認知無線電系統中基于量子粒子群算法的PHY層及MAC層決策優化

摘 要:認知無線電技術是下一代通信發展的方向和趨勢，同時也是目前通信研究中的熱點問題。針對認知無線電系統中，在某一信道條件下其通信系統的物理層(PHY)和媒體鏈路層(MAC)的基于多個目標來實現優化的問題，基于量子粒子群算法的基本思想，把量子粒子群算法引入認知無線電系統中，并對該算法進行適當的改進，最后基于WSGA控制對電臺優化問題進行了仿真，通過仿真證明了其有效性。

關鍵詞:認知無線電;量子粒子群;多目標優化;物理層、媒體鏈路層

中圖分類號:TN911文獻標識碼:A

文章編號: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

認知無線電(Cognitive Radio)將人工智能與無線電通信相結合，這個領域具有高度的多學科性質，混合了傳統通信與電子工程的無線電，同時應用了來自計算機科學的一些概念[1]。基本定義可歸納為:它是可以感知外界通信環境的智能通信系統，認知無線電系統通過學習，不斷地感知外界環境的變化，并通過自適應調整內部的通信機理達到對環境變化的適應。這樣的自適應調整，一方面是為了改進系統的穩定性，另一方面也是為了提高頻譜的利用率。根據認知無線電框架，用戶首先需要檢測頻譜環境，估計當前信道中的干擾溫度及其接入對鄰近用戶的干擾，根據這些測量數據，用戶可以自適應地改變傳輸參數，以達到系統最終的性能最優。其基本任務是:環境分析、信道預測估計和信道預測建模、傳輸功率控制和動態頻譜管理[2]。

認知無線電的目標是最優化自身性能以及支持用戶的需求，但是“最優化”的含義是什么?它不僅僅是無線電用戶追求自身資源消耗最大化的自適應參數調整，考慮在無線電通信上，如果兩對節點在不同的網絡上通信，傳輸在時間和頻率上的重疊，會形成干擾。節點將低信干噪比(SINR)的情況認為是觀測到了干擾，傳統應對干擾的方法是通過增大發射功率來增加SINR，一條鏈路上的發射機增加發射功率，另一鏈路也將會以提高發射功率來回應[3]。每個無線電用戶都將通過增大自身的發射功率來使接收機的SINR最大化，這樣最終會使功率增加到硬件的極限[4]。

在嚴重擁塞的頻譜環境中，改變頻率可能不是一個很好的解決方法，這是為什么要查找可能調整的所有物理層和鏈路層來改善其性能的原因[5]。

首先定義，在無線電中實現了滿足用戶的性能水平，并最小化其消耗資源(如占用的帶寬、消耗的功率等)時，就認為“最優化”。因此應該知道用戶的需要以及如何調整無線電性能才能滿足這些需要。

在物理層中，中心頻率、符號速率、發射功率、調制類型和調制階數、脈沖成形濾波器(PSF)類型、階數、擴頻類型、擴頻因子等都能進行調整。鏈路層上則為各種可以改進網絡性能的變量，包括信道編碼和交織類型和速率，以及接入控制方法，如流量控制、幀的大小以及多址接入技術等。

認知無線電遵循的基本過程是調整自身的參數來實現某一期望的最優性能組合。無線最優化概念是通過分析許多目標函數的輸入與輸出來描述的，在這種情況下，描述各個目標之間的相互依賴關系使用單目標分析系統變得困難，用戶和網絡的需求不能同時得到滿足，這種需求會隨著時間和具體情況發生很大變化。這時單目標函數已不能充分表示這些不同目標的需求[6]。

設認知無線電需調整的N個參數為a=，具體參數是發射功率、調制方式、中心頻率、符號速率等，由于受各種制度、物理環境、硬件條件等方面的限制，認知無線電參數通常要滿足很多約束條件。為適應當前外部條件，認知無線電需優化的目標函數為f=，其中n為目標函數的個數，目標函數的選擇要求能反映當前的鏈路質量，如平均發射功率、數據速率、識碼率、帶寬、頻帶效率、數據包延時等。不同的鏈路條件、不同的用戶需求導致不同目標函數的重要性不盡相同。在實際運用中可用權重數值的大小來反映目標函數的重要性程度。由此可知實現認知無線電參數的調整功能是一個多目標優化問題，即如何調整無線電參數取值來實現給定權重情況下多個目標函數的優化[7]。

由于缺少單目標函數的衡量，所以不能從經典的優化理論來獲得調整無線電參數的方法，取而代之的是使用MODE標準來分析無線電性能。MODE理論使得人們可以在與之用來建模的目標函數個數一樣多的維數中實現最優化，目前遺傳算法已被廣泛用于MODE問題的求解[1]。

MODE理論的核心是用數學方法選擇一系列的參數，從而使一組目標函數最優化。MODE方法的基本表示如式(1)、式(2)所示:

min/max(y)=f()=)，f2()，…，fn()〗(1)

約束條件:

=(x1，x2，…，xm)∈X

=(y1，y2，…，ym)∈Y(2)

其中，所有的目標函數都定義成最大化y或最小化y，最大化或最小化取決于具體的實際應用。x的值(即x1，x2等)表示輸入;y值表示輸出。式(1)提供了MODE的表示，但沒有指定優化系統的方法。某些目標函數以某種方式進行組合會產生最優化的輸出。在實踐中可以有很多方法實現最優化，目前遺傳算法運用最廣泛。

傳統求解多目標優化問題的方法有加權法、約束法、目標規劃法等，這些求解方法按某種策略確定多目標之間的權衡方式，將多目標問題轉換為多個不同的單目標問題，并用這些單目標優化問題的最優解構成的解集去近似最優解。這些方法和每次優化結果，只得到一個妥協解，而且采用不同的方法求解，結果可能完全不同。

本文引入的量子粒子群算法用于對MODE問題的求解，同時對于量子粒子群算法進行了一些改進。量子衍生計算是近年來新提出的一種新的計算方法，引進量子理論的進化算法具有很好的空間搜索能力。量子多目標進化算法具有更強逼近最優前沿的能力和更好的多樣性，具有量子行為的粒子群算法，能保證全局的收斂性，其性能優于傳統的遺傳算法。

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，它借鑒鳥群捕食過程的社會行為，是一種并行進化的計算方法，引入慣性權重來實現對解空間的搜索控制，逐步形成了目前普遍應用的基本粒子群算法[8]。思想是:為將每個個體看作是D維搜索空間中一個沒有體積和質量的粒子，在搜索空間中，以一定的速度飛行，并根據個體和群體飛行經驗的綜合分析來動態調整這個速度。設群體中第i個粒子為Xi，它經歷過的位置為Pi，其中最佳位置記為Pbest，當前組成的群體中所有粒子經過的最佳位置記為Pgbest，粒子i速度用vi=(vi1，vi2，…，vid)表示，對第i次迭代，粒子i在D維空間的運動方程為:

vid(t+1)=w#8226;vid(t)+c1rand()[pbest-xid(t)]+

c2rand()[Pgbest-x(t)]

xid(t+1)=xid+v(t+1)(3)

式中:w為慣性權重，它使粒子保持運動的慣性，使其有能力探索新的區域;c1，c2為常數;rand為范圍的隨機數。

1.2 量子比特的表示

提出量子比特編碼多態問題可由式(4):

α1α2…αm

β2β2…βm〗(4)

表示為。通用量子旋轉門調整則相應可表示為:

α′iβ′i〗=cos(Δθ)-sin(Δθ)sin(Δθ)cos(Δθ)〗αiβi〗(5)

1.3 量子粒子群算法

從量子力學的角度出發提出了一種新的PSO算法模型。這種模型以DELTA勢阱為基礎，認為粒子具有量子行為，并根據這種模型，提出了一種具有量子行為的粒子群算法。此算法具有簡單易實現和調節參數少的優點，具有良好的穩定性和收斂性[9]。

借用粒子群中的群智能策略，將這種群的所有量子看成一個智能群體，找到每次迭代過程中局部最優解進行進一步的動態調整，其操作過程是:量子粒子i在第j比特經i次迭后，速度、位置、個體最好和全局位置分別為vij(t)，θij(t)，θbestij，θgbestij，則速度和位置迭代公式為:

vij(t+1)=w#8226;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支配關系的排序關系來更新粒子的個體最優值和局部發最優值，定義一種新的極大極小距離方法，并采用該距離方法裁減非支配解。利用量子粒子旋轉門更新粒子的量子角度，提出了一種新的多目標優法算法。

1.4 基于距離方法的量子粒子群多目標優化算法

提出用于計算適應值的距離方法——量子粒子群多目標優化算法(Quantum Bit Particle Swarm Optimization，QBPSO)，來解決多目標優化問題。這種方法的基本思想是根據每個個體到前一代獲得的Pareto解之間的距離來分配其適應值。它采用外部懲罰函數將多目標優化問題轉換為無約束問題。其中，參數r控制懲罰項的幅度，Pi是初始潛在值。

該距離方法對于Pi和r的設置比較敏感。對于任何不可行解，r的值越高，計算得到的距離值也越高，因此，適應值最終接近于0，如果太多，個體的適應值為0，搜索將無法進行。另外，如果初始潛在值與不同解之間的適應值差別會很不明顯。這將導致選擇壓力過小，結果導致算法收斂速度較慢。另一方面，如果初始潛在值過小，計算得到的適應值將趨向于0。

對于每個個體歷史最優解的選取，采用以下步驟:

(1) 如果當前解支配個體i個歷史最優解，則作為歷史最優解。

(2) 如果當前解不支配i個歷史最優解，則比較當前解和歷史最優解的D(i)值，選擇具有較小D(i)的那個解作為歷史最優解[10]。

1.5 慣性權重的改進

慣性權重類似模擬退火中的溫度，較大的w有較好的全局收斂能力;而較小的w則有較強的局部收斂能力，慣性權重w滿足:

w(t)=0.9-(0.5t)/MaxNumber(7)

式中:MaxNumber為最大截止代數。這樣，將慣性權重w看成迭代次數的函數，可從0.9~0.4線性減少。

雖然該方法能保證慣性權重w隨迭代次數的增加而減小，但在每一代中，所有粒子的慣性權重均一樣，不能很好地體現每個粒子的支配關系和擁擠程度。因此，在本文算法中，采用不動態設置慣性權重。

慣性權重w=群體粒子數/個體粒子數N+被粒子I所支配的粒子數+距離密度D(i)。

可以看出，慣性權重取值區間為(0.33，1)，在算法當前期粒子慣性權重趨向于后期慣性權重時，逐漸趨于1，而且在每次迭代過程中各個粒子的慣性權重也不盡相同，越好的粒子獲得的慣性權重越小，越差的粒子獲得的慣性的權重值越大。該方法能更好的平衡和局部搜索，提高算法的收斂速度。

1.6 算法流程

上述量子粒子群算法流程如下:

(1) t→0，初始化種群Q(0)。

(2) 對初始化種群的各個體實施測量，得到一組狀態P(0)，并進行適應度評估。

(3) While 非結束條件do。

Begin

① t→t+1;

② 對于Q(t-1)實施觀測，得到P(t)，進行適應評估;

③ 比較各解，計算各解所支配的解的個數;

④ 計算極大極小距離，求出各Pareto解的D(x)值;

⑤ 利用基于量子門旋轉策略更新Q(t)。

End

2 算法驗證及基于某型電臺的最優化仿真

本文改進的這種基于粒子群化多目標優化算法，采用新的距離方法，以保持解群體的分布性能，同時，動態設置粒子的慣性權重，有效地保持了算法前期全局搜索和后期局部搜索之間的平衡。以多維0/1背包問題為測試對象，經多次實驗結果表明，該算法具有較好的收劍性和保持解的分布性。該算法能夠快速搜索到多目標優化問題的Pareto前沿，特別對多維、復雜優化問題提供更有效的方法[10]。

下面以某型電臺為例，它是基于硬件的平臺，具有有限的參數和調整范圍，所有的物理層特性如表1所示。

在受限制的無線電臺中，量子粒子群算法也是可行的，設計試驗由WSGA控制的點對點無線電鏈路和作為干擾的第三個同型號的無線電臺組成。

表1 硬件參數的配置

參數范圍參數范圍

頻率5 730~5 820 MHz編碼速率:1/2，2/3，3/4

功率6~17 dBmTDD29.2%~91%

調制QPSK，QAM8，QAM16

注:QPSK為正交相移鍵控;TDD為時分雙工。

試驗包括建立一條高流量的初始視頻鏈路，當出現干擾時，信號質量迅速下降且變得無法區別時，WSGA接著運行，目標函數設置為最小化BER、最小化發射功率、最大化數據速率、電臺不改變現有的頻率，測試目的是為了測試無線電如何處理其他參數。

試驗中顯示了在測試中WSGA的良好性能，但仍然希望有更靈活的平臺，這樣就能建立一個軟件無線電(SDR)的物理層仿真，具有更多的可調參數，以及更大的調整范圍，如表2，表3所示。

表2 仿真參數

參數范圍參數范圍

功率0~30 dBmPSF滾降系數0.01~1

頻率2 400~2 480 MHzPSF階數5~10

調制MPSK，MQAM符號速率1~20 MSPS

調制M2~64

表3 仿真試驗條件

函數

權重最小頻譜占用最大流量干擾避免

BER255100200

帶寬25510255

頻譜效率100200200

功率22510200

數據速率100255100

干擾00255

在此時的無線電仿真參數和條件下，目標函數為BER、占用帶寬、功率、數據速率以及干擾量。

運用算法如表3所示，每個目標都得到了優化，每個結果BER都為0。

第一試驗:如圖1所示，將占用頻譜最小化為1 MHz。

第二試驗:如圖2所示，將流量最大化為72 Mb/s。

第三試驗:如圖3所示，找到一個嵌入干擾空隙的解。

圖1 占用頻譜最小化為1MHz

圖2 流量最大化為72 Mb/s

圖3 一個嵌入干擾空隙的解

3 結 語

認知無線電的設計目標是優化自身的性能，支持用戶需求。當無線電在達到具有一定水平的性能，且滿足用戶需求時，對占用帶寬和電池功率等資源消耗最小時，就實現了優化。本文所討論的算法可解決物理層和鏈路層參數調整的一些基礎性問題。

參考文獻

[1][美] Bruce A Fette.認知無線電技術[M].趙知勁，鄭仕鏈，譯.北京:科學出版社，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.