摘 要： 认知无线电与传统无线电的最大区别在于其能够感知环境，主动去学习、适应环境。近年来，对于认知无线电的研究主要集中于多目标优化的配置决策问题。但实际的通信系统可观测到的环境参数有限，且输入输出关系复杂，需要认知无线电通过学习来理解并适应环境。针对上述问题，提出了一种基于案例推理和模拟退火思想的认知决策引擎算法。仿真结果表明，该算法具有增量自学习、多目标适用性、快速收敛等优点。
关键词： 认知无线电；认知引擎；人工智能；案例推理；模拟退火算法

    基于案例推理CBR(Case-Based Reasoning)借鉴人类处理问题的方式，运用以前积累的知识和经验直接解决问题。由于CBR具备自主学习功能，不要求决策主体掌握丰富领域知识或精确的数学模型，仅仅通过简单的案例记忆就能实现出色的增量学习和自我提升，因而引起相关专家和学者的关注，逐渐成为人工智能领域的一个研究热点。
　认知无线电技术作为无线通信领域与人工智能领域相结合的产物[1]，近年来受到极大关注。认知决策引擎是认知无线电CR(Cognitive Radio)实现其智能的核心功能模块，决策引擎以CR观察到的外界无线环境、CR自身状态和用户需求信息为输入，对目标和情境进行分析，根据已有知识进行推理、决策，输出达到用户需求的优化配置，同时能够学习不同配置在新环境下的效用，从而丰富系统知识，以适应环境和需求的变化[2]。
　当认知无线电可以通过观察获得需要的所有环境知识(表示为c)，且用户需求u与环境c和配置d之间的定量关系u=f(c,d)已知时，将认知决策的过程建模为一个优化问题[3],即在给定的环境c下，寻找最优配置决策d，使性能u最大(或寻找某个配置决策d，使性能u得到满足)的情况。参考文献[4]使用遗传算法对CR中多目标优化问题进行了研究，参考文献[5]将粒子群优化算法应用在认知引擎的决策问题中，参考文献[6]考虑遗传算法中参数敏感度对不同目标的影响，进一步提升了优化效率。然而，在实际应用中，CR可直接观测得到的环境参数有限(比如信道统计特性等无法直接观测得到)，且系统可能面临各种不同的传播环境、动态接入不同频段的信道，输入c和u与输出d的关系很复杂，函数f无法事先确知。此时，认知无线电需要通过不断地学习来理解并适应环境。目前，针对环境部分可观测、精确函数f未知下的认知决策系统研究才刚起步，参考文献[3]简单举例说明了学习在解决这类问题当中的关键作用，但尚未有相关系统的研究成果出现。
　本文针对这类问题，研究基于案例的推理决策问题，提出基于案例库的认知决策引擎。文中所提决策框架具有自学习、多状态多目标通用性强、快速收敛等特点。
1 CBR简介
　基于案例的推理模仿人类的思维方式，直接援引以前积累的经验和知识解决现在的问题，同时将当前问题及解决结果补充为新知识，从而实现自主学习和增量学习。
　通常，CBR系统的运作过程可以概括为“4Rs”(如图1所示)：

　(1)检索（Retrieve）：分析当前面临的新问题，定义新问题的特征或属性，在案例库中寻找对解决当前问题有最大潜在启发价值的旧案例；
　(2)重用（Reuse）：以相似案例为基础，通过自适应的调整，构造新问题的解决策略；
　(3)修订（Revise）：执行并验证当前策略；
　(4)存储（Retain）：将有参考价值的经验案例存储到案例库中。
    其中，检索和重用属于推理阶段，修订和存储属于学习阶段，学习的过程将以往的决策经验以案例的形式进行积累，使系统知识不断丰富，以提高未来推理的效能，从而在面对新问题时能够做出更好的决策。
2 基于CBR与模拟退火的自学习认知决策算法
　认知引擎的输入变量包括用户的目标需求、观测到的无线环境变量以及CR自身状态，三者共同影响认知引擎的配置决策。为了使CR通信案例库具有广泛的可借鉴性，为不同目标、不同状态的CR决策提供参考，构建如表1所示案例库。其中条件属性包括观测的无线环境特征和自身状态(如当前信道是否空闲、最大发射功率、可选的调制编码方式等)，用于描述问题发生的场景或情境。决策属性为CR所作的一些反应，包括信道、发射功率、调制方式、编码方式、数据包长等配置参数。结果为在不同条件属性下，相应配置所带来的不同目标的实际性能，如误比特率、吞吐量、频谱效率、存活时间等。