一种认知无线电网络频谱分配策略

频谱分配技术是认知无线电的关键技术之一,为适应认知无线电系统的时变特性,频谱分配算法必须有较快的收敛速度。在干扰温度模型下,提出一种基于Kuhn-Munkras算法的认知无线电频谱分配策略。该策略利用Kuhn-Munkras算法可以实现最佳匹配并且收敛速度快的特性,根据不同的用户在不同信道上所产生的效益的差异性,实现认知用户和信道的最佳匹配。仿真表明,基于Kuhn-Munkras算法的频谱分配在性能上优于传统的配对算法和greedy算法。     

基于潜在博弈的认知无线电频谱分配研究

为解决认知无线电网络中认知用户、授权用户共存情况下的频谱分配问题,提出了一种基于潜在博弈的认知无线电频谱分配模型,该模型以最小化系统总干扰水平为目标,认知用户采用避免机会浪费的改进型策略动态调整规则进行频谱选择,经过有限改进路径快速收敛到博弈的纳什均衡点。在30个认知用户和2个授权用户共存的场景下进行仿真实验,算法以较快的收敛速度实现了频谱分配的目标,证明了模型及算法的可行有效。     

基于逻辑运算的离散人工蜂群算法

针对当前离散人工蜂群算法冗余度高、探索性能差、容易陷入早熟等问题,提出一种基于逻辑运算的离散人工蜂群算法.通过引入一系列的逻辑运算,一方面解决了当前离散人工蜂群算法中存在的解不更新问题,提高了算法的搜索效率;另一方面,很好地保证了搜索过程的中间解和最终解都封闭在原离散封闭集内,有效地避开了实数集与离散集间的映射问题.基于逻辑运算的离散人工蜂群算法计算简单、易于硬件实现,在基于图论着色理论的频谱分配模型上进行验证,取得了明显优于离散人工蜂群算法的收敛速度和优化性能.     

基于改进人工蜂群算法的无人机的航迹规划

针对无人机飞行任务规划系统中的航迹规划问题,提出了一种改进的人工蜂群算法,将其应用于无人机的航迹规划。该算法将航迹规划问题转换成函数优化问题,以蜂群为搜索单位,通过群体之间的信息交流与优胜劣汰机制,使蜂群向更优方向进化。在雇佣蜂搜索阶段采用自适应搜索策略来加快算法收敛速度;在跟随蜂搜索阶段引入一种新的概率选择方式来保证种群的多样性;在侦察蜂搜索阶段利用混沌搜索算子提高算法的全局搜索能力。通过标准函数测试与航迹规划仿真对改进后的算法进行验证,结果表明,改进后的算法提高了全局收敛能力,在收敛速度和精度上优于传统的人工蜂群算法,可有效解决无人机的航迹规划问题。     

基于多目标禁忌搜索算法的认知无线电频谱分配

针对认知无线电动态频谱分配问题,建立图着色频谱分配模型,将模型中的分配矩阵和禁忌搜索算法中的可行解相对应,提出基于禁忌搜索的智能求解算法。同时将高斯柯西算子引入到禁忌搜索的更新策略当中,改善了算法的收敛速度和爬坡能力。在最大化认知无线电网络效益和最大化公平效益准则下建立多目标评价函数,将禁忌搜索算法和粒子群算法在图着色频谱分配模型基础上进行性能比较,结果表明在不同权重的评价函数下,禁忌搜索算法找到的理想最优解都要优于粒子群算法。     

一种快速高效的人工蜂群算法

针对人工蜂群算法收敛速度慢和易陷入局部最优的缺点,在雇佣蜂搜索阶段提出了一种基于多维搜索和一维搜索的混合搜索策略,能克服单一一维搜索下收敛速度慢的缺点,有效加快收敛速度;提出了新的跟随蜂蜜源选择策略,可保证种群多样性,增强算法全局搜索能力。通过对12个基准测试函数进行仿真实验并与原算法进行比较,其结果表明改进的算法在收敛速度和精度上均优于人工蜂群算法。     

改进人工蜂群算法在数字图像相关中的应用

针对人工蜂群算法存在的收敛速度较慢,易陷入局部最优解的问题,提出一种改进的人工蜂群优化算法,并应用于数字图像相关的整像素位移搜索中。该算法借助相关度值的变化来动态调整跟随蜂的搜索步长,平衡其全局和局部的搜索能力;侦察蜂利用遗传算法的交叉运算产生新解,改善全局搜索能力。实验结果表明,改进的算法能有效地提高收敛速度,改善整像素位移搜索的性能。     

基于改进人工蜂群算法的认知抗干扰智能决策技术研究

在认知抗干扰系统中,智能决策是其核心,根据干扰环境,对系统的干扰抑制方式、频谱资源分配、调制编码方式和功率调整信息进行最优决策。人工蜂群算法（Artificial Bee Colony,ABC）相较于其他群体智能算法全局寻优速度更快,设置参数少、灵活,易与其他技术结合改进原算法,实用性更广泛,但ABC算法同样有其局限性,如局部搜索能力较弱、后期收敛速度慢等。针对复杂干扰环境下对离散参数的决策,本文设计了一种基于改进人工蜂群算法的认知抗干扰智能决策引擎,分析了引擎模型,根据系统效能设计了目标函数和染色体,阐述了决策实现步骤,优化了决策参数,提出了按基因组搜索的改进算法;通过对系统抗干扰性能的仿真,验证了与未采用智能决策的抗干扰系统相比,采用本文提出的智能决策引擎的认知抗干扰系统在干扰环境中不仅具有强抗干扰性能,而且在保证通信传输可靠性的前提下,具有较低的发射功率和高传输效率,与采用传统人工蜂群算法和遗传算法的决策引擎相比,基于改进人工蜂群算法的决策引擎平均收敛代数更少且最优解概率更高。      

基于改进离散粒子群算法的认知无线电频谱分配

原始的二进制粒子算法在认知无线电频谱分配过程中存在收敛速度慢、最优值不理想的问题,并且对二进制粒子群算法在频谱分配过程中的惯性权重参数设置缺乏理论研究。针对这一问题,在分析二进制粒子群算法的基本原理和计算步骤的基础上,探讨了二进制粒子群算法ω最适宜的取值。对原始二进制粒子群算法进行了改进,提出了采用混沌Logistic映射的方式进行初始种群的构造,保证了初始种群在解空间的均匀分布。引入了基于种群聚集度的粒子变异思想,使得新算法与原算法相比,不易陷入局部最优解。仿真结果表明,利用该算法进行认知无线电频谱分配时,收敛速度较快,得到的系统总效益值也较好。     

基于混沌量子蜂群算法的认知无线电频谱分配

在图论着色模型的基础上,提出了一种基于混沌量子蜂群算法的认知无线电频谱分配方法.该算法基于人工蜂群理论,结合量子计算的高效性和混沌初始化的遍历性来实现频谱分配的优化问题.通过实验仿真比较了此算法与颜色敏感度图论算法、量子遗传算法、量子蜂群算法的性能,结果表明该算法具有更好的收敛性和网络效益.     

Joint power and spectrum allocation in multi-hop cognitive radio networks

Various cognitive network technologies are developed rapidly. In the article, the power and spectrum allocation in multi-hop cognitive radio network （CRN） with linear topology is investigated. The overall goal is to minimize outage probability and promote spectrum utility, including total reward and fairness, while meeting the limits of total transmit power and interference threshold to primary user simultaneously. The problem is solved with convex optimization and artificial bee colony （ABC） algorithm jointly. Simulation shows that the proposed scheme not only minimizes outage probability, but also realizes a better use of spectrum.     

Artificial bee colony–based spectrum handoff algorithm in wireless cognitive radio networks

In this work, we proposed a new artificial bee colony–based spectrum handoff algorithm for wireless cognitive radio systems. In our wireless cognitive radio system, primary users, secondary users, and related base stations exist in the same communication environment. For our artificial bee colony–based algorithm, secondary users that always struggle to discover an idle channel have a leading role. While honey bees work hard to find the best‐quality nectar source for foraging, secondary users try to find idle channels for making communication. In this way, secondary users are organized for different missions such as sensing and handoff similar to honey bees to minimize spectrum handoff delay by working together. In the spectrum handoff stage, some secondary users must sense the spectrum so that the interrupted secondary user may perform the spectrum handoff process. In our developed spectrum handoff algorithm, the spectrum availability characteristic is observed on the basis of the missions of the bees in the artificial bee colony algorithm with the aim of minimizing the spectrum handoff delay and maximizing probability of finding an idle channel. With the help of the algorithm that is developed using the artificial bee colony, spectrum handoff delay of secondary users is considerably decreased for different number of users without reducing probability of finding an available channel.     

基于图论的认知无线网络频谱动态分配

在认知无线电网络中，图论与量子遗传算法相结合的频谱分配策略能够提高频谱利用率，但存在早熟和收敛精度不够等缺点。为了解决该问题而实现算法的优化，对图着色理论的频谱分配模型进行数学建模，并针对该模型提出了改进的量子遗传算法。首先，通过使用小生境技术初始化种群，使种群分布更加广泛、算法的收敛度更高；其次，根据进化代数对量子旋转角进行实时动态调整，对染色体进行阈值变异，防止个体陷入早熟，跳出局部解；然后，对干扰约束条件进行重新设计，有效地避免盲目性，提高了网络的公平性和网络效益。仿真结果表明，所提算法有效地提高了频谱利用率，极大地增强了网络系统的性能。     

基于ADSABC算法优化WNN的语音识别研究

小波神经网络(WNN)具有高度的非线性映射功能及强大的自适应能力,但是WNN算法存在易陷入局部极小值,收敛速度慢。而人工蜂群算法(ABC)具有很强的全局搜索能力及较快的收敛速度。两者优势互补,已结合应用于语音识别中。本文对ABC算法做出改进,在采蜜蜂和观察蜂阶段各提出一个新的解搜索方程,采取自适应的双搜索方式(Adaptive Double Search)求解,从而提高算法的收敛速度和收敛精度。并将其和WNN算法进行结合,组成一种训练神经网络的新算法ADSABC-WNN,该算法既能克服WNN算法的缺点,又能保存双方的优点。实验结果表明,与传统ABC算法优化小波神经网络相比,识别率提高均有所提高,其中在词汇量为50时识别率提高了4.51%。将实验结果与其他方法优化的小波神经网络模型进行比较,在噪声环境下,该混合模型可以有效地减少识别时间,而且可以明显提高网络的训练速度和语音识别的识别率。     

Implementation and comparative analysis of the optimisations produced by evolutionary algorithms for the parameter extraction of PSP MOSFET model

The study proposes an application of evolutionary algorithms, specifically an artificial bee colony (ABC), variant ABC and particle swarm optimisation (PSO), to extract the parameters of metal oxide semiconductor field effect transistor (MOSFET) model. These algorithms are applied for the MOSFET parameter extraction problem using a Pennsylvania surface potential model. MOSFET parameter extraction procedures involve reducing the error between measured and modelled data. This study shows that ABC algorithm optimises the parameter values based on intelligent activities of honey bee swarms. Some modifications have also been applied to the basic ABC algorithm. Particle swarm optimisation is a population-based stochastic optimisation method that is based on bird flocking activities. The performances of these algorithms are compared with respect to the quality of the solutions. The simulation results of this study show that the PSO algorithm performs better than the variant ABC and basic ABC algorithm for the parameter extraction of the MOSFET model; also the implementation of the ABC algorithm is shown to be simpler than that of the PSO algorithm.     

改进的人工蜂群算法求解任务指派问题

针对指派问题提出了一种改进的人工蜂群算法.该算法充分考虑到指派问题解的离散性特点,给出了食物源位置的离散编码方法,并且采用邻域移动法生成候选食物源,这一方法既保证了解的可行性,又增加了食物源的多样性.实算表明在求解指派问题时,该算法比原人工蜂群算法在求解精度和收敛速度上都有显著地提高,两性能也优于其他粒子群算法.这种改进的离散人工蜂群算法简洁,应用方便,不但是一种有效求解指派问题的新算法,同时也为其他组合优化问题求解提供了一种有益思路.