基于萤火虫算法的认知车载网络信道分配的设计和研究毕业论文

2020-02-17 09:02

摘要

根据实际的交通状况对车辆通信网络进行建模，将认知无线电的信道分配技术应用在车辆通信网络架构上，构成了认知车载网络。将认知无线电技术引入车载自组织网络可以有效缓解其中频谱资源不足的问题，但由于车辆移动性给信道分配的研究带来了极大挑战。本文在认知车载网络系统模型的基础上提出了一种信道分配优化方法。此方法以萤火虫算法为理论依据，从种群所收获的平均收益值出发，将认知车载网络的信道分配变量和吞吐量分别转换为萤火虫的位置信息和荧光亮度值，在离散信道分配变量的基础上采用萤火虫算法进行迭代寻优，从而完成对认知车载网信道分配的优化。然后使用Matlab软件进行编程仿真，构建系统模型，在车载用户数量和可用信道数量不同的情况下，设置不同萤火虫种群数量以进行比较，验证基于萤火虫算法的认知车载网信道分配方法的可行性与有效性。

仿真实验结果表明，在给定的认知车载网络模型下，基于萤火虫算法的认知车载网络信道分配方式的收敛速度较快，且网络吞吐量得到了极大的优化；并且当车载用户数量和可用信道数量给定时，萤火虫种群数量越多，收敛速度越快，获得的最优解越优。

关键词：萤火虫算法；认知车载网络；信道分配

Abstract

The channel assignment of wireless networks has high requirements due to the mobility of vehicle-mounted communication networks, and cognitive radio technology can effectively meet these requirements. According to the actual traffic situation, the vehicle communication network is modeled, and the channel assignment technology of cognitive radio is applied to the vehicle communication network to form the vehicle communication network. This paper presents a channel allocation optimization method based on the cognition of vehicle network system model. This method with firefly algorithm as the theoretical basis, from the gain average profit value of the population, the channel allocation variables into the location of fireflies, converts cognitive on-board network throughput fireflies fluorescence intensity values, on the basis of the discrete channel allocation variable USES the firefly algorithm iterative optimization, so as to complete the optimization of cognitive on-board network channel allocation. Then, Matlab software was used for programming and simulation, and the system model was built. In the case of different number of vehicle-mounted users and available channels, different firefly populations were set for comparison, so as to verify the feasibility and effectiveness of the channel allocation method based on firefly algorithm for cognitive vehicle-mounted network.

Simulation results show that under the given cognitive vehicle-mounted network model, the channel allocation mode of cognitive vehicle-mounted network based on firefly algorithm converges rapidly and the network throughput is greatly optimized. Moreover, when the number of on-board users and the number of available channels are set, the larger the firefly population is, the faster the convergence speed will be, and the better the optimal solution will be.

Keywords：Firefly algorithm; Cognitive vehicle-mounted network; Channel allocation

摘要 I

Abstract II

第 1 章绪论 1

1.1 研究背景及意义 1

1.2 国内外发展现状 1

1.3 研究内容与组织结构 2

第 2 章车载网及认知车载网 4

2.1 车辆自组织网络 4

2.1.1 车辆自组织网络简介 4

2.1.2 车辆自组织网络的特点 4

2.2 认知车载网 5

2.2.1 认知车载网简介 5

2.2.2 认知车载网的建模 6

2.2.3 认知车载网的信道优化问题 7

2.3 本章小结 8

第 3 章萤火虫算法 9

3.1 萤火虫算法 9

3.1.1 算法原理 9

3.1.2 算法公式 9

3.1.3 算法步骤 10

3.2 信道分配问题优化 11

3.2.1 萤火虫算法优化信道分配 11

3.2.2 信道分配问题的离散化 11

3.2.3 信道分配优化算法步骤 11

3.3 本章小结 12

第 4 章仿真与分析 13

4.1 Matlab仿真 13

4.1.1 认知车载网建模子函数 13

4.1.2 部分主函数 14

4.1.3 结果分析 15

4.2 本章小结 17

总结与展望 18

参考文献 19

致谢 20

绪论

研究背景及意义

自二十世纪以来，无线通信技术迅速发展。移动通信的传输速率日渐提升，从每秒不足10kbits提高到如今第五代移动通信网络的高于100Mbit/s，人们用以通信的带宽也随着日益增加。但即便如此，依然无法满足人们飞速膨胀的带宽需求。作为应对措施，人们不断地研究新型无线通信技术，发明和改进各种调制和编码技术，以开发新的频段，提高频谱的利用效率。例如，多输入多输出(Multiple-Input Multiple-Output,MIMO)^[1]与正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)^[2]技术将会在未来得到大规模应用，可以有效地将频谱利用效率提高至3~4倍。然而，这种提高相当于杯水车薪，并不能完全满足人们对于带宽的需求增长。对频谱管理方法进行改进，才是真正解决这种矛盾的有效方法。

美国联邦通信委员会(Federal Communications Commission,FCC)为了实现车载通信，于1999年在5.9GHz频段上分配了一个合并的75MHz频谱^[3]。然而，车辆用户日益膨胀，以至于这75MHz频谱难以满足逐渐增加的车载通信需求。因此一种结合了车辆自组织网络架构和认知无线电技术的新型通信网络架构随之产生，它便是认知车载网(Cognitive Vehicular Ad hoc Networks, CR-VANENT)^[4]通信架构。认知车载网之所以能够处理车载网络中频谱资源不足的难题，是因为它通过认知无线电技术不断感知空余的授权频段，并将感知到的空余频段用于数据通信。然而，认知无线电的频谱分配问题是一个非确定性多项式(Nondeterministic Polynomially,NP)约束优化问题^[5]，寻常方法难以在短时间内得到最优解。

杨新设教授提出的萤火虫算法(Firefly Algorithm, FA)模拟了萤火虫在夜间发出荧光吸引其他萤火虫的特性，运用进化算法的思想来实现智能体的行为已进行优化^[6]。该算法能够在给定范围内快速找到目标函数的最优解，并且实现简单、参数较少，由此联想到利用其来分配认知车载网的信道，以达到快速得到较优的认知车载网信道分配方式的目的。

国内外发展现状

作为一个非确定性多项式约束优化问题，用寻常方法进行认知车载通信网络频谱分配的效率并不高，无法在较短的时间内得到最优解。通常在认知无线电网络中，频谱分配主要根据图论、博弈论^[7]和干扰温度这三个理论来建立模型。最初，根据图论模型进行频谱分配建模的学者应用图着色算法求解。虽然该算法求解速度较快，但是求解结果的精度却不高。近年来，有学者在频谱分配问题中运用到了一些智能算法，比如遗传算法(Genetic Algorithm,GA)、粒子群算法(Particle Swarm Optimization Algorithm,PSO)、布谷鸟搜索算法(Cuckoo Search Algorithm,CS)等。王晓飞、陈岳兵、张希等学者首次将遗传学应用于频谱分配问题中，其测试结果证明，遗传算法确实可以应用于频谱分配问题中，但是算法效率不高，还极易陷入局部最优值^[8]。和遗传算法相比，粒子群算法拥有更快的收敛速度，更少的参数设置也令算法实现过程相对较易，但是该算法不能较好地处理离散优化问题。刘彩丽、肖海林等学者将布谷鸟搜索算法应用于频谱分配中，它将频谱分配方式变量和网络吞吐量分别映射为布谷鸟的鸟巢位置和适应度函数。实验结果证明，该算法进行频谱分配的效率较高，得到最优解的速度较快，但是种群的平均收益值较低^[9]。

萤火虫算法可以在一个较小的区域内找到该区域的最优解，并且收敛速度较快，参数设置较少。刘长平、叶春明等学者由几个典型优化问题的仿真测试证明了萤火虫算法在离散空间和连续空间优化中的有效性与可行性^[6]。朱丹、邱斌、肖海林等学者提出了一种基于萤火虫算法的频谱分配方式。该方法将认知车载网络的信道分配和网络吞吐量分别映射为萤火虫的位置信息和亮度函数，综合考虑种群的平均收益和收敛速度，运用萤火虫算法进行迭代以寻求优解。仿真结果表明该算法能够在少数迭代次数内找到最优解，且种群的平均收益值高于布谷鸟搜索算法^[10]。

研究内容与组织结构

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-VANETs系统模型，该方法将认知车载网络的信道分配和网络吞吐量分别映射为萤火虫的位置信息和亮度函数，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。

本文的主要结构如下：

第2章主要简单介绍了车载网概念、认知车载网的概念、建模以及其信道分配的优化问题。首先简单介绍了车载网的概念和特点，然后介绍了认知车载网的概念，在此基础上进行建模，最后对建立的模型进行信道分配优化问题的分析。

第3章主要介绍了利用萤火虫算法解决信道分配优化问题的方法。首先介绍了萤火虫算法的原理以及详细的公式的推导，然后针对认知车载网络中的信道分配问题，提出了一种基于萤火虫算法的信道分配方式。最后阐述了信道分配问题的SF离散化和萤火虫算法优化信道分配的具体过程，为软件仿真建立步骤流程。

第4章主要介绍了实际仿真的程序代码以及仿真结果分析。首先给出了仿真的主函数代码以及各子函数的代码，然后展示了在给定车载用户数量和可用信道数量的情况下设置不同的萤火虫种群数量进行仿真的运行结果，最后根据得出的仿真数据进行数据分析，分析萤火虫算法优化信道分配的高效性和优越性。

第5章主要回顾了本文提出的方法，对工作内容进行梳理、总结，最后对存在的不足之处进行分析，对可以改进的地方进行展望。

车载网及认知车载网

本章首先从车载网的提出和特点出发，简单介绍了车载自组织网络的概念。而车载网的频谱资源日益紧缺，从而引出了认知车载网。然后进行通信网络的建模，在建立的认知车载网模型基础上针对信道分配优化问题的难点进行具体分析。

车辆自组织网络

车辆自组织网络简介

2001年，车辆自组织网络第一次在“车对车的特别移动通信和网络”应用中被提到并引入，其基本思想是当车辆在一定的通信范围内时，车辆与车辆之间可以自动连接建立一个移动网络用以互相交换各自的行车速度、地理位置等信息以及车载传感器感知到的数据信息。研究表明，车辆对车辆和车辆对路边的通信架构将在车辆自组织网络中共存，以提供道路安全、导航等路边服务。车辆自组织网络是智能交通系统(ITS)框架的重要组成部分^[11]。

车辆自组织网络由路车间通信(road to vehicle communications,RVC)和车间通信(Intervehicle communications,IVC)两个部分组成。在路车间通信方面，移动基站和路边设备等道路基础设施的建设，给车辆自组织网络接入互联网提供了保障，使得车辆可以获取丰富的信息资源。而在车间通信方面，车辆上安装的无线通信设备也使车辆与车辆之间的互通得以实现。通过如专用短程通信(Dedicated Short Range Communications，DSRC)^[12]技术，车辆与车辆之间以多跳的方式进行通信。除此之外，通过安装于车辆上的全球定位系统(Global Positioning System,GPS)^[13]，车辆能够提供精确的时间与定位信息，因此车辆自组织网络与全球定位系统相结合的应用也相应产生。

车辆自组织网络的特点

因为车辆自组织网络是在道路上应用了移动自组织网络，所以它当然具有自组织网络的一般特性。比如网络拓扑结构动态变化、自组织无中心网络、多跳网络、无线传输带宽有限等。

因为车辆自组织网络由车辆和路边装置组成了网络节点，所以相对于其他自组织网络，它有自己特殊的网络特性：

(1)网络规模庞大。首先，车载网的车辆节点以及路边节点的数量非常庞大。其次，各节点也有非常广泛的分布区域。这两个因素使得网络规模非常巨大；

(2)网络密度随时间空间变化而发生巨大的改变。网络密度与车辆自组织网络节点尤其是车辆节点的时空分布紧密相关，而车辆节点又随着时间空间的改变而发生巨大变化。比如在时间上，夜晚车辆稀疏的道路属于稀疏网络，发生交通堵塞时则变为密集型网络；而在空间上，偏远地区的道路交通属于稀疏网络，而城市中心、高速公路上的交通则为密集型网络；

(3) 车辆节点的运动具有规则性。由于车辆在行驶路程中必须遵守相关的交通规则，因此车辆只能沿着道路网络做受限的约束运动，例如高速公路上车辆的行驶速度最高车速不得高于每小时120公里，最低车速不得低于每小时60公里、红灯停绿灯行、车道上车辆按队列行驶等。因此，车辆节点的运动规律是可以短时预测的，交通信息在车载网节点之间的传播也具有很强的方向性。目前的研究一致认为，在高速公路场景中构建的车间通信网络具有一维特征，而在城市道路场景中构建的车间通信网络具有二维特征；

(4) 网络拓扑变化剧烈频繁。由于车辆的行驶速度较快，并且驾驶员如变更车道或行驶方向的行为将影响车辆节点，所以节点之间的网络拓扑结构非常多变；

认知车载网

虽然车辆自组织网络被广泛应用于保障交通安全以及车辆信息的传输与交互式通信中，但它面临着频谱资源稀缺的问题。而认知无线电(cognitive radio,CR)技术能够有效地解决频谱资源稀缺的问题。

认知车载网简介

以解决频谱稀缺问题为目的，美国联邦通信委员会开放了授权频谱的使用权，即未授权用户可以机会地使用空闲的授权频谱（也被称为“频谱空洞”）。随着认知无线电技术和动态频谱接入技术的出现，车辆自组织网络和认知无线电技术结合在一起，形成了认知车载网(Cognitive Vehicular Ad hoc Networks,CR-VANENTs)，提高了频谱的使用效率。认知车载网的基本思想是装载有认知无线电通信设备的车辆可以方便地接入专用短程通信信道以及其他检测到的空闲信道。当专用短程通信信道的传输负载较重时，认知无线电设备将检测和使用其他的空闲信道。此时，配备了认知无线电通信设备的车辆是未授权用户，并且成为二次用户(secondary users,SU)。

认知车载网络在频谱感知和频谱接入的问题上颇有难度。一方面，车辆的高速移动性使得认知车载网络与传统的认知无线电网络不同，认知车载网络拓扑是一个动态结构。另一方面，认知车载网络中不同于传统车辆自组织网络的频谱动态特性使得空闲的授权频谱可能在时间和空间上发生变化。

近几年来，一些学者根据认知车载网络中出现的上述问题进行了深入的研究并发表了一系列文献。这些文献表明，在认知车载网络中，较好的频谱感知参数可以采用协作感知的方法获取。同时，高速运动的车辆具有比较良好的时空分集特性，充分利用此特性可以获取更好的频谱检测性能。除此以外，车辆可以通过车辆位置预测和频谱地理数据库査询的方法，准确迅速地取得当前位置以及将来位置的可用频谱信息。通过以上的理论和仿真实验等工作，认知车载网络中高速运动环境下认知无线电信道检测的准确性和及时性被证明可以由上述方法保证。