基于粒子群优化算法和多级检测的多用户检测器

提出了一种新颖的基于粒子群优化和多级检测的混合算法的多用户检测器。介绍了最佳多用户检测模型以及粒子群优化算法的基本思想。进行了理论依据和仿真性能分析。仿真结果表明：该检测器在误码率性能上明显优于传统检测器和解相关检测器,在抗“远一近效应”上也优于传统检测器与多级检测器,计算复杂度较低。     

基于离散粒子群算法的CDMA多用户检测方法

研究了离散粒子群算法，并将其应用于CDMA多用户检测问题，提出一种基于离散粒子群优化算法的CDMA多用户检测的方法。该方法应用一种新的选择和分区搜索的策略，改进搜索的质量和效率。分析以及实验仿真表明该方法具有计算复杂度低且可以得到较好误码率性能的特点，为寻求新的多用户检测方法提供了思路。     

基于自适应人工鱼群算法的多用户检测器

将智能优化算法应用到多用户检测器(MUD)问题中,是近年来改善MUD性能的一个研究方向。人工鱼群算法(AFSA)是一种新的智能优化算法,该算法具有一些遗传算法和粒子群算法不具备的特点。但是用其解决离散优化问题时,该算法保持探索与开发平衡的能力较差,且在算法运行后期搜索的盲目性较大,从而影响了该算法搜索的质量和效率。为了克服这些缺点,本文对该算法进行了改进,得到两种自适应人工鱼群算法(AAFSA_FP和AAFSA_SP),并首次用其构建了新的多用户检测器。仿真结果表明,该方法与基于遗传算法的多用户检测器和基于粒子群算法的多用户检测器相比,在误码率、抗远近效应的能力和收敛速度等方面都有明显的改善。     

DS-CDMA系统的一种进化规划多用户检测算法

针对码分多址接入（CDMA）系统中最优多用户检测的指数计算复杂度问题,结合CDMA通信的实际特点,利用进化规划免去了交叉操作因而计算复杂度小的特点,提出了一种基于进化规划的多用户检测问题的优化处理方法。实验结果表明本方法可获得接近最佳检测的性能,但计算复杂度降低。     

基于拟生态优化算法的CDMA多用户检测方法

拟生态优化算法是一类模拟自然生态系统运行机制,求解复杂优化问题的智能计算方法,其中的蚁群算法和粒子群算法是较新出现的两种具有不同特点的方法。该文研究基本蚁群算法和离散粒子群算法,并结合CDMA多用户检测问题,改变算法的搜索机制,提出两种CDMA多用户检测的方法。从理论分析以及实验仿真的角度对比两种方法,表明两种方法的计算复杂度低且可以得到较好误码率性能,同时又各有特点。     

基于Social Cognition粒子群算法多用户检测

最优多用户检测方法具有最优性能,但复杂度高,利用优化算法求解可以降低实现复杂度。粒子群算法是一种简单有效的新型群智能优化算法,研究了一种Socialcognition模型简化粒子群算法,并应用于大用户量CDMA多用户检测问题,主要考虑降低算法复杂度,提高算法的实现效率。分析及仿真表明该方法在系统用户数量较大时具有较好性能。     

基于改进的自适应克隆选择粒子群优化算法的多用户检测

为了提高多用户检测技术的性能，改善粒子群算法的局部搜索能力，将克隆选择算法（CS）和传统离散粒子群算法（DPSO）相结合，文中提出一种改进的自适应克隆选择粒子群优化算法（ACSPSO），并用于多用户检测。仿真证明，这种基于ACSPSO的检测器在误码率和收敛速度上都比DPSO和CS得到明显改善。     

基于基因算法的盲多用户检测器

基于基因算法的盲多用户检测器通过新构造的代价函数，结合遗传学中生物进化机制 和盲多用户检测理论，提供了一种对下行链路 CDMA 系统中特定用户信号进行盲检测的新思路。经过 基因构造且迭代进行父母选择、交叉、变异以及族群的重组等运算，这种检测器能收敛到代价函数意义 上的全局最优检测器，且具有所需信息少、计算简单、数值稳定性高等优点。仿真证明，这种检测器具有 近似于盲 MMSE 检测器的误码性能以及良好的抗远近能力。     

三种基于进化技术的优化算法及其对比

进化算法（EA）是模仿自然界生物进化或物种的社会行为而产生和发展的随机搜索方法，这种算法能够解决许多传统方法无法解决的大规模优化问题。本文简明介绍了三种基于进化的优化算法：遗传算法、蚁群优化算法和微粒群优化算法，并在原理、参数和应用方面对它们进行了对比。     

基于IPSO-ICA算法的盲多用户检测

为了有效抑制CDMA通信系统中的多址干扰,提出了一种将新改进的粒子群(IPSO)算法应用到基于独立分量分析(ICA)的盲多用户检测中的方法.首先在IPSO算法中,使用自适应非线性递减惯性权重w降低早熟概率,利用拉伸技术打破早熟现象,从而使最优解更加精确.然后将IPSO算法融合到ICA算法中,得到IPSO-ICA算法来进行盲多用户检测.最后仿真结果表明,在相同通信环境下,该盲多用户检测比已有的基于FastICA和PSO-ICA算法的盲多用户检测的误码率更小,收敛速度更快.     

基于免疫克隆量子算法的多用户检测器

为了解决CDMA系统最佳多用户检测的高计算复杂度问题,基于免疫克隆选择理论和新的遗传量子算法,该文提出了免疫克隆量子算法。该算法把根据神经网络制作的疫苗接种到克隆量子算法的每一代中,通过接种疫苗到CQA中,可以加快CQA的收敛速度减少计算复杂度。另外,CQA所提供的好的初值可以改善疫苗的性能,接种的疫苗还改善了CQA的性能,文中给出了在免疫克隆量子算法中使用随机神经网络制作疫苗的统一理论框架结构。仿真结果证明了该方法不仅能够快速收敛到全局最优解,并且无论抗多址干扰能力和抗远近效应能力都优于传统检测器和一些应用以前智能计算算法的多用户检测器。     

基于并行遗传算法的CDMA优化多用户检测方法

多用户检测技术是第三代移动通信系统CDMA中的一项关键技术。在多用户检测中求解最佳矢量问题可以转化为在遗传算法中求解具有最高适应度函数的问题。本文提出了一种基于并行遗传算法的CDMA多用户检测器,并与最佳多用户检测和传统检测器进行比较,实验结果表明本方法可获得接近最佳检测的性能。由于采用并行遗传算法,这种多用户检测器更易于实时应用和硬件实现。     

基于遗传算法和神经网络的多用户检测器

利用两种方法的优点,并将它们应用于CDMA多用户检测中,提出一种基于并行遗传算法和递归神经网络的多用户检测器。该检测器中,遗传算法首先给神经网络提供较好的初始值,然后神经网络实时快速地获得最优解。计算机模拟结果表明:本文所提出的检测器在误码率和抗“远近”效应方面均具有良好的性能。     

基于免疫算法的多用户检测

本文提出了基于免疫算法的多用户检测方法，这种方法大大降低了最佳多用户检测器的计算复杂度，同时达到了次最佳的检测效果。     

一种基于排序操作的进化算子自适应遗传算法

提出了一咱基于排序操作的进化算子自适应的遗传算法,该算法中,每个体按适应值大小进行排序,个体的选择、交叉、交异算子的概率根据个体排序值来自适应地确定,其中选择概率还随进化过程而调节,利用Ｍａｒｋｏｖ链的分析法证明了该算法的全局收敛性,最后,实验结果表明该算法同传统的遗传算法相比不仅能收敛到全局最优解,而且具有交快的收敛速度。     

基于混合粒子群算法的计算卸载成本优化

为了满足用户日益增长的计算密集型和时延敏感型服务需求,同时最小化计算任务的处理成本,在时延约束下,该文针对超密集异构边缘计算网络,构建了有关任务卸载、无线资源管理、计算资源块分配的联合优化问题。考虑到所规划的问题具有非线性和混合整数的形式,且为满足约束条件及提升算法收敛速率,通过改进分层自适应搜索(HAS)算法设计了混合粒子群优化 (HPSO)算法来求解所提出的问题。仿真结果表明,HPSO算法明显优于现有算法,能有效降低任务处理成本。     

基于并行混沌遗传混合算法的多用户检测

基于传统遗传算法的多用户检测器易陷入局部最优解且收敛较慢,影响实时性。本文利用混沌优化算法的优势来弥补遗传算法的这一缺陷,使两种算法优势互补,同时采用具有“迁移策略”的并行搜索机制,提出了一种新的次优多用户检测方法———并行混沌遗传混合算法(PCGA),并在同步CDMA系统中对其性能进行了研究。仿真结果表明,我们提出的这种算法能有效克服传统遗传算法易陷入局部极小的问题,计算量小,收敛速度快,在抗干扰与克服“远-近”效应方面均有明显的优势。