改进粒子群优化算法及其在4G网络-基站选址中的应用

针对粒子群优化算法搜索精度不高、整体上容易陷入局部最小的不足,提出了一种改进的粒子群优化算法.该算法一方面在速度更新式中用粒子群中粒子个体极值的加权值替代粒子的个体极值,另外通过使用两种非线性递减函数对惯性权重进行调整,这种改进有效地提高了粒子群优化算法的收敛速度和全局寻优能力.然后,通过对4个基准函数的仿真,验证了本文改进算法的全局收敛寻优能力.最后,将本文改进算法应用于珠三角地区某市4G网络基站选址优化中.仿真和应用的结果表明,改进后的粒子群优化算法具有更高的收敛速度和全局寻优能力.     

利用膜粒子群优化的条件随机域特征选择

提出了一种新的基于膜粒子群优化的特征选择方法．该方法利用了膜系统的分层结构和消息传递机制,将粒子群优化算法作为区域子算法部署到各个区域中．不同于传统粒子群优化算法,该方法将粒子群优化的搜索速率分解为局部搜索速率和全局搜索速率．膜系统的所有外层区域采用局部搜索速率,搜索局部最优解;最内层区域采用全局搜索速率,搜索全局最优解．所有外部区域将最优解传递给相邻内部区域,内部区域将最差解传递给相邻外部区域,最内区域向相邻外部区域传递最差解．当各个区域之间的解传递在一段时间内停止时,或者算法迭代次数达到限定次数时,算法收敛,取最内层区域的最优解为最终解．以条件随机域模型的最大似然估计函数为目标函数,利用膜粒子群优化计算各个特征权重系数,最后剔除那些权重系数小于阈值的特征．实验结果表明,在进行生物文本的基因名称识别时,利用该方法对条件随机域的特征进行选择后,可以消除冗余特征的干扰,能获得更高的准确度．     

粒子个体最优位置变异的粒子群优化算法

为了有效地控制粒子群优化算法的全局搜索和局部搜索,克服算法早熟收敛的缺陷.在深入分析和研究标准的PS0算法的基础上,在标准的PS0算法后期,通过对种群个体最优位置采取高斯变异处理的策略,有效控制了粒子群的多样性,保持了粒子群的活性,增强了粒子群跳出局部极值点的能力.采用6个标准的测试函数测试算法的性能,仿真结果表明,对函数Sphere Griewank、Rastrigrin、Ackley和Schaffer,算法均能够以很快的速度全部收敛到目标值,算法具有较好的全局搜索能力和稳定性,其性能显著的优于标准的粒子群优化算法.     

无线传感器网络任务分配的粒子群优化算法

为延长网络生命周期,减少网络能量消耗和均衡网络负载,引入了粒子群优化算法,提出了一种基于离散粒子群优化的任务分配算法.该算法根据任务总完成时间和能量损耗,建立代价函数,实现优化任务分配策略.引入变异算子,较好地保持了种群的多样性并提高了算法的全局搜索能力.仿真实验结果表明算法是可行的和有效的.     

基于模拟退火PSO的电力系统无功优化

对粒子群优化算法方法进行改进,把模拟退火机制引入到粒子群优化算法方法中,提出了基于模拟退火粒子群优化PSOSA(PSO with Simulated Annealing)算法,通过适当选择种群大小、调整惯性权重系数ω和退火系数C,以温度的缓慢下降来控制粒子的寻优过程,提高了粒子群优化算法的全局收敛性,改善了粒子的局部搜索能力.建立了以网损最小为目标的电力系统无功优化模型.通过对IEEE-30系统的无功优化计算,结果表明,PSOSA算法具有更好的全局收敛性和良好的搜索能力.     

多角色多策略多目标粒子群优化算法

针对粒子群算法在解决复杂多目标问题时存在过早收敛和多样性不足的问题,提出多角色多策略多目标粒子群优化算法(MOPSO_RS). 该算法根据粒子的角色划分指标,给不同性能的粒子赋予不同角色;提出多策略的学习参数调整方法和多策略的全局最优粒子选取方法,帮助种群执行各种搜索策略. 不同的学习参数使各角色粒子获得不同的搜索策略,以调整粒子的探索和开发能力. 不同的全局最优粒子使各角色粒子搜索不同区域,提高种群的搜索效率. 为了避免算法陷入局部最优,引入带有高斯函数的变异算子,使粒子根据其角色朝向不同的全局最优粒子变异,提高算法的求解精度. 实验结果表明,对比其他改进多目标算法,MOPSO_RS具有良好的收敛性和多样性,并验证了所提策略的有效性.     

一种新的二进制编码量子行为粒子群优化算法

为了保持全局搜索和局部搜索之间的均衡,在二进制QPSO算法中引入全面学习和合作方法,提出了一种新的二进制量子行为粒子群优化算法(CCBQPSO).完全学习策略可以保持群体的多样性,合作方法可以直接将算法引入到本地搜索,并快速收敛到最优解.在该算法中,所有粒子的个体最优位置可以首先参与到本地吸引子的更新,每个粒子的新解向量维度将依次取代对应粒子的先前个体最优位置和群体的全局最优位置的维度,并计算出适应值.最后使用5个测试函数对CCBQPSO的性能进行了测试,结果表明该算法可以增加群体的多样性,且提高了算法的收敛速度.     

PSO算法在交叉口OD矩阵推算中的应用

针对由交叉口已知交通量推算OD矩阵时,当已知交通量数小于OD变量数时难以得到满意解的问题,提出了采用基于群智能技术改进的粒子群优化算法(Particle Swarm Optimization,简称PSO)来进行全局优化求解.论文设计了用粒子群算法求解交叉口OD矩阵推算模型的方法,确定了目标函数和终止条件,给出了具体的计算步骤及粒子群算子的选择,通过初始化粒子的速度和位置,不断送代更新直到搜索出全局最优值.最后用Matlab语言编程进行了仿真试验.仿真结果表明,该方法具有较高的效率和准确性.     

应用混合粒子群优化的检查点全局优化算法

针对容错实时系统存在的局部最优检查点间隔为单次故障情况下的最优检查点间隔及局部最优检查点间隔并不是任务集全局最优检查点间隔的缺陷,首先给出检查点间隔全局优化问题的多目标优化模型,然后基于混合粒子群优化算法,提出检查点间隔全局优化算法.该算法通过混合粒子群优化算法的交叉和变异操作,避免算法陷入局部极值的困境,且增强了算法搜索全局近优检查点间隔的能力.实验表明,与其他检查点间隔优化算法相比,本算法可进一步提升系统容错能力.检查点间隔全局优化能在故障多次发生情况下,对任务集的检查点间隔进行全局搜索,以减小检查点设置次数和故障检测次数、高优先级任务抢占时间及故障恢复时间,提高系统可调度性.     

基于改进QPSO算法的小波神经网络参数优化

暋针对传统的小波神经网络在参数优化过程中所采用的梯度下降法容易产生局部最优,提出了一种改 进的量子行为PSO 算法。新算法通过在最优平均值的全局搜索点中加入权重系数,用于改善粒子群的全局、局部搜 索能力和收敛速度,当粒子进化到后期,满足早熟条件时,粒子群在该维上发生变异,重新初始化后的位置均匀分布 在可行区域上,用于提高搜索精度。仿真实验结果表明,改进QPSO 算法比常规网络训练方法在寻优能力方面更加 有效。     

基于二次规划的干扰对齐编解码矩阵联合优化算法

针对多用户多输入多输出干扰信道中以系统容量表征的目标函数既不是线性函数也不是凸函数,直接求解比较困难的问题,提出一种基于二次规划的联合求解多用户多输入多输出干扰对齐编解码矩阵的迭代算法。在迭代步长很小的前提下,目标函数在局部具有凸函数性质,因此可以将问题转化为传统的二次规划问题。分别给出了3对收发用户和4对收发用户干扰系统的通信速率随信噪比变化的仿真。结果表明,作者提出的干扰对齐编解码矩阵求解方法能够使干扰系统中的多个用户同时进行有效的通信,提出的算法与传统的干扰泄漏最小化干扰对齐方法相比,在低信噪比区间具有较大的速率提升,而在高信噪比区间可以获得相似的性能。     

OFDM双向中继网络中基于网络编码的资源分配策略

对基于物理层网络编码的正交频分复用(OFDM)双向中继系统中的无线资源分配问题进行了研究,在总功率和用户对速率受限条件下,给出了一种复杂度较低,以最大化系统容量为目标的资源分配策略. 利用凸优化技术对子载波内的用户终端和中继节点的功率分配问题进行分析,得到用户终端和中继节点的功率闭合关系表达式. 基于该结果,将原优化问题中的三维变量搜索降低为一维变量搜索,较大地降低了算法的复杂度. 仿真结果表明,在多种典型场景中,所提方案较传统随机调度分配方案有较大的性能提升,且逼近最优分配方案的性能.     

Multiuser iterative precoding algorithm based on the matching weighted signal-to-leakage-and-noise ratio

A multiuser iterative precoding algorithm is proposed to reduce the multiuser interference in multiple antenna cellular communication systems. The proposed algorithm is based on the matching weighted signal-to-leakage-and-noise ratio. In the proposed algorithm, the effective channel gain of each user is selected as the matching weighted factor, and the leakage power received by each user is weighted by the factor. An exact closed form solution for the precoding vector is obtained by maximizing the matching weighted signal-to-leakage-and-noise ratio, and then optimized by using an iterative optimization approach. Simulation results show that the proposed iterative algorithm based on the matching weighted signal-to-leakage-and-noise ratio can improve the sum capacity of the system, and retain low computational complexity.     

基于范数最小的干扰对齐预编码方案设计

干扰对齐是解决无线通信系统中同信道干扰的重要技术之一,能获得与用户数量成线性关系的自由度增益。针对干扰对齐中预编码矩阵的目标函数过于复杂,难以优化的问题,用子空间投影的方法证明了期望信号最强的条件是在信号空间和干扰空间的仿酉矩阵的内积范数最小时得到的,并提出基于内积范数最小的预编码矩阵方案。然后在多用户干扰信道中,分别用迫零和最小均方误差接收机,测试了该算法的性能。仿真结果表明,与现有预编码方案相比,该方案的信道容量有明显的提高。     

多小区干扰对齐的低复杂度发射天线选择算法

针对多小区干扰对齐系统的下行链路,在研究基于穷搜索和分布式干扰对齐的最优发射天线选择算法的基础上,提出了一种低复杂度的发射天线选择算法．该算法采用贪心搜索策略,利用部分迭代的分布式干扰对齐方法,在保持其他基站的发射天线选择方案不变的情况下,沿着系统和容量增加的搜索方向依次优化各基站的发射天线选择方案,从而达到降低计算复杂度的目的．复杂度分析及仿真结果表明,在获得接近于最优发射天线选择算法的系统和容量性能的同时,该算法能有效降低计算复杂度,并且通过调整部分迭代次数,可以达到系统和容量性能与计算复杂度的折中．     

认知无线电网络中的参数优化问题

针对在多协作用户宽带信道情况下,认知无线电网络中当信道增益固定时,检测时间、功率以及带宽分配等参数的优化问题,提出了各参数的联合优化算法.以信道容量为目标函数,给出了最优的资源分配算法.结果表明,该算法能够实现频谱接入并且极大地提高了次用户系统的总信道容量,且资源分配与主用户占用的概率、峰值发射功率和干扰约束等因素有关.在多认知用户网络中,参与合作的用户越多,接收信号的信噪比越高,次用户系统的总信道容量越大.     

针对量化预编码系统的多用户选择方法

为了提升大规模多用户多输入多输出系统的性能,对多用户选择方法进行了研究,提出了2种同时考虑用户信道质量和用户间干扰的多用户选择方法.通过将1 bit反馈法和最小化预编码向量相关性法结合,大大降低了用户选择的计算复杂度;基站端首先通过将所有用户组的预编码向量相关性与预定门限值比较,得到待选用户组的集合,然后选择待选用户组中信道增益和最大的一组用户服务,提升了系统的和容量.通过系统仿真验证了2种方法的有效性.     

协作多点系统和空间干扰对齐机制

提出了一种用于下行协作多点系统联合传输的和空间干扰对齐（IA）机制. 利用多小区联合预编码将从不同基站到同一用户的干扰对齐到一个特定维度的空间中,实现干扰空间的压缩;然后在接收端设计干扰抑制矩阵消除多用户间干扰. 从系统自由度（DoF）的角度理论分析了和空间IA机制的性能,给出了系统可达DoF上界,以及干扰信号压缩维度与系统可达DoF的关系. 数值仿真将和空间IA机制与传统正交机制和经典IA机制进行对比,验证了和空间IA机制可以获得更高的DoF与数据速率.     

非理想信道状态信息下的稳健干扰安排设计

为了减小多小区环境下信道误差对传统算法稳健性的影响,通过设立误差约束,并对收发端矩阵进行迭代运算,给出了一种稳健的最小化干扰泄露算法,推导了新的目标约束下具有信道误差的系统和速率表达式.仿真结果表明,该干扰安排算法与未考虑信道误差的算法相比,可以有效地提高小区边缘用户的误码率性能.     

泊松域上基于有限反馈的干扰对齐系统性能分析

为了满足用户日益增长的数据流量需求,无线网络基站架构正从严格规划的宏基站转变为多个分布式基站. 分布式基站的部署位置具有很强的随机性,不同于传统的基于规则的基站部署模型,在泊松域上可随机部署基站,为此,研究了多输入多输出干扰网络中基于有限反馈的干扰对齐系统性能. 首先将基站在泊松域上建模成齐次泊松过程,分析了量化后的信道状态信息的相关统计特征,推导了系统的中断概率和网络容量的近似闭合表达式,通过最大化网络容量的下界得到了最优的发射机部署密度参数. 仿真结果验证了所推导的表达式能准确地评估基于有限反馈的干扰对齐系统性能.