基于粒子群算法的认知无线电频谱分配算法

针对认知无线电空闲频谱分配过程中整体性能优化问题,建立了频谱资源受限情况下实现系统总带宽收益最大化、认知用户接入公平性最优的多目标模型,并结合问题特点设计了基于粒子群优化算法的智能求解算法,给出了具体的实施步骤。从系统总带宽收益、用户接入公平性和系统整体性能3个方面,仿真比较分析了所提算法同协作最大化带宽总收益和协作最大化比例公平性准则下的敏感图着色算法的性能,结果表明该方法实现了系统总带宽收益和用户公平性的折中,整体性能优于敏感图着色算法。     

基于图着色理论的认知网络频谱分配策略研究

为了解决认知网络下的动态频谱分配问题,结合图着色理论分析构建了认知系统频谱分配模型。在此基础上结合极大独立集(MIS)算法,通过设计综合分配权重,提出了一种基于信道效益的认知网络动态频谱分配算法。仿真结果表明,相比现有的MIS、Greedy算法,该算法能够有效提升实际认知网络系统的频谱利用率和公平性指标。     

基于适应值预测的DABC认知无线电频谱分配算法

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）。     

一种改进的颜色敏感图论着色算法

针对认知无线电频谱分配的公平性问题,提出一种改进的颜色敏感图论着色算法。该算法根据用户频谱效益生成与频谱分配相关的权重,通过该权重对颜色敏感的图论着色算法进行修正,保证频谱分配的公平性。仿真实验结果表明,改进算法网络总效益虽有所下降,但频谱使用的公平性有较大的改善。     

基于多种群进化与粒子群优化混合的频谱分配算法

为了解决认知无线网络中的频谱分配问题,提出一种基于多种群进化与粒子群优化混合的频谱分配算法。它采用图论着色模型,首先使用遗传算法将多个种群进行独立进化,以提高种群的全局搜索能力;然后选出每个种群中的最优的个体作为粒子群优化的粒子,并通过控制每个粒子的初始速度方向来加快算法的收敛速度。最后以系统总收益最大化和用户间的公平性为优化目标与遗传算法和粒子群算法进行了对比实验,仿真结果表明,该算法在收敛速度、认知用户接入公平性和系统总收益3个方面的性能均优于遗传算法和粒子群算法。     

基于图着色理论的最大效用频谱分配算法

研究基于图着色理论的频谱分配算法,提出一种改进的最大效用频谱分配算法。该算法生成类似于ISAA算法的用户效用矩阵和相应的干扰矩阵,选择最大效用用户或干扰值为0的用户进行频谱分配。仿真结果表明,该算法能有效减少频谱分配的时间开销,提高频谱的使用效率,最大化认知无线电系统的总效用。     

认知无线电中基于QoS分级的频谱分配策略

为提高认知无线电中的系统吞吐量,保证频谱分配的公平性,提出一种基于服务质量(QoS)分级的频谱分配策略。建立模糊综合判决模型,根据认知用户的业务类型判别其QoS级别,应用CMSB信道分配算法进行频谱分配。仿真实验结果表明,该频谱分配策略能在满足认知用户QoS需求的同时,保证较高的系统吞吐量和接入公平性。     

多机调度算法求解认知无线电频谱分配问题

认知无线电的空闲频谱分配是一个复杂的最优化问题,需要在最大化频谱利用率的同时考虑干扰的最小化和接入的公平性。现有的CSGC模型将空闲频谱分配问题简化为一个图着色问题。针对CSGC模型"没有考虑到二级用户接收端的位置"和"没有考虑二级用户的服务时间长短"的两个缺点,结合传统的多机调度算法,提出了一种新的空闲频谱分配算法CRSAMMS。CRSAMMS不仅克服了CSGC模型的两个缺点,并且可以根据具体的应用选择不同的算法规则以进一步提高性能。Matlab仿真实验证明了CRSAMMS算法的正确性和有效性。     

认知无线电中联合功率控制的动态频谱分配算法*

针对认知无线电网络动态频谱分配算法开展研究,基于最大独立集理论,提出一种改进的联合功率控制的动态频谱分配算法,通过联合功率控制机制,避免用户之间的相互干扰和对已分配信道链路的干扰,满足多用户应用需求,并减少节点能耗。该算法以最大独立集为分配起点,允许一次同时分配信道给多个互不干扰的链路,同时兼顾资源分配的公平性,能够有效减少分配的总次数和用户间的信息交互量。仿真结果显示改进的动态频谱分配算法在需求满足率和公平性上都优于原有算法。     

基于用户间公平性的改进型频谱分配算法

针对目前频谱资源紧缺的现状,通过对图论着色模型的分析理解,提出了一种基于用户公平性的改进颜色敏感度的图论着色算法,该算法从用户的网络效益和使用频谱数出发,引入公平因子,改变频谱分配过程中给用户的分配优先级,保证频谱分配的公平性.通过仿真表明其可行性.     

基于混合蛙跳算法的认知无线电频谱分配

提出一种二进制混合蛙跳算法和基于该算法的认知无线电频谱分配方法。对该方法与颜色敏感图论着色算法进行仿真比较,结果表明在最大化网络总效益和最大化公平效益准则下,基于二进制混合蛙跳算法的频谱分配方法的性能较高。二进制混合蛙跳算法能找到理想最优解,颜色敏感图论着色算法得到的解与理想最优解偏差较大。     

认知无线电中结合差异性的免疫克隆优化频谱分配算法

频谱分配是认知无线电中的重要问题,而传统的频谱分配算法并未考虑频谱的差异性。提出一种基于免疫克隆优化算法、考虑频谱差异性的频谱分配算法,算法引入可信度矩阵对频谱的时间差异性进行建模。进行约束处理时,通过差异性算子(DCSO)的使用能将可信度更高的频谱分配给认知用户,从而提高系统的总收益。对于冲突激烈的认知用户,使用公平性算子（FCSO）能够增加它们被分配频谱资源的可能性,从而提高系统的公平性效益。仿真实验表明,相较于传统的免疫克隆优化算法、颜色敏感算法和遗传算法,本算法能显著增加网络的总收益、可信度,提高网络的公平性。     

多跳无线 Ad hoc网络的分布式公平调度算法

为兼顾无线Ad hoc网络信道资源的公平利用及网络吞吐量,提出针对多跳无线Ad hoc网络的分布式公平调度算法。该算法采用链路竞争图说明网络中各子流的竞争关系,通过着色算法得到最大无竞争流的集合,通过邻居节点之间的信息交换得到局部(本地)流的信息,而无需全局流的信息交换。实验模拟结果表明,该算法可以在保证Ad hoc网络中各流公平性的同时,有效提高网络资源的利用率。     

基于用户需求的图着色论频谱分配算法

对最新的图着色论频谱分配算法进行了分析,针对认知用户需求未得到满足的缺点,提出用户满意度,根据它来设置频谱分配优先级函数,对需求满足情况较差的用户优先进行分配,得到一种基于用户需求的图着色论频谱分配算法。仿真结果表明,提出的算法能增加系统信道效益,更好地满足多个用户的信道需求,提高了频谱利用率。     

基于指向更新的优先权指针分析算法

指针分析是数据流分析中的关键性技术,其分析结果是编译优化和程序变换的基础。在基于包含的指针分析算法研究的基础上,对 Narse 优先权约束评估算法中存在的冗余约束评估和优先权评估模型计算开销较大的问题进行分析,以指针的指向集更新信息确定约束评估的候选集,提出了基于指向更新的约束评估算法。采用约束语句间的解,引用依赖和标量依赖构建约束依赖图,通过依赖关系确定约束评估的优先权,提出了基于约束依赖图的优先权算法,简化了既有算法中复杂的优先权评估模型,进一步给出了优化后算法的整体框架。在基准测试集 SPEC 2000/SPEC 2006上进行实验,其结果表明,该算法与Narse优先权算法相比,在时间开销和存储开销上都有明显的性能提升。     

Energy efficient transmission scheduling for infrastructure sensor nodes in location systems

This paper considers a location system where a number of deployed sensor nodes collaborate with objects that need to be localized. Unlike existing works, we focus on reducing the energy consumption of the sensor nodes, which are assumed to be static and run on limited battery power. To minimize the total wake-up time of the sensor nodes, we control the transmission schedule of each object. Because it is difficult to find an optimal solution to the considered optimization problem, we consider an approach to this problem that consists of two steps: (1) create an equivalent modified graph coloring subproblem, and (2) permute the coloring result to obtain a best possible solution. We adopt some existing graph coloring algorithms for step 1 and find two properties of optimal schedules that can be used to confine the search space for step 2. Additionally, we propose a heuristic algorithm that aims at significantly reducing the complexity for the case where the confined search space is still too large. The performance of our heuristic algorithm is evaluated through extensive simulations. It is shown that its performance is comparable to that of the simulated annealing algorithm, which gives a near-optimal solution.     

Spectrum Allocation for Cognitive Radio Networks Using the Fireworks Algorithm

The fireworks algorithm features a small number of parameters, remarkable optimization ability, and resistance to a local optimum. Based on the graph coloring model, the fireworks algorithm is introduced for the first time to solve the spectrum allocation problem for cognitive radio networks, thus maximizing utility and fairness of spectrum allocation. Two-layer binary coding is adopted for individual fireworks. The first layer refers to the coding of cognitive users used to determine channels that can be connected with the user. The second layer refers to the auxiliary coding of channels responsible for addressing mutual interference among multiple cognitive users when they connect with the same channel at the same time. Explosion operator, mutation operator, and the selection operation are designed to allocate the spectrum for the cognitive radio network. Simulation results demonstrate superiority and efficiency of the proposed algorithm in terms of spectrum allocation.     

A NEW APPROACH TO THE VERTEX COLORING PROBLEM

The vertex coloring problem is a well-known classical optimization problem in graph theory in which a color is assigned to each vertex of the graph in such a way that no two adjacent vertices have the same color. The minimum vertex coloring problem is known to be an NP-hard problem in an arbitrary graph, and a host of approximation solutions are available. In this article, a learning automata–based approximation algorithm is proposed to solve the minimum vertex coloring problem. The proposed algorithm iteratively finds the different possible colorings of the graph and compares it at each stage with the best coloring found so far. If the number of distinct colors in the chosen coloring is less than that of the best coloring, the chosen coloring is rewarded; otherwise, it is penalized. Convergence of the proposed algorithm to the optimal solution is proven. The proposed vertex coloring algorithm is compared with the well-known coloring techniques and the results show the superiority of the proposed algorithm over the others both in terms of the color set size and running time of algorithm.