群智能优化算法及其在通信中的应用研究

群智能优化算法及其在通信中的应用研究

论文摘要

群智能算法是通过模拟某些自然现象或过程发展而来的,具有全局性、并行高效性、鲁棒性、通用性等优点。人工鱼群算法是近年来提出的一种新颖的群智能优化算法,它具有群智能算法的优点,已经被越来越多的用到工程领域中。但是作为一种新的群智能算法,人工鱼群算法有自身的不足,如算法的复杂度高、算法后期的收敛速度慢和收敛精度低等。针对人工鱼群算法的不足,本文提出一种改进的人工鱼群算法—全局人工鱼群算法。在全局人工鱼群算法中,人工鱼的位置更新模式中加入了全局最优信息,仿真实验表明,论文中所提出的全局人工鱼群算法提高了人工鱼群算法的收敛速度和收敛精度。为了降低算法的复杂度,本文提出了人工鱼的吞食行为,仿真实验表明,吞食行为的引入在保证算法性能的前提下明显降低了人工鱼群算法的复杂度。在多用户OFDM系统中,不同用户的衰落参数是相互独立的,对于某一用户是深衰落的子载波对于其他用户却不一定也是深衰落的,根据各个子载波的瞬时信道信息,为每个用户自适应地分配子载波和功率,可以更好地利用系统频谱资源。OFDM系统中存在着两种资源分配方案:静态和动态。本文采用了动态的资源分配方案,在分析系统模型的基础上,提出了基于全局人工鱼群算法的多用户OFDM系统的自适应子载波和功率分配算法,在满足系统的总功率和用户公平性的约束条件下,使整个系统的传输速率达到了最大。根据聚类分析问题的模型,本文提出了基于全局人工鱼群算法的聚类分析算法(Global Artificial Fish Swarm Clustering Algorithm, GAFSC),实验表明GAFSC很好的解决了聚类分析问题。模糊C-均值(Fuzzy c-Means, FCM)算法是一种常用的聚类算法,对初始值特别敏感是FCM的一个的缺陷,为了克服FCM算法的缺陷,本文提出把全局鱼群算法与FCM结合成一种新的混合聚类算法,实验表明我们提出的混合算法克服了FCM算法的不足,为聚类分析问题的解决提供了一种新思路。随着优化命题的复杂程度和规模的不断提高,使用单一的优化算法很难得到满意的解,用两种或者两种以上的优化算法融合成为一种新的混合算法,让不同的优化算法优势互补是一种可行有效的方法。在论文最后一部分,提出了全局鱼群算法与模拟退火算法相结合的混合优化算法,仿真结果表明,本文所提出的混合算法保留了全局人工鱼群算法稳定性高、全局性好等优点,同时也利用了模拟退火算法较强的局部寻优能力,所提出的混合算法性能得到了明显的提高。

论文目录

  • 中文摘要
  • ABSTRACT
  • 符号说明
  • 第一章 群智能算法
  • 1.1 群智能算法
  • 1.1.1 群智能算法简介
  • 1.1.2 粒子群算法简介
  • 1.1.3 蚁群算法简介
  • 1.2 人工鱼群算法
  • 1.2.1 前言
  • 1.2.2 人工鱼模型
  • 1.2.3 人工鱼行为描述
  • 1.2.4 人工鱼群算法的寻优原理和算法描述
  • 1.3 基本人工鱼群算法的改进
  • 1.3.1 基本人工鱼群算法的特点
  • 1.3.2 人工鱼群算法的改进策略
  • 1.4 本章小结
  • 第二章 全局鱼群算法
  • 2.1 引言
  • 2.2 全局鱼群算法人工鱼的行为描述
  • 2.2.1 觅食行为
  • 2.2.2 聚群行为
  • 2.2.3 追尾行为
  • 2.2.4 随机行为
  • 2.2.5 其他行为
  • 2.3 全局人工鱼群算法流程
  • 2.4 全局人工鱼群算法性能的验证
  • 2.4.1 测试函数
  • 2.4.2 仿真结果和算法性能分析
  • 2.5 本章小结
  • 第三章 基于人工鱼群算法的多用户OFDM系统自适应资源分配
  • 3.1 多用户OFDM系统
  • 3.1.1 OFDM介绍
  • 3.1.2 OFDM系统的关键技术
  • 3.2 自适应资源分配
  • 3.2.1 自适应资源分配的概念
  • 3.2.2 多用户OFDM的系统模型
  • 3.2.3 多用户OFDM系统资源自适应分配的算法
  • 3.3 基于全局人工鱼群算法的多用户OFDM系统资源自适应分配
  • 3.3.1 目标函数的改进
  • 3.3.2 仿真结果和分析
  • 3.4 本章小结
  • 第四章 基于改进人工鱼群算法的聚类分析
  • 4.1 聚类的介绍
  • 4.1.1 聚类的概述
  • 4.1.2 聚类方法分类
  • 4.2 几种聚类算法
  • 4.2.1 K-Means算法
  • 4.2.2 模糊C-均值聚类算法
  • 4.3 基于全局人工鱼群算法的聚类算法
  • 4.3.1 聚类问题的描述
  • 4.3.2 基于全局鱼群算法的聚类分析
  • 4.3.3 仿真结果和分析
  • 4.4 基于鱼群算法的模糊聚类分析
  • 4.4.1 基于人工鱼群算法和FCM的混合聚类算法
  • 4.4.2 仿真结果
  • 4.5 本章小结
  • 第五章 模拟退火-鱼群混合优化算法
  • 5.1 模拟退火算法
  • 5.1.1 模拟退火的基本原理
  • 5.1.2 模拟退火的算法流程
  • 5.2 全局鱼群算法和模拟退火算法的混合算法
  • 5.2.1 混合算法的流程
  • 5.2.2 仿真结果和分析
  • 5.3 本章小结
  • 第六章 总结与展望
  • 参考文献
  • 致谢
  • 攻读硕士学位期间发表论文、参与项目和获得奖励
  • 学位论文评阅及答辩情况表
  • 相关论文文献

    • [1].人工鱼(藻)礁区生态修复效果评估指标体系与实例应用[J]. 河北渔业 2017(01)
    • [2].基于人工鱼的全局优化文化算法[J]. 郑州大学学报(工学版) 2010(05)
    • [3].一种改进的人工鱼群聚类算法[J]. 成都信息工程学院学报 2014(05)
    • [4].一种人工鱼群体行为动画的新方法[J]. 系统仿真学报 2009(08)
    • [5].基于人工鱼群聚类的雷达信号分选算法[J]. 雷达科学与技术 2013(04)
    • [6].基于共生系统的人工鱼群算法在饲料配方优化中的应用[J]. 计算机应用 2016(12)
    • [7].科学家用转基因植物喂养人工鱼类[J]. 科学大观园 2015(07)
    • [8].基于人工鱼群聚类的传感器节点故障诊断[J]. 计算机测量与控制 2013(05)
    • [9].量子人工鱼群算法[J]. 东北大学学报(自然科学版) 2012(12)
    • [10].基于协同进化思想的人工鱼和粒子群混合优化算法[J]. 广西民族大学学报(自然科学版) 2009(01)
    • [11].改进的人工鱼群聚类雷达信号分选算法[J]. 电子信息对抗技术 2014(03)
    • [12].自适应视野和步长的改进人工鱼群算法[J]. 计算机工程与应用 2009(25)
    • [13].全局版人工鱼群算法[J]. 系统仿真学报 2009(23)
    • [14].基于混沌人工鱼群算法的输电网规划方法[J]. 电网技术 2010(12)
    • [15].TSP求解问题的各种方案比较[J]. 可编程控制器与工厂自动化 2013(11)
    • [16].基于粒计算与粗糙集的人工鱼群聚类算法[J]. 计算机工程与应用 2015(21)
    • [17].一种改进的人工鱼群算法[J]. 计算机工程 2008(19)
    • [18].种群优化人工鱼群算法在输电网扩展规划的应用[J]. 电力系统保护与控制 2010(23)
    • [19].基于人工鱼优化的MP超声微弱信号提取方法研究[J]. 铁道学报 2011(01)
    • [20].基于人工鱼群算法的多播树演化寻优[J]. 通信学报 2012(09)
    • [21].基于冯·诺依曼邻域结构的人工鱼群算法[J]. 控制理论与应用 2010(06)
    • [22].人工鱼群算法在城区道路提取中的应用[J]. 辽宁工程技术大学学报(自然科学版) 2017(02)
    • [23].引入贪心鱼群的改进人工鱼群算法[J]. 传感器与微系统 2015(05)
    • [24].用鱼群算法求解石油运输系统多级站定位优化问题[J]. 系统工程理论与实践 2008(03)
    • [25].改进人工鱼群算法及在函数优化问题中的应用[J]. 石家庄铁路职业技术学院学报 2011(03)
    • [26].基于多群竞争的改进人工鱼群算法[J]. 梧州学院学报 2008(03)
    • [27].人工鱼群算法的全局收敛性证明[J]. 计算机工程 2012(02)
    • [28].改进的人工鱼群算法及其在无线定位中的应用[J]. 计算机应用研究 2011(06)
    • [29].求解0/1背包问题的改进人工鱼群算法研究[J]. 计算机工程与应用 2011(21)
    • [30].混沌协同人工鱼粒子群混合算法及其应用[J]. 计算机工程与应用 2010(32)

    标签:;  ;  ;  ;  ;  

    群智能优化算法及其在通信中的应用研究
    下载Doc文档

    猜你喜欢