基于WOA优化和Stackelberg博弈的频谱共享算法matlab仿真,对比PSO优化和GA优化

原创已于 2026-06-19 23:58:55 修改 · 208 阅读

4 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#matlab #PSO优化 #Stackelberg博弈 #频谱共享

于 2026-06-19 23:49:54 首次发布

MATLAB算法开发同时被 2 个专栏收录

388 篇文章

订阅专栏

通信信号

76 篇文章

订阅专栏

5.3 Stackelberg均衡求解（内层）

1.前言

认知无线电(CR)中的频谱共享问题本质是主用户(PU, Primary User)与次用户(SU, Secondary User)之间的资源博弈。主用户拥有授权频谱并希望通过定价机制获得收益，次用户则希望以最低代价获得最大传输速率。这种"领导者-跟随者"的非对称决策结构非常适合用Stackelberg博弈建模。然而，主用户的定价策略空间是连续高维的(每个SU对应一个价格)，传统数学优化难以处理。因此引入鲸鱼优化算法(WOA, Whale Optimization Algorithm)作为外层优化器，模拟座头鲸的气泡网捕食行为，搜索全局最优定价向量。

2.算法测试效果图预览

3.算法运行软件版本

matlab2024B

4.部分核心程序

%WOA收敛曲线 
figure('Name','WOA收敛曲线','Color','w');
subplot(121);
plot(1:T_max, ConvCurve,'b-','LineWidth',2); hold on;
plot(1:T_max, AvgCurve,'r--','LineWidth',1.5);
xlabel('迭代次数'); 
ylabel('PU效用值');
title('WOA收敛过程'); 
legend('最优适应度','平均适应度','Location','best');
grid on;

subplot(122);
plot(1:T_max, ConvCurve,'b-','LineWidth',2); hold on;
plot(1:T_max, PSO_curve,'r--','LineWidth',2);
plot(1:T_max, GA_curve,'g-.','LineWidth',2);
xlabel('迭代次数'); 
ylabel('PU效用值');
title('WOA vs PSO vs GA'); 
legend('WOA','PSO','GA','Location','best');
grid on;

%最优价格 
figure;
subplot(131);
bar(BestWhale,'FaceColor',[0.2 0.6 0.8]);
xlabel('次用户编号'); ylabel('最优价格 \lambda');
title('PU对各SU的最优定价'); grid on;

%SU功率分配&价格演化热图 
[p_opt,u_opt] = SU_BestResponse(BestWhale,h_su,w,N0,Pmax);

subplot(132);
bar([p_opt]','grouped');
xlabel('次用户编号'); 
ylabel('值');
title('SU最优功率'); 
legend('功率'); 
grid on;

subplot(133);
bar([u_opt]','grouped');
xlabel('次用户编号'); 
ylabel('值');
title('SU最优效用'); 
legend('效用'); 
grid on;


%SU功率随迭代演化 
figure('Name','SU功率演化','Color','w');
subplot(121);
plot(1:T_max, SU_Power_Hist,'LineWidth',1.5);
xlabel('迭代次数'); 
ylabel('SU功率');
title('各SU功率随WOA迭代变化');
legend(arrayfun(@(x)sprintf('SU%d',x),1:N_SU,'UniformOutput',false));
grid on;

%价格-功率响应曲线 
lambda_range = linspace(0.1,5,100);
P_response   = zeros(length(lambda_range),N_SU);
for k = 1:length(lambda_range)
    lam = lambda_range(k)*ones(1,N_SU);
    P_response(k,:) = SU_BestResponse(lam, h_su, w, N0, Pmax);
end
subplot(122);
plot(lambda_range, P_response,'LineWidth',1.8);
xlabel('价格 \lambda'); ylabel('SU最优功率');
title('Stackelberg博弈：价格-功率响应');
grid on;

%不同SU数量下PU效用 
SU_range = 2:2:14;
PU_util_vs_N = zeros(size(SU_range));
for k = 1:length(SU_range)
    n  = SU_range(k);
    h1 = 0.5 + 0.8*rand(1,n);
    h2 = 0.2 + 0.6*rand(1,n);
    PU_util_vs_N(k) = quickWOA(h1,h2,ones(1,n),N0,Pmax,I_th,C_coef,n,20,50,lambda_min,lambda_max);
end
figure('Name','SU数量影响','Color','w');
subplot(121);
plot(SU_range, PU_util_vs_N,'-o','LineWidth',2,'MarkerFaceColor','b');
xlabel('SU数量'); 
ylabel('PU最优效用');
title('SU数量对PU效用影响'); grid on;

%干扰门限影响 
Ith_range = 0.2:0.2:2.0;
PU_util_vs_I = zeros(size(Ith_range));
for k = 1:length(Ith_range)
    PU_util_vs_I(k) = quickWOA(h_su,h_pu_su,w,N0,Pmax,Ith_range(k),C_coef,...
                                N_SU,20,50,lambda_min,lambda_max);
end
subplot(122);
plot(Ith_range, PU_util_vs_I,'-s','LineWidth',2,'MarkerFaceColor','r');
xlabel('干扰门限 I_{th}'); ylabel('PU效用');
title('干扰门限对PU效用影响'); grid on;

%信道增益影响（3D）
h_range = linspace(0.2,1.5,15);
[Hg,Hpg] = meshgrid(h_range,h_range);
Z = zeros(size(Hg));
for i=1:size(Hg,1)
    for j=1:size(Hg,2)
        Z(i,j)=quickWOA(Hg(i,j)*ones(1,N_SU),Hpg(i,j)*ones(1,N_SU),...
                        w,N0,Pmax,I_th,C_coef,N_SU,15,40,lambda_min,lambda_max);
    end
end
figure('Name','信道增益3D','Color','w');
subplot(121);
surf(Hg,Hpg,Z); shading interp; colorbar;
xlabel('h_{su}'); ylabel('h_{pu-su}'); zlabel('PU效用');
title('信道增益对PU效用的影响');

subplot(122);
SNR = h_su.*p_opt/N0;
Rate = log2(1+SNR);
bar(Rate,'FaceColor',[0.8 0.4 0.2]);
xlabel('SU编号'); ylabel('速率 (bps/Hz)');
title('各SU传输速率'); grid on;

 
fprintf('\n===== 最终结果 =====\n');
fprintf('最优PU效用: %.4f\n',BestScore);
fprintf('最优价格向量: '); disp(BestWhale);
fprintf('SU最优功率: '); disp(p_opt);
fprintf('总干扰: %.4f / 门限 %.4f\n',sum(h_pu_su.*p_opt),I_th);