遗传算法在移动通信传输领域应用.docVIP

遗传算法在移动通信传输领域应用摘要：本文就遗传算法在国内移动通信领域的应用情况作了调研，根据遗传算法在各个方面的应用情况提出了在未来移动通信领域的应用前景。利用遗传算法解最优化问题，首先应对可行域中的点进行编码（一般采用二进制编码），然后在可行域中随机挑选一些编码组成作为进化起点的第一代编码组，并计算每个解的目标函数值，也就是编码的适应度。接着就像自然界中一样，利用选择机制从编码组中随机挑选编码作为繁殖过程前的编码样本。 关键词：编码；交换；交叉算子；变异算子 中图分类号：TN929.5 文献标识码：B 文章编号：1009-9166（2009）02（c）-0056-02 遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术之一。 一、遗传算法的基本流程 遗传算法是一类随机优化算法，但它不是简单的随机比较搜索，而是通过对染色体的评价和对染色体中基因的作用，有效地利用已有的信息来指导搜索有希望改善优化质量的状态。标准遗传算法的流程图如图1所示。 主要步骤可描述入下： (1)随机产生一组初始个体构成初始种群，并评价每一个体的适配值。(2)判断算法的收敛准则是否满足。若满足则输出搜索结果；否则执行以下步骤。(3)根据适配值大小以一定方式执行复制操作。(4)按交叉概率 执行交叉操作。(5)按变异概率 执行变异操作。(6)返回步骤，上述算法中，适配值是对染色体进行评价的一种指标，是GA进行优化所用的主要信息，它与个体的目标值存在一种对应关系；复制操作通常采用比例复制，即复制概率正比于个体的适配值，如此意味着适配值高的个体在下一代中复制自身的概率大，从而提高了总群的平均适配值；交叉操作通过交换两父代个体的部分信息构成后代个体，使得后代继承父代的有效模式，从而有助于产生优良的个体；变异操作通过随机改变个体中某些基因而产生新个体，有助于增加种群的多样性，避免早熟收敛。 二、移动通信中的遗传算法 （一）信道分配中的遗传算法。信道分配（CAP）属于组合优化中的NP完备问题，目的是提高系统对频率资源的有效利用率，它反映在两个方面：(1)在指定信道资源和服务质量的条件下，设法找到一种最佳的方法将这些信道分配给小区的呼叫；(2)在已知系统话务量分布和给定呼叫阻塞率条件下，确定满足服务要求所需信道数最少的方案。 目前常用的算法有：图形着色算法、神经网络算法、模拟退火算法、启发式算法、爬山法、找最大独立团法和遗传算法等。在遗传算法中提出了用一种改进的组合遗传算法进行信道分配，主要是针对“热点”小区信道分配难的情况，在“热点”小区设置了信道分配的优先级，从而提高了最优分配方案的收敛性。组合遗传算法（CGA）是把排序分配法和遗传算法相结合，利用遗传算法强大的搜索能力寻找和确定最佳呼叫列表，然后采用排序分配法试探和寻找最佳信道分配方案。CGA算法与其它应用遗传算法解决CAP方法的关键差异在于CGA中遗传算法的主要作用是寻找和优化最佳列表，而不是直接去寻找最佳信道分配结果。CGA算法对于现实中话务量分布非均匀蜂窝小区的信道分配问题存在算法收敛性差和运算花费时间大的问题。因此提出了用改进的组合遗传算法（MCGA）进行信道分配，在信道分配时考虑采用基于分配难度的小区排序方法，给予这些“热点”小区一定的优先级，以便让这些小区首先获得信道，并在CGA对整个解空间进行随机搜索时，注入一定的导向性信息加快CGA算法的收敛时间，提高它的收敛率。信道分配的目标是得到一个用最少的信道数，满足话务需求和电磁兼容限制的信道分配方案，即上面提到的提高频率资源有效利用率的情况（2）。为此采用了最小间隔编码方案，利用了固定遗传算子（交叉和变异），在整个迭代过程中始终满足话务需求的要求。在信道分配过程中按照标准的遗传算法流程进行，为了满足同位置限制的条件（CSC），采用了最小间隔编码方案；适值函数也是按照约束条件选取的：首先，必须满足需求向量的要求； 其次是CSC，还有同频限制（CCC）和邻频限制（ACC）；初始化种群时，先分配需求信道最多的前两个小区，剩余小区随机分配；在单点交叉和双点交叉算子的基础上提出了两种新的交叉算法（X1和X2）；为了保持种群的多样性，采用了三种变异算子