无线通信已与人们日常生活息息相关,需求量的不断提升以及对服务质量的高要求使得无线电频谱稀缺问题日渐明显。认知无线电(Cognitive Radio,CR)的诞生为解决和缓解这一窘境带来了希望。CR作为一种智能无线通信技术通过动态频谱分配与频谱共享实现对频谱资源的高效利用。在CR网络中存在两种优先级不同的用户:一种被称为授权用户(Primary User,PU),它具有高优先级,对授权频带拥有绝对使用权;另一种被称为认知用户(Secondary User,SU),它的优先级相对较低只能以‘伺机’的方式在确保不影响PU正常工作的前提下,与PU共享频谱。功率控制是实现CR网络中频谱共享的关键,功率控制技术通过采用不同模型及理论对SU的发射功率进行优化并自适应的调节发射功率,在保证CR网络内用户服务质量(Quality of Service,QoS)的同时实现频谱共享。随着智能优化算法的兴起,越来越多的智能优化算法和相关的改进算法应用到认知无线电功率分配问题研究中,粒子群算法更是成为该领域的热点。本文以粒子群算法(Particle Swarm Optimization,PSO)为基础并尝试改进,针对不同的约束条件对CR网络中功率分配问题进行研究。考虑到CR网络中PU的干扰温度(Interference Temperature,IT)限制、SU的数据传输速率和信干噪比(Signal-to-Interference-Noise-Ratio,SINR)需求,针对粒子群算法(Particle Swarm Optimization,PSO)传统的记忆形式会导致算法陷入局部最优的问题,提出一种基于新型蒸发因子的优化算法(LTPSO)。蒸发因子根据粒子群学习因子结合记忆曲线设定,建立新的粒子群记忆形式,并对适应度值按比例进行筛选。仿真结果表明,LTPSO算法与拉格朗日乘子法(LAG)、PSO相比,具有良好的优化效果。为了提高CR网络的传输性能,以满足PU所能容忍的IT约束为前提,同时兼顾SU的SINR,最大化CR网络系统容量。将物理退火过程中的等温阶段考虑到PSO的迭代寻优过程中,主要采用Metropolis准则接受新解,本文提出模拟退火粒子群算法(Simulated Annealing Particle Swarm Optimization,SAPSO)。将Metropolis准则作为全局最优的判定法则,为了提高与退火过程的契合度采用动态惯性权重因子。仿真结果表明,改进后的算法与LAG、PSO相比,优化效果和收敛性上均有较好表现。以上述部分为基础,进一步考虑SU的数据传输限制,为提升优化精度拓展粒子的搜索空间,提出自适应模拟退火粒子群算法(Adaptive Simulated Annealing Particle Swarm Optimization,ASAPSO)。采用自适应控制,根据适应度值的变化量对粒子群参数进行动态调整,改进Metropolis准则产生新解的规则,进一步研究CR网络功率分配问题。ASAPSO算法与PSO、SAPSO相比,在各方面均获得了较好的优化效果。在约束条件相对简单的情况下,即只考虑PU的IT约束和SU的SINR约束,本文提出基于遗传思想的粒子群优化算法,即遗传粒子群优化算法(Genetic Particle Swarm Optimization,GPSO),研究认知用户发射功率最小化的问题。在PSO适应度值计算、速度更新和位置更新阶段分别进行选择,交叉和变异操作,获得相应的次级改进算法并进行比较。最后将全部操作引入获得GPSO算法。仿真结果表明,与LAG、PSO相比,GPSO算法降低了发射功率并获得了更高的SINR。