基于萤火虫算法的认知车载网络信道分配的设计和研究文献综述
2020-04-14 17:23:34
1．目的及意义
1.1 研究目的及意义
随着无线通信技术的飞速发展，人们可以获得的带宽不断的增加。以移动通信为例，传输速率从最早的不足10kbit/s提高到第三代移动通信技术可以提供2Mbit/s的数据速率只用了不到10年的时间；但即使如此，仍然无法满足人们对于带宽的日益增长的需求。一方面，人们不断开发新的无线通信技术，利用新的频段来提供各种业务；另外一方面，各种改进的调制和编码技术也使得现有频谱的利用效率得以提高。然而，频谱资源终究是有限的。将来会得到规模应用的MIMO和OFDM技术，在可以预见的情况下，能够将频谱的利用效率提高3～4倍，而对于人们对带宽的几十倍、上百倍的需求增长，这种提高显然不能完全的满足要求。频谱资源作为一种极具价值的自然资源，其日趋紧张甚至枯竭已成为不争的事实，而真正要解决这种矛盾，必须对频谱管理方法进行改进。而认知无线电技术具有软件定义功能，能够打开更多的频谱频率增加通信机会。
车载通信作为移动通信的一种，美国联邦通信委员会正式在5.9GHz频段上分配了一个合并的75MHz频谱，以实现车辆通信。随着车辆用户的增加，导致分配的75MHz频谱不足，因此产生了认知车载网（Cognitive Vehicular Ad hoc Networks, CR-VANENT）通信体制框架。认知车载网是认知无线电技术与传统VANETs网络结合产生的新型车联网，它通过认知无线电技术不断地对授权频段进行感知，并利用感知到的空闲频段进行数据通信，从而解决车载网络中频谱资源缺乏的问题。然而，认知无线电的频谱分配问题是一个非确定性多项式约束优化问题，寻常方法很难在短时间内得到最优解。
萤火虫算法（Firefly Algorithm, FA）模拟自然界中萤火虫发光的生物特性，将多智能体系统与进化算法的机制相结合，利用进化的方式来实现智能体的行为以达到优化的目的。算法参数少，实现简单，具有本质并行性。文献[4]通过几个典型的函数优化和组合优化问题的仿真测试，表明了萤火虫算法在连续空间和离散空间优化的可行性和有效性，具有良好的应用前景。文献[5]综合考虑收敛速度和种群的平均收益，提出了一种基于萤火虫算法的频谱分配方式，该方法将频谱分配变量映射为萤火虫位置信息，车载网络吞吐量转化为萤火虫的亮度函数，进行寻优求解。
1.2 国内外研究现状
通常，图论模型方法在认知无线电技术中可进行频谱分配，该方法一开始采用图着色算法进行求解，算法求解速度快，但检测结果精度不高。事实上，认知无线电频谱分配问题是一个非确定性多项式约束优化问题，很难在短时间内得到最优解。
近年来，一些智能算法如遗传算法（Genetic Algorithm, GA）、粒子群算法（Particle Swarm Optimization Algorithm, PSO）、布谷鸟搜索算法（Cuckoo Search Algorithm, CS）被应用于频谱分配问题中。文献[11]首次将GA应用于频谱分配问题中，证明了其在频谱分配问题中的可行性，但是GA算法效率低且易陷入局部最优值。与GA算法相比，PSO拥有较少的参数设置和较快的收敛速度，过程也较易实现，但是PSO算法在处理离散优化问题上存在缺陷。文献[6]采用布谷鸟搜索算法进行频谱分配，它将网络吞吐量转化为布谷鸟的适应度函数，将频谱分配变量映射为布谷鸟鸟巢位置，结果证明，其收敛性优于GA算法，但是种群的平均收益较低。文献[5]提出了一种基于FA算法的频谱分配方式进行寻优求解,获得了较好的收敛速度和种群平均收益。
[1] 廖楚林, 陈劼, 唐友喜,等. 认知无线电中的并行频谱分配算法[J]. 电子与信息学报, 2007, 29(7):1608-1611.
[2] 王昭然,谢显中,赵鼎新.车载自组织网络关键技术[J].电信科学,2011,27(1).
[3] 张士兵,王婷婷,张晓格,邱恭安.智能交通车载网的现状及其发展策略[J].通信技术,2017,07.
[4] 刘长平, 叶春明.一种新颖的仿生群智能优化算法:萤火虫算法[J].计算机应用研究, 2011, 28 (9):95-97.
[5] 朱丹,邱斌,肖海林,倪菊.基于萤火虫算法的认知车载网络频谱分配[J/OL].计算机工程与应用,2009,02:1-6.
[6] 刘彩丽.基于布谷鸟搜索算法的认知车载网络频谱分配方法[J].桂林电子科技大学学报, 2016(3): 173-177.
[7] Saptarshi M, Bappaditya J, Jayanta P. A novel scheme to detect and remove black hole attack in cognitive radio vehicular ad hoc networks(CR- VANETs)[C]. 2016 International Conference on Computer, Electrical amp; Communication Engi- neering(ICCECE),2016:1-5.
[8] Joy E, Zhang Sijing, Liu Enjie, et al. Cogni- tive Radio Aided Internet of Vehicles (IoVs) for ImprovedSpectrum Resource Allocation[C]. 2015 IEEE International Conference on Computer and Information Technology; Ubiquitous Computing and Communications; Dependable, Autonomic and Secure Computing; Pervasive Intelligence and Computing, 2015:2346-2352.
[9] Fawaz K, Ghandour A, Olleik M, et al. Improving reliability of safety applications in vehicle ad hoc networks through the implementation of a cognitive network[C]. Telecommunications(ICT), 2010 IEEE 17th International Conference on IEEE, 2010: 798- 805.
[10] Alexandros G, Elias Z, Ioannis G, et al. A survery on security threats and detection techniques in cognitive radio networks[J]. IEEE Communications Surveys amp; Tutorials, 2013, 15(3):428-445.
[11] Wang Xiaofei, Zhang Xi, Chen Yuebing, et al. Spectrum assignment algorithm based on clonal selection in cognitive radio networks[J]. Advanced Materials Research, 2012, 457-458:931-939.
[12] Yang X.-S. “Firefly algorithms for multimodal optimization” Stochastic Algorithms: Foundations and Applications, 2009:169-178.
[13] Han Y , Ekici E , Kremo H , et al. Resource Allocation Algorithms Supporting Coexistence of Cognitive Vehicular and IEEE 802.22 Networks[J]. IEEE Transactions on Wireless Communications, 2017, 16(2):1066-1079. Eric Freeman, Elisabeth Freeman, Kathy Sierra, Bert Bates. Head First Design Patterns[M].O'Reilly Media, Inc, USA.2004:529-550.
[14] Li M , Zhao L , Liang H . An SMDP-based Prioritized Channel Allocation Scheme in Cognitive Enabled Vehicular Ad Hoc Networks[J]. IEEE Transactions on Vehicular Technology, 2017:1-1.
[15] Xu Y , Member S , Wang J , et al. Opportunistic Spectrum Access in Unknown Dynamic Environment: A Game-Theoretic Stochastic Learning Solution[J]. IEEE Transactions on Wireless Communications, 2012, 11(4):1380-1391.
1.1 研究目的及意义
随着无线通信技术的飞速发展，人们可以获得的带宽不断的增加。以移动通信为例，传输速率从最早的不足10kbit/s提高到第三代移动通信技术可以提供2Mbit/s的数据速率只用了不到10年的时间；但即使如此，仍然无法满足人们对于带宽的日益增长的需求。一方面，人们不断开发新的无线通信技术，利用新的频段来提供各种业务；另外一方面，各种改进的调制和编码技术也使得现有频谱的利用效率得以提高。然而，频谱资源终究是有限的。将来会得到规模应用的MIMO和OFDM技术，在可以预见的情况下，能够将频谱的利用效率提高3～4倍，而对于人们对带宽的几十倍、上百倍的需求增长，这种提高显然不能完全的满足要求。频谱资源作为一种极具价值的自然资源，其日趋紧张甚至枯竭已成为不争的事实，而真正要解决这种矛盾，必须对频谱管理方法进行改进。而认知无线电技术具有软件定义功能，能够打开更多的频谱频率增加通信机会。
车载通信作为移动通信的一种，美国联邦通信委员会正式在5.9GHz频段上分配了一个合并的75MHz频谱，以实现车辆通信。随着车辆用户的增加，导致分配的75MHz频谱不足，因此产生了认知车载网（Cognitive Vehicular Ad hoc Networks, CR-VANENT）通信体制框架。认知车载网是认知无线电技术与传统VANETs网络结合产生的新型车联网，它通过认知无线电技术不断地对授权频段进行感知，并利用感知到的空闲频段进行数据通信，从而解决车载网络中频谱资源缺乏的问题。然而，认知无线电的频谱分配问题是一个非确定性多项式约束优化问题，寻常方法很难在短时间内得到最优解。
萤火虫算法（Firefly Algorithm, FA）模拟自然界中萤火虫发光的生物特性，将多智能体系统与进化算法的机制相结合，利用进化的方式来实现智能体的行为以达到优化的目的。算法参数少，实现简单，具有本质并行性。文献[4]通过几个典型的函数优化和组合优化问题的仿真测试，表明了萤火虫算法在连续空间和离散空间优化的可行性和有效性，具有良好的应用前景。文献[5]综合考虑收敛速度和种群的平均收益，提出了一种基于萤火虫算法的频谱分配方式，该方法将频谱分配变量映射为萤火虫位置信息，车载网络吞吐量转化为萤火虫的亮度函数，进行寻优求解。
1.2 国内外研究现状
通常，图论模型方法在认知无线电技术中可进行频谱分配，该方法一开始采用图着色算法进行求解，算法求解速度快，但检测结果精度不高。事实上，认知无线电频谱分配问题是一个非确定性多项式约束优化问题，很难在短时间内得到最优解。
近年来，一些智能算法如遗传算法（Genetic Algorithm, GA）、粒子群算法（Particle Swarm Optimization Algorithm, PSO）、布谷鸟搜索算法（Cuckoo Search Algorithm, CS）被应用于频谱分配问题中。文献[11]首次将GA应用于频谱分配问题中，证明了其在频谱分配问题中的可行性，但是GA算法效率低且易陷入局部最优值。与GA算法相比，PSO拥有较少的参数设置和较快的收敛速度，过程也较易实现，但是PSO算法在处理离散优化问题上存在缺陷。文献[6]采用布谷鸟搜索算法进行频谱分配，它将网络吞吐量转化为布谷鸟的适应度函数，将频谱分配变量映射为布谷鸟鸟巢位置，结果证明，其收敛性优于GA算法，但是种群的平均收益较低。文献[5]提出了一种基于FA算法的频谱分配方式进行寻优求解,获得了较好的收敛速度和种群平均收益。
{title}
2. 研究的基本内容与方案
{title} 本课题是基于萤火虫算法对认知车载网络信道分配的设计和研究，在此基础上需要构建相应的CR-VANET系统模型，信道分配变量映射为萤火虫的位置信息, 车载网络吞吐量转化为萤火虫的亮度值, 采用萤火虫算法研究信道分配算法。每只萤火虫的位置对应一种信道分配方式, 该萤火虫的亮度函数就是目标函数, 在寻优过程中, 找到最亮的萤火虫, 该位置所对应的解, 即最优的信道分配方式。
设计出基于FA算法对认知车载网络信道分配方式后，为验证其优越性, 利用Matlab对设计的车载网络场景进行建模和仿真，比较不同信道分配方法下的FA算法的收敛性能，验证萤火虫算法对车载网络中性能指标（如吞吐量，延时等）的优化，分析仿真结果，得出结论，流程如图1所示。
3. 参考文献
[1] 廖楚林, 陈劼, 唐友喜,等. 认知无线电中的并行频谱分配算法[J]. 电子与信息学报, 2007, 29(7):1608-1611.
[2] 王昭然,谢显中,赵鼎新.车载自组织网络关键技术[J].电信科学,2011,27(1).
[3] 张士兵,王婷婷,张晓格,邱恭安.智能交通车载网的现状及其发展策略[J].通信技术,2017,07.
[4] 刘长平, 叶春明.一种新颖的仿生群智能优化算法:萤火虫算法[J].计算机应用研究, 2011, 28 (9):95-97.
[5] 朱丹,邱斌,肖海林,倪菊.基于萤火虫算法的认知车载网络频谱分配[J/OL].计算机工程与应用,2009,02:1-6.
[6] 刘彩丽.基于布谷鸟搜索算法的认知车载网络频谱分配方法[J].桂林电子科技大学学报, 2016(3): 173-177.
[7] Saptarshi M, Bappaditya J, Jayanta P. A novel scheme to detect and remove black hole attack in cognitive radio vehicular ad hoc networks(CR- VANETs)[C]. 2016 International Conference on Computer, Electrical amp; Communication Engi- neering(ICCECE),2016:1-5.
[8] Joy E, Zhang Sijing, Liu Enjie, et al. Cogni- tive Radio Aided Internet of Vehicles (IoVs) for ImprovedSpectrum Resource Allocation[C]. 2015 IEEE International Conference on Computer and Information Technology; Ubiquitous Computing and Communications; Dependable, Autonomic and Secure Computing; Pervasive Intelligence and Computing, 2015:2346-2352.
[9] Fawaz K, Ghandour A, Olleik M, et al. Improving reliability of safety applications in vehicle ad hoc networks through the implementation of a cognitive network[C]. Telecommunications(ICT), 2010 IEEE 17th International Conference on IEEE, 2010: 798- 805.
[10] Alexandros G, Elias Z, Ioannis G, et al. A survery on security threats and detection techniques in cognitive radio networks[J]. IEEE Communications Surveys amp; Tutorials, 2013, 15(3):428-445.
[11] Wang Xiaofei, Zhang Xi, Chen Yuebing, et al. Spectrum assignment algorithm based on clonal selection in cognitive radio networks[J]. Advanced Materials Research, 2012, 457-458:931-939.
[12] Yang X.-S. “Firefly algorithms for multimodal optimization” Stochastic Algorithms: Foundations and Applications, 2009:169-178.
[13] Han Y , Ekici E , Kremo H , et al. Resource Allocation Algorithms Supporting Coexistence of Cognitive Vehicular and IEEE 802.22 Networks[J]. IEEE Transactions on Wireless Communications, 2017, 16(2):1066-1079. Eric Freeman, Elisabeth Freeman, Kathy Sierra, Bert Bates. Head First Design Patterns[M].O'Reilly Media, Inc, USA.2004:529-550.
[14] Li M , Zhao L , Liang H . An SMDP-based Prioritized Channel Allocation Scheme in Cognitive Enabled Vehicular Ad Hoc Networks[J]. IEEE Transactions on Vehicular Technology, 2017:1-1.
[15] Xu Y , Member S , Wang J , et al. Opportunistic Spectrum Access in Unknown Dynamic Environment: A Game-Theoretic Stochastic Learning Solution[J]. IEEE Transactions on Wireless Communications, 2012, 11(4):1380-1391.
剩余内容已隐藏，您需要先支付 5元 才能查看该篇文章全部内容！立即支付
