本發(fā)明涉及的是一種多目標中繼選擇方法，具體是無線通信領(lǐng)域的多目標中繼選擇方法。

背景技術(shù)：

在移動通信系統(tǒng)中，中繼是兩個交換中心之間的一條傳輸通路。在協(xié)作多中繼網(wǎng)絡中，合理的中繼節(jié)點的選擇對于提高協(xié)作通信網(wǎng)絡的系統(tǒng)容量、網(wǎng)絡能量效率及用戶間公平性，節(jié)約通信系統(tǒng)能量，降低數(shù)據(jù)傳輸?shù)哪芎暮徒邮盏恼`比特率等都有重要的意義。因此，如何選擇合適的中繼節(jié)點對于協(xié)作通信是十分重要的。

在信號傳遞過程中，中繼協(xié)作通信技術(shù)由于具備靈活性和可實施性，其應用范圍是十分廣泛的。中繼節(jié)點在adhoc網(wǎng)絡中，可以對傳輸中的信號進行放大轉(zhuǎn)發(fā)，將放大后的信號再傳輸給用戶。在單用戶場景下，往往存在多個候選的中繼節(jié)點，其中的中繼選擇是np-hard問題，運算復雜度為指數(shù)級別，很難在短時間內(nèi)求出最優(yōu)解。因此，改進經(jīng)典的人工智能演進方法，設計新的中繼選擇方案，在保證性能接近窮盡搜索得到的解的同時降低運算復雜度，具有較重要的意義。yindijing等在《ieeetransactionsonwirelesscommunications》上發(fā)表的“singleandmultiplerelayselectionschemesandtheirachievablediversityorders”提出了以接收端信噪比為優(yōu)化目標的中繼選擇方案，利用最好最壞信道策略進行求解，僅僅考慮了信道的信噪比沒有考慮網(wǎng)絡能量效率，實用使用性低。xiaohuali在《electronicsletters》上發(fā)表的“optimalmultiple-relayselectionindual-hopamplify-and-forwardcooperativenetworks”提出了以接收端信噪比為目標函數(shù)的單目標問題，求出的解不是最優(yōu)解，且沒有綜合考慮接收端信噪比和網(wǎng)絡能量效率的中繼選擇多目標問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種可以廣泛的解決現(xiàn)實生活中的多目標中繼選擇問題的基于量子貓群搜索機制的多目標中繼選擇方法。

本發(fā)明的目的是這樣實現(xiàn)的：

步驟一，建立中繼系統(tǒng)模型，發(fā)送端sn發(fā)送信息，接收端dn接收信息，同時有r個候選的中繼節(jié)點用于協(xié)作通信；

定義從發(fā)送端sn到第i個中繼節(jié)點的信道狀態(tài)信息為φi,i＝1,2,…,r，第i個中繼節(jié)點到接收端dn的信道狀態(tài)信息為gi，所有的信道狀態(tài)信息服從參數(shù)為1的瑞利分布，發(fā)送端sn的發(fā)送功率為p，第i個中繼的發(fā)送功率為pi，所有的中繼轉(zhuǎn)發(fā)方式為放大轉(zhuǎn)發(fā)方式，則第i個中繼的接收信號為

其中s是歸一化的發(fā)送信號，且e|s|²＝1，e為數(shù)學期望，σi是對于第i個中繼的均值為0，方差為1的高斯白噪聲，由于中繼的轉(zhuǎn)發(fā)方式為放大轉(zhuǎn)發(fā)方式，則接收到的信號為

其中ai表示第i個中繼節(jié)點rni是否參與協(xié)作通信，ai＝1表示rni參與協(xié)作通信，ai＝0表示rni沒有參與協(xié)作通信，arg(.)為對復數(shù)取輻角的函數(shù)，w為接收端dn的均值為0；

接收端的信噪比為

定義網(wǎng)絡的能量效率為整個網(wǎng)絡的吞吐量與系統(tǒng)消耗的功率比值，網(wǎng)絡的能量效率為

其中c代表整個網(wǎng)絡系統(tǒng)的吞吐量，ptotal代表整個協(xié)作網(wǎng)絡消耗的能量，

提出以接收端信噪比為單目標的中繼選擇問題為

以網(wǎng)絡能量效率為單目標的中繼選擇問題為

同時考慮接收端信噪比和網(wǎng)絡能量效率的多目標中繼選擇問題為

步驟二，在r維空間中，初始化三個量子貓群，第1個量子貓群、第2個量子貓群和第3個量子貓群分別表示為s1，s2和s3；量子貓群s1和s2分別用于演化多目標中繼選擇的兩個單目標，量子貓群s1演化接收端信噪比，量子貓群s2演化網(wǎng)絡能量效率，量子貓群s3用于演化多目標中繼選擇問題；每只量子貓群有h只量子貓，第k,k＝1,2,3個量子貓群中第h只量子貓的第t代的量子位置表示為其中h＝1,2,…,h，第k個量子貓群中第h只量子貓的第t代的速度表示為其中r＝1,2,…,r，vr,max表示量子貓群第r維速度的最大邊界，對量子貓的量子位置進行測量得到量子貓的位置，第k個種群第h只量子貓的位置表示為其中，測量方式如下：

其中為均勻分布在[0,1]之間的均勻隨機數(shù)；

對于量子貓群s1，將所有量子貓的位置帶入適應度函數(shù)進行計算，量子貓群s1中每只量子貓的適應度通過接收端信噪比公式進行計算，選出適應度最大的量子貓，稱其為量子貓群s1的全局最優(yōu)量子貓，其位置為量子貓群s1的全局最優(yōu)位置，則第t代量子貓群s1的全局最優(yōu)位置為

對于量子貓群s2，將所有量子貓的位置帶入適應度函數(shù)進行計算，量子貓群s2中每只量子貓的適應度通過網(wǎng)絡能量效率公式進行計算，選出適應度最大的量子貓，稱其為量子貓群s2的全局最優(yōu)量子貓，其位置為量子貓群s2的全局最優(yōu)位置，則第t代量子貓群s2的全局最優(yōu)位置為

對于量子貓群s3，將量子貓群中的所有量子貓進行非支配解排序和擁擠度計算，將非支配等級為1的個體加入非支配解集se中。

步驟三，對量子貓群s1和s2中的每一只量子貓進行更新，

量子貓群中的量子貓行為分為兩種模式，一種為追蹤模式，另外一種為搜尋模式，兩種行為方式通過結(jié)合律mr進行交互操作，mr表示執(zhí)行跟蹤模式的量子貓的數(shù)量在整個量子貓群中所占的比例；對于量子貓的搜尋模式，定義三個基本要素，記憶池即smp、變化域即srd和變化數(shù)即cdc，記憶池的大小表明了在搜尋模式中，將每一只量子貓所復制的副本數(shù)目，在搜尋模式中，每一維的變化范圍由變化域決定，變化數(shù)表示了在搜尋模式中，每一只量子貓變化的維度數(shù)目，以下為量子貓的搜尋模式過程：

1.根據(jù)記憶池的大小，將當前第k,k＝1,2個量子貓群第h只量子貓復制j個副本放在記憶池中；

2.對于記憶池中的第1個副本，保持原來的量子位置和位置，對于記憶池中其他的j-1個副本，根據(jù)變化數(shù)的大小，對復制的第j個量子貓副本的第r維進行更新，更新方程如下：

其中，j＝2,3,…,j，r∈{1,2,…,r}，abs(.)表示絕對值函數(shù)，為均勻分布在[-1,1]之間的均勻隨機數(shù)，為均勻分布在[0,1]之間的均勻隨機數(shù)；

3.計算在記憶池中的j個副本的適應度值；

4.從j個副本中選擇適應度最大的副本作為第k個量子貓群新的第h只量子貓；

以下為量子貓的搜尋模式過程：

1.對追蹤模式的第k個量子貓群第h只量子貓的速度進行更新，更新方程如下：

其中，c為速度變化范圍權(quán)系數(shù)，為均勻分布在[0,1]之間的均勻隨機數(shù)；

2.判斷第k個量子貓群第h只量子貓每一維的速度是否超過了邊界范圍，如果超過了邊界范圍，進行如下處理：

其中，vr,max表示第r維速度的最大邊界。

3.對第k個量子貓群第h只量子貓的量子位置和位置進行更新，更新方程如下：

其中，為均勻分布在[0,1]之間的均勻隨機數(shù)；

計算更新后的量子貓群s1中所有量子貓的適應度，適應度通過接收端信噪比公式進行計算，從更新后的量子貓群s1中找到適應度最大的量子貓的位置，將其位置的適應度與上一代量子貓群s1的全局最優(yōu)位置的適應度進行比較，將適應度較優(yōu)的位置選作量子貓群s1新的全局最優(yōu)位置

計算更新后的量子貓群s2中所有量子貓的適應度，適應度通過網(wǎng)絡能量效率公式進行計算，從更新后的量子貓群s2中找到適應度最大的量子貓的位置，將其位置的適應度與上一代量子貓群s2的全局最優(yōu)位置的適應度進行比較，將適應度較優(yōu)的位置選作量子貓群s2新的全局最優(yōu)位置

步驟四：對于量子貓群s3中的每一量子貓進行更新；

以下為s3中處于搜尋模式的量子貓的更新過程：

1.根據(jù)記憶池的大小，將s3中第h只量子貓復制j個副本放在記憶池中；

2.對于記憶池中的j個副本，根據(jù)變化數(shù)的大小，對復制的第j個量子貓副本的第r維進行更新，更新方程如下：

其中，j＝1,2,…,j，r∈{1,2,…,r}。abs(.)表示絕對值函數(shù)，為均勻分布在[-1,1]之間的均勻隨機數(shù)，為均勻分布在[0,1]之間的均勻隨機數(shù)；

3.對在記憶池中的j個副本進行非支配解排序和擁擠度計算，選出支配等級最高、擁擠度最大的副本作為種群s3的新的第h只量子貓；

以下為量子貓的搜尋模式過程：在這種模式下，量子貓通過各自的速度更新其量子位置和位置；以下為s3中處于追蹤模式的量子貓的更新過程：

1.對s3中處于追蹤模式的第h只量子貓的速度進行更新，為在非支配解集se中非支配等級排在前10％的位置中隨機選擇的一個的位置，更新方程如下：

其中，c為速度變化范圍權(quán)系數(shù)，為均勻分布在[0,1]之間的均勻隨機數(shù)；

2.判斷s3第h只量子貓每一維的速度是否超過了邊界范圍，如果超過了邊界范圍，進行如下處理：

其中，vr,max表示s3第r維速度的最大邊界；

3.對s3第h只量子貓的量子位置和位置進行更新，更新方程如下：

步驟五：將s3更新產(chǎn)生的h只量子貓放入非支配解集se中；

對非支配解集se中的量子貓進行非支配解排序和擁擠度計算，保留前h只量子貓作為非支配解，然后令s3＝se，s3中的量子貓將參加下一次演進。

步驟六：在迭代過程中，每隔f/10代進行以下操作，f為最大迭代次數(shù)：根據(jù)第一個目標函數(shù)計算se的某一量子貓和s1中全局最優(yōu)量子貓的適應度值，第一個目標函數(shù)為接收端信噪比，如果在se中該量子貓的適應度值大于s1中全局最優(yōu)量子貓的適應度值，則將s1中全局最優(yōu)量子貓?zhí)鎿Q為se中該量子貓，如果se中該量子貓的適應度值小于等于s1中全局最優(yōu)量子貓的適應度值，則將se中該量子貓?zhí)鎿Q為s1中全局最優(yōu)量子貓，根據(jù)第二個目標函數(shù)計算se的某一量子貓和s2中全局最優(yōu)量子貓的適應度值，第二個目標函數(shù)為網(wǎng)絡能量效率，如果在se中該量子貓的適應度值大于在s2中全局最優(yōu)量子貓的適應度值，則將s2中全局最優(yōu)量子貓?zhí)鎿Q為se中該量子貓，如果se中該量子貓的適應度值小于等于在s2中全局最優(yōu)量子貓的適應度值，則將se中該量子貓?zhí)鎿Q為s2中全局最優(yōu)量子貓；

步驟七：如果進化沒有終止，返回步驟三，否則，終止迭代，輸出se中的非支配解，得到中繼選擇方案。

本發(fā)明針對現(xiàn)有中繼選擇方法的不足，提出了一種基于量子貓群搜索機制的多目標中繼選擇方法，可以廣泛的解決現(xiàn)實生活中的多目標中繼選擇問題。所設計的方案同時考慮接收端信噪比和網(wǎng)絡能量效率，在滿足接收端信噪比的同時又能使網(wǎng)絡能量效率得到保證，節(jié)能環(huán)保，滿足實際需求。

本發(fā)明充分考慮到中繼協(xié)作網(wǎng)絡中繼選擇過程中的多目標問題，設計基于量子貓群搜索機制的多目標中繼選擇方法，得到pareto解集。與現(xiàn)有技術(shù)相比，本發(fā)明充分考慮了中繼選擇過程中的多目標難題，具有以下優(yōu)點：

(1)本發(fā)明解決了離散優(yōu)化的中繼選擇問題，針對現(xiàn)有中繼選擇方法不能解決多目標問題的狀況，設計了新穎的量子貓群搜索機制的多目標中繼選擇方法作為演進策略，可以解決實際生活中的多目標中繼選擇問題，所設計的方法性能穩(wěn)定，可以短時間內(nèi)求出最優(yōu)中繼選擇方案。

(2)對于現(xiàn)有的中繼選擇方法往往保證信噪比的同時不能保證能量效率的問題，本發(fā)明提出的量子貓群搜索機制的中繼選擇方法可以解決多目標的優(yōu)化問題，在保證信噪比的同時又能保證最大的網(wǎng)絡能量效率，實現(xiàn)綠色通信，節(jié)省硬件資源，避免造成資源浪費。

(3)本發(fā)明設計的量子貓群搜索機制的多目標中繼選擇方法在求解多目標問題時，將單目標種群演化出的解與多目標種群的非支配解集進行信息交流，提高了收斂性，加快了多目標中繼選擇問題的求解速度。

(4)本發(fā)明將量子演化、貓群算法、多種群共生進化等思想進行結(jié)合，設計了可以求解多目標問題的基于量子貓群搜索機制的多目標中繼選擇方法，為其他工程問題的解決提供了新思路。

附圖說明

圖1量子貓群搜索機制的多目標中繼選擇方法示意圖。

圖2同時考慮信噪比和網(wǎng)絡能量效率的窮盡搜索所有解與量子貓群搜索機制搜索出的非支配解(中繼數(shù)目為14時)。

圖3同時考慮信噪比和網(wǎng)絡能量效率的量子貓群搜索機制搜索出的非支配解(中繼數(shù)目為20時)。

圖4同時考慮信噪比和網(wǎng)絡能量效率的量子貓群搜索機制搜索出的非支配解與人工蜂群方法的單目標解(中繼數(shù)目為30時)。

具體實施方式

下面舉例對本發(fā)明做更詳細的描述。

(1)建立中繼系統(tǒng)模型，發(fā)送端sn發(fā)送信息，接收端dn接收信息，同時有r個候選的中繼節(jié)點用于協(xié)作通信。

提出以接收端信噪比為單目標的中繼選擇問題

提出以網(wǎng)絡能量效率為單目標的中繼選擇問題

同時考慮接收端信噪比和網(wǎng)絡能量效率的多目標中繼選擇問題為

(2)在r維空間中，初始化三個量子貓群，第1個量子貓群、第2個量子貓群和第3個量子貓群分別表示為s1，s2和s3。量子貓群s1和s2分別用于演化多目標中繼選擇的兩個單目標，量子貓群s1演化接收端信噪比，量子貓群s2演化網(wǎng)絡能量效率，量子貓群s3用于演化多目標中繼選擇問題。每只量子貓群有h只量子貓，第k(k＝1,2,3)個量子貓群中第h只量子貓的第t代的量子位置可以表示為其中h＝1,2,…,h，第k(k＝1,2,3)個量子貓群中第h只量子貓的第t代的速度可以表示為其中r＝1,2,…,r，vr,max表示量子貓群第r維速度的最大邊界。對量子貓的量子位置進行測量得到量子貓的位置，第k個種群第h只量子貓的位置可以表示為其中h＝1,2,…,h，r＝1,2,…,r。測量方式如下：

其中為均勻分布在[0,1]之間的均勻隨機數(shù)。

對于量子貓群s1，將所有量子貓的位置帶入適應度函數(shù)進行計算，量子貓群s1中每只量子貓的適應度通過接收端信噪比公式進行計算，選出適應度最大的量子貓，稱其為量子貓群s1的全局最優(yōu)量子貓，其位置為量子貓群s1的全局最優(yōu)位置，則第t代量子貓群s1的全局最優(yōu)位置為

對于量子貓群s2，將所有量子貓的位置帶入適應度函數(shù)進行計算，量子貓群s2中每只量子貓的適應度通過網(wǎng)絡能量效率公式進行計算，選出適應度最大的量子貓，稱其為量子貓群s2的全局最優(yōu)量子貓，其位置為量子貓群s2的全局最優(yōu)位置，則第t代量子貓群s2的全局最優(yōu)位置為

對于量子貓群s3，將量子貓群中的所有量子貓進行非支配解排序和擁擠度計算。將非支配等級為1的個體加入非支配解集se中。

(3)對量子貓群s1和s2中的每一只量子貓進行更新。量子貓群中的量子貓行為分為兩種模式，一種為追蹤模式，另外一種為搜尋模式。兩種行為方式通過結(jié)合律mr進行交互操作。mr表示執(zhí)行跟蹤模式的量子貓的數(shù)量在整個量子貓群中所占的比例。對于量子貓的搜尋模式，定義三個基本要素，記憶池(smp)、變化域(srd)和變化數(shù)(cdc)。記憶池的大小表明了在搜尋模式中，將每一只量子貓所復制的副本數(shù)目。在搜尋模式中，每一維的變化范圍由變化域(srd)決定。變化數(shù)(cdc)表示了在搜尋模式中，每一只量子貓變化的維度數(shù)目。以下為量子貓的搜尋模式過程：

1.根據(jù)記憶池的大小，將當前第k(k＝1,2)個量子貓群第h只量子貓復制j個副本放在記憶池中。

2.對于記憶池中的第1個副本，保持原來的量子位置和位置。對于記憶池中其他的(j-1)個副本，根據(jù)變化數(shù)(cdc)的大小，對復制的第j個量子貓副本的第r維進行更新，更新方程如下：

其中，j＝2,3,…,j，r∈{1,2,…,r}。abs(.)表示絕對值函數(shù)，為均勻分布在[-1,1]之間的均勻隨機數(shù)，為均勻分布在[0,1]之間的均勻隨機數(shù)。

3.計算在記憶池中的j個副本的適應度值。

4.從j個副本中選擇適應度最大的副本作為第k個量子貓群新的第h只量子貓。

以下為量子貓的搜尋模式過程：在這種模式下，量子貓通過各自的速度更新其量子位置和位置。以下為量子貓的追蹤模式過程：

1.對追蹤模式的第k(k＝1,2)個量子貓群第h只量子貓的速度進行更新。更新方程如下：

其中，c為速度變化范圍權(quán)系數(shù)。為均勻分布在[0,1]之間的均勻隨機數(shù)。

2.判斷第k(k＝1,2)個量子貓群第h只量子貓每一維的速度是否超過了邊界范圍，如果超過了邊界范圍，進行如下處理：

其中，vr,max表示第r維速度的最大邊界。

3.對第k(k＝1,2)個量子貓群第h只量子貓的量子位置和位置進行更新，更新方程如下：

其中，為均勻分布在[0,1]之間的均勻隨機數(shù)。

計算更新后的量子貓群s1中所有量子貓的適應度，適應度通過接收端信噪比公式進行計算，從更新后的量子貓群s1中找到適應度最大的量子貓的位置，將其位置的適應度與上一代量子貓群s1的全局最優(yōu)位置的適應度進行比較，將適應度較優(yōu)的位置選作量子貓群s1新的全局最優(yōu)位置

計算更新后的量子貓群s2中所有量子貓的適應度，適應度通過網(wǎng)絡能量效率公式進行計算，從更新后的量子貓群s2中找到適應度最大的量子貓的位置，將其位置的適應度與上一代量子貓群s2的全局最優(yōu)位置的適應度進行比較，將適應度較優(yōu)的位置選作量子貓群s2新的全局最優(yōu)位置

(4)對于量子貓群s3中的每一量子貓進行更新。以下為s3中處于搜尋模式的量子貓的更新過程：

1.根據(jù)記憶池的大小，將s3中第h只量子貓復制j個副本放在記憶池中。

2.對于記憶池中的j個副本，根據(jù)變化數(shù)(cdc)的大小，對復制的第j個量子貓副本的第r維進行更新，更新方程如下：

其中，j＝1,2,…,j，r∈{1,2,…,r}。abs(.)表示絕對值函數(shù)，為均勻分布在[-1,1]之間的均勻隨機數(shù)，為均勻分布在[0,1]之間的均勻隨機數(shù)。

3.對在記憶池中的j個副本進行非支配解排序和擁擠度計算，選出支配等級最高、擁擠度最大的副本作為種群s3的新的第h只量子貓。

以下為量子貓的搜尋模式過程：在這種模式下，量子貓通過各自的速度更新其量子位置和位置。以下為s3中處于追蹤模式的量子貓的更新過程：

1.對s3中處于追蹤模式的第h只量子貓的速度進行更新。為在非支配解集se中非支配等級排在前10％的位置中隨機選擇的一個的位置。更新方程如下：

其中，c為速度變化范圍權(quán)系數(shù)。為均勻分布在[0,1]之間的均勻隨機數(shù)。

2.判斷s3第h只量子貓每一維的速度是否超過了邊界范圍，如果超過了邊界范圍，進行如下處理：

其中，vr,max表示s3第r維速度的最大邊界。

3.對s3第h只量子貓的量子位置和位置進行更新，更新方程如下：

(5)將s3更新產(chǎn)生的h只量子貓放入非支配解集se中。對非支配解集se中的量子貓進行非支配解排序和擁擠度計算，保留前h只量子貓作為非支配解。然后令s3＝se。s3中的量子貓將參加下一次演進。

(6)在迭代過程中，每隔f/10代(f為最大迭代次數(shù))進行以下操作：根據(jù)第一個目標函數(shù)計算se的某一量子貓和s1中全局最優(yōu)量子貓的適應度值，第一個目標函數(shù)為接收端信噪比。如果在se中該量子貓的適應度值大于s1中全局最優(yōu)量子貓的適應度值，則將s1中全局最優(yōu)量子貓?zhí)鎿Q為se中該量子貓，如果se中該量子貓的適應度值小于等于s1中全局最優(yōu)量子貓的適應度值，則將se中該量子貓?zhí)鎿Q為s1中全局最優(yōu)量子貓。根據(jù)第二個目標函數(shù)計算se的某一量子貓和s2中全局最優(yōu)量子貓的適應度值，第二個目標函數(shù)為網(wǎng)絡能量效率。如果在se中該量子貓的適應度值大于在s2中全局最優(yōu)量子貓的適應度值，則將s2中全局最優(yōu)量子貓?zhí)鎿Q為se中該量子貓，如果se中該量子貓的適應度值小于等于在s2中全局最優(yōu)量子貓的適應度值，則將se中該量子貓?zhí)鎿Q為s2中全局最優(yōu)量子貓。

(7)如果進化沒有終止(通常由預先設定的最大迭代次數(shù)f決定)，返回(3)，否則，終止迭代，輸出se中的非支配解，得到中繼選擇方案。

仿真中假設中繼協(xié)作網(wǎng)絡所有信道狀態(tài)信息服從參數(shù)為1的瑞利分布，中繼節(jié)點的發(fā)送功率pi＝0.1p。所有信道噪聲均為均值為0，方差為1的高斯白噪聲功率。量子貓群多目標搜索機制中每個量子貓群規(guī)模h＝100，最大迭代次數(shù)f＝500。結(jié)合律mr＝0.2，速度變化常量c＝2，記憶池中個體數(shù)目j＝6，變化域srd＝1，變化數(shù)cdc＝0.5r，vr,max＝0.2。為了便于比較所提出的量子貓群搜索機制的多目標中繼選擇方法與已有單目標人工蜂群方法的支配關(guān)系，將人工蜂群方法應用到單目標中繼選擇問題中，圖4對兩種方法進行了比較，人工蜂群方法的群體規(guī)模和終止迭代次數(shù)均與量子貓群搜索機制的多目標中繼選擇方法相同。人工蜂群方法中的其他參數(shù)設置參考文獻“multiplerelayselectionschemebasedonartificialbeecolonyalgorithm”。

圖2為同時考慮接收端信噪比和網(wǎng)絡能量效率的窮盡搜索所有解與量子貓群搜索機制搜索出的非支配解。候選的中繼節(jié)點數(shù)目為14，發(fā)送端sn的發(fā)送功率為10w，中繼節(jié)點的發(fā)送功率為1w。從仿真結(jié)果中可以看出，量子貓群搜索機制搜出的解與窮盡搜索搜出的非支配解完全一致，但是計算復雜度遠遠小于窮盡搜索，說明了所提出的量子貓群搜索機制的中繼選擇方法的有效性，在保證接收端信噪比的同時又能保證最大的能量效率，實現(xiàn)綠色通信，節(jié)能環(huán)保。

圖3為同時考慮接收端信噪比和網(wǎng)絡能量效率的基于量子貓群搜索機制搜索出的非支配解。發(fā)送端sn的發(fā)送功率為10w，中繼節(jié)點的發(fā)送功率為1w。圖3候選的中繼節(jié)點數(shù)目為20。從仿真圖中可以看出，所求出的非支配解是均勻分布。

圖4為同時考慮接收端信噪比和網(wǎng)絡能量效率的基于量子貓群搜索機制搜索出的非支配解。發(fā)送端sn的發(fā)送功率為10w，中繼節(jié)點的發(fā)送功率為1w。圖4候選的中繼節(jié)點數(shù)目為30。從仿真圖中可以看出，所提出的中繼選擇方法支配單目標的人工蜂群方法。此外，從仿真圖中也可以看出，所求出的非支配解是均勻分布的，量子貓群搜索機制對應于不同的候選中繼節(jié)點數(shù)目的都是有效的，說明了所提出的方法適用的廣泛性。

以上內(nèi)容是結(jié)合具體的實施方式對本發(fā)明所作的進一步詳細說明，不能認定本發(fā)明的具體實施只局限于這些說明。對于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或替換，都應當視為屬于本發(fā)明的保護范圍。