劉衛(wèi)，蔣鵬，富爽

（黑龍江八一農(nóng)墾大學(xué)信息與電氣工程學(xué)院，大慶 163319）

隨著物聯(lián)網(wǎng)的不斷發(fā)展，無(wú)線(xiàn)終端設(shè)備數(shù)量猛增，且多種通信技術(shù)和網(wǎng)絡(luò)相互融合，構(gòu)成了物聯(lián)網(wǎng)復(fù)雜的異構(gòu)網(wǎng)絡(luò)環(huán)境。異構(gòu)物聯(lián)網(wǎng)存在多種網(wǎng)絡(luò)重疊以及信道重疊等情況，導(dǎo)致各信道和網(wǎng)絡(luò)互相干擾，給頻譜分配帶來(lái)困難[1-2]。認(rèn)知無(wú)線(xiàn)電技術(shù)采用動(dòng)態(tài)的頻譜分配技術(shù)，為異構(gòu)物聯(lián)網(wǎng)的頻譜資源獲取和分配提供了一種有效的解決途徑[3]。

對(duì)于異構(gòu)物聯(lián)網(wǎng)場(chǎng)景下的頻譜分配問(wèn)題，國(guó)內(nèi)外學(xué)者進(jìn)行了廣泛的研究[4-14]。文獻(xiàn)［4］針對(duì)農(nóng)業(yè)物聯(lián)網(wǎng)，設(shè)計(jì)了一種由云平臺(tái)、移動(dòng)應(yīng)用組成的物聯(lián)網(wǎng)管理系統(tǒng)，可以自動(dòng)進(jìn)行數(shù)據(jù)處理，實(shí)時(shí)監(jiān)控農(nóng)業(yè)物聯(lián)網(wǎng)環(huán)境。文獻(xiàn)［5］提出了一個(gè)網(wǎng)絡(luò)中的并發(fā)傳輸模型，模型中包含網(wǎng)絡(luò)間相互干擾和資源競(jìng)爭(zhēng)的約束，用非支配排序遺傳算法來(lái)解決多目標(biāo)頻譜分配問(wèn)題，獲得了較優(yōu)的頻譜分配結(jié)果，滿(mǎn)足了各種情況下的頻譜分配要求。文獻(xiàn)［6］通過(guò)提出分簇認(rèn)知物聯(lián)網(wǎng)的系統(tǒng)模型，通過(guò)聯(lián)合優(yōu)化感知時(shí)間使得傳輸速率最大化。文獻(xiàn)［7］提出了一種基于主客觀權(quán)重的空閑頻譜資源和免疫排序選擇方法，能對(duì)頻譜資源進(jìn)行有效分配，提高了頻譜利用率。文獻(xiàn)［8］提出了一種基于頻譜交易的分布式物聯(lián)網(wǎng)設(shè)備動(dòng)態(tài)頻譜接入方法，采用模式搜索算法完成最終的頻譜分配優(yōu)化，該頻譜分配方法具有較好的性能。文獻(xiàn)［9］提出了一種基于博弈論的頻譜分配方法，提升了物聯(lián)網(wǎng)性能，獲得了較好的頻譜利用率。文獻(xiàn)［10］提出了基于克隆選擇算法的動(dòng)態(tài)頻譜分配方法，相對(duì)貪婪算法，提升了頻譜利用率。文獻(xiàn)［11］提出了一種TSRA頻譜資源分配機(jī)制，根據(jù)拍賣(mài)理論建立頻譜拍賣(mài)模型，采用改進(jìn)的蟻群算法求解頻譜資源分配路徑，提高了社會(huì)效益。文獻(xiàn)［12］提供了基于多臂強(qiáng)盜算法的頻譜分配方法，提升了頻譜效率。文獻(xiàn)［13］提出了一種基于聚類(lèi)分組和深度強(qiáng)化學(xué)習(xí)的合作式動(dòng)態(tài)頻譜分配算法，提高了信道利用率。文獻(xiàn)［14］采用改進(jìn)的螢火蟲(chóng)算法來(lái)求解頻譜分配方案，改進(jìn)的算法有效地提升了總網(wǎng)絡(luò)效益。以上文獻(xiàn)將認(rèn)知無(wú)線(xiàn)電技術(shù)引入物聯(lián)網(wǎng)中，以提升頻譜利用率為目的進(jìn)行頻譜分配，能夠取得較好的效果，但上述文獻(xiàn)考慮的是同構(gòu)網(wǎng)絡(luò)，不適用于異構(gòu)物聯(lián)網(wǎng)復(fù)雜環(huán)境下的頻譜分配問(wèn)題。異構(gòu)環(huán)境下頻譜分配中需要考慮諸多因素，包括異構(gòu)物聯(lián)網(wǎng)特有的頻帶特性、不同網(wǎng)絡(luò)相互重合干擾、不同異構(gòu)信道的重合以及由頻譜感知得到的可用頻譜信息等。

根據(jù)異構(gòu)物聯(lián)網(wǎng)的頻譜特性和物聯(lián)網(wǎng)區(qū)域分布特點(diǎn)，研究針對(duì)異構(gòu)物聯(lián)網(wǎng)的頻譜分配算法，通過(guò)引入信道粒度的概念，結(jié)合頻譜感知的信息，綜合考慮信道重疊、網(wǎng)絡(luò)重疊、信道可用性等因素，合理分配可用頻譜資源，以達(dá)到系統(tǒng)性能最優(yōu)和避免物聯(lián)網(wǎng)絡(luò)間同頻干擾的目的。

1 系統(tǒng)模型

異構(gòu)物聯(lián)網(wǎng)場(chǎng)景模型如圖1所示。在一定區(qū)域內(nèi)，存在N個(gè)異構(gòu)物聯(lián)網(wǎng)絡(luò)，各網(wǎng)絡(luò)可能是ZigBee、RFID、藍(lán)牙和WIFI網(wǎng)絡(luò)等。各網(wǎng)絡(luò)的位置和覆蓋范圍不同，存在相互重疊的情況，它們競(jìng)爭(zhēng)使用M個(gè)不同帶寬且在頻譜上可能存在相互重疊的信道。各物聯(lián)網(wǎng)可通過(guò)頻譜感知得到當(dāng)前網(wǎng)絡(luò)的環(huán)境信息和頻譜使用情況，根據(jù)所得到的信息，定義信道空閑矩陣L、網(wǎng)絡(luò)干擾矩陣C、信道重疊矩陣G、信道分配矩陣A如下：

圖1 異構(gòu)物聯(lián)網(wǎng)場(chǎng)景模型Fig.1 Heterogeneous IoT networks scene model

（1）信道空閑矩陣L

定義矩陣L={lnm│lnm∈{0，1}}N×M，表示各網(wǎng)絡(luò)的信道占用情況。當(dāng)lnm=1時(shí)，表示信道m(xù)處于空閑狀態(tài)，網(wǎng)絡(luò)n可使用信道m(xù)。反之，表示信道m(xù)已被占用，網(wǎng)絡(luò)n當(dāng)前無(wú)法使用信道m(xù)，即lnm=0。其中L（n）={1≤m≤M│lnm=1}，表示網(wǎng)絡(luò)n所用可用信道的集合。

（2）網(wǎng)絡(luò)干擾矩陣C

定義矩陣C={cn1n2│cn1n2∈{0，1}}N×N，表示各網(wǎng)絡(luò)之間的干擾情況。若Cn1n2=1，表示網(wǎng)絡(luò)n1和網(wǎng)絡(luò)n2覆蓋范圍相互重疊，若使用相同的信道則會(huì)產(chǎn)生干擾。反之，若Cn1n2=0，表示網(wǎng)絡(luò)n1和網(wǎng)絡(luò)n2覆蓋范圍沒(méi)有重疊部分，則不會(huì)產(chǎn)生互相干擾的情況。網(wǎng)絡(luò)間的距離以及網(wǎng)絡(luò)基站的傳輸功率等因素決定了網(wǎng)絡(luò)間的干擾情況。

（3）信道重疊矩陣G

首先引入信道粒度的概念。設(shè)待分配的頻譜資源寬度為F。若異構(gòu)物聯(lián)網(wǎng)支持K種不同帶寬的信道，將待分配的頻譜資源寬度F劃分為K種不同帶寬的信道，即多粒度信道[15]，如圖2所示。將第k種信道帶寬定義為，則第k種信道帶寬的信道數(shù)為，信道總數(shù)可通過(guò)得到。第k種信道帶寬的信道集合用Φk表示。設(shè)Bm為各信道對(duì)應(yīng)的帶寬，其中m為信道編號(hào)，m=1,2，…，M。

圖2 信道粒度Fig.2 Channel granularity

設(shè)G={gm1m2│gm1m2∈{0，1}}M×M為信道重疊矩陣，表征M個(gè)信道之間在頻譜上的相互重疊狀態(tài)，為M×M矩陣。當(dāng)m1≠m2時(shí)，如果gm1m2=1，表示信道m(xù)1與信道m(xù)2在頻譜上有重疊部分，不能被同一網(wǎng)絡(luò)或位置上有重疊的網(wǎng)絡(luò)共同使用。反之gm1m2=0，表示信道m(xù)1和信道m(xù)2不重疊，可以被同一網(wǎng)絡(luò)或重疊網(wǎng)絡(luò)共同使用。同理，當(dāng)m1=m2時(shí)，gm1m2=1。信道間是否存在干擾可由信道粒度劃分情況得出，即圖2所示。

（4）分配矩陣A和可行分配矩陣

將表示頻譜分配結(jié)果的矩陣A={anm│anm∈{0，1}}N×M定義為分配矩陣。若anm=1，則表明信道m(xù)被分配給網(wǎng)絡(luò)n使用，否則anm=0。則網(wǎng)絡(luò)n得到的信道總帶寬為：

為避免網(wǎng)絡(luò)之間的干擾問(wèn)題，某一信道不能同時(shí)分配給多個(gè)互相干擾的網(wǎng)絡(luò)。此外，其得到的信道數(shù)不應(yīng)大于其需求dn，則如果一個(gè)分配矩陣滿(mǎn)足如下無(wú)干擾約束條件即稱(chēng)為可行分配矩陣。

（5）網(wǎng)絡(luò)效益矩陣R

R={rnm│rnm∈{0，1}}N×M，表征當(dāng)網(wǎng)絡(luò)使用指定信道時(shí)能獲得效益情況，為N×M矩陣。當(dāng)信道m(xù)分配給網(wǎng)絡(luò)n使用時(shí)，能獲得的收益為rnm。效益的定義可根據(jù)需要設(shè)定，如成本大小、頻譜效率和信道吞吐量等。若現(xiàn)有一確定的可行分配矩陣A，則該網(wǎng)絡(luò)的總網(wǎng)絡(luò)效益U（A）定義為：

綜上，將頻譜資源分配建模為非線(xiàn)性約束0-1整數(shù)規(guī)劃問(wèn)題，即在式（2）和式（3）的約束下，尋求最優(yōu)的分配矩陣A，使總網(wǎng)絡(luò)效益U（A）最大，該最優(yōu)化問(wèn)題可以描述為：

除上述指標(biāo)外，還可根據(jù)系統(tǒng)需求將頻譜需求滿(mǎn)足率（RS，requirement satisfactory）作為目標(biāo)函數(shù)。設(shè)網(wǎng)絡(luò)n的頻譜需求為dn，則平均頻譜需求滿(mǎn)足率定義為此時(shí)，頻譜資源分配問(wèn)題可表示為：

2 算法描述

由于頻譜分配問(wèn)題具有非確定性的特點(diǎn)，因此采用智能群體算法能夠有效進(jìn)行求解[16]。相對(duì)于傳統(tǒng)的確定性算法，如分支界定法等，智能群體算法能夠獲得較高的搜索效率，有效的求得最優(yōu)解[17]。智能群體算法中，遺傳算法有良好的并行性、可操作性及通用性好等特點(diǎn)，因此，采用遺傳算法求解（5）和（6）所述的非線(xiàn)性約束0-1整數(shù)規(guī)劃問(wèn)題。遺傳算法模仿生物的遺傳進(jìn)化原理，其核心思想為物競(jìng)天擇，適者生存，通過(guò)染色體的選擇、交叉和變異等操作，提高種群中個(gè)體的適應(yīng)性[18]。在遺傳算法中，采用了“父子混合選擇策略”（也稱(chēng)為精英策略）[19]，即更新過(guò)程中每一代保留最優(yōu)個(gè)體，將其放到下一代，以確保優(yōu)化的穩(wěn)定性。在遺傳算法中，每個(gè)個(gè)體對(duì)應(yīng)著一個(gè)分配矩陣A，適應(yīng)度函數(shù)定義為總網(wǎng)絡(luò)效益U（A）。

2.1 編碼方案

將每條染色體對(duì)應(yīng)一種頻譜分配方案，即一個(gè)可行的分配矩陣A，因此，首先需對(duì)可行分配矩陣A進(jìn)行編碼。在使用經(jīng)典二進(jìn)制編碼情況下，一個(gè)染色體長(zhǎng)度為N×M，因?yàn)槲锫?lián)網(wǎng)只能使用未被授權(quán)用戶(hù)占用的可用信道，染色體中會(huì)出現(xiàn)大量0，這會(huì)導(dǎo)致消耗不必要的計(jì)算和存儲(chǔ)資源。為解決這種情況，采用文獻(xiàn)[20]的方法，即根據(jù)可用信道矩陣L，若其中某一元素值為1，則對(duì)其進(jìn)行編碼，否則不進(jìn)行編碼，如圖3所示，其中p為編碼后的個(gè)體，由此減少了編碼長(zhǎng)度，節(jié)省了計(jì)算和存儲(chǔ)資源。

2.2 個(gè)體修正

遺傳算法的個(gè)體產(chǎn)生、交叉、變異等操作過(guò)程中，不可避免會(huì)產(chǎn)生一些不可行解，如隨機(jī)初始化個(gè)體、個(gè)體交叉和個(gè)體變異等過(guò)程，此時(shí)需要對(duì)個(gè)體進(jìn)行修正，使其滿(mǎn)足式（2）和式（3）所述的無(wú)干擾約束條件。當(dāng)個(gè)體存在同頻干擾，即存在以下三種情況需要對(duì)個(gè)體進(jìn)行修正：一是同一網(wǎng)絡(luò)內(nèi)使用了相互重疊的信道，即產(chǎn)生了網(wǎng)絡(luò)內(nèi)的同頻干擾；二是覆蓋范圍有重疊的網(wǎng)絡(luò)使用了相互重疊的信道，即產(chǎn)生了網(wǎng)絡(luò)間的同頻干擾；三是當(dāng)分配的信道寬度大于其頻譜需求dn時(shí)。三種情況的修正方法如下：

圖3 染色體的編碼Fig.3 Encoding of chromosome

修正1：當(dāng)同一網(wǎng)絡(luò)內(nèi)使用了相互重疊的信道時(shí)，則隨機(jī)保留其中一個(gè)信道，其它的信道被釋放，即對(duì)應(yīng)的分配矩陣中相應(yīng)位置置0。

修正2：當(dāng)覆蓋范圍有重疊的網(wǎng)絡(luò)使用了相互重疊的信道，則隨機(jī)保留其中一個(gè)信道，其它的信道被釋放，即對(duì)應(yīng)的分配矩陣中相應(yīng)位置置0。

具體修正步驟如下：

步驟1：逐一檢查每個(gè)個(gè)體中每一個(gè)網(wǎng)絡(luò)內(nèi)的信道分配情況。例如，某個(gè)體中第n個(gè)網(wǎng)絡(luò)中，若anm1=1，anm2=1，則需根據(jù)信道重疊矩陣G，判斷信道m(xù)1與信道m(xù)2的重疊情況。若gm1m2=1，表示信道m(xù)1與信道m(xù)2有重疊部分，不能被同一網(wǎng)絡(luò)或重疊的網(wǎng)絡(luò)共同使用。則根據(jù)修正1，隨機(jī)保留信道m(xù)1與信道m(xù)2其中一個(gè)信道，其它的信道被釋放，即對(duì)應(yīng)的分配矩陣中相應(yīng)位置置0。

步驟2：再逐一檢查每個(gè)個(gè)體中，相互重疊的網(wǎng)絡(luò)是否分配了重疊的信道。例如，根據(jù)網(wǎng)絡(luò)干擾矩陣C，若cn1n2=1，表示網(wǎng)絡(luò)n1和網(wǎng)絡(luò)n2覆蓋范圍相互重疊，則檢查網(wǎng)絡(luò)n1和網(wǎng)絡(luò)n2是否使用了相同和重疊的信道。方法同步驟1，如使用相同或重疊的信道，則按照修正2方法進(jìn)行修正。

步驟3：當(dāng)某網(wǎng)絡(luò)分配的信道總寬度大于其頻譜需求dn時(shí)，則從已分配給該網(wǎng)絡(luò)的信道中，從帶寬最小的信道開(kāi)始，逐個(gè)釋放多余分配的頻譜資源，直到其分配的信道總寬度小于dn。

2.3 遺傳操作

遺傳算法通過(guò)個(gè)體選擇、個(gè)體交叉和個(gè)體變異等操作，同時(shí)進(jìn)行個(gè)體修正，利用適應(yīng)度函數(shù)的計(jì)算和比較，不斷迭代更新可行解，直到尋找到最合適的解。

遺傳算法具體流程圖如圖4所示：

1.2 方法 所有患者術(shù)前均完善相關(guān)檢查，確定均符合手術(shù)指征，手術(shù)當(dāng)天清晨禁食水，灌腸以清空腸道，于腰麻下進(jìn)行手術(shù)操作。

具體步驟如下：

步驟1：確定染色體長(zhǎng)度：根據(jù)可用信道矩陣L確定染色體長(zhǎng)度。

步驟2：初始化種群：隨機(jī)生成個(gè)體數(shù)為Q的群體，且令Q為4的正整數(shù)倍，以方便后續(xù)步驟的進(jìn)行。

步驟3：個(gè)體檢查與修正：檢查每個(gè)個(gè)體是否滿(mǎn)足式（2）和式（3），即確定當(dāng)前分配矩陣是否可行，若是，此步驟不進(jìn)行任何操作，反之對(duì)其進(jìn)行修正操作。

步驟4：計(jì)算適應(yīng)度函數(shù)值：根據(jù)式（4）計(jì)算適應(yīng)度函數(shù)值。

步驟5：選擇最優(yōu)個(gè)體：通過(guò)步驟4中適應(yīng)度值的比較，找到最優(yōu)個(gè)體，成為步驟6中變異的父代。

步驟6：變異：將步驟5中的最優(yōu)個(gè)體作為父代，設(shè)置變異概率為P1，變異出Q/4個(gè)子代成為下一代群體成員。

步驟7：生存競(jìng)爭(zhēng)：將Q個(gè)個(gè)體隨機(jī)兩個(gè)分為一組，每組留下優(yōu)良個(gè)體，由此產(chǎn)生Q/2個(gè)存活個(gè)體。

步驟8：個(gè)體交叉：將在步驟7中的存活個(gè)體，隨機(jī)兩個(gè)分為一組以概率Pc進(jìn)行雙點(diǎn)交叉，產(chǎn)生Q/2個(gè)子代成為下一代種群。

步驟9：隨機(jī)生成個(gè)體：隨機(jī)生成Q/4個(gè)子代成為下一代種群。

步驟10：個(gè)體檢查與修正：檢查新一代中每個(gè)個(gè)體是否滿(mǎn)足式（2）和式（3），即確定當(dāng)前個(gè)體的分配矩陣是否可行，若是，此步驟不進(jìn)行任何操作，反之對(duì)其進(jìn)行修正操作。

步驟11：最優(yōu)個(gè)體置換最差個(gè)體：將步驟5中得到的最優(yōu)個(gè)體置換當(dāng)前新一代群體中的最差個(gè)體。

步驟12：判斷算法停止條件：若算法中迭代進(jìn)化次數(shù)超過(guò)閾值W，或群體中優(yōu)差個(gè)體的適應(yīng)值差異小于最優(yōu)個(gè)體適應(yīng)度的V倍時(shí)，其中V為根據(jù)精度預(yù)先設(shè)定的值，迭代進(jìn)化操作停止，反之，返回步驟5，繼續(xù)進(jìn)行迭代進(jìn)化操作。

圖4 遺傳算法流程圖Fig.4 Flow chart of genetic algorithm

3 仿真結(jié)果與分析

使用Matlab軟件對(duì)本文算法進(jìn)行仿真分析。假設(shè)區(qū)域內(nèi)的異構(gòu)物聯(lián)網(wǎng)絡(luò)由多個(gè)可能采用不同通信技術(shù)的網(wǎng)絡(luò)構(gòu)成，各網(wǎng)絡(luò)可能采用RFID、ZigBee、藍(lán)牙和WIFI等技術(shù)。各信道帶寬設(shè)為常用通信技術(shù)的幾種網(wǎng)絡(luò)帶寬，即0.25、1、2、5 MHz和20 MHz。在遺傳算法中，種群規(guī)模Q=20，交叉概率Pc=0.5，變異概率為P1=0.1，最大進(jìn)化代數(shù)為W=200，截止條件二中V=0.001。遺傳算法的參數(shù)設(shè)置中，種群規(guī)模和最大進(jìn)化代數(shù)越大，算法尋優(yōu)能力越強(qiáng)，但運(yùn)算量也會(huì)相應(yīng)增加，交叉概率和變異概率的不同設(shè)置也會(huì)對(duì)算法的尋優(yōu)能力有一定影響，但在該值附近變化對(duì)仿真結(jié)果影響不大。仿真結(jié)果由10 000蒙特卡洛仿真求平均后得到，蒙特卡洛仿真次數(shù)越大，仿真結(jié)果越穩(wěn)定，當(dāng)仿真結(jié)果超過(guò)5 000時(shí)，其變化對(duì)仿真結(jié)果影響甚微。除特殊說(shuō)明外，仿真參數(shù)按如下設(shè)置：待分配的頻譜資源寬度為F為40 MHz，若干個(gè)網(wǎng)絡(luò)隨機(jī)分布在1 000 m×1 000 m的區(qū)域中，各網(wǎng)絡(luò)具有認(rèn)知重構(gòu)功能，能夠切換其工作頻段。網(wǎng)絡(luò)覆蓋半徑為0~400 m內(nèi)隨機(jī)設(shè)置，各小區(qū)中各信道的空閑概率為0.5，效益矩陣中各分配所獲得的效益設(shè)為分配的帶寬。各網(wǎng)絡(luò)的位置和覆蓋范圍由算法隨機(jī)產(chǎn)生，并隨機(jī)設(shè)定頻譜需求數(shù)。為模擬出不同的頻譜需求與接入網(wǎng)業(yè)務(wù)分布，頻譜資源效益和網(wǎng)絡(luò)的頻譜需求皆為隨機(jī)設(shè)定，數(shù)值服從均勻分布。

仿真實(shí)驗(yàn)中，通過(guò)調(diào)整兩個(gè)自變量，即頻譜資源寬度F和參與分配的網(wǎng)絡(luò)數(shù)N，對(duì)比分析以下三個(gè)性能指標(biāo)：

將基于遺傳算法的頻譜分配方法與基于隨機(jī)算法的頻譜分配方法相比較。在隨機(jī)算法中，首先隨機(jī)產(chǎn)生分配矩陣，然后按照系統(tǒng)模型模型中的約束條件以及所述的修正算法進(jìn)行修正，直至得到滿(mǎn)足約束條件的可行分配矩陣。

圖5為某次實(shí)驗(yàn)中隨機(jī)產(chǎn)生的5個(gè)網(wǎng)絡(luò)與10個(gè)網(wǎng)絡(luò)的重疊情況示意圖。由圖5可見(jiàn)，當(dāng)區(qū)域中網(wǎng)絡(luò)個(gè)數(shù)為5時(shí)，僅有2個(gè)網(wǎng)絡(luò)產(chǎn)生重疊，而當(dāng)網(wǎng)絡(luò)個(gè)數(shù)增加到10個(gè)時(shí)，有9個(gè)網(wǎng)絡(luò)產(chǎn)生了重疊。因此當(dāng)網(wǎng)絡(luò)數(shù)越多，網(wǎng)絡(luò)重疊就越多，干擾也就越嚴(yán)重，頻譜分配也將更加困難。

圖6描述了當(dāng)目標(biāo)函數(shù)為總網(wǎng)絡(luò)效益時(shí)，改變網(wǎng)絡(luò)數(shù)從5遞增到25，遺傳算法和隨機(jī)算法能夠獲得的總網(wǎng)絡(luò)效益和平均網(wǎng)絡(luò)效益比較。由圖6可以看出，兩種方法的總網(wǎng)絡(luò)效益都隨著網(wǎng)絡(luò)數(shù)的增加而增加，這是因?yàn)榫W(wǎng)絡(luò)數(shù)增加，各網(wǎng)絡(luò)能夠獲得的總效益就越多。但隨著網(wǎng)絡(luò)數(shù)的增加，平均網(wǎng)絡(luò)效益反而減少，這是由于隨著網(wǎng)絡(luò)數(shù)的增加，各網(wǎng)絡(luò)間的重疊和干擾也就越嚴(yán)重，很多頻譜由于同網(wǎng)絡(luò)之間的同頻干擾與跨網(wǎng)絡(luò)的同頻干擾，無(wú)法被地理范圍重疊的網(wǎng)絡(luò)共同使用，因此各網(wǎng)絡(luò)所能獲得平均網(wǎng)絡(luò)效益逐漸降低。

圖5 網(wǎng)絡(luò)重疊情況圖Fig.5 Overlap diagram of IoT networks

圖6 不同算法中不同網(wǎng)絡(luò)數(shù)下的總網(wǎng)絡(luò)效益和平均網(wǎng)絡(luò)效益Fig.6 The total network utilities and average network utilities in different algorithms under different numbers of networks

表1描述了當(dāng)目標(biāo)函數(shù)為總網(wǎng)絡(luò)效益時(shí)，改變待分配的頻譜資源寬度從20 MHz遞增到60 MHz，遺傳算法和隨機(jī)算法能夠獲得的各網(wǎng)絡(luò)平均網(wǎng)絡(luò)效益比較。由表1可以看出，兩種方法的平均網(wǎng)絡(luò)效益都隨著待分配總帶寬的增加而增加，但較隨機(jī)算法而言，遺傳算法能夠獲得較優(yōu)的平均網(wǎng)絡(luò)效益，這是因?yàn)檫z傳算法通過(guò)選擇交叉變異等操作找到了較優(yōu)的分配矩陣，而隨機(jī)算法具有盲目性，只能得到可行解，無(wú)法得到較優(yōu)解。

表1 不同算法中不同待分配總帶寬下的平均網(wǎng)絡(luò)效益Table 1 The average network utilities in different algorithms under different bandwidths of spectrum to be allocated

圖7描述了當(dāng)目標(biāo)函數(shù)為各網(wǎng)絡(luò)平均頻譜需求滿(mǎn)足率時(shí)，網(wǎng)絡(luò)數(shù)從5遞增到25，基于遺傳算法的頻譜分配方法與基于隨機(jī)算法的頻譜分配方法能夠獲得的平均頻譜需求滿(mǎn)足率比較。由圖7可以看出，兩種方法的平均頻譜需求滿(mǎn)足率都隨著網(wǎng)絡(luò)數(shù)的增加而降低，這是因?yàn)榫W(wǎng)絡(luò)數(shù)增加，在頻譜資源固定的情況下，各網(wǎng)絡(luò)間的重疊和干擾也就越嚴(yán)重，很多頻譜因?yàn)橥W(wǎng)絡(luò)同頻干擾和跨網(wǎng)絡(luò)同頻干擾而不能使用，各網(wǎng)絡(luò)所能獲得的頻譜資源也越少，平均頻譜需求滿(mǎn)足率也就越低。基于遺傳算法的頻譜分配方法的平均頻譜需求滿(mǎn)足率高于隨機(jī)算法的頻譜分配方法。

圖7 不同算法中不同網(wǎng)絡(luò)數(shù)下的平均頻譜需求滿(mǎn)足率Fig.7 The average demand satisfaction rate of spectrum in different algorithms under different numbers of networks

4 結(jié)論

根據(jù)異構(gòu)物聯(lián)網(wǎng)的頻譜特性和物聯(lián)網(wǎng)區(qū)域分布特點(diǎn)，提出了一種基于遺傳算法的頻譜分配方法。通過(guò)引入信道粒度的概念，結(jié)合頻譜感知的信息，綜合考慮信道重疊、網(wǎng)絡(luò)重疊、信道可用性等因素，合理分配可用頻譜資源，以達(dá)到系統(tǒng)性能最優(yōu)和避免網(wǎng)絡(luò)間同頻干擾的目的。仿真結(jié)果表明，與基于隨機(jī)算法的頻譜分配方法相比，方法能獲得更高的網(wǎng)絡(luò)效益，有效避免網(wǎng)絡(luò)間和網(wǎng)絡(luò)內(nèi)的同頻干擾，這對(duì)于異構(gòu)物聯(lián)網(wǎng)系統(tǒng)效用的提升以及移動(dòng)用戶(hù)感知能耗的降低都具有重要意義。