基于二进制粒子群算法的认知无线电决策引擎

提出了基于粒子群算法的认知无线电决策引擎,并提出了一种种群自适应粒子群算法,利用粒子群算法调整优化无线电参数,运用多载波系统对算法性能进行了仿真分析.实验结果表明基于二进制粒子群算法的认知决策引擎在收敛速度、收敛精度和算法稳定性上都要明显优于经典遗传算法,基于种群自适应粒子群算法的决策引擎则能进一步提高算法初期性能,满足认知无线电实时性要求. 关键词： 认知无线电 粒子群算法 遗传算法 认知决策引擎     

混沌量子克隆优化求解认知无线网络决策引擎

通过分析认知无线网络引擎决策, 给出了其数学模型, 并将其转化为一个多目标优化问题, 进而提出一种基于混沌量子克隆的优化求解算法, 并证明了该算法以概率1收敛. 算法采用量子编码, 利用Logistic映射初始化抗体种群, 设计了一种基于混沌扰动的量子变异方案. 最后, 在多载波环境下对算法进行了仿真实验. 结果表明, 与QGA-CE(基于量子遗传算法的认知引擎)算法相比, 本文算法收敛速度较快, 具有较高的目标函数值, 可以对无线参数优化调整, 满足认知引擎的实时性要求.     

膜量子蜂群优化的多目标频谱分配

为了解决认知无线电系统中最大和网络效益和用户间公平性联合最优化的多目标频谱分配难题,基于量子蜂群理论和膜计算,提出了一种新的离散多目标组合优化算法—–膜量子蜂群优化.所提算法在基础膜可以搜索到单个目标的全局最优解,在表层膜获得兼顾网络效益和公平的Pareto前端解.通过膜间的通信规则、量子觅食行为的协同演进和非支配解排序可获得能同时求解单目标和多目标优化问题的多目标优化算法,并与经典的敏感图论着色算法、遗传算法、量子遗传算法和粒子群算法等频谱分配算法在不同的目标函数下进行仿真性能比较.仿真结果表明:在不同网络效益函数下所提的膜量子蜂群频谱分配算法都能够较好地找到单目标最优解,优于经典的频谱分配算法和已有的智能频谱分配算法,还可获得多目标频谱分配的Pareto前端最优解集.     

基于组合混沌遗传算法的认知无线电资源分配

提出了基于组合混沌遗传算法用于认知无线电资源分配,设计了相应的组合混沌序列发生器,并分别运用组合混沌遗传算法、粒子群优化算法、模拟退火算法及简单遗传算法对认知无线电资源分配问题进行了仿真分析.结果表明,组合混沌遗传算法具有收敛速度快、搜索空间广、全局收敛等优点.相比其他三种算法,基于组合混沌遗传算法进行资源分配提高了认知无线电系统的传输速率,降低了系统的发射功率及误码率,同时加快了收敛速度. 关键词： 组合混沌 认知无线电 遗传算法 资源分配     

混沌量子克隆算法求解认知无线网络频谱分配问题

对认知无线网络中的频谱进行有效分配是实现动态频谱接入的关键技术.考虑3次用户对频谱的需求和分配的公平性,给出了频谱分配的数学模型,并将其转换为以最大化网络收益为目标的带约束优化问题,进而提出一种采用混沌量子克隆优化求解的认知无线网络频谱分配算法, 并证明了该算法以概率1收敛.最后,通过仿真实验比较了本文算法与颜色敏感图着色算法、基于遗传算法的频谱分配、基于量子遗传算法的频谱分配的性能.结果表明:本文算法性能较优, 能更好地实现网络收益最大化. 关键词： 混沌量子克隆算法 认知无线网络 频谱分配     

基于量子遗传算法的认知无线电频谱分配

提出了基于量子遗传算法的认知无线电频谱分配算法,通过仿真比较了本文算法与颜色敏感图论着色频谱分配算法的性能.结果表明基于量子遗传算法的频谱分配算法性能明显优于颜色敏感图论着色算法,它能更好地实现网络效益最大化;当用户数和频带数较少时,量子遗传算法在进化代数很少时就能找到理想最优解,而颜色敏感图论着色算法所得到的解与理想最优解偏差较大. 关键词： 认知无线电 频谱分配 量子遗传算法 图论着色     

一种用于认知无线电资源分配的并行免疫遗传算法

提出了用于认知无线电自适应调制和资源分配的并行免疫遗传算法,并对该算法、简单遗传算法和静态调制分配算法进行了仿真.仿真结果显示,该算法具有很强的全局搜索能力和较快的收敛速度,在误码率和功率受限条件下,该算法比简单遗传算法和静态调制方式的性能更好,同时明显降低了计算复杂度.     

基于IAGA的空间测量定位系统测站优化部署

空间测量定位系统是一种基于光电扫描的角度交汇测量系统,由于该系统是在多测站协同作用下实现坐标测量,因此测站的布局优化是应用时面临的重要问题。为了解决该问题,提出了一种基于改进自适应遗传算法的测站优化部署方案。以系统定位精度、覆盖度和使用成本作为多目标优化函数;将进化代数衰减因子与自适应遗传算法相结合,根据多目标函数建立改进自适应遗传算法优化流程;对2~4个测站进行仿真优化分析。仿真结果表明,与传统自适应遗传算法相比,该方法能在10~20代内收敛到最优解并获得更优的目标函数值。因此该方法在空间布局优化设计中能有效提高系统的测量性能。     

基于混沌并行遗传算法的多目标无线传感器网络跨层资源分配

提出了一种基于混沌并行遗传算法的多目标无线传感器网络跨层资源分配方法,该方法运用混沌序列和并行遗传算法来动态调整传感器网络节点的探测目标及通信时隙等参数,对资源分配方式进行跨层整体优化.在多目标无线传感器网络环境下,将本文方法与传统的随机分配方法、动态规划方法、T-MAC协议及S-MAC协议等资源分配算法进行了仿真比较.仿真结果表明,本文提出的混沌并行遗传算法具有通信时延小,目标检测成功率高等优点,在降低了无线传感器网络功率消耗的同时提高了对目标检测的实时性. 关键词： 无线传感器网络 无线资源管理 Henon映射 并行遗传算法     

绿色认知无线电自适应参数调整

提出了绿色认知无线电自适应参数调整问题模型,并提出了基于粒子群算法的调整方法, 通过仿真对所提方法性能进行了分析.结果表明不同服务质量(quality of service, QoS)要求情况下, 本文所提方法均能在满足QoS要求的前提下尽可能减少系统总的发射功率,从而达到了降低能量消耗的目的.     

Multi-user cognitive radio network resource allocation based on the adaptive niche immune genetic algorithm

Multi-user cognitive radio network resource allocation based on the adaptive niche immune genetic algorithm is proposed, and a fitness function is provided. Simulations are conducted using the adaptive niche immune genetic algorithm, the simulated annealing algorithm, the quantum genetic algorithm and the simple genetic algorithm, respectively. The results show that the adaptive niche immune genetic algorithm performs better than the other three algorithms in terms of the multi-user cognitive radio network resource allocation, and has quick convergence speed and strong global searching capability, which effectively reduces the system power consumption and bit error rate.     

Cognitive radio resource allocation based on coupled chaotic genetic algorithm

A coupled chaotic genetic algorithm for cognitive radio resource allocation which is based on genetic algorithm and coupled Logistic map is proposed.A fitness function for cognitive radio resource allocation is provided.Simulations are conducted for cognitive radio resource allocation by using the coupled chaotic genetic algorithm,simple genetic algorithm and dynamic allocation algorithm respectively.The simulation results show that,compared with simple genetic and dynamic allocation algorithm,coupled chaotic genetic algorithm reduces the total transmission power and bit error rate in cognitive radio system,and has faster convergence speed.     

Cognitive radio adaptation for power consumption minimization using biogeography-based optimization

Adaptation is one of the key capabilities of cognitive radio, which focuses on how to adjust the radio parameters to optimize the system performance based on the knowledge of the radio environment and its capability and characteristics.In this paper, we consider the cognitive radio adaptation problem for power consumption minimization. The problem is formulated as a constrained power consumption minimization problem, and the biogeography-based optimization(BBO) is introduced to solve this optimization problem. A novel habitat suitability index(HSI) evaluation mechanism is proposed,in which both the power consumption minimization objective and the quality of services(Qo S) constraints are taken into account. The results show that under different Qo S requirement settings corresponding to different types of services, the algorithm can minimize power consumption while still maintaining the Qo S requirements. Comparison with particle swarm optimization(PSO) and cat swarm optimization(CSO) reveals that BBO works better, especially at the early stage of the search, which means that the BBO is a better choice for real-time applications.     

基于贝叶斯网络的认知引擎设计与重配置

以往的通信行为指导系统未来通信, 以满足用户需求并适应环境变化, 是认知无线电系统的核心所在, 为此提出了一种基于贝叶斯网络的认知引擎, 用于解决在复杂多变的电磁环境与用户需求条件下, 认知无线电系统参数自适应调整的问题. 通过对系统过去通信行为样本数据, 进行结构学习和参数学习建立认知引擎, 将系统当前环境状态和用户需求信息经预处理作为推理的证据, 应用引擎决策出系统此时最佳的工作参数, 完成系统参数重构. 本文利用OPNET工具建立一个移动无线网络完成仿真实验, 仿真结果表明该认知引擎能有效地使移动无线网络适应环境变化, 改善端到端通信性能, 进一步验证了建模方法的可行性.     

用于认知无线电协作频谱感知的混合蛙跳算法群体初始化技术

提出了一种用于认知无线电线性加权协作频谱感知的改进混合蛙跳算法(shuffled frog leaping algorithm, SFLA) 的群体初始化技术, 提出在SFLA初始群体中包含基于修正偏差因子所得的解, 从而改进算法初期性能. 仿真结果表明相比于传统群体初始化技术, 本文所提出的群体初始化技术能够以更快的速率得到期望解, 从而节约计算时间, 更有利于实时应用 关键词： 认知无线电 频谱感知 混合蛙跳算法 群体初始化