混合蝙蝠和布谷鸟算法的认知决策引擎*

郑建国 ，樊政炜

（1.浙江邮电职业技术学院，浙江 绍兴 312016；2.中国科学技术大学软件学院，江苏 苏州 215123）

0 引 言

日益剧增的无线频谱需求和固定的频谱分配政策导致频谱资源稀缺[1-2］。为了解决这个问题，FCC提出一种动态频谱接入（Dynamic Spectrum Access，DSA）方案，允许未授权用户（认知用户）接入授权用户（主用户）的频段[3］。认知无线电（Cognitive Radio，CR）便是实现DSA的一项关键技术。

这种CR系统具备感知环境变化、主动学习、自适应参数调整等特点，并主动检测频谱空洞，利用空闲的频谱资源[4］。认知决策引擎（Cognitive Decision Engine, CDE）是主要的决策部分，是认知无线电系统的智能核心，主要作用是根据环境变化配置相应的无线电参数[5-6］，包括信号的调制方式、调制阶数、发射功率和编码速率等以满足最大化吞吐率、最小化功耗和最小化干扰。

以上参数配置是多维问题，需要较高复杂度。为了兼顾QoS和实时性需求，智能优化算法因其具有高效的随机搜索能力被视为解决该问题的有效途径。目前研究文献主要分为2类：一类是应用单一算法，如文献[6］提出将二进制粒子群（BPSO）算法应用于参数配置，文献[7-8］提出遗传算法（GA）解决方案，然而这样的单一算法收敛速率慢、容易陷入局部最优；另一类是融合算法，如文献[10］将混沌优化和量子计算融入粒子群算法，提出CQPSO方法，证明该方法优于BPSO算法。在文献[11］中，提出了混合粒子群和遗传算法的HBPGA算法，证明了该算法的收敛速度和适应度值均优于GA算法和BPSO算法。

本文提出融合蝙蝠算法和布谷鸟算法的HBA-CS算法，并和文献[10］的CQPSO、文献[11］的HBPGA等方法进行比较，证明本文算法在适应度函数值和收敛速度方面的优势。

1 认知决策引擎模型及目标函数

1.1 认知决策引擎模型

图1为基于HBA-CS算法的认知决策引擎系统结构，首先CR通过感知功能获取环境参数，包括固定路径损耗、信噪比SNR和噪声功率等，将这些参数传递给认知引擎，认知引擎同时通过CR场景调节器获取当前的模式，工作模式通过一系列加权的目标函数实现。调节[w1,w2,…,wn］，可以实现不同的工作模式。在收集到以上信息后，认知引擎借助HBA-CS算法做出决策，确定合适的传输参数，包括发射功率p、调制类型和调制进制数等，以实现最大化利用频谱。

图1 基于HBA-CS算法的认知决策引擎系统结构

1.2 认知决策引擎目标函数

认知决策引擎通常要实现的目标是尽量减少发射功率fmin-power和误码率fmin-ber，而最大化数据速率fmax-datarate，其归一化数学表达式为[6］:

其中pmax是最大化发射功率，是N个子载波平均平均功率，是平均误比特率，Mi是第i个子载波的调制阶数。Mmin和Mmax分别是最小和最大的调制阶数。

为了将目标函数一致表示为最大化问题，将式（1）和式（2）分别修改为式（4）和式（5）。

在本文中，优化目标可以表示为：

将上述3个目标函数加权为单目标函数：

其中w1、w2和w3满足：

目标是调节通信参数，最大化适应度函数fi t，权重矢量w=[w1w2w3］决定工作模式，具体设置如表1所示[6］：

表1 目标函数权重设置

2 蝙蝠算法及布谷鸟算法

2.1 蝙蝠算法（BA）

蝙蝠算法是杨新社于2010年提出的一种启发式算法[12］，它模拟自然界中蝙蝠利用回声定位来感知距离的现象。蝙蝠的位置和速度更新如下：

其中，β为[0,1］区间内服从均匀分布的随机矢量；X*是当前最优位置；Fmax和Fmin表示频率的最大值和最小值；Vi表示速度。

对于当前的局部搜索区域来说，产生一个随机数rand1，若rand1＞ri,进行如式（10）所示的随机扰动策略：

其中，At是蝙蝠在某一时刻发射声波的平均幅值；ε是[-1,1］区间内服从正态分布的随机数。ri是脉冲释放速率。

然后随机产生一个数rand2，若rand2＜Ai且新的适应度值f(Xnew)＞f(Xold)，则令X t+1=Xnew，并按照式（11）更新和。

其中是初始脉冲释放速率，γ是脉冲速率控制参数，α是脉冲响度衰减系数。

2.2 布谷鸟算法(CS)

布谷鸟搜搜是Yang和Deb于2009年提出的一种启发式算法[13］。该算法将寻找最优解的过程看作布谷鸟在宿主鸟巢里下蛋并孵化的过程。第i只布谷鸟产生新的解Xi t+1可以使用Levy飞行按式（12）表示：

式中，step是服从Levy分布的随机数，表示第t次迭代时最优解表示迭代步长，然后利用式（13）摒弃部分不好的解。

式中，r1和rand3服从uniform分布；Pa是巢穴中布谷鸟的蛋被宿主鸟识别出来的概率，Xa和Xb是从已知巢穴中随机挑选出的两个巢穴。

3 认知决策引擎的HBA-CS算法

蝙蝠算法虽然全局搜索能力强，但是存在收敛精度低的问题[12］，布谷鸟算数虽然局部搜索能力强，但是存在容易陷入局部最优的问题[13］，因此可以将蝙蝠算法融入到CS算法中，利用二者的优点。基于新的融合算法，更新后的巢穴位置X ti不是直接作为第t+1次迭代计算的初值，而是使用蝙蝠算法再次更新。首先，比较服从均匀分布的发射速率和脉冲速率随机数，如果满足条件要求，当前鸟巢的最优位置将会叠加一个干扰，从而得到新的鸟巢位置；之后评估相应的适应度值。比较幅度和均匀分布的随机数，如果条件满足，布谷鸟算法运用新的运算符对鸟巢位置进行更新；同时，也更新了幅值和脉冲速率。最后评估鸟巢适应度值，找到鸟巢当前最优位置和最优值，并开始新一轮迭代；通过布谷鸟算法继续搜寻和更新位置。

综上，可知基于HBA-CS算法优化的认知决策引擎具体实现如图2所示。

图2 HBA-CS算法流程

4 仿真实验与分析

4.1 参数设置

仿真环境是一个具有32个子载波的OFDM系统，每个子载波随机分配一个[0,1］的数以模拟信道衰落情况[6］。发射功率为0～25.2 dBm，步进为0.4 dBm，共有64种选择，用6位二进制bit编码，背景噪声为加性高斯白噪声，噪声功率为-80 dBm，路径损耗为85 dB，数据率设置为1 Mbps。调制方式包括BPSK、QPSK、16QAM和64QAM，由2位二进制bit编码[7］。每个子载波包括发射功率和调制方式，共需8bit。整个系统需要256 bit，寻优空间为2256。3种优化算法中设置种群规模Pop=30，迭代次数I=200，其中HBPGA算法的交叉概率为0.6，变异概率为0.001；CQPSO算法的混沌因子服从[0.5 0.505］均匀分布,学习因子c1=c2=2。

4.2 实验仿真分析

图3～图6分别给出了3种算法在低功耗模式、紧急模式、多媒体模式和均衡模式下的适应度曲线。其中曲线中每个值都是10次独立仿真实验的平均值。

从图2～图5可以看出，HBA-CS算法在收敛速度和适应度函数值二方面均优于其他算法。以多媒体模式为例，在进化初期，HBA-CS算法就具有较强的局部寻优能力，借助蝙蝠算法的全局寻优特点，在进化后期收敛精度比其他两种算法高。而CQPSO在进化初期虽然寻优能力强，但是很快陷入局部最优。同样，HBPGA算法虽然全局寻优进度高，但是需要较长的时间。

图3 低功耗模式下适应度曲线

图4 紧急模式下适应度曲线

图5 多媒体模式下适应度曲线

图6 均衡模式下适应度曲线

表2和表3给出了3种算法在4种下的参数配置结果。由表2、表3可以看出，HBA-CS在4种模式下的参数配置性能总体优于其他2种算法。例如，在多媒体模式场景下（例如监控视频传输），对传输速率有很高要求，但是对误码率要求就低一些，本文提出的HBA-CS算法能达到6.3 Mb/s，分别比HBPGA和CQPSO高1.03 Mbps和0.34 Mb/s，同时需要的发射功率也很小。

表3 3种算法在多媒体模式和均衡模式下参数配置结果对比

5 结 语

本文针对认知无线电中认知决策引擎问题，提出一种混合蝙蝠和布谷鸟算法的HBA-CS算法。首先利用布谷鸟算法求解，在更新位置后，再将该种群输入到蝙蝠算法中继续进行优化，因此该算法兼有两种算法的优点，并且很好的解决了局部寻优和全局寻优的平衡问题，仿真表明该算法优于现有的CQPSO算法和HBPGA算法。