CN115102586A - 基于布谷鸟搜索及蚁群优化的波束选择方法及装置 - Google Patents
基于布谷鸟搜索及蚁群优化的波束选择方法及装置 Download PDFInfo
- Publication number
- CN115102586A CN115102586A CN202210690627.9A CN202210690627A CN115102586A CN 115102586 A CN115102586 A CN 115102586A CN 202210690627 A CN202210690627 A CN 202210690627A CN 115102586 A CN115102586 A CN 115102586A
- Authority
- CN
- China
- Prior art keywords
- individual
- user
- ant colony
- beam selection
- selection method
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000010187 selection method Methods 0.000 title claims abstract description 22
- 241000544061 Cuculus canorus Species 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 44
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 244000000626 Daucus carota Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000005770 birds nest Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 235000005765 wild carrot Nutrition 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0686—Hybrid systems, i.e. switching and simultaneous transmission
- H04B7/0695—Hybrid systems, i.e. switching and simultaneous transmission using beam selection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0868—Hybrid systems, i.e. switching and combining
- H04B7/088—Hybrid systems, i.e. switching and combining using beam selection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于布谷鸟搜索及蚁群优化的波束选择方法及装置,涉及移动通信技术技术领域,其中方法包括以下步骤:S1:获取备选波束方向集合B={B1,B2,...,BK}∈RK*C,其中B表示所有用户的备选波束方向集合,Bk表示用户k的备选波束方向集合,K表示总的用户数量,C表示各用户备选波束方向集合中波束的数量;S2:引入位置索引集合Xi={xi,1,xi,2,...,xi,k,...,xi,K}∈RK*1(i=1,2,...,M),其中xi,k表示个体i给用户k分配的波束为Bk中的第xi,k个元素,M表示一个种群内的个体数量等步骤;本发明可实现接近最优的系统和速率性能。
Description
技术领域
本发明涉及移动通信技术技术领域,更具体的说是涉及一种基于布谷鸟搜索及蚁群优化的波束选择方法及装置。
背景技术
目前,毫米波大规模MIMO系统具有大带宽、高数据传输速率、强频谱扩展能力和抗干扰能力等优势,成为5G中的一项极具潜力的关键技术。然而传统的MIMO系统需要为每根天线配备一条专用射频(Radio Frequency,RF)链,这导致毫米波大规模MIMO系统具有较高的硬件成本和能源消耗。为了减小所需RF链的数量,提出了基于离散透镜阵列(DiscreteLens Array,DLA)的波束空间MIMO系统,利用DLA将传统空间信道转换成波束空间信道,而波束空间信道具有稀疏性,只有少量主导波束对系统性能有较大贡献,因此有效的波束选择对于减少RF链数量和提高系统性能至关重要。
但是,现有技术中通常采用蚁群优化算法实现毫米波大规模MIMO系统的波束选择,首先为各用户分配一个备选波束集,然后在每次迭代中计算当前用户备选波束集中各波束被选择的概率,找出被选概率最大的波束分配给当前用户,然而ACO算法中存在的正反馈机制会使次优解占据优势,从而易使得算法陷入局部最优,从而较难寻求到全局最优解。
因此,如何提供一种能够解决上述问题的波束选择方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于布谷鸟搜索及蚁群优化的波束选择方法及装置,提出一种布谷鸟搜索(Cuckoo Search,CS)算法和ACO算法相结合的波束选择方案CSACO,首先基于全局搜索能力强的CS算法构建波束选择系统,然后引入局部搜索能力强的ACO算法对CS算法的随机解进行局部寻优,从而加快CS算法的收敛速度,同时CS算法中解的随机性也可防止ACO算法陷入局部最优,CS算法和ACO算法联合优化可使可行解朝向全局最优的方向进化,最终达到接近最优的系统和速率性能。
为了实现上述目的,本发明采用如下技术方案:
一种基于布谷鸟搜索及蚁群优化的波束选择方法,应用于毫米波大规模MIMO系统,所述毫米波大规模MIMO系统包括多个用户,包括以下步骤:
S1:获取备选波束方向集合B={B1,B2,...,BK}∈RK*C,其中B表示所有用户的备选波束方向集合,Bk表示用户k的备选波束方向集合,K表示总的用户数量,C表示各用户备选波束方向集合中波束的数量;
S2:引入位置索引集合Xi={xi,1,xi,2,...,xi,k,...,xi,K}∈RK*1(i=1,2,...,M),其中xi,k表示个体i给用户k分配的波束为Bk中的第xi,k个元素,M表示一个种群内的个体数量;
S3:对所述位置索引集合进行多次更新,通过获取xi,k与Bk之间的对应关系,从所述备选波束方向集合中寻找出为所述用户分配的波束方向;
S4:通过波束选择方法对个体进行迭代求解出全局最优解,完成波束选择。
优选的,所述S4具体包括:
S41:初始化种群个体,并通过Levy飞行生成随机解;
S42:通过蚁群优化方法对所述随机解进行局部寻优,比较所有个体适应度,保留质量高的个体为第一个体;
S43:对所述第一个体进行舍弃并随机生成新个体;
S44:比较所述新个体以及所述第一个体的适应度,并保留质量高的个体为第二个体;
S45:对所述第二个体判断是否满足迭代停止条件,若满足则计算所述第二个体的适应度,并保留质量最高的个体,即为全局最优解。
优选的,所述S45:对第二个体判断是否满足迭代停止条件,若满足则计算第二个体的,所述S45中还包括:若不满足则返回至所述步骤S41。
优选的,所述步骤S41中,生成随机解的具体公式为:
式中,式中,L(β)是Levy飞行的随机寻优路线,μ、v均是服从正态分布的随机数,β是参数偏度。
进一步,本发明还提供一种根据上述任一项所述的一种基于布谷鸟搜索及蚁群优化的波束选择方法的装置,包括:
获取模块,用于获取备选波束方向集合B={B1,B2,...,BK}∈RK*C,其中B表示所有用户的备选波束方向集合,Bk表示用户k的备选波束方向集合,K表示总的用户数量,C表示各用户备选波束方向集合中波束的数量;以及引入位置索引集合Xi={xi,1,xi,2,...,xi,k,...,xi,K}∈RK*1(i=1,2,...,M),其中xi,k表示个体i给用户k分配的波束为Bk中的第xi,k个元素,M表示一个种群内的个体数量;
更新模块,用于对所述位置索引集合进行多次更新,通过获取xi,k与Bk之间的对应关系,从所述备选波束方向集合中寻找出为所述用户分配的波束方向;
选择模块,用于通过波束选择方法对个体进行迭代求解出全局最优解,完成波束选择。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于布谷鸟搜索及蚁群优化的波束选择方法及装置,将所有分配给用户的波束组合起来构成种群中的个体,而对所有个体进行优化可同时考虑到各用户间的干扰并直接以最大化系统和速率为优化目标进行寻优。CS算法依据Levy飞行机制可搜索到较好的全局可行解,但其强随机性可能使CS算法在最优解附近震荡从而导致算法收敛速度慢;而ACO算法依据其较强的局部寻优能力可搜索到CS算法随机解附近的最优解,从而加快算法的收敛速度,同时全局可行解的强随机性也可防止ACO算法陷入局部最优。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种基于布谷鸟搜索及蚁群优化的波束选择方法的整体流程图;
图2为本发明实施例提供的步骤S4的具体执行流程图;
图3为本发明提供的一种基于布谷鸟搜索及蚁群优化的波束选择装置结构示意图;
图4为本发明实施例提供的各算法在不同信噪比条件下的可达和速率性能对比曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见附图1所示,本发明实施例公开了一种基于布谷鸟搜索及蚁群优化的波束选择方法,应用于毫米波大规模MIMO系统,所述毫米波大规模MIMO系统包括多个用户,包括以下步骤:
S1:获取备选波束方向集合B={B1,B2,...,BK}∈RK*C,其中B表示所有用户的备选波束方向集合,Bk表示用户k的备选波束方向集合,K表示总的用户数量,C表示各用户备选波束方向集合中波束的数量;
S2:引入位置索引集合Xi={xi,1,xi,2,...,xi,k,...,xi,K}∈RK*1(i=1,2,...,M),其中xi,k表示个体i给用户k分配的波束为Bk中的第xi,k个元素,M表示一个种群内的个体数量;
S3:对位置索引集合进行多次更新,通过获取xi,k与Bk之间的对应关系,从备选波束方向集合中寻找出为用户分配的波束方向;
S4:通过波束选择方法对个体进行迭代求解出全局最优解,完成波束选择。
设本实施例提供的方法共有Tmax次迭代,在第t次迭代中,对于用户k有N个可选的波束方向,但由于信道具有稀疏性,各用户对应的主导波束数目远小于N,故本方法设定用户k在每次迭代时可选的波束数目为C<<N,将用户k的备选波束集表示为BK={Ik,1,Ik,2,...,Ik,c,Ik,c+1,...,Ik,C}∈R1*C,其中Ik,c为用户k的第c个备选波束,则所有用户的备选波束集B={B1,B2,...,BK}∈RK*C。本方法根据最大幅度准则为各用户预先求出BK,且不同备选波束对应的信道功率幅值关系为其中表示用户k的第c个波束所对应的信道功率幅值。
为了保证每次迭代分配给用户k的波束均为BK中的元素,本方法引入一个新的位置索引集合,其中Xi={xi,1,xi,2,...,xi,k,...,xi,K}∈RK*1(i=1,2,...,M)表示一个种群内的个体数量(鸟巢数),xi,k表示个体i给用户k分配的波束为BK中的第xi,k个元素。在本实施例提供的方法的迭代过程中,对集合Xi不断进行更新,并且通过xi,k和BK的对应关系从中找出个体i为用户k分配的波束方向Gi,k,若Gi={Gi,1,Gi,2,...,Gi,K}∈RK*1使得的值越小,其中为波束空间信道矩阵,则认为个体i的质量越高,最终通过迭代求出质量最高的个体G。
参见附图2所示,在一个具体的实施例中,S4具体包括:
S41:初始化种群个体,并通过Levy飞行生成随机解;
S42:通过蚁群优化方法对随机解进行局部寻优,比较所有个体适应度,保留质量高的个体为第一个体;
S43:对第一个体进行舍弃并随机生成新个体;
S44:比较新个体以及第一个体的适应度,并保留质量高的个体为第二个体;
S45:对第二个体判断是否满足迭代停止条件,若满足则计算第二个体的适应度,并保留质量最高的个体,即为全局最优解。
在一个具体的实施例中,S45中还包括:若不满足则返回至步骤S41。
在一个具体的实施例中,步骤S41中,生成随机解的具体公式为:
式中,L(β)是Levy飞行的随机寻优路线,μ、v均是服从正态分布的随机数,β是参数偏度。
具体的,对种群P={X1,X2,...,XM}∈RK*M进行更新,且在算法第一次迭代时给所有用户分配的波束均是使得其信道功率幅值最大所对应的波束方向,因此初始化种群P1为全1矩阵。Levy飞行的随机游走策略满足其中表示个体i在第t代的取值,α指步长因子,表示点乘运算,L(β)是Levy飞行的随机寻优路线,其满足μ、v均是服从正态分布的随机数,μ、v是参数偏度,一般取1.5。Levy飞行利用强随机性在种群P1基础上进行随机游走并生成种群P2,然后把P2作为ACO算法初始值,使用ACO算法对P2进行局部寻优。为防止所有个体都进行局部寻优会使算法复杂度增加,故本方法仅从P2中抽取Q个个体进行局部寻优并生成种群P3,然后分别对P2和P3中所有个体求适应度,并在P2中替换掉局部寻优后质量提升的个体构成种群P4。
在现实环境中,布谷鸟蛋会有一定概率被宿主发现,故在算法中按照一定的概率Pα舍弃P4中的某些个体并随机生成新个体构成种群P5,然后分别对P4和P5中的所有个体求适应度,并在P4中替换掉“舍弃再生成”操作后质量提升的个体构成种群P6,得到种群P6后判断是否满足停止迭代条件,若不满足,则令P1=P6并重复上述步骤;若满足停止迭代条件,则找出P6中质量最高的个体,其中舍弃概率可以为0.25,“质量较高的个体”是能够使得D的值越小的个体。
传统的停止迭代条件是判断是否达到最大迭代次数Tmax,而这会导致一些低效率的迭代计算。为了进一步提升所提算法的效率,本发明实施例中引入一个新的停止迭代条件,即经过迭代得到的最优解(质量最高的个体)连续E次都不变时就停止迭代,除此之外,为了避免算法一直不收敛,当达到最大迭代次数Tmax时也让其停止迭代。
利用ACO算法对Levy飞行产生的随机解进行局部寻优,进一步提升Levy飞行产生的随机解的质量,较大程度避免CS算法在最优解附近发生震荡的问题,从而提高CS算法的收敛精度和收敛速度,同时随机性较强的Levy飞行机制也可防止ACO算法陷入局部最优。
参见附图3所示,本发明实施例还提供一种根据上述实施例任一项的一种基于布谷鸟搜索及蚁群优化的波束选择方法的装置,包括:
获取模块,用于获取备选波束方向集合B={B1,B2,...,BK}∈RK*C,其中B表示所有用户的备选波束方向集合,Bk表示用户k的备选波束方向集合,K表示总的用户数量,C表示各用户备选波束方向集合中波束的数量;以及引入位置索引集合Xi={xi,1,xi,2,...,xi,k,...,xi,K}∈RK*1(i=1,2,...,M),其中xi,k表示个体i给用户k分配的波束为Bk中的第xi,k个元素,M表示一个种群内的个体数量;
更新模块,用于对位置索引集合进行多次更新,通过获取xi,k与Bk之间的对应关系,从备选波束方向集合中寻找出为用户分配的波束方向;
选择模块,用于通过波束选择方法对个体进行迭代求解出全局最优解,完成波束选择。
为评估本实施例所提供的方法的波束选择方法性能,同时对比分析CSACO算法和现有的MM算法、IA算法、ACO算法性能。
仿真中,设置基站端天线数N=256,用户数K=32,RF链数NRF=K,根据SalehValenzuela信道模型来生成空间信道数据,信道参数设置如下:(1)多径数L=3;(2)Ak,l~N(0,1),其中Ak,l代表第k个用户在第l条路径的复增益和延迟;(3)其它参数配置如表1所示。
表1 CSACO算法主要参数配置
各算法在不同信噪比条件下的可达和速率如图4所示,除全数字预编码外,在信噪比较小时,各算法的可达和速率相差不大,但在信噪比较大时,本文所提CSACAO算法可达和速率比现有算法有所提升,这是因为CSACO算法结合了全局搜索和局部搜索的优点,能够使得可行解朝向全局最优的方向进化且不易陷入局部最优,从而相对其它算法能够搜索到质量较高的解。同时当用户数较少时,各用户之间的干扰也较小,故各算法为不同用户选择的波束方向基本一致,从而导致可达和速率相差较小,但在用户数增多时,用户间干扰随之增加,而CSACO算法将所有用户的波束组合起来构成可进化的个体,使其在充分考虑用户间干扰条件下搜索到较好的全局可行解。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于布谷鸟搜索及蚁群优化的波束选择方法,应用于毫米波大规模MIMO系统,所述毫米波大规模MIMO系统包括多个用户,其特征在于,包括以下步骤:
S1:获取备选波束方向集合B={B1,B2,...,Bk,Bk+1,...,BK}∈RK*C,其中B表示所有用户的备选波束方向集合,Bk表示用户k的备选波束方向集合,K表示总的用户数量,C表示每个用户的备选波束方向集合中波束的数量;
S2:引入位置索引集合Xi={xi,1,xi,2,...,xi,k,...,xi,K}∈RK*1(i=1,2,...,M),其中xi,k表示个体i给用户k分配的波束为Bk中的第xi,k个元素,M表示一个种群内的个体数量;
S3:对所述位置索引集合进行多次更新,通过获取xi,k与Bk之间的对应关系,从所述备选波束方向集合中寻找出为所述用户分配的波束方向;
S4:通过波束选择方法对个体进行迭代求解出全局最优解,完成波束选择。
2.根据权利要求1所述的一种基于布谷鸟搜索及蚁群优化的波束选择方法,其特征在于,所述S4具体包括:
S41:初始化种群个体,并通过Levy飞行生成随机解;
S42:通过蚁群优化方法对所述随机解进行局部寻优,比较所有个体适应度,保留质量高的个体为第一个体;
S43:对所述第一个体进行舍弃并随机生成新个体;
S44:比较所述新个体以及所述第一个体的适应度,并保留质量高的个体为第二个体;
S45:对所述第二个体判断是否满足迭代停止条件,若满足则计算所述第二个体的适应度,并保留质量最高的个体,即为全局最优解。
3.根据权利要求2所述的一种基于布谷鸟搜索及蚁群优化的波束选择方法,其特征在于,所述S45中还包括:若不满足则返回至所述步骤S41。
5.一种根据权利要求1-4任一项所述的一种基于布谷鸟搜索及蚁群优化的波束选择方法的装置,其特征在于,包括:
获取模块,用于获取备选波束方向集合B={B1,B2,...,BK}∈RK*C,其中B表示所有用户的备选波束方向集合,Bk表示用户k的备选波束方向集合,K表示总用户数量,C表示各用户备选波束集合中波束的数量;以及引入位置索引集合Xi={xi,1,xi,2,...,xi,k,...,xi,K}∈RK*1(i=1,2,...,M),其中xi,k表示个体i给用户k分配的波束为Bk中的第xi,k个元素,M表示一个种群内的个体数量;
更新模块,用于对所述位置索引集合进行多次更新,通过获取xi,k与Bk之间的对应关系,从所述备选波束方向集合中寻找出为所述用户分配的波束方向;
选择模块,用于通过波束选择方法对个体进行迭代求解出全局最优解,完成波束选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210690627.9A CN115102586B (zh) | 2022-06-18 | 2022-06-18 | 基于布谷鸟搜索及蚁群优化的波束选择方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210690627.9A CN115102586B (zh) | 2022-06-18 | 2022-06-18 | 基于布谷鸟搜索及蚁群优化的波束选择方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115102586A true CN115102586A (zh) | 2022-09-23 |
CN115102586B CN115102586B (zh) | 2024-04-05 |
Family
ID=83291021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210690627.9A Active CN115102586B (zh) | 2022-06-18 | 2022-06-18 | 基于布谷鸟搜索及蚁群优化的波束选择方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115102586B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165542A (zh) * | 2023-03-01 | 2023-05-26 | 上海玫克生储能科技有限公司 | 一种电池参数的辨识方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100330922A1 (en) * | 2009-06-26 | 2010-12-30 | Huawei Technologies Co., Ltd. | User selection method and apparatus for multiuser multiple-input multiple-output |
CN110311719A (zh) * | 2019-07-31 | 2019-10-08 | 安徽大学 | 一种应用于毫米波大规模mimo系统的波束选择方法及其装置 |
CN113708804A (zh) * | 2021-07-28 | 2021-11-26 | 广州大学 | 基于鲸鱼算法的用户调度和模拟波束选择优化方法 |
-
2022
- 2022-06-18 CN CN202210690627.9A patent/CN115102586B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100330922A1 (en) * | 2009-06-26 | 2010-12-30 | Huawei Technologies Co., Ltd. | User selection method and apparatus for multiuser multiple-input multiple-output |
CN110311719A (zh) * | 2019-07-31 | 2019-10-08 | 安徽大学 | 一种应用于毫米波大规模mimo系统的波束选择方法及其装置 |
CN113708804A (zh) * | 2021-07-28 | 2021-11-26 | 广州大学 | 基于鲸鱼算法的用户调度和模拟波束选择优化方法 |
Non-Patent Citations (4)
Title |
---|
ABDUL QUAIYUM ANSARI等: "Comparison and analysis of solving travelling salesman problem using GA, ACO and hybrid of ACO with GA and CS", 2015 IEEE WORKSHOP ON COMPUTATIONAL INTELLIGENCE: THEORIES, APPLICATIONS AND FUTURE DIRECTIONS (WCI) * |
张海南等: "交互式学习的布谷鸟搜索算法", 计算机工程与应用, no. 07 * |
张烈平等: "基于蚁群算法优化的布谷鸟搜索算法", 微电子学与计算机, vol. 35, no. 12, pages 3 * |
汪银等: "基于改进离散布谷鸟搜索算法的毫米波大规模MIMO系统波束选择", 数据采集与处理, no. 02 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165542A (zh) * | 2023-03-01 | 2023-05-26 | 上海玫克生储能科技有限公司 | 一种电池参数的辨识方法、装置、设备及存储介质 |
CN116165542B (zh) * | 2023-03-01 | 2023-10-20 | 上海玫克生储能科技有限公司 | 一种电池参数的辨识方法、装置、设备及存储介质 |
US12222395B2 (en) | 2023-03-01 | 2025-02-11 | Shanghai Makesens Energy Storage Technology Co., Ltd. | Method, apparatus and device for identifying battery parameters and storage medium |
Also Published As
Publication number | Publication date |
---|---|
CN115102586B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109104225B (zh) | 一种能效最优的大规模mimo波束域多播传输方法 | |
CN110166090B (zh) | 能效最优的大规模mimo下行单播波束域功率分配方法 | |
CN111901862A (zh) | 一种基于深度q网络的用户分簇与功率分配方法、设备和介质 | |
Ozfatura et al. | Coded distributed computing with partial recovery | |
Awan et al. | Detection for 5G-NOMA: An online adaptive machine learning approach | |
CN110690914B (zh) | 一种基于物理层安全的毫米波大规模mimo-noma系统下混合预编码设计方法 | |
CN109194373A (zh) | 一种大规模mimo波束域联合单播多播传输方法 | |
CN110933757B (zh) | 基于时间反演的wpcn系统的抗干扰资源分配方法 | |
CN107181511A (zh) | 一种毫米波mimo系统的混合预编码方法及系统 | |
CN110311715A (zh) | 能效最优的大规模mimo非正交单播多播传输功率分配方法 | |
CN114626229A (zh) | 智能反射面辅助的无线通信与能量收集系统性能分析方法 | |
CN110311719A (zh) | 一种应用于毫米波大规模mimo系统的波束选择方法及其装置 | |
CN115243382A (zh) | Ris辅助边缘计算的去蜂窝网络用户公平性资源分配方法 | |
Ye et al. | Unsupervised learning for joint beamforming design in RIS-aided ISAC systems | |
CN115102586A (zh) | 基于布谷鸟搜索及蚁群优化的波束选择方法及装置 | |
Xu et al. | Deep reinforcement learning for communication and computing resource allocation in RIS aided MEC networks | |
CN117857265A (zh) | 一种基于对称移位互质阵列的近场信道估计方法及系统 | |
CN110082731A (zh) | 一种连续相位的mimo雷达最优波形设计方法 | |
CN117793927B (zh) | Active-RIS辅助的多播组认知通信系统及其公平资源分配方法 | |
Vinothini et al. | Intelligent omni surface assisted wireless information and power transfer | |
Li et al. | Optimization of broadcast beams in massive MIMO: Learning from a digital twin | |
Zhang et al. | Cache-aided MEC with the assistance of intelligent reflecting surface | |
CN116133009A (zh) | 联合irs和无线供电的系统后向链路优化方法及系统 | |
Park et al. | Joint User Pairing and Beamforming Design of Multi-STAR-RISs-Aided NOMA in the Indoor Environment via Multi-Agent Reinforcement Learning | |
CN113722915B (zh) | 一种水下弱光信号检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |