WCMCgydF4y2Ba 无线通信和移动计算gydF4y2Ba 1530 - 8677gydF4y2Ba 1530 - 8669gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2017/4687974gydF4y2Ba 4687974gydF4y2Ba 研究文章gydF4y2Ba Crowdsensing任务分配在认知无线电网络中基于粒子群优化gydF4y2Ba http://orcid.org/0000 - 0002 - 5064 - 0255gydF4y2Ba 翟gydF4y2Ba LinbogydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 王gydF4y2Ba 华gydF4y2Ba 2gydF4y2Ba 郭gydF4y2Ba 本gydF4y2Ba 1gydF4y2Ba 山东省重点实验室为分布式计算机软件新技术gydF4y2Ba 山东师范大学gydF4y2Ba 济南gydF4y2Ba 中国gydF4y2Ba sdnu.edu.cngydF4y2Ba 2gydF4y2Ba 计算机科学与技术学院的gydF4y2Ba 山东大学gydF4y2Ba 济南gydF4y2Ba 中国gydF4y2Ba sdu.edu.cngydF4y2Ba 2017年gydF4y2Ba 11gydF4y2Ba 9gydF4y2Ba 2017年gydF4y2Ba 2017年gydF4y2Ba 26gydF4y2Ba 04gydF4y2Ba 2017年gydF4y2Ba 18gydF4y2Ba 07年gydF4y2Ba 2017年gydF4y2Ba 02gydF4y2Ba 08年gydF4y2Ba 2017年gydF4y2Ba 11gydF4y2Ba 9gydF4y2Ba 2017年gydF4y2Ba 2017年gydF4y2Ba 版权©2017 Linbo翟和王华。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

认知无线电技术允许未经授权的用户使用授权无线频谱如果无线频谱是由授权用户未使用。因此,频谱感知前应该进行未经授权的用户访问无线频谱。因为智能手机等移动终端越来越聪明,他们可以感知无线频谱。频谱感知的方法任务被分配给移动智能终端被称为众包。对于大规模的地区,我们提出了众包模式分配移动用户频谱感知的任务。传感任务分配是受一些因素的影响包括剩余能量、位置和移动终端的成本。考虑到这些限制,我们设计一个精确的传感效果与当地的约束和目标函数最大化这种传感效应已被称作解决群体感知任务分配。已被称作的群体感知任务分配很难解决的问题因为我们证明它是np困难的。我们设计基于粒子群优化的最优算法来解决这个问题。仿真结果表明我们的算法比其它算法达到更高的性能。gydF4y2Ba

 中国国家自然科学基金gydF4y2Ba 61402270gydF4y2Ba 山东省自然科学基金gydF4y2Ba BS2015DX003gydF4y2Ba ZR2014FQ009gydF4y2Ba 山东省的关键研究和发展项目gydF4y2Ba 2017年ggx10142gydF4y2Ba 中国博士后科学基金会gydF4y2Ba 2014年m561930gydF4y2Ba 1。介绍gydF4y2Ba

近年来,无线交通已经严重,这种情况下会导致无线频谱。根据目前的政策,无线频谱分配是固定的,只有授权用户可以使用许可无线频谱。尽管无线频谱处于空闲状态,未经授权的用户不能使用空闲频谱。因此,当前的频谱分配政策导致低比率的无线频谱利用率。为了解决这个问题,最近出现了认知无线电提高无线频谱利用率(gydF4y2Ba 1gydF4y2Ba]。当授权无线频谱处于空闲状态,认知无线电使未授权用户利用无线频谱。因此,未经授权的用户应该进行频谱感知之前使用无线频谱。gydF4y2Ba

随着移动终端的发展,如智能手机和垫,一个叫做移动人群的传感和计算的新范式(协会)出现gydF4y2Ba 2gydF4y2Ba]。协会的正式定义是描述如下:一个新的传感模式,赋予普通民众提供数据感知或生成从他们的移动设备和骨料和群智能融合云中的数据提取和以人为中心的服务交付。gydF4y2Ba

灵感来自协会、移动终端配置传感器是利用完成频谱感知任务。以同样的精神,与最近的联邦通信委员会(FCC)裁定地理定位数据库可以使用二次电视频谱用户获取频谱可用性,假设有一个crowdsourcing-based融合中心(FC)。俱乐部将传感任务分配给移动用户和接收传感数据。激励移动用户进行传感任务,俱乐部需要提供货币的好处。这种方式被称为众包。gydF4y2Ba

在本文中,我们提出了众包模式将频谱感知任务分配给许多手机用户。假设有一个crowdsourcing-based融合中心(FC)。FC分配移动用户的感知任务。在作业过程中,我们已经考虑了一些因素。起初,剩下的能源是非常重要的移动用户。只有当一个移动用户有足够的能源的无线频谱可以感觉到。然后移动用户应给予激励进行频谱感知。预算有限,整个移动用户的FC可能选择一个子集进行频谱感知。最后,移动用户的位置也影响感知的结果。考虑到这些因素,我们提出精确传感效应crowdsourcing-based传感任务分配的功能。 And the objective function considers a local constraint. Then we prove that the sensing task assignment is NP-hard. Therefore, we design an optimal algorithm based on particle swarm optimization (PSO) to solve the problem. Simulation results show our proposed algorithm achieves higher performance than other algorithms.

在本文中,我们研究传感任务分配的问题。总结了本文的主要贡献如下。gydF4y2Ba

考虑到移动用户的剩余能量,预算约束和移动用户的位置,我们提出精确的目标函数与当地约束。我们定义本地约束这意味着一个通道的传感效果在一个位置不小于一个阈值。与其他文献相比,我们的目标是不仅全球传感效应最大化,也满足本地传感约束。我们证明传感任务分配是np困难的。gydF4y2Ba

由于传感任务分配是np困难,我们设计一个基于粒子群优化(PSO)的优化算法来解决这个问题。我们所知,没有相关工作设计PSO-based算法来解决认知无线电网络中的传感任务分配。gydF4y2Ba

仿真结果表明我们的算法比其它算法达到更高的性能。gydF4y2Ba

剩下的纸是组织如下。节gydF4y2Ba 2gydF4y2Ba介绍了相关文献。节gydF4y2Ba 3gydF4y2Ba传感任务分配的系统模型。节gydF4y2Ba 4gydF4y2Ba,我们设计一个PSO-based解决传感任务分配算法。节gydF4y2Ba 5gydF4y2Ba,该算法与仿真结果评估。最后,结论部分所示gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

 2。相关工作gydF4y2Ba

在认知无线电网络中,授权用户活动将决定是否频谱空闲(gydF4y2Ba 3gydF4y2Ba]。像一些阴影和多径衰落等因素可能会使一个用户错误感知的结果,提出了合作频谱感知提高传感精度(gydF4y2Ba 4gydF4y2Ba]。gydF4y2Ba

有一些关于合作频谱感知的相关文献。在宽带无线通信系统中,用户交换他们的压缩感知的结果。根据检测结果,他们估计频谱州合作(gydF4y2Ba 5gydF4y2Ba]。在[gydF4y2Ba 6gydF4y2Ba),提出两级防御方案来解决合作频谱感知的攻击者。在[gydF4y2Ba 7gydF4y2Ba),基于众包的合作频谱感知研究解决恶意手机用户带来的安全问题。在[gydF4y2Ba 8gydF4y2Ba),作者认为同时传感和传输的用户和提出一个新颖的合作频谱感知检测模型。在多通道网络,传感任务分配被认为是并行的,和几个传感策略提出了调度用户基于网络参数(gydF4y2Ba 9gydF4y2Ba]。在[gydF4y2Ba 10gydF4y2Ba),作者提出一种基于博弈论的分布式功率控制机制频道用户认知无线传感器网络的感知结果。最大化感知质量,作者研究的问题多通道系统的多通道遥感任务(gydF4y2Ba 11gydF4y2Ba- - - - - -gydF4y2Ba 13gydF4y2Ba]。这些文献使用一个简单的目标函数和没有预算限制。如果系统有一个有限的预算,可能会有只有一个子集的移动用户选择进行频谱感知。在[gydF4y2Ba 14gydF4y2Ba),考虑到预算限制,作者研究传感任务和信道分配的问题。然而,移动用户的能量并不考虑。在[gydF4y2Ba 15gydF4y2Ba),考虑传感任务和传感器的可用性的特点,作者研究了多任务分配问题系统整体效用最大化。这是第一个研究不同的数据质量标准和制定多任务分配优化问题时不同传感能力约束的考虑到每个参与者。实现算法的目的,该方法使用一个两阶段离线多任务分配框架从电信运营商需要调用历史数据。gydF4y2Ba

上述文献使用集中式算法。有一些分布式频谱感知方法。在[gydF4y2Ba 16gydF4y2Ba),一个分布式的方式、空间频谱感知研究利用空间频谱机会。分析空间频谱感知的性能,利用随机几何。在[gydF4y2Ba 10gydF4y2Ba),基于博弈论的通道感应用户的结果,提出了分布式功率控制机制。除此之外,还有其他光谱遥感研究[gydF4y2Ba 17gydF4y2Ba- - - - - -gydF4y2Ba 20.gydF4y2Ba]。gydF4y2Ba

 3所示。系统模型gydF4y2Ba

假设有一个crowdsourcing-based融合中心(FC)。FC分配移动用户的感知任务。剩余能量和移动用户的位置,以及有限的预算,可能会影响任务的过程。考虑到这些限制,我们提出精确传感效应与当地约束函数。然后我们证明传感任务分配是np难。gydF4y2Ba

3.1。问题公式化gydF4y2Ba

我们假设有许多地方需要感觉。在每一个位置,有很多渠道,需要感知。已被称作由群体感知任务分配,我们的目标是最大化传感效应与当地约束。gydF4y2Ba

让gydF4y2Ba 米gydF4y2Ba 表示地点的数量需要感觉gydF4y2Ba NgydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 表示通道的数量应该感觉到在一个位置gydF4y2Ba jgydF4y2Ba 。在的位置gydF4y2Ba jgydF4y2Ba 、跟踪、多径衰落等问题可能会影响手机用户的感知结果在不同位置的位置。换句话说,移动用户可获得不同的感知结果在相同的位置,因为他们处在不同的位置。因此,位置gydF4y2Ba jgydF4y2Ba 可以分成几个sublocations。空间分集可以被感知的结果在不同sublocations移动用户。在一个sublocationgydF4y2Ba hgydF4y2Ba 的位置gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba zgydF4y2Ba 我gydF4y2Ba hgydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 表示,至少有一个移动用户感知通道gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba zgydF4y2Ba 我gydF4y2Ba hgydF4y2Ba jgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 表示没有移动用户感知通道gydF4y2Ba 我gydF4y2Ba 。在位置gydF4y2Ba jgydF4y2Ba ,让gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 表示sublocations,通道的数量gydF4y2Ba 我gydF4y2Ba 由至少一个移动用户感知。我们可以推出gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba hgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba zgydF4y2Ba hgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ,在那里gydF4y2Ba 米gydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 表示的sublocations位置gydF4y2Ba jgydF4y2Ba 。显然,高gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 更有效的感知结果。当gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba = 0,没有感应效果。当gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 米gydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba ,最大化传感效应。我们可以想象,传感效应增加的速度gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 增加的时候gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 很小,而传感效应增加缓慢gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 增加的时候gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 很大。让gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba =gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba /gydF4y2Ba 米gydF4y2Ba jgydF4y2Ba 表示信道的传感效果gydF4y2Ba 我gydF4y2Ba 在位置gydF4y2Ba jgydF4y2Ba 。然后我们可以设计传感效应功能已被称作的群体感知任务分配如下:gydF4y2Ba (1)gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba jgydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 表示非负重量gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 可以区分的重要度传感通道在每个位置。根据公式(gydF4y2Ba 1gydF4y2Ba),传感效应函数增加gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 变化从零到gydF4y2Ba 米gydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 。和较小的gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 是,速度传感效应函数增加的gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 增长。更大的gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ,功能增加而慢慢感应的效果呢gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 增长。gydF4y2Ba

获得优化传感效应,我们的目标是最大化传感效应函数(gydF4y2Ba 1gydF4y2Ba)与当地约束这意味着渠道的传感效果gydF4y2Ba 我gydF4y2Ba 在位置gydF4y2Ba jgydF4y2Ba 不小于一个阈值gydF4y2Ba HgydF4y2Ba 。当地的约束可以被描述为gydF4y2Ba (2)gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ≥gydF4y2Ba HgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba

有一些因素应该考虑如下。gydF4y2Ba

对于手机用户来说,剩下的能量应该考虑。只有当一个移动用户的剩余能量高于阈值可以移动用户进行频谱感知的任务。让gydF4y2Ba TgydF4y2Ba hgydF4y2Ba 剩下的归一化阈值能量,gydF4y2Ba KgydF4y2Ba表示所有移动用户的集合gydF4y2Ba egydF4y2Ba kgydF4y2Ba 剩余的能量移动用户gydF4y2Ba kgydF4y2Ba 。然后能量约束可以表示为gydF4y2Ba (3)gydF4y2Ba egydF4y2Ba kgydF4y2Ba ≥gydF4y2Ba TgydF4y2Ba hgydF4y2Ba kgydF4y2Ba ∈gydF4y2Ba KgydF4y2Ba 。gydF4y2Ba

让gydF4y2Ba 米gydF4y2Ba 表示地点的数量需要感觉。对于一个位置gydF4y2Ba jgydF4y2Ba ,只有移动用户位置可以感知通道内的位置。我们假设一个移动用户只能有一个通道。在位置gydF4y2Ba jgydF4y2Ba ,让gydF4y2Ba KgydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 表示手机用户的集合,gydF4y2Ba ngydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 表示移动用户的数量gydF4y2Ba NgydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 表示应该感觉通道的数量。为移动用户gydF4y2Ba kgydF4y2Ba ∈gydF4y2Ba KgydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 表示,英吉利海峡gydF4y2Ba 我gydF4y2Ba 由移动用户感觉到gydF4y2Ba kgydF4y2Ba 和gydF4y2Ba xgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 表示,英吉利海峡gydF4y2Ba 我gydF4y2Ba 不是由移动用户感觉到gydF4y2Ba kgydF4y2Ba 。然后考虑移动用户只能有一个通道,另一个约束可以表示为gydF4y2Ba (4)gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba ∈gydF4y2Ba KgydF4y2Ba jgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba jgydF4y2Ba xgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba ngydF4y2Ba jgydF4y2Ba 。gydF4y2Ba

此外,激励方案允许俱乐部支付的手机用户试图感觉通道。然而,已被称作成本的群体感知必须在可接受的范围内。让gydF4y2Ba CgydF4y2Ba 是最大的成本,可以感知用户和支付gydF4y2Ba cgydF4y2Ba kgydF4y2Ba 为移动用户的成本gydF4y2Ba kgydF4y2Ba ∈gydF4y2Ba KgydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 。约束可以表示为gydF4y2Ba (5)gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba ∈gydF4y2Ba KgydF4y2Ba jgydF4y2Ba cgydF4y2Ba kgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba jgydF4y2Ba xgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba CgydF4y2Ba 。gydF4y2Ba

已被称作最优的对象群体感知可以描述为任务分配gydF4y2Ba (6)gydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba jgydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 受gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ≥gydF4y2Ba HgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba egydF4y2Ba kgydF4y2Ba ≥gydF4y2Ba TgydF4y2Ba hgydF4y2Ba ,gydF4y2Ba kgydF4y2Ba ∈gydF4y2Ba KgydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba ∈gydF4y2Ba KgydF4y2Ba jgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba jgydF4y2Ba xgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba ngydF4y2Ba jgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba ∈gydF4y2Ba KgydF4y2Ba jgydF4y2Ba cgydF4y2Ba kgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba jgydF4y2Ba xgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba CgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba jgydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

图gydF4y2Ba 1gydF4y2Ba描述了已被称作一个例子群体感知任务分配。有两个位置和系统中三个频道。分为三个sublocations每个位置。手机用户在不同sublocations可获得不同的感知结果相同的频道。由于当地的约束是不满意或剩余的能量是不够或成本太高,一些手机用户不指定传感任务。其他用户分配渠道意义根据公式(gydF4y2Ba 6gydF4y2Ba)。gydF4y2Ba

已被称作一个例子的群体感知任务分配。gydF4y2Ba

 3.2。np困难gydF4y2Ba

已被称作的群体感知任务分配很难解决的问题因为我们证明这个问题是np难。原因是已被称作问题的群体感知任务分配硬得像最大覆盖问题是np难(gydF4y2Ba 21gydF4y2Ba]。gydF4y2Ba

最大覆盖问题描述如下:给定一个数字gydF4y2Ba dgydF4y2Ba 和的集合gydF4y2Ba lgydF4y2Ba 集gydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba {gydF4y2Ba 年代gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba lgydF4y2Ba }gydF4y2Ba ,最大覆盖问题是选择最多gydF4y2Ba dgydF4y2Ba 这些集合的形式gydF4y2Ba 年代gydF4y2Ba ′gydF4y2Ba 这样的最大数量元素覆盖:gydF4y2Ba (7)gydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba 年代gydF4y2Ba ′gydF4y2Ba UgydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 年代gydF4y2Ba ′gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 酸处理gydF4y2Ba 年代gydF4y2Ba ′gydF4y2Ba ⊆gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba ′gydF4y2Ba ≤gydF4y2Ba dgydF4y2Ba 。gydF4y2Ba

定理1。gydF4y2Ba

已被称作的群体感知任务分配问题是np难。gydF4y2Ba

 证明。gydF4y2Ba

通过展示已被称作一个特例的群体感知任务分配硬得像最大覆盖问题,我们已被称作证明问题的群体感知任务分配是np困难的。gydF4y2Ba

特殊情况描述如下:每个移动用户有足够的能量来进行频谱感知,当地的阈值gydF4y2Ba HgydF4y2Ba 设置为零,这意味着当地的约束条件是满意,已被称作成本群体感知是在可接受的范围内。有gydF4y2Ba KgydF4y2Ba 移动用户和gydF4y2Ba 米gydF4y2Ba 系统中的位置。在每个位置,有gydF4y2Ba NgydF4y2Ba 渠道,应该感觉到。每个移动用户用gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba {gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba KgydF4y2Ba }gydF4y2Ba 。然后gydF4y2Ba KgydF4y2Ba 手机用户可以形成gydF4y2Ba 2gydF4y2Ba KgydF4y2Ba 集等gydF4y2Ba {gydF4y2Ba 1gydF4y2Ba }gydF4y2Ba ,gydF4y2Ba {gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba }gydF4y2Ba ,gydF4y2Ba {gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 3gydF4y2Ba }gydF4y2Ba 。让非负重量gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 是一个常数。然后(gydF4y2Ba 6gydF4y2Ba)可以写成gydF4y2Ba (8)gydF4y2Ba 马克斯gydF4y2Ba ⁡gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 。gydF4y2Ba

让gydF4y2Ba lgydF4y2Ba 平等的gydF4y2Ba 2gydF4y2Ba KgydF4y2Ba 和gydF4y2Ba dgydF4y2Ba 平等的gydF4y2Ba 米gydF4y2Ba NgydF4y2Ba 。方程(gydF4y2Ba 8gydF4y2Ba)意味着选择gydF4y2Ba dgydF4y2Ba 集从gydF4y2Ba lgydF4y2Ba 集最大化的总和gydF4y2Ba fgydF4y2Ba (gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 。(相比gydF4y2Ba 7gydF4y2Ba),它至少是尽最大覆盖问题是np难。换句话说,已被称作特殊情况的群体感知任务分配是np困难的。gydF4y2Ba

已被称作问题的群体感知任务分配是不容易特例。因此,已被称作的群体感知任务分配问题是np困难的。gydF4y2Ba

 4所示。基于PSO优化算法gydF4y2Ba

已被称作自群体感知任务分配问题是np难,我们设计最佳的基于粒子群优化(PSO)算法来解决这个问题在这一节中。PSO算法优化[擅长的np困难问题gydF4y2Ba 22gydF4y2Ba]。PSO算法描述。然后提出了基于PSO优化算法。和时间复杂度进行了分析。gydF4y2Ba

4.1。PSO算法gydF4y2Ba

在PSO算法(gydF4y2Ba 23gydF4y2Ba苍蝇),每个粒子在搜索空间中以一定的速度。在飞行中,一个粒子的变化与其同伴的飞行经验。因此,每个粒子可以飞到一个更好的解决方案区域基于这种机制。让gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba 表示粒子速度和gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba 表示粒子的位置。粒子的运动描述如下:gydF4y2Ba (9)gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba wgydF4y2Ba VgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba tgydF4y2Ba +gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba rgydF4y2Ba 1gydF4y2Ba PgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba tgydF4y2Ba +gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba rgydF4y2Ba 2gydF4y2Ba PgydF4y2Ba ggydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba tgydF4y2Ba (10)gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba wgydF4y2Ba 表示惯性权重,gydF4y2Ba PgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba 表示这个粒子的历史最佳位置gydF4y2Ba PgydF4y2Ba ggydF4y2Ba dgydF4y2Ba 表示全球最佳位置。这两个gydF4y2Ba rgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba rgydF4y2Ba 2gydF4y2Ba 是独立的吗gydF4y2Ba (gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba ]gydF4y2Ba ,都gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba 是研究因素。惯性权重gydF4y2Ba wgydF4y2Ba 使得该算法改善其性能根据一系列的应用程序。公式(gydF4y2Ba 9gydF4y2Ba)和(gydF4y2Ba 10gydF4y2Ba)计算当前粒子的速度和位置,分别。gydF4y2Ba

 4.2。基于PSO Crowdsensing任务分配算法gydF4y2Ba

我们设计一个基于PSO优化算法已被称作解决群体感知任务分配。根据PSO算法中,每个粒子的位置代表一个已被称作解决群体感知任务分配问题。它可以用一个矩阵如下所示。gydF4y2Ba

当有gydF4y2Ba NgydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 通道的位置gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba (gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba ]gydF4y2Ba 传感通道的总数gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba NgydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 在所有位置。让gydF4y2Ba KgydF4y2Ba 表示移动用户的数量。然后每个粒子被定义为一个gydF4y2Ba KgydF4y2Ba ×gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba NgydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 矩阵gydF4y2Ba XgydF4y2Ba ,在那里gydF4y2Ba XgydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba ]gydF4y2Ba (gydF4y2Ba bgydF4y2Ba ]gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 表示,移动用户gydF4y2Ba 一个gydF4y2Ba 选择通道gydF4y2Ba bgydF4y2Ba 感觉,gydF4y2Ba XgydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba ]gydF4y2Ba (gydF4y2Ba bgydF4y2Ba ]gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 表示,移动用户gydF4y2Ba 一个gydF4y2Ba 不要选择频道gydF4y2Ba bgydF4y2Ba 感觉。gydF4y2Ba

我们已被称作优化群体感知任务分配基于PSO算法(PSO-CTA)。优化的算法描述如下。初始化gydF4y2Ba 问gydF4y2Ba 随机粒子,每个粒子代表一个解决方案已被称作的群体感知任务分配gydF4y2Ba KgydF4y2Ba 移动用户。然后我们组最高的粒子目标函数基于公式(gydF4y2Ba 6gydF4y2Ba)当前的最佳解决方案。根据PSO算法中,我们使用PSO公式(gydF4y2Ba 9gydF4y2Ba已被称作)合并群体感知任务分配和确定新粒子的位置,直到收敛或这群获得它的寿命最长。如果PSO-CTA收敛,可以获得最佳的解决方案。该算法描述如下。gydF4y2Ba

初始化。gydF4y2Ba第一个需要解决的重要问题是如何算法最初产生的粒子。我们生产一个随机粒子如下。gydF4y2Ba

对于移动用户,应该考虑其剩余能量。如果其剩余能量高于阈值,移动用户可以进行频谱感知的任务。然后选择一个通道随机在相应的位置。所有移动用户提供足够的能量选择这样的渠道。如果本地传感效应的约束(gydF4y2Ba 2gydF4y2Ba)在每个位置满意,应该考虑下成本。否则,这个粒子应该生成一次。如果成本的移动用户进行频谱感知低于最大的成本gydF4y2Ba CgydF4y2Ba ,初始化的过程就完成了。如果成本的移动用户进行频谱感知高于最大的成本gydF4y2Ba CgydF4y2Ba ,俱乐部不会传感任务分配给一些手机用户以满足成本约束。首先,当有多个用户感知通道在同一sublocation, FC只会选择一个用户分配较低成本传感任务时,和其他用户。根据我们的模型中,传感效应不会改变。如果成本约束满意,完成初始化。否则,俱乐部应该继续放弃用户sublocations减少重量,直到成本约束满足。然后一个gydF4y2Ba KgydF4y2Ba ×gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba NgydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 矩阵gydF4y2Ba XgydF4y2Ba 对应于这个粒子的生成。gydF4y2Ba

初始化gydF4y2Ba 问gydF4y2Ba 随机粒子,每个粒子代表一个解决方案已被称作的群体感知任务分配gydF4y2Ba KgydF4y2Ba 移动用户。gydF4y2Ba

优化过程gydF4y2Ba。每次移动用户的频谱感知实例后,它的能量将减少。移动用户应确定其剩余能量满足能量约束。如果其剩余能量高于阈值,移动用户能够进行频谱感知。如果其剩余能量低于阈值,移动用户不能进行频谱感知。对于每个粒子,如果移动用户的能量不足以进行频谱感知,用户的行向量对应的矩阵设置为0。一个粒子的矩阵将会改变。gydF4y2Ba

已被称作基于当前矩阵,群体感知效应函数后获得的粒子(gydF4y2Ba 1gydF4y2Ba)。在计算所有粒子的效应函数,我们可以推出一个粒子的历史最佳位置gydF4y2Ba PgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba 和全球最佳位置gydF4y2Ba PgydF4y2Ba ggydF4y2Ba dgydF4y2Ba 。已被称作最好的位置对应于最大化群体感知效应函数。gydF4y2Ba

根据粒子的历史最佳位置gydF4y2Ba PgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba 和全球最佳位置gydF4y2Ba PgydF4y2Ba ggydF4y2Ba dgydF4y2Ba ,我们合并优化传感任务分配矩阵。让gydF4y2Ba TgydF4y2Ba 1gydF4y2Ba表示当前矩阵的一个粒子和gydF4y2Ba TgydF4y2Ba 2gydF4y2Ba和gydF4y2Ba TgydF4y2Ba 3gydF4y2Ba表示粒子的历史最佳解决方案和全球最佳解决方案,分别。合并矩阵可以被描述为的组合gydF4y2Ba TgydF4y2Ba 1gydF4y2Ba,gydF4y2Ba TgydF4y2Ba 2gydF4y2Ba,gydF4y2Ba TgydF4y2Ba 3gydF4y2Ba。然后我们优化合并矩阵如下所示。gydF4y2Ba

在合并矩阵,如果一个通道sublocation由多个用户感觉到,只有一个用户与更高的能量是保留和其他用户放弃。这意味着只有一个元素被设置为一个在合并后矩阵的列向量优化。如果用户选择在不同的渠道gydF4y2Ba TgydF4y2Ba 1gydF4y2Ba,gydF4y2Ba TgydF4y2Ba 2gydF4y2Ba,gydF4y2Ba TgydF4y2Ba 3gydF4y2Ba有多元素设置为一个合并的行向量矩阵。考虑到算法的全局属性,我们优化合并矩阵的行向量与特定的概率决定的参数(gydF4y2Ba 9gydF4y2Ba)来保证搜索空间。如果一个移动用户选择不同的渠道这三个矩阵,用户将选择频道gydF4y2Ba TgydF4y2Ba 1gydF4y2Ba基于概率gydF4y2Ba wgydF4y2Ba /gydF4y2Ba (gydF4y2Ba wgydF4y2Ba +gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba )gydF4y2Ba ,选择频道gydF4y2Ba TgydF4y2Ba 2gydF4y2Ba基于概率gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba /gydF4y2Ba (gydF4y2Ba wgydF4y2Ba +gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba ),并选择频道gydF4y2Ba TgydF4y2Ba 3gydF4y2Ba基于概率gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba /gydF4y2Ba (gydF4y2Ba wgydF4y2Ba +gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba )。这意味着只有一个元素将一个矩阵的行向量合并后的优化。该算法的搜索空间和收敛速度可以调节调整的值gydF4y2Ba wgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

该算法已被称作对群体感知算法中描述的任务分配问题gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba 2gydF4y2Ba,gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

<大胆>算法1:< / >大胆提出PSO-CTA的整体过程。gydF4y2Ba

输入gydF4y2Ba:gydF4y2Ba

目标函数根据公式(gydF4y2Ba 6gydF4y2Ba);gydF4y2Ba

当地的约束gydF4y2Ba HgydF4y2Ba ;gydF4y2Ba

手机用户的数量gydF4y2Ba KgydF4y2Ba ;gydF4y2Ba

位置的数量gydF4y2Ba 米gydF4y2Ba ;gydF4y2Ba

通道的数量gydF4y2Ba NgydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 在位置gydF4y2Ba jgydF4y2Ba ;gydF4y2Ba

进占的数量gydF4y2Ba 米gydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 在位置gydF4y2Ba jgydF4y2Ba ;gydF4y2Ba

最大的成本gydF4y2Ba CgydF4y2Ba ;gydF4y2Ba

最大的代gydF4y2Ba TgydF4y2Ba ;gydF4y2Ba

输出gydF4y2Ba:最大传感效应函数和遥感任务分配gydF4y2Ba

初始化gydF4y2Ba:gydF4y2Ba

随机生成每个粒子;gydF4y2Ba

优化gydF4y2Ba:gydF4y2Ba

(gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 重复gydF4y2Ba

(gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba 为gydF4y2Ba每个粒子gydF4y2Ba

(gydF4y2Ba 3gydF4y2Ba 粒子的)已被称作优化群体感知任务分配;gydF4y2Ba

(gydF4y2Ba 4gydF4y2Ba )更新gydF4y2Ba PgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba ;gydF4y2Ba

(gydF4y2Ba 5gydF4y2Ba )更新gydF4y2Ba PgydF4y2Ba ggydF4y2Ba dgydF4y2Ba ;gydF4y2Ba

(gydF4y2Ba 6gydF4y2Ba )gydF4y2Ba 结束了gydF4y2Ba

(gydF4y2Ba 7gydF4y2Ba )gydF4y2Ba 直到gydF4y2Ba停止准则是满意的gydF4y2Ba

<大胆>算法2:< /大胆>随机产生的粒子(初始化)。gydF4y2Ba

(gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 为gydF4y2Ba每个移动用户gydF4y2Ba

(gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba 如果gydF4y2Ba其剩余能量满足公式(gydF4y2Ba 3gydF4y2Ba)gydF4y2Ba

(gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba 它选择一个随机的信道;gydF4y2Ba

(gydF4y2Ba 4gydF4y2Ba )gydF4y2Ba 其他的gydF4y2Ba它不会感觉;gydF4y2Ba

(gydF4y2Ba 5gydF4y2Ba )gydF4y2Ba 如果gydF4y2Ba

(gydF4y2Ba 6gydF4y2Ba )gydF4y2Ba 结束了gydF4y2Ba

(gydF4y2Ba 7gydF4y2Ba )gydF4y2Ba 如果gydF4y2Ba成本约束满足gydF4y2Ba

(gydF4y2Ba 8gydF4y2Ba )gydF4y2Ba 初始化完成后,gydF4y2Ba

(gydF4y2Ba 9gydF4y2Ba )gydF4y2Ba 其他的gydF4y2Ba储备进占相同用户感知通道;gydF4y2Ba

(gydF4y2Ba 10gydF4y2Ba )gydF4y2Ba 如果gydF4y2Ba

(gydF4y2Ba 11gydF4y2Ba )gydF4y2Ba 如果gydF4y2Ba成本约束满足gydF4y2Ba

(gydF4y2Ba 12gydF4y2Ba )gydF4y2Ba 初始化完成后,gydF4y2Ba

(gydF4y2Ba 13gydF4y2Ba )gydF4y2Ba 其他的gydF4y2Ba放弃用户减少重量,直到成本是满意的;gydF4y2Ba

(gydF4y2Ba 14gydF4y2Ba )gydF4y2Ba 如果gydF4y2Ba

<大胆>算法3:< /大胆>程序优化传感任务分配的粒子。gydF4y2Ba

(gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 为gydF4y2Ba每个粒子gydF4y2Ba

(gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba 为gydF4y2Ba每个移动用户gydF4y2Ba

(gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba 如果gydF4y2Ba其剩余能量满足公式(gydF4y2Ba 3gydF4y2Ba)gydF4y2Ba

(gydF4y2Ba 4gydF4y2Ba )gydF4y2Ba 维持矩阵;gydF4y2Ba

(gydF4y2Ba 5gydF4y2Ba )gydF4y2Ba 其他的gydF4y2Ba设置相应的行向量为零;gydF4y2Ba

(gydF4y2Ba 6gydF4y2Ba )gydF4y2Ba 如果gydF4y2Ba

(gydF4y2Ba 7gydF4y2Ba )gydF4y2Ba 结束了gydF4y2Ba

(gydF4y2Ba 8gydF4y2Ba )gydF4y2Ba 那么当前矩阵gydF4y2Ba TgydF4y2Ba 1gydF4y2Ba派生的;gydF4y2Ba

(gydF4y2Ba 9gydF4y2Ba )gydF4y2Ba 已被称作评估群体感知影响函数的粒子;gydF4y2Ba

(gydF4y2Ba 10gydF4y2Ba )gydF4y2Ba Obtainthis粒子的gydF4y2Ba PgydF4y2Ba idgydF4y2Ba(矩阵gydF4y2Ba TgydF4y2Ba 2gydF4y2Ba)已被称作基于群体感知影响函数;gydF4y2Ba

(gydF4y2Ba 11gydF4y2Ba )gydF4y2Ba 获得gydF4y2Ba PgydF4y2Ba ggydF4y2Ba dgydF4y2Ba (矩阵gydF4y2Ba TgydF4y2Ba 3gydF4y2Ba)与最优gydF4y2Ba PgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba ;gydF4y2Ba

(gydF4y2Ba 12gydF4y2Ba )gydF4y2Ba 合并矩阵gydF4y2Ba TgydF4y2Ba 1gydF4y2Ba,gydF4y2Ba TgydF4y2Ba 2gydF4y2Ba,gydF4y2Ba TgydF4y2Ba 3gydF4y2Ba;gydF4y2Ba

(gydF4y2Ba 13gydF4y2Ba )gydF4y2Ba 优化合并矩阵的列向量;gydF4y2Ba

(gydF4y2Ba 14gydF4y2Ba )gydF4y2Ba 优化合并矩阵的行向量与特定的概率使用(gydF4y2Ba 9gydF4y2Ba);gydF4y2Ba

(gydF4y2Ba 15gydF4y2Ba )gydF4y2Ba 已被称作评估群体感知效应函数合并矩阵根据(gydF4y2Ba 6gydF4y2Ba);gydF4y2Ba

(gydF4y2Ba 16gydF4y2Ba )gydF4y2Ba 结束了gydF4y2Ba

4.3。时间复杂度分析gydF4y2Ba

的复杂性提出了PSO-CTA算法计算如下。计算复杂性gydF4y2Ba OgydF4y2Ba (gydF4y2Ba ngydF4y2Ba ×gydF4y2Ba NgydF4y2Ba ×gydF4y2Ba 问gydF4y2Ba )gydF4y2Ba 在初始化阶段,gydF4y2Ba ngydF4y2Ba 表示移动用户的数量,gydF4y2Ba NgydF4y2Ba 表示数量的渠道gydF4y2Ba 问gydF4y2Ba 表示粒子的数量。gydF4y2Ba

排队gydF4y2Ba (gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba 的算法gydF4y2Ba 1gydF4y2Ba中描述,优化传感任务分配算法gydF4y2Ba 3gydF4y2Ba主导我们的算法的复杂性。我们专注于优化传感任务分配的计算复杂性。在一个粒子,移动用户满足公式(gydF4y2Ba 2gydF4y2Ba),(gydF4y2Ba 3gydF4y2Ba),(gydF4y2Ba 4gydF4y2Ba)和(gydF4y2Ba 5gydF4y2Ba)应该选择,选择移动用户相结合获得最大化传感效应函数。因此,一个粒子的复杂性gydF4y2Ba OgydF4y2Ba (gydF4y2Ba ngydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba NgydF4y2Ba )gydF4y2Ba 。所有粒子的复杂性gydF4y2Ba OgydF4y2Ba (gydF4y2Ba ngydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba NgydF4y2Ba ×gydF4y2Ba 问gydF4y2Ba )gydF4y2Ba 评估阶段的传感效应函数。gydF4y2Ba

当粒子更新自己的速度和位置,计算复杂性gydF4y2Ba OgydF4y2Ba (gydF4y2Ba ngydF4y2Ba ×gydF4y2Ba 问gydF4y2Ba )gydF4y2Ba 行(gydF4y2Ba 4gydF4y2Ba )- (gydF4y2Ba 7gydF4y2Ba )的算法gydF4y2Ba 1gydF4y2Ba。因此,整个算法的计算复杂性gydF4y2Ba OgydF4y2Ba (gydF4y2Ba ngydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba NgydF4y2Ba ×gydF4y2Ba 问gydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

 5。仿真结果gydF4y2Ba

拟议中的PSO-CTA算法是通过模拟评估。一般的解决方案是通过运行算法获得的100倍。我们比较PSO-CTA算法与算法[gydF4y2Ba 14gydF4y2Ba]。仿真参数描述如下。有一些地方需要感觉,用同样的半径。每个位置同样分为3 sublocations。整个通道的数量gydF4y2Ba NgydF4y2Ba =gydF4y2Ba 5gydF4y2Ba 。局部阈值gydF4y2Ba HgydF4y2Ba 设置为0.57。的非负重量gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 为每个通道和每个位置是相同的。移动用户随机部署的位置。gydF4y2Ba

图gydF4y2Ba 2gydF4y2Ba已被称作显示了群体感知效果结果位置变化的数量从15到40当有50移动用户。的成本值gydF4y2Ba cgydF4y2Ba kgydF4y2Ba 选择从gydF4y2Ba {gydF4y2Ba 1gydF4y2Ba ;gydF4y2Ba 2gydF4y2Ba ;gydF4y2Ba 3gydF4y2Ba ;gydF4y2Ba …gydF4y2Ba ;gydF4y2Ba 49gydF4y2Ba ;gydF4y2Ba 50gydF4y2Ba }gydF4y2Ba 。最大的成本是gydF4y2Ba CgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 50gydF4y2Ba cgydF4y2Ba kgydF4y2Ba ,在那里gydF4y2Ba 一个gydF4y2Ba = 0.6和0.8,分别。归一化能量阈值的设置为0.2和0.5,分别。已被称作的群体感知效应函数可以根据获得(gydF4y2Ba 1gydF4y2Ba)。这个函数反映了传感效应和它的值在0和1之间。值越接近1,传感效果就越好。半径标注算法相比在gydF4y2Ba 13gydF4y2Ba)和预算算法(gydF4y2Ba 14gydF4y2Ba),我们的提议已被称作PSO-CTA算法达到更高的群体感知效应函数。已被称作随着地点的数量增加,群体感知效果功能降低。原因是更多的位置导致sublocations和固定数量的移动用户无法所有sublocations感。当= 0.2gydF4y2Ba 一个gydF4y2Ba 已被称作= 0.8,群体感知效应函数获得高于时获得的gydF4y2Ba TgydF4y2Ba hgydF4y2Ba 和gydF4y2Ba 一个gydF4y2Ba 相等的其他值,因为有更多的移动用户分配给感觉通道gydF4y2Ba TgydF4y2Ba hgydF4y2Ba =gydF4y2Ba 0.2gydF4y2Ba 和gydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba 0.8gydF4y2Ba 。gydF4y2Ba

Crowdsensing效应函数与50移动用户。gydF4y2Ba

图gydF4y2Ba 3gydF4y2Ba已被称作显示了群体感知影响结果随着移动用户数量的变化从20到70年,有20个位置。的成本值gydF4y2Ba cgydF4y2Ba kgydF4y2Ba 选择从gydF4y2Ba {gydF4y2Ba 1gydF4y2Ba ;gydF4y2Ba 2gydF4y2Ba ;gydF4y2Ba 3gydF4y2Ba ;gydF4y2Ba …gydF4y2Ba ;gydF4y2Ba lgydF4y2Ba }gydF4y2Ba ,在那里gydF4y2Ba lgydF4y2Ba 表示移动用户的数量。最大的成本是gydF4y2Ba CgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba lgydF4y2Ba cgydF4y2Ba kgydF4y2Ba ,在那里gydF4y2Ba 一个gydF4y2Ba = 0.6和0.8,分别。归一化能量阈值的gydF4y2Ba TgydF4y2Ba hgydF4y2Ba 分别设置为0.2和0.5。半径标注算法相比在gydF4y2Ba 13gydF4y2Ba)和预算算法(gydF4y2Ba 14gydF4y2Ba),我们的提议已被称作PSO-CTA算法达到更高的群体感知效应函数。随着移动用户数量的增加,已被称作的群体感知效应函数增加。原因是可以感觉到sublocations更多的移动用户。当gydF4y2Ba TgydF4y2Ba hgydF4y2Ba = 0.2和gydF4y2Ba 一个gydF4y2Ba 已被称作= 0.8,群体感知效应函数获得高于时获得的gydF4y2Ba TgydF4y2Ba hgydF4y2Ba 和gydF4y2Ba 一个gydF4y2Ba 相等的其他值,因为有更多的移动用户分配给感觉通道gydF4y2Ba TgydF4y2Ba hgydF4y2Ba =gydF4y2Ba 0.2gydF4y2Ba 和gydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba 0.8gydF4y2Ba 。gydF4y2Ba

Crowdsensing效应函数与20个位置。gydF4y2Ba

图gydF4y2Ba 4gydF4y2Ba显示了移动用户的平均剩余能量作为光谱传感实例数量的增加有50移动用户随机部署在15个位置。假定每个用户的初始平均能量是0.6。每个光谱传感实例之后,移动用户的能源下跌0.5%。归一化能量阈值gydF4y2Ba TgydF4y2Ba hgydF4y2Ba 分别设置为0.5和0.3。如图gydF4y2Ba 4gydF4y2Ba,我们提出PSO-CTA算法达到更高的移动用户剩余的能量比其他算法。我们可以看到,剩余的能量将更高的阈值gydF4y2Ba TgydF4y2Ba hgydF4y2Ba 被设置为一个更高的价值。gydF4y2Ba

平均剩余能量光谱传感实例的数量。gydF4y2Ba

假设有四个通道和三个位置可以分为三个sublocations。每个通道的非负重量是不相同的。我们设置权重等于0.3,0.3,0.3,0.1这四个频道。在上述情况下,当地的传感效果第四频道(重量等于0.1)如图gydF4y2Ba 5gydF4y2Ba。当没有那么多用户系统中,第四频道不感觉到预算算法和半径标注算法作为全球重量太小,增加传感效应。在提出PSO-CTA算法,第四频道应该感觉到,因为当地的约束集。任何频道,不管它的重量等于什么,应该感觉到。因此,没有通道将省略PSO-CTA算法。gydF4y2Ba

本地传感效应与重量相当于0.1三个位置。gydF4y2Ba

有40个用户时,图gydF4y2Ba 6gydF4y2Ba第四频道显示了本地传感效应随着地点的数量增加。将不会有足够的用户感觉每个通道位置数量的增加。因此,预算算法和半径标注算法可以选择权重较高的渠道来改善全球感应效果。因此,当地第四通道传感效果会降低。然而,拟议的PSO-CTA算法不会忽略第四频道由于当地的约束。gydF4y2Ba

本地传感效应与重量等于0.1用户。gydF4y2Ba

 6。结论gydF4y2Ba

大规模的地区,提出了众包的方法将频谱感知任务分配给许多手机用户,如智能手机和垫。考虑一些约束如剩余能量、位置和移动用户的成本,我们提出一个传感效应与当地约束和目标函数最大化传感效应函数。由于传感任务分配的问题被证明是np困难,我们设计一个基于PSO优化算法来解决这个问题。仿真结果表明我们的算法比其它算法达到更高的性能。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突有关的出版。gydF4y2Ba

 确认gydF4y2Ba

这项研究是由中国国家自然科学基金支持的部分的(没有。61402270)、山东省自然科学基金、中国(BS2015DX003号ZR2014FQ009),山东省的关键研究和发展项目,中国(没有。2017 ggx10142),中国博士后科学基金会(没有。2014 m561930)。gydF4y2Ba

 MitolagydF4y2Ba J。gydF4y2Ba 三世gydF4y2Ba 马奎尔gydF4y2Ba g . Q。gydF4y2Ba Jr。gydF4y2Ba 认知无线电:软件无线电更个人化gydF4y2Ba IEEE个人通信gydF4y2Ba 1999年gydF4y2Ba 6gydF4y2Ba 4gydF4y2Ba 13gydF4y2Ba 18gydF4y2Ba 10.1109/98.788210gydF4y2Ba 2 - s2.0 - 0033171330gydF4y2Ba 郭gydF4y2Ba B。gydF4y2Ba 王gydF4y2Ba Z。gydF4y2Ba 余gydF4y2Ba Z。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 日元gydF4y2Ba n Y。gydF4y2Ba 黄gydF4y2Ba R。gydF4y2Ba 周gydF4y2Ba X。gydF4y2Ba 移动人群的传感和计算:对一个新兴人力传感模式gydF4y2Ba ACM计算调查gydF4y2Ba 2015年gydF4y2Ba 48gydF4y2Ba 1,第七条gydF4y2Ba 10.1145 / 2794400gydF4y2Ba 萨利姆gydF4y2Ba Y。gydF4y2Ba RehmanigydF4y2Ba m . H。gydF4y2Ba 主要电台为认知无线电网络用户行为模型:一个调查gydF4y2Ba 网络和计算机应用》杂志上gydF4y2Ba 2014年gydF4y2Ba 43gydF4y2Ba 1gydF4y2Ba 16gydF4y2Ba 10.1016 / j.jnca.2014.04.001gydF4y2Ba 2 - s2.0 - 84900500880gydF4y2Ba YucekgydF4y2Ba T。gydF4y2Ba 亚斯兰gydF4y2Ba H。gydF4y2Ba 一项调查认知无线电的频谱感知算法的应用程序gydF4y2Ba IEEE通信调查和教程gydF4y2Ba 2009年gydF4y2Ba 11gydF4y2Ba 1gydF4y2Ba 116年gydF4y2Ba 130年gydF4y2Ba 10.1109 / SURV.2009.090109gydF4y2Ba 2 - s2.0 - 70349185618gydF4y2Ba 曾gydF4y2Ba F。gydF4y2Ba 田gydF4y2Ba Z。gydF4y2Ba 李gydF4y2Ba C。gydF4y2Ba 分布式压缩宽带频谱感知在合作种认知网络gydF4y2Ba 学报2010年IEEE国际会议交流,国际商会2010年gydF4y2Ba 2010年5月gydF4y2Ba zafgydF4y2Ba 2 - s2.0 - 77955411463gydF4y2Ba 10.1109 / ICC.2010.5502793gydF4y2Ba 冯gydF4y2Ba J。gydF4y2Ba 陆gydF4y2Ba G。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba 支持安全对SSDH攻击认知无线电频谱感知数据传输特设网络gydF4y2Ba 网络和计算机应用》杂志上gydF4y2Ba 2016年gydF4y2Ba 72年gydF4y2Ba 140年gydF4y2Ba 149年gydF4y2Ba 2 - s2.0 - 84979687706gydF4y2Ba 10.1016 / j.jnca.2016.06.007gydF4y2Ba 张gydF4y2Ba R。gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 张gydF4y2Ba C。gydF4y2Ba 安全crowdsourcing-based合作pectrum传感gydF4y2Ba 美国第32 IEEE计算机通讯大会上,IEEE 2013信息通信gydF4y2Ba 2013年4月gydF4y2Ba 2526年gydF4y2Ba 2534年gydF4y2Ba 10.1109 / INFCOM.2013.6567059gydF4y2Ba 2 - s2.0 - 84883085274gydF4y2Ba 陆gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba D。gydF4y2Ba FattouchegydF4y2Ba M。gydF4y2Ba 合作的同时去除频谱感应算法的认知无线电测量传感和误码率gydF4y2Ba Eurasip无线通讯和网络》杂志上gydF4y2Ba 2016年gydF4y2Ba 2016年gydF4y2Ba 1,货号。136年gydF4y2Ba 2 - s2.0 - 84971594712gydF4y2Ba 10.1186 / s13638 - 016 - 0635 - zgydF4y2Ba 刘gydF4y2Ba 学术界。gydF4y2Ba AzarfargydF4y2Ba 一个。gydF4y2Ba FrigongydF4y2Ba 肯尼迪。gydF4y2Ba SansogydF4y2Ba B。gydF4y2Ba CabricgydF4y2Ba D。gydF4y2Ba 强大的合作频谱感知调度优化的多通道动态频谱接入网络gydF4y2Ba IEEE移动计算gydF4y2Ba 2016年gydF4y2Ba 15gydF4y2Ba 8gydF4y2Ba 2094年gydF4y2Ba 2108年gydF4y2Ba 10.1109 / TMC.2015.2456885gydF4y2Ba 2 - s2.0 - 84978253171gydF4y2Ba 朱gydF4y2Ba J。gydF4y2Ba 江gydF4y2Ba D。gydF4y2Ba 英航gydF4y2Ba 年代。gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 隐马尔可夫模型基于博弈论的功率控制机制在认知无线传感器网络与不完全信息gydF4y2Ba NeurocomputinggydF4y2Ba 2017年gydF4y2Ba 220年gydF4y2Ba 76年gydF4y2Ba 83年gydF4y2Ba 10.1016 / j.neucom.2016.03.104gydF4y2Ba 2 - s2.0 - 84994071257gydF4y2Ba AroragydF4y2Ba P。gydF4y2Ba 夏gydF4y2Ba N。gydF4y2Ba 郑gydF4y2Ba R。gydF4y2Ba 吉布斯采样器的方法为最优分布式监测多通道无线网络gydF4y2Ba 学报》第54届IEEE全球电信会议:“激励全球通讯”,GLOBECOM 2011gydF4y2Ba 2011年12月gydF4y2Ba 10.1109 / GLOCOM.2011.6133790gydF4y2Ba 2 - s2.0 - 84857229322gydF4y2Ba 胫骨gydF4y2Ba D.-H。gydF4y2Ba BagchigydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba c c。gydF4y2Ba 分布式网络信道分配向最优多通道无线网络监控gydF4y2Ba 《IEEE计算机通讯大会上,一家2012年gydF4y2Ba 2012年3月gydF4y2Ba 2626年gydF4y2Ba 2630年gydF4y2Ba 10.1109 / INFCOM.2012.6195666gydF4y2Ba 2 - s2.0 - 84861590030gydF4y2Ba 胫骨gydF4y2Ba D.-H。gydF4y2Ba BagchigydF4y2Ba 年代。gydF4y2Ba 优化框架,监测多渠道multi-radio无线网状网络gydF4y2Ba 特设网络gydF4y2Ba 2013年gydF4y2Ba 11gydF4y2Ba 3gydF4y2Ba 926年gydF4y2Ba 943年gydF4y2Ba 2 - s2.0 - 84875736019gydF4y2Ba 10.1016 / j.adhoc.2012.10.004gydF4y2Ba 胫骨gydF4y2Ba D.-H。gydF4y2Ba 他gydF4y2Ba 年代。gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 大规模联合传感任务和部分波段分配频谱分析gydF4y2Ba 美国第34 IEEE计算机通信和网络年会,IEEE 2015信息通信gydF4y2Ba 2015年gydF4y2Ba 433年gydF4y2Ba 441年gydF4y2Ba 10.1109 / INFOCOM.2015.7218409gydF4y2Ba 2 - s2.0 - 84954228170gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 张gydF4y2Ba D。gydF4y2Ba 王gydF4y2Ba F。gydF4y2Ba 他gydF4y2Ba Y。gydF4y2Ba 马gydF4y2Ba lgydF4y2Ba Psaiiocator:多任务分配的参与式感知传感能力约束gydF4y2Ba 学报2017年ACM会议上计算机支持的协同工作和社会计算,对CSCW 2017gydF4y2Ba 2017年gydF4y2Ba 1139年gydF4y2Ba 1151年gydF4y2Ba 10.1145/2998181.2998193gydF4y2Ba 2 - s2.0 - 85014787199gydF4y2Ba 陈gydF4y2Ba H。gydF4y2Ba 刘gydF4y2Ba lgydF4y2Ba NovlangydF4y2Ba T。gydF4y2Ba MatyjasgydF4y2Ba j . D。gydF4y2Ba NggydF4y2Ba b . L。gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 空间频谱Sensing-Based设备间蜂窝网络gydF4y2Ba IEEE无线通信gydF4y2Ba 2016年gydF4y2Ba 15gydF4y2Ba 11gydF4y2Ba 7299年gydF4y2Ba 7313年gydF4y2Ba 2 - s2.0 - 84997218092gydF4y2Ba 10.1109 / TWC.2016.2600561gydF4y2Ba 太阳gydF4y2Ba R。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 收发信机设计合作非正交多重存取系统与无线能量传输gydF4y2Ba 专业的沟通gydF4y2Ba 2016年gydF4y2Ba 10gydF4y2Ba 15gydF4y2Ba 1947年gydF4y2Ba 1955年gydF4y2Ba 2 - s2.0 - 84990055864gydF4y2Ba 10.1049 / iet-com.2016.0120gydF4y2Ba 乔gydF4y2Ba M。gydF4y2Ba MaksymyukgydF4y2Ba T。gydF4y2Ba StrykhalyukgydF4y2Ba B。gydF4y2Ba 赵gydF4y2Ba 学术界。gydF4y2Ba Device-to-device-based异构无线接入网络的移动云计算架构gydF4y2Ba IEEE无线通信gydF4y2Ba 2015年gydF4y2Ba 22gydF4y2Ba 3gydF4y2Ba 50gydF4y2Ba 58gydF4y2Ba 2 - s2.0 - 84936950541gydF4y2Ba 10.1109 / MWC.2015.7143326gydF4y2Ba 林gydF4y2Ba X。gydF4y2Ba 安德鲁斯gydF4y2Ba j·G。gydF4y2Ba 戈什gydF4y2Ba 一个。gydF4y2Ba 设备间通信的频谱共享蜂窝网络gydF4y2Ba IEEE无线通信gydF4y2Ba 2014年gydF4y2Ba 13gydF4y2Ba 12gydF4y2Ba 6727年gydF4y2Ba 6740年gydF4y2Ba 10.1109 / twc.2014.2360202gydF4y2Ba 刘gydF4y2Ba Q。gydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba 崔gydF4y2Ba Y。gydF4y2Ba 健壮和自适应调度序列周期传感的认知无线电gydF4y2Ba IEEE在选定地区通讯》杂志上gydF4y2Ba 2014年gydF4y2Ba 32gydF4y2Ba 3gydF4y2Ba 503年gydF4y2Ba 515年gydF4y2Ba 2 - s2.0 - 84896743082gydF4y2Ba 10.1109 / JSAC.2014.1403003gydF4y2Ba HochbaumgydF4y2Ba d S。gydF4y2Ba np难问题的近似算法gydF4y2Ba 1997年gydF4y2Ba 麻萨诸塞州gydF4y2Ba PWS出版公司gydF4y2Ba 肯尼迪gydF4y2Ba J。gydF4y2Ba EberhartgydF4y2Ba R。gydF4y2Ba 粒子群最优化gydF4y2Ba 《IEEE国际会议上神经网络gydF4y2Ba 1995年gydF4y2Ba 澳大利亚珀斯gydF4y2Ba 1942年gydF4y2Ba 1948年gydF4y2Ba 2 - s2.0 - 0029535737gydF4y2Ba EberhartgydF4y2Ba r . C。gydF4y2Ba 肯尼迪gydF4y2Ba J。gydF4y2Ba 一个新的优化器利用粒子群理论gydF4y2Ba 学报第六届微机器和人类科学国际研讨会(95年肉类”)gydF4y2Ba 1995年gydF4y2Ba 日本名古屋gydF4y2Ba 39gydF4y2Ba 43gydF4y2Ba 10.1109 / MHS.1995.494215gydF4y2Ba 2 - s2.0 - 0029517385gydF4y2Ba