于 洋,譚學治,殷 聰,張 闖,馬 琳
(哈爾濱工業(yè)大學電子與信息工程學院,150080 哈爾濱)
基于二進制混沌粒子群算法的認知決策引擎
于 洋,譚學治,殷 聰,張 闖,馬 琳
(哈爾濱工業(yè)大學電子與信息工程學院,150080 哈爾濱)
為了解決不同通信模式下認知無線電發(fā)射機參數(shù)合理優(yōu)化的問題,提出了一種基于二進制混沌粒子群算法(BCPSO)的認知決策引擎,該引擎利用粒子群優(yōu)化算法收斂速度快和混沌運動全局遍歷性的特點,使認知決策在多目標優(yōu)化過程中有效地擺脫了局部極值點,提高了參數(shù)優(yōu)化的精度和穩(wěn)定性.基于認知正交頻分復(fù)用(OFDM)系統(tǒng)的仿真結(jié)果表明,相對于現(xiàn)有認知引擎,該引擎具有平均適應(yīng)度值高、對不同通信模式魯棒性強的特點,實現(xiàn)了有效優(yōu)化發(fā)射機參數(shù)的目的.
認知無線電;認知決策引擎;多目標優(yōu)化;二進制混沌粒子群算法
為了能夠高效地利用無線電頻譜資源,認知無線電(cognitive radio,CR)技術(shù)應(yīng)運而生[1-2].美國聯(lián)邦通訊委員會(FCC)更確切地把CR定義為基于與操作環(huán)境交互的、能動態(tài)改變其發(fā)射機參數(shù)的無線電,其具有環(huán)境感知和傳輸參數(shù)自我調(diào)整的功能.在不同通信模式下,如何合理有效地優(yōu)化發(fā)射機參數(shù)以滿足不同服務(wù)質(zhì)量(quality of service,QoS)要求,是認知決策引擎的主要任務(wù).CR通過認知決策引擎制定最優(yōu)傳輸策略以匹配信道當前狀態(tài),從而實現(xiàn)高效可靠的無線傳輸.
近些年,認知決策引擎的設(shè)計問題得到了越來越多的關(guān)注[3-10].認知決策引擎需具備一定的智能性,因此各種人工智能(artificial intelligence,AI)技術(shù)被引入到其設(shè)計中.因其固有的并行計算能力和良好的可擴展性,遺傳算法(genetic algorithm,GA)被認知決策引擎大量采用[3-6].模糊邏輯(fuzzy logic,F(xiàn)L)因其可進行模糊綜合判斷,也被應(yīng)用到認知決策引擎的設(shè)計中[7].為了克服GA早熟等缺點,文獻[8]提出了一種基于二進制粒子群(binary particle swarm optimization,BPSO)算法的認知決策引擎.通過量子理論改進算法,文獻[9]提出了一種基于二進制量子粒子群(binary quantum particle swarm optimization,BQPSO)算法的認知決策引擎.針對認知單載波頻域均衡(singlecarrierfrequencydomain equalization,SC-FDE)系統(tǒng),文獻[10]提出了一種適用于SC-FDE認知決策引擎的速率控制和自適應(yīng)調(diào)制編碼的聯(lián)合算法.本文提出了一種二進制混沌粒子群(binary chaotic particle swarm optimization,BCPSO)算法,并將該算法引入到認知正交頻分復(fù)用(orthogonal frequency division multiplexing,OFDM)系統(tǒng)的認知決策引擎中.由于利用了混沌系統(tǒng)的遍歷性,基于BCPSO的認知決策引擎改善了參數(shù)優(yōu)化的精度和魯棒性.
粒子群(particle swarm optimization,PSO)算法于1995 年提出[11-12].因該算法具有收斂速度快、魯棒性好、簡單易于實現(xiàn)等優(yōu)點,目前已在函數(shù)優(yōu)化、信號處理、模式識別等領(lǐng)域得到了廣泛應(yīng)用.PSO算法將每個個體視為D維搜索空間中的一個沒有體積和質(zhì)量的粒子(particle).該粒子具有自學習和社會學習的能力.通過每個粒子對自身速度和位置的逐代更新,最終整個種群在搜索空間中找到全局最優(yōu)解.
假設(shè)某種群中有I個粒子,第i個粒子在D維空間的第k次迭代后速度和位置分別表示為=[,…,]和=[,v,…,v].粒子的速度和位置更新公式為
式中:w是慣性權(quán)重,體現(xiàn)了速度本身的記憶性;c1,c2分別是自學習因子和社會學習因子,為使算法收斂;0 < c1,c2< 2;r1,r2是2 個介于[0,1]之間服從均勻分布的隨機數(shù);粒子i在第d維第k次迭代后經(jīng)歷過的最優(yōu)位置由表示,整個種群在第d維第k次迭代后經(jīng)歷過的最優(yōu)位置為
為了解決離散空間中目標優(yōu)化的問題,PSO算法的離散二進制形式——BPSO算法被提出[13].該算法速度更新公式不變,如式(1)所示.但其位置由于被離散化為0或1,相應(yīng)的更新公式需做以下調(diào)整:
式中:ξ是介于[0,1]之間服從均勻分布的隨機數(shù),S(v)為將連續(xù)取值的速度離散化為0或1的Sigmoid函數(shù)
本文提出的二進制混沌粒子群算法由于吸收了混沌系統(tǒng)具有的全局遍歷性的優(yōu)點,因此提高了優(yōu)化算法的效率.BCPSO算法采用的混沌系統(tǒng)為Logistic方程:
式中:μ為控制參數(shù),m為混沌迭代次數(shù),Z=[z0,z1,…,zm]為混沌序列矢量.若控制參數(shù) μ=4,且初值 z0∈[0,1],則系統(tǒng)完全處于混沌狀態(tài),且所有混沌變量均介于[0,1]之間.
圖1 第i個粒子的二進制編碼
在BCPSO算法中,粒子的維度E應(yīng)等于可調(diào)決策變量的個數(shù).假設(shè)存在3個可調(diào)決策變量,則粒子的維度為三維.此時,粒子i由3個決策變量xi1,xi2和xi3組合而成,其二進制編碼如圖1所示.若E個決策變量經(jīng)二進制編碼后其長度分別為li1,li2,…,liE,則搜索空間的維度 D 為
BCPSO算法在混沌優(yōu)化時,需進行如下的映射和逆映射處理:
BCPSO算法具體實現(xiàn)流程如下:
1)初始化算法參數(shù)和種群.初始化的參數(shù)包括最大迭代次數(shù)K、慣性權(quán)重w、學習因子c1和c2.初始化種群即隨機產(chǎn)生I個粒子的D維位置初矢量=[,,…,x]和 速 度 初 矢 量位置初矢量的每個元素均是0或1.粒子i的最優(yōu)位置設(shè)為
3)根據(jù)式(1)和(2)分別對粒子的速度和位置進行更新.對更新后的位置進行二進制譯碼,得到E個決策變量的實數(shù)值.計算種群的適應(yīng)度值,如果粒子 i的適應(yīng)度值優(yōu)于 FLbesti,則將此時粒子i的位置設(shè)為粒子i的最優(yōu)位置,同時更新FLbesti;如果此時種群的適應(yīng)度最大值優(yōu)于FBest,則該最大值所對應(yīng)的位置設(shè)為全局最優(yōu)位置同時更新全局最優(yōu)值FBest.
5)混沌優(yōu)化.根據(jù)式(5)進行混沌迭代,得到混沌矢量序列Ht(1≤t≤m).然后根據(jù)式(8)將Ht(1≤ t≤ m)逆映射回 E個決策變量的實數(shù)值矢量計算適應(yīng)度值,同時對其進行二進制編碼,得到原搜索空間的m個矢量若m個矢量的適應(yīng)度最大值優(yōu)于FBest,則將全局最優(yōu)位置]更新為對應(yīng)于該適應(yīng)度最大值的矢量,F(xiàn)Best更新為該適應(yīng)度最大值.用隨機取代當前種群的一個粒子i的位置.
6)判斷是否達到最大迭代次數(shù)K:若未達到K,則返回執(zhí)行3);若達到K,算法結(jié)束.
上述算法流程中步驟1)~3)與標準PSO算法相同.但通過步驟4)~5),BCPSO算法引入了混沌優(yōu)化過程,該過程改善了原PSO算法跳離局部極值的能力,有效提高了算法精度.
認知決策引擎進行決策的實質(zhì)可以描述為:利用智能優(yōu)化算法合理調(diào)整可調(diào)發(fā)射機參數(shù),以達到某種性能組合的最理想實現(xiàn).即該過程實質(zhì)上是多目標優(yōu)化問題.
假設(shè)認知無線電中有E個可調(diào)決策變量r=ri(i=1,2,3,…,E)和 λ 個目標函數(shù) f=[f1,f2,…,fλ].任何不同表達形式的多目標函數(shù)優(yōu)化問題都可以轉(zhuǎn)化成統(tǒng)一的表達形式,且通過將所有目標聚集可把多目標優(yōu)化問題轉(zhuǎn)換為單目標問題[14]:
式中ωi,(1≤i≤λ)為介于[0,1]之間的權(quán)重系數(shù),且需滿足如下關(guān)系:
權(quán)重系數(shù)ωi反映了不同QoS的服務(wù)對各目標函數(shù)的偏重程度.如當終端處于省電模式下,相應(yīng)于最小化功率的權(quán)重系數(shù)ωi就應(yīng)該設(shè)置為最大;再如當用戶在觀看多媒體時,相應(yīng)于最大化吞吐量的權(quán)重系數(shù)ωi應(yīng)該設(shè)為最大.可以說,權(quán)重系數(shù)決定了認知決策引擎的優(yōu)化方向.因此,認知系統(tǒng)工作模式的切換可以通過調(diào)整權(quán)重系數(shù)加以實現(xiàn).通過不同權(quán)重系數(shù)的設(shè)置,可以測試并分析在不同通信模式下認知決策引擎的性能.
利用二進制混沌粒子群算法提出的BCPSO算法,可根據(jù)式(9)搜索到最優(yōu)適應(yīng)度值及其對應(yīng)的發(fā)射機參數(shù)組合.我們將該發(fā)射機參數(shù)組合稱為最優(yōu)傳輸方案.認知決策引擎決策出最優(yōu)傳輸方案,并將該方案傳遞給認知系統(tǒng)硬件加以實施.
本文的仿真結(jié)果均是基于認知OFDM系統(tǒng)得到的.該仿真系統(tǒng)的具體參數(shù)如表1所示.該系統(tǒng)發(fā)射功率值共有64個,二進制編碼后由6個比特組成;調(diào)制方式4種,由2個比特組成.這樣一個子載波由8比特組成,32個子載波共計有256個比特.即粒子維度D=256.
表1 認知OFDM系統(tǒng)參數(shù)
每個子載波有2個決策變量:調(diào)制方式和功率.這樣32個子載波共有64個決策變量,即E=64.背景噪聲為加性高斯白噪聲,噪聲功率-60 dbm,路徑損耗60 dB.假設(shè)仿真系統(tǒng)的目標函數(shù)分別為最小化發(fā)射功率、最小化誤碼率(bit error rate,BER)和最大化吞吐量.各目標函數(shù)歸一化表達式為
將式(11)~(13)表示的目標函數(shù)聚集為如下單目標函數(shù):
式中f即為適應(yīng)度函數(shù),其反映了系統(tǒng)對發(fā)射功率、誤碼率和吞吐量的綜合需求,用以評價發(fā)射參數(shù)優(yōu)化配置的好壞.
假設(shè)認知OFDM系統(tǒng)工作在以下3種模式:低功耗模式、緊急模式和多媒體模式.3種通信模式相應(yīng)的權(quán)重系數(shù)如表2所示.在表2的低功耗模式下,系統(tǒng)對發(fā)射功率的要求較高,為此,反映功率的子目標函數(shù)fmin-power的權(quán)重系數(shù)ω1被設(shè)為最大,為0.8;同理,緊急模式和多媒體模式分別對反映誤碼率的子目標函數(shù)fmin-BER的權(quán)重系數(shù)ω2和反映吞吐量的子目標函數(shù)fmax-throughput的權(quán)重系數(shù)ω3設(shè)為最大.
文中提出的BCPSO算法的具體參數(shù)如表3所示.為了進行性能對比,文中也對分別基于GA[3]、BPSO 算法[8]和 BQPSO 算法[9]的認知引擎進行了仿真.其中GA采用輪盤賭選擇,單點交叉,交叉概率為0.6,變異概率為0.001.而BPSO算法和BQPSO算法的參數(shù)與表3所示的前7列一致.
表2 3種通信模式的權(quán)重系數(shù)
表3中粒子維度D的取值與決策變量個數(shù)及取值個數(shù)有關(guān),慣性權(quán)重w、自學習因子c1、社會學習因子c2的選取均為PSO算法的經(jīng)典取值,混沌控制參數(shù)μ取值為4可以保證混沌系統(tǒng)完全處于混沌狀態(tài).種群大小I、最大迭代次數(shù)K和混沌最大迭代次數(shù)m其取值與具體系統(tǒng)要求有關(guān).若系統(tǒng)對實時性要求很高,則上述3個參數(shù)應(yīng)取較小值;反之,當系統(tǒng)對實時性不敏感,而對適應(yīng)度性能要求較高時,則上述參數(shù)可取較大值以保證性能要求.對仿真系統(tǒng)的實時性和性能要求進行折中,從而確定表3中種群大小I、最大迭代次數(shù)K和混沌最大迭代次數(shù)m的相應(yīng)取值.粒子速度最大值Vmax=4為仿真經(jīng)驗值.另外,最大迭代次數(shù)K的選取需要通信的雙方相互反饋確定.離線狀態(tài)下進行系統(tǒng)仿真,可得到一次迭代的時間代價,認知無線電系統(tǒng)將這一參數(shù)存儲到CR知識庫中.在線狀態(tài)時,認知系統(tǒng)通過信道認知引擎感知到當前信道的信道相干時間等狀態(tài)信息,并將該信息傳遞給認知決策引擎.認知決策引擎根據(jù)獲得的信道相干時間和CR知識庫提供的一次迭代的時間代價,據(jù)此確定最大迭代次數(shù)K的取值.由于信道認知引擎和CR知識庫超出了文中研究范疇,相關(guān)具體內(nèi)容可參見文獻[16].
表3 BCPSO算法參數(shù)
表4給出了在3種通信模式下,通過基于BCPSO的認知決策引擎優(yōu)化后的平均發(fā)射機參數(shù).如表4所示,在低功耗模式下,認知決策引擎通過減小平均發(fā)射功率的方式以保證用戶功耗達到最低.在緊急模式下,為了保證系統(tǒng)的高可靠性傳輸,需使系統(tǒng)平均BER達到最小.為此,認知決策引擎通過提高發(fā)射功率和降低調(diào)制階數(shù)的方式加以實現(xiàn).在多媒體模式下,為使系統(tǒng)平均吞吐量達到最大,認知決策引擎使平均調(diào)制階數(shù)達到最大.由此可見,通過改變目標函數(shù)中的權(quán)重系數(shù),文中提出的認知決策引擎可以沿著不同的方向進行優(yōu)化,以保證不同通信模式不同QoS服務(wù)的實際需求.
表4 3種通信模式下的BCPSO的平均發(fā)射機參數(shù)
圖2~4分別給出了低功耗模式、緊急模式和多媒體模式下4種算法的平均歸一化適應(yīng)度值性能曲線.在上述 3種通信模式下,每種算法經(jīng)1 000次迭代后的平均適應(yīng)度值如表5所示.不同算法的收斂性能如表6所示.
圖2 低功耗模式下性能對比
表5 3種通信模式下的平均適應(yīng)度值
如圖2和表5所示,低功耗模式下,在算法精度方面,提出BCPSO算法最好,以下依次為BPSO算法、GA和BQPSO算法.BCPSO算法的平均適應(yīng)度值為0.907,高過次優(yōu)的BPSO算法 0.011.如圖2和表6所示,在收斂性方面,BQPSO算法在155次迭代后即收斂,但由于其適應(yīng)度值較差,可以看出BQPSO算法出現(xiàn)了“早熟”現(xiàn)象.除了BQPSO算法,文中提出的BCPSO算法的收斂速度明顯比GA和BPSO算法更快.
如圖 3和表 5所示,緊急模式下,提出BCPSO算法在精度方面有顯著優(yōu)勢.此時該算法的平均適應(yīng)度值為0.773,高過次優(yōu)的GA 0.01.如圖3和表6所示,除“早熟”的BQPSO算法外,BPSO算法收斂最快,其次BCPSO算法,最差的是GA.BCPSO算法精度性能的優(yōu)勢是以犧牲部分收斂性能為代價的.
表6 3種通信模式下的收斂性能
圖3 緊急模式下性能對比
圖4 多媒體模式下性能對比
如圖4和表5所示,在多媒體模式下,在算法精度方面,提出 BCPSO算法最好,以下依次為BPSO算法、GA和BQPSO算法.但前3者的平均適應(yīng)度值非常接近.如圖4和表6所示,不考慮“早熟”的BQPSO算法,文中提出的BCPSO算法收斂性能不如GA和BPSO算法.
綜合上述分析,在3種不同通信模式下,雖然文中提出的BCPSO算法有時收斂性能不是最好,但其以犧牲部分收斂性能為代價,換來了精度的提高.此外,3種通信模式下,該算法的精度性能始終保持最高,也體現(xiàn)了算法自身較強的魯棒性.這表明文中提出的BCPSO算法和基于該算法的認知決策引擎能夠保證認知OFDM系統(tǒng)在不同通信模式下高效可靠地自適應(yīng)傳輸.
本文首先提出了一種新型智能優(yōu)化算法,稱為BCPSO算法.在此基礎(chǔ)上,提出了基于BCPSO的認知決策引擎.該引擎吸收了混沌理論的全局遍歷性,使其在多目標優(yōu)化過程中擺脫了局部極值的不利影響,有效提高了優(yōu)化性能.由基于認知OFDM系統(tǒng)的仿真結(jié)果可以看出,本文提出的認知決策引擎能夠高效地對發(fā)射機參數(shù)進行優(yōu)化配置.其優(yōu)化的適應(yīng)度值更高,且針對不同通信模式其魯棒性也更好.這表明本文提出的認知決策引擎能夠滿足認知系統(tǒng)對發(fā)射機參數(shù)合理優(yōu)化的需求.
[1]MITOLA J,MAGUIRE G.Cognitive radio:making software radios more personal[J].IEEE Personal Communications Magazine,1999,6(4):13-18.
[2]MITOLA J. Cognitive radio forflexible mobile multimedia communications[C]//Proceedings of IEEE International Workshop on Mobile Multimedia Communications’99.San Diego:IEEE,1999:3-10.
[3]RIESER C J.Biologically inspired cognitive radio engine model utilizing distributed genetic algorithm for secure and robust wireless communications and networking[D].Blacksburg:Virginia Polytechnic Institute and State University,2004:35-57.
[4]RIESER C J,RONDEAU T W,BOSTIAN C W,et al.Cognitive radio testbed:further details and testing of distributed genetic algorithm based cognitive engine for programmable radios[C]//Proceedings ofIEEE Military Communication Conference.Monterey:IEEE,2004:1437-1443.
[5]AYMAN A E,MAHAMOD I,MOHD A M A,et al.Development of a cognitive radio decision engine using multi-objective hybrid genetic algorithm [C]//Proceedings of the 2009 IEEE 9th Malaysia International Conference on Communications.Kuala Lumpur:IEEE,2009:343-347.
[6]WU Di,WANG Feng,YANG Shengyao.Cognitive radio decision engine based on priori knowledge[C]//Proceedings of the 3rd International Symposium on Parallel Architecture, Algorithm and Programming.Dalian:Conference Publishing Services(CPS),2010:255-259.
[7]KHEDR M,SHATILA H.A cognitive radio approach for WiMAX systems[C]//Proceedings of the 7th IEEE/ACS InternationalConference on Computer Systems and Applications.Rabat:IEEE,2009:550-554.
[8]趙知勁,徐世宇,鄭仕鏈,等.基于二進制粒子群算法的認知無線電決策引擎[J].物理學報,2009,58(7):5118-5125.
[9]張靜,周正,高萬鑫,等.基于二進制量子粒子群算法的認知無線電決策引擎[J].儀器儀表學報,2011,32(2):451-456.
[10]YU Yang,TAN Xuezhi,CHI Yonggang,et al.A joint rate control and AMC algorithm for adaptive transmission systems[J].Journal of Harbin Institute of Technology(New Series),2013,20(2):12-16.
[11]EBERHART R,KENNEDY J.A new optimizer using particle swarm theory[C]//Proceedings of the 6th IEEE International Symposium on Micro Machine and Human Science.Piscataway:IEEE,1995:39-43.
[12]KENNEDY J,EBERHART R.Particle swarm optimization[C]//Proceedings of IEEE International Conference on Neural Networks.Perth:IEEE,1995:1942-1948.
[13]KENNEDY J,EBERHART R.A discrete binary version ofthe particle swarm algorithm [C]//ProceedingsofIEEE InternationalConference on Computational Cybernetics and Simulation.Orlando:IEEE,1997:4104-4108.
[14]鄭金華.多目標進化算法及其應(yīng)用[M].北京:科學出版社,2007:2-10.
[15]GOLDSMITH A. WirelessCommunications[M].Cambridge:Cambridge University Press,2005:130 -131.
[16]于洋,譚學治.基于信道分類和自適應(yīng)調(diào)制編碼的認知無線電決策引擎[J].電子與信息學報,2014,36(2):371-376.
Cognitive decision engine based on binary chaotic particle swarm optimization
YU Yang,TAN Xuezhi,YIN Cong,ZHANG Chuang,MA Lin
(School of Electronics and Information Engineering,Harbin Institute of Technology,150080 Harbin,China)
To solve the problem of transmitter parameter optimization in different communication modes for cognitive radio(CR)systems,a cognitive decision engine based on binary chaotic particle swarm optimization(BCPSO)is proposed.The BCPSO algorithm has both the fast convergence of particle swarm optimization and global ergodic property of chaos.Therefore,the cognitive decision engine based on BCPSO can jump off the local extreme points effectively,which can improve the precision and stability of parameter optimization.The cognitive orthogonal frequency division multiplexing(OFDM)system is used for the performance analysis.And the simulation results show that the proposed cognitive decision engine,which has higher fitness value and stronger robustness for different communication modes,is better than the other existing engines.The proposed engine achieves the objective of parameter optimization effectively.
cognitive radio;cognitive decision engine;multi-objective optimization;binary chaotic particle swarm optimization
TN914.3
A
0367-6234(2014)03-0008-06
2013-07-08.
國家自然科學基金委員會與中國民用航空局聯(lián)合資助項目(61071104);國家科技重大專項“寬帶多媒體集群系統(tǒng)技術(shù)驗證(中速模式)”(2011ZX03004-004).
于 洋(1984—),男,博士研究生;
譚學治(1957—),男,教授,博士生導(dǎo)師.
譚學治,tanxuezhi-h(huán)it@163.com.
(編輯 苗秀芝)