第6期 毕晓君，等：基于差分进化算法的认知无线电决策引擎 ·545· 算fi血-poweri-ber和minte,然后根据式(8)及表1 0.82 计算每个个体的适应度值， 0.80 4)差分和交叉算子操作：对于每个父代个体， 0.78 从父代种群中随机选取2个不同的个体，并根据式 三0.76 (9)产生变异后新的子代；根据式(10)生成交叉后 的新个体 运0.4 5)选择操作：将变异和交叉前后的个体进行适 0.72 --·BDE 应度比较，较优的个体保留下来进入下一代。 0.70 CPSO 6)重复3)~5)，直到满足终止条件，其中最大 0.686 ×10 2 3 4 5.6 78910 适应度值对应的解就是最佳工作参数组合 迭代次数 4实验仿真与结果分析 (b)模式2 0.95 为验证本文提出算法应用于认知决策引擎的效 0.90 果，这里进行了仿真实验，并与目前效果最好的CP 0.85 S0算法5进行对比，从而证明本文提出算法的有效 080 性和先进性.实验是在Inter core i7CPUQ720, 赵0.75 1.6GHz、内存4GB的计算机上运行，程序采用Mat 四0.701 lab2010b版本编写.仿真环境是基于多载波通信系 0.65 统，采用32个子载波，为了模拟信道的衰落，为每个 0.60 ePso 子载波分配一个区间为[0,1]的随机数.发射功率 0.512方456 10 78910 为0~25.2dBm,步长间隔0.4dBm,编码由6位二 迭代次数 进制比特组成，调制方式可能为BPSK、QPSK (c)模式3 16QAM和64QAM,由2位二进制比特进行编码，因 图22种算法适应度对比 此每个子载波功率和调制方式由8位比特进行编 Fig.2 The comparison of the fitness in twoalgorithms 码.信道类型为AWGN,噪声功率为0dBm,路径损 从图2中可以看出，在3种模式下CPS0算法 耗为0dB].在BDE算法中PcR=0.6,F=0.1.在 都陷入局部最优后，适应度值不再变化，同时算法结 CPS0算法中，c1=2,c2=2,vmm=4,0=1.2种算法 束后最优个体的适应度值都低于本文BDE算法，说 初始种群为30，迭代次数为1000， 明不能保证每次发现全局最优解；而本文BDE算法 本文BDE算法与CPS0算法对3种模式分别 可以在CPS0算法陷入局部最优后，仍可以通过不 进行30次独立的仿真实验，最后对30次仿真结果 断迭代提高适应度值，最终准确发现全局最优解，说 平均.图2分别给出了3种模式下平均目标函数值 明本文BDE算法的全局寻优能力强于CPSO算法. 随迭代次数的变化情况， 同时BDE算法在3种模式下目标函数适应度值都 0.95 高于CPSO,说明在最小化功率、最小化误码率和最 0.90 大化数据速率3个目标综合评价下，基于BDE的认 0.85 知决策引擎在不同工作模式下整体优化性能都要优 g0.80 于基于CPS0的认知决策引擎. 举0.75 归0.70 表2给出了2种算法在不同模式下30次独立 实验的平均运行时间和各目标工作性能.从表2可 0.65 ----BDE 以看出，与目前效果最好的CS0算法相比，本文算 0.60 -CPSO 0.556 1234567 送代次数 900 法在3种模式下所需要的运行时间明显少于CPS0 算法所需时间，说明本文算法的认知决策引擎速度 快于基于CS0的认知决策引擎.同时在模式1下， (a)模式1 本文算法优化后的平均功率明显小于CPS0算法优