融合PSO与DE的认知决策引擎

张煜培 赵知劲， 郑仕链

(1. 杭州电子科技大学浙江省数据存储传输及应用技术研究重点实验室，浙江杭州 310018；2. 中国电子科技集团第36研究所通信系统信息控制技术国家级重点实验室，浙江嘉兴 314001)

1 引言

认知无线电需要感知外部无线信道环境，并根据信道条件、用户需求和其他信息等优化决策传输参数，以充分利用有限的频谱资源[1]。因此，如何根据当前通信场景自适应调整传输参数是实现认知无线电的一个关键问题。

根据环境参数，其包括路径衰落、噪声功率、功率消耗、频谱效率、频带干扰等，自适应调整传输参数[2]，包括发射功率、调制类型、调制指数、带宽、编码速率、帧长、时分双工和吞吐量等。期望优化的目标通常有最小化误比特率(bit error rate， BER)、最小化功率消耗、最小化干扰、最大化数据吞吐率、高QoS、最大化频谱效率等。如果同时优化多个指标，系统复杂度会大幅增加；并且以上目标之间存在依赖性和竞争性的关系。例如，增加调制指数可以增加数据速率，但是同时会增大BER；为了减小误帧率(frame error rate， FER)，需要降低符号率和调制指数，但是会降低速率。因此自适应参数调整过程是一个多目标优化过程。认知决策引擎(cognitive decision engine，CDE)解决参数最优化问题。

智能优化算法仅仅依靠适应度值估计解的质量，并通过当前搜索的最优解去寻找全局最优解，已在CDE中得到应用[3-11]。文献[4]用遗传算法(GA)解决认知决策引擎；文献[5]利用了量子遗传算法(QGA)，采用量子比特编码，通过量子门更新，与GA相比，收敛速度和收敛精度有很大提升；……