基于鲶鱼粒子群优化算法的认知无线电频谱分配

目前亟待解决如何获得认知无线电系统效益最大化问题,而求解最优频谱分配方法是一项关键技术,针对传统粒子群(PSO)算法收敛速度慢、易陷入局部最优解等缺陷,提出一种基于鲶鱼粒子群算法(CE-PSO)的认知无线电频谱分配方法。首先建立认知无线电频谱分配优化的数学模型,然后以用户取得的效益最大化为优化目标,引入"鲶鱼效应",保持粒子群的多样性,通过粒子间信息交流找到空闲频谱最优分配方案,最后采用仿真实验测试CE-PSO算法的有效性。结果表明,CE-PSO算法克服了PSO算法的缺陷,可以快速、准确地寻找到最优频谱分配方案,更好地实现系统效益的最大化,可以满足认知无线电系统的应用需求。     

基于遗传蚁群优化算法的认知无线电频谱分配

针对认知无线电中的频谱分配问题,提出一种融合了遗传算法和蚁群算法优点的频谱分配方法。该方法利用遗传算法快速随机的群体性全局搜索能力生成初始解,然后利用衔接策略将遗传算法初始解转化为蚁群算法所需的信息素初始分布,最后利用蚁群算法正反馈、收敛高效的特点求取最优解。通过仿真比较了该方法与颜色敏感图着色算法的性能。结果表明动态融合了遗传算法和蚁群算法的优化算法性能明显优于颜色敏感图着色算法,它能更好地实现网络效益最大化。     

基于量子布谷鸟搜索的认知无线网络频谱分配

为了有效解决认知无线网络频谱分配的离散优化问题,将量子计算引入布谷鸟搜索算法,提出了一种新的组合优化算法——量子布谷鸟搜索算法。该算法使用量子鸟窝表征问题的多维解,通过Lévy flights随机游动方式和量子突变策略快速搜索到全局最优位置。通过使用基准函数验证了算法的高效性,并提出了一种基于量子布谷鸟搜索的认知无线网络频谱分配方法。然后与经典频谱分配算法在不同的网络效益函数下进行仿真性能比较。结果表明,所提出的频谱分配方法能够较快找到全局最优解,并且在不同网络效益函数下均优于已有的经典频谱分配算法。     

基于微粒群算法的认知无线电频谱分配

提出了一种基于微粒群算法的认知无线电频谱分配算法,该算法能更好地实现网络总效益,从而提高用户的平均效益,并且使用一种新的目标函数评价算法的性能,通过仿真比较了本算法与颜色敏感图论着色频谱分配算法的性能。计算机仿真结果表明,提出的基于微粒群分配算法与颜色敏感图论着色分配算法相比,该算法能更好地满足网络需求。     

分枝定界在多级动态频谱分配中的应用

针对认知无线电动态频谱分配中认知用户较多,传统优化算法收敛时间较长的问题,本文结合分枝定界原理提出一种多级动态频谱分配算法。首先建立基于用户需求的多级动态频谱分配模型,然后借助图着色理论,将问题转化为函数优化问题,最后借助分枝定界算法,通过把全部可行的解空间不断分割为越来越小的子集,从而实现了对该多级模型的频谱分配。仿真实验采用与遗传算法比较,通过对二者认知用户接入量和系统网络效益的分析比较,表明该算法对处理多级DSA分配问题的优越性,且所提算法具有较小的计算复杂度,具有较高的应用价值。      

基于Q-学习自适应蚁群算法的CR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.     

基于改进离散粒子群算法的认知无线电频谱分配

原始的二进制粒子算法在认知无线电频谱分配过程中存在收敛速度慢、最优值不理想的问题,并且对二进制粒子群算法在频谱分配过程中的惯性权重参数设置缺乏理论研究。针对这一问题,在分析二进制粒子群算法的基本原理和计算步骤的基础上,探讨了二进制粒子群算法ω最适宜的取值。对原始二进制粒子群算法进行了改进,提出了采用混沌Logistic映射的方式进行初始种群的构造,保证了初始种群在解空间的均匀分布。引入了基于种群聚集度的粒子变异思想,使得新算法与原算法相比,不易陷入局部最优解。仿真结果表明,利用该算法进行认知无线电频谱分配时,收敛速度较快,得到的系统总效益值也较好。     

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。     

基于认知无线电网络中用户需求频谱分配算法

在认知无线电网络中,对图着色频谱分配算法进行了分析,发现只有少数已有算法考虑到用户的需求是否得到满足,导致需求低的用户分配到过多资源。为解决这个问题,根据基于用户需求的图着色论频谱分配算法,对用户的满意度设置优频谱分配优先级函数,满意度差的用户进行优先选择分配,得到一种改进算法。仿真结果表明,基于用户需求的频谱分配算法的改进算法,能够增加系统的信道效益,提高用户的需求满意程度。     

基于图论模型的改进型频谱分配算法

认知无线电技术能够感知周围无线电环境并择机使用频谱空洞。文章通过对现有的频谱分配算法研究分析,提出了基于图论着色模型的改进型频谱分配算法。该算法建立在授权用户状态动态变化的基础上,利用频谱下一时刻空闲概率降低授权用户的活动性对频谱分配的影响。仿真结果表明该算法有效提高了频谱概率上的效益并且保证了系统公平性。     

一种基于合同理论的动态频谱分配模型

针对认知无线电技术中的频谱分配问题,考虑一个主用户和多个次用户的认知场景,提出一种基于合同理论的动态频谱分配模型,并引入粒子群优化算法对模型进行求解。模型中,主用户对不同次用户提供不同质量的频谱资源以获得收益最大化,达到优化资源分配、提高频谱利用率的目的。经仿真分析验证,该模型下获得的系统效用接近理论上可获得的最大系统效用,具有实际应用的可行性。     

认知网络中基于图论着色模型的频谱分配算法的分析

无线频谱资源的紧缺是无线通信发展的瓶颈,认知无线电技术被认为是解决无线频谱紧缺问题的一种新方法。本文首先介绍了认知无线电系统中频谱分配的图论着色模型,紧接着给出图论着色模型的数学描述,接下来对图论着色模型下的现有分配算法进行了总结,并算法对算法进行了比较。     

基于改进人工蜂群算法的认知无线电频谱分配

各类无线电业务的兴起和发展使得频谱资源处于拥挤的状态,然而当前的静态频谱分配机制导致频谱资源存在着部分频段紧缺和频谱利用不平衡的矛盾。认知无线电是一种提高频谱利用率的新技术。认知无线电系统中，动态频谱分配技术在利用闲置频谱资源上发挥关键作用。本文介绍了频谱分配的图论着色模型，提出一种改进的蜂群算法。基本人工蜂群算法存在搜索精度不高和收敛速度较慢的问题，本文改进的人工蜂群算法引入了基于差分进化算法的搜索策略和高斯变异的侦察策略，并且对选择策略进行改进，提高了种群的多样性。将改进的蜂群算法应用于频谱分配模型中，实验结果表明：改进的人工蜂群算法可以得到更好的系统收益，加快了收敛速度。     

一种面向系统公平性的频谱资源分配方法

针对认知无线网络频谱分配过程中公平性和全局优化问题,提出了一种面向网络系统公平的频谱分配方法,以系统公平性为目标函数,基于认知无线网络的特性及改进的量子遗传算法,将频谱分配模型中的分配矩阵与改进量子遗传算法中的可行解相对应,在保证系统公平性的同时,避免了局部最优现象的出现。仿真结果表明,该算法能更好地实现网络效益最大化和系统公平性。     

基于免疫克隆选择优化的认知无线网络频谱分配

结合WRAN(无线区域网)给出了频谱感知过程;通过分析无线认知网络的物理连接,给出了频谱分配的数学模型,并将此模型转换为以网络效益最大化为目标的带约束优化问题,进而提出一种基于免疫克隆选择优化的认知无线网络频谱分配算法,并证明了该算法以概率1收敛.最后,对此算法进行了仿真实验.实验结果表明:所提算法与CSGC(颜色敏感图着色)算法、GA-SA(基于遗传算法的频谱分配)算法相比,能更好地实现网络效益最大化,同时,基于WRAN的系统级仿真结果,进一步证明了算法的有效性.     

禁忌粒子群算法在几何约束求解中的应用

约束问题可以转化为优化问题,针对粒子群优化算法在算法的后期易陷入局部最优的缺点,提出TPSO(禁忌粒子群优化算法),在算法的前期采用粒子群算法快速产生全局最优解信息素的初始分布,后期引入禁忌搜索算法,记录已经达到的局部最优解,在下一次搜索中,不再或者有选择地搜索这些点,从而跳出局部最优点,并且在搜索过程中允许接受劣解,充分利用禁忌搜索的记忆能力及较强的爬山能力,大大提高了获得全局最优解的概率.该算法综合了粒子群优化算法的快速性,随机性和全局收敛性以及禁忌搜索局部寻优的能力.在确保全局收敛性的基础上,能够快速搜索到高质量的优化解.该方法用于几何约束求解的性能明显高于标准粒子群算法,算法具有良好的优化性能和时间性能.     

基于图着色模型的弹性光网络频谱分配算法

为了有效降低弹性光网络的频谱碎片程序和阻塞率,提出一种基于图着色模型的弹性光网络频谱分配算法。首先,对弹性光网络建立图着色模型,将频谱分配问题转化为带权值的图上色问题,然后提出了2种改进的上色算法(链式搜索法和改进的贪心算法)。仿真结果表明:与度最大着色算法相比,改进的2种上色算法能更好地优化频谱资源并降低平均链路阻塞率。     

认知无线电中的并行频谱分配算法

该文通过对基于图论着色原理的开放式频谱分配算法的分析,提出了一种并行分配算法。在最大化系统效益的准则下,并行算法可以得到与CSGC (Color Sensitive Graph Coloring)算法相同的分配矩阵,但是却可以缩短分配周期,从而适应了认知无线电对环境的快速感知的要求。仿真结果分析验证了结论的正确性。     

认知无线网络中一种基于蚁群优化的频谱分配算法

针对认知无线电中的频谱分配问题,该文提出一种基于蚁群优化的频谱分配方法。该方法在授权用户和认知用户共存的认知网络模型中,通过蚁群访问各个认知节点,并释放信息素,从而实现概率型的全局搜索的并行频谱分配算法。与传统的频谱分配方式比较,该算法能够进行增强型学习积累,快速收敛到最优路径,从而获得了最优的平均信道效益。文中对该算法进行了分析和说明,并通过仿真证明了算法的有效性和稳定性。