基于HSDPA的增强型分组调度算法研究

从系统吞吐量、用户公平性等方面分析研究了HSDPA系统中支持非实时业务的三种经典分组调度算法RR、Max C/I和PF。针对PF算法重传时延过长问题,提出了一种结合混合自动请求重传HARQ的增强分组调度算法。该算法通过提高重传分组的优先级降低重传时延,有效地避免系统资源的浪费。MATLAB仿真结果表明,该算法在降低单用户重传时延的同时,仍能保证用户间的公平性和系统的吞吐量。     

基于群集智能算法的移动机器人路径规划研究

本文提出一种新的群集智能算法;在用Dijkstra算法基于链接图建模的地图中得到一个最优解的可行空间后;再用粒子群算法或蚂蚁算法优化得到全局的最优路径。因为群集智能算法是一种概率搜索算法;没有集中控制约束条件;不会因为个别个体的故障影响整个问题的求解;具有较强的鲁棒性;所以在机器人全局路径规划应用中具有较显著的优点。仿真结果表明了算法的有效性;是机器人路径规划的一个较好的方法。     

基于粒子群优化的多用户MIMO下行链路调度算法

将多用户MIMO下行链路调度问题描述为一优化问题,并引入粒子群优化(particle swarm optimization,PSO)算法进行求解.针对容量和复杂度有不同要求的应用场合,给出了两类采用不同目标函数PSO调度算法:基于容量PSO(C-PSO)调度算法和基于特征值下界PSO(LBE-PSO)调度算法.C-PSO算法目标是获得接近最优容量的性能;而LBE-PSO算法旨在有效降低算法复杂度的同时尽可能获得高的容量增益.进一步,从粒子和速度两方面对PSO算法的收敛性进行分析并得出收敛条件,然后通过不同参数值的实例对其进行验证.仿真结果表明,C-PSO算法能够以较低的复杂度获得接近穷搜索算法的容量,而LBE-PSO调度算法则提供了一种能够在容量和复杂度之间很好折中的调度方案.     

群集智能算法研究现状及进展

基于群集智能的算法研究,近年来受到了广泛的关注.本文讨论了群集智能的两种算法,蚁群智能与微粒群智能.分别阐述了它们的原理、基本算法及其一些改进算法.最后讨论了群集智能算法的一些应用实例以及它们的应用领域和未来的研究方向.     

改进混合粒子群算法的立体车库存取调度

为了进一步提高立体车库存取效率,提出一种改进混合粒子群算法,应用于立体车库存取策略时间模型,寻找存取车最优时间和最优排序。该算法主要在粒子群算法前期引入遗传算法,改善全局搜索能力,后期引入模拟退火算法弥补其局部搜索能力弱的特点。与目前应用于立体车库存取车调度的遗传算法相比,改进混合粒子群算法存取效率提高了24.5%~36.07%,并优于其他车库调度算法,提高了车库运营效率。     

HSDPA中F-HARQ技术的FPGA实现

高速下行分组接入(HSDPA)技术是实现提高3G网络高速下行数据传输速率最为重要的技术,F-HARQ为其核心技术。在分析各种混合重传请求技术(HARQ)原理基础上,完成发送端F-HARQ硬件模块的设计及其Verilog实现,并通过FPGA仿真验证,结果表明所设计的硬件模块发送速率达到50MHz。     

基于遗传粒子群混合算法的供应链调度优化

针对大规模定制模式下的供应链调度优化问题,首先将供应链调度优化问题进行数学规划建模,并通过一些定义将模型映射为有向图,以便于智能搜索算法的应用;然后,结合遗传算法全局搜索能力强与粒子群算法收敛速度快的特点,进行优势互补,构造了一种混合算法;最后,运用混合算法对供应链优化调度问题模型进行求解.通过与其他算法进行比较,所得结果表明混合算法有着更好的整体性能.     

基于混合GA算法求解车间调度问题

由于车间调度问题组合排序众多等复杂性因素的存在,使用遗传算法求解时,初始种群的随机产生和变异的随机发生对寻优的效率影响很大。针对上述问题,提出一种混合GA算法,主要从变异策略和种群生成两方面进行改进,采用经过选择、交叉操作种群的平均适应度值来决定是否进行变异操作,借鉴SA算法中的重升温策略,将引入自适应控制因子和排列操作的PSO算法产生的个体极值种群代替GA算法特定代数的种群。仿真结果验证了该算法求解车间调度问题的有效性。     

基于群智能算法的自动化码头协同调度研究

为了提高码头作业效率和服务水平,保障港口在激烈竞争中的生存和发展,研究自动化码头自动引导车、岸桥和自动化轨道吊的协同调度问题,根据边装边卸作业模式,建立混合整数规划模型,以完成船舶装卸时间最小化为目标,利用群智能算法中多种算法进行求解,通过数值实验证明了该模型的有效性,获得优化的调度方案,并对不同算法的性能进行比较,结果表明启发式的混合遗传粒子群算法能够在最短的时间内获得最优解,其在求解的质量和速度方面都表现得更为优秀,可以应用于码头的实际作业中。     

HSDPA:提升WCDMA性能的高速引擎

高速下行分组接入（HSDPA）从理论上看能提供高达14.4Mbit／s的速率，它是通过改进无线调制方式和无线接入管理方法来实现的。HSDPA属于3GPP R5 WCDMA系统规范，在未来的R6版本中将包含多天线技术，其最大速率可提高到30Mbit／s。     

Novel scheduling strategy for downlink multiuser MIMO system: Particle swarm optimization

In this paper the scheduling problem in downlink multiuser MIMO system is described as an optimization problem and particle swarm optimization (PSO) algorithm is introduced to address such problem. Two PSO scheduling methods with different objective functions applicable to different requirements on capacity and complexity are investigated. One is the capacity based PSO(C-PSO) scheduling method aiming at achieving the near optimal capacity; and the other is the lower bound of eigenvalue based PSO (LBE-PSO) scheduling method with the purpose of reducing computational complexity and at the same time achieving as large as possible capacity gain. Furthermore, convergence analysis of PSO from both the particle and the velocity aspects is also presented to derive the convergent condition, which is validated by several examples of different parameter values. Simulation results reveal that the C-PSO can obtain nearly the same capacity as the exhaustive search method with lower complexity, while the LBE-PSO provides a viable approach by striking a better tradeoff between capacity and computational complexity.     

基于群集智能的蚁群优化算法研究

群集智能是近年来人工智能领域研究的一个新的热点课题。介绍了这一研究的思想方法和数学模型,以蚂蚁群体的智能行为研究对象,阐述了基于群集智能的蚁群优化算法,并介绍了该算法的工程应用。     

基于微粒群算法的网格工作流优化调度问题的研究

网格工作流中的调度问题是一个复杂且具有挑战性的问题,它影响着网格工作流执行成功与否及效率的高低.针对具有时序和因果约束关系的网格工作流优化调度问题进行了研究,建立了网格工作流的任务调度模型和调度问题的目标模型,并应用微粒群算法来优化网格工作流中任务的调度.实验结果证明该算法优于传统的调度算法.     

膜计算改进粒子群优化算法的云资源调度

云计算环境下的资源合理调度是当前的研究热点,针对粒子群优化算法的不足,引入膜计算理论,提出一种基于膜计算改进粒子群优化算法的云资源调度算法（PSO-MC）。对云资源调度问题进行分析,建立云资源调度的目标函数,受到膜计算的启发,将粒子放入膜中,主膜内粒子进行精细化局部寻优,辅助膜内的粒子进行全局搜索,通过膜区域之间信息传递搜索结果,找到云资源调度问题的最优解,在CloudSim平台对算法进行仿真实验。结果表明,PSO-MC算法减少了任务的平均完成时间,提高了任务处理的效率,使云计算资源调度更加合理。     

粒子群和人工鱼群混合优化算法

提出基于粒子群的人工鱼群混合优化算法,该算法综合利用人工鱼群算法的良好全局收敛性和粒子群算法的局部快速收敛性、易实现性等优点,克服人工鱼群算法收敛速度慢及粒子群算法后期全局收敛差的缺点,发挥了两者的优越性,并成功应用于求解具有变量边界约束的非线性的复杂函数最优化问题和求解复杂化学方程根的问题。仿真结果表明,混合粒子群算法不仅具有较好的全局收敛性能,而且具有较快的收敛速度。     

基于QPSO算法的作业车间调度问题的研究

针对现行的遗传算法存在进化速度过慢和过早收敛的局限,以及粒子群优化算法搜索空间有限、容易陷入局部最优点的缺陷,提出将一种基于量子行为的粒子群优化算法应用于作业车间调度问题.将该问题中的每个调度组成一个多维向量,以此向量作为量子粒子群优化算法中的粒子进行进化,由此在解空间内搜索最优解.实例仿真结果表明,该算法收敛速度快、全局收敛性能好,可以得到比遗传算法、粒子群优化算法更佳的调度效果,证明了算法的有效性.     

基于混合粒子群优化算法的聚类分析

针对模糊C-均值聚类算法易陷入局部最优和算法收敛速度慢等问题,提出了一种新的基于混合粒子群优化的模糊C-均值聚类算法.新算法在基本粒子群优化的模糊C-均值聚类算法的基础上结合了遗传算法的交叉、变异算子及混沌优化算法,并引入逃逸算子.仿真结果表明,该算法有效地避免了通常聚类方法易出现的早熟现象,同时也具有较快的收敛速度和较高的准确度.     

融合K-调和均值和模拟退火粒子群的混合聚类算法

针对K-调和均值和模拟退火粒子群聚类算法的优缺点,提出了1种融合K-调和均值和模拟退火粒子群的混合聚类算法。首先通过K-调和均值方法将粒子群分成若干个子群,每个粒子根据其个体极值和所在子种群的全局极值来更新位置。同时引入模拟退火思想,抑制了早期收敛,提高了计算精度。本文使用Iris、Zoo、Wine和Image Segmentation,4个数据库,以F-measure为评价聚类效果的标准,对混合聚类算法进行了验证。研究发现,该混合聚类算法可以有效地避免陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力,明显改善了聚类效果。该算法目前已用于无锡一淡水养殖基地的水产健康养殖水质分析系统,运行效果良好。     

基于粒子群算法的盲多用户检测器

在信道参数未知的多径环境下,盲多用户检测算法性能存在诸如收敛速度慢和估计精度低等问题.将粒子群算法运用到基于恒模算法的盲多用户检测中.仿真结果显示,粒子群算法能够更精确地估计出信道的参数,且其收敛速度非常快,在估计出信道参数之后再进行盲多用户检测,检测性能优良.