人揭示的一种全新的智能优化算法,这种算法的思想出
自于樽海鞘的聚集行为,即樽海鞘链.以水中的浮游植物(海藻等)为食,通过吸入喷出海水
完成在水中的移动.在樽海鞘群算法中,樽海鞘链由两种类型的樽海鞘组成:领导者和追随
者.领导者是位于樽海鞘链的最前面,而其它个体则为追随者的角色.
樽海鞘的种群行为与其它算法有所不同,它并不是以“群”分布,而是采用头尾连接的
形式,组成“链”的形态,顺次跟随着移动.樽海鞘链中的领导者排在队伍的最前端,它对环
境有着最优的判断,但与其它群智能算法不同的是,领导者不会直接影响整个种群的移动
方向,而是直接影响紧接着的第二个樽海鞘个体的位置更新,第二个个体影响第三个个
体,以此类推.因此,领导者的位置对其余樽海鞘位置影响程度会顺位递减,这使排在后面
的个体有着更好的多样性.
评论0
最新资源