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。     

基于混沌量子蜂群算法的认知无线电频谱分配

在图论着色模型的基础上,提出了一种基于混沌量子蜂群算法的认知无线电频谱分配方法.该算法基于人工蜂群理论,结合量子计算的高效性和混沌初始化的遍历性来实现频谱分配的优化问题.通过实验仿真比较了此算法与颜色敏感度图论算法、量子遗传算法、量子蜂群算法的性能,结果表明该算法具有更好的收敛性和网络效益.     

基于改进遗传算法的认知无线传感网动态频谱分配方案

将认知无线电中的动态频谱分配技术应用在无线传感网中,针对工作在ISM(industrial,scientific and medical)频段的无线传感网面临的频谱资源紧缺问题,提出一种基于改进自适应遗传算法的动态频谱分配方案.该算法以图论着色模型为基础,以最大带宽收益和最小切换频率为目标函数,在交叉和变异过程中采用自适应交叉概率和变异概率代替固定的交叉概率和变异概率.仿真结果表明,与传统遗传算法和颜色敏感图论着色算法相比,该算法可以实现提高频谱利用率、降低能量消耗的预期目标.     

基于用户需求的改进型CSGC频谱分配算法

针对基于图论着色模型的频谱分配算法目前未能很好解决用户自身需求这一重要问题,研究了基于用户需求的改进型颜色敏感的图论着色(Color Sensitive Graph Coloring,CSGC)频谱分配算法。该算法通过降低已满足需求用户的分配优先级,使系统未满足的带宽需求总量达到最小化,在保证原CSGC算法性能的同时,较好地实现了频谱分配与自身需求相匹配。仿真结果表明该算法是有效的。     

遗传蚁群禁忌融合算法的研究

通过对遗传算法、蚁群算法和禁忌搜索算法三种算法的分析研究,针对其各自优缺点,提出一种融合遗传算法、蚁群算法和禁忌搜索算法的融合算法。融合算法是采用遗传算法生成初始信息素分布,利用蚁群算法快速求精确解,同时将遗传禁忌算子引入到蚁群算法的每轮迭代中,有效解决了蚁群系统初始信息素匮乏、易陷入局部最优和收敛速度慢的缺点,实现优势互补。通过NP-hard30问题仿真实验,结果显示算法具有良好的寻优能力和寻优效率。     

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.     

蚁群混合遗传算法的研究及应用

为解决组卷过程中在一定约束条件下存在的多目标优化问题,结合蚁群算法和遗传算法各自的优点和它们融合的基础,提出了一种蚁群算法融合到遗传算法的策略:在组卷的前阶段利用遗传算法群体性全局搜索能力,快速形成初始解,在满足终止遗传算法的条件后,将遗传算法调度的较优解转化为蚁群算法所需要的初期信息素,然后利用蚁群算法所具有的正反馈、高效等特点快速形成试卷最优解。实践结果证明此算法改善了试卷的质量以及系统的运行效率,生成的试卷符合要求,达到预期的结果。     

基于遗传_蚁群算法的多QoS约束组播路由优化算法

提出了一种将遗传算法与蚁群算法融合的新算法,用以满足多QoS约束的组播路由优化。算法首先利用遗传算法生成若干组优化解,将其转换成蚁群算法的信息素初值,然后利用蚁群算法来求取满足QoS约束的最优解。仿真结果表明此算法是有效的,其性能优于文献[6]中算法。     

Cognitive radio spectrum allocation using evolutionary algorithms

Cognitive radio has been regarded as a promising technology to improve spectrum utilization significantly. In this letter, spectrum allocation model is presented firstly, and then spectrum allocation methods based on genetic algorithm (GA), quantum genetic algorithm (QGA), and particle swarm optimization (PSO), are proposed. To decrease the search space we propose a mapping process between the channel assignment matrix and the chromosome of GA, QGA, and the position of the particle of PSO, respectively, based on the characteristics of the channel availability matrix and the interference constraints. Results show that our proposed methods greatly outperform the commonly used color sensitive graph coloring algorithm.     

基于图论的认知无线网络频谱动态分配

在认知无线电网络中，图论与量子遗传算法相结合的频谱分配策略能够提高频谱利用率，但存在早熟和收敛精度不够等缺点。为了解决该问题而实现算法的优化，对图着色理论的频谱分配模型进行数学建模，并针对该模型提出了改进的量子遗传算法。首先，通过使用小生境技术初始化种群，使种群分布更加广泛、算法的收敛度更高；其次，根据进化代数对量子旋转角进行实时动态调整，对染色体进行阈值变异，防止个体陷入早熟，跳出局部解；然后，对干扰约束条件进行重新设计，有效地避免盲目性，提高了网络的公平性和网络效益。仿真结果表明，所提算法有效地提高了频谱利用率，极大地增强了网络系统的性能。     

基于图着色的大规模无人机群三维网络资源分配算法

为了解决大规模无人机集群组网中的网络资源有限、有效分配网络资源难度大的问题,本文针对任意对无人机收发节点构成的通信网络,联合考虑时域、频域、空域,提出了一种基于图着色的三维网络资源分配算法。具体的,本文利用方向回溯阵列天线在传统时频二维网络资源划分的基础上开辟空间维度,得到三维网络资源划分问题。为了解决该三维资源分配问题,本文首先将其建模为图着色问题,然后提出了启发式和贪婪式两种复杂度不同、适应场景也不同的图着色算法,并进一步设计了由着色结果到网络资源分配方案的映射算法。仿真结果验证了所提方法的有效性,相较于传统时分多址接入和时频二维资源分配而言,大大提高了吞吐量和传包成功率。      

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。     

蚁群-遗传算法的无线传感器网络路径优化

为了提高无线传感器网络路径优化效率,快速找到最优路径,提出基于蚁群-遗传算法的传感器路径优化方法.利用遗传算法的快速全局搜索能力和蚁群算法的正反馈机制,实现了两种算法的融合.仿真结果表明,蚁群-遗传算法在时间和性能上都优于单独的蚁群算法和遗传算法,能快速找到无线传感器网络最优路径,有效延长了网络的生命周期.     

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.     

Interference graph based adaptive interference coordination method in indoor UDN

An interference graph based adaptive interference coordination method was proposed for indoor scenario of ultra dense network (UDN).The algorithm aimed at maximizing system throughput.Firstly,the interference relationship in the system was modeled as an interference graph,and the iterative coloring algorithm was used to determine the available resources of each small cell base station (SBS).Thereafter,the SBS allocated resources to each user by using a throughput optimizing resource allocation algorithm.The method could adaptively select a resource allocation strategy according to the network topology and channel conditions,thereby mitigating interference in the system.The simulation results show that compared with the existing methods,the proposed method effectively reduces the system outage probability while significantly improving the throughput performance through a small additional signaling overhead.     

基于改进云量子遗传算法的动态频谱分配

针对无线频谱资源利用率低的问题,提出一种基于改进云量子遗传算法(MCQGA)的动态频谱分配方法.该方法可动态调整量子门旋转角,基于云理论进行交叉和变异操作,以图论着色模型为基础,综合考虑最大化平均系统收益、最大化最小带宽和最大化比例公平性度量进行频谱分配.选取粒子群算法、传统遗传算法和基本量子遗传算法进行对比仿真实验,...