基于二进制蚁群模拟退火算法的认知引擎

doi:10.3724/SP.J.1087.2012.03478

计算机应用 ›› 2012, Vol. 32 ›› Issue (12): 3478-3481.DOI: 10.3724/SP.J.1087.2012.03478

基于二进制蚁群模拟退火算法的认知引擎

夏龄¹,冯文江²

1. 四川民族学院
2. 重庆大学通信工程学院，重庆 400044

收稿日期:2012-06-12 修回日期:2012-07-16 发布日期:2012-12-29 出版日期:2012-12-01
通讯作者: 夏龄
作者简介:夏龄（1970-），男，四川蓬溪人，副教授，硕士，主要研究方向：网络通信、认知无线电、软件工程; 〓冯文江（1963-），男，四川西充人，教授，博士，主要研究方向：宽带无线接入、认知无线电、通信信号处理。
基金资助:
国家自然科学基金资助项目

Cognitive engine based on binary ant colony simulated annealing algorithm

XIA Ling¹,FENG Wen-jiang²

1. Network Center, Sichuan University for Nationalities, Kangding Sichuan 626001, China
2. School of Communication Engineering, Chongqing University, Chongqing 400044, China

Received:2012-06-12 Revised:2012-07-16 Online:2012-12-29 Published:2012-12-01
Contact: XIA Ling

摘要/Abstract

摘要： 在认知无线电系统中，认知引擎依据通信环境的变化和用户需求动态配置无线电工作参数。针对认知引擎中的智能优化问题，提出一种二进制蚁群模拟退火（BAC&SA）算法用于认知无线电参数优化。该算法在二进制蚁群优化（BACO）算法中引入模拟退火（SA）算法，融合了BACO的快速寻优能力和SA的概率突跳特性，能有效避免BACO容易陷入局部最优解的缺陷。仿真实验结果表明，与遗传算法（GA）和BACO算法相比，基于BAC&SA算法的认知引擎在全局搜索能力和平均适应度等方面具有明显的优势。

关键词: 认知引擎, 二进制蚁群优化, 模拟退火, 认知无线电

Abstract: In cognitive radio system, cognitive engine can dynamically configure its working parameters according to the changes of communication environment and users’ requirement. Intelligent optimization algorithm of cognitive engine had been studied, and a Binary Ant Colony Simulated Annealing (BAC&SA) algorithm was proposed for parameters optimization of cognitive radio system. The new algorithm, which introduced the Simulated Annealing (SA) algorithm into the Binary Ant Colony Optimization (BACO) algorithm, combined the rapid optimization ability of BACO with probability jumping property of SA, and effectively avoided the defect of falling into local optimization result of BACO. The simulation results show that cognitive engine based on BAC&SA algorithm has considerable advantage over GA and BACO algorithm in the global search ability and average fitness.

Key words: Cognitive Engine, Binary Ant Colony Optimization (BACO), Simulated Annealing (SA), Cognitive Radio

夏龄冯文江. 基于二进制蚁群模拟退火算法的认知引擎[J]. 计算机应用, 2012, 32(12): 3478-3481.

XIA Ling FENG Wen-jiang. Cognitive engine based on binary ant colony simulated annealing algorithm[J]. Journal of Computer Applications, 2012, 32(12): 3478-3481.

[1]	周烁, 仇润鹤, 唐旻俊. 基于禁忌搜索和Q-learning的CR-NOMA系统的功率分配算法[J]. 计算机应用, 2021, 41(7): 2026-2032.
[2]	樊小毛, 熊红林, 赵淦森. 带约束的清洁排班问题模型及其求解[J]. 计算机应用, 2021, 41(2): 577-582.
[3]	时永鹏, 张俊杰, 夏玉杰, 高雅, 张尚伟. 基于NOMA的5G超密网计算迁移与资源分配策略[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3319-3324.
[4]	杨玮, 李然, 张堃. 基于变邻域模拟退火算法的多自动导引车任务分配优化[J]. 计算机应用, 2021, 41(10): 3056-3062.
[5]	祁玄玄, 黄家骏, 曹建安. 基于改进A^*算法的无人车路径规划[J]. 计算机应用, 2020, 40(7): 2021-2027.
[6]	曾明华, 全轲. 双层规划的改进混合布谷鸟搜索量子行为粒子群优化算法[J]. 计算机应用, 2020, 40(7): 1908-1912.
[7]	刘昂, 蒋近, 徐克锋. 改进蚁群和鸽群算法的机器人路径规划[J]. 计算机应用, 2020, 40(11): 3366-3372.
[8]	朱杰, 张文怡, 薛菲. 基于遗传模拟退火算法的立体仓库储位优化[J]. 计算机应用, 2020, 40(1): 284-291.
[9]	宋婷, 陈矛, 吴超, 张龚钊. 基于多类迭代局部搜索的自动化排课算法[J]. 计算机应用, 2019, 39(6): 1760-1765.
[10]	林立, 孟学雷, 宋仲仲. 考虑区域协调性的城际列车开行方案优化[J]. 计算机应用, 2019, 39(2): 598-603.
[11]	李飞龙, 赵春艳, 范如梦. 基于禁忌搜索算法求解随机约束满足问题[J]. 计算机应用, 2019, 39(12): 3584-3589.
[12]	文槿奕, 唐伦, 陈前斌. 物联网传感器网络中次级用户在不完美信道下的带宽和功率分配[J]. 计算机应用, 2018, 38(8): 2330-2336.
[13]	张传浩, 周桥. 节点效用最大化的服务功能链构建方法[J]. 计算机应用, 2018, 38(2): 503-508.
[14]	唐海波, 林煜明, 李优, 蔡国永. 基于模拟退火与贪心策略的平衡聚类算法[J]. 计算机应用, 2018, 38(11): 3132-3138.
[15]	朱江, 杜清敏, 巴少为. 认知无线电网络中接入控制和功率波束形成的联合优化[J]. 计算机应用, 2017, 37(7): 1830-1836.

基于二进制蚁群模拟退火算法的认知引擎

Cognitive engine based on binary ant colony simulated annealing algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics