无线通信系统频谱分配策略范文

本站小编为你精心准备了无线通信系统频谱分配策略参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

1引言

随着通信技术的快速发展，频谱资源短缺的问题越来越成为制约无线通信发展的关键，其中一个重要原因是现有的无线通信系统普遍采用效率较低的固定频谱分配方法。为解决该问题，认知无线电(CognitiveRadio，CR)系统近年来得到了快速发展。该系统能够从环境中进行智能学习，实现对频谱资源的有效利用，从而开展高可靠性的通信。频谱分配，是指将特定的频谱分配给特定的无线设备以完成特定的无线应用。目的是允许认知用户(SecondUsers，SU)使用当前授权用户(PrimaryUsers，PU)未使用的频谱，从而提高频谱利用率。分配的关键是如何在获得所需效益且不出现相互干扰的情况下实现公平而有效的频谱分配。目前已有大量的频谱分配模型被提出，如图论着色模型，定价拍卖模型，干扰温度模型，博弈论模型等。因为频谱分配问题是一个NP－hard的组合优化问题，故近年来学者们又提出利用智能优化算法来解决认知无线电中的频谱分配问题，例如粒子群算法、人工蜂群算法等。这些经典智能计算方法虽然能够在一定程度上提高频谱分配问题的分配效益和公平性，但受到收敛速度和收敛性能的制约，在有限计算条件和计算时间下很难搜索到最优解。因此，需要设计新的智能优化算法解决上述矛盾。

蚁群算法(AntColonyAlgorithm，ACA)最早由意大利学者MarcoDorugo在1991年提出，这是一种新的群智能优化算法，具有鲁棒性强、收敛性好、理论体系完备、易改进、分布式计算的优势，能有效解决NP问题，近年来被广泛用于解决旅行商问题、车辆路径问题、分配问题等等，在研究者之间引起巨大研究热潮。文献将ACA算法用于认知无线电的频谱分配中，取得了很好的效果。然而经典ACA算法存在易停滞、收敛慢、信息素更新效率低等缺陷，会对认知无线电频谱分配的效益产生一定的影响。

针对上述问题，本文提出一种基于改进蚁群算法(Im-provedAntColonyAlgorithm，IACA)的频谱分配方案。针对ACA算法中蚂蚁在搜索最优路径时过于随机，搜索效率低的问题，采用自适应搜索窗口固定蚂蚁下一步的选择节点，减少搜索的盲目性。针对原有最优路径上信息素因过度加强而导致的算法停滞问题，加入局部信息素的更新机制，确保新路径的实时追踪，采用一种局部和全局相结合的信息素更新方式不仅可以提高当前最优路径的信息素贡献，还可以创造更多的最优可能解。最后，通过与其他频谱分配算法在不同网络效益函数下的性能相比较证明了本文算法的可行性和优越性。

2认知无线电频谱分配模型

本文所使用的认知无线电频谱分配模型可用频谱矩阵、效益矩阵、干扰矩阵和无干扰分配矩阵［3］来描述，假定一个检测周期内该网络的拓扑结构不变。设定一个区域，其中随机分布着一定数量的PU和SU，假设已知每个PU的保护范围和每个SU的干扰范围。

3改进蚁群算法(IACA)的认知无线电频谱分配

3．1改进的蚁群算法(IACA)蚁群算法(ACA)是在真实蚂蚁觅食时寻找从蚁巢到食物间最短路径行为的启发下，由MarcoDorigo等学者提出的一种元启发式随机搜索算法［9］。算法利用信息素浓度更新的正反馈机制，具有并行搜索能力，是一种高效的智能优化算法。本文在经典ACA算法基础上进行改进。主要对ACA算法的蚂蚁搜索空间、信息素更新方式进行改进。经典的ACA算法原理和流程在这里不做详细介绍，重点阐述本文改进的两个方面。

3．1.1自适应搜索窗口自适应搜索窗口的引入是为了提高ACA算法搜索最优路径时的搜索效率，减少搜索的盲目性。在算法迭代过程中自适应调整一个非均匀的窗口以限制蚂蚁的移动范围，目的是通过窗口限制蚂蚁下一步要选择的节点，从而缩短蚂蚁搜索周期并开辟新的解空间，起到跳出局部最优解的作用。设定ACA算法的迭代次数ε，每一次迭代过程中蚂蚁窗口大小(窗口中的节点数)保持不变，窗口位置随机选择，设为wε，在第ε+1次迭代时利用第ε次迭代得到的最优解与前ε次迭代得到的最优解之间的差值自适应地更新窗口大小。

3．1.2信息素更新规则传统ACA算法采用全局更新的信息素更新方式，在迭代过程中，当新的最优路径还未出现时，当前最优路径上的信息素会不断增强，这会导致算法因当前最优路径上信息素过高而停止搜索，陷入停滞。该方法的另一个缺点是:当新的最优路径出现时，因为信息素更新不及时会导致该路径上的信息素强度在经过很多次迭代后仍低于原有最优路径上的信息素强度。针对上述问题，本文提出一种局部更新和全局更新相结合的信息素更新方式。同时与常规信息素在边上更新不同，该算法信息素的更新是在路径中的点上。信息素局部更新指蚂蚁在每走一步之后都要进行信息素更新。设可以经过节点i的蚂蚁数为R，实际经过节点i的蚂蚁数为r，则称r/R为节点i对蚂蚁的吸引力。在进行信息素局部更新时，若每次释放的信息量Δτ为常量，则节点i上的蚂蚁吸引力越大，经过节点i的蚂蚁数目就越多，从而局部更新的次数也就越多。随时间累计，会导致节点之间的信息量差距过大，限制了算法搜索的全局性。因此，随着算法搜索状态的变化，Δτ值应不断调整。其调整原则是，蚂蚁的吸引力越大，则Δτ值越小。

3．2基于IACA的频谱分配设定算法中蚂蚁访问的为一个N×M的点阵空间，将蚂蚁寻找最优路径的过程看作一个频谱分配过程，即蚂蚁走到点(n，m)时就将信道m分配给SU用户n。每只蚂蚁在每个节点留下的信息素由该节点分配可用信道产生的信道效益决定。每只蚂蚁不重复经过相同的节点。设蚂蚁数为X(编号1～x)，ACA算法的迭代次数为ε，本文频谱分配算法的步骤框图如图1所示。Step1:设置参数。设置SU用户数N、信道数M;设定蚂蚁的搜索空间，通过它们之间的地理位置等相互关系求得网络拓扑图及相应的频谱矩阵L、干扰矩阵C和效益矩阵B;设定本文改进ACA算法的迭代次数ε、初始窗口大小ω1、蚂蚁只数X、参数α、β、ρ等。按照频谱矩阵L随机选择蚂蚁的起始点。Step2:信道分配(蚂蚁寻找路径)并进行局部信息素更新和矩阵L"C的更新。蚂蚁在设定的窗口中按照节点上信息素计算转移概率并进行移动。Step3:蚂蚁行动判断。蚂蚁每走一步后干扰矩阵C都会重新对可用矩阵L进行更新，即将与蚂蚁移动后的点使用同信道会产生干扰的点在矩阵L中的相应位置置为0。然后判断可用矩阵L是否存在可移动的点，当矩阵L为0矩阵时，蚂蚁的本次游走结束;当矩阵L不为0矩阵时，返回Step2继续进行信道分配，直到矩阵L为0矩阵。Step4:更新窗口大小。当所有蚂蚁走完后，对所记录的所有路径(在此作为效益值)利用式(7)对下一次迭代中蚂蚁的搜索窗口大小进行自适应更新。Step5:全局信息素更新。利用式(10)对所有蚂蚁完整的完成一次迭代的信息素进行全局更新。Step6:若满足最大迭代次数，则输出最终信道分配矩阵A，否则跳转到Step2继续进行下一次迭代。

4仿真及结果分析

为了评估IACA算法的性能，本文以最大平均网络效益和最大比例公平网络效益为评价指标，与敏感图着色算法(CSGC)［3］和传统蚁群算法(ACA)进行了比较。

4．1场景及参数设定首先设定一个10×10的区域，其中随机分布着10个PU，每个PU可以从10个可用信道中任意选择一个使用，且每个PU都有固定的保护范围(dp=2);该区域中同时存在10个待分配信道的SU，每个SU的干扰范围ds为［2，4］。由上述仿真场景参数可计算出可用矩阵L、效益矩阵B和干扰矩阵C。设定参数蚂蚁只数X=20，算法迭代次数为εmax=100，信息素挥发因子ρ=0.1，信息素指数α=3，启发式信息指数β=2，初始窗口大小ω1=4，信息素强度Q1=2，Q2=20，信息素浓度初始值τ(0)=1。为了保证比较的充分性，仿真进行40次独立实验并记录结果，且每次实验时的矩阵L、B和矩阵C都不同。

4．2基于平均最大网络效益(MSR)的性能仿真将改进的蚁群算法(IACA)与传统ACA算法和CSGC算法对平均最大网络效益的性能进行比较。进行40次的仿真，结果如图2所示。由图2可以看出，采用IACA算法进行频谱分配获得的MSR优于其它两种算法。这主要是因为局部更新和全局更新相结合的信息素更新方式提高了最优路径上的信息素贡献，使得网络效益值有所提高。图3显示了平均网络效益与迭代次数的关系曲线，由图3可以看出，改进的蚁群算法(IACA)比传统的蚁群算法(ACA)网络效益高，且收敛速度更快。这是因为增加的自适应搜索窗口可以大大减小选择的盲目性，提高了实验效率，加快了算法的收敛速度。4．3基于最大比例公平网络效益(MPF)的性能仿真将改进的蚁群算法(IACA)与传统ACA算法和传统的CSGC算法在对最大比例公平网络效益MPF的性能进行比较。同样进行40次的仿真，改进的蚁群算法(IACA)的MPF比敏感图着色算法(CSGC)和传统的蚁群算法(ACA)的效果更好。如图4所示。将改进的蚁群算法(IACA)与传统的蚁群算法(ACA)相比较。同MSR的效果一样，因为自适应搜索窗口的存在，IA-CA收敛速度更快。结果如图5所示。

5结语

本文在传统的蚁群算法上对其进行改进，改进的算法引入了自适应搜索窗口并对信息素更新的方式做了改变。由实验结果可知，改进的蚁群算法(IACA)在搜索结果(平均最大网络效益和最大比例公平网络效益)和收敛速度方面都比敏感图着色算法(CSGC)和传统的蚁群算法(ACA)的性能更优。在对自适应搜索窗口的设置与使用上，本文主要基于实验手段分析，下一步可以从理论上对不同初始搜索窗口的性能进行分析比较，寻求更好的窗口设置准则。

作者：张婧怡 向新 孙晔 王峰 单位：空军工程大学航空航天工程学院