基于人工智能优化理论的无线电频谱分配

为了提高无线电频谱的利用率,提出一种改进蚁群算法的无线电频谱分配方法.以系统带宽收益最大化为目标优化函数,引入自适应搜索窗口限制蚁群算法的活动范围,并对局部信息素和全局信息素进行改进,加快了最优解的搜索速度,降低了陷入局部最优解的概率.仿真测试结果表明,改进后的算法能够快速找到无线电系统频谱分配的最优方案,系统效益优于对比算法.     

基于多态蚁群优化算法的认知无线电动态频谱接入策略

为尽可能提高系统的网络收益及网络资源的利用率,针对原有蚁群算法搜索时间长、收敛速度慢及信息素单一等问题,提出一种基于时间效率的多态蚁群优化算法,借助信息素的增强型积累,为蚁群算法中蚂蚁的行动提供依据,并将其运用到认知无线电动态频谱接入中.以最大网络公平性和网络收益总和作为目标函数的仿真试验表明:改进后的算法能显著地提高系统的网络效益,保证系统的公平性,与此同时,节省了认知用户的搜索时间,使认知用户能更快速地接入可用信道,改进后的算法在加快收敛速度的同时,使得系统吞吐量也显著增加,提升了系统的整体性能.     

基于多目标遗传算法的认知无线电频谱分配

频谱共享技术是认知无线电的关键技术。基于多目标遗传算法,将认知无线电网络的最大系统效益和次用户间的最大比例公平作为目标函数,运用图论着色频谱分配模型,实现认知无线电中空闲频谱在次用户间的动态分配,并与颜色敏感图论着色算法(CSGC)进行了比较。通过仿真验证了该算法在认知无线电网络中进行频谱分配的可行性,且性能优于CSGC算法。     

改进蚁群算法在动态交通分配中的应用研究

将蚁群算法用于交通分配中最优路径求解,考虑到实际路网中路段的通行时间受到交通量的影响,提出了一种改进的蚁群算法.算法对基本蚁群算法的信息素更新方程和启发信息进行适当改进,即用车辆在路段的行驶时间代替路段长度对信息素进行更新,并在启发信息中引入新的参数以加强搜索方向性.将改进后的蚁群算法结合增量分配法进行应用.用一个算例对算法的有效性进行验证.     

基于二次退火机制的改进多态蚁群算法

利用多态蚁群算法和模拟退火算法的优点提出一种新的融合优化算法。研究结果表明:模拟退火用于优化每轮迭代后的路径,使得信息素释放更好的反映路径的质量;退火思想同时用于信息素更新机制,避免算法早熟、停滞,较差的路径按照退火竞争机制释放信息素;由于每轮迭代最优路径释放信息素最多,对其进行3-opt优化,提高搜索效率。同时,新发现的最优路径允许释放更多的信息素,使得蚂蚁在后续迭代中能够记住这条新路径。实验结果验证了算法的有效性。     

随机网络最大概率路径问题的模型与算法

为了求解满足一定时间限制的最大概率路径问题,在建立该问题数学模型的基础上,提出了一种改进蚁群算法。首先根据随机网络的定义建立了随机网络最大概率路径问题的数学模型,然后结合随机网络最大概率路径问题的特点,设计了一种新的启发式信息和信息素更新规则的改进蚁群算法,最后选择了4组数据,将改进蚁群算法与一种混合遗传算法进行对比试验,分别求取对应的全局最大概率路径和反映算法总体性能的多项数据。实验表明,改进蚁群算法的收敛速度和总体性能均优于混合遗传算法,为求解随机网络最大概率路径问题提供了一种快速、可行的方法。     

基于优化蚁群算法的AGV路径规划研究

针对基本蚁群算法在规划自动导引车(automated guided vehicle, AGV)路径时易出现的耗时长、搜索效率低、收敛速度慢以及易陷入局部最优等不足,文章提出一种优化蚁群算法。首先利用辅助蚁群的方向优势,帮助主蚁群初始化信息素,使路径搜索更具有针对性,提高路径搜索效率;其次加入伪随机状态转移策略,增加路径选择的多样性,防止算法过早收敛;接着使用蚁群的当前最优解、主蚁群一代蚁群中的最优解、最差解进行全局信息素更新,并引入最大最小蚂蚁系统对路径上的信息素进行限制;最后对栅格环境中的凹形障碍物进行处理,提高搜索质量。仿真实验表明,优化蚁群算法相较于其他蚁群算法,收敛速度更快、搜索能力更优。     

基于分布式认知无线电的非合作博弈频谱分配算法

基于博弈论的认知无线电频谱分配问题,是目前认知无线电领域的研究热点之一.分布式认知无线电系统的网络容错能力强,易于架设并且通信可靠性高.采用博弈论算法对认知无线电网络的频谱分配进行建模分析,可以很好的提高自适应算法的性能和收敛速度且降低了算法的复杂度.仿真结果表明,该分布式系统中的频谱分配算法收敛速度快、复杂度低并且具有很好的通信可靠性.     

认知无线电中基于极大独立集的频谱分配算法

针对认知无线电系统的特点和要求,建立图论着色扩展模型,提出一种基于极大独立集的频谱分配算法.在不考虑频谱效益差异性的情况下,该算法能够有效兼顾频谱分配的利用率和公平性,并能够减小分配的收敛时间,更加适合认知无线电动态频谱分配的实际要求.对于算法的频谱利用率和公平性能,该算法与列表着色贪婪算法和列表着色公平算法进行比较,仿真结果分析验证了该算法的性能.     

基于网络服务模式的动态路径规划蚁群算法

随着云计算、移动互联网等IT技术的发展,通过网络提供动态路径规划服务能够进一步改善人们的出行质量。网络服务模式下的动态路径规划要求系统能够同时为多用户提供最优路径。在多态蚁群算法基础上,借鉴最大最小蚂蚁系统及自然界优胜劣汰思想,考虑共享侦察蚁群得到的初始道路信息素,提出两阶段蚁群算法。实验结果表明,两阶段蚁群算法不仅在收敛速度上有所提高,且适应网络服务模式下的多用户实时导航需求。     

基于信息权重自适应蚁群算法求解TSP问题

为了提高蚁群算法求解TSP问题的寻优效果和计算效率,在传统蚁群算法的基础上,将信息权重系数引入路径选择机制及信息素调节机制,根据城市聚度,动态调整路径选择概率;根据路径寻优结果,自适应调整各路径信息量分布,提出了基于动态路径选择机制及自适应信息量更新的动态自适应蚁群算法,克服了传统蚁群算法计算收敛慢,容易陷入局部最优,个体早熟等缺陷。算法应用于Oliver30和Ch150两个TSP实例仿真,并与传统蚁群算法进行对比。结果表明:自适应蚁群改进算法可以有效地求解TSP问题,并且在求解效率和求解质量上都取得很好的效果。     

CCN中一种非混合式蚁群路由优化策略

蚁群优化(ant colony optimization,ACO)近年来在信息中心网络(content centric networking,CCN)路由领域的应用逐渐增多,其中,将ACO与其他机制相混合以改善路由性能的策略得到较多研究,但基于蚁群优化的混合式算法通常存在可扩展性低下,动态性差,网络成本高等问题。为此提出一种高效的非混合式蚁群路由算法(irritant ant framework,IAF)。添加一个新维度—一种动态的、仿生物的信息素分层,将传统单级别信息素上升为多级别信息素,增强蚁群对于路径的探索程度,抑制算法过早收敛;并且考虑了节点状态的动态性,实时改变信息素等级以选择最佳转发路径;此外,首次考虑了节点缓存特性对信息素更新策略的影响,构造出全新的信息素更新公式,,减小算法的收敛时间。实验结果表明,该算法能够有效地降低内容请求时延,提升缓存命中率,以较低的开销获得良好的CCN路由性能。     

统计干扰约束的认知无线电网络最优联合功率和频谱分配方法

针对具有统计干扰约束的认知无线电网络联合功率和频谱分配问题进行了建模和分析,建立了统计干扰约束的认知无线电网络联合功率和频谱分配最优化模型,由于模型是典型的NP-Hard问题,应用遗传算法对联合功率和频谱分配最优化模型进行求解,提出了基于遗传算法的最优联合功率和频谱分配方法,能有效地保障对联合功率和频谱最优分配.仿真验证了提出算法的收敛性和正确性.     

基于拓展迭代条件模式的认知无线频谱分配研究

为了有效解决认知无线电网络的频谱分配问题,文章通过构建无向图对网络中涉及的认知用户(secondary user,SU)、频带可用情况以及用户间的干扰关系等进行统一表达,将频谱分配问题转化为无向图目标函数的优化求解,使频谱分配过程兼顾SU的效益以及用户间的干扰关系;并设计了一种拓展的迭代条件模式算法实现相应的优化过程,提高了获得优质解的可能。实验中以颜色敏感图论着色算法、量子遗传算法和粒子群算法作为对比,从网络平均效益和公平性上比较方法的性能,并分析了方法的特点以及不同网络环境对方法性能的影响。实验结果表明,该方法能够有效地实现频谱分配,且在不同的网络环境下均具有较优的性能。     

基于自主蚁群算法的认知网络多约束QoS路由算法

提出了一种基于自主蚁群算法的认知网络多约束QoS路由算法,该算法主要解决认知网络中具有多个参数约束的QoS路由优化问题。针对基本蚁群算法在收敛速度和全局搜索能力方面存在不足,本算法主要从信息素浓度初始化、信息素挥发因子调整、信息素更新规则、状态转移规则四方面改进,在收敛速度和全局搜索能力方面得到提高。实验结果表明,该算法具有较好的收敛速度和全局寻优能力,能够有效的解决认知网络所面临多约束QoS路由问题。     

认知无线电中基于频谱聚合的需求改进型频谱分配算法

在认知无线电中,合理的频谱分配算法是提高频谱利用率的关键。针对现有频谱分配算法对不连续频谱的利用率较低的问题,提出一种基于频谱聚合的需求改进型频谱分配算法。该算法建立在图论着色模型的基础上,综合考虑了认知用户可用频谱的多样性、不连续频谱的可聚合性以及频谱聚合的最大范围限制等因素,并联合频谱聚合技术与用户的当前需求信息进行设计。算法提出了3种不同的标注准则,通过仿真对比了不同准则下的系统效益。结果证明,所提算法在频谱紧张、用户需求较大的认知环境下,不仅有较好的系统分配率和吞吐量,也能兼顾到认知用户间的公平性。     

基于遗传算法的认知无线电网络共同信道和功率最优分配

信道分配和功率控制问题是认知无线电网络中的核心问题。文中根据不完美频谱感知情形下的干扰功率模型,建立认知无线电网络共同信道和功率分配优化模型,并通过罚函数法,将标称的混合整数规划问题简化为不带约束条件的非线性规划问题,提出了基于遗传算法的共同信道和功率最优分配算法。仿真结果表明,该算法能在不完美频谱感知情形下对信道和功率进行联合最优分配,减少对主用户功率干扰,实现网络中认知用户吞吐量的最大化。     

基于自适应多态融合蚁群算法的无人机航迹规划

为解决传统航迹规划最短路径算法易陷入局部最优及复杂地形情况下的无人机航迹规划问题,提出了一种基于自适应多态融合蚁群算法的航迹规划方法。通过对航迹规划问题进行描述,建立数学模型,将自适应和蚁群算法相结合,与多态蚁群形成了全局、局部并行搜索模式,以提高算法寻找全局最优值的能力;提出自适应并行策略和自适应信息更新策略,以提升其全局搜寻能力。仿真结果表明,自适应多态融合蚁群算法较传统蚁群算法和多态蚁群算法具备更好的性能,能有效地提高搜索路径的长度和收敛速度,从而避免在求解过程中陷入局部最优,因此在求解最优航迹规划问题上有很好的应用前景。     

认知无线电网络中基于图着色的动态频谱分配

动态频谱分配是解决认知无线电网络中频谱资源利用率低下的有效手段.针对现有频谱分配中认知用户"饿死"这一难点问题,以最大化系统接入率为目标,提出一种基于图着色的动态频谱分配算法.构造了基于图着色模型的效能函数,通过动态更新可用矩阵完成有效的频谱分配.一系列仿真实验表明,所提算法获得了较高的系统接入率,兼顾了系统的吞吐量和公平性,具有比现有算法更优的性能.     

基于干扰效率的认知OFDMA网络功率分配算法

为了提高认知无线电网络的系统能量效率,同时减小对频谱授权者主用户的干扰,提出了一种新的下行传输干扰效率最大的认知正交频分多址接入(orthogonal frequency division multiplexing access, OFDMA)网络功率分配算法。干扰效率定义为次用户总的传输速率与对主用户总干扰功率的比值。由于原资源分配问题是一个非凸形式的分式规划问题,难以获得功率分配问题的解析解。利用Dinkelbach方法将原问题转换为一个凸优化问题,并利用拉格朗日对偶原理和次梯度更新算法来获得解析解。最后,仿真结果表明,该算法具有较好的收敛性能,并且在干扰效率、对主用户的干扰控制方面都优于传统能效最大的功率分配算法。