农业物联网中基于遗传算法的并行合作频谱感知

发布时间：2020-01-23 19:30

【摘要】：将认知无线电技术引入农业物联网中以解决其无线频谱资源紧缺的问题,针对农业物联网中多种传感器、终端及网关对不同异构信道的特殊需求,提出一种基于遗传算法的并行合作频谱感知方法。该方法能够克服现有方法中无法同时感知多个异构信道及在感知中没有考虑吞吐量和感知时长的不足,通过遗传算法最优地选取感知节点、分配感知任务以及设定感知时长,达到使系统有效吞吐量最大的目的。仿真结果表明,该方法相比随机感知方法,能够获得更大的系统有效吞吐量。
【图文】：

夥德?为10000Hz。各信道空闲时所能达到的信道速率在0.1～10Mbps之间随机选龋各信道的空闲概率在0～1中随机变化。蒙特卡洛仿真次数为10000次。遗传操作中，设交叉概率，变异概率，种群规模L=60，最大进化代数为W=100，，截止条件二中V=0.001。图2为本文方法和随机感知方法在不同认知用户数时所能获得的系统有效吞吐量的比较。在随机的频谱感知方法中，系统随机选择感知任务分配矢量和感知时长等级，如果某信道感知的认知用户大于，则随机地置多余的认知节点对应的感知信道序号为0，即不感知任何信道。设系统要求的图1染色体结构

52农业信息化科学研究Scientific检测概率取0.95。由图2可以看出，本文所提出的基于遗传算法的并行合作频谱感知方法较随机感知方法能够获得较高的系统有效吞吐量，且系统有效吞吐量随着认知用户数的增加而增加。这是由于当认知用户数增加时，本文方法能够选择最优的感知任务分配和感知时长，从而增加系统有效吞吐量。图2系统有效吞吐量随认知用户数变化图图3为本文方法和随机感知方法在不同认知用户数时的感知时长变化图。由图3可以看出，随着认知用户数的增多，本文所提出的方法更够选择更多感知性能更优秀的感知节点来感知信道，达到检测概率的要求，从而使感知时长缩短，系统有效吞吐量增高。图3感知时长随认知用户数变化图图4为本文方法系统有效吞吐量随检测概率要求变化图。由图4可见，随着的提高，系统需要分配更多的认知用户和更长的感知时长进行频谱感知，因此，系统有效吞吐量随着的提高而降低。图4系统有效吞吐量随检测概率要求变化图图5为本文方法中感知时长受检测概率要求的变化图。由图5可见，随着的提高，系统需要分配更长的感知时长进行频谱感知，因此，感知时长随着的提高而增加。图5感知时长随检测概率要求变化图4结论为解决农业物联网频谱资源紧缺的问题，本文引入认知无线电技术，针对农业物联网中多种传感器、终端及网关对不同异构信道的特殊需求，提出一种基于遗传算法的并行合作频谱感知方法。该方法充分考虑了不同认知用户对不同异构信道感知

【相似文献】

相关期刊论文 前10条

1 吴瑞镛,徐大纹;具有年龄结构的遗传算法[J];桂林电子工业学院学报;2001年04期

2 杨艳丽,史维祥;一种新的优化算法—遗传算法的设计[J];液压气动与密封;2001年02期

3 杨宜康,李雪,彭勤科,黄永宣;具有年龄结构的遗传算法[J];计算机工程与应用;2002年11期

4 谷峰,吴勇,唐俊;遗传算法的改进[J];微机发展;2003年06期

5 ;遗传算法[J];计算机教育;2004年10期

6 赵义红,李正文,何其四;生物信息处理系统遗传算法探讨[J];成都理工大学学报(自然科学版);2004年05期

7 刘坤,刘伟波,吴忠强;基于模糊遗传算法的电液位置伺服系统控制[J];黑龙江科技学院学报;2005年04期

8 张英俐,刘弘 ,马金刚;遗传算法作曲系统研究[J];信息技术与信息化;2005年05期

9 丁发智;;浅谈遗传算法[J];乌鲁木齐成人教育学院学报;2005年04期

10 李冰洁;;遗传算法及其应用实例[J];吉林工程技术师范学院学报;2005年12期

相关会议论文 前10条

1 陈家照;廖海涛;张中位;罗寅生;;一种改进的遗传算法及其在路径规划中的应用[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

2 李国云;刘颖;薛梅;邬志敏;;遗传算法在高温空冷冷凝器优化设计中的应用[A];第五届全国制冷空调新技术研讨会论文集[C];2008年

3 王志军;李守春;张爽;;改进的遗传算法在反演问题中的应用[A];新世纪 新机遇 新挑战——知识创新和高新技术产业发展（上册）[C];2001年

4 任燕翔;姜立;刘连民;从滋庆;;改进遗传算法在三维日照方案优化中的应用[A];工程三维模型与虚拟现实表现——第二届工程建设计算机应用创新论坛论文集[C];2009年

5 韩娟;;遗传算法概述[A];第三届河南省汽车工程科技学术研讨会论文集[C];2006年

6 庞国仲;王元西;;基于遗传算法控制步长的定性仿真方法[A];'2000系统仿真技术及其应用学术交流会论文集[C];2000年

7 张忠华;杨淑莹;;基于遗传算法的聚类设计[A];全国第二届信号处理与应用学术会议专刊[C];2008年

8 何翠红;区益善;;遗传算法及其在计算机编程中的应用[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集（下册）[C];1995年

9 靳开岩;张乃尧;;几种实用遗传算法及其比较[A];1996年中国智能自动化学术会议论文集（下册）[C];1996年

10 王宏刚;曾建潮;李志宏;;摄动遗传算法[A];1996年中国智能自动化学术会议论文集（下册）[C];1996年

相关重要报纸文章 前1条

1 林京;《神经网络和遗传算法在水科学领域的应用》将面市[N];中国水利报;2002年

相关博士学位论文 前10条

1 周辉仁;递阶遗传算法理论及其应用研究[D];天津大学;2008年

2 郝国生;交互式遗传算法中用户的认知规律及其应用[D];中国矿业大学;2009年

3 侯格贤;遗传算法及其在跟踪系统中的应用研究[D];西安电子科技大学;1998年

4 马国田;遗传算法及其在电磁工程中的应用[D];西安电子科技大学;1998年

5 唐文艳;结构优化中的遗传算法研究和应用[D];大连理工大学;2002年

6 周激流;遗传算法理论及其在水问题中应用的研究[D];四川大学;2000年

7 刘冀成;基于改进遗传算法的生物电磁成像与磁场聚焦应用研究[D];四川大学;2005年

8 袁丽华;基于物种进化的遗传算法研究[D];南京航空航天大学;2009年

9 李航;遗传算法求解多模态优化问题的研究[D];天津大学;2007年

10 石玉;提高实数遗传算法数值优化效率的研究[D];南京航空航天大学;2002年

相关硕士学位论文 前10条

1 张英俐;基于遗传算法的作曲系统研究[D];山东师范大学;2006年

2 钟海萍;原对偶遗传算法与蚁群算法的一种融合算法[D];暨南大学;2013年

3 李志添;模糊遗传算法与资源优化配置的预测控制[D];华南理工大学;2015年

4 王琳琳;新型双层液压轿运车车厢的设计研究[D];上海工程技术大学;2015年

5 李海全;基于遗传算法的建筑体形系数及迎风面积比优化方法研究[D];华南理工大学;2015年

6 彭骞;基于遗传算法的山区高等级公路纵断面智能优化方法研究[D];昆明理工大学;2015年

7 周玉林;基于小波分析和遗传算法的配电网故障检测[D];昆明理工大学;2015年

8 郭颂;基于粗糙集和遗传算法的数字管道生产管理系统研究[D];昆明理工大学;2015年

9 吴南;数值逼近遗传算法的研究应用[D];华南理工大学;2015年

10 于光帅;一类优化算法的改进研究与应用[D];渤海大学;2015年

本文编号：2572389