基于混合蛙跳算法的认知无线电频谱分配

合集下载

认知无线电中的量子蛙跳频谱分配

中图分类号：ＴＮ９ｌ１．７２，ＴＰ３０１．６
文章编号：０２５５ — ８２９７（２０１４）０１ — ００１９ — ０８
Ｑｕａｎｔｕｍ— ＩｎｓｐｉｒｅｄＳｈｕｌｅｆｄＦｒｏｇＬｅａｐｉｎｇＡｌｇｏｒｉｔｈｍｆｏｒ
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０２５５ — ８２９７．２０１４．０１．００４
认知无线电中的量子蛙跳频谱分配
高洪元，曹金龙
１．哈尔滨工程大学信息与通信工程学院，哈尔滨１５０００１
ｓａｍｅｔｉｍｅ，ｗｅｄｅｓｉｇｎａｎａｓｓｉｇｎｍｅｎｔｍｅｔｈｏｄｆｏｒｃｏｇｎｉｔｉｖｅｒａｄｉｏｓｐｅｃｔｒｕｍａｌｌｏｃａｔｉｏｎｗｉｔｈｏｕｔｉｎｔｅｒｆｅｒｅｎｃｅｂａｓｅｄ
Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ１５０００１，Ｃｈｉｎａ
２．ＳｃｈｏｏｌｆｏＩｎｆｏｒｍａｔｉｏｎａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎＥｎｇｉｎｅｅｉｎｒｇ，ＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｆｏＰｏｓｔｓａｎｄ
Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｂｅｉｊｉｎｇ１００８７６，Ｃｈｉｎａ

基于混合蛙跳算法的WSN路由优化算法

关键词
中图分类号
无线传感器网络
Ｔ３１Ｐ０
路由优化
文献标识码
蛙跳算法多路径
Ａ
全局优化
ＡＮＴＩＩｏＰＭＺＥＤＳＲｏＵＴＩＷＮＮＧＡＬＧｏＲＩＴＨＭＡＳＢＥＤｏＮ
ＭＩＸＥＤＬＥＡＰＦＲｏＧＡＬＧｏＲＩＴＨＭ
Ｋｅｗｒｓｙｏｄ
ＷｉｌｓｅｓｒｅｗｒＷＳＲｕｅｏｔｉｔｎｅｐｏｌｒｈＭｕｔｐｔＧｏａｏｔｉｔｎｒｅｎｏｔｏｋ（Ｎ）ｏｔｐｉｚｉＬａｆｇａｇｉｍｅｓｓｎｍａｏｒｏｔｌ—ａｌｂｌｐｉｚｉｉｈｍａｏ
ＡｂｔａｔｓｒｃＴｒｕｈｔｅｓｕｙｏＳｏｏｏｙｓｒｃｕｅａｄｌａｆｇａｇｒｔｍ，ｃｎｉｅｉｇｔｅｓｏｔｌｅｃｃｅｐｏｌｍｆｅｅｇｈｏｇｈｔｄｎＷＮｔｐｌｇｔｔｒｎｅｐｒｌｏｉｕｏｈｏｓｄｒｈｈｒｉｙｌｒｂｅｏｎｒｙｎｆ
研究工作者们提出了许多的路由算法，比如ＳＩ（于ＰＮ基
周立朋卡米力・木衣丁何迪陈琛
（新疆大学信息科学与工程学院新疆乌鲁木齐８０４３０６）
摘
要
通过对无线传感器网络的拓扑结构和蛙跳算法的研究，针对能量受限的无线传感器网络生命周期较短的问题，出一种提
基于混合蛙跳算法的ＷＳ（ｒｌｓｅｓｒｅｏｋ路由优化算法。该算法在生成青蛙时，ＮＷｉｅｎｏｔｒ）ｅｓＳＮｗ考虑了节点的剩余能量，在局部优化过程中采用选择替换和变异两种方法，在全局优化中引入了多路径路由思想，并且充分利用了基站的信息资源和强大功能。仿真结果表明，该优化机制有效延长了ＷＳＮ的生命周期，改善了网络性能。

认知无线电系统中频谱分配综述

《认知无线电系统中频谱分配综述》总结2009 年第3 期电信1101 臧瑞真（一）、摘要：问题：现有的频谱利用率效率很低需要改善。

分析：通过分析频谱分配的特点对频谱分配技术进行分类，根据频谱分配原则选择合适的频谱分配方式。

解决方法：根据频谱分配问题建立合适的频谱分配模型。

（二）、提出问题：频谱资源的匮乏和目前固定分配频谱利用率较低不能满足用户的需求。

（三）、分析问题：（1）基本途径：1、提高频谱利用率，将已授权用户的频谱资源充分利用，减少浪费。

2、提高系统通信效率，将授权频谱资源和其他资源综合优化分配，进而提高利用率。

（2）频谱分配技术的分类（3）认知无线电频谱分配的原则：1、保证灵活性。

目的：增强频谱退避和切换功能。

2、提高系统性能。

目的：使系统性能的改善或逼近与最优状态。

3、减小信令开销和计算量：频谱分配算法的设计必须考虑用户间及用户与中心控制器之间控制信令的复杂程度，分布于用户或者中心控制器上的算法计算量也是需要考虑的一个问题。

（四）、解决方法：认知无线电中的频谱分配模型---基于经典的数学理论以及微观经济学理论（1）基于图论的频谱分配模型基于图论的分配模型中规定了空闲矩阵、效用矩阵、干扰矩阵和分配矩阵四个基本矩阵四个基本模型，在认知无线电系统的频谱分配研究中，将认知用户组成的网络拓朴结构抽象成图，来表示和分析认知用户与主用户之间的使用频谱的关系，进而提高频谱利用率。

图1是一个认知无线电系统的网络拓扑结构图例。

工作原理：图中的每一个顶点代表一个无线用户，每一条边表示一对顶点间存在冲突或者干扰。

如果图中的某两个顶点有一条边连接，则假定这两个节点不能同时使用相同的频谱。

另外，将每一个顶点与一个集合相关联，这个集合代表该顶点所在区域位置可以使用的频谱资源。

由于每个顶点地理位置不同，因而不同顶点所关联的资源集合是不同的。

图例解析：图1是一个认知无线电系统的网络拓扑结构图例。

图中的五个顶点 1~5 代表五个不同的认知用户，A 、B 、C 为三个不同的信道，I~IV 为四个主用户，他们使用的授权频段分别是信道 A 、信道 B 、信道C 和信道C 。

认知无线网络中基于混合频谱切换的最优目标信道选择算法

ＭＡＢｉｎＢＡＯＸｉａｏｍｉｎＸＩＥＸｉａｎｚｈｏｎｇ
（ＣｈｏｎｇｑｉｎｇＫｅｙＬａｂｏｒａｔｏｒｙｏｌＭｏｂｉｌｅＣｏｍｍｕｎｉｃａｔｉｏｎｓＴｅｃｈｎｏｌｏｇｙ，ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙ０，Ｐｏｓｔｓａｎｄ
第３９卷第１期
２０１７年１月
电
子
与
信
息
学
报
、，０１．３９Ｎｏ．１Ｊａｎ．２０１７
ＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｏｎｉｃｓ＆ＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ
详细分析和推导了非理想检测下次用户的累积切换时延。仿真表明，相较于主动和被动频谱切换中目标信道选择策略，在信道状态变化频繁或业务量较大等极端情况下，该算法的性合式；非理想检测
中图分类号：ＴＮ９２９．５
Ｄ０Ｉ：ｌ０．１１９９９／ＪＥＩＴ１６０２６８
文献标识码：Ａ
文章编号：１００９．５８９６（２０１７）０１－００３１ — ０７
ＯｐｔｉｍａｌＴａｒｇｅｔＣｈａｎｎｅｌＳｅｌｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＨｙｂｒｉｄＳｐｅｃｔｒｕｍＨａｎｄｏｆｆｓｉｎＣｏｇｎｉｔｉｖｅＲａｄｉｏＮｅｔｗｏｒｋｓ

认知无线电频谱分配的博弈论方法

《认知无线电频谱分配的博弈论方法》总结张烨，龚晓峰2009摘要：问题：认知无线电中频谱分配问题备受关注，分配给用户的频谱资源却在时间或空间上存在不同程度的闲置。

分析：为了提高频谱分配，需要涉及大量策略选择问题，可以利用博弈论的相关原理进行分析研究。

解决问题方法：建立合适的认知无线电频谱分配问题的博弈论框架，从而促进无线通信的发展。

1、提出问题：无线通信技术不断发展，人们对无线通信需求不断增长，适用于无线通信的频谱资源变得日益紧张，提高频谱利用率是当前亟待解决的问题。

2、分析问题：2.1认知无线电技术：通过对周围环境的感知，动态改变传输功率、载频、调制方式等传输参数以适应运行环境的变化，从而提高频谱利用率[。

2.2认知无线电的频谱分配技术2.2.1问题:在认知无线电中，频谱分配是根据需要接入系统的节点数目及其QoS 要求将频谱分配给一个或多个指定节点。

2.2.2分析：（1）因此需要一种更为有效的频谱分配方法从而在各地区和各时间段里有效地利用空闲频谱，提高频谱利用率。

频谱分配策略的选择直接决定系统容量、频谱利用率以及能否满足用户因不同业务而不断变化的需求。

（2）认知无线电的频谱分配原则:1)保证灵活性。

2）应能提高系统性能。

3）应尽量减小信令开销和计算量。

2.3.1问题：图论模型和定价拍卖模型都有很大的局限性，无法更好推动认知无线电频谱分配问题。

2.3.2分析：在频谱分配算法设计过程中，设计了大量的策略选择问题，因此需要提出新的频谱分配模型。

2.3.3解决方法：对于涉及策略选择的频谱分配问题，可以利用博弈论对相关的自适应算法进行分析。

在分析过程中，主要需要确定以下四个方面的问题：(1) 算法是否具有稳定状态；(2) 这些稳定状态是什么；(3) 这些稳定状态是否满足需要；(4) 算法收敛到稳定状态所需要的约束条件图（1）认知无线电博弈论分析流程1）论证算法具有稳定状态。

在多数博弈论模型里，分布式算法的稳定状态为纳什均衡。

认知无线电中基于频谱聚合的频谱分配算法

【ｂｔａｔＩｏｅｔｌｏｎｔｅｕｅｓｃｅｓｌｃｔｐｃｕａｄｕｃｓｕｌａｄｆｈｒｍｒｅｔｆｃｎｙｏｓｅｔｍｕｌａｏ．Ａｓｃ】ｎｒｒｏｅｃｇｉｖｓｒａｃｓａｏａｄｓｅｔｍｂｎｓｓｃｅｓｌｎ￣ｅｐｖｅｅｉｃｆｐｃｕｔｚｉａｒｄｔｉｌｅｒｆｙｕｉｏｈｉｅｒｉｔｎｉ
ｔｅｐｏｏｅｌｏｉｈｃｎａｈｅｅｇｅｔｒｐｒｏａｃｎｔｅｐｒｅｔｇｈｔｃｇｉｉｅｕｅｓａｃｓｅｗｏｋ．ｈｒｐｓｄａｇｒｔｍａｃｉｖｒａｅｅｆｒｎｅｉｈｅｃｎａｅｔａｏｎｔｖｓｒｃｅｓｎｔｒｓｍ
【摘要】为了使认知用户可成功接入分配的频谱，进一步提高频谱利用率，出了一种基于频谱聚合的分布式频谱分配算法提（ＡＳ，算法以图论着色为模型，ＳＤＡ）该算法过程考虑了认知用户的带宽需求和认知设备的最大聚合范围，真结果表明了该算仿
并在不对主用户造成干扰的前提下使用这些频谱。
频谱分配作为认知无线电中非常关键的技术之一，目
用的是集中式的分配方式，算法假设每个认知用户的可用
前对其已经有了很多研究。文献［］３中提出了一种颜色敏频谱是相同的，这与实际的认知网络并不相符。本文利用感图论着色（ＳＣ）法，ＣＧ算该算法考虑到了各认知用户可图论着色模型，出了一种基于频谱聚合的分布式频谱分提用频谱的差异性和频谱效益的差异性，并分析了在协作式配算法。算法考虑了认知用户的带宽需求和认知设备有和非协作式条件下频谱分配的差异。文献［］４提出了一种限的频谱聚合范围。分布式局部议价的分配算法，在新的频谱分配过程中考虑先前的频谱分配信息，据上一次分配的结果，根能够通过

一种改进的混合蛙跳算法

一种改进的混合蛙跳算法赵红星;常小刚【摘要】针对混合蛙跳算法后期收敛速度慢、精度低并易陷入局部最优的问题,提出一种改进的混合蛙跳算法.在改进的混合蛙跳算法中,对青蛙的觅食机制和进化迭代公式重新定义,青蛙的第一跳向模因组其它青蛙单维搜索,第二跳向模因组内最优青蛙单维搜索,第三跳向全局最优青蛙单维搜索,通过青蛙的三跳协同搜索,能够使算法的全局搜索能力和局部搜索能力得到显著改善.通过7个测试函数与ABC算法和标准混合蛙跳算法实验对比,实验结果表明改进的混合蛙跳算法具有比ABC算法和混合蛙跳算法更优秀的搜索性能,在收敛速度和收敛精度方面具有明显的优势.%To solve the problem of slow convergence speed,low precision and easy to fall into local optimum of SFLA algorithm,an improved shuffled frog leaping algorithm (BCSFLA) is proposed.The searching mechanism and the evolutionary iteration formula of frogs are redefined.In the frog's first and second jump search,it's learning toward the other frogs and the optimal frog in the model group,and in the frog's third jump search,it's learning toward the global optimal frog.Through the cooperation of the three jump search,the global search ability and local search ability of the algorithm are improved significantly.Experiments are conducted on a set of 7 benchmark functions and compared with ABC algorithm and SFLAalgorithm.Finally,the result demonstrates a good performance of BCSFLA algorithm.【期刊名称】《兰州交通大学学报》【年(卷),期】2017(036)001【总页数】6页(P51-56)【关键词】混合蛙跳算法;人工蜂群算法;全局搜索;函数优化【作者】赵红星;常小刚【作者单位】兰州交通大学交通运输学院,甘肃兰州 730070;兰州交通大学现代信息技术与教育中心,甘肃兰州 730070;兰州交通大学现代信息技术与教育中心,甘肃兰州 730070【正文语种】中文【中图分类】TP301.6混合蛙跳算法(shuffled frog leaping algorithm,SFLA)[1]是Eusuff和Lansty依据群智能思想于2000年提出的一种亚启发式算法，该算法结合了模因算法(MA)[2]和粒子群算法(particle swarm optimization,PSO)[3]的优点，通过模拟青蛙群体的觅食过程，以局部搜索和全局信息交流的方式，在搜索范围内寻找最优解.SFLA因算法简单、易于理解、控制参数少且具有相对较优的搜索能力而得到了学者的广泛关注.文献[4]建立了SFLA的Markov链数学分析模型.文献[5]将人工鱼群算法(artificial bee colony algorithm,ABC)与SFLA结合提出了混合算法CSFLA(composite shuffled frog leaping algorithm).文献[6] 改进了SFLA的进化计算公式，使进化计算受到模因组内的最优个体、全局最优个体和干扰因子三者共同的影响，并成功解决了无线传感网的定位问题.文献[7]提出了基于惯性因子的SFLA.文献[8]将自适应粒子群(SAPSO)算法与SFLA相互结合，成功解决了配电网的重构问题.文献[9]将幂律极值动力学优化与SFLA融合，分析了容量约束车辆路径问题，并通过实例证明了算法的有效性.文献[10]引入模拟退火(SA)、免疫接种(IV)、高斯变异和混沌扰动算子以提高SFLA算法的深度搜索能力和广度搜索能力，改进后的SFLA算法成功优化了支持向量机(SVM)的参数.针对SFLA的全局收搜索能力和深度搜索能力的不足之处，提出了一种改进的混合蛙跳算法(bee colony shuffled frog leaping algorithm,BCSFLA)，在BCSFLA的寻优过程中，结合了人工蜂群算法的单维搜索机制，并且根据模因组的最坏青蛙进化情况决定是否由模因组的最优青蛙进行精细化搜索，通过对青蛙觅食过程的重新定义，使BCSFLA的全局搜索能力和精度搜索能力同时得到提高.利用7个60维的测试函数，进行了BCSFLA、ABC、SFLA的计算试验对比，结果表明BCSFLA在函数优化方面具有比ABC和SFLA更明显的优势.SFLA是模拟青蛙觅食过程中的信息交流特点在SFLA中，每个模因组的局部搜索首先是由该模因组的最坏青蛙在该模因组的最优青蛙或者全局最优青蛙的启发下计算进化，如果产生的新个体优于该模因组的最坏青蛙，则利用新个体代替该模因组的最坏青蛙，在下一次计算时，新的最坏青蛙必然优于之前的最坏青蛙，经过多次计算，从而使整个模因组实现进化.如果该模因组的最坏青蛙在进化计算时产生的新个体不优于当前的最坏青蛙，则在搜索范围内随机产生新个体代替当前的最坏青蛙，从而拓展了算法的全局搜索能力.在标准的SFLA算法中，青蛙的第一跳和第二跳是由模因组最坏青蛙向该模因组最优青蛙或者全局最优青蛙方向搜索，在算法的后期，如果部分较优秀的青蛙始终保持不变，将导致整个群体只向少部分较为优秀的青蛙方向搜索，从而使算法的广度搜索能力有所减弱.同时，随着算法的不断进化，模因组的最坏青蛙本身也携带了较为优秀的信息，此时模因组内的最坏青蛙很难通过前两跳得到改善，那么青蛙的第三跳将对模因组最坏青蛙随机处理，便不可避免地使最坏青蛙出现退化现象，影响了算法的搜索速度和搜索深度.为了提高蛙群的全局搜索能力，青蛙在第一跳的时候可以利用模因组内其它青蛙的启发信息，使模因组最坏青蛙可以朝着多个方向搜索.同时，为了使蛙群的整体质量得到快速提高，可以规定青蛙的第二跳向所在模因组内的最优青蛙学习，通过最坏青蛙的不断改善，将使模因组内的所有青蛙质量得到快速提高.在标准的SFLA 中，所有的搜索都是由模因组最坏青蛙完成的，缺乏对优秀个体周围充分的精细化搜索，使后期收敛速度慢. 故此，青蛙的第三跳可以由模因组最优个体进行精细化搜索，使算法的深度搜索能力得到提高.同时，为了避免BCSFLA在搜索时由于迭代空间过大，降低搜索性能，特借鉴了ABC的单维度计算方法，使BCSFLA以较小的搜索范围进行寻优迭代，进一步保证了算法的精细化搜索能力.BCSFLA的详细流程如图2所示.在BCSFLA算法的蛙群寻优过程中，青蛙的第一跳操作如果可以改善当前最坏青蛙，则算法直接进行下一次局部搜索判断，如果通过青蛙的第一跳操作没有使最坏青蛙得到改善，说明此时倾向广度搜索操作难以找到更加优秀的个体，则此时由最坏青蛙向模因组的最优青蛙方向搜索，以达到快速提高群体的整体质量的目的，如果此时最坏青蛙得到了改善，则进入下一次的局部搜索判断，否则青蛙进入第三跳操作，在第三跳的操作过程中，说明当前模因组的整体质量很难由最坏青蛙的搜索而得到改善，则此时应该由当前模因组内的最优青蛙进行精细化搜索，从而提高算法的搜索深度.在以上蛙群搜索过程中，青蛙的第一跳操作可以保证算法有较强的全局搜索能力，而第二跳操作可以快速改善蛙群的整体质量，使得第三跳精细化搜索更加高效.BCSFLA是通过分析SFLA的寻优进程，在SFLA算法框架基础之上结合人工蜂群算法的寻优机制，从而对SFLA的进化计算公式进行了重新定义.SFLA算法时间和空间复杂度分别为O(M×N×D×G)和O(M×N×D)，其中：M为模因组个数；N 为每个模因组个体数；D为优化问题维度；G为算法全局迭代次数.BCSFLA相对只是更改了SFLA算法的进化计算公式，由原来的D维变成了单维计算，并且在单维计算中只是参照了人工蜂群算法的进化策略，并未影响SFLA算法的时间复杂度和空间复杂度.因此，BCSFLA算法基本未增加运算时间和空间开销.为了测试BCSFLA的收敛性能，本文选用文献[11-13]中的7个60维的测试函数进行实验分析.各函数的表达式、搜索范围以及理论最优值如表1所列.同时，为了验证BCSFLA的性能优势，选择具有比遗传算法(genetic algorithm,GA)、PSO、差分算法(differential evolution algorithm, DE)更具优势的ABC[13-14]，以及标准SFLA算法进行性能对比，各算法的参数设置如下：BCSFLA：蛙群大小SN=100，模因组个数M=10，每个模因组包含青蛙个数N=10，模因组的局部搜索次数l=10；ABC算法：蜂群大小SN=100，参照文献[15]设置lim it=0.3×SN×D，D为具体问题的搜索维度；SFLA：蛙群大小SN=100，模因组个数M=10，每个模因组包含青蛙个数N=10，模因组的局部搜索次数l=10.三种算法搜索的终止条件为全局迭代次数G=3 000，所有实验均在内存为4 Gbyte，处理器Intel(R)Core i5-3750 3.40 GHz计算机上，采用VC++6.0实现. 为了使实验结果更加客观，使所有实验独立运行30次，统计30次实验结果的平均值和方差如表2所列.从表2的实验结果可以看出，在优化函数f3和f5时，BCSFLA和ABC同时获得了全局最优解，而在其它函数优化实验中，BCSFLA具有比ABC和SFLA更优秀的结果，而且优势较为明显.这是由于在进化计算时，青蛙的第一跳搜索侧重于广度搜索，能够增强算法的全局搜索能力，青蛙的第二跳搜索能够使模因组内的所有青蛙得到快速改善，从而改善了群体的整体质量，青蛙的第三跳则使蛙群具有了精细化搜索能力，通过模因组内的最优青蛙向全局最优青蛙的学习，使算法的收敛精度得到了有效提高.同时，从实验结果可以看出，ABC比SFLA更具优势，ABC算法通过雇佣蜂和侦察蜂的搜索提升了算法的全局搜索能力，而观察蜂更加倾向于选择优秀个体进化，提高了算法的深度搜索能力.在SFLA中，算法的搜索总是由模因组内的最坏青蛙向模因组内最优青蛙和全局最优青蛙学习，或者进行随机搜索，导致了算法的搜索性能低下.为了比较三种算法对各函数随迭代次数的收敛速度，三种算法对各函数30次收敛的平均过程如图3所示.从三种算法对各函数30次收敛的平均过程可以看出，BCSFLA随迭代次数的变化，总能够以较快的速度发现比ABC算法和SFLA更好的解，这是因为BCSFLA通过青蛙的三跳操作，有效地均衡了算法的全局搜索和深度搜索机会，在提升算法的搜索覆盖范围的同时，能够开发部分优秀青蛙的领域，减少了青蛙学习的方向的盲目性，借鉴ABC算法的进化计算公式，提高了青蛙能够以更高的效率向其它优秀青蛙进行学习.针对SFLA全局搜索能力和深度搜索能力的不足，提出了BCSFLA，重新定义了青蛙的三跳寻优机制，通过青蛙三跳搜索的互相协作，均衡了算法的全局搜索和深度搜索机会.通过常用的7个60维测试函数的试验对比分析表明：BCSFLA在函数优化方面具有比ABC和SFLA更好的收敛性能.。

基于认知无线电的动态频谱分配算法研究

ＣＧＣ算法实现的目的是全局最优分配，Ｓ在不考虑上次分
配信息的情况下，新对每一个用户的频率使用进行分配，重因此运算量较大。在协作式和非协作式条件下，基于效益和公平性的考虑，以通过制定协作式最大带宽（ＭＳ）可ＣＢ和最大比
配算法来解决电磁频谱动态分配问题。
关键词：认知无线电；频谱分ｆ；ｉ算法ｇ中图分类号：Ｎ９５Ｔ２文献标识码：Ａ
文章编号：６３１３（０２０－０３０１７－１１２１）５０２－２中的元素，表示用户ｎ使用频谱ｉ能获得的效益（ｎ所带宽）的
化。
参考文献：
［】Ｗｅ．ｎ，ｎｉ．ｉ－ｏｏｉｇａｅｈｎｅＡｌｃｏ１ｉＷａｇＸｉＬｕＬｓＣｌｒｓｄａｎｌｌ￣ｉｔｎＢＣｏｎｆｒＯｅ－ｐｃｕＷｉｌｓｔｒｓＣ．ｒｃｅｉｇｆｏｐｎＳｅｔｍｒｅｓｗｏｋ［］ＰｏｅｄｎｓｏｒｅＮｅ
２供应方云和客户端云建模研究
假设：（）设整个过程中这ｈ个文件被下载次数分别为１
上
ｍｌ ≥ｍ２ ≥… …
ｍ。记Ｍ＝ｍ。ｈｉ
（）由于一般可以认为文件被下载的次数近似满足Ｚｐ２ｉｆ分布，以假定ｎ。分布也近似满足Ｚｐ分布，可ｌ的ｉｆ即ｍ；Ｃ一＝ｉ，其中Ｃ和．为常数。
＋＝＋

基于智能计算的认知无线电网络频谱分配算法研究

基于智能计算的认知无线电网络频谱分配算法研究作者：曹润生田嘉琪来源：《现代商贸工业》2022年第13期摘要：隨着无线通信业务的迅速增长，有限的频谱资源越来越抢手，同时现有的固定频谱分配方式较难满足通信终端对频谱资源的需求。

认知无线电技术通过感知获取系统中的自由频谱资源信息，并使用相应的频谱分配算法选择当前系统中的自由频谱资源，供网络用户在系统中进行分配。

频谱分配过程中，传统算法较难实现公平性和系统效能最大化，而对传统算法进行智能优化往往是解决问题的有效途径。

本文将对目前认知无线电发展现状进行分析，并通过对传统算法及相关优化算法进行分析和叙述，以便未来更好地解决频谱分配中的问题。

关键词：认知无线电;频谱分配;智能计算中图分类号：TB文献标识码：Adoi：10.19311/ki.1672-3198.2022.13.0741绪论进入信息时代，人们对于无线通信需求的快速增长，导致本就十分宝贵的无线电频谱资源变得更加紧张与稀缺。

人们在对无线通信技术开展研究时，发现频谱资源并没有得到充分地利用，往往存在部分频段过度拥挤、而部分频段空闲的现象。

特别是美国在进行NRT项目（国家无线网络研究实验床）时，实验人员发现，低于3GHz的频段平均综合频谱利用率只能达到5%左右。

因此，对于如何优化分配方式和提升认知无线电频谱这种不可再生资源的利用率，已经成为各个国家十分关心的问题。

认知无线电技术（CRT）所蕴含的巨大发展潜力引发了国内外各研究机构的普遍关注。

从Joseph Mitola博士于1999年首先提出并系统性地阐述了“认知无线电”这一新概念开始，便有很多国内外的研究机构和大学便对其展开了研究。

截至目前，国际上较为著名的课题研究成果有如以下项目：来自Brodersen教授的CORVUS体系，由美国DARPA研究的“下一代”项目，欧盟提出的E2R项目，Jondral教授所提出的基于OFDM的频谱池系统等。

同时，为了填补认知无线电标准化领域的空白，美国电气与电子工程学会（IEEE）积极制定与认知无线电相关的IEEE标准，并于2004年底成立了IEEE802.22工作组。

基于混合蛙跳算法的研究

2020年软件2020, V ol. 41, No. 5基金项目: 甘肃农业大学SRTP 项目(项目编号：201916009)作者简介: 葛鹏(1998–)，男，2017级计算机科学与技术本科班学生；李冬林(1999–)，男，2017级计算机科学与技术本科班学生；杨俊胜(1995–)，男，2017级计算机科学与技术本科班学生；方栋泽(1998–)，男，2017级计算机科学与技术本科班学生。

通讯联系人: 代永强(1981–)，男，甘肃兰州人，副教授，博士研究生，研究方向:计算机应用技术。

基于混合蛙跳算法的研究葛鹏，李冬林，杨俊胜，方栋泽，代永强*（甘肃农业大学信息科学技术学院计算机科学与技术专业，甘肃兰州 730070）摘要: 本论文围绕混合蛙跳算法的实现过程，采用Visuall C++设计实现基本混合蛙跳算法，通过改变算法相关参数，利用四种基础函数对算法自身特性进行研究，采取对比实验，得到相关结论，最终结合实际，将其应用于现实问题。

关键词: 算法研究；实现过程；函数测试；全局最优；相关参数中图分类号: TP30 文献标识码: A DOI ：10.3969/j.issn.1003-6970.2020.05.007本文著录格式：葛鹏，李冬林，杨俊胜，等. 基于混合蛙跳算法的研究[J]. 软件，2020，41（05）：37 40Research on Hybrid Leaping Frog AlgorithmGE Peng, LI Dong-lin, YANG Jun-sheng, FANG Dong-ze, DAI Yong-qiang *(Computer Science and Technology, School of Information Science and Technology, Gansu Agricultural University, Lanzhou, Gansu, 730070)【Abstract 】: Based on the realization process of the mixed frog jumping algorithm, this paper adopts Visuall C++ to design and implement the basic mixed frog jumping algorithm. By changing relevant parameters of the algorithm, four basic functions are used to study the characteristics of the algorithm, and comparative experiments are con-ducted to obtain relevant conclusions. Finally, combined with the reality, it is applied to practical problems. 【Key words 】: Algorithm research; Realization process; Function testing; Global optimum; Related parameter0 引言混合蛙跳算法是由Eusuff 和Lansey 为解决组合优化问题于2003年首次提出的，目的就是为了找出最优组合[1]，混合蛙跳算法的特点为概念简单明了，需要调整的参数少，鲁棒性强，解决问题时计算速度快，寻找最优解的能力比普通算法强以及最为重要的易于实现的特点。

基于蛙跳博弈优化算法的光网络动态频谱分配方法

第41卷　第6期吉林大学学报(信息科学版)Vol.41　No.62023年11月Journal of Jilin University (Information Science Edition)Nov.2023文章编号:1671⁃5896(2023)06⁃1093⁃06基于蛙跳博弈优化算法的光网络动态频谱分配方法收稿日期:2022⁃12⁃07基金项目:辽宁省教育厅科学研究基金资助项目(L202004)作者简介:李鹤(1981 ),男,沈阳人,沈阳工学院副教授,主要从事光网络通信㊁人工智能算法研究,(Tel)86⁃177****3385(E⁃mail)heli@㊂李　鹤(沈阳工学院信息与控制学院,辽宁抚顺113122)摘要:由于光网络中的路径跳数过多或距离偏大,使寻找可用的频谱资源难度增加,导致光网络动态频谱利用率降低㊁网络效益较少且阻塞率较高,为此,提出基于蛙跳博弈优化算法的光网络动态频谱分配方法㊂采用OHM(Optimized Link State Routing Protocol using the Highway Model)路由算法,选择与业务请求对应,且满足跳数最小㊁调制等级最高的候选路径,找到可用的频谱资源㊂根据获取的频谱资源,在光网络中将最大频隙号在所有链路中最小作为目标,构建光网络动态频谱分配的目标函数㊂并在约束条件下,采用蛙跳博弈优化算法对目标函数求解,获取的解即为光网络动态频谱分配最优结果㊂实验结果表明,该方法的阻塞率低㊁频谱利用率高㊁网络收益高,具有实用性㊂关键词:蛙跳博弈优化算法;OHM 路由算法;光网络;频谱分配;带宽阻塞中图分类号:TP393文献标志码:ADynamic Spectrum Allocation in Optical Networks Based onOptimization Algorithm of Frog Jumping GameLI He(School of Information and Control Engineering,Shenyang Institute of Technology,Fushun 113122,China)Abstract :Due to the excessive number of path hops and the large distance in the optical network,it is moredifficult to find the available spectrum resources,which leads to lower dynamic spectrum utilization,less network benefits and higher blocking rate in the optical network.Therefore,a dynamic spectrum allocation method based on frog jumping game optimization algorithm is proposed for the optical network.The OHM(Optimized Link State Routing Protocol using the Highway Model )routing algorithm is used to select the candidate path that corresponds to the service request and meets the minimum hops and the highest modulation level.The available spectrum resources are found.According to the obtained spectrum resources in the optical network,the minimum of the maximum frequency slot number in all links is used as the target to construct the objective function of the dynamic spectrum allocation of the optical network.Under the constraint conditions,the frog jump game optimization algorithm is used to solve the objective function.The obtained solution is the optimal result of dynamic spectrum allocation in optical networks.The experimental results show that the proposed method has low blocking rate,high spectrum utilization and high network revenue,and is practical.Key words :frog leap game optimization algorithm;optimized link state routing protocol using the highway model(OHM)routing algorithm;optical network;spectrum allocation;bandwidth blocking0　引　言近年来随着新技术应用不断涌现使互联网流量迅猛增加,为满足网络中大量用户的异构业务请求,4901吉林大学学报(信息科学版)第41卷商盼盼等[1]提出了弹性光网络㊂而频谱分配是光网络实现资源分配的主要方式之一,其实质是建立一条光路以实现业务在端与端之间的传输[2]㊂立即预留IR(In⁃Band Rereservation)在光网络中属于出现频率较高的频带预留方式,立即预留IR请求出现时,网络需要及时传输数据,为请求提供对应的光路资源㊂为满足业务传输需求,需要对光网络动态频谱分配方法进行分析和研究㊂刘焕淋等[3]首先分析了节点在网络中的频谱转换能力,以及光路在网络中的负载能力,在选择候选光路过程中,根据上述分析结果通过分区网络频谱完成纤芯频谱分配㊂张盛峰等[4]分析了网络中存在的业务类型,并计算业务在网络中的持续时间,根据计算结果划分频谱区域,在不同区域之间建立频谱资源的共享区域,以此实现频谱分配㊂但上述两种方法的频谱分配结果并非最优结果,导致其频谱利用率低㊁网络效益低且阻塞率较高㊂为解决上述问题,笔者提出基于蛙跳博弈优化算法的光网络动态频谱分配方法㊂1　基于OHM路由算法的候选路径选择当光网络中的路径跳数过多或距离偏大时,找到可用频率资源的难度将会增加,此时弹性光网络中容易发生带宽阻塞㊂为此,笔者采用OHM(Optimized Link State Routing Protocol using the Highway Model)路由算法在光网络中选择候选路径,该算法考虑路径在光网络中的跳数情况和路径调制格式,寻找与业务请求对应,且满足跳数最小㊁调制等级最高的候选路径㊂考虑路径的调制格式信息以及路径跳数[5⁃6],路由权重E p计算如下:E p=J p+N p,(1)其中N p为主要用于标志路径P在光网络中的调制格式信息;J p为路径P在光网络中的跳数㊂在频谱分配过程中,路径跳数J p越小,业务请求在光网络中找到空闲频谱资源的难度就越低㊂路径传输距离与调制格式信息N p之间的关系呈正比㊂通过上述分析可知,在频谱分配过程中,候选路径拥有较小的路由权重E p更加有利于光网络动态频谱的分配㊂采用OHM路由算法选择候选路径过程如下:1)由目的节点和源节点构成节点对,并在G(V,E)中获取节点对的全部路径;2)利用式(1)获取上述路径的路由权重E p,并根据计算结果,选取L条候选路径;3)构建字典R P,重复上述过程,获取光网络中全部节点对应的候选路径,并将其存储到R P中;4)当立即预留IR到达光网络中时,在字典R P中提取与之相对应的L条候选路径,针对业务请求,在上述路径中获取可用的频谱资源㊂基于上述步骤完成基于OHM路由算法的光网络候选路径选择,并在选择的候选路径中寻找到可用的频谱资源㊂2　光网络动态频谱分配方法2.1　光网络动态频谱分配目标函数构建根据上述获取的频谱资源,在光网络中,将最大频隙号在所有链路中最小作为目标,构建光网络动态频谱分配目标函数㊂用G=(V,E)表示光网络的拓扑结构,其中集合E={z i,j V i,V j∈V}由连接节点V i和V j的光纤链路组成,其中E表示链路z i,j在光网络中的数量;V={v i i=1,2, ,N}表示结点构成的集合,N表示节点数量㊂按照顺序对光纤链路中的频隙编号,用D={d1,d2, ,d D}表示所占用的频隙构成的集合,其中D表示占用的最大频隙号㊂集合T={t1,t2, ,t T}由光网络中的静态业务请求构成,其中T表示请求业务数量,业务t k(k=1,2, ,|T|)={a k,f k,Y k,e k}由4个要素构成,分别是:业务在光网络中要求的最低安全级别e k;源结点a k;请求业务量Y k;目的结点f k㊂节点在光网络中受网络攻击等因素的影响,容易产生安全隐患,且针对不同类型业务,不同节点在光网络中的安全系数存在一定差异[7⁃8]㊂设置安全系数矩阵A=(a ik)N×T,a ik表示物理节点v i处业务请求t k对应的安全系数,安全系数a ik在区间[0,1]内取值,当安全系数a ik的值为1时,表明针对业务请求t k ,物理节点v i 绝对安全;当安全系数a ik 的值为0时,表明针对业务请求t k ,物理节点v i 绝对不安全㊂将最大频隙号在所有链路中最小作为目标,构建光网络动态频谱分配目标函数如下:min D =min{max 1≤i ≤N ,1≤j ≤ND i ,j },(2)其中D i ,j 为链路z i ,j 中存在的占用最大频隙号㊂2.2　约束条件设置基于上述构建的光网络动态频谱分配的目标函数,设置约束条件如下㊂1)在可选路径集合W k 中业务t k 只能选择一条路径μ(q )k ,其路径μ(q )k中只存在一个为1的值㊂2)业务t k 在光网络中的最低安全级别e k 小于等于路径W (q )k中存在的全部物理节点对t k 的最小a ik ,即:min{a ik v i ∈V [W (q )k ]}≥e k ㊂(3) 3)业务t k 经过的光纤链路占光网络中占用的频隙号g i ,j k ,q 需相同㊂4)在频谱分配过程中,不能划分业务t k ,可在连续的多个频隙中分配业务t k ,即:∑g i ,j k ,q +[Y k /X ]+G -1g i ,j k ,qφi ,j ,uk ,q =Y kX+G ,(4)其中X 为频隙容量;当φi ,j ,u k ,q 的值为1时,表明在路径W (q )k 中,业务t k 占用了链路z i ,j 中存在的第u 个时隙;否则,φi ,j ,u k ,q 的值为零;G 表示保护频隙数㊂5)两个业务在相同纤芯中不能占用相同的频隙,且同一个频隙在一个纤芯中不能分配给一个以上的业务,即:g i ,j k ,q +Y kX+G -1<g i ,j k ,q ㊂(5)2.3　基于蛙跳博弈优化算法的目标函数求解蛙跳博弈优化算法是通过合作博弈根据混合蛙跳算法的特点完成策略选择㊂在合作博弈过程中选择策略时,博弈者在决策过程中不能使其他参与者变差,并且做出对自己更好的规则㊂混合蛙跳算法的思想是在寻优过程中突出对策略和博弈者的伪随机性[9⁃10],从而保证初始解在寻优过程中拥有唯一的帕累托最优,以此提高博弈过程的无序性㊂通过上述分析可知,蛙跳博弈优化算法在求解光网络频谱动态分配目标函数过程中具有良好的全局搜索能力㊂为此,笔者在上述设置的约束条件下,采用蛙跳博弈优化算法进行求解㊂在求解光网络动态频谱分配目标函数过程中,种群中共存在O 只青蛙,用C i =(c i 1,c i 2, ,c iS )表示种群中存在的第i 只青蛙㊂将青蛙种群划分为F 群组,每个群组由H 只青蛙构成,此时O =H ×F ㊂分别用C b =(c b 1,c b 2, ,c bS )㊁C w =(c w 1,c w 2, ,c wS )表示族群最好和最差的适应度解,用C g =(c g 1,c g 2, ,c gS )表示整个种群中存在的全局最优适应度,划分种群后,局部深度搜索每个族群㊂将种群C i 中个体c ij 的取值设定为1或0,局部深度搜索族群时,将上一次的移动距离引入分量j 上的移动距离中,通过f ′j =f j +r (c bj -c wj )(6)更新距离㊂其中f ′j 为更新后分量j 上移动的距离;f j 为更新前移动的距离;r 为随机数㊂根据式(6)计算结果f ′j 确定c ij 的取值,当c ij 的值为1时,表明距离大,当c ij 的值为0时,表明距离小㊂基于蛙跳博弈优化算法的光网络动态频谱分配方法通过Sigmoid 函数用[0,1]的概率值表示距离,即:sig(f ′j )=[1+exp(-f ′j )]-1㊂(7) 如果sig(f ′j )的值趋近于1,表明f ′j 越大;相反,sig(f ′j )的值趋近于0,表明f ′j 越小㊂用c ′wj表示更新后c wj 的值,其更新过程为5901第6期李鹤:基于蛙跳博弈优化算法的光网络动态频谱分配方法c ′wj=1,r <sig(f ′j ),0,r ≥sig(f ′j {)㊂(8) 采用蛙跳博弈优化算法求解光网络动态频谱分配目标函数过程如下:1)随机在种群中生成O 只青蛙个体,并确定个体对应的适应度,对其展开排序,获得f j ∈[-f max ,f max ];2)划分种群,获得F 个群组,确定C b =(c b 1,c b 2, ,c bS )㊁C w =(c w 1,c w 2, ,c wS )㊁C g =(c g 1,c g 2, ,c gS );3)根据式(6)获得f ′j ,如果f ′j >f max ,则f ′j =f max ,如果f ′j <-f max ,则f ′j =f max ;4)在式(8)的基础上更新c wj ,如果c ′wj优于c wj ,则原始c wj 被c ′wj 代替,否则,返回步骤3)中;5)在种群中通过上述过程不断更新最差解和最优解,如果满足蛙跳博弈优化算法的最大迭代次数,输出光网络动态频谱分配目标函数的最优解,完成频谱分配,否则返回步骤3),直至获取光网络动态频谱分配目标函数的最优解为止㊂基于上述步骤,利用蛙跳博弈优化算法获取到的目标函数最优解,即为光网络动态频谱分配最优结果,从而实现光网络动态频谱的最优分配㊂3　实验与分析图1　光网络拓扑结构Fig.1　Optical network topology3.1　实验环境为验证基于蛙跳博弈优化算法的光网络动态频谱分配方法的整体有效性,需要对其进行实验测试㊂采用的光网络拓扑结构如图1所示㊂3.2　实验指标设A B 表示在请求数据中被阻塞数据所占的比例,如下:A B =∑T BV r J ()r /∑TV r J ()r ,(9)其中集合T B 为由被阻塞的请求构成;V r 为请求r 在光网络中的传输速率;集合T 为由业务请求构成;J r 为请求r 在光网络中的传输时间㊂设σnet 表示网络收益,则有:σnet =∑rσr ,(10)其中σr 为单个业务在光网络中创造的收益㊂网络收益σnet 越大,表明方法的频谱分配效果越好;相反,网络收益σnet 越小,表明方法的频谱分配效果越差,不同方法的网络收益对比结果如表1所示㊂3.3　实验结果采用基于蛙跳博弈优化算法的光网络动态频谱分配方法㊁文献[3⁃4]方法在图1所示的实验环境中进行频谱分配测试,对比不同方法的阻塞率,测试结果如图2所示㊂图2　不同方法的阻塞率Fig.2　Blocking rate of different methods6901吉林大学学报(信息科学版)第41卷根据图2可知,业务负载与阻塞率之间呈正比,在相同业务负载条件下,笔者方法拥有较低的阻塞率,表明在频谱分配过程中被阻塞的请求数据相对较少,这是由于笔者方法考虑了光网络的路径调制格式和跳数,采用OHM 路由算法获取了业务在光网络中的候选路径,避免光网络出现数据阻塞现象㊂频谱利用率描述在光网络频谱槽总数中被业务连接占用的频谱槽所占比例,将其作为指标,在相同测试环境下,对上述方法进行测试,测试结果如图3所示㊂图3　不同方法的频谱利用率Fig.3　Spectrum utilization of different methods根据图3可知,与其他两种方法相比,笔者方法具有更高的频谱利用率,表明笔者方法利用有限的频谱资源服务满足了更多光网络用户的请求,从而进一步验证了笔者方法频谱分配的合理性㊂为进一步验证笔者方法的实用性,以网络收益为实验指标,采用笔者方法㊁文献[3⁃4]方法进行对比测试,测试结果如表1所示㊂表1　不同方法的网络收益　减小㊂经对比发现,笔者方法的网络收益均高于文献[3⁃4]方法,表明笔者方法具有良好的分配效果,适用于光网络动态频谱的分配㊂4　结　语针对目前光网络动态频谱分配方法存在的阻塞率高㊁频谱利用率低和网络收益低的问题,笔者提出基于蛙跳博弈优化算法的光网络动态频谱分配方法,该方法首先选取网络候选路径,其次建立频谱分配目标函数,最后通过蛙跳博弈优化算法实现光网络动态频谱的分配㊂经验证,笔者方法可有效降低网络的阻塞率,同时提高频谱利用率,且频谱分配后的网络收益也有笔者高,具有实用性㊂参考文献:[1]商盼盼,任丹萍,张娟,等.弹性光网络中面向业务精确迁移的频谱碎片整理算法[J].光通信技术,2021,45(10):51⁃57.SHANG P P,REN D P,ZHANG J,et al.Service⁃Oriented Spectrum Defragmentation Algorithm with Exact Migration in Elastic Optical Networks [J].Optical Communication Technology,2021,45(10):51⁃57.[2]张达敏,王依柔,徐航,等.认知智能电网中基于能效优化的频谱分配策略[J].控制与决策,2021,36(8):7901第6期李鹤:基于蛙跳博弈优化算法的光网络动态频谱分配方法8901吉林大学学报(信息科学版)第41卷1901⁃1910.ZHANG D M,WANG Y R,XU H,et al.Spectrum Allocation Strategy Based on Energy Efficiency Optimization in Cognitive Smart Grid[J].Control and Decision,2021,36(8):1901⁃1910.[3]刘焕淋,杜理想,陈勇,等.串扰感知的空分弹性光网络频谱转换器稀疏配置和资源分配方法[J].电子与信息学报, 2020,42(7):1718⁃1725.LIU H L,DU L X,CHEN Y,et al.Crosstalk⁃Aware Spectrum Converters Sparse Configuration and Resource Allocation for Space Division Multiplexing Elastic Optical Networks[J].Journal of Electronics&Information Technology,2020,42(7): 1718⁃1725.[4]张盛峰,王鹏,袁强,等.弹性光网络中基于持续时间的奇偶分区频谱分配算法[J].光通信技术,2020,44 (7):47⁃51.ZHANG S F,WANG P,YUAN Q,et al.Odd⁃Even Partition Spectrum Assignment Algorithm Based on Holding Time for Elastic Optical Networks[J].Optical Communication Technology,2020,44(7):47⁃51.[5]滕志军,杜春秋,孙汇阳,等.融合节点信誉度和路径跳数的WSNs虫洞攻击检测策略[J].哈尔滨工业大学学报, 2021,53(8):64⁃71,131.TENG Z J,DU C Q,SUN H Y,et al.A Wormhole Attack Detection Strategy Integrating Node Creditworthiness and Path Hops in WSNs[J].Journal of Harbin Institute of Technology,2021,53(8):64⁃71,131.[6]龚本灿,周峰,陈鹏,等.基于路径质量的无线传感网路由协议[J].计算机工程与应用,2020,56(6):99⁃104. GONG B C,ZHOU F,CHEN P,et al.Routing Protocol Based on Path Quality in Wireless Sensor Networks[J].Computer Engineering and Applications,2020,56(6):99⁃104.[7]张佳唯,钱凤臣,杨俊强,等.弹性光网络中路由与频谱分配算法综述[J].系统工程与电子技术,2022,44(6): 2001⁃2010.ZHANG J W,QIAN F C,YANG J Q,et al.Survey on Routing and Spectrum Allocation Algorithm in Elastic Optical Networks [J].Systems Engineering and Electronics,2022,44(6):2001⁃2010.[8]毛忠阳,孙林,刘锡国,等.信息优先级保护的动态频谱分配算法[J].电讯技术,2022,62(8):1023⁃1028. MAO Z Y,SUN L,LIU X G,et al.An Information Priority⁃Protected Dynamic Spectrum Allocation Algorithm[J]. Telecommunication Engineering,2022,62(8):1023⁃1028.[9]周聪,姜继娇,殷茗.基于混合蛙跳算法的异地分布式协同开发的任务分配优化[J].管理工程学报,2020,34(6): 148⁃155.ZHOU C,JIANG J J,YIN M.Task Assignment Optimization for Distributed Cooperative Development Based on Shuffled Frog Leaping Algorithms[J].Journal of Industrial Engineering and Engineering Management,2020,34(6):148⁃155. [10]孟磊磊,张彪,任亚平,等.求解分布式柔性作业车间调度的混合蛙跳算法[J].机械工程学报,2021,57 (17):263⁃272.MENG L L,ZHANG B,REN Y P,et al.Hybrid Shuffled Frog⁃Leaping Algorithm for Distributed Flexible Job Shop Scheduling[J].Journal of Mechanical Engineering,2021,57(17):263⁃272.(责任编辑:刘东亮)。

一种基于混洗蛙跳算法的卷积神经网络框架自动设计方法

专利名称：一种基于混洗蛙跳算法的卷积神经网络框架自动设计方法
专利类型：发明专利
发明人：张涛,曹亚慧,赵鑫
申请号：CN202110993267.5
申请日：20210827
公开号：CN113971367A
公开日：
20220125
专利内容由知识产权出版社提供
摘要：一种基于混洗蛙跳算法自动设计卷积神经网络框架方法：将卷积神经网络框架设计问题建模为一个有约束的组合优化问题，设计满足目标参数量要求的网络框架。

提出了一种离散变长编码方法，将卷积层的输出、全连接层的层数和每层神经元的个数等超参数进行编码来表示卷积神经网络框架，然后采用混洗蛙跳算法以MNIST数据集上的分类精度为适应度评估值对最优网络框架进行搜索，得到最优的卷积神经网络框架。

本发明提出的基于混洗蛙跳自动设计卷积神经网络框架的方法具有全自动、效率高等特点，对于经验不足的科研初学者也是非常友好的。

申请人：天津大学
地址：300072 天津市南开区卫津路92号
国籍：CN
更多信息请下载全文后查看。

基于混合蛙跳算法的认知无线电频谱分配

基于混合蛙跳算法的认知无线电频谱分配
彭振;赵知劲;郑仕链
【期刊名称】《计算机工程》
【年(卷),期】2010(036)006
【摘要】提出一种二进制混合蛙跳算法和基于该算法的认知无线电频谱分配方法.对该方法与颜色敏感图论着色算法进行仿真比较,结果表明在最大化网络总效益和最大化公平效益准则下,基于二进制混合蛙跳算法的频谱分配方法的性能较高.二进制混合蛙跳算法能找到理想最优解,颜色敏感图论着色算法得到的解与理想最优解偏差较大.
【总页数】4页(P210-212,217)
【作者】彭振;赵知劲;郑仕链
【作者单位】杭州电子科技大学通信工程学院,杭州,310018;杭州电子科技大学通信工程学院,杭州,310018;中国电子科技集团公司第36研究所通信系统信息控制技术国家级重点实验室,嘉兴,314033;杭州电子科技大学通信工程学院,杭州,310018【正文语种】中文
【中图分类】TN911.7
【相关文献】
1.基于并行分配算法的认知无线电频谱分配算法 [J], 刘俊霞;卞琛
2.基于BPSO的能量采集认知无线电频谱分配 [J], 邢新华;王俊
3.基于改进蚁群算法的认知无线电频谱分配的策略研究 [J], 赵显煜;王俊;邢新华
4.基于图论模型的认知无线电频谱分配仿真建模研究 [J], 刘新浩;马昕睿;王大为
5.基于分组拍卖的认知无线电频谱分配算法 [J], 陈浩雷;滕子铭;孙汇阳;张华因版权原因，仅展示原文概要，查看原文内容请购买。

基于蛙跳博弈优化算法的认知频谱分配

基于蛙跳博弈优化算法的认知频谱分配蒋孜浩;秦宁宁【期刊名称】《传感技术学报》【年(卷),期】2022(35)6【摘要】为有效分配与使用认知传感器网络中存在的空闲频谱,提高网络的吞吐量,提出了一种基于蛙跳博弈优化算法(Improve Swarm optimization method based on Leapfrog Game,ISLG)的认知频谱分配方案。

节点采用双天线降低路由中的信道冲突概率,并针对在认知无线传感器网络(Cognitive Radio Sensor Networks,CRSN)中使用传统路由方案容易导致的节点间路由限制与热区问题,提出了基于三角剖分分层的自适应路由(Adaptive PU Quantity Routing Based on Triangulation Layering,APRT),通过避免路由中多枝节点出现的方式增加网络吞吐。

频谱分配中,基于主用户位置信息,以蛙跳博弈基础寻优的分配群进行再移动,提高了频谱分配的可靠性。

仿真实验表明,相比其他经典群优化算法,所提方案可以有效提高全局搜索能力,频谱分配后的系统吞吐量有了明显提升。

【总页数】9页(P800-808)【作者】蒋孜浩;秦宁宁【作者单位】江南大学轻工过程先进控制教育部重点实验室;南京航空航天大学电磁频谱空间认知动态系统工信部重点实验室【正文语种】中文【中图分类】TP393【相关文献】1.基于非理想感知的认知无线电系统感知时间与频谱分配联合优化算法2.基于遗传蚁群优化算法的认知无线电频谱分配3.基于混合蛙跳算法的认知无线电频谱分配4.基于二进制烟花优化算法的认知无线网络频谱分配5.基于多态蚁群优化算法的认知无线电频谱分配因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于改进混合蛙跳的聚类算法

一种基于改进混合蛙跳的聚类算法韩晓慧;王联国【期刊名称】《传感器与微系统》【年(卷),期】2012(031)004【摘要】聚类分析是一种无监督的模式识别方式,它是数据挖掘中的重要技术之一.给出了一种基于改进混合蛙跳算法的聚类分析方法,该方法结合了K-均值算法和改进混合蛙跳算法各自的优点,引入了K-均值操作,再用改进混合蛙跳算法进行优化,很大程度上提高了该算法的局部搜索能力和收敛速度.通过仿真对基于改进混合蛙跳的聚类方法与其他已有的聚类方法进行了比较,验证了所提出算法的优越性.%Clustering analysis is an unsupervised mode of pattern recognition and is one of primary techniques in the filed of data mining. A clustering analysis method based on a modified shuffled frog leaping algorithm (MSFLA)is proposed. The new approach integrates the advantages of the MSFLA and the K-means algorithms, which introduces the K-means operation and utilizes the MSFLA for optimization, improves the locally searching capability and convergence speed of the clustering algorithm based on MSFLA. Simulations are performed to compare the performance of the clustering algorithm based on modified MSFLA and other clustering algorithm, which validates the effectiveness of the proposed algorithm.【总页数】3页(P137-139)【作者】韩晓慧;王联国【作者单位】甘肃农业大学工学院,甘肃兰州730070;甘肃农业大学信息科学技术学院,甘肃兰州730070【正文语种】中文【中图分类】TP301.6【相关文献】1.基于改进混合蛙跳-K均值聚类算法的无功电压控制分区 [J], 王联国;韩晓慧;宋磊2.一种改进的混合蛙跳和K均值结合的聚类算法 [J], 喻金平;张勇;廖列法;梅宏标3.一种改进的混合蛙跳和K均值结合的聚类算法 [J], 许方;张桂珠4.改进混合蛙跳算法和K-Means的新型聚类算法 [J], 卞艺杰;吴慧;邹银马;马瑞敏5.一种基于二分法查找的改进混合蛙跳算法 [J], 王晓彬;邹海荣因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｌ概述
认知无线电通过感知外部无线环境、智能调整无线电参数并不断学习来满足外部环境需求…，期望实现高可靠性的
外的认知用户可以使用该频带，在覆盖范围以内的认知用户不能使用该频带。
不同认知用户由于发射功率、空时特性、调制解调技术
等的不同，因此在不同频谱空穴上具有不同传输效益，该效益可以是吞吐量或信道利用率等。用户获得的效益用效益矩阵曰表示：Ｂ＝（｝，
Ｓｍｕａｉｎｒｏｄｃｅｏｃｍｐｅｔｉｍｅｈｄａｄｃｏｅｓｔｅｇａｈｃｌｒｎｌｏｉｉｌｔｓａｅｃｎｕｔｄｔｏａｈｓｏｒｔｏｎｏｌｒｓｎｉｖｒｐｏｏｉｇａｇｒｔｉｈｍ．ｓｌｓｓｏｔａｎｅｅｍａｍｉａｉｎｒｌｆＲｅｕｔｈｗｈｔｕｄｒｔｘｚｔｏｅｏｈｏｗｈｌｅｗｏｋｅｃｅｃｎａｒｅｓｅｃｅｃ，ｔｅａｓｇｍｅｔｍｅｏｒｃｇｉｖａｉａｅｎｂｎｒｈｆｅｒｇｌａｉｇａｇｒｔｍａｏｅｎｔｒｆｉｎｙａｄｆｉｎｓｆｉｎｙｈｓｉｎｎｔｄｆｏｎｔｅｒｄｏｂｓｄｏｉａｙｓｕｉｉｈｏｉｌｄｆｏｅｐｎｌｏｈｉｈｓｈｇｅｅｆｒｎｃ．ｅｂｎｒｈｆｅｒｇｌａｉｇａｇｒｔｍａｉｄｔｄａｐｉｌｓｌｔｎｉｅｔｅｓｌｔｏｂａｎｄｂｏｏｅｓｔｅｉｈｒｐｒｏｍａｅＴｈｉａｙｓｕｌｄｆｏｅｐｎｌｏｈｃｎｆｎｈｅｉｅｌｏｔｉｍａｏｕｉｓｗｈｌｈｏｕｉｎｏｔｉｅｙｃｌｒｓｎｉｖｏｉ
ｇａｈｃｏｎｌｏｉｈｈｓａｌｒｅｄｖａｉｎｗｉｅｏｔｍａｏｕｉｎ．ｒｐｏｌｒｇａｇｒｍａａｇｅｉｔｏｔｔｐｉｌｓｌｔｓｉｔｈｈｏ
［ｙｗｏｄｉｃｇｉｖｄｏｄｎｍｉｓｅｔｍａｓｇｍｅｔｓｕｅｏａｉｇｇａｈｃｌｒｇＫｅｒｓｏｎｔｅａｉ；ｙａｃｐｃｒｓｉｎｎ；ｈｆｄｆｇｌｐｎ；ｒｐｏｏｉｉｒｕｌｒｅｎ
ＰＥＮＧＺｈｅｎ１ＺＨＡＯＺｉｉ．ＨＥｈ．ａｈ－ｎ，ＺＮＧＳｉｉｎｊ一１
．
（．ｌｇｆｍｍｕｉａｉｎＥｎｉｅｒｎ，ｎｚｏａｚｉｅｓｔ，ｎｚｕ３０８；ＳａｅＫｅｂｏｎｏｍａｉｎＣｏｎｒｌｉｇ１ＣｏｌｅｏＣｏｅｎｃｔｇｎｅｉｇＨａｇｈｕＤｉｎｉｏＵｎｖｒｉｙＨａｇｈｏ１０１２．ｔｔｙＬａｆＩｆｒｔｔｏｌｎｏＴｃｎｌｇｍｍｕｉａｉｎｙｓｅ，．６ＲｅｅｒｈＩｓｉｕｅＣｈｎｌｃｒｎｃＴｃｎｌｇｒｒｔｎＪａｉｇ３１３）ｅｈｏｏｙｉＣｏｎｎｃｔｓＳｔｍＮｏ３ｓａｃｎｔｔｔ，ｉａＥｅｔｉｅｈｏｏｙＣｏｐｏａｉ，ｉｘｎｏｏｏ４０３
［ｓｒｃ］ＴｉｐｐｒｒｓｎｓａｂｎｒｈｆｅｒｇｌｐｎｌｏｔｍａｄａｓｉｎｎｍｅｏｏｏｎｔｅｒｄｏｓｅｔｍａｅｎｉＡｂｔａｔｈｓａｅｅｅｔｉａｙｓｕｄｆｏｅｉｇａｇｒｈｎｎａｓｍｅｔｔｄｆｒｃｇｉｖａｉｐｃｒｂｓｄｏｔｐｌａｉｇｈｉｕ．
表明在最大化网络总效益和最大化公平效益准则下，基于二进制混合蛙跳算法的频谱分配方法的性能较高。二进制混合蛙跳算法能找到理
ቤተ መጻሕፍቲ ባይዱ
想最优解，颜色敏感图论着色算法得到的解与理想最优解偏差较大。关健诃：认知无线电；动态频谱分配；混合蛙跳；图论着色
ＣｏｎｔｖｄｏＳｅｔｕｓｇｍｅｔｇｉｉｅＲａｉｐｃｒｍＡｓｉｎｎＢａｅｎＳｕｅｏａｉｇＡｌｏｉｈｓｄｏｈｆｄＦｒｇＬｅｐｎｇｒｔｍｌ
第３６卷第６期
Ｖ．ｏ１３６
・
计
算
机
工
程
２１００年３月
Ｍａｃ００ｒｈ２１
Ｎｏ６．
ＣｏｐｕｔｒＥｎｎｅｉｍｅｇｉｅｒｎｇ
人工智能及识别技术・
文章编号：０ —３２（１）一ｌ３文献标识Ａ１０４８ｏ０每２ｏ２０１码：
中圈分类Ｔ９１号；Ｎ１７．
基于混合蛙跳算法的认知无线电频谱分配
彭振，赵知劲，郑仕链
（．１杭州电子科技大学通信工程学院，杭州３０１；ｌ８０２中国电子科技集团公司第３．６研究所通信系统信息控制技术国家级重点实验室，嘉兴３４３）１３０摘要：提出一种二进制混合蛙跳算法和基于该算法的认知无线电频谱分配方法。对该方法与颜色敏感图论着色算法进行仿真比较，结果