目前,网络的宽带化、业务的多样化以及现有的固定频谱管理模式的局限性使无线网络面临资源日益匮乏的巨大挑战。建立在认知科学、计算机科学、信息科学与控制科学基础之上的认知无线电网络技术可通过对无线网络环境的感知和决策,实现频谱资源的有效共享与优化利用,是当前网络技术的研究热点之一。为更深入的提升认知无线电网络的性能,可将协作感知技术、协作传输技术等协作技术应用于认知无线电网络中,从而出现了“协作认知无线电网络”(Cooperative Cognitive Radio Networks,CCRN)这一新生概念。本文针对若干协作认知无线电网络的开放性优化问题展开研究,主要的研究工作如下:(1)对协作认知无线电网络的分类、关键技术、当前热点研究问题进行了总结,指出现有研究工作的不足,在此基础上提出若干亟待研究的开放性问题。(2)针对能量高效协作感知问题,分别定义了两个子问题,即面向单次协作感知过程的能量最小化的节点选择问题(Energy Minimization Node Selection problem,EMNS,EMNS)和面向在线协作感知的能量高效节点选择问题(Online Energy-efficient Node Selection problem,OENS )。对于EMNS问题,首先形式化描述为一个0-1非线性规划模型,然后通过特殊等价变换将其转化为0-1线性规模模型,并通过将其向二维费用的背包问题进行归结,证明其为NP-hard的。不仅提出采用分枝定界算法(Branch And Bound,BAB)来求EMNS问题的最优解,还提出采用基于贪婪节点选择的启发式算法(Greedy Selection,GS)求EMNS问题的近似优化解。对于OENS问题,首先将其判定问题归结为NP-complete的不相交路径问题,证明其同为NP-hard的。然后为每个SU节点引入考虑能量消耗负载均衡的动态权重系数,基于先前提出的BAB算法和GS算法,分别设计了启发式的在线节点选择算法(Online BAB,OBAB)和(Online GS 1,OGS1)。仿真实验的结果表明,OGS1算法可有效求解OENS问题,平均可完成的协作感知次数可达到采用OBAB算法得到的近似最优解的94%,并且极大降低了算法运行时间;与另一种不采用动态权重系数的贪婪算法OGS2相比,性能也可提高近25%。(3)针对协作感知系统的多目标协作联盟构建问题,基于联盟博弈理论为其构建了一个不可转移支付的联盟构造博弈模型,在关键支付函数的设计中,采用“线性加权和”方法节点吞吐量期望值和能量消耗值两个优化目标,同时还考虑了每个联盟内错误接入概率需小于给定阀值的约束。基于支付函数,又提出一种分布式多目标联盟构造算法(Distributed Multi-objective Coalition Formation,DMCF),该算法的核心是根据“优超算子”所定义的联盟的帕累托(Pareto)顺序,循环地对联盟进行合并和分裂操作。此外,我们还证明了DMCF的收敛性和最后网络划分的稳定性。仿真实验的结果表明,DMCF可有效解决提出的多目标优化问题,与另一种分布式随机联盟构造算法(Distributed Random Coalition Formation,DRCF)相比,DMCF总能使节点消耗较少能量却达到相对较大的吞吐量期望值。在不同网络规模下,DMCF获得的节点平均吞吐量期望值可提升约7.5%,而节点平均能量消耗却降低约70%。(4)针对协作多通道感知问题,我们为多SU对多通道进行协作感知的系统建立了一个参数齐全,相对完整的优化模型。该模型在各通道错误接入概率小于给定阀值的约束下,以最大化系统吞吐量为目标,对包括感知时间和各SU对各通道检测结果的权重系数在内的参数进行优化,属于约束非线性规划模型。为求解该模型,提出了一种启发式的顺序参数优化方法(Sequential Parameters Optimization method,SPO)。该方法首先构建了一系列仅含有权重系数的子优化问题并采用拉格朗日方法求解出优化的权重系数。待权重系数确定后,再将问题转化为单调规划问题并提出了一种快速收敛的外逼近算法(Fast-convergent Polyblock Algorithm,FP)求解优化的感知时间。仿真实验的结果表明,利用SPO得到的系统吞吐量平均可达最优解的99.3%。此外,还将提出的优化模型与其它模型进行比较,进一步验证了我们提出的模型在提高系统吞吐量方面的优势。(5)针对CCRN中多PU与多SU共存,且多个SU可利用协作中转技术与最大比例合并技术为PU提供协作传输的真实网络场景,提出了CCRN联合通道分配与协作集划分问题(Joint Channel Allocation and Cooperation Set Partition Problem, JCA-CSP),给出了该问题的0-1非线性规划描述,通过将其判定问题归结为一个三维匹配问题,证明该问题是NP-hard的。随后,提出一种集中式遗传算法(Centralized Genetic Algorithm,CGA)对JSA-CSP求解,设计了CGA算法的基本要素,对算法进行齐次有限马尔可夫链建模并证明CGA的全局收敛性。针对大规模无中控节点的CCRN网络,还提出一种包含两个阶段的分布式遗传算法(Distributed Genetic Algorithm,DGA),分别基于最小支配集的PU节点分簇与通道预分配阶段和簇间协作集协商与簇内适应值精化阶段。此外,还提出了一种快速收敛的算法(Fast DGA),以降低分布式算法运行时间。最后我们通过仿真实验验证了所提算法的有效性和收敛性。通过对能反映通信集合划分和频谱资源分配是否公平的适应值结果进行比较,得到如下结论:1)在小规模网络下,算法CGA得到的适应值平均可达穷举算法所得最优解的92%。2)随着网络规模的增大,由于CGA的搜索空间成指数增长,DGA和FDGA逐渐显示出性能优势,在达到相同停机条件时,获得的适应值平均比CGA提高约20%,3)特别地,与DGA相比,分布式算法FDGA能得到与DGA相近的结果,并且大大降低了算法收敛的时间,更适合应用于大规模网络中。综上,本文对协作认知无线电网络若干开放性问题进行研究,为进一步提升了协作认知无线电网络性能提供了理论模型和求解方法,对进一步推动协作认知无线电网络的研究和实用化具有一定的理论意义和应用价值。