基于初始种群优化粒子群算法的通信抗干扰决策引擎*

惠显杨 ，陈建忠，牛英滔，段瑞杰

(1.解放军理工大学通信工程学院，南京 210007; 2.南京电讯技术研究所，南京 210007)



基于初始种群优化粒子群算法的通信抗干扰决策引擎*

惠显杨1,2，陈建忠2，牛英滔2，段瑞杰1

(1.解放军理工大学通信工程学院，南京 210007; 2.南京电讯技术研究所，南京 210007)

Foundation Item:National Natural Science Foundation of China(No. 61401505)

摘要：针对抗干扰决策引擎对实时性能要求较高的问题，借鉴了一种基于初始种群优化的粒子群算法(IPO-PSO)。该算法通过把上一次决策的部分解作为当前初始解集的一部分，以此来优化粒子群算法的初始种群。仿真结果表明，该算法能够在不增加复杂度的情况下显著提高粒子群算法在缓变干扰环境下的收敛速度，具有较好的实时性能，更加符合通信抗干扰的应用场景。

关键词：通信抗干扰；决策引擎；初始种群优化；粒子群算法

0引言

可靠有效的军事无线通信是确保战场制信息权的关键。长期以来，抗干扰理论与技术一直是军事无线通信领域的研究热点[1]。目前，主流通信抗干扰技术是各类扩展频谱抗干扰技术，这些技术极大提高了军用无线通信装备的抗干扰能力。然而，随着敌对方电子进攻能力的迅速发展，干扰样式不断增多、智能化水平不断提高，无线通信面临的电磁环境日益复杂和恶劣，导致现有抗干扰技术逐渐难以满足可靠有效通信的要求。因此，需要对通信抗干扰方法进行进一步研究。

认知无线电技术[2]的出现为提高无线通信的抗干扰能力提供了新的思路。将认知思想引入通信抗干扰领域，使无线通信系统在感知干扰环境的基础上，通过决策推理来选择合理的通信参数，从而主动适应干扰环境，提高通信的抗干扰能力。文献[3]提出了基于遗传算法的认知无线电决策引擎，实现了认知无线电决策引擎对参数的智能调整，但算法的缺陷是爬山能力差，易陷入局部最优。文献[4]提出了基于模拟退火算法的认知无线电决策引擎，采用模拟退火的方法选择子代个体，提高了遗传算法的爬山能力，但其收敛速度有待提高。文献[5]提出了基于免疫遗传算法的认知无线电决策引擎，通过对抗体浓度的增加和抑制机制来提高遗传算法的爬山能力，但其收敛速度也有待提高。文献[6]脱离了遗传算法的范畴，提出了基于粒子群算法的认知无线电决策引擎，其相比遗传算法具有更好的收敛速度和爬山能力。通过对现有通信抗干扰决策引擎的学习研究，得到基于粒子群算法(Initial population optimization particle swarm optimization，IPO-PSO)的通信抗干扰决策引擎[7]具有较好的收敛性能和爬山能力。为进一步提高粒子群算法的收敛速度以适应抗干扰通信较高的实时性要求，本文首先对粒子群算法的初始种群进行优化，提出了基于初始种群优化的粒子群算法来提高粒子群算法的收敛速度。其次通过增加约束条件和合理设置权重，从而使该算法更加贴近实际的通信需求。仿真表明，该算法能够在不增加复杂度的情况下进一步提高粒子群算法在缓变干扰环境下的收敛速度，满足了抗干扰通信对实时性能的要求。

1抗干扰决策引擎模型

抗干扰决策引擎以干扰感知为基础，自主调整通信参数，确保通信系统能够可靠、有效地传输信息。通信抗干扰决策引擎所要调整的参数包括发射功率、频率、调制方式、编码码率。实现目标是在约束条件和决策目标下根据感知的干扰环境，寻找最优通信参数。抗干扰决策引擎的输入输出关系如图1所示。

图1　抗干扰决策引擎的输入输出关系图

常用的目标函数主要有最小化发射功率、最大化数据传输速率及最小化误码率目标函数。由于无线通信系统通常是在规定的误码率之下进行通信，并不追求误码率最小，故单纯的最小化误码率目标函数缺乏实际意义，本文中不予考虑。因此本文中采用的目标函数为最小化发射功率、最大化数据传输速率，可表示为：

(1)

式中：

(2)

(3)

式中，Cr为编码码率，Cmax为最大编码码率，m为调制进制数，mmax为最大调制进制数，P为发射功率，Pmax为最大发射功率，Pmin为最小发射功率。Pe为解的误码率，Pu为系统的误码率上限。

现有算法[3-8]为简化决策过程，通常对多个目标函数进行简单的加权处理，得到归一化目标函数。决策过程中选择合适的系统参数值来实现给定权重下归一化目标函数的最大化。但是，这种方法对于权重确定的主观性和随意性较大，且没有考虑通信业务对于误码率的要求等约束条件，并不符合实际通信场景。因此，本文将误码率作为约束条件。

图2给出了系统采用的调制编码方式的信干噪比(SJNR)-误码率曲线示意图。

图2　不同调制编码方式下误码率曲线示意图

可以看出，当误码率Pe≤10-3时，一般误码率曲线就会进入“瀑布区”，可近似为直线，并使用一个直线方程来近似表示某种调制编码组合下信干比与误码率的关系。

设接收端的SJNR为x(t)，误码率Pe为y(t)，则在瀑布区内M种调制编码组合下的SJNR与误码率的关系可近似为：

(4)

式中i∈{1,2,…,M}，Ci和Di为第i种调制编码组合下的常数，xi为采用第i种调制编码组合的SJNR门限值。若通信信号的发射功率Ps和通信信道内的干扰加噪声功率PJN都以dBm为单位，且不考虑自由空间传播损耗，则接收端的SJNR可表示为：

SJNR=Ps-PJN

(5)

给定各个目标函数的权重ω1、ω2，则系统归一化目标函数为：

(6)

因此，基于IPO-PSO的抗干扰决策引擎要实现的功能即为通过调整频率、功率、编码码率、调制方式四个参数，实现约束条件下(6)式目标函数的最大化，以此实现抗干扰通信的最优参数配置。

2基于初始种群优化粒子群算法的抗干扰决策引擎

粒子群算法[9]最早由Kennedy和Eberhart在1995年提出。在粒子群算法中，每个粒子的位置表示待优化问题的解，每个粒子的性能优劣程度取决于当前粒子位置对优化问题目标函数适应度的大小。每个粒子由一个速度矢量来决定粒子飞行的方向和速率大小。

粒子群算法中，初始种群中每个粒子的位置随机产生，每次决策的结果并不记忆和利用。然而，很多应用场合中，无线环境的变化较为缓慢，前次决策的最优解对于当前无线环境仍较优。因此，如能将前次决策的结果用作下一次决策的初始种群中，将有利于提高粒子群算法的收敛速度。基于这种思想，本文设计了初始种群优化粒子群算法，将上一次决策的解作为当前初始种群的一部分。这样，可以明显减少算法收敛到最优解所需的迭代次数，从而提高算法的收敛速度。

(7)

(8)

(9)

本文设计初始种群优化粒子群算法的实现流程如下：

(4)如达到迭代次数，终止算法；否则，跳至3)。

3仿真分析

本文用Matlab仿真软件对基于IPO-PSO的抗干扰决策引擎性能进行仿真。参数设置的频率范围为1 350 MHz～1 362.7 MHz，等间隔取128个频点，每个频点随机设定不同的干扰功率，干扰功率的范围为5 dBm～15 dBm。发射功率等间隔取64个值，范围设定为0.312 5 dBm～20 dBm，间隔为0.312 5 dBm。编码方式采用LDPC，选取1/4、1/2、4/5、1四种码率，码率为1表示不编码。调制方式选取BPSK、QPSK、16QAM、32QAM四种。S=30，C1=C2=2，Vmax=5，最大进化代数为150，惯性权重W取1，误码率上限Pu=10-3，为验证IPO-PSO的性能，仿真中假设上一次决策过程和当前决策过程所处的模式相同。选取决策结果中部分最优粒子作为本次决策的输入，所选取粒子的个数为12。环境变化因子为σ，环境参数由干扰功率表示。

仿真在三种模式下进行，模式设置如表1所示：

表1　目标函数权重设置

模式1表示在给定误码率要求下实现最大化数据传输速率，模式2表示在给定误码率要求下实现最小化发射功率，模式3表示在给定误码率要求下同时兼顾最大化数据传输速率和最小化发射功率。

3.1IPO-PSO的决策仿真结果

在上述仿真参数及环境变化因子σ=50%的情况下，对IPO-PSO进行仿真分析。环境变化前后的信道环境由下图3所示：

(a)上次决策信道干扰

(b)本次决策信道干扰

仿真在不同模式下决策结果如表2所示：

表2　不同模式下参数选择

由表2可知，对于模式1，要求系统在误码率小于10-3的情况下实现最大数据传输速率，则信道选择了干扰功率为5 dBm的57号信道，发射功率选择了20 dBm，编码码率选择了1，调制方式选择了QPSK；对于模式2，要求系统在误码率小于10-3的情况下实现最小发射功率，则信道选择了干扰功率为5 dBm的57号信道，发射功率选择了5.31 dBm，编码码率选择了1/4，调制方式选择了BPSK；对于模式3，要求系统在误码率小于10-3的情况下同时兼顾最大数据传输速率和最小发射功率，则信道选择了干扰功率为5 dBm的57号信道，发射功率选择了15.31 dBm，编码码率选择了4/5，调制方式选择了QPSK。三种模式下参数选择考虑了实际通信需求，符合军事通信抗干扰战场需求。并且参数选择与理论值一致，验证了基于IPO-PSO决策引擎自适应调整参数的正确性。

3.2IPO-PSO和PSO仿真性能对比

为了比较IPO-PSO和PSO的性能，在相同的条件下对其进行仿真分析。仿真实验对三种模式分别进行40次独立实验，记录每次实验算法所选择的最优参数值，再对40次实验结果取平均。仿真中环境变化因子分别取σ=25%,50%,75%，而PSO则是在三种环境下的平均性能。仿真结果如图4、5、6所示，仿真时间如表3所示。

图4　模式1下算法仿真比较图

图5模式2下算法仿真比较图

图6　模式3下算法仿真比较图

算法模式PSOPA-PSOσ=25%σ=50%σ=75%模式137.00s36.95s36.80s36.18s模式237.17s36.97s36.57s36.23s模式337.28s36.84s36.62s36.28s

通过仿真可得：

(1)IPO-PSO在迭代初期的收敛性能明显优于PSO，尤其是环境变化因子较低时。虽然其收敛性能会随着环境变化因子σ升高而有所降低，但仍优于PSO算法。

(2)由表3可知，初始种群优化粒子群算法在复杂度上没有增加。因此，对实时性要求较高的抗干扰通信环境，基于初始种群优化粒子群算法的决策引擎具有更大的优势。

(3)本文考虑了实际的通信需求，不再对几种目标函数进行简单的加权，而是在误码率约束条件下实现所达到的目标。这更加符合抗干扰通信的应用场景。

4结语

本文提出的基于初始种群优化粒子群算法的抗干扰决策引擎通过改进种群初始化方法，提高了算法收敛性，且没有增加算法的复杂度，对战场时效性要求较高的场合具有较好优势。同时，决策是在给定误码率要求下实现对目标函数的求解，更加符合抗干扰通信的实际。本文是对粒子群算法初始种群进行优化，这为采用其它进化算法提高收敛性能提供了借鉴。然而，选用上一次决策解的数量是固定的，下一步可研究根据环境变化因子σ的变化自适应调整解的选取比例，以期提高算法的自适应能力，使抗干扰通信具有更好的环境适应性。

参考文献：

[1]姚富强. 通信抗干扰工程与实践[M]. 北京: 电子工业出版社, 2008: 2.

YAO Fu-qiang. Communication Anti-Jamming Project and Practice[M]. Beijing Electronics Industry Publishing, 2008: 2.

[2]LI Jia-na，Gavrilovska, Vladimir Atanasovski, et al. Learning and Reasoning in Cognitive Radio Networks[J]. IEEE Communications Surveys & Tutorials, 2013, 15(4): 1-17.

[3]El-Saleh A A, Ismail M. Development of a Cognitive Radio Decision Engine Using Multi-Objective Hybrid Gene-tic Algorithm[J]. Communications IEEE Malaysia International Conference, 2009:343-347.

[4]郑仕链, 赵知劲, 尚俊娜. 基于模拟退火遗传算法的认知无线电决策引擎[J]. 计算机仿真, 2006, 25(1):192-195.

ZHENG Shi-lian, ZHAO Zhi-jin,SHANG Jun-na.Anti-Jamming Communication Decision Engine based on Simulated Annealing Genetic Algorithm[J]. Computer Simulation, 2006, 25(1):192-195.

[5]焦传海, 王可人, 徐云. 基于免疫遗传算法的认知决策引擎[J]. 现代军事通信, 2009, 17(3):10-14.

JIAO Chuan-hai, WANG Ke-ren. Anti-Jamming Communication Decision Engine based on Immune Genetic Algorithm[J]. Moden Military Communication, 2009, 17(3):10-14.

[6]赵知劲, 徐世宁, 郑仕链. 基于二进制粒子群算法的认知无线电决策引擎[J]. 物理学报, 2009, 58(7):7110-7114.

ZHAO Zhi-jin, XU Shi-ning, ZHENG Shi-lian. Anti-Jamming Communication Decision Engine based on Particle Swarm Optimization[J]. Journal of Physics, 2009, 58(7): 7110-7114.

[7]YANG Er-yong, CHEN Jian-zhong, NIU Ying-tao. Anti-Jamming Communication Decision Engine based on Particle Swarm Optimization[C]. Mechanic Automation and Control Engineering, 2011: 3913-3916.

[8]杨二勇, 陈建忠, 牛英滔. 基于SAGA的通信抗干扰决策引擎. 通信技术, 2011, 5(44): 8-11.

YANG Er-yong, CHEN Jian-zhong, NIU Ying-tao. Anti-jamming Communication Decision Engine based on Simulated Annealing Genetic Algorithms, Communications Technology, 2011, 5(44): 8-11.

[9]GUO Wen-zhong, CHEN Shao-mei, LI Ning. A New Type of PSO[J]. Computer Engineering and Application. 2005, 23: 80-83.

惠显杨(1992—)，男，硕士研究生，主要研究方向为通信抗干扰、认知决策；

陈建忠(1962—)，男，研究员，硕士生导师，主要研究方向为无线通信抗干扰；

牛英滔(1978—)，男，高级工程师，主要研究方向为认知无线电、无线通信抗干扰；

段瑞杰(1991—)，男，硕士研究生，主要研究方向为智能跳频组网、通信抗干扰。

An Initial Population Optimization-based Particle Swarm

Algorithm for Anti-Jamming Communication Decision Engine

HUI Xian-yang1,2, CHEN Jian-zhong2, NIU Ying-tao2, DUAN Rui-jie1

(1. Institute of Communication Engineering, PLAUST, Nanjing Jiangsu 210007, China;

2. Nanjing Telecommunication Technology Institute, Nanjing Jiangsu 210007, China)

Abstract：Aiming at the high requirement of real-time performance for anti-jamming decision engine, an IPO-PSO (Initial Population Optimization Particle Swarm Algorithm)is referred. The algorithm takes part of the solution in the last decision as part of the initial solution set, so as to improve the initial population of the particle swarm algorithm. Simulation results show that this algorithm could obviously increase the convergence rate of the particle swarm optimization under the slowly-varying interference condition without the increase of complexity. So this algorithm enjoys better real-time performance and is more in line with the application scenarios of military anti-jamming communication.

Key words：communication anti-jamming；decision engine；initial population optimization；particle swarm algorithm

作者简介：

中图分类号：

文献标志码：A

文章编号：1002-0802(2015)07-0767-05

基金项目：国家自然科学基金项目(No. 61401505)

收稿日期：修回日期：2015-05-31Received date:2015-02-28；Revised date：2015-05-31

doi:10.3969/j.issn.1002-0802.2015.07.003