人工智能在CR智能優化階段的應用

摘 要：針對智能優化算法認知無線電中智能優化階段的應用，本文介紹了遺傳算法、模擬退算法、禁忌搜索算法、蟻群優化算法在認知無線電智能階段的應用，并對智能優化在認知無線電智能優化現狀和成果進行了總結分析。

關鍵詞：認知無線電；啟發式算法；智能優化

1 概述

認知無線電技術是無線通信領域與人工智能領域相結合的產物，認知無線系統是認知無線電技術的無線通信系統， 其核心思想借助更加靈活的收發機平臺和智能計算，使得通信系統更加靈活。將人工智能及其相關理論、方法和思想引入到認知無線電網絡決策中，實現智能通信系統，對認知無線電的發展有著重要的科學和現實意義。

認知無線電（CR）的”智能化”運用到了整個認知過程中，包括認知用戶信息和通信環境的感知、辨識，各種信息采集、判斷、推理，新認知過程的實現等。認知引擎做為認知無線電的核心，它是在人工智能平臺的基礎上，把多種人工智能技術相結合以實現認知智能。人工智能在認知無線電網絡（CRN）中有三個階段的應用：環境感知與推理階段；認知學習階段；以及智能優化階段[1][2]。下文介紹人工智能在CRN智能優化階段的應用。

2 遺傳算法的應用

遺傳算法是利用遺傳學理論，并受達爾文進化論所啟發逐漸發展成通用的問題求解方法之一，可用于解決目標優化問題。其核心思想是通過建模得到一個目標適應值函數，尋找使目標函數最大化的一組變量。遺傳算法在認知無線電應用中的基本思想是把無線電類近似比擬為一個進化生物系統[1]，將無線電的特征定義成染色體，染色體的每個基因對應無線電的每一個可變的參數，利用遺傳算法的進化特性，并通過不斷學習獲得系統參數和系統性能之間的平衡點，尋找到最優參數以滿足動態變換的無線電環境參數配置，進而最大化滿足用戶的需求。因此，學者們利用遺傳算法的并行性，解決認知無線電中的多目標優化問題，如利用多目標免疫遺傳算法去解決認知無線電的參數優化問題；認知無線電中的重配置技術存在著不同性能參數之間可能沖突的問題，遺傳算法在解決多個目標互相沖突的最優化問題時具有明顯優勢，目前常見的遺傳算法多目標求解方法有多目標遺傳算法、非支配排序遺傳算法、小生境帕累托遺傳算法等。

未來，遺傳算法在認知無線電應用方面的研究方向是：實時檢測并修改無線電參數；避免陷入非最優方案而進行算法改進，以實現問題的最優解決方案[2]；提高算法的收斂率和降低計算復雜度，以進一步滿足實時性的要求等。

3 禁忌搜索算法

禁忌搜索算法是將最近的搜索過程存儲在一張禁忌表中，禁忌表主要的作用是相當于人類的大腦模擬人類的記憶，從而阻止重復的算法步驟，這樣可以在很大程度上提高搜索效率。

4 模擬退火算法

模擬退算法，是通過模擬熱力學的降溫過程，計算各個狀態轉移概率，以某一設定的概率選擇目標值較小的狀態，從而跳出局部最優解，改進后的算法執行起來比較容易，雖然具有優秀的搜索能力，但缺點是收斂速度慢，然而CR又對實時性有較高的要求，故模擬退火算法在CR中的應用較少。

5 蟻群優化算法的應用

蟻群優化算法是模擬自然界螞蟻集體合作尋找食物行為基礎上，提出的一種隨機優化算法[3]，而且已經在組合優化問題中得到廣泛應用[4]。蟻群優化算法實質上是一種正反饋機制，通過螞蟻信息素的不斷更新，最終獲得一條最優路徑，而且加入了人類的智能。此外，由于蟻群優化算法是一種全局的優化算法，且優化性能較好，因此，對于求解優化問題無論是單目標還是多目標優化問題都效果顯著提高。文獻[5]提出的是改進的蟻群優化算法，用于認知引擎的參數優化其性能優于經典遺傳算法，存在的缺點是過早收斂問題。文獻[6]提出的自適應蟻群優化算法，用于認知引擎的優化，通過改良的自適應調整機制，種群收斂速度提高的同時，不僅保證了算法的全局搜索能力，還能有效避免陷入局部最優的困境，能夠更好地滿足認知無線電決策引擎對多目標優化的需求。

6 結束語

上述遺傳算法、模擬退算法、禁忌搜索算法、蟻群優化算法都是群體智能優化算法，它們把具體問題抽象成的數學模型做為目標函數，進而尋找目標函數的最優解，或者是通過訓練樣本來達到預期目標，以找到適合認知無線電優化目標的最優解決方案，為認知無線電技術的應用奠定基礎。

參考文獻：

[1]Rondeau T W. Application of artifical intelligence to wireless communications[C]. Blacksburg： Virginia Polytechnic Institute and State University，2007：11-12.

[2]Daniel H F，M ustafa Y E， Shi Y， et al. Architecture and performance of an island genetic algorithm-based cognitive network[C]. IEEE CCNC，2008.

[3]Dorigo M， Birattari M， Stuzle T. Ant conoly optimization.[J] IEEE Computational Intelligence Magazine，2006，1（4）：28-39.

[4]史恒亮，白光一.基于蟻群優化算法的云數據庫動態路徑規劃[J].計算機科學，2010，37（5）：143-145.

[5]Zhao N， Cognitive radio engine design based on ant conoly optimization[J].Wirless Personal Communications，2011，1（10）：1-10.

[6]羅云月，孫志峰.基于自適應蟻群優化算法的認知決策引擎[J].計算機科學，2011，38（8）：253-256.

作者簡介：劉俊霞，1980年生，講師，碩士，主要研究方向：移動通信網絡規劃與建模。