群体智能在认知无线电中的应用

张琳　齐维毅 　潘庆超　徐冰　申海

【摘 要】随着无线通信技术的迅速发展，日益增长的频谱需求与有限的频谱资源的冲突变得越来越严峻。认知无线电的出现为解决频谱资源紧缺问题提供了一种有效地解决办法，本文介绍了认知无线电的概念及其关键技术，总结分析了近几年群体智能在认知无线电中的研究成果，最后，结合认知无线电的研究现状，对群体智能在认知无线电中的应用前景作出了展望。

【关键词】认知无线电；频谱感知；频谱分配；频谱决策

中图分类号： TN925 文献标识码： A 文章编号： 2095-2457（2018）35-0129-002

DOI：10.19694/j.cnki.issn2095-2457.2018.35.054

Application of Swarm Intelligence in Cognitive Radio

ZHANG Lin1 QI Wei-yi1 PAN Qing-chao1 XU Bing2 SHEN Hai1*

（1.College of Physics Science and Technology， Shenyang Normal University， Liaoning Shenyang 110034， China；

2.Shenyang Public Security Bureau Science and Technology Communication Office， Liaoning Shenyang 110001， China）

【Abstract】With the rapid development of wireless communication technology， the conflict between the increasing spectrum demand and the limited spectrum resources becomes more and more serious. The emergence of cognitive radio provides an effective solution to the shortage of spectrum resources. This paper introduces the concept of cognitive radio and its key technologies， summarizes and analyses the research results of swarm intelligence in cognitive radio in recent years， and finally， combines with the research status of cognitive radio， makes a study of swarm intelligence in cognitive radio. The application prospect of cognitive radio is prospected.

【Key words】Cognitive radio； Spectrum sensing； Spectrum allocation； Spectrum decision

0 引言

無线频谱资源是一种非常宝贵、稀缺和重要的资源。目前，频谱资源是由政府分配和管理的。随着无线电通信需求的不断增长，可用频谱资源越来越少。1999年，Joseph Mitola提出了认知无线电的概念。认知无线电是一种智能无线通信技术，能够发现和利用空闲频谱，并根据感知到的外部环境来调整通信参数，从而达到提高通信效率的目的。

近年来，许多研究者已经将群智能算法应用于认知无线电问题的求解。例如，遗传算法和细菌算法被用来实现多目标工作参数的优化；利用量子蜂群算法处理频谱分配问题，以获得更大的网络平均效益和网络公平性。

本文内容安排如下：第一节介绍了认知无线电和群体智能的概念。第二节详细介绍了频谱感知和群体智能的应用；第三节对频谱分配的内容和相关研究成果进行说明。第四节对频谱决策和算法进行了总结。最后，第五节对全文进行了总结。

1 认知无线电与群体智能

认知无线电是一个动态频谱分配过程，认知用户可以在不干扰主用户正常通信的情况下，动态接入空闲的频谱。如图1所示，认知无线电主要包括频谱感知、频谱分配和频谱决策，这三部分共同构成了认知循环。

频谱感知是认知无线电的前提，是频谱分配和频谱决策的保证。

频谱分配是从感知到的频谱中选择最合适的频谱，从而为下一步的频谱决策过程奠定基础。

为了适应不同的无线环境，采用频谱决策来调整通信中的工作参数。

群体智能是在生物种群社会行为的启发下得出的概念，在解决优化问题方面取得了丰富的研究成果，如求解NP难问题。常见的群体智能方法有蚁群算法、蜂群优化算法和鱼群算法等。群体智能算法具有较强的鲁棒性，少数个体的行为对整个群体的性能影响不大。在群体智能算法中，个体需要的信息少，动作简单。这些因素使群体智能算法具有可扩展性和易于实现的特点。

2 频谱感知

频谱感知作为认知无线电技术的第一环节，能够准确地检测出授权用户不使用的空闲频谱，而不影响授权用户的通信效果。这样，认知用户可以充分利用这些空闲频谱进行通信，几种常见的频谱感知方法如图2所示。

2.1 基于改进混合蛙跳算法的频谱感知

在研究混合蛙跳算法的基础上，郑仕链[1]等人对移动方式的更新方式进行改进，并以线性协作频谱感知为框架，提出改进的混合蛙跳协作感知算法。通过仿真比较可以发现改进后的混合蛙跳算法优化所得的检测概率明显优于传统算法，且比传统算法更稳定。

2.2 基于改进粒子群算法的频谱感知

岳文静[2]对传统的粒子群算法进行了研究和改进，并将加速度变量引入到粒子的位置更新中，从而提出了一种加速食物引导的粒子群优化算法。在不同的环境和条件下，加速食物引导的粒子群优化算法都能获得更好的频谱检测概率，比传统的粒子群优化算法有更好的优越性。

2.3 基于遗传算法的频谱感知

邓丽粼[3]将遗传算法引入频谱感知方法中，采用遗传算法来求解最优门限向量，优化认知系统的吞吐量。与传统的频谱感知方法相比，该方法的检测效率更高。

3 频谱分配

如图3所示，频谱分配是指根据用户数量和用户的需求，从频谱感知获得的可用频谱中选择最能满足用户需求的频谱并将其分配给认知用户，这样，认知用户就可以合理、公平地共享频谱资源。

3.1 基于粒子群和遗传算法的频谱分配

孙海建[4]将遗传算法的交叉、变异操作引入粒子群算法，同时，还引入线性惯性权重函数解决权重参数选择问题。融合算法避免了两种算法各自在频谱分配问题上的局限性，提高了算法的搜索精度和收敛速度。

3.2 基于鲶鱼粒子群算法的频谱分配

卓志宏[5]将“鲶鱼效应”引入粒子群算法中，用来解决认知无线电中的频谱分配问题。鲶鱼粒子群算法的寻优能力更强，能够让有限的频谱资源得到充分利用，满足认知无线电系统中的用户需求。

3.3 基于遗传蚁群优化算法的频谱分配

吴轩[6]提出了一种动态融合遗传算法和蚁群算法各自的优点的频谱分配方法。 利用遗传算法生成初始解，通过衔接策略使二者在最佳时机进行融合，将遗传算法所产生的初始解转化成为蚁群算法所需要的初始信息素，并使用蚁群算法求取最优解。与传统的颜色敏感图算法相比，该算法能够实现网络效益的最大化，优化性能更好。

4 频谱决策

如图4所示，频谱决策的核心思想是根据感知到的无线环境以及用户需求实时调整配置无线电通信参数，从而使得有限的无线电频谱得到最佳利用。

4.1 基于二进制人工蜂群算法的频谱决策

为了使认知无线电在频谱决策过程中具备自适应调整功能，李鑫滨[7]等人提出了二进制人工蜂群算法。首先，认知无线电决策问题被转化为多目标函数优化问题，接着，通过加权和方法将复杂的多目标函数进行归一化，成为简单的单目标函数优化问题。该方法的搜索效率、收敛速度和收敛精度明显优于二进制粒子群算法，在实际应用中能够满足高精度和实时性要求的无线环境或用户需求。

4.2 基于二进制量子粒子群算法的频谱决策

张静[8]等人在粒子群算法中引入量子的概念，使得粒子群算法具备了非线性特征和不确定性的特点。与传统频谱決策方法相比，该算法能够自动调整通信参数，具有收敛快、稳定性好、平均适应度高的特点，在复杂的无线频谱环境中能够快速进行决策，具备较强的适应能力。

4.3 基于改进多目标遗传算法的频谱决策

基于云理论，杨晟尧[9]提出了改进多目标遗传算法的频谱决策方法。同时，他还在算法中引进了种群调整技术， 进一步提高了算法的收敛速度和优化性能，能够更好地满足认知无线电系统的通信实时性要求。

5 结论

目前，群体智能在认知无线电中的应用大多还处于理论研究阶段。现有算法大多针对静态环境，即在算法的一次执行过程中，主用户状态、认知用户状态和可用频谱不发生变化。研究人员应加强对动态模型的研究，当其中一个因素发生变化时，空闲频谱的分配可以迅速发生变化，从而进一步提高频谱的利用效率。另外，可以将群体智能算法与模糊控制、预测机制和人工神经网络算法等其它优化方法相结合，提高认知无线电系统的适应能力和学习能力。

【参考文献】

[1]郑仕链，楼才义，杨小牛.基于改进混合蛙跳算法的认知无线电协作频谱感知[J].物理学报，2010，59（05）：3611-3617.

[2]岳文静，魏怡，陈志.加速食物引导的粒子群算法在协作频谱感知中的应用[J/OL].计算机应用研究，2018，35（07）：2103-2105+2109.

[3]邓丽粼，张翠芳，周兴建，温坤华.遗传算法在认知无线电频谱感知中的应用[J].电子技术应用，2010，36（03）：113-116.

[4]孙海建.基于粒子群算法和遗传算法的频谱分配研究[D].吉林大学，2015.

[5]卓志宏.基于鲶鱼粒子群算法的认知无线电频谱分配[J].电视技术，2014，38（07）：145-148+189.

[6]吴轩，孙文胜，陆家明.基于遗传蚁群优化算法的认知无线电频谱分配[J].通信技术，2015，48（11）：1265-1269.

[7]李鑫滨，石爱武.基于二进制人工蜂群算法的认知无线电决策引擎[J].燕山大学学报，2012，36（05）：439-444.

[8]张静，周正，高万鑫，石磊，唐亮.基于二进制量子粒子群算法的认知无线电决策引擎[J].仪器仪表学报，2011，32（02）：451-456.

[9]杨晟尧.基于多目标遗传算法的认知无线电决策引擎[D].大连理工大学，2011.