一种认知卫星网络信道分配方法及装置制造方法及图纸

本申请提供了一种认知卫星网络信道分配方法及装置。该方法包括：步骤1，根据认知卫星网络信道模型初始参数计算果蝇个体解向量的维数；步骤2，计算果蝇个体与原点之间的距离，计算味道浓度判定解向量，并计算果蝇个体对应的分配解向量；步骤3，计算分配解向量对应的信道分配矩阵，得到当前果蝇个体位置的味道浓度，并根据当前迭代中的最佳味道浓度与历史迭代过程中的最佳味道浓度确定最佳味道浓度；步骤4，重复步骤2和步骤3，直至达到最大迭代次数。本申请通过改进常规果蝇优化算法的候选解生成机制、位置更新策略、引入变异机制，加快了寻优搜索速度，降低了收敛到全局最优信道分配方案的时间。方案的时间。方案的时间。

【技术实现步骤摘要】
一种认知卫星网络信道分配方法及装置


[0001]本申请涉及航天测控通信领域，尤其涉及一种认知卫星网络信道分配方法及装置。

技术介绍

[0002]近年来，随着各国发射低地球轨道（Low Earth Orbit, LEO）卫星的数量急剧增加，使得有限的频谱资源变得越来越紧张。为实现LEO卫星网络的高效通信，可对频谱资源实行动态分配，有效提高频谱资源利用率。为实现频谱资源动态管理，认知无线电技术被广泛应用到卫星通信系统中。该技术通过频谱感知、信道分配、频谱接入、频谱切换、频谱环境特征提取与分析、频谱预测等措施有效提高频谱利用率。在认知卫星网络中，首先通过频谱感知实时监测认知卫星周边的频谱使用情况，然后综合考虑空闲频谱资源和相关的传输需求，在满足约束的前提下通过信道分配给出空闲频谱资源的最佳分配方案。接着，各个认知卫星依照最佳信道分配方案接入对应的信道进行传输，通过频谱切换保障认知卫星在不稳定的或授权用户随时出现的频谱环境下的通信质量。
[0003]目前研究比较广泛的是基于图论着色理论的信道分配方法和基于群智能优化算法的信道分配方法。图论着色理论可以形象描述主次用户节点之间的位置以及相关的干扰约束，在不同的应用场景中可以根据网络的需求设计对应的效益函数，具有很强的灵活性和适用性。群智能优化算法本质上是演化算法，是模拟生物进化、动物觅食行为提出的算法，由于具有较好的“优胜劣汰”性能，常被用来求解各类不确定性难题，即在相应的约束条件下获取最优解。各类群智能优化算法中的进化择优过程与图论着色信道分配中的网络效益迭代寻优过程存在相似性，因此大批研究人员在图论着色信道分配模型的基础上引入不同的群智能优化算法以解决认知网络中的信道分配问题，并取得了一定的效果。
[0004]遗传算法应用于频谱分配过程中，通过改进种群更新过程中的固定交叉概率、变异概率加快了搜寻速度，降低了整个系统的能量能耗，该方法有着较好的全局搜索能力并且具有较强的鲁棒性，但是存在局部搜索能力差等缺点。粒子群算法应用到频谱资源的分配问题中，可以通过调整粒子种群的位置和速度参数，具有较高的效率和较快的收敛速度，但是该方法对于设置的场景专用性较高，普适性有待增加。鲸鱼优化算法被离散化后可应用到信道分配中，鲸鱼独特的螺旋搜寻方式较大地提升了寻优速度，但是该方法后期的寻优精度还有待提升。基于果蝇优化算法的信道分配方法是在在满足剩余网络能量最大化的约束条件下提出的。果蝇优化算法相比其他群智能优化算法结构更简单，更易于工程实现，而且由于果蝇个体搜索食物是相互独立的，某个果蝇搜索失败也不会影响到其余的果蝇，整体搜索性能不会受到影响。因此基于果蝇优化算法的信道分配方法对于外部环境的适应性更强。果蝇算法易陷入局部最优、寻优稳定性较差的问题，有必要对基于果蝇优化算法的信道分配方法进行改进。
[0005]中国专利文献《一种基于人工蜂群算法的LEO卫星信道分配方法》（公开号CN114845310A）公开了一种基于人工蜂群算法的LEO卫星信道分配方法，对LEO卫星系统参
数进行初始化，根据模型中的可用信道矩阵与人工蜂群算法中的可行解相结合产生信道分配矩阵，并在考虑同信道干扰的前提下，针对波束间通信业务量分布差异性，系统制定固定信道预分配和动态信道调度相结合的两步分配方案；在波束间业务量差异大场景中，系统预分配部分信道来满足用户需求。该技术方案使用了人工蜂群算法，其效果相对于果蝇优化算法分配信道不具有优势。
[0006]中国专利文献《一种卫星网络信道分配方法》（公开号CN103249156A）公开了一种卫星网络信道分配方法，方法如下：高轨卫星按照先入先出FIFO原则为多个正在排队等待的低轨卫星分配信道，对同时发出呼叫请求的低轨卫星，高轨卫星根据低轨卫星的优先级高低依次为其分配信道，进行波束切换的低轨卫星按照共同竞争信道、预留信道的顺序依次使用信道，当共同竞争信道使用完毕后，新呼叫低轨卫星按照强占方法判断使用预留信道。该技术方案不能解决果蝇优化算法分配信道时存在的技术问题。

技术实现思路

[0007]有鉴于此，本申请提出了一种认知卫星网络信道分配方法及装置，对基于果蝇优化算法的信道分配技术方案进行改进。
[0008]根据本申请的一个方面，提供一种认知卫星网络信道分配方法，该方法包括：步骤1，根据认知卫星网络信道模型初始参数计算果蝇个体解向量的维数；步骤2，计算果蝇个体与原点之间的距离，计算味道浓度判定解向量，并计算果蝇个体对应的分配解向量；步骤3，计算分配解向量对应的信道分配矩阵，得到当前果蝇个体位置的味道浓度，并根据当前迭代中的最佳味道浓度与历史迭代过程中的最佳味道浓度确定最佳味道浓度；步骤4，重复步骤2和步骤3，直至达到最大迭代次数。
[0009]优选地，步骤3还包括：计算当前迭代中果蝇种群味道浓度方差，并检查是否陷入局部最优；在陷入局部最优的情况下，果蝇个体基于柯西
‑
高斯混合变异机制完成下一次迭代；否则果蝇个体基于最佳位置完成下一次迭代或者基于自适应权重系数的搜索包围
‑
螺旋式上升组合位置更新策略完成下一次迭代。
[0010]优选地，根据下式计算果蝇个体对应的分配解向量：；；；；其中，，为果蝇个体的总数，（，）为第i个果蝇个体的位置，为
第i个果蝇个体与原点的距离，为取值范围为[0,1]的随机数，为果蝇个体解向量的维数，为第i个果蝇个体的味道浓度判定解向量，为果蝇个体解向量的维数是的情况下第i个果蝇个体的味道浓度判定解向量，为果蝇个体解向量的维数是的情况下第i个果蝇个体对应的分配解向量。
[0011]优选地，果蝇个体基于柯西
‑
高斯混合变异机制完成下一次迭代包括根据下式计算果蝇个体下一迭代中的位置： ；；；其中t为当前迭代次数，T为最大迭代次数，（，）为果蝇个体当前迭代中的位置，（，）为果蝇个体下一迭代中的位置，N（0,1）为标准正态分布，C（0,1）为标准柯西分布。
[0012]优选地，基于自适应权重系数的搜索包围
‑
螺旋式上升组合位置更新策略完成下一次迭代包括根据下式计算果蝇个体下一迭代中的位置：；；；；；；
；是第i个果蝇个体的味道浓度值，是果蝇种群的味道浓度平均值，是味道浓度值大于或等于果蝇种群味道浓度平均值的果蝇个体集合的味道浓度平均值，是味道浓度值小于果蝇种群味道浓度平均值的果蝇个体集合的味道浓度平均值，为权重因子最大值，为权重因子最小值，t为当前迭代次数，T为最大迭代次数，为[0, 2]之间的随机数，（，）为当前迭代中的最佳位置以及下一次迭代中搜索的基准位置，（，）为当前迭代中的第i个果蝇的位置，（，）为果蝇个体下一迭代中的位置，rand（1,1）为取值范围为[0,1]的随机数，b为常数，l表示[
−
1, 1]之间的随机数。
[0013]本申请还提供了一种认知卫星网络信道分配装置，该装置包括：维数模块，根据认知卫星网络信道模型初始参数计算果蝇个体解向量的维数；距离模块，用于计算果蝇个体与原点之间的距离，味本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种认知卫星网络信道分配方法，其特征在于，该方法包括：步骤1，根据认知卫星网络信道模型初始参数计算果蝇个体解向量的维数；步骤2，计算果蝇个体与原点之间的距离，计算味道浓度判定解向量，并计算果蝇个体对应的分配解向量；步骤3，计算分配解向量对应的信道分配矩阵，得到当前果蝇个体位置的味道浓度，并根据当前迭代中的最佳味道浓度与历史迭代过程中的最佳味道浓度确定最佳味道浓度；步骤4，重复步骤2和步骤3，直至达到最大迭代次数。2.根据权利要求1所述的方法，其特征在于，步骤3还包括：计算当前迭代中果蝇种群味道浓度方差，并检查是否陷入局部最优；在陷入局部最优的情况下，果蝇个体基于柯西
‑
高斯混合变异机制完成下一次迭代；否则果蝇个体基于最佳位置完成下一次迭代或者基于自适应权重系数的搜索包围
‑
螺旋式上升组合位置更新策略完成下一次迭代。3.根据权利要求1所述的方法，其特征在于，根据下式计算果蝇个体对应的分配解向量：；；；；其中，，为果蝇个体的总数，（，）为第i个果蝇个体的位置，为第i个果蝇个体与原点的距离，为取值范围为[0,1]的随机数，为果蝇个体解向量的维数，为第i个果蝇个体的味道浓度判定解向量，为果蝇个体解向量的维数是的情况下第i个果蝇个体的味道浓度判定解向量，为果蝇个体解向量的维数是的情况下第i个果蝇个体对应的分配解向量。4.根据权利要求2所述的方法，其特征在于，果蝇个体基于柯西
‑
高斯混合变异机制完成下一次迭代包括根据下式计算果蝇个体下一迭代中的位置：；；；
其中t为当前迭代次数，T为最大迭代次数，（，）为果蝇个体当前迭代中的位置，（，）为果蝇个体下一迭代中的位置，N（0,1）为标准正态分布，C（0,1）为标准柯西分布。5.根据权利要求2所述的方法，其特征在于，基于自适应权重系数的搜索包围
‑
螺旋式上升组合位置更新策略完成下一次迭代包括根据下式计算果蝇个体下一迭代中的位置：；；；；；；；是第i个果蝇个体的味道浓度值，是果蝇种群的味道浓度平均值，是味道浓度值大于或等于果蝇种群味道浓度平均值的果蝇个体集合的味道浓度平均值，是味道浓度值小于果蝇种群味道浓度平均值的果蝇个体集合的味道浓度平均值，为权重因子最大值，为权重因子最小值，t为当前迭代次数，T为最大迭代次数，为[0, 2]之间的随机数，（，）为当前迭代中的最佳位置以及下一次迭代中搜索的基准位置，（，）为当前迭代中的第i个果蝇的位置，（，）为果蝇个体下一迭代中的位置，rand（1,1）为取值范围为[0,1]的随机数，b为常数，l表示[
−
1, 1]之间的随机数。6.一种认知卫星网络信...

【专利技术属性】
技术研发人员：王巍，孙善忠，
申请(专利权)人：北京华航测通科技有限公司，
类型：发明
国别省市：