摘 要：針對智能優(yōu)化算法認知無線電中智能優(yōu)化階段的應(yīng)用，本文介紹了遺傳算法、模擬退算法、禁忌搜索算法、蟻群優(yōu)化算法在認知無線電智能階段的應(yīng)用，并對智能優(yōu)化在認知無線電智能優(yōu)化現(xiàn)狀和成果進行了總結(jié)分析。

關(guān)鍵詞：認知無線電；啟發(fā)式算法；智能優(yōu)化

1 概述

認知無線電技術(shù)是無線通信領(lǐng)域與人工智能領(lǐng)域相結(jié)合的產(chǎn)物，認知無線系統(tǒng)是認知無線電技術(shù)的無線通信系統(tǒng)， 其核心思想借助更加靈活的收發(fā)機平臺和智能計算，使得通信系統(tǒng)更加靈活。將人工智能及其相關(guān)理論、方法和思想引入到認知無線電網(wǎng)絡(luò)決策中，實現(xiàn)智能通信系統(tǒng)，對認知無線電的發(fā)展有著重要的科學(xué)和現(xiàn)實意義。

認知無線電（CR）的”智能化”運用到了整個認知過程中，包括認知用戶信息和通信環(huán)境的感知、辨識，各種信息采集、判斷、推理，新認知過程的實現(xiàn)等。認知引擎做為認知無線電的核心，它是在人工智能平臺的基礎(chǔ)上，把多種人工智能技術(shù)相結(jié)合以實現(xiàn)認知智能。人工智能在認知無線電網(wǎng)絡(luò)（CRN）中有三個階段的應(yīng)用：環(huán)境感知與推理階段；認知學(xué)習(xí)階段；以及智能優(yōu)化階段[1][2]。下文介紹人工智能在CRN智能優(yōu)化階段的應(yīng)用。

2 遺傳算法的應(yīng)用

遺傳算法是利用遺傳學(xué)理論，并受達爾文進化論所啟發(fā)逐漸發(fā)展成通用的問題求解方法之一，可用于解決目標(biāo)優(yōu)化問題。其核心思想是通過建模得到一個目標(biāo)適應(yīng)值函數(shù)，尋找使目標(biāo)函數(shù)最大化的一組變量。遺傳算法在認知無線電應(yīng)用中的基本思想是把無線電類近似比擬為一個進化生物系統(tǒng)[1]，將無線電的特征定義成染色體，染色體的每個基因?qū)?yīng)無線電的每一個可變的參數(shù)，利用遺傳算法的進化特性，并通過不斷學(xué)習(xí)獲得系統(tǒng)參數(shù)和系統(tǒng)性能之間的平衡點，尋找到最優(yōu)參數(shù)以滿足動態(tài)變換的無線電環(huán)境參數(shù)配置，進而最大化滿足用戶的需求。因此，學(xué)者們利用遺傳算法的并行性，解決認知無線電中的多目標(biāo)優(yōu)化問題，如利用多目標(biāo)免疫遺傳算法去解決認知無線電的參數(shù)優(yōu)化問題；認知無線電中的重配置技術(shù)存在著不同性能參數(shù)之間可能沖突的問題，遺傳算法在解決多個目標(biāo)互相沖突的最優(yōu)化問題時具有明顯優(yōu)勢，目前常見的遺傳算法多目標(biāo)求解方法有多目標(biāo)遺傳算法、非支配排序遺傳算法、小生境帕累托遺傳算法等。

未來，遺傳算法在認知無線電應(yīng)用方面的研究方向是：實時檢測并修改無線電參數(shù)；避免陷入非最優(yōu)方案而進行算法改進，以實現(xiàn)問題的最優(yōu)解決方案[2]；提高算法的收斂率和降低計算復(fù)雜度，以進一步滿足實時性的要求等。

3 禁忌搜索算法

禁忌搜索算法是將最近的搜索過程存儲在一張禁忌表中，禁忌表主要的作用是相當(dāng)于人類的大腦模擬人類的記憶，從而阻止重復(fù)的算法步驟，這樣可以在很大程度上提高搜索效率。

4 模擬退火算法

模擬退算法，是通過模擬熱力學(xué)的降溫過程，計算各個狀態(tài)轉(zhuǎn)移概率，以某一設(shè)定的概率選擇目標(biāo)值較小的狀態(tài)，從而跳出局部最優(yōu)解，改進后的算法執(zhí)行起來比較容易，雖然具有優(yōu)秀的搜索能力，但缺點是收斂速度慢，然而CR又對實時性有較高的要求，故模擬退火算法在CR中的應(yīng)用較少。

5 蟻群優(yōu)化算法的應(yīng)用

蟻群優(yōu)化算法是模擬自然界螞蟻集體合作尋找食物行為基礎(chǔ)上，提出的一種隨機優(yōu)化算法[3]，而且已經(jīng)在組合優(yōu)化問題中得到廣泛應(yīng)用[4]。蟻群優(yōu)化算法實質(zhì)上是一種正反饋機制，通過螞蟻信息素的不斷更新，最終獲得一條最優(yōu)路徑，而且加入了人類的智能。此外，由于蟻群優(yōu)化算法是一種全局的優(yōu)化算法，且優(yōu)化性能較好，因此，對于求解優(yōu)化問題無論是單目標(biāo)還是多目標(biāo)優(yōu)化問題都效果顯著提高。文獻[5]提出的是改進的蟻群優(yōu)化算法，用于認知引擎的參數(shù)優(yōu)化其性能優(yōu)于經(jīng)典遺傳算法，存在的缺點是過早收斂問題。文獻[6]提出的自適應(yīng)蟻群優(yōu)化算法，用于認知引擎的優(yōu)化，通過改良的自適應(yīng)調(diào)整機制，種群收斂速度提高的同時，不僅保證了算法的全局搜索能力，還能有效避免陷入局部最優(yōu)的困境，能夠更好地滿足認知無線電決策引擎對多目標(biāo)優(yōu)化的需求。

6 結(jié)束語

上述遺傳算法、模擬退算法、禁忌搜索算法、蟻群優(yōu)化算法都是群體智能優(yōu)化算法，它們把具體問題抽象成的數(shù)學(xué)模型做為目標(biāo)函數(shù)，進而尋找目標(biāo)函數(shù)的最優(yōu)解，或者是通過訓(xùn)練樣本來達到預(yù)期目標(biāo)，以找到適合認知無線電優(yōu)化目標(biāo)的最優(yōu)解決方案，為認知無線電技術(shù)的應(yīng)用奠定基礎(chǔ)。

參考文獻：

[1]Rondeau T W. Application of artifical intelligence to wireless communications[C]. Blacksburg： Virginia Polytechnic Institute and State University，2007：11-12.

[2]Daniel H F，M ustafa Y E， Shi Y， et al. Architecture and performance of an island genetic algorithm-based cognitive network[C]. IEEE CCNC，2008.

[3]Dorigo M， Birattari M， Stuzle T. Ant conoly optimization.[J] IEEE Computational Intelligence Magazine，2006，1（4）：28-39.

[4]史恒亮，白光一.基于蟻群優(yōu)化算法的云數(shù)據(jù)庫動態(tài)路徑規(guī)劃[J].計算機科學(xué)，2010，37（5）：143-145.

[5]Zhao N， Cognitive radio engine design based on ant conoly optimization[J].Wirless Personal Communications，2011，1（10）：1-10.

[6]羅云月，孫志峰.基于自適應(yīng)蟻群優(yōu)化算法的認知決策引擎[J].計算機科學(xué)，2011，38（8）：253-256.

作者簡介：劉俊霞，1980年生，講師，碩士，主要研究方向：移動通信網(wǎng)絡(luò)規(guī)劃與建模。