一种一种基于蚁群算法的一种一种一种一种多用户检测方法.docxVIP

一种一种基于蚁群算法的一种一种一种一种多用户检测方法 0 正反馈并行自催化机制 20世纪90年代初，意大利科学家德罗格macro等人提出了一种算法aco（反相互作用）。该算法采用了正反馈并行自催化机制, 具有较强的鲁棒性、优良的分布式计算机制、易于与其他方法结合等优点, 在解决许多复杂优化问题方面已经展现出优异的性能和巨大的发展潜力。 最大-最小蚂蚁系统MMAS (Max-Min Ant System) 在很多领域都取得了很好的效果。本文通过对CDMA中多用户检测问题MUD (Mutiuser detection) 的分析, 建立了一个基于蚁群算法的多用户检测问题模型并将最大-最小蚂蚁系统应用到模型的求解, 随后又根据最大-最小蚂蚁系统的缺陷提出了一种与禁忌搜索结合的混合算法, 最后通过试验仿真证明了算法的可行性。 1 最大-最小防止特殊个人企业的信息素轨迹更新缺少 蚁群算法最早应用于TSP问题, 我们也以TSP问题为例介绍蚁群算法。 设TSP规模为n, 蚁群中蚂蚁总数为M,τij(t) 表示t时刻路径 (i,j) 上的信息量。初始时刻, 各条路径上的信息素量相等, 设τij(0) =C(C为常数) 。蚂蚁k(k=1, 2, …,m) 在运动过程中根据各条路径上的信息素量决定转移方向。用禁忌表tabuk(k=1, 2, …,m) 来记录蚂蚁k当前走过的城市。在t时刻, 蚂蚁k在城市i选择城市j的转移概率pkijkij(t) 为: pkij(t)={[τij(t)]α?[ηij(t)]β∑s∈allowedk[τis(t)]α?[ηis(t)]β若j∈allowedk0otherwise(1)pkij(t)=???????[τij(t)]α?[ηij(t)]β∑s∈allowedk[τis(t)]α?[ηis(t)]β若j∈allowedk0otherwise(1) 其中allowedk={C-tabuk) 表示蚂蚁k下一步允许选择的城市;ηij为启发函数, 一般用两城市之间距离的倒数表示, 这个量在蚂蚁系统运行过程中保持不变;α和β为两个参数, 分别反映了蚂蚁在运动过程中所积累的信息和启发信息在蚂蚁选择路径中的相对重要性。 和基本的蚂蚁系统 (AS) 相比, 最大-最小蚂蚁系统 (MMAS) 有三个主要特点:①每次循环结束后, 只有最优的一只蚂蚁进行信息素更新。②为了避免搜索的停滞, 在每个解元素 (在TSP中是每条边) 上的信息素轨迹量的值域范围被限制在[τmin,τmax]区间内。③为了使蚂蚁在算法的初始阶段能够更多地搜索新的解决方案, 将信息素轨迹初始化为τmax。 在MMAS中只有一只蚂蚁用于在每次循环后更新信息素轨迹。轨迹更新规则如下: τij(t+1) = (1-ρ)τij(t) +Δτbestij(2) 其中,Δτbestij=1/f(sbest) ,f(sbest) 表示迭代最优解 (sib) 或全局最优解 (sgb) 的值。在MMAS中主要使用迭代最优解。 在MMAS中, 最大轨迹量τmax可以设置为 (3) 式所示的渐进最大估计值: τmax=1ρ?1f(sgb)τmax=1ρ?1f(sgb)(3) 这样, 每次找到一个新的最优解,τmax都被更新, 导致了一个动态变化的τmax值。 τmin的值可由 (4) 得到: τmin=τmax(1-Ρdec)(avg-1)Ρdec=τmax(1-n√Ρbest)(avg-1)n√Ρbest(4) 其中Pdec是蚂蚁在一个选择点上作出“正确”决策的概率,Pbest是蚂蚁在所有选择点上都作出“正确”决策的概率,Ρdec=n√Ρbest;avg指蚂蚁在每个点上需面对的可选择解元素的平均值, 在TSP问题中,avg=n2。 2 多因素检测mud及其模型 2.1 基于anes后验概率最大的检测算法 最优多用户检测器是Verdu根据最大似然序列检测MLSD (Maximum Likelihood Sequence Detection) 提出的。这种检测器可以达到理论上的最小错误概率。它采用的是Bayes后验概率最大原理, 因此是一种最大似然估计算法。 假设一个同步CDMA通信系统的用户数为K, 最优检测器可以看作在2K个解中寻找使下式的函数值最大的解: J(b) =2bTAy-bTHb(5) 其中b和A分别为用户发送的信息比特向量和幅度对角阵,y为匹配滤波器的输出信号向量,H为归一化的相关函数。 最优多用户检测器虽然因为计算复杂度过高而无法采用, 但公式 (5) 却被很多次最优多用户检测器作为目标函数。 2.2 多用户检测算法 根据NFL定理, 我们不能把在TSP问题中取得很大成功的蚁群算法拿到MUD中进行简单的套用, 而应该以问题为导向, 从问题到算法, 针对MUD问题的