认知中继网络的量子化学反应优化多中继选择方法与流程

本发明涉及的是一种认知中继选择方法。

背景技术：

认知无线电(cognitiveradio)网络能够通过所处环境的变化来调整自身参数，具有很强的自适应能力，通过对空闲的授权频段再次利用，提高了无线频谱的利用率，现已成为解决无线频谱资源匮乏问题的重要途径，为现阶段无线通信系统提供了极大的发展空间。在认知中继网络中，往往存在多个候选中继节点。受地理位置和信道衰落的影响，各中继提高认知用户(secondaryuser，su)传输质量的能力以及对主用户(primaryuser，pu)造成的干扰存在差异，因此，如何选择合适的中继协助认知用户的传输是认知中继网络研究的关键问题之一。

由于中继选择是np-hard问题，随着中继数目的增加，算法的复杂度也随之指数性增加，很难在短时间内求出最优解。因此，设计新的中继选择方案，在保证性能接近穷尽搜索得到的解的同时降低算法复杂度，具有重要的意义。杨龙等在《电子与信息学报》上发表的“认知中继网络的多中继选择方法”根据多中继协作时目的节点信噪比的一阶偏导数特征，定义了中继协作效率，提出了一种基于协作效率的迭代中继选择方案，复杂度较低，但系统吞吐量也较低，且没有考虑无主用户约束的情况。moonchangchoi等在《ieeevehiculartechnologyconference》上发表的“lowcomplexitymultiplerelayselectionschemeforcognitiverelaynetworks”提出了一种简单的多中继选择方法，即根据信道信息，将更多的功率分配给那些对主用户干扰较少的中继，再根据功率分配方案，进行中继选择，也没有考虑无主用户约束的情况。

技术实现要素：

本发明的目的在于提供一种吞吐量大的认知中继网络的量子化学反应优化多中继选择方法。

本发明的目的是这样实现的：

步骤一，建立认知系统中继选择模型

认知中继网络由认知用户源节点s、目的节点d和l个放大-转发(amplifiedandforward，af)半双工中继组成，在有主用户约束条件下，认知用户源节点s、目的节点d和各中继ri,i＝1,2,…,l与主用户接收机a共享带宽为w的授权频带，一帧分为两个时隙(timeslot，ts)：ts1和ts2,在ts1，主用户源节点向其接收机发送信号，认知用户源节点向各中继发送信号，会对主用户接收机产生干扰；在ts2，主用户源节点继续向其接收机发送信号，在ts1中被选择的中继向认知用户目的节点转发信号，也会对主用户接收机产生干扰,任意两节点i和j之间的信道衰落其中，χi,j为节点i和节点j之间的距离，κ为衰落系数，ξ为路径损耗指数,ts1中，认知用户源节点到第i个中继的信道衰落为到主用户接收机的信道衰落为hs,a；ts2中，第i个中继到认知用户目的节点的信道衰落为到主用户接收机的信道衰落为

假设所有接收的噪声服从均值为0，方差为σ²的复高斯分布,在ts1，认知用户源节点s以功率ps发送单位能量信号xs，则第i个中继ri收到的信号为：

其中，表示中继节点ri处的噪声,将yi归一化，得：

由于主用户发射机与认知用户目的节点和各中继距离较远，故对认知中继网络的干扰可以忽略,当认知用户源节点以功率ps发送信号时，发送功率既不能超过自身的最大发送功率也不能使得经信道衰落后对主用户接收机的干扰超过门限值ith，否则会使主用户通信中断，因此，可采用如下简单的功率控制策略：

其中，min(·)表示取一组数中的最小值；

在ts2，所有被选择的中继向认知用户目的节点d转发在ts1收到的信号,中继选择结果用变量b来表示：如果第i个中继ri被选择，则令bi＝1；如果第i个中继ri未被选择，则令bi＝0,认知用户目的节点d收到的信号为：

其中，表示中继ri的发送功率，ηd表示目的节点d处的高斯白噪声,由于各中继在转发信息时使用同一频带，其发送功率既不能超过自身的最大发送功率，也不能使得经信道衰落后对主用户接收机的总干扰超过门限值ith，因此，可采用如下简单的功率控制策略：

其中，表示各中继的最大发送功率，m表示被选择中继的数目,故认知用户源节点s到目的节点d链路的吞吐量为：

在无主用户约束条件下，只需考虑认知用户源节点s到目的节点d链路最大吞吐量即可，即不用考虑对主用户接收机的干扰。认知用户源节点s、目的节点d和各中继ri的授权频带带宽仍为w,一帧分为两个时隙：ts1和ts2,在ts1，认知用户源节点向各中继发送信号；在ts2，被选择的中继向认知用户目的节点发送信号；

在ts1，认知用户源节点s以最大功率发送单位能量信号xs′，则第i个中继ri收到的信号为：

将yi′归一化，得：

在ts2，所有被选择的中继以最大功率向认知用户目的节点d转发在ts1收到的信号,中继选择结果用变量b来表示：如果第i个中继ri被选择，则令bi＝1；如果第i个中继ri未被选择，则令bi＝0,认知用户目的节点d收到的信号为：

认知用户源节点s到目的节点d链路的吞吐量为：

步骤二，初始化量子分子集合及系统参数

设定集合中量子分子数目为n，维度为l，初始化量子分子动能ke，动能损失系数kelossrate，第t代集合的第n个量子分子可表示为其中，n＝1,2,...,n，l＝1,2,...,l，为了将量子分子映射为测量态采用如下规则，其测量规则为：

其中，为0～1之间均匀分布的随机数；

步骤三，量子分子的评价

通过如下的势能评价函数对集合中所有量子分子的势能进行评价：

其中，第n个量子分子对应的测量态代表认知中继网络中第n种中继选择方案，若其第l维值为1，则代表第l个中继被选择；若其第l维值为0，则代表第l个中继未被选择，ps、prl的取值视步骤一中的具体约束条件而定，对集合中所有量子分子的势能进行评价，选出势能最小值对应的测量态，即为全局最优解

步骤四，更新量子分子

以分解反应由一个量子分子变为两个量子分子，合成反应由两个量子分子变为一个量子分子为例，将量子分子的动能从高到低排序，排序后的结果记为集合1，即其相应的测量态为为了保证反应后集合1规模不变，令动能排在前20％的量子分子发生分解反应，排在后40％的量子分子发生合成反应，其余的量子分子发生无效碰撞；

定义一个新的集合2，用来存储集合1反应后生成的量子分子，为集合2存储的第k个量子分子，分别表示对应的分解反应、无效碰撞和合成反应；

1、经分解反应，集合1中第n个量子分子变为集合2中第k、k+1个量子分子，其中，n＝1,2,...,n1，k＝1,3,...,2n1-1，n1＝0.2n，对于集合2中第k个量子分子，首先复制集合中第n个量子分子的所有元素到中，然后从中随机选择l/2个元素，对选择的每一个元素都根据如下规则更新：

其中，是集合2中第k个量子分子的第l个量子旋转角，c1为大于0的常数，和为[0,1]间的均匀随机数；对于集合2中第k+1个量子分子，复制集合1中第n个量子分子的所有元素到中，然后从中随机选择l/2个元素，对选择的每一个元素都根据如下规则更新：

其中，是集合2中第k+1个量子分子的第l个量子旋转角，c2为大于0的常数，为[0,1]间的均匀随机数，分解反应后生成的量子分子的动能小于反应前量子分子的动能，为了便于计算，令分解反应后生成的第k、k+1个量子分子的动能均为反应前第n个量子分子动能的e1倍，e1为与动能损失系数kelossrate有关的常数，令e1＝(1-kelossrate)/2；

2、经无效碰撞，集合1中第n个量子分子变为集合2中第k个量子分子，其中，n＝n1+1,n1+2,...,3n1，k＝2n1+1,2n1+2,...,4n1，对集合1中所有量子分子的势能进行升序排序，排序后的结果存储为集合3；为集合3存储的按势能升序排序后集合1中量子分子的测量态，选择集合3中前10％的个体中的任意一个作为集合1中第n个量子分子的演进方向，按如下规则更新其第l个量子旋转角和量子位置：

其中，c3、c4均为大于0的常数，和为[0,1]间的均匀随机数，j为按势能升序排序后随机选中的量子分子的标号，无效碰撞后生成的量子分子的动能小于反应前量子分子的动能，为了便于计算，令无效碰撞后生成的第k个量子分子的动能为反应前第n个量子分子动能的e2倍，e2为与动能损失系数kelossrate有关的常数，令e2＝1-kelossrate；

3、经合成反应，集合1中第n、n+1个量子分子变为集合2中第k个量子分子，其中，n＝3n1+1,3n1+3,...,n-1，k＝4n1+1,4n1+2,...,n，集合2中存储的第k个量子分子中每一个元素按轮盘赌的方法依概率从中随机选取，概率1-zn从中随机选取，合成反应后生成的量子分子的动能小于反应前量子分子的动能，为了便于计算，令合成反应后生成的第k个量子分子的动能为反应前第n、n+1个量子分子动能之和的e3倍，e3为与动能损失系数kelossrate有关的常数，令e3＝1-kelossrate；

各反应均结束后，将集合2中存储的量子分子进行赋值操作，即其中，对量子分子进行测量得到其测量态其测量规则为：

其中，为0～1之间的均匀随机数；

步骤五，对新产生的量子分子的势能进行评价，若新产生的量子分子的势能最小值小于上一代势能最小值，则将其对应的测量态记为新的全局最优解；否则，保留原来的全局最优解；

步骤六，如果迭代次数小于预先设定的最大迭代次数，返回步骤四；否则，终止迭代，输出全局最优解，即为认知中继网络的最佳多中继选择方案。

认知无线电技术的关键和重点是进行频谱感知，即认知用户要实时检测相关频带上主用户的出现情况，在占用即时可用本地频谱的同时，避开对主用户通信产生干扰。本发明针对现有认知中继选择方法吞吐量较小的不足，设计了量子化学反应优化认知多中继选择方法，以此得出有效的认知中继选择方案。

本发明的认知中继选择方法，具体是考虑认知中继网络在有主用户约束和无主用户约束两种条件下，认知用户源节点到目的节点链路吞吐量最大化的多中继选择方法，这是通过量子化学反应优化(quantumchemicalreactionoptimization，qcro)机制来实现的。

本发明设计的量子化学反应优化认知多中继选择方法，考虑在认知中继网络中有主用户约束和无主用户约束两种条件下，认知中继网络源节点到目的节点最大链路吞吐量，以此得到最佳认知中继选择方案，可解决(0,1)离散优化问题，所设计的认知中继选择方法具有收敛速度快，吞吐量大的特点。

本发明设计的基于量子化学反应优化的认知中继选择方法，均衡考虑有主用户约束和无主用户约束两种情况下，认知中继网络源节点到目的节点最大链路吞吐量，以此得到最佳中继选择方案。与现有技术相比，本发明充分考虑解的多样性，具有以下优点：

1、本发明设计了一种新的方法来解决认知中继网络下的多中继选择问题，所设计的方法收敛速度快，吞吐量大。

2、本发明所设计的量子化学反应优化方法采用三种不同的演进规则，能提高解的多样性，有效避免陷入局部最优，具有很好的全局搜索能力。

3、相比于现有的认知中继选择方法，在其他条件相同的情况下，中继数目越大，本发明设计的方法吞吐量越优于现有的方法。

4、相比于传统的化学反应优化算法，本发明所设计的量子化学反应优化方法简化了原有化学反应优化算法的步骤和参数，反应后的个体并不是随机生成，而是采用三种不同的量子态演进规则，其收敛性有了很大的提高。此外，还可根据不同的问题对演进规则加以组合利用，获得更好的性能，还可移植到其他复杂的工程问题中，具有很好的推广性。

附图说明

图1为量子化学反应优化多中继选择方法示意图；

图2为有主用户约束条件下帧结构图；

图3为无主用户约束条件下帧结构图；

图4为有主用户约束条件下认知系统中继选择模型；

图5为无主用户约束条件下认知系统中继选择模型；

图6为有主用户约束条件下，量子化学反应优化多中继选择方法和分布式多中继选择方法吞吐量随迭代次数变化的曲线；

图7为有主用户约束条件下，量子化学反应优化多中继选择方法和分布式多中继选择方法吞吐量随中继数目变化的曲线；

图8为有主用户约束条件下，量子化学反应优化多中继选择方法和分布式多中继选择方法吞吐量随中继最大发送功率变化的曲线；

图9为有主用户约束条件下，量子化学反应优化多中继选择方法和分布式多中继选择方法吞吐量随干扰门限变化的曲线；

图10为无主用户约束条件下，量子化学反应优化多中继选择方法和离散量子粒子群多中继选择方法吞吐量随迭代次数变化的曲线；

图11为无主用户约束条件下，量子化学反应优化多中继选择方法和离散量子粒子群多中继选择方法吞吐量随中继数目变化的曲线；

图12为无主用户约束条件下，量子化学反应优化多中继选择方法和离散量子粒子群多中继选择方法吞吐量随中继最大发送功率变化的曲线。

具体实施方式

下面举例对本发明作更详细的描述。

1、建立认知系统中继选择模型，认知中继网络由认知用户源节点s、目的节点d和l个放大-转发半双工中继组成。在有主用户约束条件下，认知用户源节点s、目的节点d和各中继ri(i＝1,2,...,l)与主用户接收机a共享带宽为w的授权频带，认知用户源节点到目的节点链路的吞吐量为：

认知用户源节点的发送功率ps既不能超过自身的最大发送功率也不能使得经信道衰落后对主用户接收机的干扰超过门限值ith。此外，各中继在转发信息时使用同一频带，其发送功率既不能超过自身的最大发送功率，也不能使得经信道衰落后对主用户接收机的总干扰超过门限值ith，否则会使主用户通信中断。因此，可采用如下简单的功率控制策略：

在无主用户约束条件下，只需考虑认知用户源节点s到目的节点d链路最大吞吐量即可。认知用户源节点s、目的节点d和各中继ri(i＝1,2,...,l)的授权频带带宽为w。此时，认知用户源节点以最大发送功率发送信号，各中继以最大功率转发收到的信号，认知用户源节点到目的节点链路的吞吐量为：

2、设定集合中量子分子数目为n，维度为l，初始化量子分子动能ke，动能损失系数kelossrate。第t代集合的第n个量子分子可表示为其中，n＝1,2,...,n，l＝1,2,...,l。为了将量子分子映射为测量态采用如下规则，其测量规则为：

其中，为0～1之间均匀分布的随机数。

3、通过如下的势能评价函数对集合中所有量子分子的势能进行评价：

其中，量子化学反应优化算法中第n个量子分子的测量态代表认知中继网络中第n种中继选择方案，若其第l维值为1，则代表第l个中继被选择；若其第l维值为0，则代表第l个中继未被选择。ps、prl的取值视步骤1中的具体约束条件而定。选出势能最小值对应的量子分子的测量态，即为全局最优解

4、将量子分子的动能从高到低排序，排序后的结果记为集合1，即其相应的测量态为为了保证反应后集合1规模不变，令动能排在前20％的量子分子发生分解反应，排在后40％的量子分子发生合成反应，其余的量子分子发生无效碰撞。

定义一个新的集合2，用来存储集合1反应后的量子分子。为集合2存储的第k个量子分子，分别表示对应的分解反应、无效碰撞和合成反应。

(1)经分解反应，集合1中第n个量子分子变为集合2中第k、k+1个量子分子，其中，n＝1,2,...,n1，k＝1,3,...,2n1-1，n1＝0.2n。对于集合2中第k个量子分子，首先复制集合1中第n个量子分子的所有元素到中，然后从中随机选择l/2个元素，对选择的每一个元素都根据如下规则更新：

其中，是集合2中第k个量子分子的第l个量子旋转角，c1为大于0的常数，和为[0,1]间的均匀随机数。对于集合2中第k+1个量子分子，复制集合1中第n个量子分子的所有元素到中，然后从中随机选择l/2个元素，对选择的每一个元素都根据如下规则更新：

其中，是集合2中第k+1个量子分子的第l个量子旋转角，c2为大于0的常数，为[0,1]间的均匀随机数。为了便于计算，令分解反应后生成的第k、k+1个量子分子的动能均为反应前第n个量子分子动能的e1倍，不妨令e1＝(1-kelossrate)/2。

(2)经无效碰撞，集合1中第n个量子分子变为集合2中第k个量子分子，其中，n＝n1+1,n1+2,...,3n1，k＝2n1+1,2n1+2,...,4n1。对集合1中所有量子分子的势能进行升序排序，排序后的结果存储为集合3。为集合3存储的按势能升序排序后集合1中量子分子的测量态。选择集合3中前10％的个体中的任意一个作为集合1中第n个量子分子的演进方向，按如下规则更新其第l个量子旋转角和量子位置：

其中，c3、c4均为大于0的常数，和为[0,1]间的均匀随机数，j为按势能升序排序后随机选中的量子分子的标号。为了便于计算，令无效碰撞后生成的第k个量子分子的动能为反应前第n个量子分子动能的e2倍，不妨令e2＝1-kelossrate。

(3)经合成反应，集合1中第n、n+1个量子分子变为集合2中第k个量子分子，其中，n＝3n1+1,3n1+3,...,n-1，k＝4n1+1,4n1+2,...,n。集合2中存储的第k个量子分子中每一个元素按轮盘赌的方法依概率中随机选取，概率1-zn从中随机选取。为了便于计算，令合成反应后生成的第k个量子分子的动能为反应前第n、n+1个量子分子动能之和的e3倍，不妨令e3＝1-kelossrate。

各反应均结束后，将集合2中存储的量子分子进行赋值操作，即其中，n＝1,2,...,n，k∈{1,2,...,n}，对量子分子进行测量得到其测量态其测量规则为：

其中，为0～1之间的均匀随机数。

5、对新产生的量子分子的势能进行评价。若新产生的量子分子的势能最小值小于上一代势能最小值，则将其对应的测量态记为新的全局最优解；否则，保留原来的全局最优解。

6、如果迭代次数小于预先设定的最大迭代次数，返回步骤4；否则，终止迭代，输出全局最优解，即为认知中继网络的最佳多中继选择方案。

仿真中假设认知中继网络中带宽w＝1mhz，认知用户源节点位置为(0,0)，目的节点位置为(10,0)，中继节点均匀分布在圆心为(5,0)，半径为0.5的圆内，主用户接收机位置为(5,1)，任意两节点i和j之间的信道衰落其中，χi,j表示节点i和节点j之间的距离，κ表示信道衰落服从均值为0，方差为1的复高斯分布，路径损耗指数ξ＝4。噪声功率谱密度n0＝-110dbw/hz，认知用户源节点最大发送功率其中，1dbw＝10^0.1w。

图6～图9为有主用户约束条件下，认知中继网络吞吐量随迭代次数、中继数目、中继最大发送功率、干扰门限变化的情况。在图6，中继数目为20个，各中继最大发送功率干扰门限ith＝-20dbw。在图7，中继数目在10～30个范围内变化，各中继最大发送功率干扰门限ith＝-20dbw。在图8，中继数目为10个，各中继最大发送功率在-10dbw～10dbw范围内变化，干扰门限ith＝-20dbw。在图9，中继数目为10个，各中继最大发送功率干扰门限ith在-40dbw～-10dbw范围内变化。设定量子分子数目n＝60，动能损失系数kelossrate＝0.2，初始动能ke＝1000，c1＝2，c2＝0.3，c3＝0.5，c4＝0.5。为了便于比较量子化学反应优化(qcro)多中继选择方法与分布式多中继选择方法(dmrs)，将终止迭代次数设置为相同值，最大迭代次数为500次，所有结果是200次仿真的平均。分布式多中继选择方法参考杨龙等2013年在《电子与信息学报》上发表的论文“认知中继网络的多中继选择方法”。

图6为有主用户约束条件下，认知中继网络吞吐量随迭代次数变化的情况。由仿真结果可以明显得知在有主用户约束条件下，随着迭代次数的增加，吞吐量也随之增加。量子化学反应优化多中继选择方法吞吐量明显高于分布式多中继选择算法。

图7为有主用户约束条件下，认知中继网络吞吐量随中继数目变化的情况。由仿真结果可以明显得知在有主用户约束条件下，随着中继数目的增加，吞吐量也随之增加，量子化学反应优化多中继选择方法吞吐量明显高于分布式多中继选择算法。

图8为有主用户约束条件下，认知中继网络吞吐量随中继最大发送功率变化的情况。由仿真结果可以明显得知在有主用户约束条件下，随着中继最大发送功率的增加，吞吐量也随之增加，量子化学反应优化多中继选择方法吞吐量明显高于分布式多中继选择算法。

图9为有主用户约束条件下，认知中继网络吞吐量随干扰门限变化的情况。由仿真结果可以明显得知在有主用户约束条件下，随着干扰门限的提高，吞吐量也随之增加，量子化学反应优化多中继选择方法吞吐量明显高于分布式多中继选择算法。

图10～图12为无主用户约束条件下，认知中继网络吞吐量随迭代次数、中继数目、中继最大发送功率变化的情况。在图10，中继数目为20个，各中继最大发送功率在图11，中继数目在10～30个范围内变化，各中继最大发送功率在图12，中继数目为30个，各中继最大发送功率在-10dbw～10dbw范围内变化。设定量子分子数目n＝60，动能损失系数kelossrate＝0.2，初始动能ke＝1000。为了便于比较所提出的量子化学反应优化(qcro)多中继选择方法与按本发明系统模型修改后的离散量子粒子群(dqpso)多中继选择方法，将量子分子数目和量子粒子数目均设置为相同值，终止迭代次数为500次，所有结果是200次仿真的平均。离散量子粒子群方法参考2011年hongyuangao等在《informationtechnologyjournal》上发表的论文“asimplequantum-inspiredparticleswarmoptimizationanditsapplication”。

图10为无主用户约束条件下，认知中继网络吞吐量随迭代次数变化的情况。由仿真结果可以明显得知在无主用户约束条件下，随着迭代次数的增加，吞吐量也随之增加。量子化学反应优化多中继选择方法的收敛性明显优于离散量子粒子群多中继选择方法。

图11为无主用户约束条件下，认知中继网络吞吐量随中继数目变化的情况。由仿真结果可以明显得知在无主用户约束条件下，随着中继数目的增加，吞吐量也随之增加。中继数目越多，量子化学反应优化多中继选择方法吞吐量越高于离散量子粒子群多中继选择方法。

图12为无主用户约束条件下，认知中继网络吞吐量随中继最大发送功率变化的情况。由仿真结果可以明显得知在无主用户约束条件下，中继最大发送功率越大，吞吐量也随之增加，量子化学反应优化多中继选择方法吞吐量越高于离散量子粒子群多中继选择方法。

本发明的认知中继选择方法，充分考虑了认知中继网络在有主用户约束和无主用户约束两种情况下，最大系统吞吐量的问题，可解决现有中继选择方法收敛速度慢，吞吐量不高的问题。

本发明的量子化学反应优化方法，根据三种不同的反应机制对集合中的量子分子进行更新，再映射为测量态，根据势能评价函数更新全局最优解。

本发明的的认知中继网络的量子化学反应优化多中继选择方法，可以充分考虑有主用户约束和无主用户约束两种情况，在不同情况下求解认知用户源节点到目的节点最大链路吞吐量，确定最佳中继选择方案。

本发明的认知中继网络的量子化学反应优化多中继选择方法，按照反应中三种不同的量子态演进规则对量子分子进行更新，更新后要映射为测量态，且动能减小。

本发明的对于量子化学反应优化方法，在解决认知中继选择问题时具有收敛速度快、收敛精度高、认知用户吞吐量大和认知用户共用频谱机会多的优点。

认知中继网络的量子化学反应优化多中继选择方法能有效解决认知中继网络下的多中继选择问题，扩展了化学反应优化算法的应用。

量子化学反应优化方法简化了原有化学反应优化算法的步骤和参数，反应后的个体并不是随机生成，而是采用量子态演进规则，其收敛性有了很大的提高。此外，还可根据不同的问题对演进规则加以组合利用，获得更好的性能，还可移植到其他复杂的工程问题中，具有很好的推广性。

以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施值局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。