离散蝠鲼觅食优化算法及在频谱分配中的应用

doi:10.11772/j.issn.1001-9081.2021020238

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (1): 215-222.DOI: 10.11772/j.issn.1001-9081.2021020238

• 先进计算 • 上一篇

离散蝠鲼觅食优化算法及在频谱分配中的应用

王大为, 刘新浩, 李竹(), 芦宾, 郭爱心, 柴国强

山西师范大学物理与信息工程学院，山西临汾 041004

收稿日期:2020-02-09 修回日期:2020-04-21 接受日期:2020-04-28 发布日期:2021-05-08 出版日期:2022-01-10
通讯作者: 李竹
作者简介:王大为（1989—），男，山西新绛人，讲师，博士，主要研究方向：信息探测、智能信息处理
刘新浩（2001—），男，山东济宁人，主要研究方向：认知无线电、智能优化算法
李竹（1975—），男，山西朔州人，副教授，硕士，主要研究方向：传感器网络、通信
芦宾（1990—），男，山西曲沃人，讲师，博士，主要研究方向：半导体器件、集成电路
郭爱心（1991—），女，山西文水人，助教，硕士，主要研究方向：深度学习、认知无线电
柴国强（1989—），男，山西襄汾人，讲师，博士研究生，主要研究方向：深度学习、智能计算。
基金资助:
国家自然科学基金资助项目(62004119);山西省高等学校大学生创新创业训练计划项目(2020225)

Discrete manta ray foraging optimization algorithm and its application in spectrum allocation

Dawei WANG, Xinhao LIU, Zhu LI(), Bin LU, Aixin GUO, Guoqiang CHAI

College of Physics and Information Engineering，Shanxi Normal University，Linfen Shanxi 041004，China

Received:2020-02-09 Revised:2020-04-21 Accepted:2020-04-28 Online:2021-05-08 Published:2022-01-10
Contact: Zhu LI
About author:WANG Dawei， born in 1989， Ph. D.， lecturer. His research interests include information detection， intelligent information processing.
LIU Xinhao， born in 2001. His research interests include cognitive radio， intelligent optimization algorithm.
LI Zhu， born in 1975， M. S.， associate professor. His research interests include sensor network， communication.
LU Bin， born in 1990， Ph. D.， lecturer. His research interests include semiconductor device， integrated circuit.
GUO Aixin， born in 1991， M. S.， teaching assistant. Her research interests include deep learning， cognitive radio.
CHAI Guoqiang， born in 1989， Ph. D. candidate， lecturer. His research interests include deep learning， intelligent computing.
Supported by:
National Natural Science Foundation of China(62004119);Innovation and Entrepreneurship Training Program for College Students of Shanxi Province(2020225)

摘要/Abstract

摘要：

针对认知无线电中以最大化网络效益为准则的频谱分配难题以及蝠鲼觅食优化（MRFO）算法难以解决频谱分配问题的不足，提出一种离散蝠鲼觅食优化（DMRFO）算法。根据工程中频谱分配问题具有亲1性的特点，首先，基于Sigmoid函数（SF）离散法对MRFO算法进行离散二进制化；然后，通过异或算子和速度调节因子引导蝠鲼根据当前速度大小自适应向最优解调整下一时刻的位置；同时，通过在全局最优解附近进行二进制螺旋觅食避免算法陷入局部最优；最后，将提出的DMRFO算法应用于解决频谱分配问题。仿真实验结果表明，采用DMRFO算法分配频谱时的网络效益的收敛均值和标准差分别为362.60和4.14，该结果显著优于离散人工蜂群（DABC）算法、二进制粒子群优化（BPSO）算法以及改进的二进制粒子群优化（IBPSO）算法。

关键词: 认知无线电, 频谱分配, 智能计算, 蝠鲼觅食优化算法, 网络效益

Abstract:

Aiming at the problem of spectrum allocation based on maximizing network benefit in cognitive radio and the fact that Manta Ray Foraging Optimization （MRFO） algorithm is difficult to solve the problem of spectrum allocation， a Discrete Manta Ray Foraging Optimization （DMRFO） algorithm was proposed.Considering the pro-1 characteristic of spectrum allocation problem in engineering， firstly， MRFO algorithm was discretely binarized based on the Sigmoid Function （SF） discrete method. Secondly， the XOR operator and velocity adjustment factor were used to guide the manta rays to adaptively adjust the position of next time to the optimal solution according to the current velocity. Then， the binary spiral foraging was carried out near the global optimal solution to avoid the algorithm from falling into the local optimum. Finally， the proposed DMRFO algorithm was applied to solve the spectrum allocation problem. Simulation results show that the convergence mean and standard deviation of the network benefit when using DMRFO algorithm to allocate spectrum are 362.60 and 4.14 respectively， which are significantly better than those of Discrete Artificial Bee Colony （DABC） algorithm， Binary Particle Swarm Optimization （BPSO） algorithm and Improved Binary Particle Swarm Optimization （IBPSO） algorithm.

Key words: cognitive radio, spectrum allocation, intelligent computing, Manta Ray Foraging Optimization (MRFO) algorithm, network benefit

中图分类号:

TN92

王大为, 刘新浩, 李竹, 芦宾, 郭爱心, 柴国强. 离散蝠鲼觅食优化算法及在频谱分配中的应用[J]. 计算机应用, 2022, 42(1): 215-222.

Dawei WANG, Xinhao LIU, Zhu LI, Bin LU, Aixin GUO, Guoqiang CHAI. Discrete manta ray foraging optimization algorithm and its application in spectrum allocation[J]. Journal of Computer Applications, 2022, 42(1): 215-222.

图/表 11

表1 链式觅食的速度离散概率分析

Tab. 1 Discrete probability analysis of velocity in chain foraging

$x i d (t)$	$x i - 1 d (t)$	$x b e s t d (t)$	$E [v i d (t)]$	$P {S F [v i d (t)] = 1}$
0	0	0	-2	0.12
0	0	1	0	0.50
0	1	0	0	0.50
0	1	1	2	0.88
1	0	0	2	0.88
1	0	1	0	0.50
1	1	0	0	0.50
1	1	1	-2	0.12

表1 链式觅食的速度离散概率分析

Tab. 1 Discrete probability analysis of velocity in chain foraging

$x i d (t)$	$x i - 1 d (t)$	$x b e s t d (t)$	$E [v i d (t)]$	$P {S F [v i d (t)] = 1}$
0	0	0	-2	0.12
0	0	1	0	0.50
0	1	0	0	0.50
0	1	1	2	0.88
1	0	0	2	0.88
1	0	1	0	0.50
1	1	0	0	0.50
1	1	1	-2	0.12

表2 螺旋觅食的速度离散概率分析

Tab. 2 Discrete probability analysis of velocity in spiral foraging

$x b e s t d (t)$	$x i - 1 d (t)$	$x i d (t)$	$E [v i d (t)]$	$P {S F [v i d (t)] = 1}$
0	0	0	0	0.50
0	0	1	2	0.88
0	1	0	2	0.88
0	1	1	4	0.98
1	0	0	-4	0.02
1	0	1	-2	0.12
1	1	0	-2	0.12
1	1	1	0	0.50

表2 螺旋觅食的速度离散概率分析

Tab. 2 Discrete probability analysis of velocity in spiral foraging

$x b e s t d (t)$	$x i - 1 d (t)$	$x i d (t)$	$E [v i d (t)]$	$P {S F [v i d (t)] = 1}$
0	0	0	0	0.50
0	0	1	2	0.88
0	1	0	2	0.88
0	1	1	4	0.98
1	0	0	-4	0.02
1	0	1	-2	0.12
1	1	0	-2	0.12
1	1	1	0	0.50

表3 空翻觅食的速度离散概率分析

Tab. 3 Discrete probability analysis of velocity in somersault foraging

$x i d (t)$	$x b e s t d (t)$	$E [v i d (t)]$	$P {S F [v i d (t)] = 1}$
0	0	-2	0.12
0	1	2	0.88
1	0	2	0.88
1	1	-2	0.12

表3 空翻觅食的速度离散概率分析

Tab. 3 Discrete probability analysis of velocity in somersault foraging

$x i d (t)$	$x b e s t d (t)$	$E [v i d (t)]$	$P {S F [v i d (t)] = 1}$
0	0	-2	0.12
0	1	2	0.88
1	0	2	0.88
1	1	-2	0.12

图1 搜索空间压缩与还原实例

Fig. 1 Example of search space compression and recovery

图2 不同参数的算法收敛过程对比

Fig. 2 Algorithm convergence process comparison of different parameters

图3 不同算法的鲁棒性对比

Fig. 3 Robustness comparison of different algorithms

表4 不同算法的均值和标准差

Tab. 4 Mean and standard deviation of different algorithms

算法	均值	标准差
DMRFO	362.60	4.14
IBPSO	349.81	6.77
BPSO	322.50	6.04
DABC	332.86	6.85

图4 不同算法的网络总效益收敛曲线

Fig. 4 Convergence curves of network total benefit of different algorithms

图5 不同通信环境下不同算法的网络总效益

Fig. 5 Network total benefits of different algorithms in different communication environments

图6 认知用户数N递增时的平均效益

Fig. 6 Average benefit with the number of cognitive users N increasing

图7 可用频谱数M递增时的平均效益

Fig. 7 Average benefit with the number of available spectrums M increasing

参考文献 22

1	王金龙，徐煜华，陈瑾. 无线通信网络智能频谱协同与对抗［J］. 中国科学：信息科学， 2020， 50（11）： 1767-1778. 10.1360/ssi-2020-0087
	WANG J L， XU Y H， CHEN J. Intelligent spectrum collaboration and confrontation in wireless communication networks［J］. SCIENTIA SINICA Informations， 2020， 50（11）： 1767-1778. 10.1360/ssi-2020-0087
2	SEDIGHI H， ABBASPOUR M. Optimal spectrum allocation based on primary user activity model in cognitive radio wireless sensor networks［J］. Wireless Personal Communications， 2021， 118（1）： 195-216. 10.1007/s11277-020-08009-3
3	KAUR A， KUMAR K. A reinforcement learning based evolutionary multi-objective optimization algorithm for spectrum allocation in cognitive radio networks［J］. Physical Communication， 2020， 43： No.101196. 10.1016/j.phycom.2020.101196
4	YANG F T， WANG L， WANG L Q， et al. Holding-time-aware spectrum allocation algorithm for elastic optical networks［J］. Optical Fiber Technology， 2018， 41： 155-162. 10.1016/j.yofte.2018.01.024
5	朱冰莲，朱文勇，朱志青，等. 基于统计特性的蝙蝠算法在认知无线电频谱分配中的应用［J］. 系统工程与电子技术， 2018， 40（2）： 441-446. 10.3969/j.issn.1001-506X.2018.02.29
	ZHU B L， ZHU W Y， ZHU Z Q， et al. Application of bat algorithm based on statistical characteristics in spectrum allocation of cognitive radio［J］. Systems Engineering and Electronics， 2018， 40（2）： 441-446. 10.3969/j.issn.1001-506X.2018.02.29
6	谢玉鹏，谭学治，马琳，等. 基于分布式博弈论的频谱分配算法［J］. 系统工程与电子技术， 2015， 37（10）： 2391-2395. 10.3969/j.issn.1001-506X.2015.10.31
	XIE Y P， TAN X Z， MA L， et al. Spectrum allocation algorithm base on distributed game theory［J］. Systems Engineering and Electronics， 2015， 37（10）： 2391-2395. 10.3969/j.issn.1001-506X.2015.10.31
7	KARACA H M， KURT T， ZAFER DICLE S， et al. Auction-based throughput maximization in cognitive radio networks under interference constraint［J］. Wireless Personal Communications， 2013， 72（2）：1259-1275. 10.1007/s11277-013-1076-1
8	YOO S J， SHRESTHA A P， SEO M， et al. Joint spectrum sensing and resource allocation optimization using genetic algorithm for frequency hopping-based cognitive radio networks［J］. International Journal of Communication Systems， 2018， 31（13）： No.e3733. 10.1002/dac.3733
9	ELHACHMI J， GUENNOUN Z. Cognitive radio spectrum allocation using genetic algorithm［J］. EURASIP Journal on Wireless Communications and Networking， 2016， 2016： No.133. 10.1186/s13638-016-0620-6
10	SHU C， SUN L H， LI J H， et al. Improvement of quantum genetic algorithm and its application in cognitive radio spectrum distribution［J］. Journal of Nanoelectronics and Optoelectronics， 2017， 12（11）： 1215-1218. 10.1166/jno.2017.2261
11	KOROUPI F， TALEBI S， SALEHINEJAD H. Cognitive radio networks spectrum allocation： an ACS perspective［J］. Scientia Iranica， 2012， 19（3）： 767-773. 10.1016/j.scient.2011.04.029
12	LIU L P， WANG N， CHEN Z G， et al. A novel spectrum scheduling scheme with ant colony optimization algorithm［J］. Algorithms， 2018， 11（2）： No.16. 10.3390/a11020016
13	PADMANABAN B， SATHIYAMOORTHY S. A Metaheuristic optimization model for spectral allocation in cognitive networks based on Ant Colony Algorithm （M-ACO）［J］. Soft Computing， 2020， 24（20）： 15551-15560. 10.1007/s00500-020-04882-z
14	MARTÍNEZ-VARGAS A， ANDRADE Á G. Particle swarm optimization applied to a spectrum sharing problem［J］. AEU — International Journal of Electronics and Communications， 2012， 66（12）：969-978. 10.1016/j.aeue.2012.04.006
15	YANG Y， ZHANG Q Y， WANG Y， et al. Adaptive resources allocation algorithm based on modified PSO for cognitive radio system［J］. China Communications， 2019， 16（5）： 83-92. 10.23919/j.cc.2019.05.007
16	HAO X C， YAO N， WANG J J， et al. Distributed resource allocation optimisation algorithm based on particle swarm optimisation in wireless sensor network［J］. IET Communications， 2020， 14（17）： 2990- 2999. 10.1049/iet-com.2020.0368
17	ARUN J， KARTHIKEYAN M. Optimized Cognitive Radio Network （CRN） using genetic algorithm and artificial bee colony algorithm［J］. Cluster Computing， 2019， 22（S2）： 3801-3810. 10.1007/s10586-018-2350-5
18	GHASEMI A， MASNADI-SHIRAZI M A， BIGUESH M， et al. Channel assignment based on bee algorithms in multi-hop cognitive radio networks［J］. IET Communications， 2014， 8（13）： 2356-2365. 10.1049/iet-com.2013.0910
19	朱冰莲，朱方方，段青言，等. 采用多策略离散人工蜂群的改进频谱分配算法［J］. 西安交通大学学报， 2016， 50（2）： 20-25， 84. 10.7652/xjtuxb201602004
	ZHU B L， ZHU F F， DUAN Q Y， et al. An improved spectrum allocation algorithm using multi-strategy discrete artificial bee colony technology［J］. Journal of Xi’an Jiaotong University， 2016， 50（2）： 20-25， 84. 10.7652/xjtuxb201602004
20	王大为，朱方方. 改进二进制粒子群算法及在频谱分配中的应用［J］. 计算机工程与应用， 2016， 52（21）： 111-115. 10.3778/j.issn.1002-8331.1412-0145
	WANG D W， ZHU F F. Improved binary particle swarm optimization algorithm and its application in spectrum allocation［J］. Computer Engineering and Applications， 2016， 52（21）： 111-115. 10.3778/j.issn.1002-8331.1412-0145
21	WOLPERT D H， MACREADY W G. No free lunch theorems for optimization［J］. IEEE Transactions on Evolutionary Computation1997， 1（1）： 67-82. 10.1109/4235.585893
22	ZHAO W G， ZHANG Z X， WANG L Y. Manta ray foraging optimization： an effective bio-inspired optimizer for engineering applications［J］. Engineering Applications of Artificial Intelligence， 2020， 87： No.103300. 10.1016/j.engappai.2019.103300

[1]	周烁, 仇润鹤, 唐旻俊. 基于禁忌搜索和Q-learning的CR-NOMA系统的功率分配算法[J]. 计算机应用, 2021, 41(7): 2026-2032.
[2]	蔡豪, 袁正道. 云数据中心基于贪心模式的虚拟机选择算法[J]. 计算机应用, 2020, 40(6): 1707-1713.
[3]	文槿奕, 唐伦, 陈前斌. 物联网传感器网络中次级用户在不完美信道下的带宽和功率分配[J]. 计算机应用, 2018, 38(8): 2330-2336.
[4]	朱江, 杜清敏, 巴少为. 认知无线电网络中接入控制和功率波束形成的联合优化[J]. 计算机应用, 2017, 37(7): 1830-1836.
[5]	朱江, 巴少为, 杜清敏. 认知网络中基于博弈论的联合功率控制与速率分配算法[J]. 计算机应用, 2017, 37(6): 1521-1526.
[6]	王思秀, 郭文强, 汪晓洁. 认知无线电中基于多址接入信道的多用户联合频谱感知算法[J]. 计算机应用, 2017, 37(4): 960-964.
[7]	周坤晓, 赵慧, 袁华强. 认知无线电网络组播路由算法和协议综述[J]. 计算机应用, 2017, 37(2): 422-426.
[8]	段瑞杰, 姚富强, 李永贵, 郭鹏程. 基于智能跳频的短波无线接入网动态频谱分配算法[J]. 计算机应用, 2016, 36(8): 2163-2169.
[9]	廖云峰, 陈勇, 孙爱伟, 邵鸿翔. 基于用户预算和服务质量的动态频谱接入[J]. 计算机应用, 2016, 36(4): 899-904.
[10]	赵楠, 武明虎, 周先军, 熊炜, 曾春艳. 基于频谱合约的协作频谱共享方法[J]. 计算机应用, 2015, 35(7): 1805-1808.
[11]	刘金霞, 陈莲娜, 刘延伟, 王遵义, 彭光超. 基于视频业务质量优化的认知无线电传输信道选择[J]. 计算机应用, 2015, 35(6): 1527-1530.
[12]	李李. 认知无线电网络基于QoS的监听时间与资源联合分配[J]. 计算机应用, 2015, 35(5): 1230-1233.
[13]	贾遂民, 魏萌, 胡明生. 混沌拟态物理优化的认知频谱差异分配[J]. 计算机应用, 2015, 35(4): 1067-1070.
[14]	李亚伦杨亚楠柴争义. 认知Mesh网络中基于免疫多目标优化的频谱分配[J]. 计算机应用, 2014, 34(8): 2239-2242.
[15]	邵凯计翔庄陵王光宇. 认知无线电系统中调制滤波器组的设计[J]. 计算机应用, 2014, 34(2): 329-332.

离散蝠鲼觅食优化算法及在频谱分配中的应用

Discrete manta ray foraging optimization algorithm and its application in spectrum allocation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 22

相关文章 15

编辑推荐

Metrics