CN104869060A - 基于粒子群优化算法和蚁群优化算法的频谱感知方法 - Google Patents
基于粒子群优化算法和蚁群优化算法的频谱感知方法 Download PDFInfo
- Publication number
- CN104869060A CN104869060A CN201510252887.8A CN201510252887A CN104869060A CN 104869060 A CN104869060 A CN 104869060A CN 201510252887 A CN201510252887 A CN 201510252887A CN 104869060 A CN104869060 A CN 104869060A
- Authority
- CN
- China
- Prior art keywords
- perception
- information
- bunch
- user
- optimization algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/46—Cluster building
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/0082—Monitoring; Testing using service channels; using auxiliary channels
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Catching Or Destruction (AREA)
- Feedback Control In General (AREA)
Abstract
本发明给出一种基于粒子群优化算法和蚁群优化算法的频谱感知方法,该方法在多簇认知电无线网络中,首先通过粒子群优化算法获得每个小簇中簇头的最佳位置,这些最佳位置的簇头能够获得比簇内其他感知用户更可靠的检测结果,接着采取蚁群优化算法,根据信息素浓度寻找各感知用户信息传送的最短距离。各感知用户采用最短距离将信息传送给簇头,簇头将所有信息(包括自己的信息)按照一定权值进行融合,获得判决信息,并将判决信息发送给融合中心,融合中心融合所有簇头发送的信息作出判决,完成检测。本发明根据簇头位置的最优化设置和感知信息路径的最优化选择,能够缩短感知时间,增强检测性能。
Description
技术领域
本发明涉及群智能算法和多簇认知网络,通过粒子群优化算法获得多簇网络中每簇内簇头的位置,通过蚁群优化算法获得最短信息传播路径,从传播时间上和传播可靠性上增强检测性能,属于认知无线电和群智能算法的交叉技术领域。
背景技术
人工智能在经历了20世纪80年代整整10年的繁荣后,由于在方法论上始终没有突破经典计算思想的藩篱,再次面临着寒冬季节的考验。而随着人们对生命本质的不断了解,生命科学以前所未有的速度迅猛发展,使人工智能的研究开始摆脱经典逻辑计算的束缚,大胆探索起新的非经典计算途径。在这种背景下,社会性动物的自组织行为引起了人们的广泛关注,群智能应景而生。
蚁群算法(ACO)是由意大利学者Colorni,Dorigo和Maniezzo于1991年提出,通过模仿自然界蚂蚁寻找食物的方式而提出的一种仿生化算法。蚁群算法不需要任何先验知识,最初只是随机地选择搜索路径,随着对解空间的“了解”,搜索变得有规律,并逐渐逼近,直至最终达到最优解。蚁群算法只要通过以下三个方面进行对空间的了解:1,蚂蚁的记忆;2,蚂蚁利用信息素进行相互通信;3,蚂蚁的集群活动。目前蚁群算法,遗传算法等计算智能算法为困难的组合优化问题提供了新颖且有竞争力的求解方法。这些算法在车辆调度问题,流水车间问题,机器人路径规划问题等组合优化问题均取得了良好的效果。此外,蚁群算法还在函数优化,系统辨识,数据挖掘等领域取得了引入瞩目的成果。由于蚁群算法具有广发实用价值,以及作为群智能领域获得成功的实例,相应理论研究以及改进算法近年来不断取得新的成果。
粒子群优化算法(PSO)是一种基于迭代的优化技术,PSO算法中群体初始化为一群随即粒子,通过迭代搜寻最优值,在每一次迭代中,粒子通过跟踪两个“极值”来更新自己的位置:一个是个体最优解pbest,是每个粒子自身所找到的最优解,另一个极值是群体最优解gbest,是整个群体目前找到的最优解。粒子群优化算法自1995年提出以来,由于其简单和明确的实际背景,使得很多学者加入到这种算法的研究中。PSO在工程方面的应用有大量的成果,Robinson将其应用于通信工程中的天线设计等等。PSO在其他领域同样取得了广泛的应用,高尚等将粒子群算法通过一定等改进和变形,已经成功用于TSP问题的求解。二进制编码和实数编码的混合PSO能解决机组组合优化问题,在经济,物理方面有很深的应用。
随着频谱资源的短缺,认知无线电技术称为无线通信领域的研究热点。认知无线电的目的便是在不影响主授权频谱正常通信情况下,使得一些认知用户能够以伺机接入的方式接入授权频谱,从而提高频谱利用率。认知无线电技术在智能电网,宽带蜂窝网,公共安全网和医疗体域网方面具有广阔的应用前景。
发明内容
技术问题:随着通信行业的发展,频谱资源成为通信不可或缺的资源。在目前固定的频谱资源分配方式中,政府已授权的无线频谱资源利用率非常低,一些授权频段利用率仅有15%~85%。由此可见,频谱资源成为稀缺资源之一,增强检测性能,提高频谱利用率刻不容缓。本发明的目的是提供一种基于粒子群优化算法和蚁群优化算法的频谱感知方法,本方法能够提高频谱检测的可靠性,大大缩短频谱感知所花的时间,增加系统吞吐量,提高检测性能。
技术方案:本发明首先使用粒子群优化算法获得获得每个小簇中簇头的最佳位置,这些最佳位置的簇头能够获得比簇内其他感知用户更可靠的检测结果,接着采取蚁群优化算法,根据信息素浓度寻找各感知用户信息传送的最短距离。各感知用户采用最短距离将信息传送给簇头,簇头将所有信息(包括自己的信息)按照一定权值进行融合,获得判决信息,并将判决信息发送给融合中心,融合中心融合所有簇头发送的信息作出判决,完成检测。
所述多簇认知无线电网络中,当非授权用户即次用户想要占用授权频段进行通信时,对信道进行频谱感知,检测授权用户即主用户是否占用频段,完成一次完整的本地感知;所述本地感知包括五个部分:簇内感知用户本地感知、感知用户将感知信息发送给簇头、簇头融合所有的信息、簇头发送融合后的信息给融合中心、融合中心融合各簇头发送的信息做出判决;对簇头的位置和发送信道进行优化,处于簇内最优位置的簇头能获得更可靠的感知信息,感知节点的最短发送路径能使融合中心在最短时间内获得感知结果。
所述簇是一个感知区域,一个簇内唯一能够进行信息传递的感知用户被称为簇头;在一次本地感知中,簇头感知信息,并融合其他感知用户发送来的信息,将融合结果发送给融合中心;为使得簇头能获得更可靠的感知信息,要将簇内最优位置分配给簇头。
所述蚁群优化算法是模拟蚂蚁根据自身分泌的信息素浓度来选择适宜的道路,簇内感知用户将信息发送给簇头时,簇头会对簇内感知用户给予不同的反馈信息,将该反馈信息作为信息素,反馈信息值的大小代表信息素浓度;反馈信息值最大的即信息素浓度最高的被选择为最短路径。
本发明提出的基于粒子群优化算法和蚁群优化算法的频谱感知方法所包含的步骤为:
步骤1)获得多簇认知无线电网络中各簇内簇头的最佳位置。
步骤1.1)主用户发送导频信息,各感知用户点随机分布且赋予初速度。
步骤1.2)各簇内感知用户均本地感知,获得感知信息。
步骤1.3)各感知用户通过粒子群优化算法获得位置最优解,具体过程为:各感知用户通过迭代算法来更新自己的位置,获得最优适应度值;在每一次迭代中,各感知用户通过跟踪两个极值来更新自己:一个是本身找到的最优解,叫做个体极值点,另一个是整个簇内用户目前找到的最优解,称为全局极值点;在运动过程中,将对每个位置的适应度不断进行评价,当某个感知用户的适应度优于全局最优适应度,该感知用户所处的位置成为群最优粒子位置,该感知用户被作为簇头。
步骤2)采用蚁群优化算法获得各感知用户发送自己感知信息的最短路径,
步骤2.1)除簇头之外的各感知用户随机分布,设置每条发送路径的信息素浓度初值相同且均为0。
步骤2.2)各感知用户携带的感知信息均相同,感知信息均为H1,即表示信道中有主用户在通信,簇头将正确的感知信息定为H1。
步骤2.3)各簇内感知用户随机选择道路,每一条道路最多只能被选择一次,通过选择不同道路来达到遍历道路的目的。
步骤2.4)簇头计算出每个感知用户发送感知信息的时间,根据发送时间的长短赋予感知用户不同的信息素,发送时间短的感知用户将赋予高的信息素;当簇头知道正确的感知信息为H1,发送感知结果为H0的感知用户不被赋予信息素,所述H0表示此时信道中没有主用户通信,与H1相反。
步骤2.5)感知用户在沿原路返回时,每条道路上的信息素被更新;当感知用户携带的信息素浓度值即反馈信息值与道路的信息素浓度值不同时,道路的信息素浓度值被感知用户携带的信息素浓度值取代。
步骤2.6)对将路径进行多次更新,通过比较各条路径上反馈信息值的大小,感知用户选择信息素浓度最高的路径,进行信息传输,所述信息素浓度最高的路径是反馈信息值最大的路径。
步骤3)各感知用户本地感知,并将感知信息发送给簇头。
步骤3.1)各感知用户包括簇头本地感知,均获得感知信息,簇内感知信息记作h,簇头感知信息记作m。
步骤3.2)确定簇头的位置和各信息发送的最短路径之后,各簇内感知用户将各自的感知信息通过最短路径发送给簇头,簇头融合发送上来的感知信息h和自己的感知信息m进行加权融合,所述簇头经过粒子群优化算法迭代获得最优适应度值,被赋予高权值即大于0.5的概率值,对于簇内不是簇头的感知用户被赋予低权值即低于0.5的概率值,簇头融合信息,作出判决信息。
步骤4)各簇头将判决信息传送给融合中心,融合中心融合信息,作出判决信息而完成感知。
有益效果:本发明提出了一种基于蚁群优化算法和粒子群优化算法的提高频谱感知检测率的方案。该方法根据簇头位置的最优化设置和感知信息路径的最优化选择,能够缩短感知时间,增强检测性能。具体来说,本发明所述的改进方法具有如下的有益效果:
(1)检测可靠性增加。本方案利用粒子群优化算法,通过迭代和不断更新位置获得最优化位置的簇头。这些最优化位置的簇头能获得比一般簇头更可靠的本地感知信息,在簇头融合信息时,获得高权值,增强检测可靠性。不仅如此,本方案在采用蚁群优化算法时,簇头已知正确的感知信息,对传递错误感知信息的感知用户不赋予信息素即反馈信息值为0,降低了高噪声信道的选择概率,增强了检测可靠性能。
(2)信息传输时间降低,增加吞吐量。本方案采用蚁群优化算法,通过簇头计算每个感知用户发送信息的时间,簇头将会赋予感知用户不同的信息素浓度,发送时间短的会获得更高的信息素浓度,信息素浓度最高的路径是传输时间最短的路径,也是最终感知用户传输信息的路径。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合图1对本发明具体实施做更详细的描述。
步骤1)首先获得各簇内簇头的最佳位置,此时主要使用的是粒子群优化算法,各感知用户充当了粒子的角色,具体处理流程如下:
步骤1.1)主用户发送导频信息,各感知用户点也就是粒子群随机分布且赋予初速度;
步骤1.2)各簇内感知用户均本地感知,获得感知信息;
步骤1.3)在簇内,感知用户在不同位置检测到的信号的强度是不同的。各感知用户通过迭代算法移动自己的位置,来获得更强的检测信号。获得更强信号位置的地点称为个体极值点Pbesti;
步骤1.4)各感知用户互相发送信息,通过交流获得群体最优解,即Gbest;
步骤1.5)各感知用户将自己获得的Pbesti与Gbest相比较,如果Pbesti大于Gbest,则Gbest=Pbesti,如果不相同,则转至步骤1.3;
步骤1.6)此时,群体最优解Gbest所处的位置就是最优适应度,也是群最优粒子位置,这样的感知用户就被称为簇头。
步骤2)接着,获得各感知用户发送感知信息的最短路径,此时采用蚁群优化算法,每个感知用户扮作蚁群中蚂蚁的角色,通过遍历每条路径,簇头根据发送的时间和正确性赋予不同的信息素浓度即不同反馈信息值,从而更新每条路径的信息素浓度,根据信息素浓度大小选择最终的发送路径,具体处理流程如下:
步骤2.1)各感知用户(除簇头之外)随机分布,并且初始时每条发送路径的信息素浓度初值c1相同,设置循环次数初值n为0;
步骤2.2)各感知用户携带的感知信息均相同,感知信息均为H1,即表示信道中有主用户在通信,簇头也将正确的感知信息定为H1;
步骤2.3)各簇内感知用户随机选择路径,选择过的道路将不被再次选择,遍历所有道路;
步骤2.4)簇头接受感知信息。各簇内簇头已经知道正确的感知信息为H1,那么发送感知结果为H0的感知用户将会被不赋予信息素,这表示刚发送信息的道路受噪声影响大,不予使用,重复步骤2.3;
步骤2.5)簇头计算每个正确发送感知信息的感知用户发送感知信息的时间,根据发送时间的长短会赋予给感知用户不同的信息素,发送时间短的感知用户将赋予高的信息素;
步骤2.5)感知用户在沿原路返回时,每条道路上的信息素将会被更新,当携带信息素浓度高的感知用户经过时,路径上的信息素浓度会变高;
步骤2.6)判断循环次数n是否等于1000,如果不等于,则重复步骤2.3,如果n=1000,那么此时循环结束;
步骤2.7)最终感知用户会选择信息素浓度高的路径,进行信息传输,此时选择的路径不仅花费时间少而且正确率高。
步骤3)各感知用户本地感知,并将感知信息发送给簇头。具体处理流程如下:
步骤3.1)各感知用户(包括簇头)本地感知,均获得感知信息,簇内感知信息记作h,簇头感知信息记作m;
步骤3.2)各簇内感知用户将各自的感知信息通过最短路径发送给簇头,簇头融合发送上来的感知信息h和自己的感知信息m进行加权融合;由于簇头是经过粒子群优化算法迭代获得的最优适应度值,因此我们认为簇头的感知信息可靠性更高,因此我们赋予高权值即概率值大于0.5,对于簇内的一般感知用户则赋予低权值即概率值小于0.5;簇头融合信息,作出判决信息。
步骤4)各簇头将判决信息传送给融合中心,融合中心融合信息,作出判决信息,完成一次感知。
Claims (4)
1.一种基于粒子群优化算法和蚁群优化算法的频谱感知方法,其特征在于该方法包括以下步骤:
步骤1)获得多簇认知无线电网络中各簇内簇头的最佳位置。
所述多簇认知无线电网络中,当非授权用户即次用户想要占用授权频段进行通信时,对信道进行频谱感知,检测授权用户即主用户是否占用频段,完成一次完整的本地感知;所述本地感知包括五个部分:簇内感知用户本地感知、感知用户将感知信息发送给簇头、簇头融合所有的信息、簇头发送融合后的信息给融合中心、融合中心融合各簇头发送的信息做出判决;对簇头的位置和发送信道进行优化,处于簇内最优位置的簇头能获得更可靠的感知信息,感知节点的最短发送路径能使融合中心在最短时间内获得感知结果。
所述簇是一个感知区域,一个簇内唯一能够进行信息传递的感知用户被称为簇头;在一次本地感知中,簇头感知信息,并融合其他感知用户发送来的信息,将融合结果发送给融合中心;为使得簇头能获得更可靠的感知信息,要将簇内最优位置分配给簇头。
步骤2)采用蚁群优化算法获得各感知用户发送自己感知信息的最短路径,
所述蚁群优化算法是模拟蚂蚁根据自身分泌的信息素浓度来选择适宜的道路,簇内感知用户将信息发送给簇头时,簇头会对簇内感知用户给予不同的反馈信息,将该反馈信息作为信息素,反馈信息值的大小代表信息素浓度;反馈信息值最大的即信息素浓度最高的被选择为最短路径。
步骤3)各感知用户本地感知,并将感知信息发送给簇头。
步骤4)各簇头将判决信息传送给融合中心,融合中心融合信息,作出判决信息而完成感知。
2.根据权利要求1所述的基于粒子群优化算法和蚁群优化算法的频谱感知方法,其特征在于所述步骤1)的具体处理步骤如下:
步骤1.1)主用户发送导频信息,各感知用户点随机分布且赋予初速度。
步骤1.2)各簇内感知用户均本地感知,获得感知信息。
步骤1.3)各感知用户通过粒子群优化算法获得位置最优解,具体过程为:各感知用户通过迭代算法来更新自己的位置,获得最优适应度值;在每一次迭代中,各感知用户通过跟踪两个极值来更新自己:一个是本身找到的最优解,叫做个体极值点,另一个是整个簇内用户目前找到的最优解,称为全局极值点;在运动过程中,将对每个位置的适应度不断进行评价,当某个感知用户的适应度优于全局最优适应度,该感知用户所处的位置成为群最优粒子位置,该感知用户被作为簇头。
3.根据权利要求1所述的基于粒子群优化算法和蚁群优化算法的频谱感知方法,其特征在于所述步骤2)的具体处理步骤如下:
步骤2.1)除簇头之外的各感知用户随机分布,设置每条发送路径的信息素浓度初值相同且均为0。
步骤2.2)各感知用户携带的感知信息均相同,感知信息均为H1,即表示信道中有主用户在通信,簇头将正确的感知信息定为H1。
步骤2.3)各簇内感知用户随机选择道路,每一条道路最多只能被选择一次,通过选择不同道路来达到遍历道路的目的。
步骤2.4)簇头计算出每个感知用户发送感知信息的时间,根据发送时间的长短赋予感知用户不同的信息素,发送时间短的感知用户将赋予高的信息素;当簇头知道正确的感知信息为H1,发送感知结果为H0的感知用户不被赋予信息素,所述H0表示此时信道中没有主用户通信,与H1相反;
步骤2.5)感知用户在沿原路返回时,每条道路上的信息素被更新;当感知用户携带的信息素浓度值即反馈信息值与道路的信息素浓度值不同时,道路的信息素浓度值被感知用户携带的信息素浓度值取代;
步骤2.6)对将路径进行多次更新,通过比较各条路径上反馈信息值的大小,感知用户选择信息素浓度最高的路径,进行信息传输,所述信息素浓度最高的路径是反馈信息值最大的路径。
4.根据权利要求1所述的基于粒子群优化算法和蚁群优化算法的频谱感知方法,其特征在于所述步骤3)各感知用户本地感知,并将感知信息发送给簇头,具体处理流程如下:
步骤3.1)各感知用户包括簇头本地感知,均获得感知信息,簇内感知信息记作h,簇头感知信息记作m。
步骤3.2)确定簇头的位置和各信息发送的最短路径之后,各簇内感知用户将各自的感知信息通过最短路径发送给簇头,簇头融合发送上来的感知信息h和自己的感知信息m进行加权融合,所述簇头经过粒子群优化算法迭代获得最优适应度值,被赋予高权值即大于0.5的概率值,对于簇内不是簇头的感知用户被赋予低权值即低于0.5的概率值,簇头融合信息,作出判决信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510252887.8A CN104869060B (zh) | 2015-05-18 | 2015-05-18 | 基于粒子群优化算法和蚁群优化算法的频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510252887.8A CN104869060B (zh) | 2015-05-18 | 2015-05-18 | 基于粒子群优化算法和蚁群优化算法的频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104869060A true CN104869060A (zh) | 2015-08-26 |
CN104869060B CN104869060B (zh) | 2018-03-30 |
Family
ID=53914596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510252887.8A Active CN104869060B (zh) | 2015-05-18 | 2015-05-18 | 基于粒子群优化算法和蚁群优化算法的频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104869060B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107872255A (zh) * | 2017-11-10 | 2018-04-03 | 江苏省邮电规划设计院有限责任公司 | 适用于大规模mimo蜂窝移动通信网络的导频调度方法 |
CN108055666A (zh) * | 2017-12-07 | 2018-05-18 | 杭州电子科技大学 | 信息素驱动的分布式协同宽带频谱感知方法 |
CN108390735A (zh) * | 2018-01-26 | 2018-08-10 | 杭州电子科技大学 | 一种信息素驱动的分布式协同宽带频谱感知方法 |
CN109164810A (zh) * | 2018-09-28 | 2019-01-08 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
KR102013209B1 (ko) * | 2018-12-14 | 2019-08-22 | 한화시스템 주식회사 | 채널 정보 생성 방법 및 기록 매체 |
KR102013210B1 (ko) * | 2018-12-14 | 2019-08-22 | 한화시스템 주식회사 | 채널 정보 생성 장치 및 이를 포함하는 네트워크 시스템 |
CN110798351A (zh) * | 2019-10-30 | 2020-02-14 | 云南电网有限责任公司信息中心 | 基于pso及蚁群-遗传算法的电网故障探测点部署方法 |
CN113541700A (zh) * | 2017-05-03 | 2021-10-22 | 弗吉尼亚科技知识产权有限公司 | 用无线电信号变换器学习无线电信号的方法、系统和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281245A (zh) * | 2013-04-26 | 2013-09-04 | 广东电网公司电力调度控制中心 | 确定业务路由路径的方法及装置 |
CN104467999A (zh) * | 2014-11-18 | 2015-03-25 | 北京邮电大学 | 一种基于量子蛙跳的频谱感知算法 |
CN103401625B (zh) * | 2013-08-23 | 2015-04-08 | 西安电子科技大学 | 基于粒子群优化算法的协作频谱感知优化方法 |
-
2015
- 2015-05-18 CN CN201510252887.8A patent/CN104869060B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281245A (zh) * | 2013-04-26 | 2013-09-04 | 广东电网公司电力调度控制中心 | 确定业务路由路径的方法及装置 |
CN103401625B (zh) * | 2013-08-23 | 2015-04-08 | 西安电子科技大学 | 基于粒子群优化算法的协作频谱感知优化方法 |
CN104467999A (zh) * | 2014-11-18 | 2015-03-25 | 北京邮电大学 | 一种基于量子蛙跳的频谱感知算法 |
Non-Patent Citations (3)
Title |
---|
支成秀: ""融合粒子群优化算法与蚁群算法的随机搜索算法"", 《广西科学院学报》 * |
朱夏冰: ""蚁群算法结合粒子群算法的WSN路由优化"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
石祥红: ""基于可信度的协作频谱检测算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11468317B2 (en) | 2017-05-03 | 2022-10-11 | Virginia Tech Intellectual Properties, Inc. | Learning radio signals using radio signal transformers |
CN113541700A (zh) * | 2017-05-03 | 2021-10-22 | 弗吉尼亚科技知识产权有限公司 | 用无线电信号变换器学习无线电信号的方法、系统和装置 |
CN107872255A (zh) * | 2017-11-10 | 2018-04-03 | 江苏省邮电规划设计院有限责任公司 | 适用于大规模mimo蜂窝移动通信网络的导频调度方法 |
CN107872255B (zh) * | 2017-11-10 | 2020-07-14 | 中通服咨询设计研究院有限公司 | 适用于大规模mimo蜂窝移动通信网络的导频调度方法 |
CN108055666B (zh) * | 2017-12-07 | 2020-02-28 | 杭州电子科技大学 | 信息素驱动的分布式协同宽带频谱感知方法 |
CN108055666A (zh) * | 2017-12-07 | 2018-05-18 | 杭州电子科技大学 | 信息素驱动的分布式协同宽带频谱感知方法 |
CN108390735A (zh) * | 2018-01-26 | 2018-08-10 | 杭州电子科技大学 | 一种信息素驱动的分布式协同宽带频谱感知方法 |
CN109164810B (zh) * | 2018-09-28 | 2021-08-10 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
CN109164810A (zh) * | 2018-09-28 | 2019-01-08 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
KR102013210B1 (ko) * | 2018-12-14 | 2019-08-22 | 한화시스템 주식회사 | 채널 정보 생성 장치 및 이를 포함하는 네트워크 시스템 |
KR102013209B1 (ko) * | 2018-12-14 | 2019-08-22 | 한화시스템 주식회사 | 채널 정보 생성 방법 및 기록 매체 |
CN110798351A (zh) * | 2019-10-30 | 2020-02-14 | 云南电网有限责任公司信息中心 | 基于pso及蚁群-遗传算法的电网故障探测点部署方法 |
CN110798351B (zh) * | 2019-10-30 | 2022-07-29 | 云南电网有限责任公司信息中心 | 基于pso及蚁群-遗传算法的电网故障探测点部署方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104869060B (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104869060A (zh) | 基于粒子群优化算法和蚁群优化算法的频谱感知方法 | |
CN106225788B (zh) | 基于路径拓展蚁群算法的机器人路径规划方法 | |
CN107113764B (zh) | 提高人工神经网络定位性能的方法和装置 | |
CN112902969B (zh) | 一种无人机在数据收集过程中的路径规划方法 | |
CN107123056B (zh) | 一种基于位置的社交大数据信息最大化方法 | |
Memon et al. | Protect mobile travelers information in sensitive region based on fuzzy logic in IoT technology | |
CN104239556A (zh) | 基于密度聚类的自适应轨迹预测方法 | |
CN106993273A (zh) | 基于距离加权和遗传优化的DV‑Hop定位方法 | |
Fernandes et al. | Scalable vanet simulations with ns-3 | |
Wang et al. | Research on APIT and Monte Carlo method of localization algorithm for wireless sensor networks | |
CN104202106A (zh) | 移动场景中基于信任度的协作频谱感知方法 | |
Chagas et al. | Genetic algorithms and simulated annealing optimization methods in wireless sensor networks localization using artificial neural networks | |
Zhang et al. | Self organizing feature map for fake task attack modelling in mobile crowdsensing | |
CN104951832B (zh) | 一种基于人工鱼群算法的车联网路侧单元优化部署方法 | |
Alsuhli et al. | Bio‐inspired metaheuristic framework for clustering optimisation in VANETs | |
Guha | Cellular-assisted vehicular communications: A stochastic geometric approach | |
CN105246173A (zh) | 一种适用于rsn的节点分簇方法及其融合判决方法 | |
CN104301996A (zh) | 一种无线传感器网络定位方法 | |
Adrian et al. | A study on communication system in VANET | |
Mahmood et al. | Social-driven information dissemination for mobile wireless sensor networks | |
CN109150623B (zh) | 基于轮循制信誉值抵御恶意用户ssdf攻击方法 | |
CN104680263B (zh) | 基于粒子群算法的电力运输网络拓扑结构设计方法 | |
Hu et al. | Graph neural network-based clustering enhancement in VANET for cooperative driving | |
Feng | Patch-based hybrid modelling of spatially distributed systems by using stochastic HYPE-ZebraNet as an example | |
Jacquet | Optimized outage capacity in random wireless networks in uniform and fractal maps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |