认知无线网络中基于HJ-DQPSO优化的频谱分配机制

2016-06-29熊加毫陈红翠

重庆邮电大学学报(自然科学版) 2016年1期

关键词：认知无线电多目标优化

朱　江,熊加毫,陈红翠

(重庆邮电大学移动通信技术重庆市重点实验室重庆 400065)

认知无线网络中基于HJ-DQPSO优化的频谱分配机制

朱江,熊加毫,陈红翠

(重庆邮电大学移动通信技术重庆市重点实验室重庆 400065)

摘要：在认知用户和授权用户共存的认知无线网络模型中，为了解决认知无线网络中最大化网络效益和用户间接入网络的公平性联合最优化的多目标频谱分配难题，提出了一种新的基于hooke jeeves(HJ)计算和量子粒子群(quantum particle swarm optimization, QPSO)理论的离散多目标组合优化机制，即HJ-DQPSO优化机制。该机制中，提出了采用HJ算法进行局部搜索，防止陷入局部最优，并对QPSO算法进行离散化处理以便更匹配离散的频谱分配模型。与现有的频谱分配算法进行仿真性能比较，实验结果表明，该机制具有逼近最优解、快速收敛、不易陷入局部最优、参数设置少的特点。在不同的优化目标情况下，能够较好地逼近频谱分配最优解而且可以实现快速收敛，在满足多个优化目标的情况下可以获得更合理的频谱分配方案。

关键词：认知无线电；频谱分配；量子粒子群；多目标优化

0引言

随着无线网络的快速发展，下一代网络[1-3]，即认知无线电网络已成为解决无线频谱资源短缺问题的新兴主导技术，对未来5G领域的发展起到巨大的推动作用。但认知无线网络的加入也使无线网络变得异常复杂。在复杂的异构网络中[4-5]，为了满足正常的通信需求，需要多个通信指标(如吞吐量、带宽、延迟等)同时满足最优的通信需求，进而可以快速适应无线通信技术的快速发展。所以，多目标资源优化是异构网络中一个亟需解决的问题。认知无线网络中，频谱分配[6-8]就是一个目前亟需解决的多目标优化问题。整个过程是一个最大化网络效益和用户间公平性接入网络的联合最优化多目标频谱分配过程，如果仅仅从单目标考虑，会造成整体系统性能下降，那么频谱利用率低的问题依然得不到改善。因此，对于频谱分配，多个优化目标的考虑可以使整个网络系统性能得到提升，满足用户的通信需求，提高频谱利用率。

近几年，随着国内外对该方面的研究，针对基于博弈论思想、基于协作技术的算法思想和基于新兴智能优化算法的思想，一些频谱分配机制相继被提出。这些方法对认知无线电频谱分配研究有很大的推动作用。但是这些方法也存在一定的不足。例如，基于博弈论思想[9-12]的分配机制在较复杂的用户分配情况下很难达到纳什均衡点，不易实现。基于协作技术的优化思想[13-15]需要考虑认知网络中各节点的相互合作，每个节点之间的分配策略都会对其他用户造成影响，过程复杂且具有不稳定性。新兴的智能算法[16-20]存在搜索范围、收敛速度、收敛精度以及参数设置之间的矛盾，对于复杂的频谱分配过程，很容易陷入局部最优状态，影响最终的全局最优解，因此，无法达到一个总体最优的效果。同时，这些分配机制在有限时间内逼近最优解的效果不佳。并且认知无线电频谱分配问题是一个复杂的多目标优化问题, 以上单目标优化算法思想不能使网络效益最大化和接入公平性同时达到最优, 因此，需要进一步地对该方面进行完善性的研究。

针对现有的频谱分配机制在多目标优化方面全局收敛性不高、容易陷入局部最优、不能有效地解决多目标频谱分配不足的问题，本文提出了基于hooke jeeves(HJ)计算和量子粒子群(quantum particle swarm optimization, QPSO)理论组合优化的频谱分配机制。该机制可以实现全局搜索和局部搜索交替进行，防止陷入局部最优，而且可以逼近最优解，参数设置少，收敛速度较快。针对最大化网络效益和用户接入公平性联合优化目标，通过仿真结果证明了该分配机制可以逼近最优解，且避免了以往分配机制容易陷入局部最优的缺点，有效地解决了多目标频谱分配难的问题。

1系统模型

在认知无线电网络中，认知用户(secondary user, SU)可以随时感知授权用户(primary user, PU)的存在，每个用户均有自己的通信区域，即干扰范围。根据用户的位置分布，可以获得可用的频谱信息和干扰约束信息。同时，SU可通过调整功率来调整干扰范围，进而避免对PU的干扰，保证PU正常通信。整个认知网络通过控制信道或者基站收集可用的频谱和干扰约束信息，形成一个可用频谱池。进而为每个用户分配信道。

图1是由3个PU和9个SU组成的网络，每个PU占用一个频谱，即信道。分别为信道1，2，3，这9个SU通过频谱感知获得空闲频谱信息，实现动态频谱接入通信。在PU干扰范围内的每个SU不能占用PU通信所使用的信道，以避免对PU造成干扰。认知用户与授权用户的干扰范围如图2所示，认知用户1，2，3在PU干扰范围之外可以使用授权用户的信道A，但是认知用户4在PU干扰范围之内，不能与PU同时使用该信道。当2个相邻的SU的干扰范围彼此交叠时，如果它们使用同一信道通信，也会互相干扰。认知用户之间的距离关系如图3所示，认知用户1和3，2和3之间干扰范围均产生了交叠，所以，他们之间不能同时使用同一个信道进行通信。但SU1和SU2之间干扰范围不产生交叠，即用户1和2之间可以同时共用一个信道。因此，认知用户在保证正常通信的基础上既要受到PU干扰约束，也要受到来自相邻SU的约束。

图1　认知无线电频谱分配模型Fig.1　Cognitive radio spectrum allocation model

在认知网络中，由于SU的位置可能是时变的，所以，频谱可用性也会相应地变化。这就使得整个认知无线网络的拓扑结构会随着用户的移动而发生相应的改变。如果要给网络中的SU分配可用频谱，就需要周期性地检测网络结构，实时了解整个网络结构信息，同时也要保证认知网络中每个节点随时更新获得的网络信息。本文假设在一个短暂周期内网络结构不会发生变化。

图2　认知用户与授权用户的干扰范围Fig.2　SU and PU interference range

图3　认知用户之间距离关系Fig.3　Interference relationship among secondary users

2认知无线网络中多目标频谱分配

2.1频谱分配模型

考虑一个认知无线网络模型，假设由N个SU和M个PU组。定义认知用户集合N{1,…,N}，授权用户集合M{1,…,M}，即在该网络中有M个信道可供用户使用。其中，每个SU的干扰范围半径ds(N)∈[dmin,dmax]，PU的干扰范围半径为dp(M)，dp(N,M)表示SU到PU的欧氏距离，ds(N1,N2)表示认知用户N1和N2之间的欧氏距离。根据该网络模型中用户的位置和附近PU的信道使用情况获得SU可用频谱、干扰约束、频谱效益等信息。对此，定义如下。

1)可用频谱：L={ln,m|ln,m∈{0,1}}N×M表示频谱可用情况的二进制矩阵。ln,m=1表示用户n可以使用频谱m；反之不行。如果dp(n,m)

2)频谱效益：B={bn,m}N×M表示频谱效益的矩阵。bn,m表示用户n使用频谱m获得的效益，这个效益可以表示最大网络效益。频谱效益的取值可以计算SU和PU之间的欧氏距离的平方获得，即bn,m=dp(n,m)2。其中，若ln,m=0，则bn,m=0。

3)干扰约束：C={cn,k,m|cn,k,m∈{0,1}}N×N×M表示SU之间同时使用一个频谱而产生干扰的二进制矩阵。cn,k,m=1表示认知用户n和认知用户k同时使用频谱m会产生干扰，反之不会。其中，干扰约束和可用频谱之间有一定的约束关系，比如cn,k,m≤ln,m×lk,m和cn,n,m=1-ln,m。假设该网络中2个认知用户n和k，干扰范围半径分别为ds(n)和ds(k)，用户之间距离为ds(n,k)。若ds(n,k)

4)无干扰分配矩阵：A={an,m|an,m∈{0,1}}N×M表示无干扰且可以分配的频谱分配矩阵。其中，an,m≤ln,m，an,m=1表示频谱m分配给认知用户n使用，反之不分配。无干扰分配矩阵通过对可用频谱和干扰约束处理获得。其中，无干扰分配矩阵需要满足：an,m+ak,m≤1,若cn,k,m=1,∀n,k

2.2系统优化目标

本文主要从整个网络方面考虑一种合理的频谱分配方案，如果单方面考虑可能使整体性能有所下降，那么最终的频谱分配方案具有片面性。所以，本文在考虑最大化网络效益的同时还考虑了频谱接入的公平性。定义如下优化目标。

1)网络总效益(networksumreward，NSR)UNSR定义为

(1)

该目标是使网络总效益达到最大化，进而获得使网络效益最大化的频谱分配方案。

2)用户接入网络公平性(accessfairness,AF)UAF定义为

(2)

该目标是最小化UAF值，进而获得使网络用户可以公平性接入网络的频谱分配方案。

3)最大比例公平网络效益(maxproportionalfairness,MPF)UMPF定义为

(3)

该目标意味着每个用户都有10-4的初始网络效益，最大化UMPF值以便获得最大比例公平性频谱分配方案。

4)系统总体性能E定义为

(4)

采用加权作为总体性能优化目标。

频谱分配的过程就是要寻找使系统总体性能最大化的无干扰分配矩阵A*，同时A*需要综合考虑上述各个优化目标。则

(5)

(5)式中，φ(L,C)N×M表示可供分配的无干扰分配矩阵集合。

3基于HJ-DQPSO优化的频谱分配机制

本文采用基于HJ-QPSO理论组合优化的频谱分配机制，并对QPSO算法进行离散化处理获得离散化的量子粒子群(discrete QPSO, DQPSO)，更适合本文离散的频谱分配模型，以下简称HJ-DQPSO。该机制具有以下优点。

1)DQPSO是基于多目标的优化算法，粒子通过跟踪全局最优解和个体最优解不断进行搜索。HJ是确定性的单目标局部优化方法，HJ采用探测移动和模式移动2种模式交替进行，顺着适应度下降或上升的最佳方向移动，可以迅速地得到局部最优解。将HJ方法和DQPSO进行混合，既可以优化搜索过程，也可以快速地逼近最优解。

2)与其他的优化算法相比，本文的QPSO算法采用离散化处理，更适合离散的频谱分配模型，且全局搜索能力较强。HJ具有很强的局部搜索能力， HJ和DQPSO有机地结合可以实现全局搜索和局部搜索的互补。

3)将HJ嵌入DQPSO中，不会限制DQPSO的使用，那么，HJ-DQPSO算法的应用约束性较小。DQPSO是一种并行结构的算法，HJ算法也可以对每一个并行进行搜索，算法简单，能快速收敛。因此，HJ-DQPSO算法收敛较快。

3.1HJ-DQPSO算法具体流程

1)初始化各参数，根据对(5)式离散化改进的方法计算种群的平均最好位置mbest；

2)根据(1)—(4)式计算粒子的适应度；

3)将粒子个体最好位置pbest和全局最好位置gbest的适应度与粒子的适应度相比较，如果后者好，就将其作为个体最好位置和全局最好位置；

4)根据(8)—(10)式更新粒子的位置；

5)根据(11)式计算种群的标准差S，如果S<δ(由δ判断是否陷入局部最优状态)，则执行HJ算法。再将值回代到DQPSO算法中进行再搜索；

6)若满足停止条件(本文设置约定迭代次数为约束条件)，则搜索结束, 输出全局最优值与全局历史最优位置，否则继续返回到步骤3)进行再搜索。

3.2频谱分配流程图

频谱分配流程图如图4所示。

图4　频谱分配流程图Fig.4　Flow chart of spectrum allocation

3.3HJ-DQPSO算法分析

HJ算法步骤如下。

1)初始化初始点x0、步长、加速系数γ>0、收缩系数θ∈(0,1)及精度ε，置k=0。

3)令x(k+1)=y，若f(x(k+1))>f(x(k))，则对x(k+1)沿加速方向做模式移动，加速方向为p(k)=x(k+1)-x(k)。再令y=x(k+1)+γp(k)，δ(k+1)=δ(k)，令k=k+1，转到步骤2)，否则转到步骤4)。

4)若|δk|<ε，则停止迭代，输出x(k)，否者令y=x(k+1)，x(k+1)=x(k)，δ(k+1)=θδ(k)，k=k+1，转到步骤2)重新开始进行探测移动。

(6)

(7)

(8)

(7)式中：α为收缩扩张因子；ui,j(t)为0到1之间的随机数。

上述QPSO算法仅适合连续的状态模型，本文的频谱分配模型是一种离散的模型，所以，本文采用对QPSO算法进行离散化改进处理，即DQPSO。采用0,1出现的概率来改进对(6)式中平均最优位置mbest进行求解。对H个体最优位置pbest中某一维度上的0或1出现的概率多少进行取值。如果出现0的概率大，则mbest对应维度上的值为0，反之为1。如果0和1出现的概率相同，则mbest上随机选择0和1之间的数。采用(9)式对(7)式进行处理。

Pi=φpbest+(1-φ)gbest

(9)

(10)

(11)

(9)—(11)式中：φ为0和1的随机数；u～U(0,1)；采用遗传算法中的交叉变异操作对(7)式处理：在变异概率Pr大于一个rand()的情况下，Pi中对应维度上采用0和1之间交叉变换，反之对Pi不做处理。然后把Pi赋给粒子的位置xi，再进行不断地循环处理，最终找出最优解。

3.4局部搜索约束

DQPSO在搜索过程中，全局收敛和局部收敛都会使粒子出现聚集现象，此时搜索范围将会减少，陷入局部搜索，这样就很容易脱离全局最优化。为了解决局部最优，提高搜索效率。本文通过引入适应度标准差S来判断粒子是否陷入局部寻优状态。S值越小，表明粒子出现了聚集，可能陷入局部搜索状态。即S反映了粒子的“收敛”程度，S定义为

(12)

(13)

(12)—(13)式中：fi为第i个粒子的适应度；fave为粒子当前的平均适应度。

3.5算法复杂度分析

本文算法计算复杂度主要包括频谱分配模型处理的计算复杂度和粒子群迭代的计算复杂度，频谱分配模型处理的计算复杂度为O(N×M)，执行粒子群迭代的计算复杂度为O(T×swarm_size×D)，其中，T为迭代次数，swarm_size为粒子种群规模。因此，该算法计算复杂度为O(T×swarm_size×D)。表1列出了本文对比其他频谱分配算法的计算复杂度。表1中，sizepop为量子遗传算法的种群规模；population为遗传算法的染色体规模；step为穷尽搜索算法的每次迭代遍历的点数；l为可用频谱矩阵中值为1的个数。因此，随着接入网络的用户逐渐增加，可用频谱L维度增大，l的值会逐渐增大，而D值固定且设定的值始终比l值较小，因此，除PSO算法外，本文算法计算复杂度均比其他算法小。

表1　不同算法对应的复杂度

4实验仿真与结果分析

仿真考虑设置在一个20×20的认知无线网络区域，该区域有N个SU和M个PU。由用户的位置和干扰范围，获得该模型下可用频谱L、频谱效益B、干扰约束C等信息。仿真过程中，为证明本文所提算法的性能，将本文算法和文献[18]提出的量子遗传算法(quantum genetic algorithm,QGA)、文献[17]提出的粒子群算法(particle swarm optimization,PSO)、文献[16]提出的遗传算法(genetic algorithm,GA)、穷尽搜索算法(exhaustive search,ES)进行比较。其仿真参数设置参考对应的文献。为比较本文算法的性能，本文分别采用上述(1)—(4)式为评价函数。

图5为由8个PU和15个SU组成的认知无线网络模型仿真图，PU的干扰半径为dp∈[3,5]，SU的干扰半径为ds∈[1,3]。该图描述了用户的位置分布。图6表述了用户的干扰范围分布。从图6中可以统计出用户的频谱可用频谱和干扰约束。

图5　用户位置分布Fig.5　Users’ location distribution

图7考虑PU用户数为10个，SU用户数为分别10，15，20，25，30。单独考虑网络总效益UNSR的情况下，针对100次试验取得的UNSR求平均。从图6中可以看出，随着SU的逐渐接入，网络总效益呈总体上升趋势。而本文提出的HJ-DQPSO算法始终高于其他算法，趋势稳定，更能逼近最优值。这是因为本文提出的机制在搜索最优值时跳出了局部最优点的约束，在全局范围内寻找最优值。因此，大规模的认知用户频谱分配中，本文提出的频谱分配机制可以获得更优的频谱分配方案。

图7　网络总效益Fig.7　Network sum reward

图8为考虑10个PU，SU个数分别为10，15，20，25，30，在单独考虑最大比例公平网络效益UMPF的情况下，针对100次试验取得的UMPF求平均。从图8中可以看出，最大比例公平性网络效益平均值在固定的信道个数的情况下呈下降趋势。表明SU越多，对用户的公平性接入会起到一定的影响。因为当SU越多时，用户之间的竞争越激烈，公平性随之逐渐下降。但本文提出的HJ-DQPSO机制的最大比例公平性值均高于其他算法，由于HJ-DQPSO具有不陷入局部最优的优点，所以，在全局搜索得到的最优值之间差别不大，造成的误差较小，所得到的最大比例公平性值比其他算法得到的值大。因此，本文算法在考虑最大比例公平性网络效益方面均优于其他算法。

图9为考虑10个PU，SU用户数为分别10，15，20，25，30情况下，针对接入公平性优化得到的效果图。从图9中可以看出，本文提出的HJ-DQPSO算法优于GA算法，但相比于QGA，PSO算法性能较差。但在SU用户数为10时，优于ES算法，在大于10之后，本文算法逐渐比ES算法性能差。单独从接入公平性方面，总体上来说，本文算法虽然不如QGA，ES和PSO算法，但与这些算法之间的差异影响并不大，对整体性能的影响也不会太大，所以，引起的误差在可考虑范围之内。此外，相对GA算法，本文算法性能较优。

图8　最大比例公平网络效益Fig.8　Max proportional fairness network reward

图9　接入公平性Fig.9　Access fairness

图10主要考虑总体性能优化。从图10可以看出，本文提出的算法在200次的迭代范围内可以较快速收敛到最优值，得到的系统总体性能值均高于其他算法。说明在满足多个优化目标的情况下，HJ-DQPSO得到的总体性能更优。且到一定的迭代次数后能保持稳定性，表明本文算法具有较好的收敛性。因此，本文提出的HJ-DQPSO算法均比其他算法产生的效果好。

上述仿真结果表明，本文所提的频谱分配机制虽然在接入公平性方面比QGA，PSO，ES算法性能差，但从网络总效益和最大比例公平网络效益方面看，能更好地逼近最优值，从而在系统总体效益方面能更好地满足用户需求。由于HJ-DQPSO对某些局部点具有筛选的功能，删除不必要的搜索范围，进而避免陷入局部收敛的状态。由于不需要搜索全部的范围，所以收敛较快。针对时变的认知无线网络，能及时调整频谱分配方案，满足用户的即时需求，具有很好的适应性。

图10　系统总体性能Fig.10　Overall system performances

5结论

在复杂的异构网络中，频谱分配是一个解决频谱利用率低和无线资源紧缺的关键技术。本文提出一种基于HJ-DQPSO的频谱分配机制。仿真结果表明，该算法是一种寻优能力强、收敛速度快、参数设置少且不易陷入局部搜索的优化方法。随着迭代次数的增加，本文所提算法能逐渐趋于稳定，具有一定的稳定性。在考虑系统网络总效益和SU接入公平性联合优化的情况下，采用本文所提算法可以获得使系统总体性能最大化的频谱分配方案。因此，验证了本文所提分配机制的有效性。本文同时对该算法进行了算法分析以及算法复杂度分析，给出了算法的整体流程图和相关公式以及仿真的实现，验证了本文所提算法的可实现性和合理性。

参考文献：

[1]AKYILDIZ I F, LEE W Y, VURAN M C, et al. NeXt generation/dynamic spectrum access/cognitive radio wireless networks: a survey [J]. Computer Networks, 2006, 50(13): 2127-2159.

[2]LIANG Y C, CHEN K C, LI G Y, et al. Cognitive radio networking and communications: An overview [J]. Vehicular Technology, IEEE Transactions on, 2011, 60(7): 3386-3407.

[3]刘昌明,李林,冯文江,等. 基于认知无线电的MANET网络中虚拟骨干网的建立[J]. 西南大学学报:自然科学版,2012,34(09):128-135.

LIU Changming, LI Lin, FENG Wenjiang, et al. The Formation of Virtual Backbone Network in MANETs Based on Cognitive Radio[J].Journal of Southwest University:Natural Science Edition,2012,34(09):128-135.

[4]HAYKIN S. Cognitive radio: brain-empowered wireless communications [J]. Selected Areas in Communications, IEEE Journal on, 2005, 23(2): 201-220.

[5]SAQUIB N, HOSSAIN E, KIM D I. Fractional frequency reuse for interference management in LTE-advanced hetnets [J]. Wireless Communications, IEEE, 2013, 20(2): 113-122.

[6]FAGANELLO L R, KUNST R, BOTH C B, et al. Improving reinforcement learning algorithms for dynamic spectrum allocation in cognitive sensor networks[C]//Wireless Communications and Networking Conference (WCNC). Shanghai,China: IEEE Press, 2013: 35-40.

[7]ZHU H, NEL A L, SUMBWANYAMBE M, et al. Revenue and utility maximization under centralized dynamic spectrum allocation[C]//Industrial Engineering and Engineering Management (IEEM), 2013 IEEE International Conference. Baotou, China: IEEE Press, 2013: 1293-1298.

[8]候兴哲,邓岑,何昊宸,等. 认知协同MANET网络分布式功率控制算法[J]. 西南大学学报:自然科学版,2014,36(08):178-184.

HOU Xingzhe, DENG Cen, HE Haochen, et al. Distributed Power Control Algorithm for Cognitive Cooperative Mobile Ad Hoc Networks[J]. Journal of Southwest University:Natural Science Edition，2014,36(08):178-184.

[9]NIE N, COMANICIU C. Adaptive channel allocation spectrum etiquette for cognitive radio networks [J]. Mobile networks and applications, 2006, 11(6): 779-797.

[10] PENG C, ZHENG H, ZHAO B Y. Utilization and fairness in spectrum assignment for opportunistic spectrum access [J]. Mobile Networks and Applications, 2006, 11(4): 555-576.

[11] SENGUPTA S, CHATTERJEE M. Designing auction mechanisms for dynamic spectrum access [J]. Mobile Networks and Applications, 2008, 13(5): 498-515.

[12] ZHIHUI Y, KEQIN S. Multi-objective cooperative algorithms based on game theory in cognitive radio[C]//International Conference on Wireless Communications & Signal Processing. Nanjing, China: IEEE Press, 2009: 1-4.

[13] DI F M, CHOWDHURY K R, BONONI L. Cooperative spectrum management in cognitive vehicular ad hoc networks[C]//Vehicular Networking Conference(VNC). Amsterdam, Holland: IEEE Press, 2011: 47-54.

[14] CAO L, ZHENG H. Distributed spectrum allocation via local bargaining[C]//Sensor and Ad Hoc Communications and Networks. Santa Clara,USA :IEEE Press, 2005: 475-486.

[15] 宫润胜,胡中豫,申涛. 认知无线电中多节点协作频谱感知及其融合算法[J]. 西南大学学报:自然科学版,2008,30(11):151-155.

GONG Runsheng, HU Zhongyu, SHEN Tao. Analysis of Multi-node Cooperative Spectrum Sensing and Involved Data Fusion Algorithms for CR Networks[J]. Journal of Southwest University:Natural Science Edition,2008,30(11):151-155.

[16] LIU M, ZHANG H, FAN R, et al. The GA solution of dynamic spectrum allocation in cognitive radio based on collaboration and fairness[C]//Circuits, Communications and System (PACCS), 2011 Third Pacific-Asia Conference. Wuhan,China: IEEE Press, 2011: 1-4.

[17] ZHANG B W, ZHU Y L, HUK Y. Spectrum assignment algorithm based on particle swarm optimization for cognitive radio [J]. Journal of Computer Applications, 2011, 31(12): 3184-3187.

[18] ZHAO Z, PENG Z, ZHENG S, et al. Cognitive radio spectrum allocation using evolutionary algorithms[J]. Wireless Communications, IEEE Transactions on, 2009, 8(9): 4421-4425.

[19] CHAI Z Y, LIU F. Spectrum allocation of cognitive wireless network based on immune clone selection optimization [J]. Journal of China Institute of Communications, 2010, 31(11): 92-100.

[20] LIU Q, NIU H, XU W, et al. A service-oriented spectrum allocation algorithm using enhanced PSO for cognitive wireless networks [J]. Computer Networks, 2014(74): 81-91.

Spectrum allocation mechanism based on HJ-DQPSO for cognitive radio networks

ZHU Jiang, XIONG Jiahao, CHEN Hongcui

(Chongqing Key Lab of Mobile Communications Technology, Chongqing University of Posts and Telecommunications,Chongqing 400065, P.R. China)

Abstract:In cognitive radio network model consisting of secondary users and primary users, in order to solve the difficult multi-objective spectrum allocation issue about maximizing network efficiency and users’ fairness to access network, this paper proposes a new discrete multi-objective combinatorial optimization mechanism—HJ-DQPSO based on hooke jeeves (HJ) calculation and quantum particle swarm optimization (QPSO) algorithm. The mechanism adopts HJ algorithm to local search to prevent falling into the local optimum, and proposes a discrete QPSO algorithm to match the discrete spectrum assignment model. The mechanism has the advantages of approximating optimal solution, rapid convergence, setting less parameters, avoiding falling into local optimum. Compared with existing spectrum assignment algorithms by spectrum assignment algorithm performance simulation, the simulation results show that according to different optimization objectives, the HJ-DQPSO optimization mechanism for multi-objective optimization can better approximate the optimal solution and converge fast. We can obtain a more reasonable spectrum allocation scheme in the case of satisfying multiple optimization objectives.

Keywords：cognitive radio; spectrum allocation; quantum particle swarm; multi-objective optimization

DOI：10.3979/j.issn.1673-825X.2016.01.006

收稿日期：2015-02-06

修订日期：2015-10-12通讯作者：熊加毫602165121@qq.com

基金项目：国家自然科学基金(61102062)；教育部科学技术研究重点项目(212145)；重庆市科委自然科学基金(CSTC2011JJA1192)；重庆市教委科学技术研究项目(KJ110503)

Foundation Items：The National Nature Science Foundation of China(61102062); The Key Science and Technology Research Project of The Education Ministry(212145); The National Nature Science Foundation of Chongqing(CSTC2011JJA1192); The Science and Technology Research Project of Chongqing Municipal Education Commission of China(KJ110503)

中图分类号：TN929.5

文献标志码：A

文章编号：1673-825X(2016)01-0037-08

作者简介：