基于粒子群优化算法和蚁群优化算法的频谱感知方法

摘要

本发明给出一种基于粒子群优化算法和蚁群优化算法的频谱感知方法，该方法在多簇认知电无线网络中，首先通过粒子群优化算法获得每个小簇中簇头的最佳位置，这些最佳位置的簇头能够获得比簇内其他感知用户更可靠的检测结果，接着采取蚁群优化算法，根据信息素浓度寻找各感知用户信息传送的最短距离。各感知用户采用最短距离将信息传送给簇头，簇头将所有信息(包括自己的信息)按照一定权值进行融合，获得判决信息，并将判决信息发送给融合中心，融合中心融合所有簇头发送的信息作出判决，完成检测。本发明根据簇头位置的最优化设置和感知信息路径的最优化选择，能够缩短感知时间，增强检测性能。

说明书

技术领域

本发明涉及群智能算法和多簇认知网络，通过粒子群优化算法获得多簇网络中每簇内 簇头的位置，通过蚁群优化算法获得最短信息传播路径，从传播时间上和传播可靠性上增 强检测性能，属于认知无线电和群智能算法的交叉技术领域。

背景技术

人工智能在经历了20世纪80年代整整10年的繁荣后，由于在方法论上始终没有突破 经典计算思想的藩篱，再次面临着寒冬季节的考验。而随着人们对生命本质的不断了解， 生命科学以前所未有的速度迅猛发展，使人工智能的研究开始摆脱经典逻辑计算的束缚， 大胆探索起新的非经典计算途径。在这种背景下，社会性动物的自组织行为引起了人们的 广泛关注，群智能应景而生。

蚁群算法(ACO)是由意大利学者Colorni，Dorigo和Maniezzo于1991年提出，通过 模仿自然界蚂蚁寻找食物的方式而提出的一种仿生化算法。蚁群算法不需要任何先验知识， 最初只是随机地选择搜索路径，随着对解空间的“了解”，搜索变得有规律，并逐渐逼近， 直至最终达到最优解。蚁群算法只要通过以下三个方面进行对空间的了解：1，蚂蚁的记忆； 2，蚂蚁利用信息素进行相互通信；3，蚂蚁的集群活动。目前蚁群算法，遗传算法等计算 智能算法为困难的组合优化问题提供了新颖且有竞争力的求解方法。这些算法在车辆调度 问题，流水车间问题，机器人路径规划问题等组合优化问题均取得了良好的效果。此外， 蚁群算法还在函数优化，系统辨识，数据挖掘等领域取得了引入瞩目的成果。由于蚁群算 法具有广发实用价值，以及作为群智能领域获得成功的实例，相应理论研究以及改进算法 近年来不断取得新的成果。

粒子群优化算法(PSO)是一种基于迭代的优化技术，PSO算法中群体初始化为一群 随即粒子，通过迭代搜寻最优值，在每一次迭代中，粒子通过跟踪两个“极值”来更新自 己的位置：一个是个体最优解pbest，是每个粒子自身所找到的最优解，另一个极值是群体 最优解gbest，是整个群体目前找到的最优解。粒子群优化算法自1995年提出以来，由于其 简单和明确的实际背景，使得很多学者加入到这种算法的研究中。PSO在工程方面的应用 有大量的成果，Robinson将其应用于通信工程中的天线设计等等。PSO在其他领域同样取 得了广泛的应用，高尚等将粒子群算法通过一定等改进和变形，已经成功用于TSP问题的 求解。二进制编码和实数编码的混合PSO能解决机组组合优化问题，在经济，物理方面有 很深的应用。

随着频谱资源的短缺，认知无线电技术称为无线通信领域的研究热点。认知无线电的 目的便是在不影响主授权频谱正常通信情况下，使得一些认知用户能够以伺机接入的方式 接入授权频谱，从而提高频谱利用率。认知无线电技术在智能电网，宽带蜂窝网，公共安 全网和医疗体域网方面具有广阔的应用前景。

发明内容

技术问题：随着通信行业的发展，频谱资源成为通信不可或缺的资源。在目前固定的 频谱资源分配方式中，政府已授权的无线频谱资源利用率非常低，一些授权频段利用率仅 有15％～85％。由此可见，频谱资源成为稀缺资源之一，增强检测性能，提高频谱利用率 刻不容缓。本发明的目的是提供一种基于粒子群优化算法和蚁群优化算法的频谱感知方 法，本方法能够提高频谱检测的可靠性，大大缩短频谱 感知所花的时间，增加系统吞吐量，提高检测性能。

技术方案：本发明首先使用粒子群优化算法获得获得每个小簇中簇头的最佳位置，这 些最佳位置的簇头能够获得比簇内其他感知用户更可靠的检测结果，接着采取蚁群优化算 法，根据信息素浓度寻找各感知用户信息传送的最短距离。各感知用户采用最短距离将信 息传送给簇头，簇头将所有信息(包括自己的信息)按照一定权值进行融合，获得判决信 息，并将判决信息发送给融合中心，融合中心融合所有簇头发送的信息作出判决，完成检 测。

所述多簇认知无线电网络中，当非授权用户即次用户想要占用授权频段进行通信时， 对信道进行频谱感知，检测授权用户即主用户是否占用频段，完成一次完整的本地感知； 所述本地感知包括五个部分：簇内感知用户本地感知、感知用户将感知信息发送给簇头、 簇头融合所有的信息、簇头发送融合后的信息给融合中心、融合中心融合各簇头发送的信 息做出判决；对簇头的位置和发送信道进行优化，处于簇内最优位置的簇头能获得更可靠 的感知信息，感知节点的最短发送路径能使融合中心在最短时间内获得感知结果。

所述簇是一个感知区域，一个簇内唯一能够进行信息传递的感知用户被称为簇头；在 一次本地感知中，簇头感知信息，并融合其他感知用户发送来的信息，将融合结果发送给 融合中心；为使得簇头能获得更可靠的感知信息，要将簇内最优位置分配给簇头。

所述蚁群优化算法是模拟蚂蚁根据自身分泌的信息素浓度来选择适宜的道路，簇内感 知用户将信息发送给簇头时，簇头会对簇内感知用户给予不同的反馈信息，将该反馈信息 作为信息素，反馈信息值的大小代表信息素浓度；反馈信息值最大的即信息素浓度最高的 被选择为最短路径。

本发明提出的基于粒子群优化算法和蚁群优化算法的频谱感知方法所包含的步骤为：

步骤1)获得多簇认知无线电网络中各簇内簇头的最佳位置。

步骤1.1)主用户发送导频信息，各感知用户点随机分布且赋予初速度。

步骤1.2)各簇内感知用户均本地感知，获得感知信息。

步骤1.3)各感知用户通过粒子群优化算法获得位置最优解，具体过程为：各感知用户 通过迭代算法来更新自己的位置，获得最优适应度值；在每一次迭代中，各感知用户通过 跟踪两个极值来更新自己：一个是本身找到的最优解，叫做个体极值点，另一个是整个簇 内用户目前找到的最优解，称为全局极值点；在运动过程中，将对每个位置的适应度不断 进行评价，当某个感知用户的适应度优于全局最优适应度，该感知用户所处的位置成为群 最优粒子位置，该感知用户被作为簇头。

步骤2)采用蚁群优化算法获得各感知用户发送自己感知信息的最短路径，

步骤2.1)除簇头之外的各感知用户随机分布，设置每条发送路径的信息素浓度初值相 同且均为0。

步骤2.2)各感知用户携带的感知信息均相同，感知信息均为H1，即表示信道中有主 用户在通信，簇头将正确的感知信息定为H1。

步骤2.3)各簇内感知用户随机选择道路，每一条道路最多只能被选择一次，通过选择 不同道路来达到遍历道路的目的。

步骤2.4)簇头计算出每个感知用户发送感知信息的时间，根据发送时间的长短赋予感 知用户不同的信息素，发送时间短的感知用户将赋予高的信息素；当簇头知道正确的感知 信息为H1，发送感知结果为H0的感知用户不被赋予信息素，所述H0表示此时信道中没 有主用户通信，与H1相反。

步骤2.5)感知用户在沿原路返回时，每条道路上的信息素被更新；当感知用户携带的 信息素浓度值即反馈信息值与道路的信息素浓度值不同时，道路的信息素浓度值被感知用 户携带的信息素浓度值取代。

步骤2.6)对将路径进行多次更新，通过比较各条路径上反馈信息值的大小，感知用户 选择信息素浓度最高的路径，进行信息传输，所述信息素浓度最高的路径是反馈信息值最 大的路径。

步骤3)各感知用户本地感知，并将感知信息发送给簇头。

步骤3.1)各感知用户包括簇头本地感知，均获得感知信息，簇内感知信息记作h，簇 头感知信息记作m。

步骤3.2)确定簇头的位置和各信息发送的最短路径之后，各簇内感知用户将各自的感 知信息通过最短路径发送给簇头，簇头融合发送上来的感知信息h和自己的感知信息m进 行加权融合，所述簇头经过粒子群优化算法迭代获得最优适应度值，被赋予高权值即大于 0.5的概率值，对于簇内不是簇头的感知用户被赋予低权值即低于0.5的概率值，簇头融合 信息，作出判决信息。

步骤4)各簇头将判决信息传送给融合中心，融合中心融合信息，作出判决信息而完 成感知。

有益效果：本发明提出了一种基于蚁群优化算法和粒子群优化算法的提高频谱感知检 测率的方案。该方法根据簇头位置的最优化设置和感知信息路径的最优化选择，能够缩短 感知时间，增强检测性能。具体来说，本发明所述的改进方法具有如下的有益效果：

(1)检测可靠性增加。本方案利用粒子群优化算法，通过迭代和不断更新位置获得最 优化位置的簇头。这些最优化位置的簇头能获得比一般簇头更可靠的本地感知信息，在簇 头融合信息时，获得高权值，增强检测可靠性。不仅如此，本方案在采用蚁群优化算法时， 簇头已知正确的感知信息，对传递错误感知信息的感知用户不赋予信息素即反馈信息值为 0，降低了高噪声信道的选择概率，增强了检测可靠性能。

(2)信息传输时间降低，增加吞吐量。本方案采用蚁群优化算法，通过簇头计算每个 感知用户发送信息的时间，簇头将会赋予感知用户不同的信息素浓度，发送时间短的会获 得更高的信息素浓度，信息素浓度最高的路径是传输时间最短的路径，也是最终感知用户 传输信息的路径。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合图1对本发明具体实施做更详细的描述。

步骤1)首先获得各簇内簇头的最佳位置，此时主要使用的是粒子群优化算法，各感知 用户充当了粒子的角色，具体处理流程如下：

步骤1.1)主用户发送导频信息，各感知用户点也就是粒子群随机分布且赋予初速度；

步骤1.2)各簇内感知用户均本地感知，获得感知信息；

步骤1.3)在簇内，感知用户在不同位置检测到的信号的强度是不同的。各感知用户通 过迭代算法移动自己的位置，来获得更强的检测信号。获得更强信号位置的地点称为个体 极值点Pbesti；

步骤1.4)各感知用户互相发送信息，通过交流获得群体最优解，即Gbest；

步骤1.5)各感知用户将自己获得的Pbesti与Gbest相比较，如果Pbesti大于Gbest，则 Gbest＝Pbesti，如果不相同，则转至步骤1.3；

步骤1.6)此时，群体最优解Gbest所处的位置就是最优适应度，也是群最优粒子位置， 这样的感知用户就被称为簇头。

步骤2)接着，获得各感知用户发送感知信息的最短路径，此时采用蚁群优化算法， 每个感知用户扮作蚁群中蚂蚁的角色，通过遍历每条路径，簇头根据发送的时间和正确性 赋予不同的信息素浓度即不同反馈信息值，从而更新每条路径的信息素浓度，根据信息素 浓度大小选择最终的发送路径，具体处理流程如下：

步骤2.1)各感知用户(除簇头之外)随机分布，并且初始时每条发送路径的信息素浓 度初值c1相同，设置循环次数初值n为0；

步骤2.2)各感知用户携带的感知信息均相同，感知信息均为H1，即表示信道中有主 用户在通信，簇头也将正确的感知信息定为H1；

步骤2.3)各簇内感知用户随机选择路径，选择过的道路将不被再次选择，遍历所有道 路；

步骤2.4)簇头接受感知信息。各簇内簇头已经知道正确的感知信息为H1，那么发送 感知结果为H0的感知用户将会被不赋予信息素，这表示刚发送信息的道路受噪声影响大， 不予使用，重复步骤2.3；

步骤2.5)簇头计算每个正确发送感知信息的感知用户发送感知信息的时间，根据发送 时间的长短会赋予给感知用户不同的信息素，发送时间短的感知用户将赋予高的信息素；

步骤2.5)感知用户在沿原路返回时，每条道路上的信息素将会被更新，当携带信息素 浓度高的感知用户经过时，路径上的信息素浓度会变高；

步骤2.6)判断循环次数n是否等于1000，如果不等于，则重复步骤2.3， 如果n＝1000，那么此时循环结束；

步骤2.7)最终感知用户会选择信息素浓度高的路径，进行信息传输，此时选择的路径 不仅花费时间少而且正确率高。

步骤3)各感知用户本地感知，并将感知信息发送给簇头。具体处理流程如下：

步骤3.1)各感知用户(包括簇头)本地感知，均获得感知信息，簇内感知信息记作h， 簇头感知信息记作m；

步骤3.2)各簇内感知用户将各自的感知信息通过最短路径发送给簇头，簇头融合发送 上来的感知信息h和自己的感知信息m进行加权融合；由于簇头是经过粒子群优化算法迭 代获得的最优适应度值，因此我们认为簇头的感知信息可靠性更高，因此我们赋予高权值 即概率值大于0.5，对于簇内的一般感知用户则赋予低权值即概率值小于0.5；簇头融合信 息，作出判决信息。

步骤4)各簇头将判决信息传送给融合中心，融合中心融合信息，作出判决信息，完 成一次感知。