基于改进蚁群算法的认知无线电频谱分配的策略研究

发布时间：2020-12-24 09:35

　　在认知无线电网络中,为了有效使用空闲频谱资源,提升频谱利用率,提出了一种基于图论模型的改进蚁群算法。该方法在信息素更新时引入了混沌初始化和混沌扰动,改变了传统蚁群算法信息素更新单一的规则,提升了算法的寻优能力,进而加快了收敛速度,同时在传统模型基础上考虑了认知用户选择信道的优先级,重新设定了干扰约束条件,增加了认知用户对信道的需求大小问题,进而改善了认知用户的公平性。将改进的蚁群算法(Improved Ant Cology Algorithm,IACA)应用于认知无线电频谱分配问题,结果表明,基于IACA的认知无线网络频谱分配方法具有更快的收敛速度和更好的寻优性能,能有效提高系统的网络效益。 

【文章来源】：通信技术. 2020年10期

【文章页数】：7 页

【部分图文】：

基于IACA认知无线电频谱分配的流程

图2选取平均最大网络效益为目标函数和可用信道数目进行关系比较，将改进的蚁群算法（IACA）、蚁群算法（ACA）以及遗传算法（Genetic Algorithm,GA）的仿真结果进行比较。仿真实验进行50次独立实验，记录仿真实验结果。由图3可知：随着信道数m的逐步增加，IACA的平均网络效益数值是始终优于ACA和GA。图3选取平均最大网络效益为目标函数和认知用户数目进行比较，此时信道数m为固定值。由图3可知：随着认知用户数n的逐步增加，网络效益逐步减少。这是因为认知用户增加，分配信道时用户间的干扰也在增强，致使网络效益不断降低。但是，IACA的平均网络效益数值依旧始终优于ACA和GA。

图3选取平均最大网络效益为目标函数和认知用户数目进行比较，此时信道数m为固定值。由图3可知：随着认知用户数n的逐步增加，网络效益逐步减少。这是因为认知用户增加，分配信道时用户间的干扰也在增强，致使网络效益不断降低。但是，IACA的平均网络效益数值依旧始终优于ACA和GA。图4选取平均最大网络效益为目标函数与实验序号进行关系比较。由图4可知，随着不断迭代优化，改进蚁群算法得到了较高的网络效益。相对于网络效益，IACA算法优于ACA算法和GA算法。由于在改进的蚁群算法（IACA）中引入了混沌搜，索使得蚂蚁能够跳出局部最优，遍历全局空间范围寻优，从而可得到较高的全局最优解。

【参考文献】：
期刊论文
[1]认知无线传感器网络频谱分配的一种改进方法[J]. 周杰,徐梦颖,王娇娇,卢毅.  西安电子科技大学学报. 2020(03)
[2]无线通信系统频谱分配策略优化研究[J]. 张婧怡,向新,孙晔,王峰.  计算机仿真. 2015(10)
[3]基于改进的量子遗传算法的认知无线网络频谱分配方法[J]. 刘刚,赵海洋,陈华,郝晓辰.  高技术通讯. 2015 (Z1)
[4]混沌扰动模拟退火蚁群算法低碳物流路径优化[J]. 张立毅,王迎,费腾,周修飞.  计算机工程与应用. 2017(01)
[5]认知无线网络中基于随机博弈框架的频率分配[J]. 刘鑫,阚兴一,王三强.  辽宁工程技术大学学报(自然科学版). 2011(05)
[6]认知无线网络中一种基于蚁群优化的频谱分配算法[J]. 杨淼,安建平.  电子与信息学报. 2011(10)

硕士论文
[1]认知无线电中基于图论的频谱分配算法[D]. 樊路.哈尔滨工业大学 2009



本文编号：2935418