[发明专利]基于多目标量子蚁群算法的多目标决策引擎参数优化方法

摘要

本发明涉及一种同时使认知无线电系统最小化发射功率、最小化比特错误率和最大化数据速率达到最优的多目标决策引擎参数优化方法。本发明包括：建立多目标决策引擎模型；计算多目标量子蚁群算法路径初值；初始化多目标量子蚁群算法的量子信息素；进行非支配路径排序和路径拥挤度的计算；对非支配路径排序等级相同的路径进行排序，选择非支配路径排序等级为1的路径加入精英路径集；计算路径拥挤度；选出路径映射得到所需要的系统参数。本发明解决了离散多目标决策引擎参数优化问题，并设计非支配路径排序的多目标量子蚁群算法作为求解策略，提高了收敛精度高。即同时考虑最小化发射功率、最小化比特错误率和最大化数据速率，拓宽了适用性。

主权项

1.基于多目标量子蚁群算法的多目标决策引擎参数优化方法，其特征在于：（1）建立认知无线电系统的多目标决策引擎模型：maxF(y)＝[f₁(y),f₂(y),f₃(y)]，其中，F(y)是多目标函数的目标矢量，为最小化发射功率的归一化最大值优化目标函数，为最大化数据速率的归一化最大值优化目标函数，为最小化比特错误率的归一化最大值目标函数，x＝(x₁,x₂,…,x_l)为潜在的路径，x是由取值{0,1}的二进制数构成的l维解向量，y＝(y₁,y₂,…,y_2N)为x所对应的系统参数，N为子载波总数，y_i(1≤i≤N)为第i个子载波的发射功率，y_N+i(1≤i≤N)为第i个子载波的调制阶数，是N个子载波的平均发射功率，p_max是最大发射功率；是平均误比特率；M_max是最大调制阶数,M_min是最小调制阶数；（2）计算多目标量子蚁群算法的3个路径初值，每个路径初值计算包括如下步骤：1）初始化量子蚁群，将第i只量子蚂蚁的量子信息素i＝1,2,…,pop1的所有量子位初始化为对第i只量子蚂蚁的量子信息素测量得到的路径为其对应的系统参数为第i只量子蚂蚁记忆的局部最优路径为初始时设t＝0；2）对所有量子蚂蚁，利用每只量子蚂蚁路径对应的系统参数根据适应度函数w₁+w₂+w₃＝1,0≤w₁≤1,0≤w₂≤1,0≤w₃≤1进行适应度计算，w₁,w₂,w₃为常数权值，计算出的适应度函数最大值对应的路径存为全局最优路径3）更新每只量子蚂蚁的量子信息素和路径，第i只量子蚂蚁的第j维路径的沉积挥发因子、量子信息素和路径迭代更新为：vijt+1=|vijtcosθijt+1-1-(vijt)2sinθijt+1|,]]>xijt+1=1,μijt+1>(vijt+1)20,μijt+1≤(vijt+1)2,]]>其中，1≤i≤pop1，1≤j≤l，上标t和t+1代表迭代次数，为沉积挥发因子，为均匀分布在[0，1]之间的随机数；4）对于每只量子蚂蚁的新路径，映射成系统参数，根据适应度函数计算适应度值；5）更新每只量子蚂蚁的局部最优路径和全局最优路径，对于量子蚂蚁i经历的适应度最大的路径存为量子蚁群经历的适应度最大路径存为全局最优路径6）如果演进没有终止，设t＝t+1，重新执行步骤3）；否则，演进终止，输出全局最优路径及其对应的系统参数；（3）初始化多目标量子蚁群算法的量子信息素1≤i≤pop中元素为部分路径1≤i≤3,其它路径4≤i≤pop，通过每只量子蚂蚁对应的系统参数对每个目标进行适应度计算，多目标函数的归一化优化表达式为F(yit)=[f1(yit),f2(yit),f3(yit)],]]>初始时设迭代次数t＝0；（4）对量子蚁群中的所有量子蚂蚁根据其3个目标适应度值进行非支配路径排序和路径拥挤度的计算：对于待确定等级路径集合中每个路径p，计算支配路径p的路径数目n_p以及路径p所支配的路径集合S_p，如果n_p＝0，则路径p的非支配排序等级为1，对于每个n_p＝0的路径p，遍历S_p中的每个路径q，设S_p中支配q的路径数目为n_q，若n_q＝0，将路径q放在集合Q_q中，路径的非支配路径等级为2，对Q_q中的每个路径重复上述计算，得到非支配路径等级为3的路径集合；对于每个非支配等级，其中的n个路径根据目标函数的f_z值由小到大进行排序，目标函数值最小的和最大的所对应的路径的拥挤度值为I_z(1)_distance＝I_z(n)_distance＝∞，其它路径的拥挤度为k＝2,3,…,n-1，对每个路径的每个目标函数f_z(z＝1,2,3)对应的拥挤度进行计算，最终的路径拥挤度值就是计算出的3个拥挤度分量的和；（5）对非支配路径排序等级相同的路径根据拥挤度由大到小进行排序，选择非支配路径排序等级为1的路径加入精英路径集G_{nonDomQACOList}中；（6）采用多目标量子蚁群的演进规则对量子蚁群进行演化，产生新的量子信息素和路径，对最近两代路径进行非支配路径排序，计算路径拥挤度：第i只量子蚂蚁第j维路径的沉积挥发因子为其中是中的元素，是中的元素，精英路径和分别从精英路径集G_{nonDomQACOList}前40%和前80%优秀路径中选择，为i只量子蚂蚁的在第t次迭代的第j维路径，e₁和e₂为常数；第i只量子蚂蚁的第j维路径的量子信息素更新为：1≤i≤pop，1≤j≤l，为均匀分布在[0，1]之间的随机数；c₁是对沉积挥发因子为0的量子信息素分量强制进行快速挥发或沉积的概率，量子蚂蚁的新路径通过对量子信息素测量得到，即xijt+1=1,μijt+1>(uijt+1)20,μijt+1≤(uijt+1)2,]]>其中为[0,1]间的均匀随机数，计算新路径的适应度值，将迭代产生路径和上一代的路径混合，对2×pop个路径进行非支配路径排序及路径拥挤度的计算，将产生的非支配路径排序等级为1的路径加入精英路径集G_{nonDomQACOList}中；（7）如果精英路径集G_{nonDomQACOList}的路径个数大于常数ElitePop，ElitePop为精英路径集更新后的精英路径数，则对G_{nonDomQACOList}中的路径进行非支配路径排序和路径拥挤度计算，并对非支配路径排序等级相同的路径进行路径拥挤度由大到小进行排序，从中选择前ElitePop个优秀路径作为新的精英路径集；（8）如果没有达到最大迭代代数，设t＝t+1，返回(6)继续迭代；否则，算法迭代终止，执行步骤（9）输出最终路径集；（9）将得到的精英路径集G_{nonDomQACOList}中的路径进行非支配路径排序，选择非支配路径等级为1的路径作为最终的Pareto前端路径集，选出路径映射得到所需要的系统参数。