基于GA优化的竞价博弈频谱分配算法的matlab仿真

目录

​​一、理论基础​​

​​二、核心程序​​

​​三、仿真测试结果​​

作者ID  ：fpga和matlab
擅长技术：
1.无线基带,无线图传,编解码 
2.机器视觉,图像处理,三维重建 
3.人工智能,深度学习 
4.智能控制,智能优化
5.其他

一、理论基础

       由于在一个MIMO系统中，用户数量M大于可用的频谱个数N，因此，必有一部分用户存在频谱共享的问题。目前，现有的关于频谱分配的方法主要有基于竞价的分配方法，基于博弈论的分配方法。这里，有别于传统的频谱分配方法，这里的分配方法，考虑了多种因素，我们分别假设为y1，y2，y3,。。。。。yn，并通过遗传优化算法，计算一种分配方案，即M个用户分配到N个频谱上， 分别计算以不同因素进行划分所得到的效益值V1，V2，V3,。。。。。Vn，，最后将这将这n个因素进行加权，得到其综合效益值：

      这里，主要通过遗传算法来优化，获得不同的频谱资源，分别分配多个不同的用户。这里，权值由预先设置得到。

       因素1：不同用户的当前的信道优劣情况，如果当前某部分用户信道情况较差，为了进一步提升其通信质量，则优先将这部分用户分配单独的频率资源，而对于信道情况较好的一部分用户，可以允许多个用户共用某一频率。这样可以保证更可能多的用户能够正常通信。

      因素2：用户的需求情况进行分配，如果当前用户的通信属于实时性需求较强的情况，则优先分配频谱资源（这里涉及到具体的业务模型，比如视频，电话等各种业务）而对于实时性要求较低的情况（如短信，文字信息等各种业务），则可以分配同一频率，做类似同频不同时的通信。

      因素3：如果某些用户分配了相同的频率，则考虑同一频率下不同用户的排队时长，时长越短，则说明当前分配策略较优。比如同一频率，单个用户发送100bit信息，和100个用户发送100bit信息，用时肯定短。再比如，有2个频率资源，5个用户，在发送业务类似的情况下，那么一个频率分配2个用户，一个频率分配3个用户的排队时间，肯定优于1个资源分配一个用户，其余一个频率分配四个用户。

根据遗传优化算法流程可知，其详细步骤如下所示：

      步骤一：选择问题解的一个编码，给出一个有N个染色体的初始群体。编码的主要功能为确定用何种码制，然后将问题参数编码形成基因码链，每一个码链代表一个个体，表示优化问题的一个解。 根据编码方式不同可以分为二进制编码和实数编码两种类型，其中二进制编码的优势在于编码方式简单，便于遗传算法的交叉和编码操作。

       步骤二：对群体中的每一个染色体，计算它的适应函数值。适应函数值为群体进化时的选择提供了依据，一般来说适应度越高，解的素质越好。适应度函数可以根据目标函数而定。

       步骤三：若停止规则满足，则算法停止，否则计算概率P，并以此概率分布，从旧的种群pop(t)中随机选取N个染色体构成一个新的种群。选择操作常见的操作方式有比例 选择和排序选择方式。

        步骤四：通过交叉，得到N个染色体的交叉集合。交叉的主要功能从种群中随机选择两个染色体，按一定的概率进行基因交换，交换位置的选取是随机的。

      步骤五：以较小的变异概率，使得某染色体的一个基因发生变异，形成新的群体mutpop(t+1)。令t=t+1，pop(t)=mutpop(t)，重复第2步。

二、核心程序

rng(1)
%初始值
N1     = 10;
N2     = 10;
N3     = 10;
N4     = 10;

NUM    = N1+N2+N3+N4;%40个用户
M      = 4;%4个频率资源
%下面开始使用遗传优化算法
%根据遗传算法进行参数的拟合
MAXGEN = 201;
NIND   = 50;
Nums   = 3;
%每个值优化
Chrom  = crtbp(NIND,Nums*10);
Areas  = [1  ,1  ,1;
          NUM,NUM,NUM];

FieldD = [rep([10],[1,Nums]);Areas;rep([0;0;0;0],[1,Nums])];

gen    = 0;
for a=1:1:NIND 
    %计算对应的目标值
    [Moneys,N1,N2,N3,N4]  = func_obj(N1,N2,N3,N4);
    Js(a,1) = Moneys;
end

Objv    = (Js+eps);
gen     = 0; 
fit2    = [];
Price2  = [];
%%
while gen < MAXGEN;   
      gen
      %定义交叉概率和变异概率
      if gen == 0
         Pe0 = 0.95;
         pe1 = 0.002;
      else
         Pe0 = 0.95*1/(1+exp(-1e4*f));
         pe1 = 0.002*1/(1+exp(-1e4*f));
      end
      FitnV=ranking(Objv);    
      %遗传选择
      Selch=select('sus',Chrom,FitnV);  
      %遗传交叉
      Selch=recombin('xovmp', Selch,Pe0);
      %遗传变异
      Selch=mut( Selch,pe1);   
      phen1=bs2rv(Selch,FieldD);   

      Moneys3 = [];
      for a=1:1:NIND  
          N1(a)   = floor(phen1(a,1))+1;
          N2(a)   = floor(phen1(a,2))+1;
          N3(a)   = floor(phen1(a,3))+1;
          N4(a)   = NUM - (N1(a) +  N2(a) +  N3(a));       
          
          %计算对应的目标值
          if N4(a) >= 1 &  N4(a) <= NUM
             [Moneys,N1(a),N2(a),N3(a),N4(a)] = func_obj(N1(a),N2(a),N3(a),N4(a));
          else
             Moneys = 10000; 
          end
          JJ(a,1)  = Moneys;
      end 
      Objvsel     = JJ ;    
      [Chrom,Objv]= reins(Chrom,Selch,1,1,Objv,Objvsel);   
      gen         = gen+1; 
      
      [VV,II]     = min(Objv);
      indx        = find(JJ==10000);
      JJ(indx)    = [];
      fmax        = max(JJ);
      fave        = mean(JJ);
      
      f           = fmax-fave;
 
      N1_ = N1(II);
      N2_ = N2(II);
      N3_ = N3(II);
      N4_ = NUM - (N1_ +  N2_ +  N3_);
      fit(gen)    = 1/std([N1_,N2_,N3_,N4_]);
      if gen <= 64
         fit2(gen)   = mean(fit(1:gen));  
      else
         fit2(gen)   = mean(fit(gen-64:gen));  
      end
end 
clc;
%输出分配结果
N1_best = N1(II)
N2_best = N2(II)
N3_best = N3(II)
N4_best = NUM - (N1_best +  N2_best +  N3_best)      



ITER = [1:MAXGEN];

三、仿真测试结果

 A01-140