.544 智能系统学报 第7卷 对应的变异个体，如式(9)所示 题解空间都是通过0和1编码，如果直接进行变异 =x+F(2-xa). (9) 操作所得到的变异个体可能不符合解空间取值范围 式中：1,2,3∈{1,2，…，Np}互不相同且与i不同； 的限制，所以进行以下操作，首先按照式(12)把解 x为父代基向量，x2-x名为父代差分向量；F为变 向量映射到[0,1]： 异因子.然后，对个体x由式(9)生成的变异个体 0.5rand, f(x)= x=0; (12) 实施交叉操作，生成试验个体*1，如式(10)所示. 0.5+0.5rand,x=1. 然后针对变异操作后不在[0,1]的解按照sigmoid = (rand(j)PcR)orj=jrmna; 其他。 函数映射到该范围内，如式(13)所示. (10) 1 sigmoid()=1(13) 式中：rand(j)为[0,1]的均匀分布随机数；Pcm为[0， 最后在交叉操作之前再将解重新解码成由0和1组 1]的交叉概率；jad为{1,2，…，D}之间的随机量. 成的解，如式(14)所示。 利用式(8)对试验个体*1和x的目标函数进行 r0,x∈[0,0.5)； 比较，对于最大化问题，则选择目标函数值较低的个 x)={1,￥e[0.5,1小： (14) 体作为新种群的个体x+',如式(11)所示 除了以上不同之外，二进制差分算法与标准差分算 x1= 4，f4*)>f): (11) 法类似， xi. 其他. 式中：∫为目标函数。 3基于BDE算法的认知决策引擎 DE算法流程图如图1所示。 在式(8)中，首先需要确定3个目标函数对应 开始 的权重值，为此本文采用文献[11]提供的权重值， 具体如表1所示. 初始化差分种饼 表1目标函数的权重设置 Tabel 1 The settings of the weight of the objective function 计算种群的适应度 权重 模式1 模式2 模式3 01 0.80 0.15 0.05 通过基于运动补偿的变异操作 产生新个休，并与父代一对 02 0.15 0.80 0.15 比较，保留优秀个体 03 0.05 0.05 0.80 实际上，不同的权重值代表了系统不同的工作 是否满见 N 终止条件 模式.模式1侧重于最小化传输功率，适用于低功耗 情况；模式2侧重于最小化误码率，适用于可靠性要 Y 求较高的情况：模式3侧重于最大化数据速率，适用 输出最优结果 于对数据速率要求高的情况， 本文采用BDE算法对式(8)进行寻优计算，以 结束 获得认知决策引擎的最优参数组合，其具体的步骤 图1差分进化算法流程 如下： Fig.1 Flowchart of DE 1)设定参数：设定算法终止条件即种群最大迭 2.2二进制差分进化算法 代次数Maxg,初始群体规模POPSIZE,每个个体的 最初的DE算法主要针对解决连续空间函数优 维数为codelength,子载波数目N. 化问题，为解决离散优化问题，文献[10]提出一种 2)生成初始种群：随机生成一个POPSIZE行 二进制差分算法(binary differential evolution,BDE), codelength列的矩阵，其中每行表示一个个体. 可以有效解决离散函数优化问题. 3)计算适应度：对于每个个体分别将N个子载 与标准差分算法相比，BDE的不同之处在于问 波的功率和调制方式进行解码，根据式(3)~(7)计