基于格基缩减的MU-MIMO下行传输策略

块对角化（Block diagonalization, BD）预编码算法通过两次奇异值分解实现多用户间干扰消除并将下行多用户多输入多输出（Multi-user multiple-input multiple-output, MU-MIMO）信道解耦成多个独立 的单用户MIMO（Single-user MIMO, SU-MIMO）信道,但其计算复杂度也随着用户数量和矩阵维数的增加而增加 。在MU-MIMO下行系统中,提出基于格基缩减的改进块对角化传输策略,将BD算法的第2次奇异值分解替换为基于格基缩减的线性检测,可得到比传统BD传输策略更好的误码率性能以及更低的计算复杂度。     

CoMP系统中的天线选择与预编码联合算法

针对大规模多输入多输出系统天线数量过多使得预编码算法计算量增加的问题,提出一种基于协作的天线选择与预编码联合算法。该算法通过降低小区间和用户间干扰,避免传统预编码算法对信道矩阵求逆运算时因天线数量增加使得复杂度提高。理论分析和仿真结果表明,与迫零预编码算法、最小均方误差预编码算法和基于信漏噪比最大化的预编码算法相比,天线选择和预编码联合算法不仅能更好地提高系统的信道容量,而且能够降低预编码算法复杂度。     

毫米波大规模MIMO系统中基于PAST算法的低复杂度混合预编码

在毫米波大规模MIMO系统中,一般采用混合模拟和数字预编码替代全数字预编码来减少射频链和能量消耗.然而,在计算最优无约束混合预编码时,奇异值分解(SVD)具有较高的复杂度.因此,提出了一种基于投影近似子空间跟踪(PAST)的低复杂度混合预编码算法.该算法在计算每个子速率的最优无约束混合预编码时,利用PAST算法估计需要的右奇异矩阵部分主要列向量,从而避免了高复杂度的SVD过程.仿真结果表明,不论是在全连接、混合连接还是在子连接系统结构中,该算法在频谱效率上都接近基于SVD的混合预编码,并且随着发送天线数的增加,提出的算法的复杂度和耗时远低于基于SVD的混合预编码.同时该算法的系统误码率较小,具有较好的可靠性.     

毫米波大规模MIMO系统中基于PAST算法的低复杂度混合预编码

在毫米波大规模MIMO系统中,一般采用混合模拟和数字预编码替代全数字预编码来减少射频链和能量消耗.然而,在计算最优无约束混合预编码时,奇异值分解(SVD)具有较高的复杂度.因此,提出了一种基于投影近似子空间跟踪(PAST)的低复杂度混合预编码算法.该算法在计算每个子速率的最优无约束混合预编码时,利用PAST算法估计需要的右奇异矩阵部分主要列向量,从而避免了高复杂度的SVD过程.仿真结果表明,不论是在全连接、混合连接还是在子连接系统结构中,该算法在频谱效率上都接近基于SVD的混合预编码,并且随着发送天线数的增加,提出的算法的复杂度和耗时远低于基于SVD的混合预编码.同时该算法的系统误码率较小,具有较好的可靠性.     

MIMO信道中基于功率分配的SLNR预编码算法

为了消除或降低多用户MIMO系统下行链路存在的共信道干扰（ CCI）,提出一种结合功率分配的基于最大化信漏噪比（ SLNR）的预编码算法。首先,根据SLNR算法求出最优预编码矩阵,再结合最优功率分配算法,借助拉格朗日乘数法,优化分配每个用户的发送功率,从而提高系统和容量以及降低误码率（ BER）性能。为了简化计算复杂度,还提出了SLNR算法结合次优化功率分配算法。仿真表明,所提出的算法比块对角化（ BD）算法和最小均方误差准则（ MMSE）算法在系统和容量以及误码率性能上都有所改善。     

大规模MIMO系统中低复杂度预编码技术研究

基于大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统,提出两类低复杂度预编码算法。首先,通过大规模MIMO系统的渐近正交信道特性近似求逆矩阵,提出了逐次超松弛(Successive Over Relaxation,SOR)预编码算法,能够降低矩阵计算复杂度。其次,在SOR基础上,进一步提出了共轭梯度(Conjugate Gradient,CG)算法,通过引入适当的预处理矩阵对矩阵进行预处理,使其特征值分布更为集中,降低了条件数,加快了算法的收敛速度,从而显著降低了计算复杂度。仿真表明,提出的SOR方法误码率性能优于传统的正则化迫零(Regularization Zero-Forcing,RZF)预编码,而CG算法能够在保证SOR误码率性能的情况下进一步降低计算时间复杂度。     

基于奇异值分解及PRESS 统计的模型结构优化方法

针对线性参数模型的基函数选择问题,结合奇异值分解和PRESS统计提出一种模型结构优化算法.通过预先对候选基函数矩阵进行分块操作,减少非最优列间的重复比较.在此基础上,对各子块采用奇异值分解与PRESS统计相结合的方法进行选择,直接以模型的泛化能力作为目标,自适应地选择基函数.通过奇异值分解,在降低候选基函数数量的同时,使其彼此之间相互正交,有效地简化了PRESS统计的计算复杂度.仿真结果表明,所提出的方法能够有效简化模型结构,并保持较高的预测精度.     

MIMO-OFDM系统中改进的QRD-M检测算法

在MIMO-OFDM系统的信号检测中传统的QRD-M算法以较低的复杂度逼近了ML检测的性能,具有很好的应用前景。但是该算法M值必须足够大且计算复杂度较高。针对此缺点,在QRD-M算法的基础上,首先对QR分解采用改进的修正GramSchmidt正交化算法,使得接收端能够最先检测信噪比较大的层,从而减少错过ML解的可能性;其次在树搜索过程中与DFE(Decision Feedback Equalization)算法相结合,引入新的参数T。改进算法的前T层用M分支搜索算法检测,剩余的其他层用DFE算法检测。这种方法降低了传统算法复杂度,同时增加了接收端检测的灵活性。仿真结果显示,改进的算法以更低的复杂度获得更接近最大似然检测的性能。     

基于鱼群算法的高光谱图像稀疏分解研究

研究高光谱图像的稀疏分解问题,能够降低高光谱图像的数据量,便于后续处理,但传统正交匹配追踪算法的计算复杂度高、不能满足实时处理要求。针对上述问题,提出了一种利用人工鱼群算法实现高光谱图像稀疏分解的算法。算法采用人工鱼群自上而下的寻优模式,通过鱼群中各个体的局部寻优,实现全局最优值在群体中凸显出来的目的,以人工鱼群的更新过程对正交匹配追踪算法的匹配过程进行改进,完成稀疏分解。实验结果表明,与正交匹配追踪算法相比,所提算法计算复杂度低,计算效率提高15倍,且能够提高重构图像的峰值信噪比,充分说明改进算法能够满足实时性要求,更有利于实现高光谱图像的稀疏分解。     

基于BD预编码和时分复用的MIMO广播传输方案

在MIMO系统中,块对角化(BD)预编码用来消除多用户的共信道干扰(CCI)。BD预编码要求系统发射天线数大于全部用户接收天线数目的总和。当用户数增多时,用户接收天线总数随之增多,BD算法的复杂度将急剧增大。为了解决这个问题,同时使系统支持的用户数最大化,提出了一种基于BD预编码和时分复用(TDM)相结合的广播传输方案。该方案通过对用户进行分组,对组内的用户进行BD预编码,并对组间进行时分复用,从而降低系统对发射天线数目的要求和算法的复杂度。仿真结果表明,这种组合方案在支持更多用户的同时还可以获得较高的吞吐率。     

混沌系统不稳定周期轨道的搜索算法

对混沌系统不稳定周期轨道(unstable periodic orbits,UPO's)的搜索算法进行了深入研究.首先分析了传统的Newton-Raphson算法(NR算法)及Schmelcher-Diakonos算法(SD算法)各自的优点和缺点.然后提出了一种新的UPO's搜索算法,称之为NR-SD算法.该方法集中了NR算法和SD算法各自的优点,能够在保证收敛全局性的条件下,极大地提高UPO's的搜索效率.此外,NR-SD算法采用了一种全新的初始点确定策略,该策略能够保证搜索到所有的长周期UPO's.最后借助于实例模拟验证了NR-SD算法的有效性,同时论证了周期p与p周期UPO's数目之间的关系.     

若干新型智能优化算法对比分析研究

智能优化算法(IOA)指的是一类以自然界的生物生存进化过程或物理现象为算法原理,用于解决最优化问题的算法,较为知名的智能优化算法有遗传算法、粒子群算法、模拟退火算法等。智能优化算法属于启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路。随着科学技术的进步和应用场景的改变,传统的智能优化算法在收敛速度、求解精度等方面已无法满足日益复杂的优化问题,因此不断有新的更高效的智能优化算法被提出。选取了近几年国内外提出的几种新型智能优化算法:蝴蝶优化算法(BOA)、飞蛾扑火算法(MFO)、正弦余弦优化算法(SCA)、蝗虫优化算法(GOA)、哈里斯鹰优化算法(HHO)、麻雀搜索算法(SSA)。阐述了各算法的基本原理、算法步骤、相关的改进策略及存在的优缺点。为客观对比各算法性能,进一步通过3种类型共21个测试函数及6个指标评价各算法性能,最后归纳总结各算法的特点并对智能优化算法的发展前景进行展望。     

基于蚁群算法求路径规划问题的新方法及仿真

该文提出了一种基于蚁群算法求解路径规划问题的新方法及其仿真,蚁群算法就是对自然界中蚂蚁的寻食过程进行模拟而得出的一种模拟进化算法。与传统的算法相比,该算法的主要特点是正反馈和并行性,正反馈使得该算法能很快发现较好解,并行性使得该算法易于实现并行计算。虽然蚁群算法在时间复杂度上可能不如传统的算法,但是理论研究表明该方法是一种基于种群的鲁棒性较强的模拟进化算法。最后,利用Java语言对蚁群算法和改进的Dijkstra算法进行了仿真,并进行了比较。     

基于模因算法的多模盲均衡算法

由于常模盲均衡算法(Constant modulus blind equalization,CMA)收敛速度和均方误差都不甚理想,且对多模信号均衡时会发生相位旋转,本文提出了基于模因算法的多模盲均衡算法(Multi-modulus blind equalization algorithm based on memetic algorithm,MA-MMA)。该算法将多模盲均衡算法(Multi-modulus blind equalization algorithm,MMA)代价函数的倒数作为模因算法(Memetic algorithm,MA)的适应度函数,利用MA全局优化机制和局部深度搜索能力,在每次全局搜索后对全部新产生的个体进行局部深度搜索,将全局和局部搜索得到的最优个体解向量作为MMA的初始最优权向量。仿真结果表明,与传统的CMA,MMA以及基于遗传算法的多模盲均衡算法相比,MA-MMA 的收敛速度最快,稳态误差最小,输出信号星座图最清晰。     

一种基于人工鱼群和文化算法的新型混合全局优化算法*

提出一种基于人工鱼群和文化算法的新型混合全局优化算法,该混合算法的思想是将人工鱼群嵌入文化算法框架中,作为种群空间的一个进化过程;通过从进化种群中获得的知识组成知识空间,两空间具有各自群体并独立并行演化,从而实现增加人工鱼群的群体多样性。最后通过数值实例仿真结果表明,本算法具有较高的计算精度和收敛速度。     

改进蚁群算法的无线传感器网络路径优化

研究无线传感器网络路径优化问题,针对无线传感器网络(WSN)路径优化问题,在分析了遗传算法和蚁群算法各自优缺点的基础上,通过把蚁群算法作为WSN路径优化的主框架,采用遗传算的选择、交叉和变异算子提高蚁群算法搜索速度,提出一种改进蚁群算法的WSN路径优化方法。仿真结果表明,改进蚁群算法有效地克服了基本蚁群算法的缺陷,提高了WSN路径优化效率和成功率,减少了能理消耗,有效延长了网络生存时间。     

Parallel chaos optimization algorithm with migration and merging operation

Chaos optimization algorithm (COA) utilizes the chaotic maps to generate the pseudo-random sequences mapped as the decision variables for global optimization applications. A kind of parallel chaos optimization algorithm (PCOA) has been proposed in our former studies to improve COA. The salient feature of PCOA lies in its pseudo-parallel mechanism. However, all individuals in the PCOA search independently without utilizing the fitness and diversity information of the population. In view of the limitation of PCOA, a novel PCOA with migration and merging operation (denoted as MMO-PCOA) is proposed in this paper. Specifically, parallel individuals are randomly selected to be conducted migration and merging operation with the so far parallel solutions. Both migration and merging operation exchange information within population and produce new candidate individuals, which are different from those generated by stochastic chaotic sequences. Consequently, a good balance between exploration and exploitation can be achieved in the MMO-PCOA. The impacts of different one-dimensional maps and parallel numbers on the MMO-PCOA are also discussed. Benchmark functions and parameter identification problems are used to test the performance of the MMO-PCOA. Simulation results, compared with other optimization algorithms, show the superiority of the proposed MMO-PCOA algorithm.     

利用目标函数梯度的遗传算法

多数遗传算法在搜索解时没有充分利用其问题域的知识.提出了一类新的改进的适应度函数的遗传算法.它考虑了函数在搜索点的函数值及其变化率,并将该信息加入适应度函数,使得按概率选择的染色体不但具有较小的函数值(对极小化问题而言),而且具有较大的函数值变化率.实验结果表明,这类方法的收敛速度明显高于标准遗传算法.     

双蝙蝠群智能优化的多模盲均衡算法

针对常模盲均衡算法(CMA)均衡多模QAM信号收敛速度慢、剩余均方误差大的缺陷,提出了一种基于双蝙蝠群智能优化的多模盲均衡算法(DBSIO-MMA)。该算法将2个蝙蝠群独立全局寻优得到的一组最优位置向量分别作为多模盲均衡算法(MMA)初始化最优权向量的实部与虚部,以此提高收敛速度并减小剩余均方误差。仿真结果表明,蝙蝠算法(BA)全局搜索成功率高、收敛速度快的特点在DBSIO-MMA中得到很好地体现。与CMA、MMA、粒子群多模盲均衡算法(PSO-MMA)、单蝙蝠群多模盲均衡算法(BA-MMA)相比,DBSIO-MMA具有更快的收敛速度和更小的均方误差。     

Self-adaptive Bat Algorithm With Genetic Operations

Swarm intelligence in a bat algorithm (BA) provides social learning. Genetic operations for reproducing individuals in a genetic algorithm (GA) offer global search ability in solving complex optimization problems. Their integration provides an opportunity for improved search performance. However, existing studies adopt only one genetic operation of GA, or design hybrid algorithms that divide the overall population into multiple subpopulations that evolve in parallel with limited interactions only. Differing from them, this work proposes an improved self-adaptive bat algorithm with genetic operations (SBAGO) where GA and BA are combined in a highly integrated way. Specifically, SBAGO performs their genetic operations of GA on previous search information of BA solutions to produce new exemplars that are of high-diversity and high-quality. Guided by these exemplars, SBAGO improves both BA’s efficiency and global search capability. We evaluate this approach by using 29 widely-adopted problems from four test suites. SBAGO is also evaluated by a real-life optimization problem in mobile edge computing systems. Experimental results show that SBAGO outperforms its widely-used and recently proposed peers in terms of effectiveness, search accuracy, local optima avoidance, and robustness.