一种膜结构下的认知无线电系统参数优化方法

摘要

本发明涉及一种通过膜结构下的混合量子雁群方法来实现同时使认知无线电系统最小化发射功率、最小化比特错误率和最大化数据速率达到最优的一种膜结构下的认知无线电系统参数优化方法。本发明包括：确定膜结构；产生量子位置和速度；将系统参数与混合位置一一对应；更新速度和量子位置；映射成系统参数，计算适应度值；更新每只大雁的局部最优混合位置和全局最优混合位置；对全局最优混合位置进行更新；把整个量子雁群的所有大雁所经历的全局最优混合位置映射为系统参数，从表层膜输出。本发明解决了离散和连续参量混合的系统参数优化问题，并设计膜结构下的混合量子雁群方法作为求解策略，所设计的方法具有收敛精度高和收敛速度快的优点。

主权项

一种膜结构下的认知无线电系统参数优化方法，其特征在于：（1）确定膜结构，由表层膜0和基础膜1，2，…，M构成，有M个基础膜包含在标号为0的表层膜的膜结构记作[₀[₁]₁[₂]₂…[_M]_M]₀；（2）产生量子雁群中大雁的量子位置和速度：把第i只大雁速度的前l₁维速度始化为i＝1,2,…,P，后N维速度的初始值在[‑0.1，0.1]之间产生，l＝l₁+N，N为子载波总数，P为量子雁群所包含大雁数，对第i只大雁的量子位置测量得到的混合位置为对于前l₁维，1≤j≤l₁；对于后N维，l₁+1≤j≤l，混合位置对应的系统参数为$y_i^t=(y_{i1}^t,y_{i2}^t,···,y_{i,2N}^t);$（3）将系统参数通过简单编码规则与大雁的混合位置一一对应：为第i只大雁混合位置，i＝1,2,…,P，$y_i^t=(y_{i1}^t,y_{i2}^t,···,y_{\mathrm{iN}}^t,y_{i(N+1)}^t,···,y_{i,2N}^t)$为其对应的系统参数，是由取值{0,1}的二进制数构成的l₁维向量，可映射为N个子载波调制方式，为第j个子载波的调制阶数，为第j个子载波的发射功率，根据通信模式要求设置权重组合，得到适应度函数为3个权值的关系为w₁+w₂+w₃＝1，0≤w₁≤1，0≤w₂≤1，0≤w₃≤1；f_z(y)(1≤z≤3)被归一化到[0,1]之间，N为系统的子载波数，构造的最小化发射功率、最大化数据速率和最小化比特错误率的归一化最大值优化的表达式分别为：$f_1\left(y_i^t\right)=1-\frac{\bar{p}}{p_{\max }}=1-\frac{\frac{1}{N}\underset{j=1}{\overset{N}{\Sigma }}{y}_{i(j+N)}^t}{p_{\max }},f_2\left(y_i^t\right)=\frac{\frac{1}{N}\underset{j=1}{\overset{N}{\Sigma }}{\log }_2\left(y_{\mathrm{ij}}^t\right)-{\log }_2{M}_{\min }}{{\log }_2{M}_{\max }-{\log }_2{M}_{\min }},f_3\left(y_i^t\right)=1-\frac{{\log }_{10}0.5}{{\log }_{10}{\bar{p}}_{\mathrm{be}}},$式中是N个子载波的平均发射功率，p_max是最大发射功率；是平均误比特率,是N个子载波支路发射功率和调制阶数的函数；M_max是最大调制阶数,M_min是最小调制阶数；把每只大雁的混合位置影射为系统参数，根据适应度函数进行适应度计算，评价所找到混合位置的优劣，在第t次迭代第i只大雁的混合位置根据其映射的系统参数的适应度函数进行评价，其值越大，混合位置越优秀；第i只大雁所经历的局部最优混合位置为把P只大雁均匀分配到M个基础膜中，第k（k＝1,2,…,M）个基础膜中所有大雁所经历过的最优混合位置记作所有大雁所经历的全局最优混合位置记作初始时设t＝0；（4）在基础膜更新每只大雁的速度和量子位置：在第k个基础膜中第i只大雁的第j维的速度在t+1次迭代为：第j维量子位使用模拟量子旋转门更新为其中，1≤i≤P，1≤j≤l₁；为速度代表量子旋转门的角速度；常数c₁、c₂和c₃分别表示第i只大雁所经历的局部最优混合位置、第k个基础膜内的最优混合位置和所有大雁所经历的最优混合位置对速度更新的影响程度，取值为小于0.1的常数；第i只大雁的第j维混合位置通过对量子位置进行测量得到，即$x_{\mathrm{ij}}^{t+1}=\left\{\begin{array}{cc}1,& {\mu }_{\mathrm{ij}}^{t+1}>{\left(u_{\mathrm{ij}}^{t+1}\right)}^2\\ 0,& {\mu }_{\mathrm{ij}}^{t+1}\le {\left(u_{\mathrm{ij}}^{t+1}\right)}^2\end{array}\right.,$为均匀分布在[0，1]间的随机数，k＝1,2,…,M；在第k个基础膜中第i只大雁的第j维速度在t+1次迭代为：$v_{\mathrm{ij}}^{t+1}=c_4{r}_1(q_{\mathrm{ij}}^t-x_{\mathrm{ij}}^t)+c_5{r}_2(q_{\mathrm{gj}}^t-x_{\mathrm{ij}}^t)+c_6{r}_3(m_{\mathrm{kj}}^t-x_{\mathrm{ij}}^t),$第j维量子位在t+1次迭代更新为l₁+1≤j≤l，若超出[‑0.1，0.1]的边界，限制到边界，c₄、c₅和c₆分别为表征大雁的局部最优混合位置、全局最优混合位置和膜内平均局部最优混合位置对速度更新影响程度，r₁、r₂和r₃是[0，1]间的均匀随机数，是在第k个基础膜中所有大雁局部最优混合位置的第j维位置的均值；（5）对于每只大雁的混合位置，映射成系统参数，计算适应度值，适应度函数为w₁+w₂+w₃＝1，0≤w₁≤1,0≤w₂≤1,0≤w₃≤1，i＝1,2,…,P；（6）更新每只大雁的局部最优混合位置和全局最优混合位置：对于第i只大雁，到现在为止所经历的最优混合位置记为i＝1,2,…,P；在第k个基础膜，所有大雁所经历过的基础膜内最优混合位置记作k＝1,2,…,M，全局最优混合位置就是整个雁群到现在为止所经历的适应度值最大的混合位置；（7）各基础膜和表层膜进行信息交流，把所有基础膜中的最优混合位置传递给表层膜，在表层膜比较每个基础膜传递来的最优混合位置信息，对全局最优混合位置进行更新，并把全局最优混合位置传回基础膜；（8）如果没有达到最大迭代代数，令t＝t+1，返回步骤（4）继续迭代；否则，迭代终止，执行步骤（9）输出全局最优混合位置；（9）把整个量子雁群的所有大雁所经历的全局最优混合位置映射为系统参数，从表层膜输出。