CN105635006B - 一种基于dna萤火虫优化的小波盲均衡方法 - Google Patents

Abstract

本发明公开了一种基于DNA萤火虫优化的小波盲均衡方法。本发明将DNA遗传优化方法引入到萤火虫优化方法中，得到了一种基于DNA遗传优化的萤火虫方法，这个新方法充分发挥了DNA遗传优化方法和萤火虫优化方法的优点，利用这个新方法来获得萤火虫种群的最优位置向量，该最优位置向量作为小波盲均衡方法的初始最优权向量，从而加快了收敛速度，减小了均方误差。与现有技术相比，本发明具有收敛速度最快、均方误差最小和全局最优的性能，在通信技术领域有很强的实用价值。

Description

一种基于DNA萤火虫优化的小波盲均衡方法

技术领域

本发明涉及一种基于DNA萤火虫优化的小波盲均衡方法，属于盲均衡技术领域。

背景技术

在无线通信过程中，通信信道复杂多变而引起的失真和有限带宽所带来的码间干扰(Inter-symbol interference,ISI)是影响通信质量的主要因素。为了提高通信质量，需要采用有效的信道均衡技术来消除码间干扰所带来影响。与传统的自适应均衡方法相比，常模盲均衡方法(Constant modulusalgorithm，CMA)由于不需要发送训练序列，极大地提高了带宽的利用率。萤火虫优化(Glowworm Swarm Optimization,GSO)方法是2005年有K.N.Krishnanand和Debasish Ghose提出的一种新的群智能优化方法。GSO主要是模拟萤火虫发光吸引同伴，萤火虫发光越大，吸引的同伴越多这一现象，通过各个萤火虫个体，在事业范围内寻找最亮的萤火虫，向最亮的萤火虫移动来实现寻优的目的。DNA计算是一种利用生物大分子间的相互作用来实现并行计算的计算模式，能够更好地反映出生物遗传信息的表达机制，更有利于发展功能更强大、解决更复杂问题的智能优化系统。

因此在萤火虫方法的基础上，加入DNA遗传方法，融合成为一种新的方法，即DNA萤火虫优化方法(Optimization algorithm of the firefly based on DNA,DNA-GSO)。这两种方法结合了群智能优化方法良好的全局寻优能力和较强的跳出局部最优解的能力，从而避免了群智能优化方法易陷入局部极值点的弱点，提高了进化后期方法的收敛度和精度。因此，基于DNA的萤火虫小波盲均衡方法及实现研究对优化方法具有重大意义。

发明内容

为了解决上述技术问题，本发明提供了一种基于DNA萤火虫优化的小波盲均衡方法。

为了达到上述目的，本发明所采用的技术方案是：

一种基于DNA萤火虫优化的小波盲均衡方法，包括以下步骤，

步骤1，将发射信号a(k)经过传输信道h(k)后得到信号s(k)，再加入信道噪声n(k)，得到均衡器的接收信号x(k)，再把均衡器的接收信号经小波变换WT后作为DNA萤火虫优化方法的输入信号y(k)；

其中，s(k)＝h(k)a(k)，x(k)＝h(k)a(k)+n(k)，y(k)＝Qx(k)，k为非负整数且表示时间序列，Q为小波变换矩阵；

步骤2，通过DNA萤火虫优化方法得到萤火虫种群的最优位置向量，并将其作为均衡器的初始最优权向量c(0)，c(0)是k＝0时c(k)的值；

所述c(k)的更新公式为

其中，e(k)为误差信号，是由误差函数生成，μ为迭代步长，上标“*”表示复共轭；

为小波变换的平均功率估计，diag[]表示对角矩阵，和分别表示对尺度变换系数m_j,k(k)和小波变换系数y_j,k(k)的平均功率估计，k_J＝L/2^J-1，J为小波分解的最大尺度，L为均衡器的权长，c(k+1),c(k)分别为k+1、k时刻的最优权向量；

步骤3，将步骤1所述的输入信号y(k)经过均衡器得到输出信号z(k)；

其中，z(k)＝y(k)c(k)。

通过DNA萤火虫优化方法得到萤火虫种群的最优位置向量的步骤如下，

步骤2-1，设置DNA萤火虫优化方法的初始种群及参数；

在一个n维搜索空间中，创建一个规模为D的初始萤火虫群的初始位置向量W＝[W₁,W₂,···,W_D]；其中，W_i表示第i个萤火虫的位置向量，0≤i≤D；

每只萤火虫都具有相同的初始荧光素值、初始动态决策范围以及一个随机分配的n维位置向量W_i＝(w_i1,w_i2,···,w_in)，每个初始位置向量对应着一组均衡器权向量系数；

定义最大进化代数sg1，定义最大迭代次数sg2；

步骤2-2，确定适应度函数；

将常模盲均衡方法CMA的代价函数的倒数定义为DNA萤火虫优化方法的适应度函数，

其中，J(W_i)为CMA方法的代价函数，R_CM为CMA的统计模值；

步骤2-3，计算萤火虫群中每个萤火虫位置向量的适应度函数值并将适应度函数值从大到小排列；

其中，前一半对应的是优质萤火虫种群，后一半则为劣质萤火虫种群；选取适应度函数值最大的位置向量为当前最优位置向量，对应的萤火虫个体为最优萤火虫个体；

步骤2-4，编码；

将萤火虫个体的位置向量转换为十进制位置向量，从而得到了DNA序列位置向量；

步骤2-5，执行交叉操作和变异操作，获得新一代萤火虫群；

产生一个随机数rand1∈(0,1)，与置换交叉概率p₁比较，若rand1＜p₁，则执行置换交叉操作；再次产生一个随机数rand2∈(0,1)，与转位交叉概率p₂比较，若rand2＜p₂，则执行转位交叉操作；再产生一组与萤火虫个体DNA序列位置向量维数相同的(0，1)上的随机数，这组随机数中的元素与DNA序列位置向量中的元素一一对应，将所有随机数分别与变异概率p_m比较，若随机数小于p_m，则执行变异操作；

步骤2-6，判断是否达到最大进化代数sg1，如果否，则转至步骤2-7，否则，转至步骤2-8；

步骤2-7，将新一代萤火虫群中所有萤火虫个体的DNA序列位置向量解码，得到所有萤火虫个体的位置向量，转至步骤2-3；

步骤2-8，获得最优萤火虫群；

步骤2-9，计算最优萤火虫群中所有萤火虫位置向量的适应度函数值，选取适应度函数值最大的位置向量为当前最优位置向量；

步骤2-10，更新萤火虫荧光素值，确定邻域，更新萤火虫位置和动态决策范围，进行适应度函数值计算，选取适应度函数值最大的位置向量为当前最优位置向量；

步骤2-11，比较步骤2-10和步骤2-9中最优位置向量的适应度函数值，取适应度函数值大的位置向量为全局最优位置向量；

步骤2-12，判断是否达到最大迭代次数sg2，如果是，则转至步骤2-13，如果否，则转至步骤2-10；

步骤2-13，获得全局最优位置向量，及对应的最优萤火虫个体。

编码的具体过程为，

步骤2-4-1，由第i个萤火虫的位置向量W_i＝(w_i1,w_i2,···,w_in)计算得到十进制位置过渡向量B_i＝(b_i1,b_i2,···,b_in)；

其中，串的长度与编码长度一致，w_ig表示第i个萤火虫的位置向量W_i中第g个位置值，b_ig表示十进制位置过渡向量中第g个位置值，1≤g≤n且g为整数，d为编码长度，D_maxg和D_ming分别为第i个萤火虫的位置向量W_i中第g个位置的最大值和最小值；

步骤2-4-2：将十进制位置过渡向量中第g个位置值b_ig转换成一串四进制数s_ig，则第i个萤火虫的DNA序列位置向量由n串四进制数组成；

其中，长度为d，表示第i个萤火虫的DNA序列位置向量S_i中第g个子整数串中第t′位的数字，1≤t′≤d且t′为整数，d为串的长度。

交叉操作和变异操作的具体过程为，

置换交叉操作：从DNA序列位置向量中任意选取两个作为父体，从两个父体中随机选取相同位置的交叉点，并将交叉点间的碱基串的位置进行互换，在交叉完成后，从两个新的序列位置向量中分别随机选取一段碱基数目相等的转座子序列位置向量，并进行置换，最终产生两个新的序列位置向量代替父体；

转位交叉操作：从DNA序列位置向量中任意选取一个作为父体，从父体中截取一段任意碱基数目的转座子序列位置向量插入截取后父体的任意位置，产生一个新的序列位置向量代替父体；

变异操作：从DNA序列位置向量中任意选取一个序列位置向量，将该序列位置向量中任一碱基以概率p_m被其它碱基代替，从而产生一个新的序列位置向量。

选取父体时，从优质种群选取。

DNA序列位置向量解码具体过程为，

步骤2-7-1，将第i个萤火虫的DNA序列位置向量解码为十进制位置过渡向量

步骤2-7-2：通过以下公式按比例将b_ig转换成第i个萤火虫的位置向量W_i中第g个位置值w_ig；

萤火虫的邻域确定的具体过程为，

步骤2-10-1，首先通过以下公式确定第i个萤火虫在第t次迭代寻优时的荧光素值l_i(t)；

l_i(t)＝(1-ρ)l_i(t-1)+βF(W_i(t))

其中，ρ∈(0,1)为荧光素挥发率，β表示荧光素的更新率，F(W_i(t))表示适应度函数值，W_i(t)表示第i个萤火虫在第t次迭代寻优时的位置向量；

步骤2-10-2，其次通过以下公式确定第i个萤火虫在第t次迭代寻优时的邻域N_i(t)；

N_i(t)＝{i′:||W_i′(t)-W_i(t)||＜R_i(t)；l_i′(t)＞l_i(t)}

其中，|| ||为范数，0＜i′≤D，R_i(t)为第i个萤火虫在第t次迭代寻优时的动态决策域范围。

步骤2-10中萤火虫的动态决策域确定的具体过程为，

动态决策域的半径按以下公式进行调整；

R_i(t+1)＝min{R_s,max{0,R_i(t)+γ(n_t-|N_i(t)|)}}

其中，R_i(t+1)为第i个萤火虫在第t+1次迭代寻优过程中的动态决策域的半径，R_s为萤火虫的可视范围，γ为邻域变化率，n_t为邻居阈值。

本发明所达到的有益效果：1、本发明首先将均衡器的输入信号作为DNA遗传优化方法的输入，并把CMA的代价函数经适当变换后作为DNA遗传优化方法的适应度函数，利用DNA遗传优化方法的寻优能力来寻找盲均衡器的最优初始权向量；2、本发明利用DNA遗传优化方法与萤火虫优化方法的优点，将DNA遗传优化方法引入到萤火虫优化方法中，得到了一种基于DNA遗传优化的萤火虫方法，利用这个新型方法来获得萤火虫种群的最优位置向量，该最优位置向量作为小波盲均衡方法的初始最优权向量，从而加快了收敛速度，减小了均方误差；3、与现有技术相比，本发明具有收敛速度最快、均方误差最小和全局最优的性能，在通信技术领域有很强的实用价值。

附图说明

图1为常模盲均衡方法CMA原理图。

图2为本发明的原理图。

图3为DNA萤火虫优化方法得到最优的萤火虫个体的流程图。

图4为均方误差曲线。

图5为CMA输出星座图。

图6为WTCMA输出星座图。

图7为GSO-WTCMA输出星座图。

图8为DNA-GSO-WTCMA输出星座图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，常模盲均衡方法的原理图图中，a(k)为发射信号，h(k)为传输信道，s(k)为经过信道后的输出信号，n(k)为信道噪声，x(k)为均衡器的接收信号，c(k)为均衡器的权向量，e(k)为误差信号，z(k)为经过均衡后的输出信号。

均衡器的接收信号为

x(k)＝s(k)+n(k)＝a(k)h(k)+n(k)

将输入信号经过均衡器得到输出信号为

z(k)＝c(k)x(k)

误差信号为

e(k)＝R_CM-|z(k)|²

式中，R_CM为统计模值，定义为，

CMA的代价函数定义为

J(k)＝E{[R_CM-|z(k)|²]²}

因此，常模盲均衡器的权向量c(k)的迭代公式为，

c(k+1)＝c(k)-μe(k)x(k)

式中，μ迭代步长。

如图2所示，为基于DNA萤火虫优化的小波盲均衡方法的原理图，首先发射信号a(k)经过传输信道h(k)后加入信道噪声n(k)，得到CMA盲均衡器输入信号，将其作为DNA萤火虫优化方法的输入，并且把CMA的代价函数经适当变换后作为DNA萤火虫优化方法的适应度函数，利用DNA萤火虫优化方法的寻优能力来寻找盲均衡器初始最优权向量，具体步骤如下：

步骤1，将发射信号a(k)经过传输信道h(k)后得到信号s(k)，再加入信道噪声n(k)，得到均衡器的接收信号x(k)，再把均衡器的接收信号经小波变换WT后作为DNA萤火虫优化方法的输入信号y(k)，；

其中，s(k)＝h(k)a(k)，x(k)＝h(k)a(k)+n(k)，y(k)＝Qx(k)，k为非负整数且表示时间序列，Q为小波变换矩阵。

步骤2，通过DNA萤火虫优化方法得到萤火虫种群的最优位置向量，并将其作为均衡器的初始最优权向量c(0)，c(0)是k＝0时c(k)的值；

c(k)的更新公式为

其中，e(k)为误差信号，是由误差函数生成，μ为小波盲均衡方法的迭代步长，上标“*”表示复共轭；

为小波变换的平均功率估计，diag[]表示对角矩阵，和分别表示对尺度变换系数m_j,k(k)和小波变换系数y_j,k(k)的平均功率估计，k_J＝L/2^J-1，J为小波分解的最大尺度，L为均衡器的权长，c(k+1),c(k)分别为k+1、k时刻的最优权向量。

步骤3，将步骤1所述的输入信号y(k)经过均衡器得到输出信号z(k)；

其中，z(k)＝y(k)c(k)。

如图3所示，通过DNA萤火虫优化方法得到萤火虫种群的最优位置向量的步骤如下：

步骤2-1，设置DNA萤火虫优化方法的初始种群及参数；

在一个n维搜索空间中，创建一个规模为D的初始萤火虫群的初始位置向量W＝[W₁,W₂,···,W_D]；其中，W_i表示第i个萤火虫的位置向量，0＜i≤D；

每只萤火虫都具有相同的初始荧光素值、初始动态决策范围以及一个随机分配的n维位置向量W_i＝(w_i1,w_i2,···,w_in)，每个初始位置向量对应着一组均衡器权向量系数；

定义最大进化代数sg1，定义最大迭代次数sg2；

步骤2-2，确定适应度函数；

将常模盲均衡方法CMA的代价函数的倒数定义为DNA萤火虫优化方法的适应度函数，

其中，J(W_i)为CMA方法的代价函数，R_CM为CMA的统计模值；

步骤2-3，计算萤火虫群中每个萤火虫位置向量的适应度函数值并将适应度函数值从大到小排列；

其中，前一半对应的是优质萤火虫种群，后一半则为劣质萤火虫种群；选取适应度函数值最大的位置向量为当前最优位置向量，对应的萤火虫个体为最优萤火虫个体；

步骤2-4，编码；

将萤火虫个体的位置向量转换为十进制位置向量，从而得到了DNA序列位置向量；

步骤2-5，执行交叉操作和变异操作，获得新一代萤火虫群；

产生一个随机数rand1∈(0,1)，与置换交叉概率p₁比较，若rand1＜p₁，则执行置换交叉操作；再次产生一个随机数rand2∈(0,1)，与转位交叉概率p₂比较，若rand2＜p₂，则执行转位交叉操作；再产生一组与萤火虫个体DNA序列位置向量维数相同的(0，1)上的随机数，这组随机数中的元素与DNA序列位置向量中的元素一一对应，将所有随机数分别与变异概率p_m比较，若随机数小于p_m，则执行变异操作；

步骤2-6，判断是否达到最大进化代数sg1，如果否，则转至步骤2-7，否则，转至步骤2-8；

步骤2-7，将新一代萤火虫群中所有萤火虫个体的DNA序列位置向量解码，得到所有萤火虫个体的位置向量，转至步骤2-3；

步骤2-8，获得最优萤火虫群；

步骤2-9，计算最优萤火虫群中所有萤火虫位置向量的适应度函数值，选取适应度函数值最大的位置向量为当前最优位置向量；

步骤2-10，更新萤火虫荧光素值，确定邻域，更新萤火虫位置和动态决策范围，进行适应度函数值计算，选取适应度函数值最大的位置向量为当前最优位置向量；

步骤2-11，比较步骤2-10和步骤2-9中最优位置向量的适应度函数值，取适应度函数值大的位置向量为全局最优位置向量；

步骤2-12，判断是否达到最大迭代次数sg2，如果是，则转至步骤2-13，如果否，则转至步骤2-10；

步骤2-13，获得全局最优位置向量，及对应的最优萤火虫个体。

步骤2-4中的编码过程如下：

步骤2-4-1，由第i个萤火虫的位置向量W_i＝(w_i1,w_i2,···,w_in)计算得到十进制位置过渡向量B_i＝(b_i1,b_i2,···,b_in)；

其中，w_ig表示第i个萤火虫的位置向量W_i中第g个位置值，b_ig表示十进制位置过渡向量中第g个位置值，1≤g≤n且g为整数，d为编码长度，D_maxg和D_ming分别为第i个萤火虫的位置向量W_i中第g个位置的最大值和最小值；

步骤2-4-2：将十进制位置过渡向量中第g个位置值b_ig转换成一串四进制数s_ig，则第i个萤火虫的DNA序列位置向量由n串四进制数组成；

其中，长度为d，表示第i个萤火虫的DNA序列位置向量S_i中第g个子整数串中第t′位的数字，1≤t′≤d且t′为整数，d为串的长度，串的长度与编码长度一致。

步骤2-5中交叉操作和变异操作的具体过程为：

置换交叉操作：从DNA序列位置向量中任意选取两个作为父体，从两个父体中随机选取相同位置的交叉点，并将交叉点间的碱基串的位置进行互换，在交叉完成后，从两个新的序列位置向量中分别随机选取一段碱基数目相等的转座子序列位置向量，并进行置换，最终产生两个新的序列位置向量代替父体；选取父体时，从优质种群选取；

转位交叉操作：从DNA序列位置向量中任意选取一个作为父体，从父体中截取一段任意碱基数目的转座子序列位置向量插入截取后父体的任意位置，产生一个新的序列位置向量代替父体；选取父体时，从优质种群选取；

变异操作：从DNA序列位置向量中任意选取一个序列位置向量，将该序列位置向量中任一碱基以概率p_m被其它碱基代替，从而产生一个新的序列位置向量。

步骤2-7中DNA序列位置向量解码过程如下：

步骤2-7-1，将第i个萤火虫的DNA序列位置向量解码为十进制位置过渡向量B_i＝(b_i1,b_i2,···,b_in)，

步骤2-7-2：通过以下公式按比例将b_ig转换成第i个萤火虫的位置向量W_i中第g个位置值w_ig；

步骤2-10中萤火虫的邻域确定的具体过程为：

步骤2-10-1，首先通过以下公式确定第i个萤火虫在第t次迭代寻优时的荧光素值l_i(t)；

l_i(t)＝(1-ρ)l_i(t-1)+βF(W_i(t))

其中，ρ∈(0,1)为荧光素挥发率，β表示荧光素的更新率，F(W_i(t))表示适应度函数值，W_i(t)表示第i个萤火虫在第t次迭代寻优时的位置向量；

步骤2-10-2，其次通过以下公式确定第i个萤火虫在第t次迭代寻优时的邻域N_i(t)；

N_i(t)＝{i′:||W_i′(t)-W_i(t)||＜R_i(t)；l_i′(t)＞l_i(t)}

其中，||||为范数，0＜i′≤D，R_i(t)为第i个萤火虫在第t次迭代寻优时的动态决策域范围。

步骤2-10中萤火虫的动态决策域确定的具体过程为，

动态决策域的半径按以下公式进行调整；

R_i(t+1)＝min{R_s,max{0,R_i(t)+γ(n_t-|N_i(t)|)}}

其中，R_i(t+1)为第i个萤火虫在第t+1次迭代寻优过程中的动态决策域的半径，R_s为萤火虫的可视范围，γ为邻域变化率，n_t为邻居阈值。

上述方法将均衡器的输入信号作为DNA遗传优化方法的输入，并把CMA的代价函数经适当变换后作为DNA遗传优化方法的适应度函数，利用DNA遗传优化方法的寻优能力来寻找盲均衡器的最优初始权向量；利用DNA遗传优化方法与萤火虫优化方法的优点，将DNA遗传优化方法引入到萤火虫优化方法中，得到了一种基于DNA遗传优化的萤火虫方法，利用这个新型方法来优化萤火虫种群的初始值，从而优化了萤火虫种群的最优位置向量，优化后的最优位置向量作为小波盲均衡的初始化最优权向量，从而加快了其的收敛速度，减小了均方误差；与现有技术相比，本发明具有收敛速度最快、均方误差最小和全局最优的性能，在通信技术领域有很强的实用价值。

为了验证DNA-GSO-WTCMA的有效性及稳定性，分别对CMA、WTCMA、GSO-WTCMA、DNA-GSO-WTCMA进行比较，仿真结果如图4所示。各参数为：信道h1＝[0.005 0.009 -0.0240.854 -0.218 0.049 -0.016]，发射信号为16QAM信号，信道均衡器权长为16，信号采样点均为5000点，信噪比为25dB；在CMA中，将第9个抽头系数设置为1，其余为0，其步长μ_CMA＝0.00004；在WTCMA中，取第7个抽头系数为1，其余为0，其步长μ_WCMA＝0.0004；在GSO-WTCMA中，其步长为μ_GSO-WTCMA＝0.00008；而在DNA-GSO-WTCMA中，设置的步长则为μ_{DNA-GSO-WTCMA}＝0.00001。输入信号采用DB2小波进行分解，分解层次为2层，功率初始值设置为8，遗忘因子β＝0.999。经过1000次的蒙特卡诺仿真后过得到的结果如图4所示。

由图4和6可知，均方误差方面，DNA-GSO-WTCMA的均方误差要比GSO-WTCMA的小1dB左右，比WTCMA的小近3dB，比CMA减小了4dB左右，均方误差得到了有效降低；在收敛速度方面，DNA-GSO-WTCMA和GSO-WTCMA比WTCMA快了1500步左右，比CMA快了近1000步，收敛速度明显加快。由图7和8可知，在星座图方面DNA-GSO-WTCMA比其他两个更加紧凑，恢复出的传输信号更准确。

可见，使用本发明方法DNA-GSO-WT-CMA可以显著提高盲均衡方法的收敛速度和减少均方稳态误差，在通信技术领域有很强的实用价值。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.一种基于DNA萤火虫优化的小波盲均衡方法，其特征在于：包括以下步骤，

步骤1，将发射信号a(k)经过传输信道h(k)后得到信号s(k)，再加入信道噪声n(k)，得到均衡器的接收信号x(k)，再把均衡器的接收信号经小波变换WT后作为DNA萤火虫优化方法的输入信号y(k)；

其中，s(k)＝h(k)a(k)，x(k)＝h(k)a(k)+n(k)，y(k)＝Qx(k)，k为非负整数且表示时间序列，Q为小波变换矩阵；

步骤2，通过DNA萤火虫优化方法得到萤火虫种群的最优位置向量，并将其作为均衡器的初始最优权向量c(0)，c(0)是k＝0时c(k)的值；

所述c(k)的更新公式为

其中，e(k)为误差信号，是由误差函数生成，μ为迭代步长，上标“*”表示复共轭；

为小波变换的平均功率估计，diag[]表示对角矩阵，和分别表示对尺度变换系数m_j,k(k)和小波变换系数y_j,k(k)的平均功率估计，k_J＝L/2^J-1，J为小波分解的最大尺度，L为均衡器的权长，c(k+1),c(k)分别为k+1、k时刻的最优权向量；

步骤3，将步骤1所述的输入信号y(k)经过均衡器得到输出信号z(k)；

其中，z(k)＝y(k)c(k)；

通过DNA萤火虫优化方法得到萤火虫种群的最优位置向量的步骤如下，

步骤2-1，设置DNA萤火虫优化方法的初始种群及参数；

在一个n维搜索空间中，创建一个规模为D的初始萤火虫群的初始位置向量W＝[W₁,W₂,…,W_D]；其中，W_i表示第i个萤火虫的位置向量，0＜i≤D；

每只萤火虫都具有相同的初始荧光素值、初始动态决策范围以及一个随机分配的n维位置向量W_i＝(w_i1,w_i2,…,w_in)，每个初始位置向量对应着一组均衡器权向量系数；

定义最大进化代数sg1，定义最大迭代次数sg2；

步骤2-2，确定适应度函数；

将常模盲均衡方法CMA的代价函数的倒数定义为DNA萤火虫优化方法的适应度函数，

其中，J(W_i)为CMA方法的代价函数，R_CM为CMA的统计模值；

步骤2-3，计算萤火虫群中每个萤火虫位置向量的适应度函数值并将适应度函数值从大到小排列；

其中，前一半对应的是优质萤火虫种群，后一半则为劣质萤火虫种群；选取适应度函数值最大的位置向量为当前最优位置向量，对应的萤火虫个体为最优萤火虫个体；

步骤2-4，编码；

将萤火虫个体的位置向量转换为十进制位置向量，从而得到了DNA序列位置向量；

步骤2-5，执行交叉操作和变异操作，获得新一代萤火虫群；

产生一个随机数rand1∈(0,1)，与置换交叉概率p₁比较，若rand1＜p₁，则执行置换交叉操作；再次产生一个随机数rand2∈(0,1)，与转位交叉概率p₂比较，若rand2＜p₂，则执行转位交叉操作；再产生一组与萤火虫个体DNA序列位置向量维数相同的(0，1)上的随机数，这组随机数中的元素与DNA序列位置向量中的元素一一对应，将所有随机数分别与变异概率p_m比较，若随机数小于p_m，则执行变异操作；

步骤2-6，判断是否达到最大进化代数sg1，如果否，则转至步骤2-7，否则，转至步骤2-8；

步骤2-7，将新一代萤火虫群中所有萤火虫个体的DNA序列位置向量解码，得到所有萤火虫个体的位置向量，转至步骤2-3；

步骤2-8，获得最优萤火虫群；

步骤2-9，计算最优萤火虫群中所有萤火虫位置向量的适应度函数值，选取适应度函数值最大的位置向量为当前最优位置向量；

步骤2-10，更新萤火虫荧光素值，确定邻域，更新萤火虫位置和动态决策范围，进行适应度函数值计算，选取适应度函数值最大的位置向量为当前最优位置向量；

步骤2-11，比较步骤2-10和步骤2-9中最优位置向量的适应度函数值，取适应度函数值大的位置向量为全局最优位置向量；

步骤2-12，判断是否达到最大迭代次数sg2，如果是，则转至步骤2-13，如果否，则转至步骤2-10；

步骤2-13，获得全局最优位置向量，及对应的最优萤火虫个体。

2.根据权利要求1所述的一种基于DNA萤火虫优化的小波盲均衡方法，其特征在于：编码的具体过程为，

步骤2-4-1，由第i个萤火虫的位置向量W_i＝(w_i1,w_i2,…,w_in)计算得到十进制位置过渡向量B_i＝(b_i1,b_i2,…,b_in)；

其中，w_ig表示第i个萤火虫的位置向量W_i中第g个位置值，b_ig表示十进制位置过渡向量中第g个位置值，1≤g≤n且g为整数，d为编码长度，D_maxg和D_ming分别为第i个萤火虫的位置向量W_i中第g个位置的最大值和最小值；

步骤2-4-2：将十进制位置过渡向量中第g个位置值b_ig转换成一串四进制数s_ig，则第i个萤火虫的DNA序列位置向量由n串四进制数组成；

其中，串的长度与编码长度一致，表示第i个萤火虫的DNA序列位置向量S_i中第g个子整数串中第t′位的数字，1≤t′≤d且t′为整数。

3.根据权利要求2所述的一种基于DNA萤火虫优化的小波盲均衡方法，其特征在于：交叉操作和变异操作的具体过程为，

置换交叉操作：从DNA序列位置向量中任意选取两个作为父体，从两个父体中随机选取相同位置的交叉点，并将交叉点间的碱基串的位置进行互换，在交叉完成后，从两个新的序列位置向量中分别随机选取一段碱基数目相等的转座子序列位置向量，并进行置换，最终产生两个新的序列位置向量代替父体；

转位交叉操作：从DNA序列位置向量中任意选取一个作为父体，从父体中截取一段任意碱基数目的转座子序列位置向量插入截取后父体的任意位置，产生一个新的序列位置向量代替父体；

变异操作：从DNA序列位置向量中任意选取一个序列位置向量，将该序列位置向量中任一碱基以概率p_m被其它碱基代替，从而产生一个新的序列位置向量。

4.根据权利要求3所述的一种基于DNA萤火虫优化的小波盲均衡方法，其特征在于：选取父体时，从优质种群选取。

5.根据权利要求2所述的一种基于DNA萤火虫优化的小波盲均衡方法，其特征在于：DNA序列位置向量解码具体过程为，

步骤2-7-1，将第i个萤火虫的DNA序列位置向量解码为十进制位置过渡向量

步骤2-7-2：通过以下公式按比例将b_ig转换成第i个萤火虫的位置向量W_i中第g个位置值w_ig；

6.根据权利要求1所述的一种基于DNA萤火虫优化的小波盲均衡方法，其特征在于：萤火虫的邻域确定的具体过程为，

步骤2-10-1，首先通过以下公式确定第i个萤火虫在第t次迭代寻优时的荧光素值l_i(t)；

l_i(t)＝(1-ρ)l_i(t-1)+βF(W_i(t))

其中，ρ∈(0,1)为荧光素挥发率，β表示荧光素的更新率，F(W_i(t))表示适应度函数值，W_i(t)表示第i个萤火虫在第t次迭代寻优时的位置向量；

步骤2-10-2，其次通过以下公式确定第i个萤火虫在第t次迭代寻优时的邻域N_i(t)；

N_i(t)＝{i′:||W_i′(t)-W_i(t)||＜R_i(t)；l_i′(t)＞l_i(t)}

其中，|| ||为范数，0＜i′≤D，R_i(t)为第i个萤火虫在第t次迭代寻优时的动态决策域范围。

7.根据权利要求1所述的一种基于DNA萤火虫优化的小波盲均衡方法，其特征在于：步骤2-10中萤火虫的动态决策域确定的具体过程为，

动态决策域的半径按以下公式进行调整；

R_i(t+1)＝min{R_s,max{0,R_i(t)+γ(n_t-|N_i(t)|)}}

其中，R_i(t+1)为第i个萤火虫在第t+1次迭代寻优过程中的动态决策域的半径，R_s为萤火虫的可视范围，γ为邻域变化率，n_t为邻居阈值，N_i(t)为第i个萤火虫在第t次迭代寻优时的邻域。