基于粒子群算法的认知无线电频谱分配算法

合集下载

认知无线电中无线电频道实时分配算法研究

认知无线电中无线电频道实时分配算法研究无线电是一种利用电磁波进行信息传输的技术，其常见应用包括无线电广播、卫星通信和移动通信等。

在无线电通信中，无线电频道是一个非常重要的概念。

无线电频道是指在一定的频率范围内进行信息传输的通道。

不同的频道可以支持不同的通信协议和速率。

因此，如何实时分配无线电频道是一个具有挑战性的问题，也是无线电通信中的一个重要研究方向。

在传统的无线电通信中，无线电频道的分配是由固定的时隙和频段组合而成的。

这种方法通常可以满足较低的通信要求，但对于大规模网络通信来说，存在很多的限制。

例如，网络中存在大量的并发通信需求，传统的时隙分配方法会产生很多的冲突和资源浪费，从而使网络性能下降。

为了解决无线电频道实时分配问题，研究人员提出了一系列的算法和技术。

其中，认知无线电技术是一种很有潜力的解决方案。

认知无线电技术通过感知网络中的未使用频段，并将这些频段分配给需要通信的设备，以提高网络资源的利用率和性能。

认知无线电技术不仅可以提高网络的容量，还可以使得网络更加灵活和适应不同的环境变化。

在认知无线电中，频谱感知和频谱分配是两个核心的问题。

频谱感知是指通过无线电设备来检测当前频谱的占用情况和状况。

频谱分配是指根据检测到的频段信息，为需要通信的设备分配可用的频段。

对于频谱感知技术，一些成熟的算法已经被提出，例如能量检测法和周期性信道检测法。

其中，周期性信道检测法是一种更加准确和高效的方法，它通过对信道中的信号进行解调和调制，能够在低信噪比环境下实现频谱感知。

对于频谱分配技术，目前已经有许多算法被提出。

其中，基于竞价的频谱分配算法是一种比较流行的方法。

该算法将无线电频段看作是一种资源，然后为需要通信的设备分配资源。

在分配资源时，设备可以根据自身的需求进行出价，然后竞争获得所需的资源。

此外，还有一些其他的算法和技术用于无线电频道实时分配。

例如，机器学习技术可以通过对不同频段的特征进行分析和预测，来预判未来的频段状况并进行频段分配。

基于杂交粒子群算法的认知无线电功率控制问题的研究与设计

基于杂交粒子群算法的认知无线电功率控制问题的研究与设计1. 引言1.1 概述无线电通信技术的快速发展带来了更高的数据传输需求和频谱资源利用压力。

为了有效提高频谱利用率和满足不断增长的通信需求，认知无线电（Cognitive Radio，CR）应运而生。

认知无线电通过对周围无线电环境进行感知与分析，实现自适应、智能和高效率的频谱管理。

在认知无线电系统中，功率控制是关键技术之一。

它通过调整终端设备的发射功率来优化接收到的信号质量以及减小干扰程度。

然而，由于无线环境中信号传播受多种因素影响较大且动态变化，如路径损耗、干扰等，使得正确确定最优功率配置成为一个复杂的优化问题。

1.2 文章结构本文基于杂交粒子群算法对认知无线电功率控制问题进行深入研究与设计。

首先，在“2. 杂交粒子群算法的介绍”部分介绍了粒子群算法和杂交粒子群算法原理，并讨论了其在其他领域中的广泛应用。

接着，在“3. 认知无线电功率控制问题研究概述”部分，简要介绍了认知无线电系统的基本概念和功率控制在其中的重要性，以及现有的功率控制方法进行了综述。

随后，在“4. 基于杂交粒子群算法的认知无线电功率控制设计与实现”部分，具体描述了问题描述和数学建模，并详细阐述了杂交粒子群算法在认知无线电功率控制中的应用方案设计。

最后，在“5. 结论与展望”部分，对本文的主要研究成果进行总结，并指出了研究存在的不足以及未来工作展望。

1.3 目的本文旨在通过对杂交粒子群算法在认知无线电功率控制问题中的应用研究与设计，提出一种新颖、高效的功率控制方案。

通过优化发射功率配置，提高系统容量和频谱利用效率，减小干扰程度，同时保证用户之间的通信质量。

这将为实际认知无线电网络实施提供可行性参考，并为相关领域研究人员提供借鉴和改进方向。

2. 杂交粒子群算法的介绍：2.1 粒子群算法概述粒子群算法（Particle Swarm Optimization，PSO）是一种模仿鸟群或鱼群等生物集体行为而设计的优化算法。

认知无线电中联合功率控制的动态频谱分配算法

认知无线电中联合功率控制的动态
频谱分配算法
认知无线电中联合功率控制的动态频谱分配算法是一种新型的动态频谱分配算法，它可以有效地提高无线电系统的性能。

该方法基于认知无线电技术，采用联合功率控制策略，实现动态频谱分配。

认知无线电中联合功率控制的动态频谱分配算法主要包括三个部分：信道估计、信道分配以及功率控制。

首先，通过信道估计，可以准确的获得认知无线电中的信道容量和质量，从而有效的协调子节点之间的信道使用情况；其次，通过信道分配，可以根据子节点的需求分配不同的信道，并尽可能提高利用率；最后，通过功率控制，可以根据子节点的当前信道使用情况，动态调整功率来提高发送效率，从而提高信道利用率。

认知无线电中联合功率控制的动态频谱分配算法可以有效地提高系统性能，具体表现在：首先，可以改善子节点的频谱使用效率；其次，将可以增加系统的容量，有效降低系统的信道分配时间；最后，可以提高系统的信号覆盖范围，并有效降低系统的干扰水平。

此外，认知无线电中联合功率控制的动态频谱分配算法还可以有效的抑制随机噪声，使系统稳定工作，并有效抑制了蜂窝网络中的传输层抗扰能力，从而提高系统的性能。

总之，认知无线电中联合功率控制的动态频谱分配算法是一种新型的动态频谱分配算法，可以有效地提高无线电系统的性能，提高系统的容量，降低系统的信道分配时间，提高系统的信号覆盖范围，有效抑制了系统的随机噪声，提高系统的传输层抗扰能力，从而获得良好的系统性能。

认知无线电中的并行频谱分配算法

维普资讯
第２卷第７期９２００７年７月
电子
与
信
息
学
报
、．９．ｂ１ＮＯ７２
Ｊｕｎｌｏｅｔｏｉｓ＆ＩｆｒｔｏｃｎｌｇｏｒａｆＥｌｃｒｎｃｎｏｍａｉｎＴｅｈｏｏｙ
Ｊ１２０ｕ．０７
（ａｏａＫｙａｏａｏｙｆｏｍｎｃｔｎＵｉｒｔｏｌｔｎｃｃｎｅｎｅｎｌｙｏｈｎ，Ｎｔｎｌｅｂｒｔｍｕｉｉ，ｎｖｓｙＥｅｒｉＳｉｃａｄＴｃｏｇＣｉａｉＬｒｏＣａｏｅｉｆｃｏｅｈｏｆＣｅｇｕ１０４Ｃｉａｈｎｄ０５，ｈｎ）６
缩短分配周期，从而适应了认知无线电对环境的快速感知的要求。仿真结果分析验证了结论的正确性。
关键词：认知无线电；开放式频谱分配；图论着色；并行算法中图分类号：Ｔ１．５Ｎ９５６文献标识码：Ａ文章编号：１０ —８６２０）７ｌ０—４０９５９ｆ０７０＿６８０
ｒｑｉｅｎｆｃｇｉｉｅｒｉ．ｓｌｓｏｉｌｔｏｎａｙｉｐｏｅｔｓｃｎｌｓｏｅｕｒｍｅｔｏｏｎｔｖａｏＲｅｕｔｆｓｍｕａｉｎａｄａｌｓｓｒｖｈｉｏｃｕｉｎ．ｄｎＫｅｒｓｙｗｏｄ：ＣｏｎｔｖａｉＯｐｅｐｃｒｍｌｃｔｏ；Ｇｒｐ — ｏｏｉｇＰａａｌｌａｇｒｔｍｇｉｉｅｒｏ；ｄｎｓｅｔｕａｏａｉｎｌａｈｃｌｒｎ；ｒｅｌｏｉｈｌ

基于智能算法的无线电频谱分配与管理技术研究

基于智能算法的无线电频谱分配与管理技术研究无线电频谱作为无线通信的基础资源，其分配与管理一直以来都是无线通信技术研究的重要课题。

随着信息技术的快速发展和无线通信系统的迅猛增长，频谱资源的短缺现象日益凸显。

为了更有效地利用有限的频谱资源并满足日益增长的通信需求，基于智能算法的无线电频谱分配与管理技术得到了广泛研究。

智能算法在无线电频谱分配与管理中的应用，可以分为两大类：基于传统算法的智能优化和基于机器学习的无线电频谱管理。

在基于传统算法的智能优化中，主要采用了遗传算法、粒子群算法、模拟退火算法等优化算法来解决频谱分配问题。

这些优化算法通过建立数学模型，将无线电频谱优化问题转化为数学优化问题。

通过将问题的约束条件、目标函数和决策变量等参数输入到算法中，通过计算得到最优解，从而实现无线电频谱的高效分配和管理。

这些传统算法在无线电频谱分配与管理中取得了一定的成果，但面对复杂的无线环境和多样化的通信需求，其效果受到了一定的限制。

基于机器学习的无线电频谱管理是近年来的研究热点之一。

机器学习是一种通过学习和迭代的方式，从数据中自动识别模式并做出决策的方法。

在无线电频谱分配与管理中，机器学习可以通过对大量的无线环境数据进行学习和训练，自动调整频谱资源的分配方式，以最大程度地提高频谱利用率。

目前，常见的基于机器学习的无线电频谱管理方法包括深度强化学习、支持向量机、随机森林等。

这些方法通过构建复杂的模型，能够动态地分析无线环境及通信需求，并据此做出相应的频谱分配决策。

例如，深度强化学习可以通过对无线环境的感知和理解，自主地调整频谱资源的分配策略，并不断优化以提高频谱利用率。

然而，基于智能算法的无线电频谱分配与管理技术还面临一些挑战。

首先是数据需求的问题。

机器学习方法需要大量的无线环境数据进行训练，但目前由于频谱监测数据的获取和共享等问题，数据集相对较小。

其次是算法复杂性的挑战。

虽然智能算法可以提高频谱利用率，但其计算复杂性较高，需要大量计算资源和时间。

改进鲸鱼算法在认知无线电频谱分配中的应用

第38卷第4期计算机仿真2021年4月文章编号：1〇〇6- 9348(2021)04 - 0431 -06改进鲸鱼算法在认知无线电频谱分配中的应用徐航，张达敏'王依柔，宋婷婷(贵州大学大数据与信息工程学院，贵州贵阳550025)摘要:在当前无线通信系统中，频谱分配的不合理降低了无线频谱资源的利用率，而认知无线电技术被认为是解决当前频谱资源和无线业务请求矛盾的有效途径。

针对传统算法易陷人局部最优解，收敛速度慢等问题，提出一种改进鲸鱼算法（Improved Whale Optimization Algorithm，IWOA) ，首先提出了一种混合反向学习策略和一个非线性收敛因子，提升了算法对最优解的搜索能力，然后提出一个自适应概率阈值和自适应权重，提高了算法的收敛速度和寻优能力，最后针对系统的系统效益和公平性与原始鲸鱼算法、粒子群算法和遗传算法对比仿真。

结果表明，在频谱分配时，改进鲸鱼算法在收敛速度、系统效益、认知用户接入公平性等方面性能都优于其它算法。

关键词:认知无线电;频谱分配;鲸鱼算法;透镜成像反向学习；系统效益中图分类号:TN802 ;TP301. 6 文献标识码：BApplication of Improved Whale Algorithm in CognitiveRadio Spectrum AllocationXU Hang, ZHANG Da - min *, WANG Yi - rou, SONG Ting - ting(C o lleg e of Big D ata and Inform ation E ng in eerin g,G u izh o u U n iversity,G uiyang 550025,C h in a)A B S T R A C T：In current w ireless com m unication sy ste m s,th e u nreasonable allocation of spectrum red u ces the utilization of w ireless spectrum re so u rc e s,and cognitive radio technology is considered to be an effective way to resolve the contradiction betw een current spectrum resources and w ireless service req u e sts.A im ing at the problem that the traditional algorithm is easy to fall into the local optim al solution and the convergence speed is slo w,a n im proved W hale O ptim ization Algorithm (IW O A)w as proposed.F irs t,a hybrid reverse learning strategy and a n onlinear convergence factor w ere proposed.T he algorithm searched for the optim al so lu tio n,th en proposes an adaptive probability threshold and adaptive w eig h t,w hich im proved the convergence speed and optim ization ability of the algorithm.F in a lly,fo r the system benefits and the fairness of the sy ste m,th e sim ulationw as com pared with th e original w hale algorithm and p article sw arm pared with the sim ulation of the genetic alg o rith m,the results show th at the perform ance of the im proved w hale algorithm is b etter than o ther algorithm s in term s of convergence s p e e d,system efficien cy,and cognitive u ser access fairn ess.K E Y W O R D S：Cognitive radio；Spectrum a llo catio n；W O A；Lens im aging reverse le a rn in g；System b e n e fit；i引言随着当前无线业务的快速发展，无线通信将面临着新业务可用资源日益稀缺和授权频谱利用率不高共存的局面。

认知无线电中基于频谱聚合的频谱分配算法

【ｂｔａｔＩｏｅｔｌｏｎｔｅｕｅｓｃｅｓｌｃｔｐｃｕａｄｕｃｓｕｌａｄｆｈｒｍｒｅｔｆｃｎｙｏｓｅｔｍｕｌａｏ．Ａｓｃ】ｎｒｒｏｅｃｇｉｖｓｒａｃｓａｏａｄｓｅｔｍｂｎｓｓｃｅｓｌｎ￣ｅｐｖｅｅｉｃｆｐｃｕｔｚｉａｒｄｔｉｌｅｒｆｙｕｉｏｈｉｅｒｉｔｎｉ
ｔｅｐｏｏｅｌｏｉｈｃｎａｈｅｅｇｅｔｒｐｒｏａｃｎｔｅｐｒｅｔｇｈｔｃｇｉｉｅｕｅｓａｃｓｅｗｏｋ．ｈｒｐｓｄａｇｒｔｍａｃｉｖｒａｅｅｆｒｎｅｉｈｅｃｎａｅｔａｏｎｔｖｓｒｃｅｓｎｔｒｓｍ
【摘要】为了使认知用户可成功接入分配的频谱，进一步提高频谱利用率，出了一种基于频谱聚合的分布式频谱分配算法提（ＡＳ，算法以图论着色为模型，ＳＤＡ）该算法过程考虑了认知用户的带宽需求和认知设备的最大聚合范围，真结果表明了该算仿
并在不对主用户造成干扰的前提下使用这些频谱。
频谱分配作为认知无线电中非常关键的技术之一，目
用的是集中式的分配方式，算法假设每个认知用户的可用
前对其已经有了很多研究。文献［］３中提出了一种颜色敏频谱是相同的，这与实际的认知网络并不相符。本文利用感图论着色（ＳＣ）法，ＣＧ算该算法考虑到了各认知用户可图论着色模型，出了一种基于频谱聚合的分布式频谱分提用频谱的差异性和频谱效益的差异性，并分析了在协作式配算法。算法考虑了认知用户的带宽需求和认知设备有和非协作式条件下频谱分配的差异。文献［］４提出了一种限的频谱聚合范围。分布式局部议价的分配算法，在新的频谱分配过程中考虑先前的频谱分配信息，据上一次分配的结果，根能够通过

一种认知无线电频谱分配的精英量子狼群算法

CR 中有授权用户和认知用户，授权用户拥有信道的固定使用权，认知用户即次用户，当授权用户使用某
个信道时，次用户不得再占用该信道，当信道处于空闲状态时，次用户才能争取该信道的使用权。对次用户合理地分配信道可以让认知用户合理地使用频谱资源并进行通信，缓解频谱资源使用的紧张形势。 [5⁃6] 然而目前，虽然频谱分配算法一定程度上提高了频谱分配的公平性，但是系统网络效益较低。
为优化 CR 的网络效益，本文设计了图论着色模型，在传统狼群算法基础上提出了精英量子狼群算法（Elite Quantum Wolf Pack Algorithm，EQWPA），该算法结合了量子进化、精英选择与狼群算法。狼群算法（Wolf Pack Algorithm，WPA）是模拟狼群围捕猎物行为的一种仿生学智能算法，该算法已经被广泛应用于人工
敛速度。在仿真实验中，将精英量子狼群算法与蚁群算法、遗传算法进行对比。实验结果表明，在次用户数为 15 且频谱数
为 20 时，精英量子狼群算法优化过的网络效益值比遗传算法高 10.68%，比蚁群算法高 23.97%，证明所提算法加快了算法收
敛的速度，有效提高了网络效益和吞吐量。
关键词：认知无线电；频谱分配；狼群算法；图论模型；量子计算；精英选择
（College of Information Science and Technology，Shihezi University，Shihezi 832000，China）
Abstract：In order to improve utilization of the spectrum resources in cognitive radio，a graph⁃coloring model is designed， and an elite quantum wolf pack algorithm （EQWPA） which combines quantum computation and elite selection operator is proposed. Quantum encoding and quantum rotation gate update are used to improve the diversity and optimization ability of population. Elite selection operator is used to improve the convergence speed of the proposed algorithm. In the simulation experiment，the proposed algorithm was compared with ant colony optimization and genetic algorithm. The results show that the benefit value of the network optimized by EQWPA is 10.68% higher than that of genetic algorithm and 23.97% higher than that of ant colony optimization when the number of secondary users is 15 and the number of spectrums is 20. The proposed algorithm accelerates the convergence speed of the calculation，and improves the network benefit and throughput capacity effectively.

基于粒子群优化的认知无线电功率分配算法

基于粒子群优化的认知无线电功率分配算法
王宏志;姜方达;周明月
【期刊名称】《吉林大学学报（理学版）》
【年(卷),期】2018(056)006
【摘要】针对认知无线电网络(CRN)中主用户(PU)的干扰功率阈值、次用户(SU)的传输速率限制和信干噪比(SINR)需求,提出一种基于蒸发因子的粒子群优化(LTPSO)算法,其中蒸发因子根据粒子群学习因子设定,建立新的粒子群记忆形式,并对适应度值按比例进行筛选.仿真结果表明,LTPSO算法获得了较好的优化效果.【总页数】5页(P1483-1487)
【作者】王宏志;姜方达;周明月
【作者单位】长春工业大学计算机科学与工程学院,长春130012;长春工业大学计算机科学与工程学院,长春130012;长春工业大学计算机科学与工程学院,长春130012
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于模拟退火粒子群的认知无线电功率分配算法 [J], 姜方达;王宏志;周明月
2.基于鲁棒的认知无线电功率分配算法 [J], 朱孟;王宏志;周明月;柏杨
3.基于OFDM的认知无线电子载波功率分配算法 [J], 吴剑;杨龙祥;刘旭
4.基于OFDM的认知无线电系统最优功率分配算法 [J], 曹亚君;陈晓伟;宋延涛
5.基于OFDM的认知无线电系统中功率分配算法 [J], 杨守义; 宋延涛; 陈泽先; 陆彦辉
因版权原因，仅展示原文概要，查看原文内容请购买。

基于认知无线电技术的无线网络资源分配算法研究

基于认知无线电技术的无线网络资源分配算法研究近年来，随着无线通信的迅速普及和无线网络的不断升级，人们对于无线资源分配算法的研究和改进也越来越重视。

其中，基于认知无线电技术的无线资源分配算法备受关注，成为了无线网络领域的热门话题。

本文将对基于认知无线电技术的无线网络资源分配算法进行深入探讨。

一、无线网络资源分配的意义和难点在无线网络中，无线资源的分配是一项极为重要的任务。

合理的资源分配可以有效提高网络的带宽利用率和数据传输效率，使用户享受到更加优质的网络体验。

但是，在实际应用中，无线资源的分配却面临着多种难点。

其中，最常见的问题是网络的拥塞现象和资源的浪费现象。

这两个问题的产生原因是因为无线网络中各个节点之间的数据流量和带宽分配方案不够公平和高效，导致网络资源的利用效率低下。

二、基于认知无线电技术的无线资源分配算法的概述基于认知无线电技术的无线资源分配算法是一种新型的无线资源管理技术。

该技术可以对无线网络中的频谱资源进行扫描、分析和检测，并根据不同的网络规模、节点数量和数据传输速度等因素，合理地分配无线网络资源。

具体来说，基于认知无线电技术的无线网络资源分配算法可以将无线网络中的节点分为主节点和从节点两种类型。

主节点负责对无线网络中的频谱资源进行扫描和识别，然后将识别结果传递给从节点。

从节点则根据主节点的扫描结果，共同合作完成分配无线资源的任务。

通过这种方式，可以实现网络资源的高效利用和公平分配。

三、基于认知无线电技术的无线资源分配算法的优势和挑战基于认知无线电技术的无线资源分配算法相比传统的无线网络资源分配算法，拥有以下几个优势：1. 远距离识别：无线资源的识别和分配过程可以实现远距离的无缝自动化操作，提高了分配效率和性能。

2. 延迟低：节点之间的数据传输速度更快，延迟时间更小，可以缩短用户访问网络的响应时间。

3. 负载均衡：通过对无线资源的细致分配，可以实现节点之间的负载均衡，防止网络出现不平衡现象。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＺＨＡＮＧｉｗｅ一。Ｂｅ．ｉ，ＺＨＵｎ．ｏｇ一．Ｙｕ１ｎＨＵｎ．ｕｎ ’ Ｋｕｙａ
（．ｈｎａｇＩｓｔｔｏｕｏａｉ，ＣｉｅｃｄｍＳｉｃｓｈｎａｇＬａｎｎ１０６ｈｎ；１ＳｅｙｎｎｔｕｉｅｆＡｔｍｔｎｈｎｓＡａｅｙｏｃｎｅｏｅｆｅ，Ｓｅｙｎｉｏｉｇ１０１，Ｃｉａ
２．
ＬｂｒｔｒＩｄｓｉｌｎｏｍａｉ，ｈｎａｇＩｓｔｔｏｕｏａｉｎｈｎａｇＬａｎｎ１０６ｈｎａｏａｏｙｏｎｕｔａｆｒｔｓＳｅｙｎｔｕｅｆＡｔｍｔ，Ｓｅｙｎｉｏｉ１０１，Ｃｉａｆｒｌｃｎｉｏｇ３ＧａｕｔＵｉｒｔｈｎｓｃｄｍｙｏｉｃｓｅｉ００９ｈｎ）．ｒｄａｅｎｅｉｏＣｉｅａｅＳｅｅ，Ｂｉｎ１０３，ＣｉａｖｓｙｆｅＡｆｃｎｊｇ
ｄｉ１．７４Ｓ．．０７２１．３８ｏ：０３２／ＰＪ１８．００１４１
基于粒子群算法的认知无线电频谱分配算法
张北伟Ｉ朱云龙，＇，２胡琨元
（．１中国科学院沈阳自动化研究所，阳１０１沈１０６；２沈阳自动化研究所工业信息化实验室，．沈阳１０１；１０６３中国科学院研究生院，．北京１０３）００９
（ｅｗｉａｇｓ．ｎｂｉｅｈｎ＠ｉｃ）ｚａ
摘
要：对认知无线电空闲频谱分配过程中整体性能优化问题，针建立了频谱资源受限情况下实现系统总带宽
收益最大化、认知用户接入公平性最优的多目标模型，并结合问题特点设计了基于粒子群优化算法的智能求解算法，
给出了具体的实施步骤。从系统总带宽收益、用户接入公平性和系统整体性能３个方面，仿真比较分析了所提算法同协作最大化带宽总收益和协作最大化比例公平性准则下的敏感图着色算法的性能，结果表明该方法实现了系统总带宽收益和用户公平性的折中，整体性能优于敏感图着色算法。
ｗｔｔｅｏｏＳｎｉｖＧａｈＣｌｒｇ（ＳＣ）ａｏｉｍｕｄｒｈＣｌｂｒｔｅＭ —ｕ — ｅａｄ（ＳＭ）ａｄｉｈＣｌ－ｅｓｉｅｒｏｉｈｒｔｐｏｎＣＧｌｒｈｎｅｅｏａｏａｖ— ａＳｍＲｗｒＣＵｇｔｔｌｉｘｎ
关键词：知无线电；认频谱分配；着色；图论粒子群优化算法
中图分类号：Ｎ２Ｔ３１９Ｔ９；Ｐ９．文献标志码：Ａ
Ｓｅｔｕａｓｇｍｅｔａｇｒｔｍａｅｎｐｃｒｍｓｉｎｎｌｏｉｈｂｓｄｏ
ｐｒｉｌｗａｍｐｔｍｉａｉｎｆｒｃｇｔｖａｉａｔｃｅｓｒｏｉｚｔｏｏｏｎｉｉｅｒｄｏ
ＣｌｂｒｔｅＭａ—ｒｏｔｎｌａ（ＭＦｒｌｓｗｉｏｋｓｓｍ’ ｏｌｂｎｗｄｅｅｔｓｃｎｓｒＳａｃｓｏａｏａｖ— ｘＰｏｒｏａＦｉＣＰ）ｕｅ，ｈｈｔｏｙｔｌｉｐｉ — ｒｃｅｓｔｔａｄｉｔｂｎｆ，ｅｏｄｕｅ’ ｃｅｓａｈｉ
ｇｅ，ｗｉａｅｎＰｒｃｗｒｐｉｚｔｎ（Ｓ）ｉｕａｏｓｗｒｃｎｕｔｏｃｍａｅｐｏｏｅｅｏｉｎｈｈｉｂｓｄｏａｉｅＳａＯｔａｉＰＯ．Ｓｍｌｔｎｅｅｏｄｃｄｔｏｐｒｔｒｐｓｄｍｔｄｖｃｓｔｌｍｍｉｏｉｅｅｈｈ
Ａｓｒｃ：Ａｍｌ—ｂｅｔｐｉｚｔｎｍｄｌａｏｓｕｔｄｃｎｅｎｎｅｖｒｌｐｒｒｎｅｐｉｚｔｎｐｏｌｆｂｔａｔｕｔｏｊｃｏｔａｏｏｅｗｓｎｔｃｅｏｃｒｉｇｔｅａｅｏｍａｃｔａｉｒｂｍｏｉｍｉｉｃｒｈｏｌｆｏｍｉｏｅ
第３１卷第１２期
２１０１年ｌ２月
计算机应Байду номын сангаас用
ＪｕｎｌｏｏｕｅｐｉａｉｎｏｒａｆＣｍｐｔｒＡｐｌｔｓｃｏ
Ｖｏ．Ｎｏ．２１３１１
Ｄｅ．０１ｃ２１
文章编号：０１９８（０１１１０ — ０１２１）２—３８０１４— ３
ｃｇｉｏａｉｙｔｍｎｔｅｐｏｅｓｏｌａｄｌｃｔｎｈｄｌｅｌｅｅｍａｉｚｔｎｏｙｔｍ’ ｏａａｄｉｔｏｎｔｎｒｄｏｓｓｉｅｉｒｃｓｆｄｅｂｎｓａｌａｉ．ＴｅｍｏｅａｉｄｔｘｍｉａｉｆｓｈｉｏｏｒｚｈｏｓｅＳｔｔｌｎｗｄｈｂ
ｂｅｅｔａｅｏｄｕｅ ’ＳａｃｓａｒｅｓＡｎｉｔｌｉｅｐｉｚｔｏａｇｒｔｎｆｎｄｓｃｎｓｒｃｅｓｆｉｓ．ｉｎｎｅｌｇｎｔｏｔｍｉａｉｎｌｏｈｍｓｗｅｌｓｔｏｃｅｅｉｌｍｅｔｔｏｒｉａｌｉｃｎｒｔｍｐｅｎａｉｎｗｅｅａｓ