惠顯楊 ，陳建忠，牛英滔，段瑞杰

(1.解放軍理工大學通信工程學院，南京 210007; 2.南京電訊技術研究所，南京 210007)

?

基于初始種群優(yōu)化粒子群算法的通信抗干擾決策引擎*

惠顯楊1,2，陳建忠2，牛英滔2，段瑞杰1

(1.解放軍理工大學通信工程學院，南京 210007; 2.南京電訊技術研究所，南京 210007)

Foundation Item:National Natural Science Foundation of China(No. 61401505)

摘要：針對抗干擾決策引擎對實時性能要求較高的問題，借鑒了一種基于初始種群優(yōu)化的粒子群算法(IPO-PSO)。該算法通過把上一次決策的部分解作為當前初始解集的一部分，以此來優(yōu)化粒子群算法的初始種群。仿真結果表明，該算法能夠在不增加復雜度的情況下顯著提高粒子群算法在緩變干擾環(huán)境下的收斂速度，具有較好的實時性能，更加符合通信抗干擾的應用場景。

關鍵詞：通信抗干擾；決策引擎；初始種群優(yōu)化；粒子群算法

0引言

可靠有效的軍事無線通信是確保戰(zhàn)場制信息權的關鍵。長期以來，抗干擾理論與技術一直是軍事無線通信領域的研究熱點[1]。目前，主流通信抗干擾技術是各類擴展頻譜抗干擾技術，這些技術極大提高了軍用無線通信裝備的抗干擾能力。然而，隨著敵對方電子進攻能力的迅速發(fā)展，干擾樣式不斷增多、智能化水平不斷提高，無線通信面臨的電磁環(huán)境日益復雜和惡劣，導致現有抗干擾技術逐漸難以滿足可靠有效通信的要求。因此，需要對通信抗干擾方法進行進一步研究。

認知無線電技術[2]的出現為提高無線通信的抗干擾能力提供了新的思路。將認知思想引入通信抗干擾領域，使無線通信系統(tǒng)在感知干擾環(huán)境的基礎上，通過決策推理來選擇合理的通信參數，從而主動適應干擾環(huán)境，提高通信的抗干擾能力。文獻[3]提出了基于遺傳算法的認知無線電決策引擎，實現了認知無線電決策引擎對參數的智能調整，但算法的缺陷是爬山能力差，易陷入局部最優(yōu)。文獻[4]提出了基于模擬退火算法的認知無線電決策引擎，采用模擬退火的方法選擇子代個體，提高了遺傳算法的爬山能力，但其收斂速度有待提高。文獻[5]提出了基于免疫遺傳算法的認知無線電決策引擎，通過對抗體濃度的增加和抑制機制來提高遺傳算法的爬山能力，但其收斂速度也有待提高。文獻[6]脫離了遺傳算法的范疇，提出了基于粒子群算法的認知無線電決策引擎，其相比遺傳算法具有更好的收斂速度和爬山能力。通過對現有通信抗干擾決策引擎的學習研究，得到基于粒子群算法(Initial population optimization particle swarm optimization，IPO-PSO)的通信抗干擾決策引擎[7]具有較好的收斂性能和爬山能力。為進一步提高粒子群算法的收斂速度以適應抗干擾通信較高的實時性要求，本文首先對粒子群算法的初始種群進行優(yōu)化，提出了基于初始種群優(yōu)化的粒子群算法來提高粒子群算法的收斂速度。其次通過增加約束條件和合理設置權重，從而使該算法更加貼近實際的通信需求。仿真表明，該算法能夠在不增加復雜度的情況下進一步提高粒子群算法在緩變干擾環(huán)境下的收斂速度，滿足了抗干擾通信對實時性能的要求。

1抗干擾決策引擎模型

抗干擾決策引擎以干擾感知為基礎，自主調整通信參數，確保通信系統(tǒng)能夠可靠、有效地傳輸信息。通信抗干擾決策引擎所要調整的參數包括發(fā)射功率、頻率、調制方式、編碼碼率。實現目標是在約束條件和決策目標下根據感知的干擾環(huán)境，尋找最優(yōu)通信參數?？垢蓴_決策引擎的輸入輸出關系如圖1所示。

圖1　抗干擾決策引擎的輸入輸出關系圖

常用的目標函數主要有最小化發(fā)射功率、最大化數據傳輸速率及最小化誤碼率目標函數。由于無線通信系統(tǒng)通常是在規(guī)定的誤碼率之下進行通信，并不追求誤碼率最小，故單純的最小化誤碼率目標函數缺乏實際意義，本文中不予考慮。因此本文中采用的目標函數為最小化發(fā)射功率、最大化數據傳輸速率，可表示為：

(1)

式中：

(2)

(3)

式中，Cr為編碼碼率，Cmax為最大編碼碼率，m為調制進制數，mmax為最大調制進制數，P為發(fā)射功率，Pmax為最大發(fā)射功率，Pmin為最小發(fā)射功率。Pe為解的誤碼率，Pu為系統(tǒng)的誤碼率上限。

現有算法[3-8]為簡化決策過程，通常對多個目標函數進行簡單的加權處理，得到歸一化目標函數。決策過程中選擇合適的系統(tǒng)參數值來實現給定權重下歸一化目標函數的最大化。但是，這種方法對于權重確定的主觀性和隨意性較大，且沒有考慮通信業(yè)務對于誤碼率的要求等約束條件，并不符合實際通信場景。因此，本文將誤碼率作為約束條件。

圖2給出了系統(tǒng)采用的調制編碼方式的信干噪比(SJNR)-誤碼率曲線示意圖。

圖2　不同調制編碼方式下誤碼率曲線示意圖

可以看出，當誤碼率Pe≤10-3時，一般誤碼率曲線就會進入“瀑布區(qū)”，可近似為直線，并使用一個直線方程來近似表示某種調制編碼組合下信干比與誤碼率的關系。

設接收端的SJNR為x(t)，誤碼率Pe為y(t)，則在瀑布區(qū)內M種調制編碼組合下的SJNR與誤碼率的關系可近似為：

(4)

式中i∈{1,2,…,M}，Ci和Di為第i種調制編碼組合下的常數，xi為采用第i種調制編碼組合的SJNR門限值。若通信信號的發(fā)射功率Ps和通信信道內的干擾加噪聲功率PJN都以dBm為單位，且不考慮自由空間傳播損耗，則接收端的SJNR可表示為：

SJNR=Ps-PJN

(5)

給定各個目標函數的權重ω1、ω2，則系統(tǒng)歸一化目標函數為：

(6)

因此，基于IPO-PSO的抗干擾決策引擎要實現的功能即為通過調整頻率、功率、編碼碼率、調制方式四個參數，實現約束條件下(6)式目標函數的最大化，以此實現抗干擾通信的最優(yōu)參數配置。

2基于初始種群優(yōu)化粒子群算法的抗干擾決策引擎

粒子群算法[9]最早由Kennedy和Eberhart在1995年提出。在粒子群算法中，每個粒子的位置表示待優(yōu)化問題的解，每個粒子的性能優(yōu)劣程度取決于當前粒子位置對優(yōu)化問題目標函數適應度的大小。每個粒子由一個速度矢量來決定粒子飛行的方向和速率大小。

粒子群算法中，初始種群中每個粒子的位置隨機產生，每次決策的結果并不記憶和利用。然而，很多應用場合中，無線環(huán)境的變化較為緩慢，前次決策的最優(yōu)解對于當前無線環(huán)境仍較優(yōu)。因此，如能將前次決策的結果用作下一次決策的初始種群中，將有利于提高粒子群算法的收斂速度?；谶@種思想，本文設計了初始種群優(yōu)化粒子群算法，將上一次決策的解作為當前初始種群的一部分。這樣，可以明顯減少算法收斂到最優(yōu)解所需的迭代次數，從而提高算法的收斂速度。

(7)

(8)

(9)

本文設計初始種群優(yōu)化粒子群算法的實現流程如下：

(4)如達到迭代次數，終止算法；否則，跳至3)。

3仿真分析

本文用Matlab仿真軟件對基于IPO-PSO的抗干擾決策引擎性能進行仿真。參數設置的頻率范圍為1 350 MHz～1 362.7 MHz，等間隔取128個頻點，每個頻點隨機設定不同的干擾功率，干擾功率的范圍為5 dBm～15 dBm。發(fā)射功率等間隔取64個值，范圍設定為0.312 5 dBm～20 dBm，間隔為0.312 5 dBm。編碼方式采用LDPC，選取1/4、1/2、4/5、1四種碼率，碼率為1表示不編碼。調制方式選取BPSK、QPSK、16QAM、32QAM四種。S=30，C1=C2=2，Vmax=5，最大進化代數為150，慣性權重W取1，誤碼率上限Pu=10-3，為驗證IPO-PSO的性能，仿真中假設上一次決策過程和當前決策過程所處的模式相同。選取決策結果中部分最優(yōu)粒子作為本次決策的輸入，所選取粒子的個數為12。環(huán)境變化因子為σ，環(huán)境參數由干擾功率表示。

仿真在三種模式下進行，模式設置如表1所示：

表1　目標函數權重設置

模式1表示在給定誤碼率要求下實現最大化數據傳輸速率，模式2表示在給定誤碼率要求下實現最小化發(fā)射功率，模式3表示在給定誤碼率要求下同時兼顧最大化數據傳輸速率和最小化發(fā)射功率。

3.1IPO-PSO的決策仿真結果

在上述仿真參數及環(huán)境變化因子σ=50%的情況下，對IPO-PSO進行仿真分析。環(huán)境變化前后的信道環(huán)境由下圖3所示：

(a)上次決策信道干擾

(b)本次決策信道干擾

仿真在不同模式下決策結果如表2所示：

表2　不同模式下參數選擇

由表2可知，對于模式1，要求系統(tǒng)在誤碼率小于10-3的情況下實現最大數據傳輸速率，則信道選擇了干擾功率為5 dBm的57號信道，發(fā)射功率選擇了20 dBm，編碼碼率選擇了1，調制方式選擇了QPSK；對于模式2，要求系統(tǒng)在誤碼率小于10-3的情況下實現最小發(fā)射功率，則信道選擇了干擾功率為5 dBm的57號信道，發(fā)射功率選擇了5.31 dBm，編碼碼率選擇了1/4，調制方式選擇了BPSK；對于模式3，要求系統(tǒng)在誤碼率小于10-3的情況下同時兼顧最大數據傳輸速率和最小發(fā)射功率，則信道選擇了干擾功率為5 dBm的57號信道，發(fā)射功率選擇了15.31 dBm，編碼碼率選擇了4/5，調制方式選擇了QPSK。三種模式下參數選擇考慮了實際通信需求，符合軍事通信抗干擾戰(zhàn)場需求。并且參數選擇與理論值一致，驗證了基于IPO-PSO決策引擎自適應調整參數的正確性。

3.2IPO-PSO和PSO仿真性能對比

為了比較IPO-PSO和PSO的性能，在相同的條件下對其進行仿真分析。仿真實驗對三種模式分別進行40次獨立實驗，記錄每次實驗算法所選擇的最優(yōu)參數值，再對40次實驗結果取平均。仿真中環(huán)境變化因子分別取σ=25%,50%,75%，而PSO則是在三種環(huán)境下的平均性能。仿真結果如圖4、5、6所示，仿真時間如表3所示。

圖4　模式1下算法仿真比較圖

圖5模式2下算法仿真比較圖

圖6　模式3下算法仿真比較圖

算法模式PSOPA-PSOσ=25%σ=50%σ=75%模式137.00s36.95s36.80s36.18s模式237.17s36.97s36.57s36.23s模式337.28s36.84s36.62s36.28s

通過仿真可得：

(1)IPO-PSO在迭代初期的收斂性能明顯優(yōu)于PSO，尤其是環(huán)境變化因子較低時。雖然其收斂性能會隨著環(huán)境變化因子σ升高而有所降低，但仍優(yōu)于PSO算法。

(2)由表3可知，初始種群優(yōu)化粒子群算法在復雜度上沒有增加。因此，對實時性要求較高的抗干擾通信環(huán)境，基于初始種群優(yōu)化粒子群算法的決策引擎具有更大的優(yōu)勢。

(3)本文考慮了實際的通信需求，不再對幾種目標函數進行簡單的加權，而是在誤碼率約束條件下實現所達到的目標。這更加符合抗干擾通信的應用場景。

4結語

本文提出的基于初始種群優(yōu)化粒子群算法的抗干擾決策引擎通過改進種群初始化方法，提高了算法收斂性，且沒有增加算法的復雜度，對戰(zhàn)場時效性要求較高的場合具有較好優(yōu)勢。同時，決策是在給定誤碼率要求下實現對目標函數的求解，更加符合抗干擾通信的實際。本文是對粒子群算法初始種群進行優(yōu)化，這為采用其它進化算法提高收斂性能提供了借鑒。然而，選用上一次決策解的數量是固定的，下一步可研究根據環(huán)境變化因子σ的變化自適應調整解的選取比例，以期提高算法的自適應能力，使抗干擾通信具有更好的環(huán)境適應性。

參考文獻：

[1]姚富強. 通信抗干擾工程與實踐[M]. 北京: 電子工業(yè)出版社, 2008: 2.

YAO Fu-qiang. Communication Anti-Jamming Project and Practice[M]. Beijing Electronics Industry Publishing, 2008: 2.

[2]LI Jia-na，Gavrilovska, Vladimir Atanasovski, et al. Learning and Reasoning in Cognitive Radio Networks[J]. IEEE Communications Surveys & Tutorials, 2013, 15(4): 1-17.

[3]El-Saleh A A, Ismail M. Development of a Cognitive Radio Decision Engine Using Multi-Objective Hybrid Gene-tic Algorithm[J]. Communications IEEE Malaysia International Conference, 2009:343-347.

[4]鄭仕鏈, 趙知勁, 尚俊娜. 基于模擬退火遺傳算法的認知無線電決策引擎[J]. 計算機仿真, 2006, 25(1):192-195.

ZHENG Shi-lian, ZHAO Zhi-jin,SHANG Jun-na.Anti-Jamming Communication Decision Engine based on Simulated Annealing Genetic Algorithm[J]. Computer Simulation, 2006, 25(1):192-195.

[5]焦傳海, 王可人, 徐云. 基于免疫遺傳算法的認知決策引擎[J]. 現代軍事通信, 2009, 17(3):10-14.

JIAO Chuan-hai, WANG Ke-ren. Anti-Jamming Communication Decision Engine based on Immune Genetic Algorithm[J]. Moden Military Communication, 2009, 17(3):10-14.

[6]趙知勁, 徐世寧, 鄭仕鏈. 基于二進制粒子群算法的認知無線電決策引擎[J]. 物理學報, 2009, 58(7):7110-7114.

ZHAO Zhi-jin, XU Shi-ning, ZHENG Shi-lian. Anti-Jamming Communication Decision Engine based on Particle Swarm Optimization[J]. Journal of Physics, 2009, 58(7): 7110-7114.

[7]YANG Er-yong, CHEN Jian-zhong, NIU Ying-tao. Anti-Jamming Communication Decision Engine based on Particle Swarm Optimization[C]. Mechanic Automation and Control Engineering, 2011: 3913-3916.

[8]楊二勇, 陳建忠, 牛英滔. 基于SAGA的通信抗干擾決策引擎. 通信技術, 2011, 5(44): 8-11.

YANG Er-yong, CHEN Jian-zhong, NIU Ying-tao. Anti-jamming Communication Decision Engine based on Simulated Annealing Genetic Algorithms, Communications Technology, 2011, 5(44): 8-11.

[9]GUO Wen-zhong, CHEN Shao-mei, LI Ning. A New Type of PSO[J]. Computer Engineering and Application. 2005, 23: 80-83.

惠顯楊(1992—)，男，碩士研究生，主要研究方向為通信抗干擾、認知決策；

陳建忠(1962—)，男，研究員，碩士生導師，主要研究方向為無線通信抗干擾；

牛英滔(1978—)，男，高級工程師，主要研究方向為認知無線電、無線通信抗干擾；

段瑞杰(1991—)，男，碩士研究生，主要研究方向為智能跳頻組網、通信抗干擾。

An Initial Population Optimization-based Particle Swarm

Algorithm for Anti-Jamming Communication Decision Engine

HUI Xian-yang1,2, CHEN Jian-zhong2, NIU Ying-tao2, DUAN Rui-jie1

(1. Institute of Communication Engineering, PLAUST, Nanjing Jiangsu 210007, China;

2. Nanjing Telecommunication Technology Institute, Nanjing Jiangsu 210007, China)

Abstract：Aiming at the high requirement of real-time performance for anti-jamming decision engine, an IPO-PSO (Initial Population Optimization Particle Swarm Algorithm)is referred. The algorithm takes part of the solution in the last decision as part of the initial solution set, so as to improve the initial population of the particle swarm algorithm. Simulation results show that this algorithm could obviously increase the convergence rate of the particle swarm optimization under the slowly-varying interference condition without the increase of complexity. So this algorithm enjoys better real-time performance and is more in line with the application scenarios of military anti-jamming communication.

Key words：communication anti-jamming；decision engine；initial population optimization；particle swarm algorithm

作者簡介：

中圖分類號：

文獻標志碼：A

文章編號：1002-0802(2015)07-0767-05

基金項目：國家自然科學基金項目(No. 61401505)

收稿日期：修回日期：2015-05-31Received date:2015-02-28；Revised date：2015-05-31

doi:10.3969/j.issn.1002-0802.2015.07.003