人工智能在CR智能优化阶段的应用

摘 要：针对智能优化算法认知无线电中智能优化阶段的应用，本文介绍了遗传算法、模拟退算法、禁忌搜索算法、蚁群优化算法在认知无线电智能阶段的应用，并对智能优化在认知无线电智能优化现状和成果进行了总结分析。

关键词：认知无线电；启发式算法；智能优化

1 概述

认知无线电技术是无线通信领域与人工智能领域相结合的产物，认知无线系统是认知无线电技术的无线通信系统， 其核心思想借助更加灵活的收发机平台和智能计算，使得通信系统更加灵活。将人工智能及其相关理论、方法和思想引入到认知无线电网络决策中，实现智能通信系统，对认知无线电的发展有着重要的科学和现实意义。

认知无线电（CR）的”智能化”运用到了整个认知过程中，包括认知用户信息和通信环境的感知、辨识，各种信息采集、判断、推理，新认知过程的实现等。认知引擎做为认知无线电的核心，它是在人工智能平台的基础上，把多种人工智能技术相结合以实现认知智能。人工智能在认知无线电网络（CRN）中有三个阶段的应用：环境感知与推理阶段；认知学习阶段；以及智能优化阶段[1][2]。下文介绍人工智能在CRN智能优化阶段的应用。

2 遗传算法的应用

遗传算法是利用遗传学理论，并受达尔文进化论所启发逐渐发展成通用的问题求解方法之一，可用于解决目标优化问题。其核心思想是通过建模得到一个目标适应值函数，寻找使目标函数最大化的一组变量。遗传算法在认知无线电应用中的基本思想是把无线电类近似比拟为一个进化生物系统[1]，将无线电的特征定义成染色体，染色体的每个基因对应无线电的每一个可变的参数，利用遗传算法的进化特性，并通过不断学习获得系统参数和系统性能之间的平衡点，寻找到最优参数以满足动态变换的无线电环境参数配置，进而最大化满足用户的需求。因此，学者们利用遗传算法的并行性，解决认知无线电中的多目标优化问题，如利用多目标免疫遗传算法去解决认知无线电的参数优化问题；认知无线电中的重配置技术存在着不同性能参数之间可能冲突的问题，遗传算法在解决多个目标互相冲突的最优化问题时具有明显优势，目前常见的遗传算法多目标求解方法有多目标遗传算法、非支配排序遗传算法、小生境帕累托遗传算法等。

未来，遗传算法在认知无线电应用方面的研究方向是：实时检测并修改无线电参数；避免陷入非最优方案而进行算法改进，以实现问题的最优解决方案[2]；提高算法的收敛率和降低计算复杂度，以进一步满足实时性的要求等。

3 禁忌搜索算法

禁忌搜索算法是将最近的搜索过程存储在一张禁忌表中，禁忌表主要的作用是相当于人类的大脑模拟人类的记忆，从而阻止重复的算法步骤，这样可以在很大程度上提高搜索效率。

4 模拟退火算法

模拟退算法，是通过模拟热力学的降温过程，计算各个状态转移概率，以某一设定的概率选择目标值较小的状态，从而跳出局部最优解，改进后的算法执行起来比较容易，虽然具有优秀的搜索能力，但缺点是收敛速度慢，然而CR又对实时性有较高的要求，故模拟退火算法在CR中的应用较少。

5 蚁群优化算法的应用

蚁群优化算法是模拟自然界蚂蚁集体合作寻找食物行为基础上，提出的一种随机优化算法[3]，而且已经在组合优化问题中得到广泛应用[4]。蚁群优化算法实质上是一种正反馈机制，通过蚂蚁信息素的不断更新，最终获得一条最优路径，而且加入了人类的智能。此外，由于蚁群优化算法是一种全局的优化算法，且优化性能较好，因此，对于求解优化问题无论是单目标还是多目标优化问题都效果显著提高。文献[5]提出的是改进的蚁群优化算法，用于认知引擎的参数优化其性能优于经典遗传算法，存在的缺点是过早收敛问题。文献[6]提出的自适应蚁群优化算法，用于认知引擎的优化，通过改良的自适应调整机制，种群收敛速度提高的同时，不仅保证了算法的全局搜索能力，还能有效避免陷入局部最优的困境，能够更好地满足认知无线电决策引擎对多目标优化的需求。

6 结束语

上述遗传算法、模拟退算法、禁忌搜索算法、蚁群优化算法都是群体智能优化算法，它们把具体问题抽象成的数学模型做为目标函数，进而寻找目标函数的最优解，或者是通过训练样本来达到预期目标，以找到适合认知无线电优化目标的最优解决方案，为认知无线电技术的应用奠定基础。

参考文献：

[1]Rondeau T W. Application of artifical intelligence to wireless communications[C]. Blacksburg： Virginia Polytechnic Institute and State University，2007：11-12.

[2]Daniel H F，M ustafa Y E， Shi Y， et al. Architecture and performance of an island genetic algorithm-based cognitive network[C]. IEEE CCNC，2008.

[3]Dorigo M， Birattari M， Stuzle T. Ant conoly optimization.[J] IEEE Computational Intelligence Magazine，2006，1（4）：28-39.

[4]史恒亮，白光一.基于蚁群优化算法的云数据库动态路径规划[J].计算机科学，2010，37（5）：143-145.

[5]Zhao N， Cognitive radio engine design based on ant conoly optimization[J].Wirless Personal Communications，2011，1（10）：1-10.

[6]罗云月，孙志峰.基于自适应蚁群优化算法的认知决策引擎[J].计算机科学，2011，38（8）：253-256.

作者简介：刘俊霞，1980年生，讲师，硕士，主要研究方向：移动通信网络规划与建模。