改進蜉蝣算法求解認知車載網絡頻譜分配問題

王 岳，王 樂，孫文洋，李振國

(安徽科技學院 電氣與電子工程學院，安徽 蚌埠 233000)

0 引 言

由于無線頻譜資源存在較多頻譜空洞，使得現有頻譜資源利用率較低，資源并未充分利用。而認知車載網絡為車載網絡頻譜分配提供了一種新的思路[1]。該環(huán)境中，車載用戶可通過認知無線網絡對空閑授權頻段感知，并有效接入、分配頻譜，解決了頻譜資源匱乏的不足。目前，認知網絡頻譜分配模型主要有博弈、競價和圖著色3種模型。考慮到認知網絡中節(jié)點干擾，圖著色可以更好地表征車載用戶分布，實現頻譜資源高效分配。由于頻譜分配具有分配公平性約束，進行目標優(yōu)化時，其過程可視為NP問題。近年來，由于群體智能算法較強的全局搜索能力，學者們嘗試將其與圖著色結合起來求解頻譜分配問題。如文獻[2]利用GWO算法求解無線頻譜分配問題。文獻[3]利用PSO算法進行頻譜分配，雖然改進了粒子更新方式，但算法依然無法得到全局最優(yōu)。文獻[4]結合GA算法進行頻譜分配，但算法仍然出現早熟收斂。文獻[5]利用FA算法求解離散頻率分配，收斂速度有所有升，但精度不足。TS、BA、WOA等算法[6-8]也都在頻譜分配中得到了應用。但是，已有算法較難在尋優(yōu)精度和收斂速度上取得均衡，無法確保尋得全局最優(yōu)。如文獻[9]中所使用的麻雀算法，發(fā)現者與加入者的常值比例設置無法平衡全局搜索與局部開發(fā)過程，而文獻[10]中的魚群算法中對于食物源的單牽引機制則可能使尋優(yōu)過程得局部極值點等。

蜉蝣優(yōu)化算法MOA是受蜉蝣飛行模式和雌雄個體交配過程的啟發(fā)，由Kons等提出的一種新型群智能算法[11]。與PSO、GWO、FA算法相比，MOA擁有更高的尋優(yōu)精度，也因此在光伏系統性能預測[12]、軸承故障診斷[13]、網絡社區(qū)發(fā)現[14]等領域得到了廣泛應用。然而，MOA算法依然存在易于陷入局部最優(yōu)、收斂速率慢和收斂精度低的不足。尤其求解復雜優(yōu)化問題時，算法全局搜索能力上依然顯示出不足。為此，本文將結合圖著色模型和改進蜉蝣優(yōu)化算法IMOA，提出新的認知車載網絡頻譜分配算法。利用反向學習、動態(tài)慣性權重、多階段動態(tài)擾動以及正余弦優(yōu)化交配機制提升蜉蝣優(yōu)化算法尋優(yōu)性能，利用啟發(fā)式搜索機制對頻譜分配方案作迭代尋優(yōu)。數值仿真結果驗證，改進算法實現了預期效果。

1 改進蜉蝣優(yōu)化算法：IMOA

1.1 蜉蝣優(yōu)化算法MOA

蜉蝣優(yōu)化算法MOA的種群由雌性蜉蝣和雄性蜉蝣組成。蜉蝣交配過程中，最優(yōu)個體雄性蜉蝣與最優(yōu)個體雌性蜉蝣交配后生成一個最優(yōu)子代；然后，次優(yōu)雄性個體與次優(yōu)雌性個體交配生成一個次優(yōu)子代，以此類推。通過這種優(yōu)勝劣汰機制，保留適應度較優(yōu)的個體，拋棄適應度較差的個體。算法的具體數學模型如下：

令蜉蝣i的位置xi=(xi，1，xi，2，…，xi，D)， 蜉蝣i的速度vi=(vi，1，vi，2，…，vi，D)，D為搜索空間維度。

(1)雄性蜉蝣位置更新

雄性蜉蝣易聚集成群，其位置更新根據自身經驗和鄰近個體位置進行調節(jié)。雄性蜉蝣位置更新方式為

xi(t+1)=xi(t)+vi(t+1)

(1)

式中：xi(t+1)、xi(t) 分別指迭代t+1次、t次時個體i的位置，vi(t+1) 指迭代t+1次時個體i的速度。由于蜉蝣會在水面上一定距離內表演舞蹈，其速度更新方式為

(2)

式中：vi，j(t+1)、vi，j(t) 分別指迭代t+1次、t次時個體i在維度j上的速度，xi，j(t) 指迭代t次時個體i在維度j上的位置，a1、a2為蜉蝣移動的正吸引系數，用于衡量認知和社會貢獻，g為慣性權重，gbest、pbest分別指全局最優(yōu)位置和個體的歷史最優(yōu)位置，β為控制蜉蝣可見范圍的能見度因子，d為舞蹈因子，用于控制吸引異性，r為[-1，1]間的隨機數，rp、rg分別指個體當前位置與pbest、gbest間的迪卡爾距離，計算方式為

(3)

(2)雌性蜉蝣位置更新

雌性蜉蝣與雄性蜉蝣不同，不易聚集成群，但會與雄性蜉蝣交配繁殖。雌性蜉蝣位置更新方式為

yi(t+1)=yi(t)+vi(t+1)

(4)

式中：yi(t+1)、yi(t) 分別指迭代t+1次、t次雌性個體i的位置，vi(t+1) 指迭代t+1次個體i的速度。雌性蜉蝣速度更新方式為

(5)

式中：rm為雌性個體與雄性個體的間距，計算方式同式(3)，fl為隨機游走因子。

(3)蜉蝣交配

MOA算法按照適應度等級實現雄性和雌性蜉蝣的交配，即最優(yōu)雄性個體與最優(yōu)雌性個體交配，次優(yōu)雄性個體與次優(yōu)雌性個體交配，依此類推。具體模型為

offs1=L×male+(1-L)×female

(6)

offs2=L×female+(1-L)×male

(7)

式中：L為[-1，1]間的隨機數，offs1、offs2對應交配后生成的子代蜉蝣，male為雄性蜉蝣，female為雌性蜉蝣。

1.2 改進蜉蝣優(yōu)化算法IMOA(Improved MOA)

1.2.1 精英反向學習初始化策略

對于智能群體優(yōu)化算法而言，高質量的初始種群分布于有利于加快算法尋找全局最優(yōu)解的速度。而標準MOA算法利用完全隨機化的方式生成初始種群分布，導致種群分布的多樣性缺失，降低了算法的尋優(yōu)精度和收斂速度。為此，改進算法IMOA引入精英反向學習生成MOA算法的初始種群，利用種群內精英個體包含利于算法尋優(yōu)的有效信息的特征，構造種群的反向解，并通過原始種群及其反向解的擇優(yōu)保留策略生成改進算法的初始種群，提高種群個體分布的質量和多樣性。

令蜉蝣個體i的位置xi=(xi，1，xi，2，…，xi，D)，i=1，2，…，N， 該個體為種群內的一個精英個體，定義個體位置的反向解為

xi，j′=δ·(lbj+ubj)-xi，j

(8)

當反向解產生越界時，即若xi，j′ubj時，處理方式為

xi，j′=rand(lbj，ubj)

(9)

式中：δ為隨機量，且δ∈[0，1]，xi，j為精英個體i在維度j的位置矢量，xi，j′為對應xi，j的反向解，j=1，2，…，D，lbj、ubj分別對應在j維度上的搜索下限和上限，且lbj=mini(xi，j)，ubj=maxi(xi，j)，rand(lbj，ubj) 為 (lbj，ubj) 內的隨機量。

基于精英反向學習的種群初始化過程如下：①通過MOA算法的隨機初始化方法生成規(guī)模為N的初始蜉蝣種群，命名為種群RP；②利用反向學習方法，生成種群RP中每個個體的反向解，構成反向種群OP；③合并RP和OP，生成規(guī)模為2N的新種群NP={RP∪OP}； ④對NP中的蜉蝣個體按照適應度進行升序排列，選擇適應度靠前的N個蜉蝣個體構成改進算法的初始種群。

1.2.2 動態(tài)慣性權重機制

對于MOA算法而言，無論雄性蜉蝣還是雌性蜉蝣，其位置更新過程都采用的是上一代蜉蝣位置的更新方式，如式(1)和式(4)所示。這種方式容易造成算法迭代晚期的局部收斂狀態(tài)。為此，改進算法IMOA引入動態(tài)慣性權重位置更新方式對其改進。對于蜉蝣種群而言，若慣性權重較大，可以擴展搜索區(qū)域，增強算法的全局尋優(yōu)速度；若慣性權重較小，可以提升算法的精細搜索能力，提升收斂精度。即：動態(tài)慣性權重能夠更好地均衡MOA算法的全局搜索與局部開發(fā)過程。為此，改進算法設計一種基于正弦函數的動態(tài)慣性權重更新機制，在前代蜉蝣位置的基礎上增加慣性權重因子，實現蜉蝣個體位置更新的偏好。

定義動態(tài)慣性權重為

(10)

式中：t為當前迭代，Tmax為算法的最大迭代次數。圖1是總迭代次數Tmax=100時動態(tài)慣性權重的變化示意圖。可見，慣性權重因子w(t)將算法迭代次數在[0，1]間呈非線性遞減。該方式摒棄標準MOA算法中雄性/雌性蜉蝣位置更新僅由上一代固定蜉蝣位置決定，通過在原位置上引入動態(tài)慣性權重，靈活地將更新位置與算法的迭代過程聯系起來。由此，在迭代早期，給予前代蜉蝣位置更大的權重，增強前代位置對當代位置的作用范圍，擴展蜉蝣種群在迭代早期的搜索范圍，提升算法廣泛性。而在迭代晚期，慣性權重非線性降低，逐步弱化前代位置的影響力，削弱前代位置的保留信息，使得算法具有更強的局部開采能力。此外，正弦函數的凹曲線也可以使得迭代過程不非線性方式更新慣性權重值，使得慣性權重的變化步長以非常量變化，進一步增強算法的局部尋優(yōu)能力。

圖1 動態(tài)慣性權重因子變化

將動態(tài)慣性權重引入MOA算法后，雄性蜉蝣的位置更新方式為

xi(t+1)=w(t)×xi(t)+vi(t+1)

(11)

而雌性蜉蝣的位置更新方式為

yi(t+1)=w(t)×yi(t)+vi(t+1)

(12)

1.2.3 雄性蜉蝣的多階段動態(tài)擾動

式(2)表明，雄性蜉蝣位置更新時，個體都受全局最優(yōu)解的牽引，導致雄性蜉蝣容易得到局部最優(yōu)，從而出現早熟收斂。為此，在改進算法IMOA中，將設計一種針對雄性蜉蝣的多階段動態(tài)擾動機制。具體地，根據方差可調正態(tài)隨機分布對全局最優(yōu)解進行變異擾動，得到變異解Xnewbest。所采用的具體變異方式可定義為

Xnewgbest=N(Xgbest，σ)

(13)

式中：σ為相對Xgbest的不確定度因子，定義為

(14)

式中：σ1、σ2為正態(tài)擾動半徑，σ1<σ2，α1、α2為控制半徑參數變化的因子，α1<α2。

圖2是設置Tmax=100，σ1=0.9，σ2=1×10-6，α1=0.4，α2=0.7時擾動半徑隨迭代次數變化的示意圖。擾動半徑將分3個階段進行動態(tài)更新。迭代前期，擾動半徑較大，針對最優(yōu)解的擾動更強烈，這樣可以得到變異性能明顯的新最優(yōu)解，以更大的牽引力吸引雄性蜉蝣朝最優(yōu)解移動，避免MOA算法在迭代早期僅向著固定位置靠攏生成局部最優(yōu)解。迭代中期，個體逐步收縮搜索全局最優(yōu)解的范圍，以線性遞減方式減小擾動頻率，使雄性蜉蝣朝最優(yōu)解更穩(wěn)定的漸進。而迭代末期，個體已經極度靠近最優(yōu)解，此時以固定且極小擾動半徑即可完成對最優(yōu)解的變異擾動，使算法能夠在有限范圍內進行精細開采。通過這種多階段動態(tài)擾動，不僅可以發(fā)揮雄性蜉蝣的引導作用，還可以有效避免搜索過程過早陷入局部最優(yōu)，提升算法全局尋優(yōu)能力。

圖2 擾動半徑σ的變化

1.2.4 基于正余弦優(yōu)化的蜉蝣交配機制

蜉蝣交配過程中，蜉蝣個體每個維度都會隨著迭代的進行而變小，搜索空間收縮，種群多樣性缺失，增加了陷入局部最優(yōu)的可能。為了改進蜉蝣交配方式，提升MOA算法的全局搜索能力，IMOA算法引入正余弦優(yōu)化對蜉蝣交配方式進行改進。正余弦算法SCA是一種可以根據正弦函數和余弦函數的數學特征和變化實現個體更新和目標尋優(yōu)的新型啟發(fā)式搜索算法[15]，其粒子更新方式為

(15)

式中：xbest，j為當前全局最優(yōu)解的j維位置，r1為振幅調節(jié)系數，r2∈[0，2π]、r3∈[-2，2]、r4∈[0，1] 均為分布隨機量。

在蜉蝣交配過程中，利用正余弦優(yōu)化機制生成子代個體。具體地，當前迭代過程中，最優(yōu)雄性個體與最優(yōu)雌性個體進行正弦計算得到子代offs1，而當前次優(yōu)雄性個體與次優(yōu)雌性個體進行余弦計算算法子代offs2。即：交叉運用正弦和余弦機制實現雌雄性個體的交配過程，然后由兩個子代交配結果進行蜉蝣的位置更新。以正余弦算法計算蜉蝣交配生成子代的方式為

offs1=xi(t)+r1·sinr2·|r3·xbest-yi(t)|

(16)

offs2=yi(t)+r1·cosr2·|r3·ybest-xi(t)|

(17)

式中：xi(t)、yi(t) 分別對應迭代t時的雄性和雌性蜉蝣個體，xbest、ybest分別對應當前迭代時種群的最優(yōu)雄性和雌性個體。

IMOA算法的執(zhí)行過程如圖3所示。

圖3 IMOA算法執(zhí)行流程

2 基于IMOA算法的認知車載網絡頻譜分配

2.1 圖著色認知車載網絡頻譜分配模型

認知車載無線網絡CR-VANET模型由路邊單元RU、K個主用戶、N個認知車載用戶組成，且K≤N，結構如圖4所示。假設現有M個可用頻段，即M條可用信道。通過頻譜感知，認知車載用戶獲取主用戶頻譜分配信息，并獲得可用頻譜。并將信息反饋至路邊單元RU，由RU完成頻譜分配。

圖4 認知車載無線網絡模型

基于圖著色模型的頻譜分配數學模型為：

(1)空閑頻譜矩陣L：L={ln，m|ln，m∈{0，1}}N×M，ln，m=1， 表明車載用戶n可用頻譜m；ln，m=0， 表明頻譜m對n不可用。

(2)效益矩陣B：B={bn，m}N×M，bn，m為車載用戶n使用頻譜m獲得的效益。若ln，m=0， 則bn，m=0。

(3)干擾約束矩陣C：C={cn，k，m|cn，k，m∈{0，1}}N×k×M，cn，k，m=1， 表明車載用戶n和主用戶k同時使用頻譜m時會產生通信干擾；cn，k，m=0， 表明不會產生干擾。

(4)無干擾分配矩陣A：A={an，m|an，m∈{0，1}}N×M，an，m=1， 表明頻譜m分配給車載用戶n使用；否則不分配。為了確保通信可靠，必須保證A與C兩個矩陣不沖突，則A必須滿足：若cn，k，m=1， 則an，m+ak，m≤1， 且n>0，N≥k，M>m。

(5)認知用戶效益R：R={βn}N×1，βn為在無干擾分配矩陣A中，車載用戶n在頻譜中的收益，計算為

(18)

則系統總效益UR為

(19)

(6)頻譜分配公平性Uf：用于衡量頻譜分配結果的公平性，定義為

(20)

2.2 種群編碼與干擾約束處理

認知車載用戶n在頻譜m上的數據傳輸速率定義為

(21)

其中，w為頻譜帶寬，ψ為用戶n的發(fā)射功率，hn，m為用戶n在頻譜m上的信道增益，σ2為噪聲方差，n=1，2，…，N，m=1，2，…，M。

若車載用戶感知到ln，m=0，cn，k，m=0，an，m=0， 表明m未接入主用戶，且對車載用戶可用，則車載用戶可接入該頻譜。結合數據傳輸速率和用戶收益，在保證A與C不沖突前提下，可得車載用戶收益為

(22)

則車載用戶頻譜分配問題即是以最大化用戶收益和分配公平性為目標，求解無干擾分配矩陣A。若對A中所有元素進行求解，則求解維度為N×M，維度過大會降低求解速度。由于僅在ln，m=1時，an，m才取值0或1。因此，需要對A進行降維，僅對L中取值為1的元素位置所對應的A的元素進行編碼來求解。

假設令車載用戶數N=4，可用頻段M=5，則矩陣L為4×5矩陣。假設L現有6個元素為1，按行/列順序依次對元素1所對應的A中元素進行編碼，得到編碼矢量X，X即為蜉蝣個體位置，如圖5所示。

分配矩陣A對應的編碼矢量長度D由L中元素取1的數量決定，即

(23)

2.3 利用IMOA算法求解認知車載網絡頻譜分配問題

結合1.2節(jié)改進蜉蝣優(yōu)化算法IMOA，設計一種認知車載網絡頻譜分配算法。每一只蜉蝣個體所在的位置即代表一個頻譜分配的侯選方案，算法的目標是搜索一個最優(yōu)的頻譜分配方案，即IMOA算法中的食物源所在位置。具體做法是：通過對蜉蝣位置的干擾約束處理，利用式(19)和式(20)評估蜉蝣個體位置的適應度，對最優(yōu)頻譜分配方案進行迭代搜索。算法具體步驟如下：

步驟1 生成矩陣。對空閑頻譜矩陣L、效益矩陣B和干擾約束矩陣C等3個矩陣進行初始化，記錄L中元素1所對應的車載用戶n和頻譜m，令矢量LL={(n，m)|ln，m=1}， 將LL中元素按n、m遞增排列，并按式(23)計算個體維度，得到蜉蝣個體所處位置的編碼長度；

步驟2 初始化算法種群和參數。初始化IMOA算法的參數：最大迭代數Tmax、雄雌性蜉蝣種群規(guī)模、蜉蝣移動正吸引系數a1和a2、能見度因子β、舞蹈因子d、半徑控制因子α1和α2、半徑參數σ1和σ2；根據精英反向學習機制初始化IMOA算法的種群{Xi}；

步驟3 干擾約束處理。將種群Xi映射為分配矩陣A，找到C中所有m滿足cn，k，m=1的n和k，檢查A中是否同時滿足an，m=1， 且ak，m=1， 若是，隨機選取an，m=0或ak，m=0， 另一個保持不變，再將A還原為個體位置矢量編碼；

步驟4 根據系統效益和分配公平性指標計算蜉蝣個體適應度，確定當前種群中的最優(yōu)個體及其適應度；

步驟5 根據式(10)更新慣性權重，針對雄性蜉蝣：比較雄性蜉蝣適應度與全局最優(yōu)適應度的關系，并根據式(11)更新雄性蜉蝣位置；針對雌性蜉蝣，比較雄性蜉蝣適應度與雌性蜉蝣適應度的關系，并根據式(12)更新雌性蜉蝣位置；

步驟6 根據適應度對雄性、雌性蜉蝣升序排列，根據式(16)、式(17)進行蜉蝣交配操作，并對位置進行二進制離散化處理；

步驟7 重復干擾約束處理，并更新所有蜉蝣個體的適應度；

步驟8 迭代結束？是，則輸出種群中的最優(yōu)蜉蝣個體，并解碼為無干擾分配矩陣映射，即為最優(yōu)頻譜分配方案，算法終止；否則，返回步驟4。

3 實驗仿真

3.1 實驗配置

實驗平臺為Matlab 2019a。IMOA算法的相關參數中，最大迭代數Tmax=500，種群規(guī)模NP=30，雄性和雌性蜉蝣各占種群總數的50%，正吸引系數a1=1、a2=1.5，能見度因子β=2，舞蹈因子d=5，半徑控制因子α1=0.4、α2=0.7，半徑參數σ1=0.9、σ2=1×10-6。車載網絡參數中，主用戶干擾半徑為2 km，車載用戶均速為4 m/sec，頻譜帶寬為1000 Hz，車載用戶發(fā)射功率為0.05 W，車載用戶信道增益hn，m服從均值為1的泊松分布，噪聲方差σ2為10-5。選擇灰狼優(yōu)化算法GOA[2]、改進鯨魚優(yōu)化算法IWOA[8]和標準蜉蝣優(yōu)化算法MOA[9]進行性能對比。

3.2 IMOA算法的數值仿真測試

為了驗證IMOA算法的尋優(yōu)精度和收斂速度，先選取以下4個基準函數對其進行測試

4個基準函數的相關屬性見表1。

表1 基準函數的屬性說明

表2是4種算法10次實驗的平均尋優(yōu)結果。可見，IMOA算法比3種對比算法明顯具有更好的尋優(yōu)結果，尋優(yōu)成功率是100%，在4種基準函數上都可以尋找到最優(yōu)值。標準方差值指標用于衡量算法尋優(yōu)的穩(wěn)定性，由于4種基準函數具有不同的特征，IMOA算法得到了最小的標準方差值，說明算法能夠更穩(wěn)定地在這些函數上進行搜索，找到最優(yōu)解。圖5是算法在基準函數上的尋優(yōu)收斂曲線。f1和f2是單模態(tài)函數，意味著整個搜索范圍內的最優(yōu)解具有單一性，能針對性檢測算法的尋優(yōu)收斂能力；f3和f4是多態(tài)函數，如果算法尋優(yōu)能力不足，易于落入局部最優(yōu)解上，故能夠更好地檢測算法是否具備跳離局部極值的能力。從500次迭代后的最終尋優(yōu)精度上看，IMOA算法的收斂精度明顯高于對比算法。在兩個單模態(tài)函數上，IMOA算法在迭代后期能夠更快速逼近最優(yōu)解，而對比算法大部分已經停滯，說明算法采用的多階段動態(tài)擾動以及正余弦優(yōu)化交配機制在標準MOA算法的尋優(yōu)精度和速度上具有可行性。而在多模態(tài)函數上，收斂曲線與單模態(tài)函數具有明顯的不同，多數曲線顯現階梯狀，這是由于多模態(tài)函數具有多個波峰。IMOA明顯可以更快搜索到最優(yōu)區(qū)域，在相同迭代次數，精度顯明高于對比算法。在f3上，GOA和MOA算法較快就落入局部極值點，曲線一直較為平緩，沒有搜索精度的漸進。IMOA算法具有跳離局部極值的能力，曲線下墜速度較快。f4函數屬于低維度函數，收斂曲線存在多個拐點，具有明顯跳躍特征，說明IMOA算法具有較好的跳離局最優(yōu)解的能力。

3.3 頻譜分配性能實驗測試

圖6是進行500次迭代時，以車載用戶數N=10和可用頻譜數M=10進行實驗得到的車載網絡吞吐量變化曲線圖。可見，在逐步迭代過程中，IMOA得到了最大吞吐量，同時該算法可以更快收斂，說明算法在搜索最優(yōu)網絡頻譜分配方案時的尋優(yōu)精度是最高的。對比算法中，IWOA優(yōu)于MOA，而MOA優(yōu)于SSA和GOA，但MOA的收斂速度略早于IWOA。對比算法無法求得更好的頻譜分配方案而得到更高的網絡吞吐量，說明算法已經陷入局部最優(yōu)解處并且收斂。該結果也驗證本文設計的IMOA算法所利用的反向學習、動態(tài)慣性權重、多階段動態(tài)擾動以及正余弦優(yōu)化交配機制對于蜉蝣優(yōu)化算法的尋優(yōu)精度和速度具有明確的效果，使得在頻譜分配求解上得到了預期結果。

圖6 網絡吞吐量

分別設置車載用戶數和可用頻譜數N=M=10進行實驗。圖7、圖8是在40次不同的主用戶和認知車載用戶分布情況下，每次實驗中的網絡吞吐量和認知用戶公平性指標。結果表明，IMOA算法基本在每次實驗中都可以得到5種算法中最大網絡效益和認知用戶接入公平性，說明算法具有較好的穩(wěn)定性，對比算法均無法做到同時在吞吐量指標和用戶公平性方面的同步最優(yōu)。

圖7 不同頻譜環(huán)境下的網絡吞吐量

圖9、圖10通過改變可用頻譜數來計算算法的吞吐量和公平性，同時設置車載用戶數N=10不變，M以步長5遞增，并取值于[10，40]之間。從圖中的結果可以看到，可用頻譜數越多，網絡效益和公平性越佳，原因在于：對于認知車載網絡而言，頻譜資源越多，則可供認知用戶有效接入的機會越多，認知用戶與主用戶和認知用戶與認知用戶之間發(fā)生干擾的概率也越小。同時，IMOA得到的網絡吞吐量和與公平性指標大于另外4種算法，驗證IMOA算法在進行認知車載網絡中頻譜分配具有可行性。

圖9 不同可用頻譜下的網絡吞吐量

圖11和圖12分析車載用戶數變化時，算法的吞吐量和公平性指標結果。保持可用頻譜數M=10，N以步長5遞增，并取值于[10，40]之間。從圖中的結果可以看到，認知車載用戶數越多，網絡效益和公平性會變得越小，原因在于：對于認知車載網絡而言，當可用頻譜資源固定不變時，增加用戶數會導致網絡負載增大，認知用戶與主用戶和認知用戶與認知用戶之間發(fā)生干擾的概率也會增大。5種算法中，本文的IMOA算法可以得到最優(yōu)的網絡吞吐量和公平性，驗證改進策略是有效可行的。

圖11 不同認知車載用戶數下的網絡吞吐量

4 結束語

針對傳統認知車載網絡頻譜分配效率低、速度慢的不足，提出基于改進蜉蝣優(yōu)化算法的頻譜分配算法。以反向學習、動態(tài)慣性權重、多階段動態(tài)擾動以及正余弦優(yōu)化交配機制提升標準蜉蝣算法的尋優(yōu)精度和速度；將頻譜分配變量映射為蜉蝣位置信息，并以網絡吞吐量和接入公平性作為評估位置的適應度函數，利用改進蜉蝣優(yōu)化算法對頻譜分配方案進行迭代尋優(yōu)。結果表明，所提算法較好解決了認知車載網絡中的頻譜分配問題，得到的頻譜分配方案具有更高的網絡效益和用戶接入公平性。