Performance Evaluation and Optimisation of Spectrum Management in Communication Systems by GA

Ahmed Thabit; Bassam  Abd; Ali  Al-Askery; Haider  Oleiwi

doi:10.22153/kej.2025.10.002

المؤلفون

Ahmed Thabit Electrical Engineering Technical College, Middle Technical University, Baghdad, Iraq
Bassam Abd Electrical Engineering College, University of Technology, Baghdad, Iraq
Ali Al-Askery Electrical Engineering Technical College, Middle Technical University, Baghdad, Iraq
Haider Oleiwi Department of Electronic and Electrical Engineering, Brunel University London, UK

DOI:

https://doi.org/10.22153/kej.2025.10.002

الكلمات المفتاحية:

Cognitive Radio; Crossover; Detection Rate; Dynamic Spectrum Access; Genetic Algorithm; Optimisation; Spectrum Sensing

الملخص

يشهد مجال خدمات الاتصالات اللاسلكية نموًا هائلًا، مما أدى إلى زيادة الضغط على طيف الترددات الراديوية المزدحم بالفعل، وهذا بدوره تسبب في ضعف كفاءة استخدام الطيف وارتفاع مستويات التداخل. يقدم هذا البحث إطارًا مبتكرًا لإدارة الطيف يعتمد على الخوارزميات الجينية الثنائية (BGA)، بهدف تحسين أداء الاكتشاف وتمكين الوصول الديناميكي إلى الطيف في شبكات الراديو الإدراكي (CRNs).

يعتمد النهج المقترح على نموذج استشعار طيف تعاوني، حيث يقوم عدد من المستخدمين الثانويين بإرسال الملاحظات المحلية إلى مركز دمج (Fusion Center). وتُستخدم خوارزمية BGA لتحسين معاملات الوزن المستخدمة في عملية الدمج الناعم للقرارات، من خلال تطوير الحلول المرشحة عبر مراحل الانتقاء، والتهجين (Crossover)، والطفرات (Mutation).

تم إجراء محاكاة شاملة تحت تكوينات مختلفة لتقييم تأثير المعلمات الجينية الأساسية، مثل معدل الطفرة، واحتمالية التهجين، وحجم عدد السكان على أداء النظام. وقد أظهرت النتائج أن النموذج المحسن باستخدام BGA حقق احتمال اكتشاف بلغ 96% عند معدل إنذار كاذب يبلغ 0.1، ومعدل طفرة 0.12، مع معدل خطأ منخفض يصل إلى 7×10⁻⁵في ظل نسبة SNR منخفضة قدرها –15 ديسيبل.

كذلك، أظهر التحليل المقارن أن النظام المقترح تفوق بشكل ملحوظ على التقنيات التقليدية مثل الكشف بالطاقة، والترشيح المطابق، والشبكات العصبية الالتفافية (CNNs)، لا سيما في البيئات الضوضائية. ويبرز هذا العمل فعالية التحسين التطوري في تعزيز قدرات الراديو الإدراكي، ويقدم حلاً قابلاً للتوسع لأنظمة إدارة الطيف الحالية (مثل 5G والمستقبلية 6Gوما بعدها. وستتناول الامتدادات المستقبلية لهذا العمل كفاءة استهلاك الطاقة، والتنفيذ في الزمن الحقيقي، ومقاومة العقد الخبيثة.

التنزيلات

تنزيل البيانات ليس متاحًا بعد.

المراجع

[1] T. Ahmed, "Simulation of a new algorithm to enhance the spectral efficiency of 5G for IoT applications," in *Emerging Technology Trends on the Smart Industry and the Internet of Things*, pp. 17–26, 2022.

[2] M. Alrabeiah and M. S. Alouini, "Deep learning-assisted optimization for spectrum management in cognitive radio networks," IEEE Communications Letters, pp. 1446–1450, 2020.

[3] A. Arshad and S. H. Shah, "A multi-objective genetic algorithm for spectrum management in cognitive radio networks," *IEEE Access*, vol. 9, pp. 46315–46324, 2021.

[4] H. W. Oleiwi, D. N. Mhawi, and H. Al-Raweshidy, "A meta-model to predict and detect malicious activities in 6G-structured wireless communication networks," *Electronics*, vol. 12, no. 3, p. 643, 2023, doi: 10.3390/electronics12030643.

[5] H. W. Oleiwi and H. Al-Raweshidy, "SWIPT-pairing mechanism for channel-aware cooperative H-NOMA in 6G terahertz communications," *Sensors*, vol. 22, no. 16, p. 6200, Aug. 2022.

[6] A. Alkhayyat, A. Thabit, and A. Adil, "WBAN healthcare-based: Modeling signal to interference ratio with different MAC protocols," in *Proc. 2nd Int. Conf. Engineering Technology and Their Applications (IICET)*, Islamic University, Al-Najaf, Iraq, 2019.

[7] A.J. Al-Askery, F. S. Hasan, and A., A., Thabit, " Investigating the Performance of Coded GSIM DCSK Communication Systems over Multipath Rayleigh Fading Channel," * Journal of Communications Software and Systems *, vol. 20, no 4, pp. 298–306.

[8] S. Dhanasekaran and S. Praveena, "Genetic algorithm-based dynamic spectrum access in cognitive radio networks," *Journal of Communications and Networks*, vol. 23, no. 1, pp. 53–62, 2021.

[9] Yun, D.-W.; Lee, W.-C. "Intelligent Dynamic Spectrum Resource Management Based on Sensing Data in Space-Time and Frequency Domain." Sensors, vol. 21, no. 16, 2021, p. 5261.

[10] A. Elgendy and A. Ammar, "Spectrum management optimization in 6G wireless networks using genetic algorithms," *IEEE Communications Magazine*, vol. 59, no. 6, pp. 144–150, 2021.

[11] M. Farooq, S. Asghar, and A. Hussain, "Adaptive spectrum management using genetic algorithms in cognitive radio ad hoc networks," *IEEE Access*, vol. 9, pp. 119834–119849, 2021.

[12] A. Gharaibeh and M. Younis, "Genetic algorithm-based power control and spectrum management for cognitive radio networks," *IEEE Trans. Cogn. Commun. Netw.*, vol. 5, no. 3, pp. 426–435, 2019.

[13] S. Rama, S. Muthukumaran, V. Sundararajan, and R. Subramanian, "Jellyfish search optimization with deep learning driven autism spectrum disorder classification," *Computers, Materials & Continua*, vol. 74, no. 1, pp. 2195–2209, 2023.

[14] X. Hu, X. Wang, and X. Zhang, "Genetic algorithm-enhanced spectrum management for 5G cognitive radio networks," *Wireless Communications and Mobile Computing*, vol. 2020, Art. no. 9782176, pp. 1–10, 2020.

[15] L. Huang and Q. Zhao, "Optimal spectrum management in cognitive radio networks using hybrid genetic algorithms," *Journal of Communications and Networks*, vol. 23, no. 2, pp. 132–144, 2021.

[16] A. Jain and R. Gupta, "Performance analysis of genetic algorithm for spectrum management in cognitive radio networks," *Journal of Communications Technology and Electronics*, vol. 66, no. 6, pp. 550–561, 2021.

[17] F. Jiang and P. Wang, "Genetic algorithm-based spectrum optimization in cognitive radio networks: A review," *Wireless Personal Communications*, vol. 123, no. 4, pp. 3671–3691, 2022.

[18] M. A. Khan and H. Rehman, "A novel genetic algorithm for joint spectrum management in 5G cognitive radio networks," *IEEE Access*, vol. 7, pp. 67832–67842, 2019.

[19] D. R. Kiran and K. Anjaneyulu, "Spectrum management in cognitive radio networks using genetic algorithm and reinforcement learning," *IEEE Systems Journal*, vol. 15, no. 3, pp. 3948–3957, 2021.

[20] A. Kumar and N. Saxena, "Genetic algorithm-based spectrum management for IoT-enabled cognitive radio networks," *IEEE Trans. Ind. Informat.*, vol. 18, no. 3, pp. 1679–1688, 2022.

[21] Y. Li and Y. Liu, "A dynamic spectrum management approach based on genetic algorithms in cognitive radio networks," *Mobile Networks and Applications*, vol. 24, no. 4, pp. 1189–1199, 2019.

[22] X. Liu and H. Song, "Spectrum allocation in cognitive radio systems using genetic algorithms and fuzzy logic," *IEEE Access*, vol. 9, pp. 15137–15148, 2021.

[23] S. Nadeem and M. Aslam, "Optimization of spectrum management using genetic algorithm in cognitive radio sensor networks," *IEEE Access*, vol. 8, pp. 39250–39261, 2020.

[24] A. Yadav and S. Rathore, "Genetic algorithm-based spectrum management in IoT-enabled cognitive radio networks," *IEEE Access*, vol. 10, pp. 4886–4902, 2022.

[25] S. Zubair and S. Ahmed, "Joint spectrum and power management in cognitive radio networks using genetic algorithms," *IEEE Communications Letters*, vol. 27, no. 9, pp. 2107–2111, 2023.