基于量子遗传算法的认知无线电决策引擎研究

提出了基于量子遗传算法的认知无线电决策引擎，设计了待优化的多目标函数，利用量子遗传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.实验结果表明该方法在收敛速度、收敛精度和算法稳定性上都明显优于经典遗传算法，在种群规模较小时仍然能获得很好性能，适合于实际实现.不同权重设置模式下仿真结果表明该方法能够在多个目标函数间进行权衡，参数调整结果与当前对目标函数的偏好一致.     

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.     

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.     

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.     

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     

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.     

一种采用种群多样性监控和实时更新策略的粒子群优化算法

针对粒子群算法优化后期容易出现早熟收敛问题,建立一种具有种群多样性监测和实时更新策略的改进方法.首先建立种群健康度指标用来评价粒子群进化状态;其次提出随机扰动策略和离心搜索策略用于丰富粒子群的种群多样性,增强算法的全局搜索能力,并提出梯度搜索策略用于精确、高效地搜寻当前邻域内的局部极值点,提高算法的计算效率.最后建立种群健康度反馈机制,使粒子可以实时感知种群的健康程度,并自适应地采用不同的粒子更新策略,保证粒子群处于健康进化水平.将新方法应用于优化实例,并与其它改进方法进行性能比较,结果验证了新方法的有效性.     

混沌免疫多目标算法求解认知引擎参数优化问题

合理的认知引擎参数设置可以提高频谱的使用性能. 通过分析认知无线网络中的认知引擎参数配置, 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免疫多目标优化的求解方法. 算法使用Logistic混沌映射初始化种群, 并在每一代将混沌特性用于最优解集的搜索; 设计了适合此问题的免疫克隆算子和抗体群更新算子, 保证了Pateto最优解集分布的多样性和均匀性. 最后, 在多载波环境下对算法进行了仿真实验. 结果表明, 算法可以根据信道条件和用户服务的动态变化, 自适应调整各个子载波的发射功率和调制方式, 可以求出更多满足偏好需求的解, 满足认知引擎参数优化要求.     

基于改进雁群PSO算法的模糊自适应扩展卡尔曼滤波的SLAM算法

针对扩展卡尔曼滤波同时定位与地图创建算法中难以建立准确的先验噪声模型的问题, 提出一种基于改进雁群粒子群算法的模糊自适应卡尔曼滤波算法. 利用分数阶微积分改进粒子进化速度, 利用混沌来改进粒子的初始化和发生早熟时的处理. 改进后的雁群粒子群算法在收敛速度与避免早熟方面有了很大改进, 并将改进的雁群粒子群算法用于模糊自适应扩展卡尔曼滤波同时定位与地图创建算法的训练, 并与用雁群粒子群算法训练的模糊自适应扩展卡尔曼滤波同时定位与地图创建算法进行对比, 其在定位与构图方面有很大的提高. 关键词： 同时定位与地图创建 雁群粒子群算法 分数阶微积分 混沌     

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.     

基于自适应遗传算法的改进PID参数优化

PID控制的控制性能取决于PID参数的设置,针对传统PID参数整定和优化过程中存在的问题进行了PID控制改进,提出了自适应遗传算法整定和优化PID参数的方法。改进PID控制将系统的综合性能控制区分为不同目标的局部性能控制,采用自适应遗传算法针对不同控制目标进行PID参数寻优,选择、交叉和变异概率的自适应改变在保持种群多样性的同时加快算法收敛。改进的PID控制和遗传算法有效提高了PID参数寻优能力,提高了控制系统的响应能力和稳定性。最后通过发动机怠速转速控制应用表明本算法的可行性和有效性。     

拟态物理学优化的认知无线电网络频谱分配

针对认知无线电网络中基于图着色模型的频谱分配问题,基于其非确定性多项式特性,以最大化网络收益总和为目标,提出了一种基于拟态物理学优化的求解算法. 在拟态物理学优化算法中,将频谱分配问题的解映射为一个具有质量的微粒,通过建立微粒的质量与其适应值之间的关系,并利用万有引力定律定义微粒间的虚拟作用力的大小,使整个群体向更好的方向运动,实现群体寻优. 给出了频谱分配问题的具体求解过程,并根据分配问题的二进制编码特点,改进了微粒的位置更新方程. 仿真实验表明：本文算法能更好地实现网络收益最大化. 关键词： 拟态物理学优化 认知无线电网络 频谱分配 网络收益     

A parallel system for adaptive optics based on parallel mutation PSO algorithm

Wavefront sensor-less adaptive optics technology has a much higher requirement for the processing speed than ever before. To improve the efficiency of particle swarm optimization (PSO), this paper proposes a novel parallel mutation particle swarm optimization (PMPSO) algorithm based on a master-slave model. The parallel system based on PMPSO algorithm is applied in a 61-element adaptive optics system to control the deformable mirror. The experimental results show that the parallel system based on PMPSO algorithm has a rapid convergence speed, which can effectively correct the wavefront aberration.     

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