[发明专利]一种基于拟态物理多目标优化的认知物联网频谱检测方法

权利要求书

1.一种基于拟态物理多目标优化的认知物联网频谱检测方法，其特征在于，所述基于拟态物理多目标优化的认知物联网频谱检测方法认知传感器节点之间采用集中式协作频谱检测方式；将频谱检测问题建模为提高全局检测率和降低能耗的多目标优化问题；通过拟态多目标优化算法对多目标优化问题进行求解；得到多目标优化问题的解后，得到较优的节点休眠率和决策数据筛选率；根据节点休眠率决定哪些节点进行休眠，根据筛选率决定哪些本地检测信息发送给融合中心；融合中心对所接收到的检测信息进行融合，得到最终频谱是否空闲的结果，并返回给认知传感器节点；

频谱检测问题转换为多目标优化问题：

min F(X)＝{E，(1-R_D)}；

其中：

0＜α＜1，0＜β＜1，θ₁＜θ₂；

其中，X＝(α，θ₁，θ₂)；其中，E为总的能耗，R_D为全局检测率，α为节点的休眠率，β为节点的筛选率，θ₁、θ₂为筛选阈值；

优化目标为调整X值，寻找问题的Pateto最优解集；

一个微粒代表一种可能的X＝(α，θ₁，θ₂)取值方案，算法结束后，最优微粒的位置代表了最终的优化结果；采用实数编码，适应度评价函数：

其中，E为总的能耗，α为节点的休眠率，β为节点的筛选率，N为认知节点的个数，C_i为节点i用于频谱检测所消耗的能量，T_i为节点i传输判决结果到融合中心传输1bit所需的能量，并且a≠0，β≠0；

频谱检测多目标算法包括：

步骤一，进化代数g为0，随机初始化大小为s的种群X(g)＝{x₁(g)，x₂(g)......x_s(g)}；微粒的最初速度v_i(g)＝0，设置相关参数的值：最大进化代数g_max，初始引力系数G，惯性系数θ，非支配解集A_non(g)初始为空；

步骤二，计算初始种群中每个微粒在2个子目标下的适应值f(x_i(g))；根据pareto占优关系，找出所有非支配个体并存放在A_non(g)中，大小记为s_non(g)；

步骤三，为A_non(g)所有个体分配序值r_i(g)，设置大小为1；对所有被支配掉的个体随机分配序值r_i(g)为(s_non(g)，s)间的一个自然数；对A_non(g)中序值相同的个体，根据个体之间的欧氏距离重新排序；

步骤四，计算微粒i在第g代的个体质量：

m_i(g)＝exp(-r_i(g)/s)；

步骤五，计算微粒所受合力；

其中，F_i，j为微粒j对微粒i的作用力，计算公式如下：

其中，

初始引力系数G：

G＝G×(1-g/g_max)；

步骤六，微粒的速度更新为：

v_i(g+1)＝θv_i(g)+λF_i/m_i；

其中，θ为惯性系数，0＜θ＜1，λ是服从(0，1)正态分布的随机变量；

微粒的位置更新为：

x_i(g+1)＝x_i(g)+v_i(g+1)；

步骤七，重新计算每个微粒在2个子目标下的适应值，找出所有非支配个体并与A_non(g)中的个体进行pareto占优比较：无法相互支配的个体放入A_non(g)，被支配的个体从A_non(g)中删除；若需要放入的个体超过A_non(g)规模s_non(g)，则删除支配其它个体数目较少的个体；

步骤八，结束条件判断；如果达到最大进化次数g_max，算法终止，A_non(g)中的个体即为输出结果；否则，进化代数g＝g+1，转步骤三。