认知引擎中决策方法的研究

认知引擎中决策方法的研究
马恒
【摘要】认知无线电技术通过智能的频谱管理来解决频谱资源“短缺”的问题，
能够感知到授权用户的空闲频谱，并有效地加以利用，从而减少与授权用户的冲突。

现有无线电参数调整策略无法根据环境变化和用户需求进行智能调整，认知引擎中的决策方法能够解决该问题。

遗传算法和二进制粒子群算法是实现认知引擎决策的典型算法，对2种算法进行了介绍，仿真比较了2种算法在性能方面的差异。

仿
真结果表明，二进制粒子群算法在收敛速度和收敛精度上优于遗传算法。

%The cognitive radio technology can make the best use of radio spectrum through intelligent spectrum management.With the ability of sensing the idle spectrum resources, it can effectively preclude the possibility of conflict. The existing adjusting radio parameters strategy can not adjust
the radio parameters intelligently either according to the change of the environment or the user demand.The decision-making method for the cognitive engine can provide a new solution.The genetic algorithm and the particle swarm optimization are the typical methods to realize the decision-making for the cognitive engine. The simulation presents the differences in the performance between these two methods.The testing results show that the particle swarm optimization improves the performances on speed of convergence and precision of convergence comparing with the genetic algorithm.
【期刊名称】《无线电工程》
【年(卷),期】2014(000)002
【总页数】4页(P30-33)
【关键词】认知无线电;认知引擎;遗传算法;二进制粒子群算法
【作者】马恒
【作者单位】中国电子科技集团公司第五十四研究所，河北石家庄050081
【正文语种】中文
【中图分类】TN929
0 引言
在当今频谱资源分配趋于饱和的情况下，认知无线电系统能够伺机接入频谱空穴，从而提高频谱利用率。

认知无线电具有以下功能:能够感知周围环境并预知自身的通信能力;能够根据环境的变化或自身通信目标自主的调整传输参数与协议;能够预知传输参数与协议的变化如何影响通信目标;能够从以往的环境、行为以及传输性能中进行学习[1]。

认知引擎是认知无线电系统的核心技术之一。

认知无线电系统通过感知功能获得周围电磁环境、内部状态、地理环境和相关政策等知识，认知引擎通过获取的这些知识进行决策，选择合适的传输参数配置以最大化地满足用户的需求[2]。

研究认知决策引擎技术对开发认知无线电系统具有重要的意义。

1 认知决策引擎
认知决策引擎综合感知获取的知识及用户需求，实时地调整各项参数，从而达到性能优化的目的。

认知决策引擎从用户域、无线电域以及无线电自身获取信息，通过
推理和学习确定系统的工作方式，智能地调整各项参数获得最佳无线传输质量。

设认知无线电需要调整的参数为k=[k1，k2，…，km]，m为参数个数。

可调整的参数通常有调制方式、发射功率、工作频率和传输速率等。

认知无线电系统需要优化的目标函数为f=[f1，f2，…，fn]，n为目标函数个数。

认知决策引擎的任务是使目标函数最大化或最小化。

由于受硬件条件、外部环境等方面的限制，k和f通常需要满足一定的约束条件。

用 w= [w1，w2，…，wn]表示各个目标函数的权重，wi(i=1，2，…，n)数值的
大小反映目标函数fi(i=1，2，…，n)在不同需求时的重要程度。

同时，权重值需
满足如下约束条件:
多个目标函数可以简化为单一的目标函数:
式(2)的作用是根据已知的权重因子和目标函数，自适应地调整各项参数，最终实
现优化目标。

2 决策算法
遗传算法和粒子群算法是实现多目标优化的典型算法，下面讨论基于这2种算法
的决策。

2.1 遗传算法
遗传算法(Genetic Algorithm，GA)是一种模拟达尔文进化学说的智能算法，通过模仿自然界中进化过程的遗传选择和自然淘汰过程，达到全局优化搜索的目的[3]。

遗传算法流程如图1所示[4]。

图1 遗传算法流程
遗传算法首先对问题的解进行基因编码，通常使用二进制编码方法。

算法执行过程中的操作类型包括:选择、交叉和变异。

选择操作借鉴了自然进化中优胜劣汰的思
想，适应度高的个体生存下来的概率高，而适应度较低的个体容易被舍弃，确保了算法的收敛性。

交叉操作模仿生物学中染色体的交叉过程，通过交叉重组产生新的个体，避免算法过早收敛，提升算法的全局搜索能力。

变异操作以一定的概率将染色体上的某个基因替换为其他基因，从而形成新的个体，可以提升算法的局部搜索能力，有效地避免局部收敛[5，6]。

2.2 二进制粒子群算法
在粒子群算法(Particle Swarm Optimization，PSO)中，待优化问题的解用粒子
的位置来表示，当前粒子的位置对目标函数适应度的大小决定了每个粒子性能的优劣程度。

使用一个速度矢量表示粒子的运动方向和速率大小。

在基本PSO算法的基础上，Kennedy和Eberhart提出了二进制粒子群算法(Binary Particle Swarm Optimization，BPSO)[7]，BPSO 算法可以解决工程实
际中的组合优化问题。

在BPSO算法中，粒子中每一维的位置用0或1表示，粒
子的速度是一个连续值，可以用sigmoid函数把速度值转换为0，[]1之间的值[8]。

速度越大，对应位置选1的概率越大;而速度越小，对应位置选0的概率越大。

式(4)是位置更新公式，其中ρ为随机数，取值范围为[0，1][9，10]。

二进制粒子群算法流程如图2所示[11]。

图2 二进制粒子群算法流程
3 算法仿真分析与比较
3.1 仿真方案设计
在OFDM系统中，可以将部分子载波关闭，不使用这些子载波传输信息，这种传输方式称为不连续 OFDM(Non Contiguous OFDM，NC － OFDM)[12]。

在不
连续OFDM系统中，可以根据通信环境和用户需求，关闭某些子载波，或者调整
某些子载波的调制方式、发射功率，从而灵活地适应不同的环境。

因此，OFDM
技术非常适合作为认知决策引擎的物理层载体。

在仿真系统中，采用OFDM技术，可以调整的参数包括调制方式和发射功率。

使用遗传算法和二进制粒子群算法分别进行仿真，自适应地控制OFDM系统每一个子载波的调制方式和发射功率。

对可调整参数进行二进制编码，在遗传算法中组合成为一条染色体，在二进制粒子群算法中组合为一个粒子，然后通过迭代寻优，使算法的适应度函数值达到最佳，从而使传输参数配置最优化。

仿真系统框图如图3所示。

图3 基于OFDM的认知决策引擎仿真设计
3.2 性能仿真分析
在仿真系统中，OFDM的子载波数取64。

发射功率为0～25.2 dBm，步进间隔
为0.4 dBm，编码由4位二进制比特组成。

调制方式包括BPSK、QPSK、
16QAM和64QAM，编码由2位二进制比特组成。

仿真信道类型采用加性高斯白噪声信道。

仿真中系统需要优化的目标函数为最小误码率fmin－ber、最小发射功率 fmin－power 和最大速率fmax－data－rate。

各个目标函数的权重值为 w1、w2 和w3，可将3个目标函数归为如下单目标函数:
假设低功耗模式、应急模式和高速模式3种应用场景。

低功耗模式要求发射功率
尽可能低，设备可以长时间工作，并且对其他通信系统造成的干扰小;应急模式对
信息传输的可靠性要求高;高速模式应用于对传输容量有较高要求的场合。

在低功
耗模式中，目标函数权重值 w1、w2、w3分别为0.15、0.80、0.05;在应急模式中，权重值分别为 0.80、0.15、0.05;在高速模式中，权重值分别为 0.05、0.15、0.80。

采用遗传算法和二进制粒子群算法进行仿真。

3种模式下的仿真实验结果如图4、图5和图6所示。

图4 低功耗模式
图5 应急模式
图6 高速模式
在BPSO算法中，粒子群到达局部最优附近时，粒子速度的更新主要由第一项来
决定。

若算法的惯性权重w＜1，粒子的速度将会越来越小，甚至停止运动，发生早熟收敛，若w＞1，速度太大则容易陷入局部收敛，所以通常w取1。

比较图4、图5和图6中各条曲线，当w取1时，所得的适应度函数值最大，即算法的性能最好。

在低功耗模式下，GA算法的平均适应度函数值大概为0.72左右，而BPSO算法
的平均适应度函数值达到了0.8，且GA算法的收敛速度不及BPSO算法。

在应急模式下，GA算法的平均适应度函数值为0.59左右，而BPSO算法的平均适应度
函数值达到了0.64，GA在500次迭代寻优后收敛，该模式下GA算法的收敛速
度略优于BPSO算法。

在高速模式下，BPSO的收敛精度显然优于GA算法，平均适应度函数值高出0.14，且BPSO算法的收敛速度与GA算法相当。

通过以上对比可以看到，GA算法搜寻最优个体的能力不及BPSO算法，即GA算法的收敛精度不如BPSO算法，这是由于在GA算法中交叉和变异操作是以固定
的概率执行的，容易造成局部收敛。

4 结束语
认知决策引擎是认知无线电系统的核心技术。

对遗传算法和二进制粒子群算法这2种常用的认知引擎决策算法进行了介绍，并通过仿真分析比较了2种算法的性能。

通过对比可以看到，二进制粒子群算法的收敛精度优于遗传算法，同时，其收敛速度与遗传算法相当。

但是二进制粒子群算法的收敛速度较低，下一步的工作是对二进制粒子群算法进行改进，以保证在较高的收敛精度下，提升该算法的收敛速度，
以增加其寻优能力。

参考文献
[1]宋志群.认知无线电技术及应用[J].无线电通信技术，2012，38(5):1 －5.
[2]汪李峰，魏胜群.认知引擎技术[J].中兴通讯技术，2009，15(2):5 －9
[3]王峰.基于遗传算法的认知无线电决策引擎研究[D].大连:大连理工大学硕士学位论文，2010:31－32.
[4]郑仕链，赵知劲，尚俊娜，等.基于模拟退火遗传算法的认知无线电决策引擎[J].计算机仿真，2008，25(1):192－195.
[5]杨晟尧.基于多目标遗传算法的认知无线电决策引擎[D].大连:大连理工大学硕士
学位论文，2011:8－9.
[6]王小平，曹立明.遗传算法理论、应用与软件实现[M].西安:西安交通大学出版社，2002.
[7]KENNEDY J，EBERHART R.ParticleSwarm Optimization[C]∥ Perth，Australia，Proceedings of the IEEE International Conference on Neural Networks，1995:1 942 －1 984.
[8]赵知劲，徐世宇，郑仕链，等.基于二进制粒子群算法的认知无线电决策引擎[J].物理学报，2009，58(7):5 118－5 125.
[9]张静，周正，高万鑫，等.基于二进制量子粒子群算法的认知无线电决策引擎[J].仪器仪表学报，2011，32(2):451 －456.
[10]陈希祥，邱静，刘冠军.基于混合二进制粒子群遗传算法的测试优化选择研究[J].仪器仪表学报，2009，30(8):1 674－1 680.
[11]张静.认知无线网络决策与管理关键技术的研究[D].北京:北京邮电大学博士论文，2011:86－88.
[12]MWANGOKA J W，LETAIEF B K，CAO Zhi－ gang.Robust End－to－
End QoS Maintenance in Non－Contiguous OFDM Based Cognitive Radios[C]∥Beijing，China，IEEE International Conference on Communication(ICC’2008)，2008:2 905－2 909.。