基于增强遗传算法固定频率分配问题仿真.docVIP

基于增强遗传算法固定频率分配问题仿真 　　[摘 要] 随着通信网络规模的不断扩大，有限的频率资源与不断增长的频率分配需求之间的矛盾变得越来越突出。为了得到最优化的频率分配方案，运用一定的优化算法来合理的规划频率资源就显得特别重要。针对这个问题，本文提出了一种增强遗传算法，该算法根据频率分配模型出发，从优先级权重的角度自适应地选择进化路径，保证群体收敛性与个体多样性之间的动态平衡，快速推进搜索过程，得到最终解。仿真结果表明，该算法比起普通的遗传算法而言，具有更快的收敛速度和更优的求解结果，能够更好地解决频率分配问题。 　　[关键词] 遗传算法； 频率分配； 优先级 　　1 引言 　　在移动通信网络建设中，划分了若干小区，每个小区需要分配若干固定的频率来满足话务量的需求。随着用户数量的不断增长，有限的频率资源与不断增长的频率分配要求之间的矛盾日益突出。但是，由于无线电波在空间传播的开放特性，造成多个发射机和接收机在工作时间、地点和频率上如果相同或相近，会造成不同程度的干扰，影响通话质量和用户感受。所以，采用一种好的频率分配策略来生成频率分配方案就成为了一种行之有效的方法。 　　频率分配问题，本质上属于算法的NP-Complete问题。求取最优解的过程可能需要花费大量时间，所以，许多文献提出了基于启发式规则的求取近似解的算法，比如遗传算法、神经网络算法、模拟退火算法和粒子群算法等等。但是这些算法都存在着收敛速度慢，容易陷入局部最优解的缺陷。遗传算法虽然已经有了相应的解决方案，但是遗传算法本身运作机理的可靠性不足，又影响到其结论的可信赖程度。基于以上原因，本文提出一种增强遗传算法。该算法根据频率分配模型出发，从优先级权重的角度自适应地选择进化路径，保证群体收敛性与个体多样性之间的动态平衡，快速推进搜索过程，得到最终解。仿真结果表明，该算法比起普通的遗传算法而言，具有更高的收敛速度和更优的求解结果，能够更好地解决频率分配问题。 　　2 频率分配模型 　　某地图区域范围内，有n个小区，每个小区根据客户的需要，分配m各不同的固定频率，计作Fk=（fk1，fk2，…，fkm）。为了便于计算机描述，将该区域地图描述成如下形式： 　　Aera = 　　其中： 　　V表示一个节点的集合，每个节点代表一个小区，记为V1，V2，…，Vn； 　　E表示小区与小区之间边的结合，每条边的权重，代表着由于频率干扰所产生的“违约值”； 　　定义：违约值（Default Value）是指同一个小区内部，或是不同小区之间，由于频率分配相同或相近造成的频率干扰影响量化单位值，记做D[i][j]，例如D[2][3]表示小区2与小区3之间频率干扰的违约值。 　　有了以上的设定，求取固定频率最优分配方案的问题就可以建立如下数学模型： 　　固定频率分配问题，本质上可以看做根据不同的区域邻接矩阵Aera=，考虑不同的频率分配方案Fk=（fk1，fk2，…，fkm），并基于这种分配方案计算出： 　　（公式1） 　　从中寻找至少一个方案Fmin，使得该方案的DArea 具有最小值。 　　显然，这个问题是一个动态规划的NP-Complete问题。为了使得这个模型利于简化处理，不失一般性，可以做如下设定： 　　（1）同频限制（co-channel constrain，CCC）：同一个小区的频率不能相同或相似，否则会产生极大的违约值，既D[i][i] = +∞；直接相邻小区的频率也不能相同，否则会产生较大的违约值，且该违约值会因为相邻小区的物理距离远近，产生不同的违约值，既D[i][i+1] = F（distance（i，i+1））； 　　（2）邻频限制（adjacent-channel constrain，ACC）：直接相邻小区的频率也不能相似，否则会产生较小的违约值，且该违约值会因为相似程度和物理距离远近，产生不同的违约值，既D[i][i+1] = G（similar（i，i+1））；间接相邻小区的频率相似也可能造成违约值，但是由于这种情况的违约值与前面3种情况相比小很多，计算时可以忽略不计，既如果|i-j| = 2，那么D[i][j] = 0； 　　3 增强的遗传算法 　　对于NP-Complete问题，目前还没有找到多项式时间复杂程度的求解算法。所以退一步，寻找次优解的方案就变得可以接受。经典遗传算法（Standard Genetic Algorithm， SGA）利用染色池中随机选择染色体，使得染色体不断地提高适应度，最终得到一个“最优”的方案。 　　SGA的算法步骤可以一般化为如下步骤： 　　步骤1：初始化一个L维的向量（称作染色体），以及一个评价函数f（x），用以评价某个染色体的适应度。 　　步骤2：定义一系列的复制、杂交和突变操作，用以更新染色池中的染色体。 　　步骤