认知无线电系统中基于量子粒子群算法的PHY层及MAC层决策优化
开篇：润墨网以专业的文秘视角，为您筛选了一篇认知无线电系统中基于量子粒子群算法的PHY层及MAC层决策优化范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘 要:认知无线电技术是下一代通信发展的方向和趋势,同时也是目前通信研究中的热点问题。针对认知无线电系统中,在某一信道条件下其通信系统的物理层(PHY)和媒体链路层(MAC)的基于多个目标来实现优化的问题,基于量子粒子群算法的基本思想,把量子粒子群算法引入认知无线电系统中,并对该算法进行适当的改进,最后基于WSGA控制对电台优化问题进行了仿真,通过仿真证明了其有效性。
关键词:认知无线电;量子粒子群;多目标优化;物理层、媒体链路层
中图分类号:TN911文献标识码:A
文章编号:1004-373X(2010)05-047-04
Goals Optimization Based on Quantum Crowd Particle Algorithm in phy
Layer and mac Layer in Cognitive Radio System
XUE Zhoucheng1,LV Junwei1,NI Lei2
(1.Ordnance Engineering College,Shijiazhuang,050003,China;2.Unit 61451 of the PLA,Beijing,100094,China)
Abstract:Cognitive radio technology is tendency and the direction of future communication development,it is also the focus of the communication research.Aimming at solving the problem of goals optimization under certain channel condition in its physical layer and medium link layer in cognitive radio system.The problems of goals optimization problem in cognitive radio based on the basic thoughts of quantum particle crowd algorithm are solved and thoughts of quantum particle crowd algorithm in the cognitive radio system are used for carrying out proper improvements.Finally it emulates the optimization problem using the radio station controlled by WSGA.
Keywords:cognitive radio;quantum crowd particle algorithm;goals optimization;PHY layer and MAC layer
0 引 言
认知无线电(Cognitive Radio)将人工智能与无线电通信相结合,这个领域具有高度的多学科性质,混合了传统通信与电子工程的无线电,同时应用了来自计算机科学的一些概念[1]。基本定义可归纳为:它是可以感知外界通信环境的智能通信系统,认知无线电系统通过学习,不断地感知外界环境的变化,并通过自适应调整内部的通信机理达到对环境变化的适应。这样的自适应调整,一方面是为了改进系统的稳定性,另一方面也是为了提高频谱的利用率。根据认知无线电框架,用户首先需要检测频谱环境,估计当前信道中的干扰温度及其接入对邻近用户的干扰,根据这些测量数据,用户可以自适应地改变传输参数,以达到系统最终的性能最优。其基本任务是:环境分析、信道预测估计和信道预测建模、传输功率控制和动态频谱管理[2]。
认知无线电的目标是最优化自身性能以及支持用户的需求,但是“最优化”的含义是什么?它不仅仅是无线电用户追求自身资源消耗最大化的自适应参数调整,考虑在无线电通信上,如果两对节点在不同的网络上通信,传输在时间和频率上的重叠,会形成干扰。节点将低信干噪比(SINR)的情况认为是观测到了干扰,传统应对干扰的方法是通过增大发射功率来增加SINR,┮惶趿绰飞系姆⑸浠增加发射功率,另一链路也将会以提高发射功率来回应[3]。每个无线电用户都将通过增大自身的发射功率来使接收机的SINR最大化,这样最终会使功率增加到硬件的极限[4]。
在严重拥塞的频谱环境中,改变频率可能不是一个很好的解决方法,这是为什么要查找可能调整的所有物理层和链路层来改善其性能的原因[5]。
首先定义,在无线电中实现了满足用户的性能水平,并最小化其消耗资源(如占用的带宽、消耗的功率等)时,就认为“最优化”。因此应该知道用户的需要以及如何调整无线电性能才能满足这些需要。
在物理层中,中心频率、符号速率、发射功率、调制类型和调制阶数、脉冲成形滤波器(PSF)类型、阶数、扩频类型、扩频因子等都能进行调整。链路层上则为各种可以改进网络性能的变量,包括信道编码和交织类型和速率,以及接入控制方法,如流量控制、帧的大小以及多址接入技术等。
认知无线电遵循的基本过程是调整自身的参数来实现某一期望的最优性能组合。无线最优化概念是通过分析许多目标函数的输入与输出来描述的,在这种情况下,描述各个目标之间的相互依赖关系使用单目标分析系统变得困难,用户和网络的需求不能同时得到满足,这种需求会随着时间和具体情况发生很大变化。这时单目标函数已不能充分表示这些不同目标的需求[6]。
设认知无线电需调整的N个参数为a=,具体参数是发射功率、调制方式、中心频率、符号速率等,由于受各种制度、物理环境、硬件条件等方面的限制,认知无线电参数通常要满足很多约束条件。为适应当前外部条件,认知无线电需优化的目标函数为f=,其中n为目标函数的个数,目标函数的选择要求能反映当前的链路质量,如平均发射功率、数据速率、识码率、带宽、频带效率、数据包延时等。不同的链路条件、不同的用户需求导致不同目标函数的重要性不尽相同。在实际运用中可用权重数值的大小来反映目标函数的重要性程度。由此可知实现认知无线电参数的调整功能是一个多目标优化问题,即如何调整无线电参数取值来实现给定权重情况下多个目标函数的优化[7]。
由于缺少单目标函数的衡量,所以不能从经典的优化理论来获得调整无线电参数的方法,取而代之的是使用MODE标准来分析无线电性能。MODE理论使得人们可以在与之用来建模的目标函数个数一样多的维数中实现最优化,目前遗传算法已被广泛用于MODE问题的求解[1]。
MODE理论的核心是用数学方法选择一系列的参数,从而使一组目标函数最优化。MODE方法的基本表示如式(1)、式(2)所示:
min/max(y)=f()=),f2(),…,fn()〗(1)
约束条件:
=(x1,x2,…,xm)∈X
=(y1,y2,…,ym)∈Y(2)
其中,所有的目标函数都定义成最大化y或最小化y,最大化或最小化取决于具体的实际应用。x的值(即x1,x2等)表示输入;y值表示输出。式(1)提供了MODE的表示,但没有指定优化系统的方法。某些目标函数以某种方式进行组合会产生最优化的输出。在实践中可以有很多方法实现最优化,目前遗传算法运用最广泛。
传统求解多目标优化问题的方法有加权法、约束法、目标规划法等,这些求解方法按某种策略确定多目标之间的权衡方式,将多目标问题转换为多个不同的单目标问题,并用这些单目标优化问题的最优解构成的解集去近似最优解。这些方法和每次优化结果,只得到┮桓鐾仔解,而且采用不同的方法求解,结果可能完全不同。
本文引入的量子粒子群算法用于对MODE问题的求解,同时对于量子粒子群算法进行了一些改进。量子衍生计算是近年来新提出的一种新的计算方法,引进量子理论的进化算法具有很好的空间搜索能力。量子多目标进化算法具有更强逼近最优前沿的能力和更好的多样性,具有量子行为的粒子群算法,能保证全局的收敛性,其性能优于传统的遗传算法。
1 量子粒子群算法
1.1 粒子群算法的基本思想
粒子群算法(PSO)是由Kennedy和Eberhart等于1995年率先提出的,它借鉴鸟群捕食过程的社会行为,是一种并行进化的计算方法,引入惯性权重来实现对解空间的搜索控制,逐步形成了目前普遍应用的基本粒子群算法[8]。思想是:为将每个个体看作是D维搜索空间中一个没有体积和质量的粒子,在搜索空间中,以一定的速度飞行,并根据个体和群体飞行经验的综合分析来动态调整这个速度。设群体中第i个粒子为Xi,它经历过的位置为Pi,其中最佳位置记为Pbest,当前组成的群体中所有粒子经过的最佳位置记为Pgbest,粒子i速度用vi=(vi1,vi2,…,vid)表示,对第i次迭代,粒子i在D维空间的运动方程为:
vid(t+1)=w•vid(t)+c1rand()[pbest-xid(t)]+
c2rand()[Pgbest-x(t)]
xid(t+1)=xid+v(t+1)(3)
式中:w为惯性权重,它使粒子保持运动的惯性,使其有能力探索新的区域;c1,c2为常数;rand为范围的随机数。
1.2 量子比特的表示
提出量子比特编码多态问题可由式(4):
α1α2…αm
β2β2…βm〗(4)
表示为。通用量子旋转门调整则相应可表示为:
α′iβ′i〗=cos(Δθ)-sin(Δθ)sin(Δθ)cos(Δθ)〗αiβi〗(5)
1.3 量子粒子群算法
从量子力学的角度出发提出了一种新的PSO算法模型。这种模型以DELTA势阱为基础,认为粒子具有量子行为,并根据这种模型,提出了一种具有量子行为的粒子群算法。此算法具有简单易实现和调节参数少的优点,具有良好的稳定性和收敛性[9]。
借用粒子群中的群智能策略,将这种群的所有量子看成一个智能群体,找到每次迭代过程中局部最优解进行进一步的动态调整,其操作过程是:量子粒子i在┑j比特经i次迭后,速度、位置、个体最好和全局位置分别为vij(t),θij(t),θbestij,θgbestij,则速度和位置迭代公式为:
vij(t+1)=w•vij(t)+c1rand()+
c2rand()
θij(t+1)=θij(t)+vij(t+1)(6)
本文基于以上量子粒子群算法的基本思想,采用基于Pareto支配关系的排序关系来更新粒子的个体最优值和局部发最优值,定义一种新的极大极小距离方法,并采用该距离方法裁减非支配解。利用量子粒子旋转门更新粒子的量子角度,提出了一种新的多目标优法算法。
1.4 基于距离方法的量子粒子群多目标优化算法
提出用于计算适应值的距离方法――量子粒子群多目标优化算法(Quantum Bit Particle Swarm Optimization,QBPSO),来解决多目标优化问题。这种方法的基本思想是根据每个个体到前┮淮获得的Pareto解之间的距离来分配其适应值。它采用外部惩罚函数将多目标优化问题转换为无约束问题。其中,参数r控制惩罚项的幅度,Pi是初始潜在值。
该距离方法对于Pi和r的设置比较敏感。对于任何不可行解,r的值越高,计算得到的距离值也越高,因此,适应值最终接近于0,如果太多,个体的适应值为0,搜索将无法进行。另外,如果初始潜在值与不同解之间的适应值差别会很不明显。这将导致选择压力过小,结果导致算法收敛速度较慢。另一方面,如果初始潜在值过小,计算得到的适应值将趋向于0。
对于每个个体历史最优解的选取,采用以下步骤:
(1) 如果当前解支配个体i个历史最优解,则作为历史最优解。
(2) 如果当前解不支配i个历史最优解,则比较当前解和历史最优解的D(i)值,选择具有较小D(i)的那个解作为历史最优解[10]。
1.5 惯性权重的改进
惯性权重类似模拟退火中的温度,较大的w有较好的全局收敛能力;而较小的w则有较强的局部收敛能力,惯性权重w满足:
w(t)=0.9-(0.5t)/MaxNumber(7)
式中:MaxNumber为最大截止代数。这样,将惯性权重w看成迭代次数的函数,可从0.9~0.4线性减少。
虽然该方法能保证惯性权重w随迭代次数的增加而减小,但在每一代中,所有粒子的惯性权重均一样,不能很好地体现每个粒子的支配关系和拥挤程度。因此,在本文算法中,采用不动态设置惯性权重。
惯性权重w=群体粒子数/个体粒子数N+被粒子I所支配的粒子数+距离密度D(i)。
可以看出,惯性权重取值区间为(0.33,1),在算法当前期粒子惯性权重趋向于后期惯性权重时,逐渐趋于1,而且在每次迭代过程中各个粒子的惯性权重也不尽相同,越好的粒子获得的惯性权重越小,越差的粒子获得的惯性的权重值越大。该方法能更好的平衡和局部搜索,提高算法的收敛速度。
1.6 算法流程
上述量子粒子群算法流程如下:
(1) t0,初始化种群Q(0)。
(2) 对初始化种群的各个体实施测量,得到一组状态P(0),并进行适应度评估。
(3) While 非结束条件do。
Begin
① tt+1;
② 对于Q(t-1)实施观测,得到P(t),进行适应评估;
③ 比较各解,计算各解所支配的解的个数;
④ 计算极大极小距离,求出各Pareto解的D(x)值;
⑤ 利用基于量子门旋转策略更新Q(t)。
End
2 算法验证及基于某型电台的最优化仿真
本文改进的这种基于粒子群化多目标优化算法,采用新的距离方法,以保持解群体的分布性能,同时,动态设置粒子的惯性权重,有效地保持了算法前期全局搜索和后期局部搜索之间的平衡。以多维0/1背包问题为测试对象,经多次实验结果表明,该算法具有较好的收剑性和保持解的分布性。该算法能够快速搜索到多目标优化问题的Pareto前沿,特别对多维、复杂优化问题提供更有效的方法[10]。
下面以某型电台为例,它是基于硬件的平台,具有有限的参数和调整范围,所有的物理层特性如表1所示。
在受限制的无线电台中,量子粒子群算法也是可行的,设计试验由WSGA控制的点对点无线电链路和作为干扰的第三个同型号的无线电台组成。
表1 硬件参数的配置
参数范围参数范围
频率5 730~5 820 MHz编码速率:1/2,2/3,3/4
功率6~17 dBmTDD29.2%~91%
调制QPSK,QAM8,QAM16
注:QPSK为正交相移键控;TDD为时分双工。
试验包括建立一条高流量的初始视频链路,当出现干扰时,信号质量迅速下降且变得无法区别时,WSGA接着运行,目标函数设置为最小化BER、最小化发射功率、最大化数据速率、电台不改变现有的频率,测试目的是为了测试无线电如何处理其他参数。
试验中显示了在测试中WSGA的良好性能,但仍然希望有更灵活的平台,这样就能建立一个软件无线电(SDR)的物理层仿真,具有更多的可调参数,以及更大的调整范围,如表2,表3所示。
表2 仿真参数
参数范围参数范围
功率0~30 dBmPSF滚降系数0.01~1
频率2 400~2 480 MHzPSF阶数5~10
调制MPSK,MQAM符号速率1~20 MSPS
调制M2~64
表3 仿真试验条件
函数
权重最小频谱占用最大流量干扰避免
BER255100200
带宽25510255
频谱效率100200200
功率22510200
数据速率100255100
干扰00255
在此时的无线电仿真参数和条件下,目标函数为BER、占用带宽、功率、数据速率以及干扰量。
运用算法如表3所示,每个目标都得到了优化,每个结果BER都为0。
第一试验:如图1所示,将占用频谱最小化为1 MHz。
第二试验:如图2所示,将流量最大化为72 Mb/s。
第三试验:如图3所示,找到一个嵌入干扰空隙的解。
图1 占用频谱最小化为1MHz
图2 流量最大化为72 Mb/s
图3 一个嵌入干扰空隙的解
3 结 语
认知无线电的设计目标是优化自身的性能,支持用户需求。当无线电在达到具有一定水平的性能,且满足用户需求时,对占用带宽和电池功率等资源消耗最小时,就实现了优化。本文所讨论的算法可解决物理层和链路层参数调整的一些基础性问题。
参考文献
[1][美] Bruce A Fette.认知无线电技术[M].赵知劲,郑仕链,译.北京:科学出版社,2008.
[2]Mitola J,Maguire G.Cognitive Radio:Making Software Radios more Personal[J].IEEE Personal Communication Magazine,1999,6(4):13-18.
[3]Mitola J.Cognitive Radio for Flexible Mobile Multimedia Communications[J].1999 IEEE International Work-shop on Mobile Multimedia Communications,1999,10(3):15-17.
[4]Ganesan G,Li YG.Cooperation Spectrum Sensing in Cognitive Radio Networks[J].Proceedings of IEEE,2005:137-143.
[5]Mitola J.Cognitive Radio for Flexible Mobile Multimedia Communications[J].Mobile Networks and Applications,2001,6(5):435-441.
[6]Urkowitz H.Energy Detection of Unknown Detection Signals[J].Proceedings of IEEE,1997,55:523-231.
[7]Nuttall A H.Some Integrals involving the Qm Function[J].IEEE Trans.on Information Theory,1975,21(1):95-96.
[8]Kalyanmoy Deb,Amrit Pratap,Meyarivan T.A Fast and Elitist Multi-objective Genetic Algorithm:NSGA-II[J].IEEE Trans.on Evolutional Computation,2002,6(2):182-197.
[9]Sun J,Xu W B.A Global Search Strategy of Quantum-Behaved Particle Swarm Optimization.Proceedings of IEEE Conference on Cybernetics and Intelligent Systems[C].2004:111-116.
[10]Sun J,Feng B,Xu W B.Particle Swarm Optimization with Particles having Quantum Behavior.Proceedings of Congress on Evolutionary Computation[C].2004:325-331.