智能優(yōu)化算法及在通信中的應用研究.pdf

1、以模仿自然與生物機理為特征的智能優(yōu)化算法，能夠解決傳統(tǒng)優(yōu)化方法難以處理的問題，從而成為研究熱點。本文主要研究量子遺傳算法、粒子群算法、混合蛙跳算法、免疫克隆算法性能的改進及其在多用戶檢測和盲均衡中的應用。
　　 最優(yōu)多用戶檢測能有效抑制多址干擾(MAI)、多徑干擾，且可以減少遠近效應，但計算復雜度高，因此尋找計算復雜度合理，而性能接近最優(yōu)多用戶檢測的次優(yōu)檢測方法是本文的主要內(nèi)容。
　　 本文首先提出了一種改進的量子遺傳算

2、法(MQGA)，改進算法中通過小生境協(xié)同進化策略初始化量子種群，并采用自適應更新旋轉(zhuǎn)角策略；隨后提出了基于MQGA的多用戶檢測算法(MQGA-MUD)，仿真結(jié)果表明MQGA-MUD性能要優(yōu)于基于遺傳算法的多用戶檢測算法(GA—MUD)和基本量子遺傳算法的多用戶檢測算法(QGA-MUD)。然后提出了離散化的混合蛙跳算法(DSFLA)，為了增加青蛙種群的多樣性，提高蛙跳算法性能，本文分別把神經(jīng)網(wǎng)絡、免疫算法和克隆算法引入蛙跳算法中，加快蛙跳

3、算法的收斂速度，使得算法能跳出局部解，向全局最優(yōu)進化；提出了神經(jīng)蛙跳算法(HDSFAL)、免疫蛙跳算法(IDSFLA)和克隆蛙跳算法(KDSFLA)；并將它們分別應用到多用戶檢測，提出了基于DSFLA的多用戶檢測算法(DSFLA-MUD)、基于HDSFAL的多用戶檢測算法(HDSFLA-MUD)、基于IDSFLA的多用戶檢測算法(IDSFLA-MUD)和基于KDSFLA的多用戶檢測算法(KDSFLA-MUD)。仿真結(jié)果表明，本文所提出的

4、 DSFLA—MUD的性能與MQGA-MUD相當；HDSFLA-MUD的性能優(yōu)于DSFLA-MUD；IDSFLA-MUD和KDSFLA-MUD性能相近，都優(yōu)于HDSFLA-MUD，是本文所設計的性能最好的多用戶檢測算法。
　　 盲均衡技術(shù)能有效克服碼間干擾，得到了廣泛的應用。本文根據(jù)歸一化原理，首先推導了六、二階歸一化累積量盲均衡準則。然后為了改進連續(xù)混合蛙跳算法性能，提出了新的更新策略，在此基礎上提出了優(yōu)選蛙跳算法(SSFLA

5、)和拉伸蛙跳算法(NSFLA)，并將它們應用于盲均衡中，得到了基于SSFLA的盲均衡算法和基于NSFLA的盲均衡算法。仿真結(jié)果表明，基于六、二階歸一化累積量盲均衡準則的算法有較好的性能；所提出的基于SSFLA的盲均衡算法和基于NSFLA的盲均衡算法的性能要優(yōu)于基于基本蛙跳的盲均衡算法。為了提高基本粒子群算法求解連續(xù)優(yōu)化問題的能力，提出一種具有中心交流機制的改進雙種群粒子群算法，結(jié)合協(xié)同進化算法理論，隨后提出概率選擇的改進雙種群協(xié)同的粒子