毕业论文论文范文课程设计实践报告法律论文英语论文教学论文医学论文农学论文艺术论文行政论文管理论文计算机安全
您现在的位置: 毕业论文 >> 论文 >> 正文

量子智能算法及在OFDM系统资源分配中的应用 第7页

更新时间:2010-4-4:  来源:毕业论文
量子智能算法及在OFDM系统资源分配中的应用 第7页
图3.5 OFDM-interleaved-FDMA算法示意图
在一个频率选择性衰落信道中,相邻子载波的信道增益具有高度的相关性。为了避免一个用户的所有子载波都处于深衰落,提出一种新的算法OFDM-interleaved-FDMA.
OFDM-interleaved-FDMA:每个用户使用的子载波与其他子载波在频域进行交织,其他都与OFDM-FDMA相同。
3.2.3 Guodong Zhang 的算法
Guodong Zhang提出的算法[20]是一种经典的动态分配算法,基本思想是首先独立地利用单用户比特分配算法--贪婪灌水算法为各个用户分配子载波,然后对那些出现冲突的子载波,强行把该子载波分配给一个用户,使整个系统发射功率增加最少。整个算法重复直到没有任何子载波分配冲突。具体的算法描述如下:
(1) 首先假设系统的所有子载波可以被所有用户使用,然后对每个用户都采用贪婪灌水算法得到初始的比特和子载波分配,同时计算每个子载波上各个用户需要的功率值,如果有两个或两个以上的用户在同一个子载波上分配了比特,则称该子载波为冲突子载波。
(2) 如果上一步结束后没有任何冲突子载波,则最优的多用户子载波和比特分配方案已经找到,算法结束。否则,解决出现的冲突子载波。设子载波 上有 个用户发生冲突 ,则可定义该子载波的冲突总功率为:
                                                            (3.6)
      然后对所有冲突子载波按照冲突总功率降序排列。找到冲突总功率最大的冲突子载波,最为下一步需要解决的子载波。
(3) 对于每个在当前冲突子载波上的用户,假设该子载波分配给某用户,然后对其他用户重新进行贪婪灌水算法,计算系统新的发送总功率,并与原来方案的总功率进行比较。找个总功率增量最少的那个用户,把当前冲突子载波分配给该用户。
(4) 此次子载波分配完成后,对于其余的冲突子载波,重复步骤(2)(3),直至解决所有的冲突子载波。
3.2.4 经典遗传算法进行自适应调制
    遗传算法是建立在是建立在自然选择和群体遗传学机理上的随机、迭代和进化,
其本质是一种高效并行且具有广泛适用性的全局搜索方法。以下使用遗传算法来解决多用户OFDM系统的自适应调制问题[21]。
遗传算法的OFDM自适应调制方案如下:
(1) 编码:首先生成一个一文数组,如下图所示。数组的元素个数为 ,每个元素都对应于ODFM系统的一个子载波,数组元素的值限定为 ,对应系统中的各个用户。例如,某个数组元素值为 ,则表示把该数组元素对应的子载波分配给用户 。初始时数组元素在 之间的整数中随机产生。每个数组就对应于系统中的一个子载波分配方案。               
                            图3.6 遗传算法编码方案
(2) 产生群体:随机生成 个群组,得到初始群体。
(3) 评价:针对每个数组对应的子载波分配方案,采用灌水法把各个用户需要发送的比特分配到属于该用户的子载波上,并计算所有用户需要的总功率,作为评价该数组适应度的准则。总功率越小的数组,其适应度越大。
(4) 选择:在当前群体中选择适应度最大的 个个体直接进入一代,淘汰适应度最差的 个个体,剩下的数组与直进入下一代的 个个体一起进入配池。
(5) 交叉:设置交叉概率为 ,对交配池中的个体进行两点交叉操作。
(6) 变异:设置初始的变异概率为 ,对交配池中的个体进行变异操作,为了防止算法早熟,当算法中适应度最高的个体连续5代没有进化时,变异概率增加为 ,连续10代没有进化,则变异概率增加为 ,连续15代没有进化,则变异概率增加为 。
(7) 评价:评价新产生的 个个体,并把它们与上一代直接遗传下来的 个适应度最高的个体一起形成新一代的群体,重复(4)-(7)步,直到循环次数达到上限,或者算法己经收敛,则最后一代的群体中的适应度最高的个体就是本算法搜索出来的最优的分配方案。
3.2.5 使用量子遗传算法进行自适应调制
针对OFDM自适应调制的特点,本文提出一种基于量子遗传算法的多用户OFDM自适应调制算法,首先对各用户独立使用Chow算法,对于不冲突子载波,分配给相应的用户,然后对于出现冲突的子载波,使用量子遗传算法进行子载波分配,子载波分配完毕后,针对每个用户,使用Chow算法进行比特和功率的分配。具体参数设置如下:
(1) 染色体编码方案:种群大小设为需要分配的子载波数目 ,每个染色体代表一个待分配的子载波,染色体长度 根据系统用户数 确定 。如用户数为4用户,则使用2位编码。这样设置后,每条染色体长度为 ,测量一次后即可获得一种编码方案,如四用户的染色体方案可能为:
      图3.7 量子遗传算法编码方案
(2) 种群初始化:一般情况下,种群初始化是在待求问题的解空间中随机选取的,仿真时,将初始种群中的量子染色体的Qubit基因均初始化为 ,这样,一条染色体所表达的是其全部可能状态的叠加,所有用户具有均等的机会使用这条子载波,可以保证所有用户的均衡性,同时种群就具有更好的多样性特征,可以克服早熟收敛。
(3) 适应度函数:适应度函数都是用来评价每个染色体的好坏,都是非负的。为了评价每次生成方案的好坏,使用如下的适应度函数:首先根据染色体分配方案为每个用户分配子载波,针对每个用户,使用Chow算法进行比特和功率分配,然后计算每个用户的使用的总功率 ,最后使用系统总的发射功率作为适应度函数:                                                           (3.7)
(4) 量子交叉操作:使用量子全干扰交叉。
(5) 量子变异操作:除了以上提到的变异策略外,为了有效利用当前代信息,使用以下变异操作:首先由当前最优个体推出一个指导染色体,然后在它周围随机散布量子染色体最为下一代的量子种群,用公式表示
(6) 终止条件:设定遗传操作代数 ,当算法迭代次数达到 时终止。
其他步骤都与前面介绍的量子遗传算法相同。

上一页  [1] [2] [3] [4] [5] [6] [7] [8] [9] [10]  ... 下一页  >> 

量子智能算法及在OFDM系统资源分配中的应用 第7页下载如图片无法显示或论文不完整,请联系qq752018766
设为首页 | 联系站长 | 友情链接 | 网站地图 |

copyright©751com.cn 辣文论文网 严禁转载
如果本毕业论文网损害了您的利益或者侵犯了您的权利,请及时联系,我们一定会及时改正。