基于Jaya算法优化模糊决策系统以提升多跳认知无线电网络数据传输性能的方法

《Franklin Open》：Optimizing Fuzzy Decision Systems with the Jaya Algorithm for Enhanced Data Transfer in Multi-Hop CRNs

　　

在多跳认知无线电网络（Multi-Hop Cognitive Radio Networks, CRNs）中，由于信道条件动态变化与频谱可用性波动，高效数据传输至关重要。为此，研究人员提出一种Jaya算法优化的模糊决策系统（Fuzzy Decision System, FDS），用于信道选择、信道分配与频谱管理。该模糊决策系统依据网络状态自适应调整传输参数，而Jaya算法则优化FDS参数以提升决策精度。该联合方法旨在最小化隐藏节点干扰、减少信道切换并增强频谱利用率。基于MATLAB的仿真结果表明，包投递率（Packet Delivery Ratio, PDR）与信道利用率获得改善，证明所提方法可显著提升多跳CRN的吞吐量与可靠性。相较于传统GA-FDS（遗传算法优化模糊决策系统）方法，所提JAYA-FDS模型在吞吐量上提升约10%，PDR提升0.1%，软切换（soft handoff）性能提升近50%。

研究背景方面，随着无线设备快速增长与网络系统复杂化，多跳认知无线电网络（Multi-Hop Cognitive Radio Networks, MHCRN）对高效数据共享需求迫切。认知无线电（Cognitive Radio, CR）技术允许次用户（Secondary Users, SUs）利用授权主用户（Primary Users, PUs）的空闲频谱，但许可频谱利用率仅15%至85%，且频谱空闲信息常不完整、模糊或时变。多跳中继虽能扩展覆盖与速率，却在介质访问控制（MAC）层面临频谱切换延迟，在网络层面临新节点无规范导致的路由问题，尤其当中继节点同时切换至同一信道时会产生额外时延。现有研究如基于遗传算法（Genetic Algorithm, GA）优化的多通道MHCRN模糊决策系统虽引入RTS/CTS握手机制缓解隐藏终端问题，但GA依赖选择、交叉、变异等控制参数调节，收敛稳定性受动态频谱影响。

针对上述问题，研究人员开展了将Jaya算法与模糊决策系统融合的参数无关优化研究。Jaya算法是一种基于种群、无需显式搜索算子与参数调节的优化方法，通过向当前代最优解靠近、远离最差解实现迭代更新。研究人员用其自适应学习FDS隶属函数边界（低、中、高三级三角隶属函数参数a、b、c，满足0≤a≤b≤c≤1），输入变量为距离（D）、干扰温度（IT_SU）、次用户发射功率（TP_SU）与信干噪比（SINR_SU），经归一化后由Mamdani推理引擎与质心法（Center of Gravity, CoG）去模糊化输出信道排序（Ch_Rank）。适应度函数F(X_i)=0.40T_norm+0.30PDR_norm+0.15H_norm?0.10I_norm?0.05CS_norm，兼顾吞吐量、包投递率、软切换成功率和干扰与切换代价惩罚。优化后的隶属参数回灌FDS，实现路由感知的逐跳中继-信道对排序，结合RTS/CTS握手与次优候选回退机制完成多跳建路。

关键技术方法上，研究人员采用MATLAB仿真平台，在1100×1100 m区域随机部署6个PU与9至120个SU，5个信道（0至1 kHz，功率谱密度-25至15 dB/Hz），PU服从ON/OFF概率业务，SU为恒定比特率，20次随机种子取均值。核心方法为：①Jaya算法优化FDS三角隶属函数边界，免调遗传控制参数；②四输入（D、IT_SU、TP_SU、SINR_SU）模糊规则库（低-低-低-高→高秩Uchch，中-中-中-中→中秩Madhya，高-高-高-低→低秩Nichak）经Mamdani-CoG解模糊得Ch_Rank；③逐跳中继选择满足通信范围、向目的前进、SINR下限与IT_SU门限，RTS/CTS失败则启次优对；④适应度含吞吐、PDR、软切换、干扰与切换代价加权，不可行解按IT_SU超标、SINR不足、PU占用施罚。

研究结果部分，论文第4节给出建议方法框架：多跳CRN中SU在目的可达时直传，否则用JAYA-FDS输出的中继-信道排序选下一跳，每跳重评直至目的。4.4.1中继选择与多跳建路表明，候选中继须满足范围、前进性、SINR与IT_SU门限，次优回退降低切换失败。4.4.2干扰温度IT_SU(f_ch,B_ch)=∑_i=1^N_SU+1P_i(f_ch,B_ch)/(kB_ch)控制SU对PU接收机射频功率贡献，超限须退频。4.4.3次用户发射功率TP_SU=TP_cpc?TP_cpc^Rx?L_tlg+SINR_req+M_SU+∑_il_i，可调以避免对PU与其他SU有害干扰。4.4.4 SINR_SU=|h₂₂|²TP_SU?B/(∑_i≠B^N|h₂₂|_i²TP_SU?i+∑_j=1^K|h₁₂|_j²TP_SU?j+σ_SU?B²)，低IT_SU高TP_SU致高SINR。4.4.5信道排序Ch_Rank=TFTT_t^ch/((TUTT_t^ch×Na_t^ch)+TFTT_t^ch)综合忙闲与PU到达数，降切换率。4.4.6优化建模将隶属参数作为决策向量，Jaya更新式X′_i,j=X_i,j+r₁(X_best,j?|X_i,j|)?r₂(X_worst,j?|X_i,j|)，越界裁剪、违三角序重排，不可行解施罚F_pen=F?λ₁max(0,IT_SU?IT_th)?λ₂max(0,SINR_min?SINR_SU)?λ₃Occ_ch。4.4.7 JAYA-FDS流水线为归一化→模糊化→规则推理→CoG去模糊→Ch_Rank列表。第5节结果讨论中，图5目标空间显示Jaya收敛至优值；图6吞吐量随传输时间增长优于GA-FDS约10%；图7至图8包投递率由97%微升至97.1%（+0.1%）；图9在120 SU时软切换次数达110次，较GA-FDS的55次近翻倍（约+50%）。收敛稳定源于参数无关隶属学习、弱人工控制依赖与路由感知排序。

讨论与结论部分，研究人员指出JAYA-FDS通过Jaya算法精调模糊系统隶属边界，使信道选择、分配与频谱管理决策更准，进而提吞吐、抑隐藏节点干扰、增频谱效用。MATLAB仿真确认其PDR与信道利用率优于既有方法。该文发表于《Franklin Open》。结论重申：所提Jaya算法优化模糊决策系统可提升多跳CRN数据传输，免调GA式控制参数、减算法依赖、增强动态频谱下收敛稳定；未来工作将转向实时CRN测试床以验同步开销与感知延迟，并拓展能量感知路由、密集网可扩展优化、深度学习预测分配及抗对抗频谱攻击的安全路由。