CN107784362A - 一种改进的td‑scdma系统的分布式遗传算法 - Google Patents
一种改进的td‑scdma系统的分布式遗传算法 Download PDFInfo
- Publication number
- CN107784362A CN107784362A CN201610782631.2A CN201610782631A CN107784362A CN 107784362 A CN107784362 A CN 107784362A CN 201610782631 A CN201610782631 A CN 201610782631A CN 107784362 A CN107784362 A CN 107784362A
- Authority
- CN
- China
- Prior art keywords
- population
- individual
- genetic algorithm
- cell
- adaptive response
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种改进的TD‑SCDMA系统的分布式遗传算法,基于分布式遗传算法,建立TD‑SCDMA系统算法模型;产生初始种群,并确定自适应度函数;基于个体相似度交叉算子,对种群进行交叉计算,得出交叉后的自适应度函数值;基于模拟退火算法,对种群进行变异计算,得出变异后的自适应度函数值。本发明从全局出发,综合考虑一个无线网络控制器中的所有小区,利用分布式遗传算法高效的全局搜索能力、良好的种群多样性和寻优能力,并与模拟退火算法相结合,不仅可以迅速找到满意的上下行时隙分配方案,而且能有效的提高系统容量。
Description
技术领域
本发明涉及遗传算法领域,具体地说是一种改进的TD-SCDMA系统的分布式遗传算法。
背景技术
TD-SCDMA系统中交叉时隙干扰的存在,会造成系统容量的损失。针对TD-SCDMA系统中上下行时隙分配问题已进行了大量研究,包括时隙反转技术、热点小区算法等,这些算法虽然一定程度上减小了交叉时隙干扰,但仅考虑当前小区或相邻的几个小区,没有从TD-SCDMA系统全局出发。
发明内容
针对现有技术的不足,本发明提供一种改进的TD-SCDMA系统的分布式遗传算法从全局出发,综合考虑一个无线网络控制器中的所有小区,利用分布式遗传算法高效的全局搜索能力、良好的种群多样性和寻优能力,并与模拟退火算法相结合,不仅可以迅速找到满意的上下行时隙分配方案,而且能有效的提高系统容量。
本发明为实现上述目的所采用的技术方案是:
一种改进的TD-SCDMA系统的分布式遗传算法,包括以下步骤:
步骤1:基于分布式遗传算法,建立TD-SCDMA系统算法模型;
步骤2:产生初始种群,并确定自适应度函数,得出种群的自适应度函数值;
步骤3:如果种群的自适应度函数值满足结束条件,则得出最佳时隙配比方案;否则执行步骤4;
步骤4:基于个体相似度交叉算子,对种群进行交叉计算,得出交叉后的自适应度函数值;
步骤5:如果交叉后的自适应度函数值满足结束条件,则得出最佳时隙配比方案;否则执行步骤6;
步骤6:基于模拟退火算法,对种群进行变异计算,得出变异后的自适应度函数值;返回步骤3进行迭代。
所述TD-SCDMA系统算法模型包括每个小区的上下行时隙配比、小区数和系统容量;其中,
每个小区的上下行时隙配比sj相当于分布式遗传算法中的基因,小区数N相当于分布式遗传算法中的染色体,系统容量相当于分布式遗传算法中的自适应度函数;
N个小区的上下行时隙配比表示一个个体,即Si=(s1,s2,…,sN),M个个体构成种群Sj,即Sj=(S1,S2,……,SM),其中,i是1到N间的整数,j是1到M间的整数。
所述初始种群包括种群Ⅰ、种群Ⅱ、种群Ⅲ、种群Ⅳ;
其中,种群Ⅱ为探索种群,用于提高种群多样性;种群Ⅲ为利用种群,用于保证优秀个体不被破坏;种群Ⅳ用于综合考虑探索和利用;种群Ⅰ用于存放种群Ⅱ,种群Ⅲ和种群Ⅳ在迭代过程中得到的优秀个体,不进行任何遗传操作;
所述种群Ⅱ、种群Ⅲ、种群Ⅳ的交叉概率Pc和变异概率Pm的关系为种群Ⅱ>种群Ⅳ>种群Ⅲ。
所述确定自适应度函数包括以下过程:
步骤1:多小区系统中,当背景噪声趋于无穷大时,计算小区的上下行容量Cup和Cdown:
其中,fL为上行小区外干扰,f′L为下行小区比率,β为多用户检测因子,α为正交因子,k为用户信噪比与业务激活因子的乘积;
步骤2:小区下行容量Cdown受限时,任意小区i的归一化容量为:
小区上行容量Cup受限制时,任意小区i归一化容量为:
系统容量总和为:
total=w C
其中,N为小区总数,R为业务不对称因子,wi为权重系数;
步骤3:业务量大的小区具有较大的权重系数,根据小区i业务量Yi确定权重系数wi为:
步骤4:以total最大为优化标准,自适应度函数为:
fx=total=w C
其中,total为系统容量总和,f(x)为自适应度函数,N为小区总数,wi为权重系数,Ci为任意小区i的归一化容量。
所述结束条件为自适应度函数值达到期望值和/或迭代次数达到最大值。
交叉计算过程为:
步骤1:首先选择种群中自适应度值最高的个体Si,然后把Si与其他个体Sj同一行上的基因分别进行异或操作,即:
ak=sksl
其中,sk和sl分别是Si和Sj上的等位基因,j=1,2,……,M,i≠j;l=k=1,2,……,N;ak为异或结果;
步骤2:用bj表示个体Si与个体Sj中相同等位基因的个数;当sk与sl相同时,ak为零,bj保持不变;否则ak为1,bj加1;
其中,bj越大,两个个体差异越大;反之,差异越小;
步骤3:种群Ⅱ选择种群Ⅱ中相同等位基因的个数最大的个体与Si进行交叉操作,并采用多点交叉的方式;
种群Ⅲ选择种群Ⅲ中相同等位基因的个数最小的个体与Si进行交叉操作,并采用单点交叉方式;
种群Ⅳ按照每个个体的自适应度值赋予每个个体相应的交叉概率,并根据该交叉概率进行相应操作。
根据不同业务类型设置迭代次数门限值,如果迭代次数达到门限值,则用种群Ⅰ代替种群Ⅳ。
所述模拟退火算法为:
设变异后新个体为x’,变异后新个体的自适应度值为f(x’),原个体为x,变异前个体自适应度值为f(x),比较f(x’)和f(x);
种群Ⅲ保留f(x’)和f(x)中自适应度值高的个体;
种群Ⅱ和种群Ⅳ以概率p接受新个体:
其中,Tg为温度衰减函数,p为接受新个体的概率,f(x)为变异前个体的自适应度值,f(x’)为变异后新个体的自适应度值。
所述温度衰减函数Tg为:
T=T
其中,Tg为温度衰减函数,T0为初始温度,g为进化代数,λ为退火系数,且0<λ<1。
本发明具有以下有益效果及优点:
1.本发明采用基于种群相似度的交叉算子,各子种群采用不同的交叉变异算子,既可以保证种群的多样性,还可以保证种群中优秀的个体不被破坏,同时算法以较快的速度收敛;
2.本发明利用改进的分布式遗传算法与模拟退火算法相结合,可以迅速找到满意的上下行时隙分配方案,而且能有效的提高系统容量;
3.本发明提出改进的分布式遗传算法不仅能改善TD-SCDMA系统的容量,而且能避免标准遗传算法中“早熟”现象的发生,从而得到质量更优的解。
附图说明
图1是本发明的方法流程图;
图2是本发明的单时隙期望业务量对IDGA算法、无交叉时隙算法和SGA算法的系统容量影响仿真图;
图3是本发明的小区数对SGA算法计算时间和IDGA算法计算时间的影响仿真图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
如图1所示是本发明的方法流程图。
1、模型建立:
TD-SCDMA系统的帧周期为10ms,分成2个5ms的子帧。每个子帧又分成7个常规时隙和3个特殊时隙:DwPTS(下行导频时隙),UpPTS(上行导频时隙),GP(保护间隔)。在7个常规时隙中,时隙0总是分配给下行,时隙1总是分配给上行。由于一些带有公共控制信息的信道都在时隙0中,因此仅将其余6个时隙上的信道视为业务信道。
一般来说,TD-SCDMA系统中下行业务量大于上行业务量,因此,本发明只考虑下行业务量大于等于上行业务量的情况。设小区总数为N,存在交叉时隙时,TD-SCDMA系统中每个小区的上下行时隙比例可能为1:5,2:4,3:3,把任意小区j的上下行时隙比例sj定义为一个基因,那么N个小区的每一组(s1,s2……,sN)的取值组合都对应一种时隙划分方案,也就是一个个体,任意个体i可以表示为Si=(s1,s2……,sN),M个体就构成了种群Sj,即Sj=(S1,S2,……,SM)。其中,i是1到N间的整数,j是1到M间的整数。这里,我们采用十进制数编码,上下行时隙比例1:5,2:4,3:3分别用0,1,2表示,即每位基因sj可以编码为0,1,2中的任意一个。
2、改进的分布式遗传算法IDGA:
2.1自适应度函数的确定
多小区系统中,当背景噪声趋于无穷大时,小区的上下行容量Cup和Cdown分别为:
其中,fL、fL分别为上行、下行小区外干扰与小区比率,β为多用户检测因子,α为正交因子,k为用户信噪比与业务激活因子的乘积。
小区下行容量受限时,任意小区i的归一化容量为:
上行容量受限制时,任意小区i归一化容量为:
在以上公式的基础上,我们可以得到系统容量总和:
total=Σ w C (2-5)
其中,N为小区时隙总数,R为业务不对称因子,wi为权重系数,业务量大的小区应具有较大的权重系数,因此可根据小区i业务量Yi确定权重系数,wi为:
综合考察系统内所有小区,以total最大为优化标准,所以自适应度函数为:
fx=total=∑ w C (2-7)
2.2基于个体相似度的交叉算子
首先选择种群中自适应度值最高的个体Si,然后把Si与其他个体Sj(j=1,2,……,M,i≠j)同一行上的基因分别进行异或操作,即:
ak=sksl l=k=1,2,……,N(2-8)
其中,sk和sl分别是Si和Sj上的等位基因,并用bj表示个体Si与个体Sj中相同等位基因的个数。当sk与sl相同时,ak为零,bj保持不变;否则ak为一,bj加一。bj越大,两个个体差异越大;反之,差异越小。
种群Ⅱ选择bj大的个体Sj与Si进行交叉操作,并采用多点交叉的方式,以保持种群多样性;种群Ⅲ则选择bj值小的个体Sj与Si进行交叉操作,并采用单点交叉方式,以保证种群中优良个体不被破坏;种群Ⅳ采用单点交叉,按照自适应度值赋予每个个体一个交叉概率,个体的自适应度值越大,被选择进行交叉操作的概率也就越大。
2.3变异
本发明采用单点变异,设变异后新个体为x’,原个体为x,自适应度值分别为f(x’)和f(x)。比较f(x’)和f(x),种群Ⅲ保留自适应度值较高者,种群Ⅱ和种群Ⅳ按照模拟退火算法以概率p接受新个体,p为:
Tg为温度,温度衰减函数如下:
T=T (2-10)
其中T0为初始温度,g为进化代数,λ为退火系数,0<λ<1。遗传算法进化初期,即g较小时,模拟退火能够接受大部分新个体以扩大取值空间,随着g增加,Tg逐渐减小,从而接受比期望目标函数值低的新个体的概率减少,这样不仅保持了种群的多样性,而且增强了遗传算法的爬山能力。
3、仿真分析
本发明采用Matlab进行仿真。算法的参数设置为:每个子种群大小为20,染色体长度为200(即一个RNC中有200个小区),子种群迭代次数为60,最大迭代次数为600。设Pc和Pm分别为交叉变异概率,种群Ⅱ中Pc=0.95,Pm=0.05;种群Ⅲ中Pc=0.65,Pm=0.003;种群Ⅳ中Pc=0.8,Pm=0.01。模拟退火参数设置为:T0=100,λ=0.98。
TD-SCDMA系统中参数设置为:小区的上下行业务比例为区间(1,5)上均匀分布的随机数,小区的期望业务量为区间(0,6)上均匀分布的随机数,多用户检测因子β=0.75,正交因子α=0.9,k由给定的用户信噪比和业务因子确定为0.1125,得到的仿真结果如图2、图3。
图2为本发明的单时隙期望业务量对IDGA算法、无交叉时隙算法和SGA算法的系统容量影响仿真图。
横坐标的0、1、2、3、4、5分别表示小区的期望业务量为服从(0,1)、(1,2)、(2,3)、(3,4)、(4,5)、(5,6)上均匀分布的随机数。可以看出,当业务量轻时,三种算法对系统容量影响区别不大,因为业务量轻时,业务对时隙资源需求较少,即使时隙分配不合理也较少出现单边受限的情况;但随着业务量增加,特别是业务量大于4后,无交叉时隙算法由于存在较大的交叉时隙干扰而造成系统性能下降,交叉时隙算法对系统容量有明显改善。由于IDGA算法能更好的保持种群多样性,避免“早熟”现象发生,对系统容量的改善优于SGA算法。
图3是本发明的小区数对SGA算法计算时间和IDGA算法计算时间的影响仿真图。
从图3中可以看出,随着小区数量的增加,IDGA的计算时间少于SGA。
通过仿真表明,IDGA算法不仅改善了TD-SCDMA系统的容量,而且缩短了计算时间,较好的保持了种群多样性。
Claims (10)
1.一种改进的TD-SCDMA系统的分布式遗传算法,其特征在于,包括以下步骤:
步骤1:基于分布式遗传算法,建立TD-SCDMA系统算法模型;
步骤2:产生初始种群,并确定自适应度函数,得出种群的自适应度函数值;
步骤3:如果种群的自适应度函数值满足结束条件,则得出最佳时隙配比方案;否则执行步骤4;
步骤4:基于个体相似度交叉算子,对种群进行交叉计算,得出交叉后的自适应度函数值;
步骤5:如果交叉后的自适应度函数值满足结束条件,则得出最佳时隙配比方案;否则执行步骤6;
步骤6:基于模拟退火算法,对种群进行变异计算,得出变异后的自适应度函数值;返回步骤3进行迭代。
2.根据权利要求1所述的改进的TD-SCDMA系统的分布式遗传算法,其特征在于:所述TD-SCDMA系统算法模型包括每个小区的上下行时隙配比、小区数和系统容量;其中,
每个小区的上下行时隙配比sj相当于分布式遗传算法中的基因,小区数N相当于分布式遗传算法中的染色体,系统容量相当于分布式遗传算法中的自适应度函数;
N个小区的上下行时隙配比表示一个个体,即Si=(s1,s2,…,sN),M个个体构成种群Sj,即Sj=(S1,S2,……,SM),其中,i是1到N间的整数,j是1到M间的整数。
3.根据权利要求1所述的改进的TD-SCDMA系统的分布式遗传算法,其特征在于:所述初始种群包括种群Ⅰ、种群Ⅱ、种群Ⅲ、种群Ⅳ;
其中,种群Ⅱ为探索种群,用于提高种群多样性;种群Ⅲ为利用种群,用于保证优秀个体不被破坏;种群Ⅳ用于综合考虑探索和利用;种群Ⅰ用于存放 种群Ⅱ,种群Ⅲ和种群Ⅳ在迭代过程中得到的优秀个体,不进行任何遗传操作。
4.根据权利要求3所述的改进的TD-SCDMA系统的分布式遗传算法,其特征在于:所述种群Ⅱ、种群Ⅲ、种群Ⅳ的交叉概率Pc和变异概率Pm的关系为种群Ⅱ>种群Ⅳ>种群Ⅲ。
5.根据权利要求1所述的改进的TD-SCDMA系统的分布式遗传算法,其特征在于:所述确定自适应度函数包括以下过程:
步骤1:多小区系统中,当背景噪声趋于无穷大时,计算小区的上下行容量Cup和Cdown:
其中,fL为上行小区外干扰,f′L为下行小区比率,β为多用户检测因子,α为正交因子,k为用户信噪比与业务激活因子的乘积;
步骤2:小区下行容量Cdown受限时,任意小区i的归一化容量为:
小区上行容量Cup受限制时,任意小区i归一化容量为:
系统容量总和为:
total=wC
其中,N为小区总数,R为业务不对称因子,wi为权重系数;
步骤3:业务量大的小区具有较大的权重系数,根据小区i业务量Yi确定权重系数wi为:
步骤4:以total最大为优化标准,自适应度函数为:
fx=total=wC
其中,total为系统容量总和,f(x)为自适应度函数,N为小区总数,wi为权重系数,Ci为任意小区i的归一化容量。
6.根据权利要求1所述的改进的TD-SCDMA系统的分布式遗传算法,其特征在于:所述结束条件为自适应度函数值达到期望值和/或迭代次数达到最大值。
7.根据权利要求1所述的改进的TD-SCDMA系统的分布式遗传算法,其特征在于,交叉计算过程为:
步骤1:首先选择种群中自适应度值最高的个体Si,然后把Si与其他个体Sj同一行上的基因分别进行异或操作,即:
ak=sksl
其中,sk和sl分别是Si和Sj上的等位基因,j=1,2,……,M,i≠j;l=k=1,2,……,N;ak为异或结果;
步骤2:用bj表示个体Si与个体Sj中相同等位基因的个数;当sk与sl相同时,ak为零,bj保持不变;否则ak为1,bj加1;
其中,bj越大,两个个体差异越大;反之,差异越小;
步骤3:种群Ⅱ选择种群Ⅱ中相同等位基因的个数最大的个体与Si进行交叉操作,并采用多点交叉的方式;
种群Ⅲ选择种群Ⅲ中相同等位基因的个数最小的个体与Si进行交叉操作,并采用单点交叉方式;
种群Ⅳ按照每个个体的自适应度值赋予每个个体相应的交叉概率,并根据该交叉概率进行相应操作。
8.根据权利要求1所述的改进的TD-SCDMA系统的分布式遗传算法,其特征 在于:根据不同业务类型设置迭代次数门限值,如果迭代次数达到门限值,则用种群Ⅰ代替种群Ⅳ。
9.根据权利要求1所述的改进的TD-SCDMA系统的分布式遗传算法,其特征在于:所述模拟退火算法为:
设变异后新个体为x’,变异后新个体的自适应度值为f(x’),原个体为x,变异前个体自适应度值为f(x),比较f(x’)和f(x);
种群Ⅲ保留f(x’)和f(x)中自适应度值高的个体;
种群Ⅱ和种群Ⅳ以概率p接受新个体:
其中,Tg为温度衰减函数,p为接受新个体的概率,f(x)为变异前个体的自适应度值,f(x’)为变异后新个体的自适应度值。
10.根据权利要求9所述的改进的TD-SCDMA系统的分布式遗传算法,其特征在于,所述温度衰减函数Tg为:
T=T
其中,Tg为温度衰减函数,T0为初始温度,g为进化代数,λ为退火系数,且0<λ<1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610782631.2A CN107784362A (zh) | 2016-08-31 | 2016-08-31 | 一种改进的td‑scdma系统的分布式遗传算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610782631.2A CN107784362A (zh) | 2016-08-31 | 2016-08-31 | 一种改进的td‑scdma系统的分布式遗传算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107784362A true CN107784362A (zh) | 2018-03-09 |
Family
ID=61450842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610782631.2A Pending CN107784362A (zh) | 2016-08-31 | 2016-08-31 | 一种改进的td‑scdma系统的分布式遗传算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107784362A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289719A (zh) * | 2011-07-25 | 2011-12-21 | 南京信息工程大学 | 基于模拟退火遗传优化的正交小波盲均衡方法 |
CN102419549A (zh) * | 2011-09-13 | 2012-04-18 | 浙江大学 | 混合dna遗传算法的复杂化工过程建模方法 |
CN102495924A (zh) * | 2011-11-30 | 2012-06-13 | 北京航空航天大学 | 客机与涡扇发动机一体化性能优化计算机辅助设计装置及其方法 |
CN102999783A (zh) * | 2012-11-08 | 2013-03-27 | 哈尔滨工程大学 | 基于遗传禁忌混合算法的多输入多输出雷达正交多相码信号产生方法 |
-
2016
- 2016-08-31 CN CN201610782631.2A patent/CN107784362A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289719A (zh) * | 2011-07-25 | 2011-12-21 | 南京信息工程大学 | 基于模拟退火遗传优化的正交小波盲均衡方法 |
CN102419549A (zh) * | 2011-09-13 | 2012-04-18 | 浙江大学 | 混合dna遗传算法的复杂化工过程建模方法 |
CN102495924A (zh) * | 2011-11-30 | 2012-06-13 | 北京航空航天大学 | 客机与涡扇发动机一体化性能优化计算机辅助设计装置及其方法 |
CN102999783A (zh) * | 2012-11-08 | 2013-03-27 | 哈尔滨工程大学 | 基于遗传禁忌混合算法的多输入多输出雷达正交多相码信号产生方法 |
Non-Patent Citations (1)
Title |
---|
郑晶晶: "TD-SCDMA系统中动态信道分配技术", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Tractable coverage analysis for hexagonal macrocell-based heterogeneous UDNs with adaptive interference-aware CoMP | |
CN111132264B (zh) | 多用户mimo-noma系统下行链路的用户分簇方法 | |
CN111294959B (zh) | 一种联合用户分组和功率分配的优化方法及其优化装置 | |
CN112637907B (zh) | 毫米波网络中用户多关联和下行功率分配的联合优化方法 | |
Cai et al. | Joint optimal multi-connectivity enabled user association and power allocation in mmWave networks | |
CN110677858B (zh) | 基于物联网任务迁移周期的传输功率与计算资源分配方法 | |
CN103944618B (zh) | 大规模miso协同能效发送方法 | |
CN115103409A (zh) | 一种多波束无人机协作通信的资源分配方法 | |
Gupta et al. | Multi-UAV deployment for NOMA-enabled wireless networks based on IMOGWO algorithm | |
CN108809470B (zh) | 一种超密集蜂窝网络中的分簇算法 | |
CN111669777B (zh) | 基于改进卷积神经网络的移动通信系统智能预测方法 | |
CN107784362A (zh) | 一种改进的td‑scdma系统的分布式遗传算法 | |
CN109152060A (zh) | 一种短波下行通信中的发射机信道分配模型及方法 | |
CN105611640B (zh) | 一种公平度可调的CoMP下行用户调度方法 | |
CN115225142A (zh) | 多无人机通信中用户匹配与频谱资源联合优化方法及系统 | |
He et al. | Multiobjective anti-collision for massive access ranging in MF-TDMA satellite communication system | |
Yoshino et al. | Study on efficient channel assignment method using the genetic algorithm for mobile communication systems | |
CN111542069B (zh) | 一种基于快速非支配遗传算法实现无线ap部署优化方法 | |
Tang et al. | Optimal power allocation for multi-user linear network coded cooperation system | |
Spirina | Data Transmission Algorithm in the IP Communication Networks Integrated Optimization Method | |
CN113965229B (zh) | 一种基于群体串行干扰删除的noma上行传输方法 | |
CN113848989B (zh) | 一种无人机密集编队通信网络的资源协同分配方法 | |
El-Saleh et al. | Cross entropy algorithm for improved soft fusion-based cooperative spectrum sensing in cognitive radio networks | |
Varma et al. | Closed-form approximations for coverage and rate in a multi-tier heterogeneous network in Nakagami-m fading | |
Sharma et al. | Evolutionary Multi-Objective Optimization Algorithm for Resource Allocation using Deep Neural Network in Ultra-Dense Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180309 |
|
RJ01 | Rejection of invention patent application after publication |