无线通信论文范文浅谈无线电频谱的分配(2)

　　本文采用基本位变异算子,即个体中的基因实现0和1之间的翻转。在本文的频谱分配方案中,每一条染色体的二进制串表示一种可能的频谱分配,由于无干扰频谱分配A与可用矩阵L中等于0的元素位置相对应,而且每条染色体的长度由可用矩阵L中等于1的元素个数来决定。因此矩阵A的更新只需将每代新的染色体的每个基因依次取代矩阵L中为1的元素即可。此外,每次更新结束后,还需作适当的处理使新的矩阵A满足C的条件,最终获得的无干扰分配矩阵A就是一种可行的频谱分配方案。具体方法为:对C中所有满足cn,k,m=1且的n≠kn和k,判断An,m和Ak,m是否均为1,若是,将其中之一置为0。

　　综上所述,将基于黄金分割率的混合自适应遗传算法应用到认知无线电频谱分配,一般步骤为:

　　1)初始化可用频谱矩阵、效益矩阵和干扰矩阵,该优化问题的维数为l=∑Nn=1∑Mm=1ln,m,种群大小为P。记录可用矩阵L中为1的元素,即L1={(n,m)|ln,m=1},矩阵中的元素按n、m递增的方式进行排列。维数l的值等于L1中元素的个数;

　　2)在进化的第0代,即g=0时,根据二进制编码初始化种群;3)优化种群Q(g)得到二进制串P(g);

　　4)P(g)中每个染色体的第j位映射到an,m中,1≤j≤l,(n,m)是L1中第j个元素。对于全部的频谱m,找出所有满足cn,k,m=1且n≠k的认知用户集合,验证分配矩阵A中的第n行m列及k行m列的元素是否全部为1,若是,随机将其中的一个元素置0,另一个保持不变;

　　5)频谱分配中的效益函数作为适应度函数,计算出适应度函数,之后将结果保存到B(g)中;

　　6)用轮盘赌选择法,进行双点变异交叉操作,并进行种群Q(g)的更新;其中交叉变异操作的过程为:首先计算进化代数,判断是否满足进行自适应交叉变异的条件,若满足,则运用(10)(11)式计算交叉变异概率并进行自适应交叉变异操作,否则进行固定参数的交叉及变异操作;

　　7)断是否有达到进化的终止代数,若是将B(g)中保存的最优解映射成矩阵A的形式即已经到达了最佳分配则算法结束;否则继续循环执行;8)g+1;9)测量种群Q(g-1),产生确定状态P(g),转至步骤4)。

　　4仿真结果与分析

　　认知无线电频谱分配性能最常见的评价方式是系统效益和公平性,因此,为了验证改进遗传算法的性能,把本文算法与自适应遗传算法在系统效益和算法的时间开销上进行了比较,设定认知用户数为10,主用户数为20,频带数为20,运用Matlab进行了仿真。为了简化问题,在仿真试验中,假设系统是个准静态无噪声的无线系统,且不考虑功率控制因素;也是就是系统在一次完整的频谱分配过程中,每个认知用户的可用信道和干扰关系保持不变。

　　同时,所有主用户在各个信道上的干扰半径相同,所有认知用户的干扰半径也相同。算法仿真中的L、B、C矩阵如表1所示。图3表示的是基本遗传算法,自适应遗传算法和基于黄金分割率的自适应遗传算法系统的平均效益随着迭代次数的变化曲线图。有上图可以看出,随着迭代次数的增加,系统效益逐渐增加,基本遗传算法和自适应遗传算法在迭代500次左右的时候达到全局最优解,而本文算法在迭代300次就达到了最优解,很明显比其它算法的收收敛速度更快,而且获得的系统效益也更好一点。

　　传统的遗传算法和自适应遗传算法,基于黄金分割率的混合自适应遗传算法的系统效益随着认知用户改变的变化曲线图。随着认知用户的增加,系统效益逐渐减少。但是,本文算法的系统效益最好,其次是自适应算法,网络效益随试验次数的变化曲线。本文算法得到的网络效益只有很少部分上效果不明显,大部分都是明显优于其它两种算法。本文算法和自适应遗传算法的时间开销随迭代次数的变化曲线图,由图可以看出算法的时间开销随着迭代次数的增加逐渐上升,自适应算法和遗传算法的分配时间消耗相差不大,本文提出的算法的分配时间开销明显比基本遗传算法的要小。因此,此算法提高了频谱分配的效率。

　　5结束语

　　本文提出了融合黄金分割率的混合自适应遗传算法的频谱分配方案。第一,在计算交叉和变异概率时引入黄金分割率的思想,解决陷入局部最优解的问题;第二,运用混合自适应的思想,动态的调整使用固定的交叉变异还是自适应的交叉变异,有效解决了运算时间长的问题。仿真证明了该算法比传统自适应遗传算法具有更好的性能:提高了算法的搜索效率,收敛速度更快,系统的效益更大且不易陷入局部最优解。

转载请注明来自：http://www.uuqikan.com/tongxinlw/7382.html