新的二进制蝙蝠算法的频谱分配优化

发布时间：2021-01-13 23:54

　　针对认知无线网络中频谱分配优化和寻优收敛精度等难题,在图论模型的基础上提出新的二进制蝙蝠算法,并将其运用到认知无线电频谱分配中.首先,在频率更新中引入两个随机数来控制全局和局部的平衡;其次,在连续空间和离散空间转换过程中,引入新的离散函数对速度到位置进行离散化;最后,采用新的二进制蝙蝠算法以最大化系统总效益和次用户公平性为目标与传统二进制蝙蝠算法进行对比实验.结果表明,新的二进制蝙蝠算法在应用实例中优于其他算法,且能够有效、稳定用于频谱分配优化. 

【文章来源】：微电子学与计算机. 2019,36(10)北大核心

【文章页数】：6 页

【部分图文】：

图１Ｓｉｇｍｏｉｄ转换函数［１０］

第１０期陈忠云，等：新的二进制蝙蝠算法的频谱分配优化ｆ２＝ｆｍｉｎ＋（ｆｍａｘ＋ｆｍｉｎ）（１－ｒ２）（１－ｒ１）（１０）式中，ｆｍｉｎ为最小频率；ｆｍａｘ为最大频率；ｒ１和ｒ２为分布在［０，１］区间的随机数．在式（１）中，随机参数β是独立的，当其较大时，可以增加蝙蝠的搜索能力．当它很小时，会造成算法的收敛速度降低．本文采用两个随机数ｒ１和ｒ２，当ｒ１很大时，１－ｒ１很小，反之亦然．增加另外一个随机数ｒ２是为了更好管理全局搜索和局部搜索二者之间的平衡．根据粒子群优化算法速度更新公式，本文将每个蝙蝠的当前位置、全局最优位置和个体最优位置进行比较以更新速度公式如下：ｖｔｉ＝ｖｔ－１ｉ＋（ｘｔｇｂｅｓｔ－ｘｔ－１ｉ）ｆ１＋（ｘｔｐｂｅｓｔ－ｘｔ－１ｉ）ｆ２（１１）式中，ｖｔｉ为第ｔ次更迭时候第ｉ个个体的速度；ｆ１和ｆ２为两个脉冲频率；ｘｔｉ为第ｔ次更迭时候第ｉ个个体的位置矢量；ｘｔｐｂｅｓｔ为第ｔ次更迭时候第ｉ个个体的个体最优；ｘｔｇｂｅｓｔ为第ｔ次更迭时候的种群最优．公式（１０）具有是蝙蝠运动方向多样化的能力，这可以提高个体的勘探能力，特别是在迭代的初始阶段，可以避免陷入局部最优．此外，在迭代后期，蝙蝠倾向与聚集在有更强开发能力的最佳蝙蝠周围，这样反过来较小了它们之间的距离，从而提高收敛速度．为了更好解决实际情况中许多的离散问题，增强算法局部搜索能力．因此，对于蝙蝠算法的离散版本的研究不可或缺．在文献［１１］提到

第１０期陈忠云，等：新的二进制蝙蝠算法的频谱分配优化Ｓｔｅｐ７生成一个随机数ｒａｎｄ，如果ｒａｎｄ＜Ａｔ且Ｆ（ｘｉ）＞Ｆ（ｘｇｂｅｓｔ），则将Ｓｔｅｐ５生成的局部新解记为当代最优解．然后根据等式（５）和（６）更新脉冲发射率ｒｔ和蝙蝠响度Ａｔ，否则，维持不变．Ｓｔｅｐ８重复Ｓｔｅｐ４～Ｓｔｅｐ７的更迭过程，如果达到设置的精度要求或规定的最大迭代次数，则终止算法，输出全局最优解．４仿真实验与结果分析４．１参数设置关于第１．２小节中提及的运用Ｓ型转换公式离散化的二进制蝙蝠算法（Ｂｉｎａｒｙｂａｔａｌｇｏｒｉｔｈｍ，ＢＢＡ）．在ＢＢＡ基础上改进发射频率和速度更新公式的版本，简称为ＦＢＢＡ．另外在文献［１０］中蝙蝠算法基础上使用本文提出的Ｖ型转换公式的算法，简称为ＶＢＢＡ．为了验证本文提出的ＮＢＢＡ在优化认知无线电中频谱分配的有效性，与ＢＢＡ、ＦＢＢＡ和ＶＢＢＡ优化频谱分配进行仿真比较．设定在某一片区域范围内，次用户的数值Ｎ＝１０，可用信道数Ｍ＝１０．各种版本的蝙蝠算法参数设置如下：种群大小ｓｉｚｅｐｏｐ＝４０，响度Ａ＝０．９，脉冲发射率ｒ＝０．７，最大进化代数ｍａｘｇｅｎ＝５００．４．２算法对比分析实验可知，在不同信道环境下，ＮＢＢＡ所取得系统带宽总效益每次都要比另外三种算法要大，且公平性也要比ＶＢＢＡ、ＦＢＢＡ和ＢＢＡ更优．图４为某一次实验结果，系统总效益与进化次数的关系．从图可知，ＢＢＡ算法的收敛代数要比其它三种算法要小，因为传统的蝙蝠算法容易陷入局部最优［８］


本文编号：2975784