[发明专利]一种认知异构网络的动态频谱分配方法

摘要

本发明涉及一种认知异构网络的动态频谱分配方法，设置从量子和声集合中进行选择的概率HMCR，对基于量子和声的动态频谱方法进行初始化；对每个量子和声的量子音调进行测量得到和声库x和和声记忆库H，对每个和声进行适应度计算，对应的适应度值分别保存在Fit和Fit1中；若rand＜HMCR，则继承上一代量子和声的量子音调，启动量子旋转门产生新解；若rand＞HMCR，则随机生成一个Tent伪混沌序列，产生新的量子和声；依次对每个量子和声的量子音调进行测量得到其对应的和声，并进行适应度计算，替换Fit1中的对应适应度值；循环迭代输出和声记忆库H中的全局最优和声，全局最优和声映射得到的频谱分配矩阵A即为该认知异构网络的最优频谱分配方案。

主权项

一种认知异构网络的动态频谱分配方法，其特征在于:步骤1：感知当前可用频谱资源F，接入网随机提出频谱需求，设置信道频谱粒度，设置从量子和声集合中进行选择的概率HMCR，对基于量子和声的动态频谱方法进行初始化；待分配的频谱资源宽度为F，K种异构无线网络相应接入技术对信道带宽的规定分别为Bi，i＝1,2,…,K，则频谱资源被划分为多粒度重叠信道，对应每种网络的信道数为信道总数为每个信道用一个整数m(1≤m≤M)进行编号；将带宽相同的信道组成的集合(Φ1,Φ2,…,ΦK)叫作信道集合，其中Φ1＝(1,2,…,M1),用Dn＝Mi表示RAN(n,k)可能得到的最大信道数，RAN(n,k)表示第n个接入网，并且其属于第k种异构网络，第n个接入网用长度为Dn的和声片段表示RAN(n,k)得到的相应信道编号，则每个量子和声的音调编码总长度为N为接入网总数，量子和声集合中第i个量子和声包含Q位量子音调，则其量子和声的量子音调编码形式为其中|αij|2+|βij|2＝1，|αij|2描述量子音调vij＝[αij,βij]T出现“0”状态概率,|βij|2描述量子音调vij出现“1”状态概率,i＝1,2,…,P，j＝1,2,…,Q；把i＝1,2,…,P的所有量子和声的量子音调中的αij和βij初始化为P为量子和声集合所包含量子和声数；步骤2：对每个量子和声的量子音调进行测量得到和声库x和和声记忆库H，对每个和声进行适应度计算，对应的适应度值保存在Fit和Fit1中，其中Fit与和声库x相对应，Fit1与记忆库H相对应，最后利用适应度向量Fit1中适应度值的大小对和声记忆库H中的和声及向量Fit1中的适应度值进行降序排序；步骤3：若rand＜HMCR，rand∈(0,1)是满足均匀分布的随机数，则在对第i个量子和声进行更新时，继承第t代第i个量子和声的量子音调来进行第t+1次更新，更新时启动量子旋转门产生新解；若rand＞HMCR,rand∈(0,1)是满足均匀分布的随机数，则随机生成一个Tent伪混沌序列，用它构造量子声调代替第i个量子和声的量子声调来进行第t+1次迭代；步骤4：依次对每个量子和声的量子音调进行测量得到其对应的和声，并进行适应度计算，评价其优劣，替换Fit1中的对应适应度值；重新计算全局最优和声，并依据适应度向量Fit1对和声记忆库H中的和声及向量Fit1中的适应度值进行降序排序，用和声记忆库H中的和声音调来指导量子和声集合进行演进；步骤5：如果演进没有终止，演进由预先设定的最大迭代次数决定，设t＝t+1，返回步骤3；否则，迭代终止，输出和声记忆库H中的全局最优和声，全局最优和声映射得到的频谱分配矩阵A即为该认知异构网络的最优频谱分配方案；步骤2中，测量公式为其中：ηij∈(0,1)是满足均匀分布的随机数，(αij)2描述量子音调vij出现“0”状态概率；量子和声集合对应的测量态即为和声集合，和声集合中第i个和声为xi＝[xi1,xi2,…,xiQ]，P个初始和声构成和声库x＝[x1,x2,…,xP]T的初始状态，以及和声记忆库H＝[H1,H2,…,HP]T的初始状态，和声记忆库中存储着迄今为止找到的P个最优解，其中和声记忆库中第i个和声为Hi＝[Hi1,Hi2,…,HiQ]，1≤i≤P；认知异构网络频谱分配参数优化方法遵循多约束0‑1整数规划，由优化过程确定系统参数；系统参数通过简单编码规则与和声库中数据一一对应；xi＝(Xi1,Xi2,…,XiN)为有N个接入网的认知异构网络系统参数，是由取值{0,1}的二进制数构成的Q维解向量，Xin为第i个和声的第n个接入网的系统参数。