随着无线设备及相关应用的快速发展,传统无线网接入、传输协议已无法适应这一趋势。其中,最主要的挑战包括如下几个方面:1、频谱资源已分配殆尽;2、已分配的频谱资源使用率极低;3、无线网服务质量有待提高,尤其是在较为繁忙的无线网区域。认知无线电网络(Cognitive Radio Networks,CRNs)是解决以上问题的有效方法,其核心思想是通过智能算法动态决策无线设备的接入和传输。该方法可根据当前网络环境智能接入不同的信道,从而有效提高无线信道的复用率和无线网服务质量。针对CRN中无线设备接入及传输功率控制问题,现有研究主要提出了如下几类算法:Q学习算法、遗传算法、博弈算法、动态贝叶斯网络算法等。虽然上述算法能在某些无线网应用中取得一定效果,但通常存在如下几类缺陷:1、收敛速度较慢;2、难以处理值连续状态下的决策问题,处理精度偏低;3、环境适应度较低;4、可处理的收发功率范围较小。基于这一研究现状,本研究主要使用了部分可观测马尔可夫决策过程模型(POMDP)和蒙特卡罗值迭代算法(MCVI)解决CRN中无线接入和功率控制问题。其中,POMDP模型是在部分可观测网络环境下预测无线设备与网络环境间交互状态的有效模型;MCVI算法是解决感知功率值为连续实数状态下POMDP模型的优秀决策算法,但通过实验分析,MCVI算法也存在收敛速度较慢的缺陷。为解决这一缺陷,本文使用改进的NSGA2算法优化MCVI,提出了快速MCVI算法(Fast MCVI)。通过在经典POMDP模型问题中测试,证明了Fast MCIV算法在收敛速度和决策速度方面都优于原MCVI算法。通过使用Fast MCVI算法解决CRN的接入决策及功率控制问题,与现有算法相比主要优化了如下几个方面:1、加快了决策速度;2、可使用连续状态值进行决策,提高了决策精度和可信度;3、扩展了最大可支持的无线节点数及功率控制范围。通过使用本文算法与同类算法的仿真对比以及在Exata网络仿真平台中的仿真,证明了本文算法在降低网络延迟、提高信道复用率等多个方面都有更好表现。