基于适应值预测的DABC认知无线电频谱分配算法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (18): 111-116.

基于适应值预测的DABC认知无线电频谱分配算法

刘俊霞1，2，贾振红2

1.新疆工程学院电气与信息工程系，乌鲁木齐 830023
2.新疆大学信息科学与工程学院，乌鲁木齐 830046

出版日期:2016-09-15 发布日期:2016-09-14

Spectrum assignment algorithm based on DABC of fitness prediction for cognitive radio

LIU Junxia1，2, JIA Zhenhong2

1.Department of Electrical and Information, Xinjiang Institute of Engineering, Urumqi 830023, China
2.School of Information Science and Engineering, Xinjiang University, Urumqi 830046, China

Online:2016-09-15 Published:2016-09-14

摘要/Abstract

摘要： 针对认知无线网络频谱分配过程存在的问题，提出了基于适应值预测策略的双人工蜂群算法（FP-DABC）。该算法设计的干扰门限阈值，提高了用户的接入数量；适应值预测方法的使用，加快了分配效率；同时算法对频谱分配过程公平性和系统整体性能进行了优化。实验仿真结果表明：FP-DABC算法牺牲了部分网络效益的同时，在用户满意度、分配率、平均分配时间、用户公平性和系统整体性能上均优于颜色敏感图着色算法（CSGC）和人工蜂群算法（ABC）。

关键词: 适应值预测, 人工蜂群算法, 认知无线电, 频谱分配, 分配率

Abstract: For technical problem of the spectrum allocation for cognitive radio network, this paper presents spectrum assignment algorithm based Fitness Prediction Dual Artificial Bee Colony algorithm（FP-DABC）. The algorithm is designed to interfere threshold to improve the access number of users; fitness forecasting methods are used to speed up the assignment efficiency; at the same time the fairness of spectrum allocation process and system overall performance are optimized. Experiment results show: FP-DABC algorithm reduces a part of network bandwidth benefit, at the same time user satisfaction, allocation efficiency, the average assignment time, the user fairness and overall system performance are better than the Color Sensitive Graph Coloring algorithm（CSGC） and Artificial Bee Colony algorithm（ABC）.

Key words: fitness forecasting, artificial bee colony algorithm, cognitive radio, spectrum allocation, allocation ratio

刘俊霞1，2，贾振红2. 基于适应值预测的DABC认知无线电频谱分配算法[J]. 计算机工程与应用, 2016, 52(18): 111-116.

LIU Junxia1，2, JIA Zhenhong2. Spectrum assignment algorithm based on DABC of fitness prediction for cognitive radio[J]. Computer Engineering and Applications, 2016, 52(18): 111-116.

[1]	李雨鑫，李悦悦. 面向JIT采购的多目标车辆调度[J]. 计算机工程与应用, 2021, 57(12): 263-272.
[2]	李顺东，游晓明，刘升. 结合ABC算法动态分级的双蚁态蚁群算法[J]. 计算机工程与应用, 2020, 56(12): 37-46.
[3]	董晓庆1，2. 异构无线网络密集部署场景下高效网络接入及频谱分配[J]. 计算机工程与应用, 2019, 55(4): 101-111.
[4]	宋晓宇，高明海，赵明. 具有自适应搜索策略的混合人工蜂群算法[J]. 计算机工程与应用, 2019, 55(22): 53-59.
[5]	浦玉学，舒鹏飞，蒋祺，陈卫中. 工业机器人时间-能量最优轨迹规划[J]. 计算机工程与应用, 2019, 55(22): 86-90.
[6]	朱丹1，邱斌1，2，肖海林1，4，倪菊3. 基于萤火虫算法的认知车载网络频谱分配[J]. 计算机工程与应用, 2019, 55(2): 67-71.
[7]	王贞，李旭飞. 求解约束优化问题的自适应人工蜂群算法[J]. 计算机工程与应用, 2019, 55(15): 47-58.
[8]	王玉磊1，2，邱罡3. 物联网频谱感知的人工物理学优化实现[J]. 计算机工程与应用, 2019, 55(14): 83-86.
[9]	张维存，张曼. 面向连续生产的供应链联合调度及算法[J]. 计算机工程与应用, 2019, 55(13): 246-253.
[10]	张戈，王建林. 基于混合ABC和CRO的高维特征选择方法[J]. 计算机工程与应用, 2019, 55(11): 93-101.
[11]	魏锋涛，岳明娟，郑建明. 基于多策略融合的改进人工蜂群算法[J]. 计算机工程与应用, 2018, 54(5): 111-116.
[12]	范怡敏1，罗云飞2，沈克永1. 具有先应性最优通道传输的车载网络研究分析[J]. 计算机工程与应用, 2018, 54(23): 68-73.
[13]	刘明辉1，李炜2. 基于knee points的改进多目标人工蜂群算法[J]. 计算机工程与应用, 2018, 54(2): 40-47.
[14]	庄陵，童开蒙，王凯. 应用MDFT结构的认知无线电频谱感知方法[J]. 计算机工程与应用, 2018, 54(2): 82-86.
[15]	张伟灿，何选森. 基于改进蜂群聚类的欠定盲源分离[J]. 计算机工程与应用, 2018, 54(17): 243-248.