傳統(tǒng)智能尋優(yōu)算法在解決認知無線電網(wǎng)絡中頻譜調(diào)度問題時,通常會面臨初始值敏感、易陷入局部最優(yōu)、收斂速度慢等問題。針對這些問題,基于引力搜索算法,設(shè)計差分進化優(yōu)化機制用于加快算法的搜索過程,提升收斂速度;設(shè)計混沌擾動優(yōu)化機制,幫助算法跳出局部最優(yōu),以提升算法的收斂精度。實驗結(jié)果表明,相比于傳統(tǒng)引力搜索算法和遺傳算法,該算法能夠以更快的速度達到收斂,且可以獲得更高的系統(tǒng)效用。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1CRN系統(tǒng)模型

綜上,基于圖論理論,首先構(gòu)建了一個圖論模型G=(V,E),其中:V代表圖的節(jié)點,在CRN模型中表示授權(quán)用戶AU和認知用戶CU;E代表圖的邊,在CRN模型中表示用戶之間的干擾關(guān)系,包括AU和CU之間,以及CU和CU之間的干擾關(guān)系。圖1所示為一個CRN模型圖,包含3個AU、4個CU,....

圖2位置矩陣P編碼解碼

為方便計算機處理,本文設(shè)計了一個編碼解碼過程,將拓撲矩陣T編碼為物體的位置向量P,通過GSA一系列的運算,并將最后得到的最優(yōu)解P解碼為共享矩陣S。編碼解碼的核心是將拓撲矩陣中1元素的位置按照先行后列的順序按次取出,并組成一個行向量,最后再按照該規(guī)則還原至共享矩陣S,如圖2所示。定....

圖3差分進化過程

假設(shè)物體μ經(jīng)過GSA優(yōu)化后的位置向量為P=(A,B,C,…),εrd設(shè)為3,則DEO機制的交叉過程如圖3所示�；谑�(3),假設(shè)ε=1時,φ≤ρ,則將A2替換為A;假設(shè)ε=2時,φ>ρ,則將B1替換為B;由于εrd=3,所以強制將C2替換為C;之后的交叉位選擇也依據(jù)式(3)進行....

圖4收斂速度實驗

如圖4所示,本文在K=5、μ=15的網(wǎng)絡環(huán)境下對CEGSA、GSA和GA進行實驗,比較其收斂速度�？梢钥闯�,CEGSA的收斂速度最快,在62代附近收斂;GSA次之,在85代附近收斂;GA最慢,在110代附近收斂。這是因為GSA在多維空間具備較高的搜索性能,且CEGSA利用差分進化....

本文編號：3963352