1.一种基于改进多目标混沌PSO优化的目标信道访问方法，其特征在于该方法包括以下步骤：步骤1、建立频谱切换优化模型；

步骤2、建立频谱切换中目标信道访问机制，得到该种机制下信道空闲时间服从瑞利分布时，切换时延和信道容量函数公式，并设计目标函数；

步骤3、编码及初始化，利用目标信道访问次序对粒子位置x编码，并初始化各种参数，将粒子当前位置作为粒子的个体最优解p，计算每个粒子的目标函数值E[D]和‑E[C],确定非支配解加入到外部集Archive中，利用自适应网格选择密度最小的粒子作为全局最优解g；

步骤4、以改进的速度和位置更新公式更新个体速度v和位置x，计算每个粒子的目标函数值，即切换时延和信道容量；

步骤5、更新个体最优值p，确定非支配解，更新外部集Archive和全局最优解g；

步骤6、将全局最优解g从原解空间映射至混沌空间并通过改进的Tent映射进行混沌迭代，再将解逆映射回原解空间，与原全局最优解g判断支配关系并更新全局最优解g；

步骤7、重复步骤4‑步骤6，当达到最大迭代次数，输出外部集Archive中的非支配解集作为结果集；

步骤4所述以改进的速度和位置更新公式更新个体速度v和位置x具体如下：

4‑1.根据每个粒子的位置，解码得到目标信道序列访问顺序，利用步骤2‑2和步骤2‑3分别计算每个粒子的目标函数值E[D]和‑E[C]，确定非支配解加入到NP中，非支配解的定义如下：

4‑1.按照式(9)更新个体速度v：

其中 表示粒子i在第t次迭代中第j维的速度的值， 表示粒子i在第t次迭代中第j维的位置的值， 表示粒子i在第t次迭代中个体最优点的第j维的位置的值， 表示粒子i在第t次迭代中全局最优点的第j维的位置的值，r1和r2为在[0,1]上服从均匀分布的随机变量称为学习因子，w为惯性权重，将改进为按照式(10)进行递减更新；

4‑2.按照式(11)和式(12)更新个体位置x：

步骤6所述的将全局最优解g通过改进的Tent映射进行混沌优化，具体如下:将解码的全局最优解g解码并通过式(13)从原解空间映射至混沌空间并通过改进的Tent映射式(15)(16)进行混沌迭代，再将解通过式(14)逆映射回原解空间，与原全局最优解g判断支配关系并更新全局最优解g；

其中 为第t次迭代的混沌序列变量，t为混沌迭代次数，K为最

t

大混沌迭代次数， 为第t次粒子群算法的迭代后全局最优解g 经二进制译码后得到的目标信道序列中第m个信道的编号，αm和βm分别为该变量可取的最大值和最小值, 为经过k次混沌迭代并完成逆映射后的全局最优解 目标信道序列中第m个信道对应的实数值编号，M为目标信道个数。

2.根据权利要求1所述的一种基于改进多目标混沌PSO优化的目标信道访问方法，其特征在于步骤1所述的建立频谱切换优化模型，具体如下：在认知用户感知频谱空洞期间，通信双方将共享频谱空洞信息，从而找到共同的频谱空洞，这些频谱空洞即为目标空闲信道，记为ci,i∈{1,2,3…M}，共M条；这M条目标信道进行将能构成M！种可行解；

在确定目标信道访问序列后用户双方将接入信道进行握手，调整参数，所需时间为Tc；

若因主用户到来或其他起突发情况导致本次握手失败，则以周期T尝试接入其余目标信道直至成功；当用户双方在某信道握手成功则本次频谱切换成功；反之，当访问完所有目标信道仍然未成功，则本次频谱切换失败。

3.根据权利要求2所述的一种基于改进多目标混沌PSO优化的目标信道访问方法，其特征在于步骤2所述的建立频谱切换中目标信道访问机制，得到该种机制下信道空闲时间服从瑞利分布时，切换时延和信道容量函数公式，并设计目标函数，具体如下：

2‑1.假设信道空闲时间服从瑞利分布，信道空闲时间概率密度函数为：式中tci表示信道ci,i∈{1,2,3…M}的平均空闲时间；若用户在信道ci进行握手期间有主用户到来或突发情况将导致失败，用户在信道ci上握手失败的概率即为Pi,i∈{1,2,3…M}，则Pi如下：则用户在信道ci上握手成功的概率Pi'如下：

则用户本次频谱切换失败的概率Pf如下：

则经过i次握手后成功接入信道ci的概率Ps{r＝i}如下：

2‑2.切换延时主要有切换成功时握手产生的时延和切换失败时浪费在周期性访问信道的时延，将其合称为累计切换时延，因此切换时延E[D]如下：

2‑3.假设在网络中的总带宽为B,均分给N个信道，则在频谱切换过程中M条目标信道的带宽都是B/N，信道ci的信噪比为 根据香农公式，有效信道容量E[C]如下：

2‑4.建立如下目标函数：

*

其中c＝[c1,c2,…,cM]∈Ω表示最佳目标信道访问顺序。

4.根据权利要求3所述的一种基于改进多目标混沌PSO优化的目标信道访问方法，其特征在于步骤3所述的编码及初始化，利用目标信道访问次序对粒子位置x编码，并初始化各种参数、个体最优解p、全局最优解g和外部集Archive，具体如下：

3‑1.设目标信道访问序列中有M个信道，则信道编号的集合为Θ＝[0,1,2,…,M‑1]；每个信道编号用L＝ceil(log2M)比特来表示，ceil表示向上取整，则每个粒子编码的维数为d＝LM；由于算法中初始化信道序列是随机的，因此可能出现重复的信道，所以需要纠正编码，具体步骤如下：

3‑1‑1.解码：将第i个粒子位置xi＝(xi1,xi2,…,xid)以每L比特进行十进制解码后序列为zi＝(zi1,zi2,…,ziM)；其中zij由xi中的(xi,(j‑1)L+1,…,xi,jL)解码求得；

3‑1‑2.将zi与Θ＝[0,1,2,…,M‑1]比较，将不同元素置于集合Ρ中

3‑1‑3.zi中出现2个相同元素时，从集合Ρ中选择性能最好的元素λi来替代；

3‑1‑4.更新P＝[Pλi]，并重复3‑1‑3和3‑1‑4直至集合Ρ为空集；

3‑2.初始化粒子速度v，服从[Varmin,Varmax]上均匀分布，通常令Varmax＝‑Varmin＝

4；默认粒子的初始位置为个体最优值p，外部集Archive＝[]，设置最大迭代次数I，令t＝

1；

3‑3.初始全局最优解g和个体最优解p，将初始化的粒子位置和目标函数值作为个体最优解p，判断个体最优解之间的支配关系，将非支配解加入外部集Archive中，利用自适应网格选择密度最小的粒子作为全局最优解g，具体方式如下：

3‑3‑1.根据每个粒子的位置，解码得到目标信道序列访问顺序，利用2‑2和2‑3分别计算每个粒子的目标函数值E[D]和‑E[C]，确定非支配解加入到外部集Archive中，非支配解的定义如下：Pareto支配:一个信道解集c＝[c1,c2,…,cM]＜c'＝[c1',c'2,…,c'M]，＜表示支配；当且仅当minE[D]≤minE'[D]∧‑E[C]≤‑E'[C]，否则，称两个解互相不支配；

t t t t

3‑3‑2.计算第t次迭代中网格的边界[min(E (D)),max(E(D))]、[min(‑E (C)),max(‑E(C))]，将其分成M×M个小网格，每个小网格长和宽分别为 和则第i个粒子所在的网格编号为

其中 表示向上取整，然后统计每个网格中的

粒子数，选择密度最小的一个粒子作为g。

5.根据权利要求4所述的一种基于改进多目标混沌PSO优化的目标信道访问方法，其特征在于步骤4计算每个粒子的目标函数值，即切换时延和信道容量，具体如下：

4‑3.更新个体位置x后，按照3‑1纠正编码，然后解码即得到目标信道访问顺序，最后计算该种顺序下的切换时延E[D]和信道容量‑E[C]。

6.根据权利要求5所述的一种基于改进多目标混沌PSO优化的目标信道访问方法，其特征在于步骤5所述的更新个体最优值p，确定非支配解，更新外部集Archive和全局最优解g，具体如下：计算粒子的两个目标函数值，将粒子当前解和上次的p比较，若当前解支配p，令当前解为p，否则p保持不变；若二者互不支配，则从二者之间随机选择一个作为p；参照3‑3，更新外部集Archive和全局最优解g。

7.根据权利要求6所述的一种基于改进多目标混沌PSO优化的目标信道访问方法，其特征在于步骤7所述的输出外部集Archive中的非支配解集作为结果集,具体如下：判断t≤I是否成立，若成立执行步骤4‑步骤7，利用切换时延E[D]和信道容量‑E[C]作为适应度函数，指导粒子飞行，寻找最优的目标信道访问顺序放入外部集Archive中，当达到最大迭代次数，输出Archive集中非支配解。