并行人工蜂群算法研究

针对人工蜂群算法在处理高维度问题时收敛速度慢的问题,利用OpenMP多线程技术和规约机制,并根据已改进的观察蜂来选择雇佣蜂的方式,提出了基于OpenMP的并行人工蜂群算法（PCABC）。仿真实验分别在问题维度为100和200下进行来评估算法性能,在4个逻辑处理器环境下,基于静态调度的并行人工蜂群算法的加速比最高可以达到3.95,效率可达98.65%。实验结果表明,PCABC并行人工蜂群算法在处理高维度复杂函数时,收敛速度和算法运行时间都有较大的提升。     

分布式认知无线电网络中的主动频谱切换

主要研究分布式认知无线电网络中的频谱切换,并提出一种主动的频谱切换方案。认知用户通过感知结果与历史信息建立授权用户的活动模型,预测频谱的使用情况。在不对授权用户产生干扰的前提下,提前安排频谱切换。同时,采用基于蚁群任务分工算法的频谱选择方法,使得认知用户综合考虑通信参数,实现认知用户的按需切换,保证不间断的传输。仿真表明,提出的方案能够提前执行切换,并在较短的时间内完成业务量的传输,同时具备较高的灵活性,适用于分布式认知无线电网络。     

认知无线网络中频谱切换算法研究综述

无线频谱资源的匮乏和多用户争用环境,导致认知无线网络中频谱切换研究面临严峻挑战。本文阐述了频谱切换的基本原理,包括频谱切换的概念和特征、频谱切换的主动决策和被动决策分类、频谱切换过程及建模抽象的方法等几个方面。其次,重点以数学建模工具为主线,综述了基于概率论、马尔可夫过程、排队论、模糊逻辑、模糊神经网络等5类代表性的频谱切换算法,评述了学术界在各类频谱切换算法上的重要研究成果;最后,基于对已有算法和研究成果的分析,总结了当前研究中存在的非理想频谱检测、目标信道选择、空闲信道动态性等主要问题,预测了频谱切换的未来研究方向。     

认知引擎技术

认知无线电（CR）是一种智能的无线电通信系统,其智能主要来自于认知引擎。认知引擎基于软件无线电平台,引入人工智能领域的推理与学习方法,实现认知环路,从而实现CR的感知、自适应与学习能力。认知引擎的要素包括建模系统、知识库、推理机、学习机和各类接口,涉及到知识表示、机器推理和机器学习等关键技术。     

基于Q学习自适应蚁群算法的认知无线电频谱分配

认知无线电能有效实现频谱资源的再利用,是当前通信研究领域的热点之一.如何进行频谱的合理分配是实现认知无线电网络有效运作的关键问题.在图论着色模型的基础上,提出了一种基于Q-学习的自适应蚁群算法.通过仿真实验表明,该算法性能明显优于颜色敏感图着色算法,能更好地实现网络效益最大化.同时,比传统的蚁群算法寻优能力更强,收敛速度更快.     

基于有意义扰动掩码的频谱预测解释方法

针对频谱序列预测问题中深度学习技术可解释性不足、现有方法解释效果不直观以及时间相关性难以体现等问题,提出了一种基于掩码方案的频谱预测解释方法。首先,生成与输入频谱数据同样大小的重要性掩码矩阵,通过显著图标注输入数据的重要性部分,获得对单一样本预测结果的可视化解释;其次,将解释问题转变为针对掩码的多目标优化问题,根据频谱数据的动态特性与相关性特点改进扰动方式,实现针对频谱预测问题的有意义扰动;最后,通过在优化目标中添加对时间步跳跃的惩罚项,体现了短的连续序列或者相邻时间步的时间相关性同样重要的先验知识。基于实测频谱数据的测试分析表明,所提的解释方法具有简洁直观和易于用户理解等特点。与基线方法相比,所标注的重要性部分凸显了中心频点和相邻频点的相关性。在性能恶化实验中,模型输出精度下降最多,平均绝对百分比误差(Mean Absolute Percentage Error,MAPE）指标平均分别比综合梯度方法、沙普利值采样和高斯扰动掩码方案高6.4%,26.2%和30.0%;在性能恢复实验中,模型输出精度改善最大,MAPE指标平均分别比前述三种对比方案低7.6%,32.2%和32.8%。     

基于主动频谱感知接入的认知无线电台研究

讨论了所研制的工作于30-512 MHz的基于主动频谱感知接入的认知无线电台。该电台实现了认知无线电动态频谱接入最为关键的几大功能：频谱感知、频谱会合、频谱监视,以及频谱切换。试验结果表明,该电台具备在不依赖于公共控制信道的情况下自动寻找空闲信道建立链路的能力,也具备在当前通信信道上出现主用户信号或其他干扰信号时自动切换到其他空闲信道上继续通信的能力,为认知无线电技术的实用化提供了很好的借鉴。     

人工蜂群算法的研究综述

人工蜂群算法是一种基于蜜蜂采蜜行为的新兴群体智能算法,通过不同角色蜜蜂间的交流、转换和协作来实现群体智能。基于此,首先阐述了基本ABC算法和二进制ABC算法的原理,然后针对基本ABC算法存在的不足,从四个方面综述了各种改进算法,最后对ABC算法在一些领域中的应用现状和对未来研究方向进行了概括总结。     

一种结合信道性能的频谱分配算法

在认知无线电网络中,由于授权信道的时变性,各可用信道的性能相差较大。为避免过多使用忙闲交替频繁的信道,首先用ON—OFF模型建模授权信道的使用情况,并推导了认知用户切换概率,提出了一种用信道状态变化率衡量信道性能的方法。在此基础上提出了一种结合信道性能的频谱分配算法,在网络吞吐量相同或相近情况下优先分配性能较好的信道。仿真分析表明,这种结合信道性能的频谱分配算法在降低切换概率的同时提高了实际总效益。     

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。     

基于认知的自适应控制机制

基于认知的自适应控制机制是以认知无线电（CR）系统的基本功能与基本目标为基础,对该系统研究方法与研究内容的总概括,因此可以用一种认知环结构来描述这种机制。认知环包括了几大构件,即环境、智能系统的内部结构、观察、行为等。     

人工智能技术在认知无线电中的应用

认知无线电技术是无线通信领域与人工智能领域相结合的产物,智能性是其区别于传统无线电的本质属性。先进的人工智能技术在无线电中的成功应用是实现认知无线电的关键。首先介绍了凝聚认知无线电智能思想的认知循环,并对认知无线电的智能实现载体认知引擎,进行了简要描述,说明了人工智能技术在认知无线电实现中的重要作用;然后,从推理、学习和优化的角度对适用于认知无线电的几种人工智能技术进行了总结归纳;最后,介绍了人工智能技术在现有的认知引擎中的应用。     

认知无线电中的混合认知引擎设计

为了提高认知引擎的性能,更好地实现认知无线电系统参数的智能调整,设计了一种混合认知引擎,综合运用多种人工智能方法实现认知引擎的推理、学习、优化和决策等功能。分析了经典认知引擎模型和人工智能在认知引擎中的应用情况,构建了混合认知引擎的功能结构框图,讨论了混合认知引擎的工作机理和技术特点。分析表明,混合认知引擎具有较强的灵活性和鲁棒性。     

认知引擎中案例学习模块的设计与实现

学习能力是认知无线电区别于现有电台的最主要特征,研究基于SOAR架构的案例学习功能在已有认知引擎平台中的设计与实现。首先介绍了人工智能开发工具SOAR的基本原理与概念,进而在认知无线电原型系统平台上,设计并实现了基于SOAR架构的,具备案例学习能力的认知学习模块。具备案例学习能力的认知引擎使认知无线电系统具备从以往经验中获取知识的能力,提高了其在未来任务中的决策性能。     

认知频谱切换延时及用户容量的排队论分析

为了分析认知无线电系统中授权用户享有更高优先级对认知用户频谱切换造成的影响,提出了一种虚拟排队切换模型,对有强制中断率限制系统中的认知频谱切换延时进行了分析;并利用分段近似的方法给出了在切换超时概率较小环境下强制中断率和认知用户容量的解析表达. 仿真与数值计算验证了虚拟排队切换模型的有效性,同时也比较了不同授权用户行为对认知频谱切换延时及用户容量造成的影响。     

一种思维进化蜂群算法

人工蜂群算法（ABC ）是一种模拟蜜蜂群智能搜索行为的随机优化算法,已成功用于解决许多优化问题。为有效改善ABC算法的性能,文章结合思维进化的思想提出了一种思维进化蜂群算法（MEABC ）,该算法通过学习和按维更新策略对ABC算法进行了改进,并对改进算法的收敛性进行了分析。通过四个标准测试函数的仿真实验,验证了MEABC算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高。     

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.