智能优化算法及通信中的应用研究.pdfVIP

杭州电子科技大学硕士论文 摘 要 以模仿自然与生物机理为特征的智能优化算法，能够解决传统优化方法难以处理的问 题，从而成为研究热点。本文主要研究量子遗传算法、粒子群算法、混合蛙跳算法、免疫克 隆算法性能的改进及其在多用户检测和盲均衡中的应用。 最优多用户检测能有效抑制多址干扰（MAI ）、多径干扰，且可以减少远近效应，但计 算复杂度高，因此寻找计算复杂度合理，而性能接近最优多用户检测的次优检测方法是本文 的主要内容。本文首先提出了一种改进的量子遗传算法（MQGA ），改进算法中通过小生境协 同进化策略初始化量子种群，并采用自适应更新旋转角策略；随后提出了基于MQGA 的多用 户检测算法（MQGA-MUD ），仿真结果表明MQGA-MUD 性能要优于基于遗传算法的多用户 检测算法（GA—MUD ）和基本量子遗传算法的多用户检测算法（QGA-MUD ）。然后提出了 离散化的混合蛙跳算法（DSFLA ），为了增加青蛙种群的多样性，提高蛙跳算法性能，本文 分别把神经网络、免疫算法和克隆算法引入蛙跳算法中，加快蛙跳算法的收敛速度，使得算 法能跳出局部解，向全局最优进化；提出了神经蛙跳算法（HDSFAL ）、免疫蛙跳算法（IDSFLA ） 和克隆蛙跳算法（KDSFLA ）；并将它们分别应用到多用户检测，提出了基于DSFLA 的多用 户检测算法（DSFLA-MUD ）、基于HDSFAL 的多用户检测算法（HDSFLA-MUD ）、基于IDSFLA 的多用户检测算法（IDSFLA-MUD ）和基于KDSFLA 的多用户检测算法（KDSFLA-MUD ）。 仿真结果表明，本文所提出的 DSFLA—MUD 的性能与MQGA-MUD 相当；HDSFLA-MUD 的性能优于 DSFLA-MUD ；IDSFLA-MUD 和 KDSFLA-MUD 性能相近，都优于 HDSFLA-MUD ，是本文所设计的性能最好的多用户检测算法。 盲均衡技术能有效克服码间干扰，得到了广泛的应用。本文根据归一化原理，首先推导 了六、二阶归一化累积量盲均衡准则。然后为了改进连续混合蛙跳算法性能，提出了新的更 新策略，在此基础上提出了优选蛙跳算法（SSFLA ）和拉伸蛙跳算法（NSFLA ），并将它们 应用于盲均衡中，得到了基于SSFLA 的盲均衡算法和基于NSFLA 的盲均衡算法。仿真结果 表明，基于六、二阶归一化累积量盲均衡准则的算法有较好的性能；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优于基于基本蛙跳的盲均衡算法。为了提 高基本粒子群算法求解连续优化问题的能力，提出一种具有中心交流机制的改进双种群粒子 群算法，结合协同进化算法理论，随后提出概率选择的改进双种群协同的粒子群算法 （PIDPSO ），将PIDPSO 应用到盲均衡中，得到了基于PIDPSO 的盲均衡算法。仿真结果表 明，所提出的基于PIDPSO 的盲均衡算法的性能优于基于普通的双种群协同粒子群算法的盲 均衡算法和基于基本粒子群算法的盲均衡算法。 关键词：智能优化算法，多用户检测，盲均衡，量子遗传算法，粒子群算法，混合蛙跳算法， 免疫算法，克隆算法，协同进化 I 杭州电子科技大学硕士论文 ABSTRACT The intelligent optimization algorithms，which are inspired by the evolution mechanism of nature and biology, have been widely discussed and applied to many different problems which the traditional optimization can not solve. The dissertation focuses on the performance improvement of the intelligent optimization algorithms, which are the quantum genetic