网络效益最大化的认知无线电频谱分配算法

首先介绍了认知无线电系统中频谱分配的图论着色模型。针对该模型以网络效益最大化为目标,设计了自适应的交叉和变异算子,并在此基础上引入小生境技术,提出了基于自适应小生境遗传算法的认知无线电频谱分配算法。通过仿真实验比较了本算法、颜色敏感图论算法与经典遗传算法的性能。结果表明基于自适应小生境的遗传算法不易陷入局部最优,在较少的代数内就可以找到理想最优解,能更好的实现网络频谱效益最大化,其性能优于颜色敏感图论算法和经典遗传算法。     

网络效益最大化的认知无线电频谱分配算法

首先介绍了认知无线电系统中频谱分配的图论着色模型。针对该模型以网络效益最大化为目标,设计了自适应的交叉和变异算子,并在此基础上引入小生境技术,提出了基于自适应小生境遗传算法的认知无线电频谱分配算法。通过仿真实验比较了本算法、颜色敏感图论算法与经典遗传算法的性能。结果表明基于自适应小生境的遗传算法不易陷入局部最优,在较少的代数内就可以找到理想最优解,能更好地实现网络频谱效益最大化,其性能优于颜色敏感图论算法和经典遗传算法。     

认知无线电中结合差异性的免疫克隆优化频谱分配算法

频谱分配是认知无线电中的重要问题,而传统的频谱分配算法并未考虑频谱的差异性。提出一种基于免疫克隆优化算法、考虑频谱差异性的频谱分配算法,算法引入可信度矩阵对频谱的时间差异性进行建模。进行约束处理时,通过差异性算子(DCSO)的使用能将可信度更高的频谱分配给认知用户,从而提高系统的总收益。对于冲突激烈的认知用户,使用公平性算子（FCSO）能够增加它们被分配频谱资源的可能性,从而提高系统的公平性效益。仿真实验表明,相较于传统的免疫克隆优化算法、颜色敏感算法和遗传算法,本算法能显著增加网络的总收益、可信度,提高网络的公平性。     

基于改进二进制灰狼算法的频谱分配

为解决当前频谱资源紧缺和利用率低的问题,提出一种基于改进二进制灰狼算法(IBGWO)的频谱分配方案.在算法中加入一个非线性收敛因子、柯西扰动策略和自适应权重,提高算法的寻优性能;在连续空间到离散空间的转换中,引入一个新的转换函数实现离散化操作;将改进后的二进制灰狼算法和频谱分配模型结合,以最大化系统效益和认知用户接入公平性为优化目标进行仿真实验.实验结果表明,提出算法在频谱分配时能取得较高的系统效益和认知用户接入公平性.     

染色体片段交叉重组的频谱分配遗传算法

传统的遗传算法在解决认知无线电频谱分配问题时,没有考虑染色体中来自于不同频谱的基因所表达的遗传特性是不同的,而不加区别的对染色体进行交叉会降低其进化效率。针对此问题,本文依据遗传特性把染色体分成不同的片段,将染色体交叉设定在每一个片段内,并加入了染色体片段重组过程,用来提高染色体进化的效率,然后从系统公平性的角度设计了自适应的变异概率,让接入率较低的染色体获得更大的变异机会,以提高系统的公平性。最后本文与遗传算法(Genetic Algorithm, GA)和量子遗传算法(Quantum Genetic Algorithm, QGA) 进行了仿真对比实验,结果表明本文算法的收敛速度更快,且同时获得了较高的系统效益以及用户接入率。     

LTE-A系统中基于CoMP的下行跨层功率分配优化方法

为了降低长期演进技术增强(long term evolution-advanced,LTE-A)网络中资源分配时的功率消耗,提高小区边缘用户频谱利用率,提升系统吞吐量,提出了LTE-A网络中基于下行协作多点传输(coordinated multi-point transmission/reception,CoMP)技术的跨层功率分配优化方法。该方法在传统功率分配方法的基础上引入了联合处理(joint processing/transmission,JP)技术,并对其进行了分析;接着将无线链路控制(radio link control,RLC)层的用户队列状态信息情况考虑到物理层的功率分配算法模块中,建立了新的跨层功率分配方案,并且使用了遗传算法对该方案进行求解;仿真结果表明和传统的几种方法比较起来,有效提高了小区平均频谱效率和边缘频谱效率,减少了功率浪费。     

用遗传算法解决IM系统中的负载均衡问题

本文提出了一种基于遗传算法的自适应调度方案,用于解决即时通信(IM)系统中,登录服务器的负载均衡问题.该方案考虑到影响服务器权值的多方面因素,将遗传算法用于动态调整服务器的调度序列,实现自适应分配Peer点的登录请求,使系统中各服务器负载趋于最佳均衡状态.     

基于自适应选择遗传算法的任务调度与分配

提出一种异构环境下解决任务调度与分配的新遗传进化算法——基于自适应选择的遗传算法(SASGA),与传统的遗传算法相比,自适应选择的遗传算法具有比较明显的特点。仿真实验表明,该方法具有良好的解质量和搜索能力,对异构系统中的任务调度具有较好的处理结果｡     

基于差分进化算法的认知无线电频谱分配

针对认知无线电系统中认知用户分配可用频谱问题,提出基于差分进化算法的认知无线电频谱分配算法。利用差分算法设置参数少、寻优能力强、不易于陷入局部最优等特点,得到可以使认知用户平均系统效益最大化的频谱分配方案。仿真结果表明,提出的算法不仅提高了用户平均系统效益,而且缩短了运行时间,提高了频谱分配效率。     

离散二进制粒子群优化的频谱分配算法研究

随着无线通信技术在各领域的广泛应用,通信设备对频谱资源的需求程度不断提高。频谱资源的稀缺问题已经成为制约无线通信技术进一步发展的关键因素。利用图论模型,得到可用频谱矩阵、网络效益矩阵、频谱干扰矩阵以及分配矩阵,并将频谱分配问题转换为网络效益与分配矩阵寻优问题。借助离散二进制粒子算法,以网络效益、最大比例公平网络效益为目标函数,寻找最优分配矩阵。寻优过程中,为解决传统离散二进制粒子算法易陷入局部最优的问题,采用线性减少惯性权重因子,平衡局部和全局关系,提高寻优精度。试验表明:与遗传算法、敏感图着色法相比,基于离散二进制粒子群算法可取得更高的网络效益和最大比例公平网络效益。     

基于小生境遗传算法的排课问题研究

建立排课问题的数学优化模型,构建其基本求解框架,引入遗传算法并设计多种改进方案,包括新的二进制编码方案、初始种群生成方案、适应度函数设计方案、小生境策略、自适应交叉概率和自适应变异概率设计方案.仿真结果表明,该算法能够满足排课问题的多重约束条件,更有效地解决排课问题.     

基于群体优势遗传算法的高校排课问题研究

深入分析了高校排课问题,建立了高校排课问题的数学优化模型,构建了基本求解框架。针对高校排课问题的特点,引入遗传算法来加以解决,设计了多种改进方案：新的二进制编码方案、初始种群生成方案、适应度函数设计方案、群体优势策略、自适应交叉概率和自适应变异概率设计方案。仿真结果表明该算法能够满足高校排课问题的多重约束条件,能更有效地解决高校排课问题。     

采用新型编码GA的高校排课问题仿真研究

深入分析了高校排课问题,建立了它的数学优化模型,构建了该问题的基本求解框架。针对高校排课问题的特点,引入遗传算法来进行仿真研究,设计了多种改进方案,包括：三维编码方案、初始种群生成方案、适应度函数设计方案、自适应交叉概率和自适应变异概率设计方案。仿真结果表明该算法能够满足高校排课问题的多重约束条件,能有效地解决高校排课问题。     

基于三维免疫遗传算法的高校排课问题研究

深入分析了高校排课问题,建立了其数学优化模型,构建了它的基本求解框架。针对高校排课问题的特点,引入遗传算法来加以解决,设计了多种改进方案,包括:三维编码方案、初始种群生成方案、适应度函数设计方案、免疫策略、自适应交叉概率和自适应变异概率设计方案。仿真结果表明该算法能够满足高校排课问题的多重约束条件,能更有效地解决高校排课问题。     

基于DCT和GA-SVM的轴承故障诊断

针对轴承故障振动信号特点,提出一种基于离散余弦变换(DCT)、遗传算法(GA)和支持向量机(SVM)的轴承故障诊断方法.利用DCT的能量聚集性在广义频域建立原始特征向量集,运用GA以SVM的最低分类错误率为目标函数建立故障特征向量集,使用SVM完成轴承故障诊断.分别对轴承内圈故障、外圈故障、滚动体故障进行故障诊断,结果表明,该方法能够准确诊断轴承故障.     

基于帝国主义竞争算法的WSNs定位方案

遗传算法(GA)在无线传感器网络(WSNs)定位时存在收敛速度慢、精度低等弊端,针对以上问题,提出了一种利用帝国主义竞争算法(ICA)优化WSNs定位的方案。首先,使用了采样的方法来估计未知节点的初始位置;其次,依靠信标节点和相邻节点的相关信息建立了以最小化全局误差的三维空间的数学定位模型;最后,使用了最新的社会启发算法—ICA来进行定位优化。实验结果表明:与GA定位相比,ICA在WSNs定位上具有定位精度高、收敛迅速的优势。     

基于GMM模型的自适应扩频隐写安全性分析

对自适应隐写的安全性问题进行分析,提出一种基于自然图像的高斯混合模型分析方法。在总嵌入强度相同的条件下,比较自适应和非自适应扩频隐写载密随机变量概率密度函数的特征函数,验证自适应扩频隐写的统计安全性高于等嵌入强度下非自适应扩频隐写。分析结果表明,该方法能为提升信息隐藏系统的抗统计分析性能提供理论依据。     

改进微遗传算法在多用户检测技术中的研究

微遗传算法是一种基于小种群进化的遗传算法,它的应用较大地降低了运算复杂度。从对微遗传算法种群中个体数目的讨论入手,改进了微遗传算法,并将其与多用户检测技术结合,提出了一种新的基于微遗传算法的改进型多用户检测器,进行了理论依据和仿真性能分析。仿真结果表明：该检测器在性能上接近最佳多用户检测器,计算复杂度较低。     

T-S模型全局优化辨识

T-S模型把一个非线性系统当做多个线性子系统与其权重乘积之和,能够逼近任意非线性系统。提出基于遗传算法和支持向量机的T-S模型全局优化辨识方法,利用遗传算法同时辨识T-S模型的结构和参数,以结构风险最小化作为辨识的评价指标,综合考虑模型复杂度和辨识误差,辨识精度高,泛化能力强,仿真结果证明了算法的有效性。     

有时间窗约束车辆路径问题的改进遗传算法

将遗传算法与禁忌搜索结合起来,设计了一种改进的遗传算法求解有时间窗约束车辆路径问题。采用启发式插入算法产生较优良的遗传操作初始种群,通过改进的逆转变异算子更多继承父代的优良性能,以提高遗传算法的计算效率。引入海明距评估遗传进化中种群的多样性。当种群多样性低到一定程度时转入禁忌搜索,以避免遗传算法早熟的缺陷,最终实现全局优化。通过算例验证了该算法的优越性。