基于群智能算法的认知车联网功率控制问题的研究

作     者：李镜瑜 

作者单位：吉林化工学院 

学位级别：硕士

导师姓名：陈玲玲

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0838[工学-公安技术] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：认知车联网 功率控制 群智能算法 乌鸦算法 粒子群算法 

摘      要：在当前计算机和通信技术快速发展的背景下,认知车联网(Cognitive Vehicle Network,CVN)作为提高道路安全性和交通效率的关键技术,其功率控制问题显得尤为重要。群智能算法因其出色的搜索能力和优化性能,在解决此类问题上展现了巨大潜力。本研究围绕基于群智能算法的认知车联网功率控制问题进行了深入探讨,旨在提出有效的算法改进的方案,解决功率控制问题,以提高认知车联网的吞吐量和能量效率。本文主要研究工作和贡献如下: 1.在认知车联网中,车辆用户的增加为整个通信系统带来了很大的压力,在非共享信道的认知车联网场景中,每条信道只允许被一个车辆占用且授权车辆有优先使用权,这样会影响整个通信系统的通信质量。本文采用共享信道的方式,认知车辆可以复用授权车辆的信道,授权车辆的频谱资源只能够被一个认知车辆用户复用,在保证认知车辆与授权车辆比例公平性的前提下,最大化系统吞吐量。针对此种通信模型,本文力求寻找一种既能保证车联网用户吞吐量,还能保证比例公平性的网络效益的方法。本文提出一种改进的乌鸦算法,称为基于历史调整信息的自适应感知乌鸦搜索算法(Historical Information Adjustment Adaptive Sensing Probability Crow Search Algorithm,HACSA)。该算法将乌鸦的位置对应认知车联网中认知车辆的功率,将优化问题转化为乌鸦算法的适应度函数,利用先前搜索过程中的信息来动态调整飞行距离,提高搜索效率,获得性能优化的搜索策略。最终通过Python仿真分析,本文将提出的基于历史调整信息的自适应感知乌鸦搜索算法与传统的乌鸦搜索算法(Crow Search Algorithm,CSA)和传统粒子群算法(Particle Swarm Optimization,PSO)进行对比,其中网络吞吐量分别高出3%和10%,比例公平性分别高出29%和57%。仿真结果表明,本文所提出的基于历史调整信息的自适应感知乌鸦搜索算法可以在保证比例公平性的前提下获得更大的用户吞吐量。 2.在认知车联网中,为了更符合实际的通信系统,提升系统的能量效率,本文以最大化系统链路的网络能量效率为目标建立系统模型。针对粒子群算法存在过早收敛,有时会卡在局部最小值上的问题,本文提出一种改进的粒子群算法,称为基于光电效应理论的惯性加权因子的粒子群算法(Photoelectric Effect Theory Inertia Weighting Factor,PIPSO)。该算法通过结合物理学中的光电效应理论,平衡算法的全局搜索和局部搜索能力,提升算法的收敛速度。通过Python仿真分析,本文所提出的基于光电效应理论的惯性加权因子的粒子群算法可以有效的提高系统的能量效率,通过与自适应粒子群算法(Adaptive Particle Swarm Optimization,APSO)以及传统粒子群算法相比,发现了PIPSO算法比APSO提高31%左右,PIPSO算法比PSO算法提高33%左右,即改进的PIPSO算法的能量效率相对于APSO算法及PSO算法优化上得到了明显的提高。