一种认知无线电网络中频谱分配方法及系统与流程

本发明涉及无线电通信技术领域，尤其涉及的是一种认知无线电网络中频谱分配方法及系统。

背景技术：

认知无线电中的频谱共享问题一直是热点研究问题，现在常用的频谱分配模型是基于图论的频谱分配模型和基于定价拍卖的频谱分配模型，但是基于图论的频谱分配模型的频谱共享完成时间与空闲信道数的多少及网络的动态特性有关，不适用无线电中空闲频谱快速时变的要求，基于定价拍卖的频谱分配模型适用于主、次用户为租用关系的认知无线电系统，应用范围有限。

因此，现有技术有待于进一步的改进。

技术实现要素：

鉴于上述现有技术中的不足之处，本发明的目的在于为用户提供认知无线电网络中频谱分配方法及系统，克服现有技术中的频谱分配方法不适用于无线电中频谱快速时变的需求，不能解决频谱分配过程中存在的性能优化的缺陷。

本发明解决技术问题所采用的技术方案如下：

第一方面，本实施例公开了一种认知无线电网络中频谱分配方法，其中，包括：

获取授权用户和认知用户的初始数量信息，以及各个授权用户和各个认知用户的初始位置信息；

根据所述数量信息、位置信息及预设各个认知用户的权重值生成初始频谱分配参数；

将初始频谱分配参数代入预设的收益目标函数和公平性目标函数中，计算出初始授权用户和认知用户的收益函数；其中，所述收益目标函数包括授权用户的收益目标函数和认知用户的收益目标函数；所述收益目标函数和公平性目标函数为基于stackelberg博弈建立；

根据所述初始化授权用户和认知用户的收益函数和预设的频谱分配模型，计算得到频谱分配参数；其中，所述频谱分配模型为基于鲸鱼优化算法建立；

根据所述频谱分配参数进行授权用户和认知用户之间的频谱分配。

可选的，所述获取授权用户和认知用户的初始数量信息，以及各个授权用户和各个认知用户的初始位置信息的步骤之前，还包括：基于stackelberg博弈建立收益目标函数和公平性目标函数；所述收益目标函数包括认知用户的收益目标函数、授权用户的收益目标函数；

所述认知用户的收益目标函数为：

其中，uj为认知用户的收益函数，xij表示认知用户i是否被分配授权用户上天线j的频谱分配参数；m为授权用户的个数，n为认知用户的个数。

所述授权用户的收益目标函数为：

其中，πi为授权用户的收益函数；

所述公平性目标函数为：

其中，ξ预设常数。

可选的，所述获取各个授权用户及其对应认知用户的数量信息的步骤之前，还包括：基于鲸鱼优化算法建立所述频谱分配模型；

所述频谱分配模型为：

max(δ1fobj,1+δ3fobj,3)；

maxδ2fobj,2；

xij∈{0,1},i＝1,...,m；j＝1,...,n；

其中，参数δ1、δ2和δ3分别为所述认知用户的收益目标函数、授权用户的收益目标函数和公平性目标函数的权值，其中δ1+δ2+δ3＝1，di为认知用户距离授权用户的距离，rb,i表示授权用户i的闲置频谱带宽。

可选的，所述根据所述初始化授权用户和认知用户的收益函数和预设的频谱分配模型，计算得到频谱分配参数的步骤包括：

根据距离各个所述授权用户预设范围内的认知用户的个数、各个认知用户对应的权值和，以及所述授权用户与各个认知用户的位置信息，确定频谱分配的目标认知用户；

根据确定出的目标认知用户所在的位置信息确认距离所述第一授权用户和所述第二授权用户预设距离范围内的认知用户分配闲置带宽的行为随机概率；根据所述行为随机概率和预设收敛因子得到频谱分配参数的初次迭代值；其中，所述预设收敛因子为预设线性变量；

根据得到的所述频谱分配参数的初次迭代值重复执行上述确定频谱分配的目标认知用户，以及根据所述行为随机概率和预设收敛因子得到频谱分配参数的步骤，对所述频谱分配参数重复预设次数的迭代更新，直至得到最终的频谱分配参数。

可选的，所述根据距离各个所述授权用户预设范围内的认知用户的个数、各个认知用户对应的权值和，以及所述授权用户与各个认知用户的位置信息，确定频谱分配的目标认知用户的步骤包括：

计算距离第一授权用户预设距离范围内的认知用户的数量与距离所述第二授权用户预设距离范围内的认知用户的数量之间的比值，以及计算距离第一授权用户预设距离范围内的认知用户的权值和与距离所述第二授权用户预设距离范围内的认知用户的权值和之间的比值；

判断所述数量之间的比值是否大于所述权值和之间的比值；若大于，则保持当前频谱分配的目标认知用户不变；

否则计算距离所述第一授权用户预设距离范围内的各个认知用户与所述第一授权用户的距离值之间距离值之间的第一比值是否超出预设距离比值，和/或计算距离所述第二授权用户预设距离范围内的各个认知用户与所述第二授权用户的距离值之间距离值之间的第二比值是否超出预设距离比值；若超出，则保持当前频谱分配的目标认知用户不变；

若所述第一比值和/或第二比值小于预设距离比值，则根据距离所述第一授权用户预设距离范围内的各个认知用户对应的权值和/或根据距离所述第二授权用户预设距离范围内的各个认知用户对应的权值和计算目标认知用户改变的概率是否超出预设第一阈值，若超出，则更改距离所述第一授权用户和/或所述第二授权用户预设频谱分配距离范围内的各个认知用户为更新后的目标认知用户，否则，保持当前目标认知用户不变。

可选的，所述根据确定出的目标认知用户所在的位置信息确认距离所述第一授权用户和所述第二授权用户预设距离范围内的认知用户分配闲置带宽的行为随机概率，根据所述行为随机概率和预设收敛因子得到频谱分配参数的初次迭代值的步骤包括：

判断授权用户的行为随机变量是否超出预设第二阈值，若超出，则对各个目标认知用户的位置信息进行随机更新，并根据更新后的各个目标认知用户的位置信息得到频谱分配参数的初次迭代值；其中，所述行为随机变量为所述授权用户给认知用户分配闲置频谱带宽的概率值。

否则，判断收敛因子是否大于第三阈值；其中，所述收敛因子的计算公式为：所述rand(·)表示0到1的随机数，为2到0的线性递减变量；

若所述收敛因子大于所述第三阈值，对各个目标认知用户的位置信息进行随机更新，并根据随机更新后的各个目标认知用户的位置信息计算更新后的频谱分配参数；

根据更新后的频谱分配参数计算授权用户和认知用户对应的优化目标函数，得到更新后最佳的目标函数值和所述最佳的目标函数值对应的频谱分配参数的初次迭代值。

可选的，所述对各个目标认知用户的位置信息进行随机更新的步骤包括：

根据位置更新公式对各个目标认知用户的位置信息进行随机更新；所述位置更新公式为：

γ＝γmin+(γmax-γmin)·f(x)；

其中，表示各个目标认知用户距离与所述第一授权用户或第二授权用户最近的目标认知用户之间的距离向量；b为常数；l为0到1之间的随机变量；表示每次迭代所获得的局部最优位置；参数γ表示的是更新权值；参数γmin为最小权值；参数γmax为最大权值；函数f(x)为修正函数；μ为xi,的均值；如果xi的标准差小于1，那么f(x)输出xi的标准差，如果xi大于1，那么f(x)输出1。

可选的，所述根据距离所述第一授权用户预设距离范围内的各个认知用户对应的权值和/或根据距离所述第二授权用户预设距离范围内的各个认知用户对应的权值和计算目标认知用户改变的概率是否超出预设第一阈值的步骤包括：

根据各个认知用户对应的权值及所述权值之间所占的比重，计算目标认知用户改变的概率；所述目标认知用户改变的概率计算公式为：

其中，k表示各个认知用户对应权值个数，αk为各个认知用户之间的比重，βk为各个认知用户的权值，n为该时刻各个认知用户对应的目标为所述第一授权用户或者第二授权用户的概率。

第二方面，本实施例还公开了一种认知无线电网络中频谱共享系统，其中，包括：

初始信息获取模块，用于获取授权用户和认知用户的初始数量信息，以及各个授权用户和各个认知用户的初始位置信息；

初始收益计算模块，用于根据所述数量信息、位置信息及预设各个认知用户的权重值生成初始频谱分配参数，以及将初始频谱参数代入预设的收益目标函数和公平性目标函数中，计算出初始授权用户和认知用户的收益函数；其中，所述收益目标函数包括授权用户的收益目标函数和认知用户的收益目标函数；所述收益目标函数和公平性目标函数为基于stackelberg博弈建立；

分配参数计算模块，用于根据所述初始化授权用户和认知用户的收益函数和预设的频谱分配模型，计算得到频谱分配参数；其中，所述频谱分配模型为基于鲸鱼优化算法建立；

频谱分配模块，用于根据所述频谱分配参数进行授权用户和认知用户之间的频谱分配。

有益效果，本发明提供了一种认知无线电网络中频谱分配方法及系统，通过获取授权用户和认知用户的初始数量信息，以及各个授权用户和各个认知用户的初始位置信息，以生成初始频谱分配参数；根据初始频谱分配参数计算出初始授权用户和认知用户的收益函数；根据所述初始化授权用户和认知用户的收益函数和预设的频谱分配模型，计算得到频谱分配参数；其中，所述频谱分配模型为基于鲸鱼优化算法建立；根据所述频谱分配参数进行授权用户和认知用户之间的频谱分配。本实施例在频谱分配中引入基于stackelberg博弈的双目标woa优化算法，以实现频谱分配中授权用户、认知用户所取得的收益最优的目的。

附图说明

图1是现有技术中认知无线电网络的结构示意图；

图2是本实施例中所述频谱分配方法的步骤流程图；

图3是本实施中所述频谱分配方法的应用实施例的步骤流程图；

图4a和图4b相结合是本实施例中同时存在评价函数f1与f4两个目标时的收敛曲线示意图；

图4a和图4c相结合是本实施例中同时存在评价函数f1与f5两个目标时的收敛曲线示意图；

图4a和图4d相结合是本实施例中同时存在评价函数f1与f10两个目标时的收敛曲线示意图；

图5是本实施例中monto-carlo50次，维度30，迭代次数1000统计表；

图6是本实施例中单目标与双目标精度比较统计表；

图7是本实施例中monto-carlo50次，维度30，算法比较统计表；

图8是本实施例中授权用户最优定价随着可出租的闲置频谱资源增加而变化的示意图；

图9是本实施例中授权用户收益随着可出租的闲置频谱资源增加而变化的示意图；

图10是本实施例中认知用户收益随着可出租的闲置频谱资源增加而变化的示意图；

图11是本实施例中不同公平加权系数δ3对系统效用随用户数量变化的影响的示意图，其中δ3分别取不同值0.9、0.5和0.1。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

seyedalimirjalili等人在2016年提出鲸鱼优化算法(woa，whaleoptimizationalgorithm)，该算法是一种模拟鲸鱼群体的捕食行为而提出的一种仿生智能优化算法，其计算能力强、控制参数少，具有较好的全局搜索能力等优点。woa算法主要包括三个阶段：鲸鱼行走觅食阶段、鲸鱼包围阶段和鲸鱼螺旋捕食阶段。结合图1所示，基于认知无线电网络包括授权用户10和设置在授权用户10周围预设范围内的多个认知用户(例如第一认知用户201和第二认知用户202)，认知用户所在的位置处于授权用户天线辐射范围101内，并且认知用户可以利用授权用户空闲的频谱，授权用户可以将其空闲的频谱租赁出去，以获取相应的收益，因此认知无线电具有一定的学习能力，为了实现对频谱资源的合理利用。由于鲸鱼群体的捕食行为与认知无线电中认知用户获取频谱资源的场景相似，因此发明人将鲸鱼优化算法引入认知无线电频谱分配的方法中，为了实现认知无线电中频谱资源的最优分配。

下面结合附图，详细说明本发明的各种非限制性实施方式。

本实施例公开了一种认知无线电网络中频谱分配方法，如图2所示，包括：

步骤s1、获取授权用户和认知用户的初始数量信息，以及各个授权用户和各个认知用户的初始位置信息。

一个认知无线电网络中包括授权用户、认知用户和认知基站，每个授权用户占用某一授权频段的使用权，认知用户通过认知基站进行通信，且只有在通过频感检测到授权用户占有的授权频谱有空闲时才可以使用。

首先初始化该认知无线电网络中所包含的授权用户，认知用户的个数，以及分别对授权用户和认知用户所在的位置进行初始化，得到初始化授权用户和认知用户的初始数量信息和初始位置信息。

具体的，当授权用户有两个，分别为第一授权用户和第二授权用户，则在对认知无线电网络进行仿真时，可以利用如下公式对授权用户周围的认知用户进行数量初始化：

q1＝(0.5+(rand(·)-0.5)·f)·q；

q2＝q-q1；

其中，q表示认知用户总数量，rand(·)表示(0,1)之间的随机量，f为(0,1)之间的变量，q1、q2分别为第一授权用户和第二授权用户周围分布的认知用户数量。具体的第一授权用户和第二授权用户周围分布的认知用户的数量分别为：距离所述第一授权用户预设距离范围内的认知用户的数量和距离第二授权用户预设距离范围内的认知用户的数量，所述预设距离范围为授权用户天线所在的频谱范围内的距离值。

在一种实施方式中，通过以下公式对认知用户的位置进行初始化：

其中，是位置函数表达式，dim是维度，ub、lb表示位置函数上限制和下限制；rand(n,dim)表示(n,dim)之间的随机量。

步骤s2、根据所述数量信息、位置信息及预设各个认知用户的权重值生成初始频谱分配参数。

根据步骤s1中得到授权用户和认知用户的初始数量信息，以及各个授权用户和各个认知用户的初始位置信息生成初始频谱分配参数。

根据授权用户占有的空闲授权频谱，根据各个授权用户周围频谱范围内的认知用户个数与位置，随机生成初始频谱分配参数，利用生成的初始频谱分配参数为其周围对应的认知用户随机分配频谱资源，其中，频谱分配参数用xij表示，是需要不断优化的参数，通过不断优化频谱分配参数，实现认知无线电网络中频谱的优化分配，具体的，其是一个纬度是m×n的多维向量，在具体实施方式中为了实现更好的频谱分配，将xij表示成一维向量：[x11,...,x1n,x21,...,x2n,...,xm1,...,xmn]，其通过xij＝get01(1,m*n)初始生成。

步骤s3、将初始频谱分配参数代入预设的收益目标函数和公平性目标函数中，计算出初始授权用户和认知用户的收益函数；其中，所述收益目标函数包括授权用户的收益目标函数和认知用户的收益目标函数；所述收益目标函数和公平性目标函数为基于stackelberg博弈建立。

根据上述步骤s2中生成的初始频谱分配参数代入到预设的收益目标函数和公平性目标函数中，以计算出授权用户和认知用户的收益函数的初始值。

具体的，所述可选的，所述获取授权用户和认知用户的初始数量信息，以及各个授权用户和各个认知用户的初始位置信息的步骤之前，还包括：基于stackelberg博弈建立收益目标函数和公平性目标函数；所述收益目标函数包括认知用户的收益目标函数、授权用户的收益目标函数；

所述认知用户的收益目标函数为：

其中，uj为认知用户的收益函数，xij表示认知用户i是否被分配授权用户上天线j的频谱分配参数；m为授权用户的个数，n为认知用户的个数；

其中，认知用户的收益函数：

其中，p为授权用户的定价，b为认知用户购买的带宽，b＝[b1,...,bi,...,bm]为m个授权用户给基站的带宽向量；ωi为认知用户所拥有的单位传输速率下所带来的收益；为认知用户的频谱利用率；υ表示频谱喜好程度；f(b1′,b2′,...,bn′)为实际的频谱需求函数；

假设xij表示用户i是否被分配天线j的频谱资源的变量，如果被分配，则为1，否则为0。

授权用户的收益函数：

其中，pi为授权用户i的定价；di为授权用户i出租的带宽；参数mi表示授权用户的连接数量；参数c1表示的是授权用户收益权值；参数c2表示的是授权用户损失权值；参数表示的是授权用户系统连接者需求带宽；参数ωi表示的是授权用户所拥有的闲置频谱资源；参数表示的是授权用户的频谱利用率。

当存在多个授权用户时，授权用户的收益函数将有所不同。在stackelberg动态博弈模型中，假设某一个授权用户a的频谱资源报价为p1，其余某个授权用户b的观测到授权用户a的报价后，考虑到自身的利益，选择自己的报价p2。在整个过程中，a首先报价，而b根据a的报价自后再进行报价，a无法预先知道b的报价。那么b的策略可以定义为sb:qa→qb，其中qa＝(0,∞)表示授权用户a的价格区间，qb＝(0,∞)表示授权用户b的价格区间。因此，其价格向量可以表示为(pa,sb(pa))。授权用户的收益函数可以表示为：

πip＝πi(pa,sb(pa))

那么授权用户的收益目标函数可以表示为：

其中，πi为授权用户的收益函数。当天线j的频谱资源被出售，那么对授权用户将产生一个收益πi。

所述公平性目标函数为：

其中，ξ预设常数，其为一个较小值，一般取值0.00001，其目的是为了避免为零的情况。假设某一天线闲置频谱资源较多，而其余天线限制频谱资源较少，如果大多数用户都去抢占该天线资源，会导致认知用户的个体收益下降，而加入该目标函数之后，认知用户则会朝着不同的天线均衡的购买所需要的频谱资源，从而影响对认知用户的频谱资源的更公平分配。

根据上述预设的收益目标函数与公平性目标函数的函数表达式，可将将初始频谱分配参数代入预设的收益目标函数和公平性目标函数中，则可以计算出初始授权用户和认知用户的收益函数。

步骤s4、根据所述初始化授权用户和认知用户的收益函数和预设的频谱分配模型，计算得到频谱分配参数；其中，所述频谱分配模型为基于鲸鱼优化算法建立。

根据上述步骤s3中计算出的初始授权用户和认知用户的收益函数，根据基于鲸鱼优化算法建立的频谱分配参数，计算得到最佳的频谱分配参数。

具体的，所述鲸鱼优化算法为双目标的鲸鱼优化算法，该算法包括：

鲸鱼捕食的猎物目标在任何情况下都会形成双目标捕食环境，即鲸鱼和猎物群这两个目标。对于每个猎物群的猎物数量，如果两个猎物群体中的个体数量差异比较大，优先考虑大猎物群体，以满足个体最后的捕食需求；也即是对应认知无线电网络中授权用户和认知用户这两个目标，猎物群对应授权用户组成的授权用户群，如果两个授权用户群之间的数量差异较大，则优先考虑为数量较多的授权用户群中分配出闲置频谱资源。

距离两个猎物群体中心位置的距离，如果个体距小数量猎物群的距离远小于距大数量猎物群的距离，即便那里更加秀色可餐，也优先考虑捕食小猎物群，进而围捕大猎物群；对应认知无线电网络中，若认知用户与不同授权用户之间的距离差异，即使某个授权用户可以分配出更多的闲置频谱资源，但是若其距离远远大于另一个可以分配出少量闲置频谱资源的授权用户，则优先考虑从较近的授权用户的闲置频谱资源中分享带宽频谱。

根据鲸鱼可能在捕猎过程中变更目标的行为，需要权衡多个因素，在每次个体更新位置前，需要考虑究竟哪个猎物对自己的吸引力更大。由于授权用户和认知用户的位置是多变的，因此在获取频谱分配过程中，认知用户会更改其想要感测并租赁的授权用户闲置频谱资源，因此需要权衡多个因素，以实现动态的调整频率分配。

具体的，基于上述鲸鱼优化算法所对应的仿生智能优化模型，在所述获取各个授权用户及其对应认知用户的数量信息的步骤之前，还包括：基于鲸鱼优化算法建立所述频谱分配模型；

所述频谱分配模型为：

max(δ1fobj,1+δ3fobj,3)；

maxδ2fobj,2；

xij∈{0,1},i＝1,...,m；j＝1,...,n；

其中，参数δ1、δ2和δ3分别为所述认知用户的收益目标函数、授权用户的收益目标函数和公平性目标函数的权值，其中δ1+δ2+δ3＝1，di为认知用户距离授权用户的距离，rb,i表示授权用户i的闲置频谱带宽。

如果频谱分配结果偏向于认知用户收益，可以增大δ1的取值，如果频谱分配结果偏向于授权用户收益，可以增大δ2的取值，如果频谱分配结果偏向于认知用户的公平性，可以增大δ3的取值。

步骤s5、根据所述频谱分配参数进行授权用户和认知用户之间的频谱分配。

当上述步骤s4中计算出所述频谱分配参数后，根据计算出的频率分配参数进行授权用户与各个认知用户之间的频谱分配。

具体的，所述根据所述初始化授权用户和认知用户的收益函数和预设的频谱分配模型，计算得到频谱分配参数的步骤包括：

步骤s41、根据距离各个所述授权用户预设范围内的认知用户的个数、各个认知用户对应的权值和，以及所述授权用户与各个认知用户的位置信息，确定频谱分配的目标认知用户。

由于鲸鱼可能在捕猎过程中变更目标的行为，需要权衡多个因素，在每次个体更新位置前，需要考虑究竟哪个猎物对自己的吸引力更大，因此了仿照鲸鱼捕猎，以取得更好的频谱分配结果，本步骤中首先对初次频谱分配对应的目标认知用户进行确认，因此首先获取初始的各个授权用户及其各个授权用户周围预设距离范围内的认知用户个数，以及各个认知用户所对应的权值，各个认知用户所对应的权值与其距离授权用户的距离相关。

步骤s42、根据确定出的目标认知用户所在的位置信息确认距离所述第一授权用户和所述第二授权用户预设距离范围内的认知用户分配闲置带宽的行为随机概率；根据所述行为随机概率和预设收敛因子得到频谱分配参数的初次迭代值；其中，所述预设收敛因子为预设线性变量。

由于目标认知用户随着位置的变化，其会根据自身距离各个授权用户的远近改变租赁的天线空闲带宽，因此随着位置信息的更新，需要考虑各个授权用户为各个认知用户分配闲置带宽的行为随机概率，若行为随机概率小于某个预设阈值，则基于预设收敛因子考虑其位置更新分别对授权用户和认知用户的目标改变的影响，若收敛因子小于等于1，即|a|≤1，则认知用户根据公式x(t+1)＝x^*(t)-a·d更新位置，其中x*(t)表示每次迭代所获得的局部最优位置，a·d表示包围步长，同时根据认知用户更新的位置与之前的位置相比，其新位置与授权用户得到改善，即距离更近了，则此认知用户的频谱分配结果变为1，否者变为0；若收敛因子大于1，即|a|＞1，则授权用户根据公式x(t+1)＝xrand-a·d随机更新位置，其中xrand表示随机获得的认知用户位置，此时认知用户的频谱分配结果根据随机分配的新位置获得，若认知用户与授权用户的距离改善，则此认知用户的频谱分配结果变为1，否者变为0。

步骤s43、根据得到的所述频谱分配参数的初次迭代值重复执行上述确定频谱分配的目标认知用户，以及根据所述行为随机概率和预设收敛因子得到频谱分配参数的步骤，对所述频谱分配参数重复预设次数的迭代更新，直至得到最终的频谱分配参数。

重复上述步骤s41至s42，利用频谱分配参数的初次迭代值，对频谱分配参数进行多次迭代，从而得到最终的频谱分配参数，在具体应用实施例中，迭代的次数可以设置为1千次或者2千次，以获取到较佳的频谱分配结果。

进一步的，上述步骤s41包括：

计算距离第一授权用户预设距离范围内的认知用户的数量与距离所述第二授权用户预设距离范围内的认知用户的数量之间的比值，以及计算距离第一授权用户预设距离范围内的认知用户的权值和与距离所述第二授权用户预设距离范围内的认知用户的权值和之间的比值；

判断所述数量之间的比值是否大于所述权值和之间的比值；若大于，则保持当前频谱分配的目标认知用户不变；

否则，计算距离所述第一授权用户预设距离范围内的各个认知用户与所述第一授权用户的距离值之间距离值之间的第一比值是否超出预设距离比值，和/或计算距离所述第二授权用户预设距离范围内的各个认知用户与所述第二授权用户的距离值之间距离值之间的第二比值是否超出预设距离比值；若超出，则保持当前频谱分配的目标认知用户不变；

若所述第一比值和/或第二比值小于预设距离比值，则根据距离所述第一授权用户预设距离范围内的各个认知用户对应的权值和/或根据距离所述第二授权用户预设距离范围内的各个认知用户对应的权值和计算目标认知用户改变的概率是否超出预设第一阈值，若超出，则更改距离所述第一授权用户和/或所述第二授权用户预设频谱分配距离范围内的各个认知用户为更新后的目标认知用户，否则，保持当前目标认知用户不变。

进一步的，上述步骤s42包括：

判断授权用户的行为随机变量是否超出预设第二阈值，若超出，则对各个目标认知用户的位置信息进行随机更新，并根据更新后的各个目标认知用户的位置信息得到频谱分配参数的初次迭代值；其中，所述行为随机变量为所述授权用户给认知用户分配闲置频谱带宽的概率值。

否则，判断收敛因子是否大于第三阈值；其中，所述收敛因子的计算公式为：所述rand(·)表示0到1的随机数，为2到0的线性递减变量；

若所述收敛因子大于所述第三阈值，对各个目标认知用户的位置信息进行随机更新，并根据随机更新后的各个目标认知用户的位置信息计算更新后的频谱分配参数；

根据更新后的频谱分配参数计算授权用户和认知用户对应的优化目标函数，得到更新后最佳的目标函数值和所述最佳的目标函数值对应的频谱分配参数的初次迭代值。

所述对各个目标认知用户的位置信息进行随机更新的步骤包括：

根据位置更新公式对各个目标认知用户的位置信息进行随机更新；所述位置更新公式为：

γ＝γmin+(γmax-γmin)·f(x)；

其中，表示各个目标认知用户距离与所述第一授权用户或第二授权用户最近的目标认知用户之间的距离向量；b为常数；l为0到1之间的随机变量；表示每次迭代所获得的局部最优位置；参数γ表示的是更新权值；参数γmin为最小权值；参数γmax为最大权值；函数f(x)为修正函数；μ为xi,的均值；如果xi的标准差小于1，那么f(x)输出xi的标准差，如果xi大于1，那么f(x)输出1。

具体地，所述根据距离所述第一授权用户预设距离范围内的各个认知用户对应的权值和/或根据距离所述第二授权用户预设距离范围内的各个认知用户对应的权值和计算目标认知用户改变的概率是否超出预设第一阈值的步骤包括：

根据各个认知用户对应的权值及所述权值之间所占的比重，计算目标认知用户改变的概率；所述目标认知用户改变的概率计算公式为：

其中，k表示各个认知用户对应权值个数，αk为各个认知用户之间的比重，βk为各个认知用户的权值，n为该时刻各个认知用户对应的目标为所述第一授权用户或者第二授权用户的概率。

下面结合图3所示，对本发明所述方法做进一步更为详细的说明。

1、初始化授权用户周围的认知用户数量，其根据公式q1＝(0.5+(rand(·)-0.5)·f)·q和公式q2＝q-q1初始化，其中q表示认知用户总数量，q1、q2分别为授权用户1和授权用户2周围分布的认知用户数量；

2、认知用户位置初始化，其通过产生，其中dim是维度，ub、lb表示函数上下限；

3、根据认知用户选择认知用户权重值，使得所有认知用户权重值相加为1，即μ1+μ2+...+μn＝1；

4、随机分配参数[x11,...,x1n,x21,...,x2n,...,xm1,...,xmn]，即随机分配频谱资源xij，其通过xij＝get01(1,m*n)初始生成；

5、计算初始参数下认知用户的优化目标和授权用户的优化目标，即计算δ1fobj,1+δ3fobj,3和δ2fobj,2的值；

6、进入双目标woa优化，当q1(t)/q2(t)≤μ1/μ2时，需要进一步验证完成对认知用户的频谱分配，其中q1(t)与q2(t)为t次迭代时授权用户1和授权用户2周围的认知用户数量，μ1和μ2为授权用户1和授权用户2周围认知用户的权值和；

7、距离优势足够明显时，对于授权用户1，认知用户满足关系式d1＞2d2时，保持认知用户2作为频谱分配用户目标，否者需进一步评估用户目标可能性，其中d1和d2表示授权用户1和认知用户1、认知用户2的距离；

8、考虑权重值影响，根据公式评估认知用户n频谱分配可能性，若其大于0.5，更改频谱分配可能性大的认知用户n作为频谱分配目标用户，若其不大于0.5，保持当前认知用户作为频谱分配用户目标；

9、若满足q1(t)/q2(t)＞μ1/μ2时，或者完成步骤7、8时，需根据双目标woa算法，实现认知用户的位置更新，以进一步实现更优的认知用户频谱分配；

10、根据rand()随机产生一个变量，作为判断授权用户的行为变量，其目的是依据传统woa算法，分两种行为实现频谱分配结果，若此行为变量大于0.5，根据公式实现认知用户的位置更新，根据认知用户更新的位置与之前的位置相比，其新位置与授权用户得到改善，即距离更近了，则此认知用户的频谱分配结果变为1，否者变为0；

11、若步骤10中的行为变量不大于0.5，进一步判断收敛因子的大小，其中rand(·)表示0到1的随机数，为2到0的线性递减变量，若收敛因子小于等于1，即则认知用户根据公式更新位置，其中表示每次迭代所获得的局部最优位置，表示包围步长，同时根据认知用户更新的位置与之前的位置相比，其新位置与授权用户得到改善，即距离更近了，则此认知用户的频谱分配结果变为1，否者变为0；若收敛因子大于1，即则授权用户根据公式随机更新位置，其中表示随机获得的认知用户位置，此时认知用户的频谱分配结果根据随机分配的新位置获得，若认知用户与授权用户的距离改善，则此认知用户的频谱分配结果变为1，否者变为0；

12、根据上述步骤获得新的频谱分配结果[x11,...,x1n,x21,...,x2n,...,xm1,...,xmn]，计算此时的认知用户的优化目标δ1fobj,1+δ3fobj,3和授权用户的优化目标δ2fobj,2的值，选择较优目标函数值与较优频谱分配结果；

13、迭代次数加1，并不断实现参数[x11,...,x1n,x21,...,x2n,...,xm1,...,xmn]的迭代更新，并同时计算对应的优化目标函数值，将每次迭代计算得到的优化目标函数值和当前迭代下最优的目标函数值进行对比，并获得较优的目标函数值和频谱分配结果；

14、判断迭代是否结束，即判断t的大小，若t≤1000，回到步骤6继续完成其迭代过程，若t>10，将最后迭代输出的参数[x11,...,x1n,x21,...,x2n,...,xm1,...,xmn]作为最后的优化结果，即频谱分配结果。

本发明提供了一种认知无线电网络中频谱共享系统，通过基于双目标鲸鱼优化算法设置双目标优化初始条件，共同收敛结束条件，根据授权用户与认知用户之间的距离与各个认知用户所占的权重值选授权用户；初始化频谱分配参数，计算目标函数初始值；进入双目标woa优化算法迭代，根据距离阈值，权重比综合评估选择目标认知用户，获取更优频谱分配结果；迭代结束，获得最优频谱分配参数。本发明在stackelberg博弈模型中引入公平性目标函数可以让认知用户更公平的获得频谱资源，引入双目标woa优化算法，可以使频谱分配优化的收敛速度和收敛精度效果更优。

在上述方法的基础上，本实施例还公开了一种认知无线电网络中频谱共享系统，包括：

初始信息获取模块，用于获取授权用户和认知用户的初始数量信息，以及各个授权用户和各个认知用户的初始位置信息；

初始收益计算模块，用于根据所述数量信息、位置信息及预设各个认知用户的权重值生成初始频谱分配参数，以及将初始频谱参数代入预设的收益目标函数和公平性目标函数中，计算出初始授权用户和认知用户的收益函数；其中，所述收益目标函数包括授权用户的收益目标函数和认知用户的收益目标函数；所述收益目标函数和公平性目标函数为基于stackelberg博弈建立；

分配参数计算模块，用于根据所述初始化授权用户和认知用户的收益函数和预设的频谱分配模型，计算得到频谱分配参数；其中，所述频谱分配模型为基于鲸鱼优化算法建立；

频谱分配模块，用于根据所述频谱分配参数进行授权用户和认知用户之间的频谱分配。

本发明基于woa优化算法针对单目标优化过程，提出了一种双目标woa优化算法。传统的鲸鱼算法只是对单猎物目标进行捕获，本发明将对双目标猎物进行捕获，无论何时都将形成双目标环境，通过对双目标优化初始条件、共同收敛结束条件、各个认知用户与授权用户之间的距离与各个认知用户所占的权重、收敛速度和收敛精度以及狩猎行为因素的设定，本发明达到了双目标快速收敛和收敛精度的要求，克服了局部最优，解决了双目标woa算法存在的基本盲点和群体分配问题。

本发明将对多组双目标函数测试收敛速度和收敛精度等性能，采用如下测试函数：

其中f1(x)是单峰测试函数，其范围为[-100,100]，极值为0，维度为30；f2(x)是单峰测试函数，其范围为[-10,10]，极值为0，维度为30；f3(x)是单峰测试函数，其范围为[-100,100]，极值为0，维度为30；f4(x)是单峰测试函数，其范围为[-100,100]，极值为0，维度为30；f5(x)是多峰测试函数，其范围为[-500,500]，极值为-418，维度为30；f7(x)是多峰测试函数，其范围为[-32,32]，极值为0，维度为30；f9(x)是固定多峰测试函数，其范围为[-0,10]，极值为-10.4，维度为4；f10(x)是固定多峰测试函数，其范围为[-5,5]，极值为3*10-4，维度为4。

如图4a至图4d所示，这里画出当同时存在评价函数f1与f4两个目标时的收敛曲线仿真图，当同时存在评价函数f1与f5两个目标时的收敛曲线仿真图，当同时存在评价函数f1与f10两个目标时的收敛曲线仿真图。图4a和图4b主要测试两个目标函数时能否够快速收敛至预期值，图4a和图4c主要测试是否能够做到同时收敛的效果，图4a和图4d与前两图效果类似。从仿真图可以看出，本发明的收敛速度和收敛精度均能达到较好效果。

如图5、图6和图7所示，这里给出monto-carlo50次，维度30，迭代次数1000统计表，单目标与双目标精度比较统计表，monto-carlo50次，维度30，算法比较统计表。从表格数据可以看出，同时对双目标函数的优化也能达到较好的收敛精度，结合图4a至图4d中所示的收敛曲线图，部分双目标优化能够达到快速收敛的目的，测试的所有双目标函数的收敛速度也能达到较好水平。其中均方差数值较小，说明在双目标的优化中，其双目标的选择未出现较大幅度的波动，有利于双目标优化的快速收敛与寻优精度。双目标的统计结果与单目标的统计结果相比，接近甚至优于单目标的统计结果，则表明了改进算法在原理上的有效性。无论从整体情况考虑或是从个体离散情况考虑，双目标woa算法均改善了统计参数即提高了收敛精度，同时均值法采用的迭代次数为1200也高于双目标woa算法1000次的迭代次数，即双目标woa算法在满足需求的同时，加快了收敛速率与提高了收敛精度。

由此可以看出，本发明在实现双目标woa优化的同时，也实现了双目标收敛速度和精度的较优性能，同时有效克服了传统woa算法易于陷入局部最优的问题。

本发明将对授权用户数量m＝2，认知用户数量n＝200，一种基于stackelberg博弈的双目标woa优化频谱共享调度算法仿真认知用户和授权用户性能。

如图8所示，给出了授权用户最优定价随着可出租的闲置频谱资源增加而变化的仿真图。随着可出租的闲置频谱资源的增加，最佳授权价格逐渐降低，这是由于闲置频谱资源的增加，为了让更多的认知用户购买频谱资源，其最优的授权价格逐渐减低。本发明的授权用户最优定价最低。

如图9所示，给出了授权用户收益随着可出租的闲置频谱资源增加而变化的仿真图。随着可出租的闲置频谱资源的增加，授权用户的收益逐渐增加，这是由于当闲置频谱资源逐渐增加，其售价不断减低，从而吸引更多的认知用户购买频谱资源。当闲置频谱资源大于5的时候，随着认知用户的频谱需求逐渐得到满足，授权用户出售的频谱价格逐渐趋于稳定。本发明的授权用户收益最高。

如图10所示，给出了认知用户收益随着可出租的闲置频谱资源增加而变化的仿真图。随着可出租的闲置频谱资源的增加，认知用户的收益逐渐增加，只是由于随着频谱资源价格的不断降低，对于购买者认知用户来讲，其收益自然就逐渐增加，当闲置资源数量大于20时候，绝大多数认知用户的频谱需求得到了满足，因此其收益保持不变。本发明的认知用户收益最高。

如图11所示，给出了不同公平加权系数δ3对系统效用随用户数量变化的影响的仿真图。当公平度加权系数较小的时候，本发明可以获得更高的系统效用。

本发明提供了一种认知无线电网络中频谱分配方法及系统，通过获取授权用户和认知用户的初始数量信息，以及各个授权用户和各个认知用户的初始位置信息，以生成初始频谱分配参数；根据初始频谱分配参数计算出初始授权用户和认知用户的收益函数；根据所述初始化授权用户和认知用户的收益函数和预设的频谱分配模型，计算得到频谱分配参数；其中，所述频谱分配模型为基于鲸鱼优化算法建立；根据所述频谱分配参数进行授权用户和认知用户之间的频谱分配。本实施例在频谱分配中引入基于stackelberg博弈的双目标woa优化算法，以实现频谱分配中授权用户、认知用户所取得的收益最优的目的。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。