二进制猫群算法在大规模MIMO天线选择中的应用

在多输入多输出(MIMO)系统中,天线选择技术平衡了系统的性能和硬件开销,但大规模MI-MO系统收发端天线选择复杂度问题一直没有得到很好的解决.基于信道容量最大化的准则,采用两个二进制编码字符串分别表示发射端和接收端天线被选择的状态,提出将二进制猫群算法(BCSO)应用于多天线选择中,以MIMO系统信道容量公式作为猫群的适应度函数,将收发端天线选择问题转化为猫群的位置寻优过程.建立了基于BCSO的天线选择模型,给出了算法的实现步骤.仿真结果表明所提算法较之于基于矩阵简化的方法、粒子优化算法具有更好的收敛性和较低的计算复杂度,选择后的系统信道容量接近于最优算法,非常适用于联合收发端天线选择的大规模MIMO系统中.     

一种改进的麻雀搜索天线选择算法

为解决麻雀搜索算法在多输入多输出(Multiple-Input Multiple-Output, MIMO)系统中进行天线选择时,存在过早收敛导致系统容量非最优的问题,提出了一种改进的麻雀搜索天线选择算法。该算法首先结合0-1规划推导出信道容量函数,将其作为适应度函数。在天线选择子集寻优过程中,通过引入自适应变异,有效增加了个体变化的多样性。最后将禁忌搜索算法融入到算法中,并加速算法收敛。仿真结果表明,改进的麻雀搜索天线选择算法能够有效降低MIMO系统进行天线选择时的运算复杂度,在保证收敛速度的同时,最终得到的系统信道容量趋近于最优算法。     

60GHz 室内信道下一种快速天线选择算法

传统的基于信道容量最大化准则的天线选择算法虽然使信道容量达到了最大化,但是计算复杂度很高。针对计算复杂度高的问题, 提出了一种基于Doolittle-QR 分解的低复杂度天线选择算法。该算法基于Doolittle-QR 分解,可以快速选择出使系统容量最大化的天线。与传统的天线选择算法相比,该算法的计算复杂度不仅有效地降低了, 而且容量性能相近。在60GHz 室内信道下,仿真实验结果表明, 该算法具有良好的容量性能,优于随机天线选择算法,接近最优天线选择算法。     

基于改进二进制粒子群优化的特征选择

为了在文本数据中选择有效的文本特征,本文提出一种新的基于改进二进制粒子群优化的特征选择算法,该算法利用翻转角度,局部翻转因子和全局翻转因子来决定粒子群的进化,通过求解目标函数的最优解,得到二进制特征选择系数,选择特征选择系数为1的特征为有效特征。实验证明,该方法不仅有效地降低了运算开销,而且提高了文本分类的准确度。     

扩频码PSO优化分配降低MC-CDMA信号峰均比

高峰均比(PAPR)是多载波码分多址(MC CDMA)技术应用中亟待解决的关键问题。对于采用Walsh Hadamard(WH)扩频码的系统来说,优化用户扩频码的分配方案可降低系统的PAPR,但最优扩频码分配方法运算复杂度太高。为此,采用具有优良迭代寻优能力的粒子群优化算法(PSO)来降低算法的复杂度。改进算法将最优分配方案的高维搜索问题转化为粒子群迭代寻优过程。分析比较和仿真结果表明,与最优算法相比,改进算法在降低PAPR性能方面有0.5～1.5 dB的性能损失,而复杂度远小于最优算法,是一种简单实用的峰均比降低方法。     

一种用于MIMO系统的快速天线选择算法

在多径衰落环境中, MIMO系统的信道容量随天线数的增加呈线性增加,发射/接收天线选择方法能以很小的性能损失换取射频成本的大幅度降低,使MIMO系统不完全受射频成本的限制。为快速选择出使系统容量最优的发射/接收天线子集,该文提出一种快速天线选择算法的改进算法。该算法通过实时更新优化参数,大大降低计算复杂度。仿真结果表明,该算法在不影响系统容量的情况下大大减少了计算时间。     

改进的多目标粒子群算法优化设计及应用

针对粒子群算法存在易陷入局部最优点的缺点,提出了一种改进的带变异算子的多目标粒子群优化算法。采用非支配排序策略和动态加权法选择最优粒子,引导种群飞行,提高帕累托(Pareto)最优解的多样性。与其他优化算法相比,该算法易于实现并且计算速度更快。通过计算Pareto前沿最优解设计最佳多层电磁吸收体,在吸收体的厚度与反射系数之间取得最佳折衷。通过对反射系数函数与吸收体厚度函数测试验证,该算法能够在保持优化解多样性的同时具有较好的收敛性。     

分布式MIMO系统中的一种可控式天线选择

基于信道容量最大化准则,提出了一种专门针对分布式多入多出（MIMO）系统的可控式天线选择算法。该算法在射频链路数（Lt）固定的前提下分两步执行,第一步进行动态的端口选择,第二步利用穷举搜索法在已选定的端口间选出Lt个最优天线,通过门限值的设定控制天线选择的复杂度和性能的平衡。仿真结果表明,在合适的门限值范围内,该算法具有很好的跟踪特性,具有接近于最优的容量性能,同时大大降低了天线选择复杂度。     

基于多目标粒子群算法的飞行服务站选址研究

文中针对飞行服务站选址问题，构建以总成本最小、覆盖率最大的多目标逐渐覆盖选址模型。考虑覆盖问题实际中的应用，在目标函数引入岭型分布曲线描述逐渐覆盖函数；关于多目标选址问题，通过改进的多目标粒子群计算进行解决；并通过拥挤距离的计算对外部归档进行限制，提高算法的运行效率。通过算例进行运算，求解最优方案，结果表明改进多目标粒子群算法具有较好的收敛性，可以有效实现飞行服务站选址问题。     

一种基于相异度的接收天线选择算法

对于多输入多输出系统天线选择算法而言,穷尽搜索算法能够达到最优的性能,但包含较多矩阵运算,计算复杂度较高。而传统基于相关度和相似度的天线选择算法虽具有较低计算量,但损失了较大的容量性能。针对这一问题,以容量性能为目标,提出了基于相异度的接收天线选择算法,分析了不同相异度下所提选择准则对系统性能的影响。与传统相关度和相似度天线选择算法相比,所提算法有效降低了计算复杂度,改善了系统的容量性能,仿真结果表明:所提算法具有较好的系统性能,适用于实时通信系统。     

Low-Complexity Throughput-Based Antenna Selection Method

Antenna selection is a low-cost low-complexity attractive approach in MIMO systems that capture many advantages of these systems. In this paper, our objective is to select the best antennas that maximize throughput with truncated selective repeat automatic repeat request at data link layer in zero-forcing MIMO receivers. We propose a novel binary particle swarm optimization method with throughput as its fitness function for joint transmit and receive antenna selection. The results of simulations demonstrate that the proposed throughput based antenna selection method has better performance compared to capacity based methods, and PSO algorithm can significantly reduce computational complexity.     

Particle Swarm Optimization for Antenna Selection in MIMO System

This paper investigates the receive antenna selection problem to maximize capacity in wireless MIMO communication system, which can be formulated as an integer programming optimization problem and can not be directly solved because of its non-convex characteristics caused by the discrete binary antenna selection factor. To deal with this challenge, a computationally efficient approach, particle swarm optimization(PSO) algorithm is introduced, in which the particle is defined as the discrete binary antenna selection factor and the objective function is associated with the capacity corresponding to the specified antenna subsection represented by the particle. Furthermore, in order to meet the condition that the number of selected antennas should keep fixed, the particle elements are relaxed to change between [0 1] and the position of the higher elements are taken as the index of the antenna subsection to be activated. Then the best antenna subset can be found by seeking the global optimal particle in PSO. Numerical results reveal that PSO algorithm exhibits a promising performance when applied to both the classical benchmark function and our antenna selection scenario.     

基于混沌粒子群算法的宽零陷方向图综合方法

自适应阵列天线常需要采用宽零陷技术,以增强阵列天线抗干扰的稳健性。为此,提出了一种基于混沌粒子群算法（CPSO）的阵列天线宽零陷方向图综合方法。该算法首先采用混沌序列初始化粒子位置,以增强搜索多样性,并在对部分非优胜粒子的位置更新时引入混沌扰动项,在每次迭代中对全局最优位置进行变尺度混沌优化,提高了全局和局部搜索能力,加快了收敛速度。仿真结果验证了混沌粒子群算法在阵列天线宽零陷方向图综合时的收敛速度和精度方面均优于标准粒子群算法。     

Multi-user selection based on particle swarm optimization and power control scheme in the uplink CoMP-MU-MIMO system

Orthogonal frequency division multiplexing （OFDM） which has been adopted in the long-term evolution （LTE） system can improve the system capacity obviously. However, it also brings about severe inter-cell interference （ICI） for cell-edge users （CEUs）. To tackle this problem, multi-user selection and power control （MuS-PC） is proposed as an efficient scheme in uplink coordinated multi-point multi-user multi-input multi-output （CoMP-MU-MIMO） transmission/reception. This paper jointly considers user＇s signal to interference plus noise ratio （S1NR） and proportional fairness （PF） to maximize the total channel capacity in multi-user selection by formulating a penalty function. To simplify the penalty function＇s computation, particle swarm optimization （PSO） algorithm is introduced. In addition, power control is adopted to maximize overall energy efficiency. Simulation results demonstrate that the MuS-PC scheme can not only obtain the optimal total channel capacity while guarantee each user＇s quality of service （QoS） and PF, but also largely reduce computational complexity and improve energy efficiency. As a result, the poor communication quality of CEUs can be enhanced.     

区域分割的自适应变异粒子群算法

为了提高粒子群算法（PSO）的收敛性及多样性,提出一种基于区域分割的自适应变异粒子群算法（RSVPSO）.算法采用区域分割的思想,利用粒子间信息交叉,使粒子搜索区间快速缩小;同时在迭代后期与自适应变异策略相结合,提高粒子跳出局部最优陷阱的能力和增强粒子多样性,达到寻优的目的.将所提出的算法应用于8个测试函数,并与精英免疫克隆选择的协同进化粒子群等算法进行比较,结果表明,新算法在收敛速度、搜索精度及寻优效率等方面有较大提高.     

基于粒子群优化的数字波束形成算法

波束形成的加权系数求解是一个优化过程,现有算法大多经过多次迭代,计算量大,实现复杂。为降低波束形成算法复杂度,将粒子群优化原理应用于数字波束形成中,提出了基于粒子群优化的自适应数字波束形成算法。该算法将每一组权值作为一个粒子,将阵列加权和的输出信号与干扰噪声比(SINR)作为适应度函数,通过比较各个粒子的适应度值,进行迭代搜索得到最优解。该算法可使天线阵在主波束对准有用信号,同时能有效抑制两个以上的干扰,且对阵列通道误差有较好的稳健性。计算机仿真验证了算法的有效性。     

改进粒子群算法在频谱功率分配中的应用

在认知无线电中,由于次用户干扰门限要求的存在,传统频谱功率分配方式获得的次用户有效信道容量较低。针对这一问题,提出了一种基于粒子群算法的频谱功率分配算法。首先建立基于干扰距离的认知网络干扰模型,将频谱功率分配问题转化为函数优化问题,并借助混合随机变异思想的粒子群算法进行求解;针对寻优过程中的约束问题,提出了一种基于投入产出比的外点法,保证粒子群在可行域中寻优,最终获得频谱功率分配。仿真结果表明,与传统算法相比,所提算法能够获得较高的次用户有效信道容量。     

Comparison of self‐adaptive dynamic differential evolution and particle swarm optimization for smart antennas in wireless communication

In this paper, ultrawide band (UWB) communication systems with eight transmitting and receiving ring antenna arrays are implemented to test the bit error rate and capacity performance. By using the ray‐tracing technique to compute any given indoor wireless environment, the impulse response of the system can be calculated. The synthesized beamforming problem can be reformulated into a multiobjective optimization problem. Self‐adaptive dynamic differential evolution (SADDE) and particle swarm optimization (PSO) are used to find the excitation current and the feed line length of each antenna to form the appropriate beam pattern. This pattern can then reduce the bit error rate and increase the channel capacity and receiving energy. Numerical results show that the fitness value and the convergence speed by the SADDE are better than those by the PSO. Moreover, the SADDE had better results for both line‐of‐sight and nonline‐of‐sight cases. In other words, compared with PSO, SADDE has improved more effectively the main beam radiation energy and reduced the multipath interference.