尤晓建+韩雪梅

摘 要：提出基于鸡群算法的认知决策引擎，以解决认知无线电发射参数的自适应重配置问题。将认知决策引擎模型转化为多目标优化问题，并采用加权和方法将其转换为单目标优化问题。采用鸡群算法对认知决策引擎进行求解，从而实现认知无线电发射参数的重配置。结合多载波通信系统进行了仿真實验，结果表明，该认知决策引擎能根据用户需求变化，动态进行认知无线电参数的重配置。

关键词：认知无线电；认知决策引擎；鸡群算法

DOIDOI：10.11907/rjdk.171721

中图分类号：TP319

文献标识码：A 文章编号：1672-7800（2017）007-0128-03

0 引言

无线通信业务对频谱资源的需求飞速增长，加剧了频谱资源的供需矛盾。Mitola[1]提出的认知无线电（Cognitive Radio，CR）技术，能实现对频谱资源的动态利用。CR最大的优点是智能性，体现其智能性的是认知决策引擎 （Cognitive Decision Engine，CDE） 。CDE是实现认知无线电发射参数自适应调整的关键技术，能根据变化的通信环境及用户需求，对无线电发射参数进行自适应优化，以保证有效通信[2]。

CDE本质上可建模为一个多目标优化问题，然后采用各种智能优化算法求解。遗传算法（Genetic Algorithm，GA）虽能求解CDE[3-4]，但其存在收敛速度慢、早熟等缺点；对遗传算法进行改进得到的量子遗传算法用于求解CDE[5]，性能得到了提升，但其复杂度也增加了。Meng等[6]于2014年提出了鸡群算法（Chicken Swarm Optimization，CSO），简单、易扩展，是一种新的、天然的多种群、自适应群智能优化算法，本文将建立基于鸡群算法的认知决策引擎。

1 认知决策引擎

通过调整自身参数以适应通信环境的变化从而满足用户的要求，这是认知决策引擎的目标，其可建模为一个多目标优化问题，即对自身发射参数进行优化求解，并根据寻优结果进行参数自适应调整，从而使通信性能达到最优。发射功率、调制方式、符号速率、频率、带宽等是认知无线电中常见的调整参数。假设CR系统中有m个可调参数，表示为x=[x1，x2，…，xm]，由于受到政策法规、通信环境、硬件设备等制约，单个参数xi在某取值范围[Ai，Bi]内取离散值或连续值。设f=[f1，f2，…，fn]代表系统的n个性能优化目标，在实际通信环境中，由于用户业务需求不同，对通信的要求也各异，例如多媒体通信关心的是数据传输速率的最大化，而数据通信则关心的是误比特率的最小化[7]。对不同目标函数的应用需求，本文采用w=[w1，w2，…，wn]表示，其中，权重wi（1≤i≤n）的数值大小代表了目标函数fi（1≤i≤n）在不同需求时的重要程度。将已经归一化处理的n个目标函数f=[f1，f2，…，fn]采用线性加权和方法转化为如式（1）所示的单目标函数：

2 鸡群算法优化认知决策引擎参数

2.1 鸡群算法原理

对于所有的N只鸡，每一代t，第i只鸡搜寻食物的位置可以被描述为xtij（i∈[1，2，...，N]，j∈[1，2，...，D]），D为搜索空间的维度。公鸡、母鸡、小鸡各自搜索食物的公式见式（2） [6]：

其中，Randn（0，σ2）均值为0，标注差为σ2的高斯分布；ε为一个很小的常数；k为公鸡中除i外的任一个体。母鸡搜索食物的公式见式（3）：

其中，rand为[0，1]间均匀分布的随机数；r1为母鸡i所在鸡群中的公鸡；r2为公鸡和母鸡组成的群体中的任意一只，且r1≠r2。

小鸡搜索食物的公式见式（4）：

其中，m为小鸡i所对应的母鸡；FL为跟随系数，取值区间[0，2]。

3种鸡拥有各自的搜索公式，适应度值越大的鸡群搜索空间越广。这种搜索机制能尽可能保证种群多样性，避免搜索陷入局部最优。

2.2 鸡群算法求解认知决策引擎

设仿真实验中的CR系统是一种OFDM多载波系统，能实现自适应调整的参数为发射功率、调制方式，待优化的3个性能目标包括最小化发射功率fmin-power，最小化误比特率fmin-ber和最大化数据速率fmax-data-rate，公式如下[8]：

其中，Pmax为最大发射功率，为子载波的平均发射功率，be为误比特率的平均值，N为子载波数量，Mi为第i个子载波的调制进制数，Mmin和Mmax分别为最小和最大调制进制数。因此，基于鸡群算法的CDE发射参数自适应动态重配置求解的最终目标函数可以表示为：

认知无线电决策引擎所要完成的任务，就是根据用户不同的通信业务需求和通信环境变化，对式（8）进行寻优，根据寻优结果调整无线电参数以实现式（8）的最大化。

3 算法仿真及分析

为了将基于鸡群算法的CDE与基于GA的CDE比较，本文仿真实验采用的多载波系统具有32个子载波。32个子载波的信道衰落因子用随机产生的32个0～1之间的数来动态模拟；系统有64种可选发射功率，最小和最大值分别为0dBm与25.2dBm，其余值依次相隔0.4dBm；系统支持BPSK、QPSK、16QAM和64QAM等4种调制方式；32个子载波都可根据变化的通信业务需求自适应调整发射功率和调制方式；如AWGN信道的噪声功率为0 dBm ，具有1Msps的符号速率，并采用Gray码分配星座图，比特错误率的计算见参考文献[9]中的公式。

仿真实验采用二进制编码，有BPSK、QPSK、16QAM和64QAM四种调制方式，分别用2位二进制编码00、01、10、11表示；64个不同的发射功率值，需要6位二进制编码，如二进制编码011110就代表值为12dBm的发射功率。endprint

GA参数设置如下：种群规模为30，交叉概率为0.8，变异概率为0.001，最大演化代数为500；CSO参数设置如下：种群规模为30，鸡群中公鸡比例20%，母鸡比例60%，解的维数D为32，最大进化代数为500。权重设置采用如表1所示的3种模式。

其中，适用于低功耗的是模式1，适用于高可靠性通信要求的是模式2，适用于高数据速率通信要求的是模式3。

仿真实验分别采用GA、CSO算法对目标函数进行优化，并记录各代种群中最大适应度个体目标函数值。对上述3种模式分别独立仿真20次，再对20次仿真实验结果求平均值，如图1所示为平均归一化目标函数值随进化代数的变化曲线。

从图1可以看出，在每种通信需求模式下，CSO算法在进化过程中优化得到的平均目标函数值都明显大于GA算法。GA算法在初期收敛速度很快，但是平均目标函数值比较小，在算法后期其性能差于CSO算法。基于CSO的CDE平均目标函数值明显高于GA算法，这表明CSO算法搜索效率高、收敛能力强。在进化后期，CSO算法的目标函数值远高于GA算法，这表明基于CSO算法的CDE在寻优后期具有更好的爬山能力。

4 结语

CR的一个重要特点就是能够在用户需求和通信环境不断变化的情况下，利用CDE进行多参数目标优化，最终实现参数动态重配置，确保有效通信及更好地利用频谱资源。本文设计的CSO算法用于对多目标优化问题进行求解，从而实现CDE的参数动态重配置功能。仿真结果表明，基于CSO的CDE在收敛速度和精度上都优于经典GA算法。

参考文献：

[1] MITOLA J.Cognitive radio：making software radios more personal [J].IEEE Personal Communications，1999，6（4）：13-18.

[2] MITOLA J.Cognitive radio [D].Stockholm，Sweden：Royal Institute of Technology，2000.

[3] ZHANG X，HUANG Y，JIANG H，et al.Design of cognitive radio node engine based on genetic algorithm[C].Information Engineering，ICIE'09.WASE International Conference on.IEEE，2009.

[4] PRADHAN P M，PANDA G.Comparative performance analysis of evolutionary algorithm based parameter optimization in cognitive radio engine：a survey[J].Ad Hoc Networks，2014 （17）： 129-146.

[5] 趙知劲，郑仕链，尚俊娜，等.基于量子遗传算法的认知无线电决策引擎研究[J].物理学报，2007，56（11）：6760-6766.

[6] MENG X，LIU Y，GAO X，et al.A new bio-inspired algorithm：chicken swarm optimization[C].International Conference in Swarm Intelligence.Springer International Publishing，2014.

[7] 邵国媛.认知引擎中决策方法的研究[J].无线电工程，2013，43（2）：58-60.

[8] ZHAO J，LI F，ZHANG X.Parameter adjustment based on improved genetic algorithm for cognitive radio networks[J].The Journal of China Universities of Posts and Telecommunications，2012，19（3）：22-26.

[9] 焦传海，王可人.一种基于免疫遗传算法的认知决策引擎[J].系统工程与电子技术，2010，32（5）：1083-1087.endprint