[发明专利]一种基于合作抗干扰分层博弈模型的抗干扰学习方法

说明书

本发明公开了一种合作抗干扰分层博弈模型及抗干扰学习算法。该模型为：将用户建模为领导者，干扰建模为跟随者，干扰始终以最大化降低系统的吞吐量为优化目标，用户利用抗干扰学习算法，不断调整抗干扰策略，最大化系统整体吞吐量。算法为：首先构建Stackelberg博弈模型，参与者是所有用户和干扰；所有用户随机生成初始的抗干扰策略，干扰根据用户的抗干扰策略进行干扰策略选择；然后用户随机选择一个抗干扰策略，计算相应的效用函数并比较，干扰随用户动作改变而更新干扰策略；循环迭代，直至所有用户抗干扰策略实现收敛或者达到设定的迭代次数；最后计算全网吞吐量和干扰效用函数。本发明利用用户间的合作关系，提升了系统抗干扰能力。

技术领域

本发明属于无线通信技术领域，特别是一种基于合作抗干扰分层博弈模型的抗干扰学习方法。

背景技术

随者无线技术的发展，用户通信需求呈现出指数型的爆发趋势，这使得如何减少恶意干扰对用户通信质量影响的研究越来越重要。针对这个问题，有人提出了一种通过跳频方式避免干扰的抗干扰策略(Liang Xiao,Tianhua Chen,Jinliang Liu,Huaiyu Dai,``Anti-Jamming Transmission Stackelberg Game With Observation Errors”,IEEECommunications Letters,vol.19,no.6,pp.949-952,2015.)；有人提出了通过调整发射功率从而增大信噪比的抗干扰策略(Luliang Jia,Fuqiang Yao,Youming Sun,YingtaoNiu,Yonggang Zhu,``Bayesian Stackelberg Game for Antijamming Transmission WithIncomplete Information”,IEEE Communications Letters,vol.20,no.10,pp.1991-1994,2016.)。然而，大部分研究都只是假设了一种简单的干扰样式，并没有考虑智能干扰对抗干扰策略的影响，而且研究集中于单用户单干扰的场景，对更为常见的多用户场景较少涉及。

Stackelberg博弈主要刻画的是分层决策的相互影响关系；抗干扰博弈模型(Luliang Jia,Fuqiang Yao,Youming Sun,Yuhua Xu,Shuo Feng,AlaganAnpalagan,``AHierarchical Learning Solution for Anti-jamming Stackelberg Game withDiscrete Power Strategies”IEEE Wireless Communications Letters,vol.6,no.6,pp.818-821,2017.)中，构建了一个单领导者单跟随者的Stackelberg博弈模型，将干扰定位为领导者，用户通信对定位为跟随者，研究了一种带有观测误差的抗干扰模型，通过构建贝叶斯-Stackelberg博弈进行了求解，但是它仅考虑了单用户的场景，而且抗干扰策略为调整发射功率，并没有考虑多用户多信道系统模型。

发明内容

本发明的目的在于提供一种能够提高系统吞吐量、降低干扰影响的基于合作抗干扰分层博弈模型的抗干扰学习方法。

实现本发明目的的技术解决方案为：

一种基于合作抗干扰分层博弈模型的抗干扰学习方法，包括以下步骤：

步骤1，将多用户单干扰场景下的合作抗干扰问题，建模为多领导者单跟随者的Stackelberg博弈模型，博弈的参与者是系统内的所有用户和干扰；

步骤2，所有用户随机生成初始的抗干扰策略，包括信道选择与功率配置，干扰则根据用户的抗干扰策略进行干扰信道选择，定义干扰的效用函数为系统通信用户策略保持不变时干扰存在与否对系统整体吞吐量的影响，定义用户的效用函数为干扰条件下的全网吞吐量与自身的功率消耗开销，引入势能博弈模型；