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。     

CDMA系统粒子群多用户检测算法

Kennedy和Eberhart提出的粒子群优化算法(PSO),作为一种新的并行优化算法,在解决多维和非线性的复杂问题中,性能优良且算法简单易于实现。本文对二进制粒子群优化算法进行改进,并将其应用于DS-CDMA通信系统的多用户检测中,提出了基于矢量的二进制粒子群多用户检测器(V-BPSO-MUD),同时提出了两种高效实用的多用户检测器:基于矢量的串行二进制多用户检测器(VS-BPSO-MUD)及基于矩阵的二进制多用户检测器(M-BPSO-MUD)。仿真结果表明,PSO多用户检测器充分利用了粒子群优化算法的优良特性,性能明显优于传统的CDMA检测器,接近无多址干扰情况。     

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。     

基于离散粒子群算法的MC—CDMA多用户检测

多载波码分多址(MC-CDMA)系统中主要存在多径和多址两种干扰.多径干扰可通过正交频分复用(OFDM)技术来消除,多址干扰需采用多用户检测技术来消除.提出了一种基于离散粒子群算法的MC-CDMA多用户检测方法.因离散粒子群算法中需设置的参数较步.计算简单,故提出的MC-CDMA多用户检测法计算复杂度较低.仿真结果表明,该多用户检测方法的抗噪声能力、抗远近效应能力及系统容量均优于最小均方误差多用户检测,更加逼近最佳多用户检测的性能.     

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。     

CDMA移动通信系统中的多用户检测技术

本文研究了应用于CDMA移动通信系统中的各种多用户检测技术的原理和优缺点。指出多用户检测技术主要分为线性多用户检测和干扰消除多用户检测两类 ,前者包括解相关检测、最小均方误差检测、子空间斜投影检测和相关矩阵多项式扩展检测 ,后者包括串行、并行干扰消除和判决反馈多用户检测 ,同时对各种多用户检测技术的特点进行了分析比较     

混合遗传算法在CDMA移动通信多用户检测中的应用研究

研究了将混合遗传算法应用于直接序列码分多址扩频通信的多用户检测,先给出了在异步高斯信道下解调扩频信号的结构框图,然后分析了用混合遗传算法进行多用户检测的理论依据和实际性能。仿真结果表明无论是多址干扰还是抑制远近效应,基于混合遗传算法的检测器都明显优于传统检测器,且其性能非常接近最佳检测器。     

CDMA系统中的多用户检测技术

传统的直接序列扩频－码分多址（ＤＳ－ＣＤＭＡ）通信系统中,多址干扰（ＭＡＩ）的存在制约了系统的性能和容量。一个较好的解决办法是多用户检测。集中讨论了次佳多用户检测（包括各种线性方案和非线性方案）,给出了它们的结构,分析和比较了它们的性能。最后带提出了一种结合最小均方误差（ＭＭＳＥ）检测的连续干扰扰抵消（ＳＩＣ）方案,其性能好于单一的ＳＩＣ和ＭＭＳＥ检测器。     

基于交叉和自适应权重的混合粒子群优化算法

针对粒子群算法易陷入"局部最优解"和搜索精度逐渐降低的缺点,提出了基于交叉和自适应权重的混合粒子群优化算法.加入的交叉操作使得种群在粒子数目不变的情况下多样性得以维持,而自适应权重有效地平衡了整个算法的全局与局部搜索能力.通过函数测试实验表明,新的算法能够避免早熟收敛问题,有效地提高了其寻优能力.     

粒子群算法的可视化在MATLAB下的实现

粒子群算法是一种新型的仿生优化算法,由于收敛速度快、参数设置少、实现简单,在很多领域得到应用。以标准粒子群算法为例,首先描述了粒子群算法的工作原理,然后给出了该算法在MATLAB中实现的详细步骤,并实现了二、三维粒子的可视化。可视化实现不但能够使粒子群算法更容易理解,同时也能更深入的理解粒子群算法的运行原理,为进一步的深入研究、改进及推广应用提供了理论与实践基础。     

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.     

微粒群优化算法在协同建筑设计中的应用

介绍了群体智能的特点、算法以及基于群体智能的多agent协同设计系统模型。重点介绍微粒群优化算法的原理,工作流程。最后,以一个建筑外观设计为实例,介绍了算法在协同建筑设计组装过程中的应用。     

Opposition-based particle swarm optimization with adaptive elite mutation and nonlinear inertia weight

An opposition-based particle swarm optimization with adaptive elite mutation and nonlinear inertia weight (OPSO-AEM＆NIW) was proposed to overcome the drawbacks, such as falling into local optimization, slow convergence speed of opposition-based particle swarm optimization. Two strategies were introduced to balance the contradiction be-tween exploration and exploitation during its iterations process. The first one was nonlinear adaptive inertia weight (NIW), which aim to accelerate the process of convergence of the algorithm by adjusting the active degree of each parti-cle using relative information such as particle fitness proportion. The second one was adaptive elite mutation strategy (AEM), which aim to avoid algorithm trap into local optimum by trigging particle's activity. Experimental results show OPSO-AEM＆NIW algorithm has stronger competitive ability compared with opposition-based particle swarm optimiza-tions and its varieties in both calculation accuracy and computation cost.     

空间映射粒子群算法用于电磁优化计算

将粒子群算法与空间映射算法相结合,提出了一种空间映射粒子群优化算法,并用于电磁问题的优化计算.算法实现过程中,将电磁仿真计算中精确网格剖分的计算模型作为精确模型,将粗糙网格剖分计算模型作为粗糙模型,在粒子群算法中计算粒子适应度前,使用粗糙模型结合基于卡尔曼滤波的映射关系,估计出粒子是否对算法最优解更新有效,并对有效的部分粒子做适应度计算,可以很大程度上减少算法的计算耗时.通过E型贴片天线和谐振腔缝隙天线的优化仿真说明了本算法的有效性.     

带惯性权重的粒子群优化算法性能仿真

粒子群优化算法是一种随机搜索算法,并能以较大概率收敛到全局最优,微粒群算法中关键参数的选择方法对算法特性有显著影响.文中针对微粒群算法中的加速常数、惯性权重、取值范围、种群规模的设置对算法基本性能的影响进行了分析.实验结果证明:选择适合的参数设置水平,能够获得稳健和高效的优化效果.     

粒子群优化算法用于阵列天线方向图综合设计

粒子群优化算法是基于一群粒子的智能运动而产生的一类随机进化算法,其优点是算法非常利于理解和应用.本文介绍了粒子群算法的原理和流程,研究了如何将这种方法运用于天线阵的方向图综合上,给出了PSO算法在综合阵列方向图的应用实例,表明粒子群算法在天线阵列综合中具有广泛的应用前景.     

基于线性递减系数粒子群优化算法的组卷实现

为了避免目前常用的组卷算法组卷时间长、程序结构复杂、收敛速度慢等缺陷,提出基于线性递减系数粒子群优化算法的组卷策略。通过调整惯性系数,使得步长较小,惯性权系数的变化幅度小,这种减小趋势较为缓慢的方法能够避免陷入局部最优。并对数学模型以及线性递减惯性权系数进行了理论设计,同时通过编程实现了该算法。测试结果表明加入线性递减系数后运算迭代次数明显减少,证明加入线性递减系数后的组卷策略收敛性好,能够高效准确地按照一定的预期条件进行组卷,符合预期要求。