一種基于遺傳算法的極化碼譯碼方法與流程
1.本發明屬于信道譯碼技術領域，涉及一種基于遺傳算法的極化碼譯碼方法。
背景技術：
2.極化碼在新一代移動通信、衛星通信、深空探測等領域具有廣闊的應用前景極化碼編碼的過程是選擇合適的極化子信道來承載需要傳輸的數據和放置凍結比特，然后再進行運算的過程。
3.極化碼的置信傳播（belief propagation，bp）譯碼器在并行性上具有內在優勢，可以有效改善串行譯碼時延高、吞吐率低等問題。而在置信傳播列表（belief propagation list，bpl）譯碼算法中，相當于采用l個因子圖互不相同的bp譯碼器同時譯碼，再從中選擇較優結果進行輸出，其中因子圖的選取方式深刻影響著譯碼器的性能，合理選擇因子圖是提升bpl算法譯碼性能的關鍵所在。
4.現有的改變因子圖結構的思想主要是交換輸入序列的順序，從而改變傳統因子圖迭代更新信息的結構，這樣極有可能導致可靠性較低的比特信道用于傳輸信息比特，從而造成譯碼性能損失。除此之外，在傳統bpl譯碼器中，l個不同的因子圖采用同一個比特集進行譯碼，二者之間的適配度還存在較大的優化空間。
5.西安電子科技大學于2021年12月9日提交的發明專利申請cn114421974a公開了一種具有改進因子圖選擇方式的極化碼bpl譯碼方法，結合排列因子圖對應的錯誤概率上界及每個子信道的錯誤概率來選擇因子圖。
6.對于碼長為n的極化碼而言，因子圖共包含log2n層結構，若考慮所有置換情況，則共有(log2n)！種因子圖組成形式，且每一種因子圖均有n！個候選比特集。當n數值偏大時，通過遍歷的方式分別選取較優因子圖與最優比特集的方法不切實際，因此，研究一種機器學習輔助的極化碼譯碼方法具有重要意義。
技術實現要素：
7.針對現有極化碼bpl譯碼方法存在的技術問題，本發明提供一種機器學習輔助的極化碼譯碼方式，具體是一種基于遺傳算法的極化碼譯碼方法。
8.本發明保護一種基于遺傳算法的極化碼譯碼方法，包括以下步驟：步驟s1，發送端對輸入信息進行極化碼編碼、調制，然后經無線信道發送出去；步驟s2，接收端接收到信號并進行解調，利用遺傳算法從(log2n)！個因子圖中篩選出譯碼性能較優的l個因子圖，其中n為極化碼碼長，l為bpl譯碼器列表大小；步驟s3，利用遺傳算法為篩選出的l個較優因子圖匹配各自的最優比特集；步驟s4，接收端基于l個較優因子及其最優比特集進行bpl譯碼，得到譯碼結果并輸出。
9.進一步的，步驟s2中，利用遺傳算法從(log2n)！個因子圖中篩選出譯碼性能較優的l個因子圖具體包括以下步驟：
步驟s21，編號置換：基于極化碼編碼結構圖進行標號，將每一層異或結構當前所處位置依次標記為1、2、
…
、n，其中n=(log2n)！，并將其作為初始因子圖標號(1,2,...,n)，在此基礎上，對該結構圖進行隨機列置換得到q個不同的因子圖，其中q為設定參數且q＞l，在對各列結構進行置換時，對應的因子圖標號也發生相應變化；步驟s22，生成因子圖初始種：以步驟s21中得到的q個因子圖標號組成因子圖初始種，其中每個因子圖標號視為初始種中的一個候選個體，代表整個搜索空間的一個解；步驟s23，計算適應度值并選擇：bp譯碼器作為適應度函數，所得譯碼錯誤概率即為適應度值，種中的每一候選個體經過bp譯碼均得到各自的適應度值，基于q組適應度值，從所有候選個體中隨機選取兩個適應度值較好的個體作為父代；步驟s24，交叉與因子圖結構適配：父代向量1的前半部分基因與父代向量2的后半部分基因結合，組成一個新的候選個體，當此候選個體不滿足因子圖中各層結構的互異性時，對其進行因子圖結構適配；其中，進行因子圖結構適配的方法為：出現重復標號時，保留位置靠前者，即保留位于向量前半部分的元素，同時統計向量中的缺失元素，并按照從小到大的順序進行排列，依次對位置靠后的重復標號進行數值替換；步驟s25，重復步驟s23和步驟s24操作q次，得到q個新的候選個體；步驟s26，突變：對所有子代向量的元素進行突變；其中，對子代向量元素進行突變的方法為：進入該步驟的子代向量均滿足元素互異，在此基礎上，隨機交換向量中任意兩個元素的位置，即可得到變異后的子代；步驟s27，對當前種重復執行步驟s23至s26，達到最大進化代數t后停止，從最后一代種中挑選較優的l個候選個體，即為較優的l個因子圖，其中t為設定參數。
10.進一步的，步驟s3中，利用遺傳算法為篩選出的l個較優因子圖匹配各自的最優比特集具體包括以下步驟：步驟s31，劃定集合u：根據蒙特卡洛法計算出n個比特信道對應的可靠性值，得到各個比特信道的可靠性排序，挑選出可靠的比特信道組成集合i、不可靠的比特信道組成集合f，剩余作為不確定比特信道集合u，其中集合i和集合f中的元素數目相同，均為m，其中m為設定參數且2m＜n；步驟s32，生成候選個體及碼率適配：從(n-2m)！個可能的取值中隨機選取p個，并與集合i和集合f共同構成完整的p個候選個體，組成比特集初始種，其中p為設定參數且p＜(n-2m)！，對與既定碼率rate不匹配的候選個體進行碼率適配操作；步驟s33，計算適應度值并選擇：對完成碼率適配的p個候選個體分別進行bp譯碼得到p個適應度值，從中隨機選取兩個適應度值較好的個體作為父代；步驟s34，交叉并完成碼率適配：將父代集合1中u的前半部分基因與父代集合2中u的后半部分基因結合，組成一個新的不確定比特信道集合，隨后與集合i和集合f共同組成一個新的候選個體，對與既定碼率rate不匹配的候選個體進行碼率適配操作；步驟s35，重復步驟s33和s34的操作p次，得到p個新的候選個體；步驟s36，突變并完成碼率適配：對所有子代集合的元素進行突變，并碼率適配操作；
其中，對子代集合元素進行突變的方法為：針對當前子代集合，選擇任意位置進行比特翻轉，即相應位置上發生由凍結位到信息位，即元素由“0”到“1”或由信息位到凍結位，即元素由“1”到“0”的轉變；步驟s37、對當前種重復執行步驟s33至s36，達到最大進化代數t后停止，從最后一代種中挑選最優個體，即為當前因子圖的最優比特集，其中t為設定參數。
11.進一步的，步驟s32、s34、s36中，進行碼率適配操作的方法為：根據當前系統既定碼率rate以及集合i或集合f中的元素數目m，對不確定比特信道集合u中元素進行比特翻轉，確保u中“1”的數目x滿足x+m=n
×
rate。
12.本發明還保護一種基于遺傳算法的極化碼譯碼系統，包括發送端和接收端，所述發送端和所述接收端執行上述基于遺傳算法的極化碼譯碼方法。
13.與枚舉遍歷因子圖或比特集的方法相比較，本發明以生物進化為原型，甄選出性能較為優異的l個極化碼因子圖，在此基礎上，為其匹配最優比特集，提高了bpl譯碼性能，具有很好的收斂性，且計算時間少、魯棒性高。
附圖說明
14.圖1為本發明提出的基于遺傳算法的極化碼譯碼方法流程框圖；圖2為本發明提出的基于遺傳算法的較優因子圖篩選流程圖；圖3為本發明實施例1中基于極化碼編碼結構圖（碼長n = 16）的標號方法示意圖；圖4為本發明提出的基于遺傳算法的最優比特集篩選流程圖。
具體實施方式
15.下面結合附圖和具體實施方式對本發明作進一步詳細的說明。本發明的實施例是為了示例和描述起見而給出的，而并不是無遺漏的或者將本發明限于所公開的形式。很多修改和變化對于本領域的普通技術人員而言是顯而易見的。選擇和描述實施例是為了更好說明本發明的原理和實際應用，并且使本領域的普通技術人員能夠理解本發明從而設計適于特定用途的帶有各種修改的各種實施例。
16.實施例1為便于描述，本實施例以極化碼碼長n = 16、bpl譯碼器列表l = 4為例，闡述本發明公開的基于遺傳算法的極化碼譯碼方法，如圖1所示。
17.步驟s1，發送端對輸入信息進行極化碼編碼，極化碼碼長n=16，碼率rate=0.5，編碼結束后，對所得碼字進行二進制相移鍵控調制，再將得到的序列通過無線信道傳輸至接收端。
18.應當理解的是，根據實際需要，也可以為極化碼配置為其他碼長或碼率，也可選用其他調制方式，并且如何進行極化碼編碼以及如何進行調制屬于本領域現有技術，并不是本發明討論的核心內容。
19.步驟s2，接收端接收到信號并進行解調，利用遺傳算法從4！=24個因子圖中篩選出譯碼性能較優的4個因子圖，如圖2所示，具體包括以下步驟：步驟s21，編號置換：基于極化碼編碼結構圖（參照圖3）進行標號，將每一層異或結構當前所處位置依
次標記為1、2、3、4，并將其作為初始因子圖標號(1,2,3,4)，在此基礎上，對該結構圖進行隨機列置換得到6個不同的因子圖（即q設定為6），同時對應得到6個不同的因子圖編號，假設分別為(1,4,2,3)、(2,4,1,3)、(4,3,1,2)、(3,4,1,2)、(1,3,4,2)、(2,1,3,4)。
20.步驟s22，生成因子圖初始種：以步驟s21中得到的6個因子圖標號組成因子圖初始種，其中每個因子圖標號視為初始種中的一個候選個體，代表整個搜索空間的一個解。
21.步驟s23，計算適應度值并選擇：bp譯碼器作為適應度函數，所得譯碼錯誤概率即為適應度值，種中的每一候選個體（即因子圖標號）經過bp譯碼均得到各自的適應度值，基于6組適應度值，從所有候選個體中隨機選取兩個適應度值較好的個體作為父代，假設初次選取的父代向量分別為(1,4,2,3)和(2,4,1,3)。
22.此處的“較好”指的是適應度值排名靠前的個體，并不需要限定其具體排名，具體在前多少排名的適應度值排名中選擇，結合種中的個體數量確定，不限定最好是因為要形成多個子代向量，形成種，下同。
23.步驟s24，交叉與因子圖結構適配：父代向量1的前半部分基因(1,4)與父代向量2的后半部分基因(1,3)結合，組成一個新的候選個體(1,4,1,3)，此候選個體出現了兩個“1”，為保障因子圖中各層結構的互異性，需對交叉所得子代向量進行因子圖結構適配操作，其中，進行因子圖結構適配的方法為：保留位置靠前者，即保留位于向量前半部分的元素“1”，同時統計向量中的缺失元素，此處為元素“2”，并按照從小到大的順序進行排列，依次對位置靠后的重復標號進行數值替換，此處是利用元素“2”替換位置靠后的元素“1”，從而因子圖結構適配后的候選個體為(1,4,2,3)。
24.步驟s25，重復步驟s23和步驟s24操作6次，得到6個新的候選個體；步驟s26，突變：為保證當前種中個體的多樣性，對所有子代向量的元素進行突變，以防止算法陷入局部最優解，具體方法為：隨機交換向量中任意兩個元素的位置，即可得到變異后的子代；例如當前子代向量為(1,4,2,3)，隨機挑選其中任意兩個元素，互換位置即可得到突變后的新向量(1,2,4,3)，其他5個新的候選個體進行同樣操作。
25.步驟s27，完成突變后的6個子代向量重新組成新的種，對當前種重復執行步驟s23至s26，模擬物種的自然進化過程，達到最大進化代數100（即t取100）后停止，從最后一代種中挑選較優的4個候選個體，即為較優的4個因子圖。
26.步驟s3，利用遺傳算法為篩選出的4個較優因子圖匹配各自的最優比特集，如圖4所示，具體包括以下步驟：步驟s31，劃定集合u：根據蒙特卡洛法計算出16個比特信道對應的可靠性值，假定分別為{0.000，0.887，1.419，1.225，2.011，1.882，2.665，1.791，2.763，3.654，2.417，2.955，3.875，3.013，4.103，4.468}，得到各個比特信道的可靠性排序{0，1，3，2，7，5，4，10，6，8，11，13，9，12，14，15}，挑選出可靠的比特信道組成集合i={13，9，12，14，15}（信息位“1”）、不可靠的比特信道組成集合f={0，1，3，2，7}（凍結位“0”），剩余作為不確定比特信道集合u={5，4，10，6，
8，11}，此處集合i和集合f中的元素數目相同，均為5。
27.通過上述操作，可以將搜索范圍從16！縮小至6！，從而加快遺傳算法的收斂速度，利用遺傳算法還可以對可靠性處于“中間地帶”的比特信道進行精準定位，判定其傳輸信息比特或凍結比特。
28.步驟s32，生成候選個體及碼率適配：不確定比特信道集合u中仍然有6個元素，共有6！=720種可能的取值，從中隨機選取10個（即p設定為10），并與集合i和集合f共同構成完整的10個候選個體，組成比特集初始種，對與既定碼率rate不匹配的候選個體進行碼率適配操作，以確保極化碼碼率不發生變化。
29.具體而言，假設隨機生成的候選個體中集合u的取值為：{0，1，1，0，0，0}，此時u中包含的信息比特個數（即“1”的個數）為2，而集合i中信息比特個數為5，為保證碼率rate為0.5（既定碼率），需對u中元素進行比特翻轉使信息比特個數固定為3，也就是需要將1個“0”翻轉為“1”，此處對第5個位置進行翻轉得到碼率適配后的集合為{0，1，1，0，1，0}，其他9個候選個體進行同樣操作。此處翻轉的位置可以規定位置靠前者優先翻轉，或位置靠后者優先翻轉，或隨機選取翻轉位置，并不影響碼率適配結果。
30.步驟s33，計算適應度值并選擇：對完成碼率適配的10個候選個體分別進行bp譯碼得到10個適應度值（即譯碼錯誤概率），從中隨機選取兩個適應度值較好的個體作為父代。
31.假設本次取出的兩個父代集合分別為{0，1，1，0，1，0}和{1，0，1，0，1，0}因為集合i和集合f固定，此處為便于表述，僅列舉集合u中元素，下面同樣如此。
32.步驟s34，交叉并完成碼率適配：將父代集合1中u的前半部分基因{0，1，1}與父代集合2中u的后半部分基因{0，1，0}結合，組成一個新的不確定比特信道集合{0，1，1，0，1，0}，隨后與集合i和集合f共同組成一個新的候選個體。由于該集合中的信息比特個數恰好為3，即碼率為0.5，則可以跳過碼率適配操作。
33.步驟s35，重復步驟s33和s34的操作10次，得到10個新的候選個體，從而保證種規模不變。
34.步驟s36，突變并完成碼率適配：為保證當前種中個體的多樣性，需對所得子代集合元素進行突變，防止算法陷入局部最優解，對所有子代集合的元素進行突變，具體方法為：針對當前子代集合，選擇任意位置進行比特翻轉，即相應位置上發生由凍結位到信息位，即元素由“0”到“1”或由信息位到凍結位，即元素由“1”到“0”的轉變。
35.例如，當前子代集合為{0，1，1，0，1，0}，將其中任意位置的元素進行比特翻轉即可得到突變后的新向量，此處翻轉第2位，得到{0，0，1，0，1，0}，隨后進行碼率適配操作以確保其中信息比特個數為3，即碼率rate為0.5，則得到集合{0，0，1，1，1，0}，其他9個候選個體進行相同操作即可。
36.步驟s37，完成突變和碼率適配后的10個子代集合重新組成新的種，對當前種重復執行步驟s33至s36，模擬物種的自然進化過程，達到最大進化代數100（即t取100）后停止，從最后一代種中挑選最優個體，即為當前因子圖的最優比特集，其他因子圖的匹配方
法相同。
37.步驟s4，接收端基于4個較優因子及其最優比特集進行bpl譯碼，得到譯碼結果并輸出。
38.實施例2一種基于遺傳算法的極化碼譯碼系統，包括發送端和接收端，所述發送端和所述接收端執行實施例1所述的基于遺傳算法的極化碼譯碼方法。
39.顯然，所描述的實施例僅僅是本發明的一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域及相關領域的普通技術人員在沒有作出創造性勞動的前提下所獲得的所有其他實施例，都應屬于本發明保護的范圍。
技術特征：
1.一種基于遺傳算法的極化碼譯碼方法，其特征在于，包括以下步驟：步驟s1，發送端對輸入信息進行極化碼編碼、調制，然后經無線信道發送出去；步驟s2，接收端接收到信號并進行解調，利用遺傳算法從(log2n)！個因子圖中篩選出譯碼性能較優的l個因子圖，其中n為極化碼碼長，l為bpl譯碼器列表大小；步驟s3，利用遺傳算法為篩選出的l個較優因子圖匹配各自的最優比特集；步驟s4，接收端基于l個較優因子及其最優比特集進行bpl譯碼，得到譯碼結果并輸出。2.根據權利要求1所述的基于遺傳算法的極化碼譯碼方法，其特征在于，步驟s2中，利用遺傳算法從(log2n)！個因子圖中篩選出譯碼性能較優的l個因子圖具體包括以下步驟：步驟s21，編號置換：基于極化碼編碼結構圖進行標號，將每一層異或結構當前所處位置依次標記為1、2、
…
、n，其中n=(log2n)！，并將其作為初始因子圖標號(1,2,...,n)，在此基礎上，對該結構圖進行隨機列置換得到q個不同的因子圖，其中q為設定參數且q＞l，在對各列結構進行置換時，對應的因子圖標號也發生相應變化；步驟s22，生成因子圖初始種：以步驟s21中得到的q個因子圖標號組成因子圖初始種，其中每個因子圖標號視為初始種中的一個候選個體，代表整個搜索空間的一個解；步驟s23，計算適應度值并選擇：bp譯碼器作為適應度函數，所得譯碼錯誤概率即為適應度值，種中的每一候選個體經過bp譯碼均得到各自的適應度值，基于q組適應度值，從所有候選個體中隨機選取兩個適應度值較好的個體作為父代；步驟s24，交叉與因子圖結構適配：父代向量1的前半部分基因與父代向量2的后半部分基因結合，組成一個新的候選個體，當此候選個體不滿足因子圖中各層結構的互異性時，對其進行因子圖結構適配；步驟s25，重復步驟s23和步驟s24操作q次，得到q個新的候選個體；步驟s26，突變：對所有子代向量的元素進行突變；步驟s27，對當前種重復執行步驟s23至s26，達到最大進化代數t后停止，從最后一代種中挑選較優的l個候選個體，即為較優的l個因子圖，其中t為設定參數。3.根據權利要求2所述的基于遺傳算法的極化碼譯碼方法，其特征在于，步驟s24中，進行因子圖結構適配的方法為：出現重復標號時，保留位置靠前者，即保留位于向量前半部分的元素，同時統計向量中的缺失元素，并按照從小到大的順序進行排列，依次對位置靠后的重復標號進行數值替換。4.根據權利要求2所述的基于遺傳算法的極化碼譯碼方法，其特征在于，步驟s26中，對子代向量元素進行突變的方法為：隨機交換向量中任意兩個元素的位置，即可得到變異后的子代。5.根據權利要求1所述的基于遺傳算法的極化碼譯碼方法，其特征在于，步驟s3中，利用遺傳算法為篩選出的l個較優因子圖匹配各自的最優比特集具體包括以下步驟：步驟s31，劃定集合u：根據蒙特卡洛法計算出n個比特信道對應的可靠性值，得到各個比特信道的可靠性排序，挑選出可靠的比特信道組成集合i、不可靠的比特信道組成集合f，剩余作為不確定比特信道集合u，其中集合i和集合f中的元素數目相同，均為m，其中m為設定參數且2m＜n；步驟s32，生成候選個體及碼率適配：從(n-2m)！個可能的取值中隨機選取p個，并與集合i和集合f共同構成完整的p個候選個體，組成比特集初始種，其中p為設定參數且p＜
(n-2m)！，對與既定碼率rate不匹配的候選個體進行碼率適配操作；步驟s33，計算適應度值并選擇：對完成碼率適配的p個候選個體分別進行bp譯碼得到p個適應度值，從中隨機選取兩個適應度值較好的個體作為父代；步驟s34，交叉并完成碼率適配：將父代集合1中u的前半部分基因與父代集合2中u的后半部分基因結合，組成一個新的不確定比特信道集合，隨后與集合i和集合f共同組成一個新的候選個體，對與既定碼率rate不匹配的候選個體進行碼率適配操作；步驟s35，重復步驟s33和s34的操作p次，得到p個新的候選個體；步驟s36，突變并完成碼率適配：對所有子代集合的元素進行突變，并碼率適配操作；步驟s37、對當前種重復執行步驟s33至s36，達到最大進化代數t后停止，從最后一代種中挑選最優個體，即為當前因子圖的最優比特集，其中t為設定參數。6.根據權利要求5所述的基于遺傳算法的極化碼譯碼方法，其特征在于，步驟s36中，對子代集合元素進行突變的方法為：針對當前子代集合，選擇任意位置進行比特翻轉，即相應位置上發生由凍結位到信息位，即元素由“0”到“1”或由信息位到凍結位，即元素由“1”到“0”的轉變。7.根據權利要求5所述的基于遺傳算法的極化碼譯碼方法，其特征在于，步驟s32、s34、s36中，進行碼率適配操作的方法為：根據當前系統既定碼率rate以及集合i或集合f中的元素數目m，對不確定比特信道集合u中元素進行比特翻轉，確保u中“1”的數目x滿足x+m=n
×
rate。8.一種基于遺傳算法的極化碼譯碼系統，包括發送端和接收端，其特征在于，所述發送端和所述接收端執行權利要求1-7任意一項所述的基于遺傳算法的極化碼譯碼方法。
技術總結
本發明公開了一種基于遺傳算法的極化碼譯碼方法，首先，發送端對輸入信息進行極化碼編碼、調制，然后經無線信道發送出去；其次，接收端接收到信號并進行解調，利用遺傳算法從(log2)！個因子圖中篩選出譯碼性能較優的L個因子圖，其中為極化碼碼長，L為BPL譯碼器列表大小；然后，利用遺傳算法為篩選出的L個較優因子圖匹配各自的最優比特集；最后，接收端基于L個較優因子及其最優比特集進行BPL譯碼，得到譯碼結果并輸出。本發明以生物進化為原型，甄選出性能較為優異的L個極化碼因子圖，在此基礎上，為其匹配最優比特集，提高了BPL譯碼性能，具有很好的收斂性，且計算時間少、魯棒性高。高。高。
