一种混合信道分配算法的研究与仿真

为了提高无线网状网络的链路容量,提出一种在网络中配置节点多射频多信道的混合信道分配算法.通过配置默认信道并优化默认信道的使用,该算法基于启发式信道分配策略来减小链路干扰提升链路容量.基于网络物理拓扑,该算法生成简化的网络逻辑拓扑,使得信道分配方案能够结合路由优化网络性能.对信道分配的动态调整,确保了网络容量的实时优化.仿真结果显示,本信道分配算法可以有效地提升网络性能.     

WMN中的干扰避免部分重叠信道分配算法

针对无线mesh网络(wireless mesh networks,WMN)中存在的信道干扰问题,提出一种基于部分重叠信道(partially overlapping channels,POC)的负载平衡且干扰避免的信道分配算法。通过基于Huffman树的通信接口分配方法连接邻居节点的接口;根据网络干扰情况,对链路进行迭代信道分配,使用静态链路调度保证网络连接;利用启发式算法优先为重要程度较高的链路分配无干扰时隙,对链路调度进行优化。仿真结果表明,在具有混合流量的WMN中,所提算法可以显著提升网络吞吐量,降低网络干扰与平均丢包率,改善网络性能。     

无线Mesh网络中混合信道分配算法研究

根据多射频多信道无线Mesh网络的特点,提出一种基于节点干扰的混合信道分配算法。将节点间的链路分为正向链路和反向链路,通过概率模型分析链路干扰,计算节点间链路的权重,建立带权重的有向网络连接图。根据链路权重为节点固定接口分配信道,减小可切换接口在信道改变过程中引起的网络干扰。扩展的NS2仿真结果表明,该算法能有效降低链路干扰,提高网络吞吐量。     

基于离散粒子群优化的工业无线网多信道分配算法

在充分考虑工业无线节点低能耗要求的基础上,提出一种工业无线网发射功率调节算法.在保证网络连通度的前提下,使无线节点发射功率尽可能小.同时,利用离散粒子群优化算法,提出一种解决工业无线网多信道分配问题的离散粒子群优化多信道分配算法（DPSO-CAA）.对标准离散粒子群优化算法加以改进.提高了所提出算法的全局搜索能力.通过将DPSO-CAA算法与已有算法进行的仿真对比实验,表明了所提出的DPSO-CAA算法能有效地降低数据碰撞和同信道干扰,而且能降低无线节点能耗.     

基于链路负载分级的无线Mesh网信道分配算法

由于无线Mesh网络信道分配算法的性能增益与网络的流量负载特点密切相关,在对多射频多信道无线Mesh网络的流量特点进行分析的基础上,提出一种静态信道分配的启发式算法LPFCA。该算法根据无线链路在网络拓扑中的位置信息来估计无线链路的预期负载情况,并对网络中无线链路的预期负载进行量化分级,利用整数线性规划方法对信道分配进行描述并应用目标函数对信道分配进行优化,使网络总的干扰权重最小化。仿真结果表明,相比于现有的算法,该算法在吞吐量上平均提升了18.9%。     

认知无线Mesh网络中联合功率控制与信道分配的拥塞避免

受制于频谱资源有限性及链路负载差异性,网络拥塞成为认知无线Mesh网络研究中亟待解决的关键性问题.针对该问题,通过量化节点通信功率等级,并综合考虑网络干扰、链路有效容量及流量守恒等因素,建模了联合功率控制与信道分配的拥塞避免模型.进一步,提出了基于嵌套优化的拥塞避免机制,包括基于遗传算法的功率控制与信道分配、基于遗传算法的路由调度以及基于链路需求的最优路由算法.分别设计了组合编码和序列编码规则及流量守恒的约束控制机制,以保证个体进化的有效性及算法的快速收敛.一系列仿真实验表明该算法能够有效提高网络吞吐量,满足数据传输的实时性需求.     

异构无线网状网分布式接口和信道联合分配的研究*

研究了无线网状网络中分布式分配信道时,接口异构对网络容量的影响。提出了一种新颖的以射频链路为信道分配对象的接口和信道联合分配ILP模型,给出了一种自适应于网络流量变化的分布式贪婪算法。该算法以射频链路为信道分配对象,基于2-hop干扰模型,以队列长度为权的射频链路吞吐量之和最大为目标,寻找自适应流量变化的分布式分配方案。分析发现,该算法与目前已有的非接口异构的Dist. Greedy算法的时间复杂度相当,仿真结果表明本算法下的网络性能有明显提升。     

一种基于最小生成树的无线多跳网络信道分配算法

在无线多跳网络环境下,提出了一种信道分配算法,该算法可优先考虑最小生成树上的可用信道,为每个节点分配信道资源,然后考虑利用生成树外其他可用链路为节点提供信道资源,以提高吞吐量。该算法通过考虑每个用户的通信需求,可充分利用空闲信道资源。仿真结果显示,相比于不考虑最小生成树外链路时,本算法可有效地提高网络整体的吞吐量。     

一种最小化干扰数目的多无线电信道分配算法

无线Ad hoc网络中要求链路可以随机处于任何位置进行通信.由于链路位置的随机性,可能会造成某些链路都聚集在某个小范围内,同时通信可能会造成链路间相互干扰.因此需要一种机制来保证链路间实际干扰最小.针对此问题,在信道分配中运用了博弈的思想,利用位势博弈特性构建效用函数,对存在潜在干扰的链路分配信道,使实际干扰最小.算法通过不断循环改变链路无线电的信道,最小化实际干扰数目达到纳什均衡.仿真结果表明,算法能够使信道分配策略达到纳什均衡,使链路间通信拥有更高的吞吐量和更好的鲁棒性.     

基于拉格朗日对偶结合粒子群优化的无线Mesh网络信道分配方案

本文提出了一种拉格朗日对偶结合粒子群优化的信道分配方案。该算法能使用WMN中所有可用信道（非重叠和部分重叠信道）进行信道分配,根据路径转发权重来设定信道分配顺序,从而提高网络的吞吐量。同时,综合考虑信道间隔和节点之间的距离来衡量干扰影响,使节点可以选择具有较少干扰的信道。最终得到原始WMN优化问题的最优解,实现最大化网络吞吐量和最小化网络干扰。实验结果表明,相比其他几种现有的无线mesh网络信道分配方案,提出的方案具有更好的性能。     

Joint topology control and routing for multi-radio multi-channel WMNs under SINR model using bio-inspired techniques

Multi-channel communication in a wireless mesh network (WMN) equipped with multi-radio routers can significantly enhance the network capacity. Channel allocation, power control and routing are three main issues involved in the performance of multi-channel multi-radio WMNs. In this paper, the joint optimization of channel allocation, power control and routing under signal-to-interference-and-noise ratio (SINR) model for multi-channel multi-radio WMNs is investigated. It is proven to be NP hard. As we know, no optimal polynomial time solutions have been proposed in the previous literatures. In order to tackle this problem, we apply bio-inspired optimization techniques for channel allocation and power control, and use linear programming for routing optimization. To reflect the cross-layer interaction property among these three issues, the routing optimization is further defined as the fitness value of a chromosome in bio-inspired optimization. Further, we propose an effective joint optimization framework, in which two representative bio-inspired optimization methods (genetic algorithm and particle swarm optimization algorithm) are hybridized to enhance the searching ability. The detailed evolution processes for both genetic algorithm and particle swarm optimization algorithm are demonstrated. Extensive simulation results show that the proposed algorithm converges fast and approaches the sub-optimal solution effectively.     

Robust nonlinear channel equalization using WNN trained by symbiotic organism search algorithm

In the present world of ‘Big Data,’ the communication channels are always remaining busy and overloaded to transfer quintillion bytes of information. To design an effective equalizer to prevent the inter-symbol interference in such scenario is a challenging task. In this paper, we develop equalizers based on a nonlinear neural structure (wavelet neural network (WNN)) and train it's weighted by a recently developed meta-heuristic (symbiotic organisms search algorithm). The performance of the proposed equalizer is compared with WNN trained by cat swarm optimization (CSO) and clonal selection algorithm (CLONAL), particle swarm optimization (PSO) and least mean square algorithm (LMS). The performance is also compared with other equalizers with structure based on functional link artificial neural network (trigonometric FLANN), radial basis function network (RBF) and finite impulse response filter (FIR). The superior performance is demonstrated on equalization of two non-linear three taps channels and a linear twenty-three taps telephonic channel. It is observed that the performance of the gradient algorithm based equalizers fails in the presence of burst error. The robustness in the performance of the proposed equalizers to handle the burst error conditions is also demonstrated.     

基于粒子群算法的无线信道资源分配算法研究

为了 最大化 多媒体无线信道资源分配的网络效用,提出了一种新的基于粒子群算法的信道时间分配算法。该算法能够优化分配给网络内每个设备的时间,以便为每位网络用户 提供最优化的服务质量(QoS)。所提算法结合了多样性增加函数以及基于个体最优值的学习方法,并基于自适应粒子群算法进行了改进,在持续增强QoS的同时加快了收敛速度。在多达40个设备的千兆网络环境内对所提算法进行了测试。实验结果表明,提出的算法能够大大提升资源分配能力,尤其是在网络规模较大的情况下。     

认知智能电网邻域网络的频谱分配策略

可靠、高效的通信网络是充分发挥智能电网潜力的前提。针对智能电网的无线通信环境存在频谱短缺、资源利用效率低等问题,文中将认知无线电技术应用于智能电网的邻域网络通信中,引入认知智能电网概念以保证业务传输的公平性和有效性,考虑了通信过程中的信噪比和路径损耗后,选择网络吞吐量作为信道效益,并在拓扑结构固定的城市居民小区进行建模仿真。在此基础上,提出了一种改进二进制猫群(Weight Binary Cat Swarm Optimization,WBCSO)优化的频谱分配算法。首先,在二进制猫群算法(Binary Cat Swarm Optimization,BCSO)的速度更新公式中加入非线性动态的惯性权重,它随着迭代次数的增加而非线性地递减,以防止算法早熟;其次,引入繁殖算子,产生子代猫群以增加种群的多样性,以获取更好的全局最优解;然后,选用了4个常用的基准函数对改进后的算法进行性能测试,测试结果表明WBCSO算法的优化均值和标准差都优于BCSO算法;最后,以系统总效益和用户公平性为优化目标,将其与二进制遗传算法(Binary Genetic Algorithm,BGA)和二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)进行了对比实验,仿真实验表明,WBCSO算法最终的系统总效益和用户公平性指数比BCSO算法分别高出了13.7%和14.6%,且比二进制群算法和遗传算法的性能都要好,进而表明改进二进制猫群算法在认知智能电网邻域网的频谱分配中具有收敛速度快、搜索能力强的特点。     

基于传感器网络节点配置优化仿真研究

研究无线传感网络节点配置覆盖优化问题。由于无线传感网络存在着热区问题,对网络的覆盖性能造成严重的影响,同时影响网络配置优化。为了有效的提高无线传感网络的覆盖率,提出了一种改进的粒子群算法优化无线网络节点覆盖。针对粒子群算法存在易陷入局部极值和早熟的缺陷,引入遗传算法中的交叉算子和变异算子,优化传感网络节点的混合粒子群算法,在严格确保无线传感器网络连通性的条件下,传感器节点配置数目达到要求的覆盖度,并进行仿真。仿真结果表明混合粒子群算法能快速收敛到更精确的解,使网络节点配置达到覆盖的优化要求。     

基于多种群进化与粒子群优化混合的频谱分配算法

为了解决认知无线网络中的频谱分配问题,提出一种基于多种群进化与粒子群优化混合的频谱分配算法。它采用图论着色模型,首先使用遗传算法将多个种群进行独立进化,以提高种群的全局搜索能力;然后选出每个种群中的最优的个体作为粒子群优化的粒子,并通过控制每个粒子的初始速度方向来加快算法的收敛速度。最后以系统总收益最大化和用户间的公平性为优化目标与遗传算法和粒子群算法进行了对比实验,仿真结果表明,该算法在收敛速度、认知用户接入公平性和系统总收益3个方面的性能均优于遗传算法和粒子群算法。     

面向煤矿工作面的定位无线传感器网络传输性能优化

针对煤矿工作面定位无线传感器网络(PWSN)端到端时间较长、丢包率较大等问题,提出采用保障贪婪调度(GGS)算法来优化网络传输性能。GGS算法结合了粒子群优化(PSO)算法和贪婪算法,使用PSO算法对信道中的报文种群进行有序化处理,实现对种群的保障;使用贪婪算法对网络传输过程中的具体服务请求形成一种多层次、反复迭代的处理机制,以优化报文种群质量;利用PSO变异算法对种群进行检查和更新,以确保得到的是最优解。仿真结果表明,与现有文化基因算法(MA)、差分进化人工蜂群(DE-ABC)算法相比,GGS算法可在控制丢包率的前提下缩短传输时间,提升网络整体性能。     

基于CRQP的多小区OFDMA系统联合资源分配算法

针对OFDMA多小区系统中相邻小区同频干扰下的吞吐量最大化问题,在系统功率的约束条件下,基于协同量子粒子群算法提出一种子载波和功率联合分配的协同随机量子粒子群算法（CRQP）。分别利用粒子群算法独立优化子载波的功率分配,并利用改进的量子遗传算法独立优化用户的子载波分配。在独立优化的同时,通过随机协同策略避免陷入局部最优解,达到全局最优。仿真结果表明,与传统的分步求解算法相比,CRQP算法能获得更多的系统吞吐量和更高的资源利用率。     

Channel allocation in multi-channel wireless mesh networks

In this article, we survey the latest progress in multi-channel wireless mesh networks, focusing on wireless interference models and channel allocation algorithms with the goal of maximizing the network performance. We present the studies of different interference models and illustrate how they could affect the design of channel assignment. We also summarize channel allocation algorithms with different strategies in both omni-directional and directional antenna networks. We conclude that both static and dynamic channel allocation strategies have advantages and disadvantages, and the design of channel allocation algorithms strongly depends on the interference model and the assumption of network traffic.