随着无线通信技术在各个领域的高速发展以及个人对无线通信业务需求的不断提升,频谱资源匮乏问题变得越来越突出。同时,现有的静态频谱资源管理方式造成已分配频谱的利用率十分低下。认知无线电技术是解决这一问题的有效途径,它改变了传统的静态频谱分配管理机制,能够智能地识别和利用空闲频谱,实现频谱复用、极大提高了频谱利用率。认知无线电可以感知外界无线通信环境,根据感知到的信道条件、用户需求等信息给出符合条件的最佳传输控制参数配置方案,进而优化系统性能。这一参数调整功能通常被描述为认知无线电决策引擎,是一个动态的多目标优化问题。而现有的基于遗传算法的认知无线电模型都是通过线性加权等方法将此问题简化为单目标优化问题求解。该方法存在对各目标函数权值较敏感、每次只能得到一种权值情况下的最优解等问题。因此,本文对多目标优化问题和多目标遗传算法进行深入研究,在前人基础上提出了一种基于云理论的多目标遗传算法,通过对多个测试函数上的数值实验证明了其有效性和优越性,并将其运用于认知无线电决策引擎中。本方法首先确定一组决策引擎需要优化的目标函数,然后运行提出的多目标遗传算法求得一组Pareto最优解集,最终由用户根据其服务需求类型的不同,从解集中选择最符合条件的解作为认知无线电的传输参数方案。该方法克服了现有模型的缺点,通过对含有32个子载波的多载波系统进行仿真实验并对其结果分析,证明了其高效性和正确性。同时本文引入种群调整技术,进一步提高了算法的收敛速度,满足了认知无线电系统通信的实时性要求。