论文部分内容阅读
群智能算法是近年人工智能领域的研究热点,菌群算法凭借其结构简单、灵活、鲁棒性强和自组织能力等优点受到国际计算智能界的广泛关注。然而,该算法存在收敛速度慢,对于复杂多峰函数容易陷入局部最优的问题。针对该问题,本文从更加真实地模仿细菌行为和引入量子计算两个角度对菌群算法进行了改进,并用改进后的量子菌群算法解决了4G移动通信中MIMO-OFDM信道估计鲁棒训练序列的设计问题。本文的主要研究内容如下:第一,对经典菌群算法进行深入研究,发现细菌的前进过程是向随机方向沿直线前进,然而这并不符合细菌真实的觅食过程。针对该问题,本文使细菌向当前种群最优细菌的位置弯转前进。通过典型的基准函数对改进后的算法进行测试,实验结果表明改进后的算法相比原算法加快了搜索速度,提高了局部搜索的能力。第二,对量子菌群算法的性能进行研究,实验表明其优化结果要明显优于经典菌群算法。进一步对其主要参数——旋转角度进行对比分析,从实验结果中可以看出不同的旋转角度最终的优化结果相差很大,说明固定的旋转相位是影响量子菌群算法优化性能的一个主要因素。第三,针对上述问题设计了一种自适应旋转相位的量子菌群算法,使旋转相位的角度与当前细菌和当前细菌的角度差相关。通过16个不同类型的标准测试函数对其优化性能进行研究,统计结果表明该算法在低维时,收敛精度和稳定性都要优于改进前的算法,且优化结果要明显优于经典的菌群算法和量子遗传算法。进一步研究表明,在达到指定收敛精度的情况下,该算法的平均收敛概率是最高的,平均运行时间和平均迭代步数是最短的。第四,分析了MIMO信道估计中鲁棒训练序列设计的问题,其本质上是一种min-max优化问题。鉴于量子菌群算法在复杂非凸优化问题上的优势,设计了一种基于量子菌群算法求解该鲁棒训练序列的方法。仿真结果显示,本章提出的算法和已有的基于迭代算法的鲁棒设计,在Kronecker信道和任意相关信道两种情况下,前者算法估计出的信道均方误差都要小于后者,且在低信噪比情况下效果更为明显。