基于改进蜂群算法的移动通信信道分配方法.docxVIP

基于改进蜂群算法的移动通信信道分配方法 1 基于改进的人工蜂群算法 在移动通信系统中，移动用户的快速增加与有限频率资源之间存在矛盾。为了提高有限频率资源的利用率，采用频道分布技术是一种明显的方法。通常是根据干扰约束条件以及信道分配问题模型, 按照不同的算法求解信道的最佳分配方案。在早期, 信道分配问题的研究大多是以图形理论或启发式方法为基础的, 近年来, 主要用神经网络、遗传算法、模拟退火算法和微正则退火算法来处理信道分配问题。但在搜索最优解过程中, 它们依然存在收敛时间较长, 容易陷入或难以摆脱局部最优解等缺点。 为了解决上述缺点, 利用固定信道分配的数学模型, 在普通人工蜂群算法的基础上, 提出了一种用改进的人工蜂群算法来求解最佳信道分配的方案。人工蜂群算法是一类新兴的基于蜜蜂群智能搜索行为的优化算法, 它与其他智能算法一样具有优良的优化性能。由于智能算法自身还存在一定缺陷, 许多研究者提出了一些改进措施并应用于不同的领域。本文针对人工蜂群算法收敛速度慢, 易陷入局部最优等缺点, 将人工蜂群算法进行改进, 并用于解决固定信道分配问题;仿真证明了该算法的优越性。 2 数值分配算法 信道分配问题即频率分配问题, 其基本模型是可行性频率分配, 目标是在不违反干扰约束的前提下, 所有小区都能分配到所需数量的频点。通常只考虑三种主要干扰约束条件:同频干扰 (CCC) 、邻频干扰 (ACC) 、共地干扰 (CSC) 。通常用一个N′N维的兼容矩阵来表示以上主要的干扰约束条件 (N为蜂窝系统的小区数) , 矩阵C中对角元素Cij表示分配给小区i的信道之间的最小间隔, 矩阵中的非对角元素Cij (i1j)表示分配给小区i中的信道与小区j中的信道的最小间隔。每个小区频率需求数用矩阵来表示, 其中矩阵R中的元素ri表示第i个小区的频点需求数, 可用的频点集合为, 其中FNum=max{fij}, 设fik为给第i个小区的第k个位置分配的频点, fik取值为正整数, fjl同理, 它们之间应满足, 目标函数的适应度S (F) 定义为信道分配方案F违反约束条件的总数量, Fikjl描述fik与fjl是否满足约束条件Cij, 数学模型如下: 即在给定的C、R和可用频点集合FN, 找到使目标函数S (F) 值最小即为0的信道分配方案F。 信道分配方案F采用最小间隔实数编码方式, F是一个N′rmax的矩阵, 即: 式中rmax是需求向量R的最大值,, 表示将频点χ分配给第i个小区的第j个位置, 当时, fij=0。 3 基于概率pi的新蜜源搜索算法 在人工蜂群算法中蜂群主要有引领峰、跟随蜂和侦查蜂, 一个蜜源位置 (θi) 与一个引领蜂 (ei) 相对应, ei先出去寻找蜜源位置θi, 跟随蜂 (oi) 在舞蹈区等待ei带回蜜源的相关信息, 等到ei回到舞蹈区后, oi根据ei的舞蹈得知θi信息, 采用公式 (4) 以概率Pi选择一个θi, 并在其邻域内采用公式 (5) 搜索新蜜源, 比较蜜源θi和在其领域内搜索的新蜜源, 选择较好的蜜源采蜜。在迭代过程中, 若某个oi在设定的搜索次数内没有获得更好的蜜源, ei便放弃该θi, 同时成为侦查蜂。并随机搜索新蜜源。 令蜂群数量为M, 第t次迭代之后, 现有的蜜源位置集合为M, ei在该次搜索之后, 获得的蜜源收益度为H (θi(t) ) , oi选择θi(t) 的概率为: oi以概率Pi选择θi(t) 之后, 在其邻域内选择一个新的蜜源 (θi(t+1) ) 进行访问, 选择的方法为: 其中ψi为随机产生的步长。如果H (θi(t+1) ) H (θi(t) ) , 则用θi(t+1) 更蜜源θi(t) , 否则θi(t) 不变。若在连续的Limt次迭代之后, 均不能发现更优的蜜源, 则ei放弃该θi, 同时成为侦查蜂随机搜索新蜜源。 4 改进的手动集群算法 4.1 迭代次数优化 人工蜂群算法中, 跟随蜂在选中的蜜源邻域范围内按式 (5) 搜索新蜜源, 搜索步长具有随机性, 算法寻优速度相对较慢, 易陷入局部最优或易错过全局最优解。本文根据文献的研究成果, 在实验数据的基础上将随机产生的步长改为随迭代次数动态变化的步长, 不仅提高了算法的搜索精度, 还能较好地平衡局部与全局搜索能力, 如式 (6) 所示: 其中, tmax为最大迭代次数;θmax (t) 为第t次迭代的最优蜜源位置;0.5 (1-t/tmax) 是邻域搜索步长的动态权值, 它随迭代次数的增加线性减小。该动态权值在算法初期有较大的值, 使跟随蜂有较强的全局搜索能力, 加快算法收敛速度;在算法后期随迭代次数的增加有较小的值, 使跟随蜂有较强的开发能力并增强了算法的搜索精度, 从而使蜂群在全局搜索和局部搜索之间达到动态平衡。 4.2 自由或