一种基于改进遗传算法的资源分配策略
基于改进的遗传算法软硬件划分方法研究
传算法 ， 遗传算法是 以达尔文的 自然选择和优胜 劣汰的生物 进 化理论为基础 的。和传统的搜索算法不 同， 遗传算 法从 一 组 随机产生的成为种群 （ ｏ ｕ ｔ ｎ 的初始解开始搜 索。种 Ｐｐｌｉ ） ａｏ 群中的每一个体都是 问题的一个解 ， 为染色体 ， 称 这些 染色
早熟收敛是遗传算法最严重 的一个问题 ， 保持群体 的多 样性 可以有效地防止群体 的早熟 收敛 ， 而且种群多样性也是
统 的软 硬 件 分 开设 计 的 方 法 已经 不在 适 合 ＳＨ 计 的 需要 ， 。设 ｃ 而软 硬 件 协 同设 计 技 术 很 好 解 决 了传 统 设 计 方 法所 不
能解 决的 问题 。软硬件 划分方 法是软硬件协 同设计 中的一个 关键 问题 ， 基 于多 目标 的遗传 算法 出发 ， 从 主要做 了 两方 面的改进 ： 一方 面引入 小生境技 术 ， 进一步优 化 了算法； 另一方面是 引入精英保持 策略 ， 保证 了算法的收敛性 。 关键词 ：Ｏ 软硬件划分 ； Ｓ Ｃ； 遗传算法 ； 小生境技术 ； 精英保持策略
体在后续迭代中不断进 化 ， 为遗传 。在新 一代形成 中， 称 根
据适应值 的大小选择部分后代 ， 淘汰部分后代。经过若 干代 之后 ， 算法 收敛于最好 的染色体 ， 它可 能是问题 的最优解 或
近似最 优解 。图 １是遗传算法基本 的流程示意 图。
传算法将每一代个体划分成若干类 ， 每个类 中选 出若干适应
行软硬件划分研 究。
扩展性强 ， 易于介入 已有 的模 型 中去 ， 且易 于与其他 优化技
术结合 。
１ 遗传 算法 基本思 想
美 国 Ｍｉ ｉａ ｃ ｇｎ大学 Ｊ Ｈ ｌｎ ｈ ． ｏ ａｄ教授 于 １７ 提 出的遗 ｌ ９ ５年
基于改进遗传算法的组卷算法研究与应用
Ａｌ ｏｒ ｔ ｇ ｉ ｈｍ
Ｊ ｉ Ｃｈｕ ｍｅ ｎ ｉ
（ ｎ ｈ ｎ ｘｉ ｏ ａ ｏ ａ ａ ｄｔｃ ｎｃｌ ｏ ｅｅ Ｙａ ｃ ｅ ｇ ｉ ｇｕ２ ４ ０ ， ｉａ Ｙａ ｃ ｅ ｇｔ ｔｅ ｃｔ ｎ ｌｎ ｈ ｉ ｌ ｇ ， ｎ ｈ ｎ Ｊ ｎ ｓ ２ ０ ５， ｎ ） ｅ ｌｖ ｉ ｅ ａｃ ｌ ａ Ｃｈ
Ａｂｓｒ ｃｔＯ ｎ ｔ ｅｂ ｓｓｏ ｅ ｔｃａｇ ｉｈ ，ｙ ｉ ｐ ｏ ｉ ｈ ｏ ｉ ｔａｅ ｉｓ，ｈｅｆｔｅ ｓｆｎｃｉｎ， ｎｅｉ ｅａｏ ｓａ ｎ ｒ ａｉｇ ｔ ｅｅ ｉ ｎ ｔａ ： ｈ ａｉ ｆｇ ｎｅｉ ｌｏｒｔｍ ｂ ｍ ｒ ｖｎｇｔ ｅｃ ｄｎｇｓｒｔｇｅ ｔ ｎ ｓ ｕ ｔｏ ｔ ｅ ｔｃｏｐ ｒ ｔｒ，ｎｄｉ ｃｅ ｓｎ ｈｅｒｔｎｔｏ ｉ ｈｅ
Ｉ ｓｂ ｅ ｐ ｌ ｄ ｔ ｈ ｅ ｔｐ ｐ ｒｇ ｎ ｒ ｔｏ ｆｔ ｅ ｄ ｔｂ ｓ ｙ ｔ ｍ ，ａ ｈ ｓ ａ ｈ ｅ ｄ ｇ ｏ ｆｅ ｔ ． ｔＨａ ｅ ｎ ａ ｐ ｉ ｏ ｔ ｅ ｔ ｓ ａ ｅ ｅ ｅ ａ ｉ ｎ ｏ ｈ ａ ａ ａ ｅ ｓ ｓｅ ｅ ， ｎｄ ａ ｃ ｉｖｅ ｏ ｄ ｅ ｃｓ
Ｋｅｙ ｗｏｒ ： ｎｅｉ ｌｏｒ ｈ ； ｅｔ ｃｉ ｇｃ ｎ ｉｉｎ Ｆ ｔｅｓｆｎｃｉｎ ｄｓ Ｇｅ ｔｃａｇ ｉ ｍ Ｒ ｓｒ ｔｎ ｏ ｄ ｔ ｔ ｉ ｏ ｉｎ ｓ ｕ ｔｏ Ｇｅ ｔｃｏ ｅａｏｒ ｎｅｉ ｐ ｒｔ ｓ
遗传算法… 是一种 通过模拟 自然进化过程搜索最优解的方法 ， 其主要特点是群 体搜索策略和个体间的信息交换。 基本遗传算法 的 主要步骤可描述 如下 ： （） 因编 码 ； １ 基 （） ２随机生成一定规模 的初始 种群 ； （） ３测算群体 中每个个体 的适应度值 ； （） 行选择 、 ４进 交叉、 变异 ， 生成新一代种群 ； （） ５再次测试个体适应度值 ， 如满足终止条件 ， 则输 出问题最 优 解 ， 则转 向步骤 （ ） 否 ４ 进行下一轮进化 。 遗 传 算 法 具 有简 单 、 棒 性 强 、 鲁 全局 寻 优 等 优 点 ， 解 决 组 卷 问 在 题时应用较为广泛 ， 但同时也存在容 易过早收敛 、 以及在进化后期 搜索效率较低等缺点。 改进遗传算法的 目的是既要保护群体 的多样 性， 又要加快算法 的收敛速度。 当前的改进方案主要有两类 ： 一类是 对遗传算法本身 ， 即在 编码方 式以及遗传算子 等方 面进行改进 ； 另 类是将基于 问题的启发式搜索技术引入遗传算法 中， 如将模拟退 火和多种群 并行遗传进化 的思想与基 本遗传算法相结合 。 文采用 本 第一 类方法改进遗传算法 。
云计算资源分配算法
云计算资源分配算法在当今数字化的时代，云计算已经成为了众多企业和组织的重要支撑技术。
它能够提供强大的计算能力、存储资源和服务，帮助用户更高效地处理数据、运行应用程序和开展业务。
然而，要确保云计算系统的性能和效率，合理的资源分配算法至关重要。
云计算资源就像是一个巨大的宝库，里面包含了计算能力（CPU 核心、内存）、存储容量（硬盘空间）和网络带宽等各种宝贵的“财富”。
而云计算资源分配算法，就是那个决定如何将这些“财富”公平、高效地分配给不同用户和应用的“智慧管家”。
想象一下，在一个云计算数据中心里，有成千上万的用户同时提交了各种各样的任务请求，有些任务需要大量的计算能力来进行复杂的数据分析，有些任务则需要大量的存储空间来保存海量的数据，还有些任务对网络带宽有着较高的要求。
如果没有一个好的资源分配算法，就可能会出现有的用户资源过剩，而有的用户却在苦苦等待资源的情况，这不仅会影响用户的体验，还会造成资源的浪费，降低整个云计算系统的效率。
那么，一个好的云计算资源分配算法应该具备哪些特点呢？首先，它应该是公平的。
这意味着每个用户都应该有平等的机会获得所需的资源，而不会因为某些特殊原因而被歧视或忽视。
比如说，不能因为某个用户是大客户就给他优先分配资源，而让小客户一直等待。
其次，算法要高效。
它能够快速地响应用户的请求，在最短的时间内为用户分配到合适的资源，让用户的任务能够尽快开始执行。
如果算法的执行效率低下，用户可能会因为等待时间过长而失去耐心，甚至选择其他的云服务提供商。
此外，算法还应该具有灵活性和可扩展性。
随着用户数量的增加和业务需求的变化，云计算系统的规模和资源需求也会不断变化。
好的资源分配算法应该能够适应这种变化，轻松地处理新增的资源和用户请求，而不需要进行大规模的修改和重新部署。
为了实现这些目标，研究人员提出了各种各样的云计算资源分配算法。
其中，一些常见的算法包括基于贪心策略的算法、基于整数规划的算法、基于遗传算法的算法等等。
基于TSP问题的一种改进遗传算法
大 学 数 学
Ｃｏ ＩＩＥＧ Ｅ Ａ Ｔ Ｈ ＥＭ Ａ ＴＩ Ｍ ＣＳ
Ｖｏ ． ７， ． １２ № １
Ｆｅ ．２ １１ ｂ ０
基 于 ＴＳ Ｐ问题 的一 种 改 进 遗 传 算 法
徐 莉 ， 张 冬 爽
（ 华广播 电视大学 ， 江 金华 ３１０） 金 浙 ２ ０ ０
示 ． 迭代 １ ０ 在 ０ ０次 的过程 中 ， 当迭 代 到第 ５ ９ 时 得 到最优 解 ８ ５ ｌ ， １代 ． １ ９ 由此 可 见 ， 此算 法 较 前一 种 算 法
有 明显 改 进 ．
图 ２ 使 用 简 单 ＧＡ 法
１ １ ３ ２ ９
传 算 法 的有效 性．
６
我们 采用 ３ Ｏ个 城 市 的 Ｔ Ｐ 问 题 为 例 进 行 模 拟 实 验 ． 关 参 数 取 值 为 ： 市 个 数 ｌｈｏ ＝ ３ ， 体 Ｓ 有 Ｕ ９ 城 ｅｒｍ ＝ ０ 群 ＝
规 模 ｐ ｐ ｉ ￣６ ， 叉概 率 ｐ 一０ ８ 变 异概 率 ｐ ｏ ｓ ｅ ０交 ｚ ｃ ．， ｍ一０ ０ ， 大 迭代 次数 ｍａ ｇ ｎ ０ ０ 初 始群 体 ｐ ｐ ． ５最 ｘ ｅ ＝１ ０ ， ｏ 勰 编 程 后 ， Ｍ ａｌｂ ． ４ 用 按 照 前 述 方 法 随 机 产 生 ． 对 这 个 ＴＳ 问题 将 算 法 进 行 改 进 针 Ｐ ｔ ６ ５在 微 机 上 实 现 ， 果 ａ 结
［ 键词］遗传算 法 ； 始种群 ； 轮选择 策略 ； 优保存 策略 ； 关 初 赌 最 交叉 算 子 ［ 图 分 类 号 ］ ０２ ４ 中 ２ ［ 献标识码］Ａ 文 ［ 章 编 号 ］ １ ７—４ ４ ２ １ ） １０ ６ ４ 文 ６ ２１５ （０ １０ —０ ９０
基于多目标遗传算法的优化问题研究
基于多目标遗传算法的优化问题研究随着计算机技术的不断发展和计算速度的不断提高，各种算法也在不断发展和改进，其中多目标遗传算法（MOGA）是一种比较优秀的算法。
MOGA是一种优化算法，能够处理多个决策变量和多个目标函数之间的关系。
在研究中，我们往往需要考虑多个目标并进行权衡，而采用传统的单一优化方法往往会忽视一些目标，从而导致结果偏差。
MOGA的基本思路是将优化问题转化为一组多个优化目标的问题，然后使用遗传算法进行计算。
在MOGA中，遗传算法主要用于产生一组优化解决方案，而多目标的目标函数则用于评估这些解决方案的优劣。
在实际应用中，MOGA可用于优化多个目标函数，如金融领域的资产组合、汽车工业的车辆设计以及工业流程控制等。
同时，MOGA还可以运用到社会管理、气象预报、环境保护等领域中，帮助人们制定更好的决策和策略。
然而，MOGA也存在着一些问题。
首先，MOGA的计算复杂度较高，需要较长的计算时间和大量的计算资源。
其次，MOGA 的解的集合（Pareto前沿）可能很大，此时需要人们选择最合适的解决方案。
此外，MOGA对目标函数之间的相互作用有一定的假定，可能会导致不准确的结果。
对于这些问题，人们正在不断探索和改进MOGA算法。
其中，一些研究者提出了改进的多目标遗传算法（IMOGA），以减少计算复杂度和获取更准确的结果。
IMOGA采用增量式的优化方法，使得每次迭代所需的计算时间更少，同时通过提高进化操作的效率，减少了Pareto前沿的大小。
除此之外，还有一些其他的改进方法，如多目标差分进化算法（MDEA）和多目标人工免疫算法（MOAIA）等。
这些算法都在解决MOGA存在的问题方面起到了积极的作用。
总的来说，基于多目标遗传算法的优化问题研究是一个非常重要的领域，应用范围十分广泛。
然而，MOGA仍存在许多限制，需要研究者们不断地探索和改进。
相信在不远的将来，MOGA及其改进算法将会成为优化问题领域的重要研究方法之一，助力于解决现实生活中的复杂问题。
pbil算法的改进及其在机试实时组卷中的应用
pbil算法的改进及其在机试实时组卷中的应用PBIL算法是一种基于遗传算法的进化策略，它可以解决多目标优化问题。
它是Bilbrot在1995年提出的，是一种基于遗传算法的进化策略。
PBIL算法的核心思想是采用两种概率变量来表示一个算法搜索的方向，分别是正势变量(positve probability variable)和负势变量(negative probability variable)。
正势变量表征的是之前的搜索中有利的方向，而负势变量表征的是之前的搜索中有弊的方向。
PBIL算法将正势变量与负势变量分别作为输入，使用一个变换函数将它们转化为一个概率向量，用来表示每一次搜索的方向，然后将该概率向量作为输入，使用任务概率分布函数来选择最优的搜索方向。
随着计算机技术的发展，PBIL算法也发生了重大的变化，改进了其原有的架构，使其能够更好地应用于实时组卷领域。
首先，我们将原有的PBIL算法的架构进行改进，使其能够更好地应对实时组卷领域中的不确定性因素。
其次，我们引入了一种新的遗传算法——模糊遗传算法，它可以将不确定性因素加入到PBIL算法中，使其能够更好地应对实时组卷领域中的不确定性因素。
最后，我们引入了一种新的搜索算法——模糊搜索算法，它可以更好地搜索出符合要求的最优解，从而提高组卷的效率。
PBIL算法的改进及其在实时组卷中的应用具有重要的意义，能够有效解决组卷的多种问题，如：如何提高组卷的效果？如何快速地找到最优解？如何有效地避免组卷中的重复？等等。
将PBIL算法改进后的结果应用于实时组卷的过程中，可以很好地解决这些问题，它既可以降低组卷的耗时，又可以提高组卷的效果。
首先，PBIL算法改进后可以更好地应对实时组卷领域中的不确定性因素，我们可以将模糊遗传算法和模糊搜索算法引入到PBIL算法中，使其能够更好地应对实时组卷的不确定性因素，从而提高组卷的效果。
其次，PBIL算法改进后可以有效地减少组卷的耗时，采用模糊搜索算法可以更快速地搜索出最优解，从而提高组卷的效率。
《遗传算法详解》课件
遗传算法具有全局搜索能力、对问题 依赖性小、可扩展性强、鲁棒性高等 特点。
遗传算法的基本思想
初始化
随机生成一组解作为初始种群。
适应度评估
根据问题的目标函数计算每个解 的适应度值。
选择操作
根据适应度值的大小，选择优秀 的解进行遗传操作。
迭代更新
重复以上过程，直到满足终止条 件。
变异操作
对某些基因进行变异，增加解的 多样性。
《遗传算法详解》 ppt课件
• 遗传算法概述 • 遗传算法的基本组成 • 遗传算法的实现流程 • 遗传算法的优化策略 • 遗传算法的改进方向 • 遗传算法的未来展望
目录
Part
01
遗传算法概述
定义与特点
定义
遗传算法是一种模拟生物进化过程的 优化算法，通过模拟基因遗传和变异 的过程来寻找最优解。
Part
05
遗传算法的改进方向
混合遗传算法的研究
混合遗传算法
结合多种优化算法的优点，提高遗传算法的全局搜索能力和收敛速 度。
混合遗传算法的原理
将遗传算法与其他优化算法（如梯度下降法、模拟退火算法等）相 结合，利用各自的优势，弥补各自的不足。
混合遗传算法的应用
在许多实际问题中，如函数优化、路径规划、机器学习等领域，混 合遗传算法都取得了良好的效果。
自适应交叉率
交叉率控制着种群中新个体的产生速度。自适应交叉率可以根据种群中个体的适应度差 异进行调整，使得适应度较高的个体有更低的交叉率，而适应度较低的个体有更高的交 叉率。这样可以提高算法的搜索效率。
自适应变异率
变异率决定了种群中新个体的产生速度。自适应变异率可以根据种群中个体的适应度进 行调整，使得适应度较高的个体有更低的变异率，而适应度较低的个体有更高的变异率
一种基于改进遗传算法的文本特征选择方法
出用遗传算法进行文本特征选择 ． 传统遗传算法适应性较差 ， 本文对传统遗传算法交叉概率 、 变异概率 、 新策略等重要参数 和关 更 键环节作 了改进 ， 实验验证 了该算法的有效性 ．
关键 词
信息过滤 ； 特征选择 ； 遗传算法
中图分 类号 Ｔ １ Ｐ３ ０
文本 自动分类是进行信息过滤的关键 技术 ． 目前在文本 自动分类中主要采用 向量 空间模 型来 表示文本 ， 即以向量（。 ， ｔ 。
征 子集 ．
２ ２ 群体规模和初始种群的生成 ．
群体规模影 响遗 传算法效能 的发挥 ， 规模 太小 ， 降低种群 的多样性 ， 算法易 于陷于局部最
优解 ； 规模太大 ， 算法 的计算量增大 ． ］群体规模一般取个体编码长度的一个线性 函数 ， 如群体规 模 ｍ＝ｔ 为介 于 ｌ和 ２ ｍ， 之
１ 文本 的表 示
最常用的文本 表示模 型是 向量空 间模型 （ ｅｔ ａｅＭ ｄｌＶ Ｍ）在 向量空间模型 中文本被形式化地表示为 ｎ维 空间中 Ｖ ｃ ｒ ｐｃ ｏｅ， Ｓ ． ｏＳ
的向量 Ｄ ＝（ 。 ｔ 。 ｔ ，
， ， ） 是第 五个特 征项 ， 是第 五个特征项的权重 ， … ｆ ， 权重描述 了词在 表示文本 内容上 的重要
Ｊｎ２０ ｕ ．Ｏ ７
Ｖ １２ ｏ ２ ０．２ Ｎ ．
一
种 基 于 改进 遗传 算 法 的文本 特征 选 择 方 法
李桂芳 刘培 玉
（ 山东师范大学信息科学与工程学院 ， ０１， ２ ０４济南∥第一作者 ３ 岁 ， 硕士生 ） ５ ２ 女，
摘要
文本特征选择对提高文本分类的速度 和准确率 ， 改善网络信息过滤效果 至关重要 ． 把特征选择 看作优化组合 问题 ， 提
- 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)。
勇法
研绘
一种基于改进遗传算法的
资源分配策略
‘
张敏①党安红②王河媛①西安工业学院计算机科学与工程学院西安①北京大学电子学系北京
川
②
摘要提出一种基于改进遗传算法的整体优化的动态资源分配方案首先根据信道分配的特点构造了基因
链模型进而建立了一种整体优化模型该算法尽童保证最大程度的紧致分配同时针对遗传算法爬山能力差的弱点提出一种自适应遗传方法分析和仿真表明该方案与现有的和方案相比有较小的呼队率和较高
的频语利用率不论在业务童较大还是较小都能取得较好的性能指标关祖词信道分配蜂窝移动通信遗传算
法
引言
高速增长的移动通信系统的规模和对高速多媒
体通信的需求使得可供分配的无线频谱资源变得越来越有限而良好的信道分配是解决问题的有效
的措施之一〔‘,目前国内外学者大多致力于动态信道分配方案的研究〕但是若不采用其
他优化措施则仅当业务量较低时动态信道分配方
式才有较低的呼阻率〔‘幻许多“启发式算法用来
解决这个问题近几年神经网络技术图模拟退火思想困等在这方面得到了应用但是前者容易陷人
局部优化后者尽管可以达到全局优化但其实现过于复杂
遗传算法〕是近些年来迅速发展的一种
优化算法其首先由美国大学的教授提出此后为众多研究人员所注目本文从信道分配的特点出发将该问题抽象为优化问题同时针对’爬山能力弱的特点构造了一种自适应算法按照自适应交换率选择态个体进行交换操作同时按照自适应变异率选择个体进行变异操作
动态信道问题之遗传算法表征及适值函数的构造遗传算法不能直接处理动态信道分配间题中的参数所以必须把信道分配问题转换成由基因按一定结构组成的染色体假定一个蜂窝系统中共有个小区可用的信道总数为这样一个小区
所分配的信道数的变化范围为一当然具体的分配情况要受到许多约束条件〔‘〕这样可将一个小区的信道使用情况用位二
进制表示共有种状态可以将之映射为一位
的一维向量即‘一甜
式中表示第个小区的第个信道的分配情况若个信道被分配给第小区则其值为否则为因此整个系统的信道分配情况映射为一
,
位的一维向量结构形式如下二,,…,一‘‘…,…,,…
,
上式共有种状态每一状态对应一条基因链码遗传算法在进化搜索中是以适值函数为依据
的〔“〕而良好的信道分配就是在不违背其限制条件的基础上以紧缩模式排列信道满足更多用户的需要保证系统有较低的呼阻率〔‘浏在本文中为了达到整系统全局优化提出下面的命题
定理将所有的信道排队记为……,在不违背限制条件的情况下如果一条
基因链码中各元素的加权和即艺艺达到最大那么该基因链码对应的信道分配必然使服务区
正在使用的信道数达到最少其中是一常数
证明仍然假定系统共有个小区信道总数
为这样可以将对系统的某一个信道分配方案映射为维空间中的一个点设方案是由该命题得到的一种分配方案其中信道…的使用次数分别为…且鉴鉴…鉴为了证明是一最佳方案采用反证法假定方案为一更佳策略方案中信道…的使用次数分别为…且不
失一般性仍然有鉴鉴…因为某时刻系统中总的呼叫次数一定则
基金项目国家高技术基金资助“枷二
…二
以场年布移常
期
乡已线电通佑技术码求出相应的选择操作
选择操作是建立在群体中个体的适应度评估
的
基础上本文采用赌轮选择方式阁记群体中某个体的适应度为二则某个个体被选择的概率为
尸、习二
显然个体适应度越大则被选择的概率就越高反之亦然这样就可以决定那些个体被选出交叉操作
交叉算子是遗传算法中最重要的遗传操作本
文提出以下的自适应交叉概率在群体中选择个体进行交叉操
作
只了漏一了漏一〕︸一
象居研穷
一若方案与不同那么在信道一中至少有两个信道的次数不等假定为第与第个信道且续而,二衫其中尹由式存在以下情况
①若你,则由方案的含义知该方案中权值为的信道的使用达到最大化若
、则中信道的使用必然违背了信道分配原则所以这种情况不可能②若、则又由假设知簇你这样若说明在方案中权值较高的信道并未达到最大程度的复用所以方案也不可能是一更佳的方案
综上所述必然有、‘类似地
可以证明多个信道使用次数不同的情况所以与
为探空间的同一个点因此满足定理条件的方案为一最佳方案另一方面在实现优化紧缩模式时要受到一些约束条件主要是信道复用条件及每个小区需要的信道数可构造函数探万
”不干补凡‘“不于爷萨六十刀寻
一巩
一
尺
式中是常数是一个函数主要是约束同道干扰当小区与小区相互千扰时其值为否则为入代表邻道干扰限制函数当一簇其
取值为零其他情况则为‘为小区所需的信道数目综上所述得到适值函数如下
‘孟不孙刀不干补幼…、‘十“
不子笋
甲户沁
艺万礼一‘】’
基于自适应遗传算法的分配策略
为了叙述方便首先定义个函数即
和前者产生在「内服从均匀分布的一个整数后者则产生在【〕内服从均匀分布的一个整数
初始群体的生成由前面的假设知系统总的信道需求为二
艺‘在初始群体的形成中提出以概率
,
二一二。…其中。‘分匕决定链码中信道的取值
艺
情况这样有利于提高收敛率群体的规模将影响遗传优化的最终结果以及遗传算法的执行速率在该文中假定产生犯个个体然后对每一个个体解
式中人是群体中的最大适值度分别是交换串中的较大适值度及群体的平均适值度是小于的常数一般取值比较大
根据信道分配间题的特点在进行交叉操作时按以下步骤进行①交叉与否若交叉转叭否则不交叉转变异操
作
②调用函数决定将在哪一个蜂窝小区进行交叉操作
③调用函数决定将具体在哪一处进行交叉处理④没有选中的小区直接传给后代而对选中的小区将交叉点后的两个体的部分进行互换生成新
的个体
变异操作
变异操作的基本内容时对群体中的个体串的某些基因作变动在文中给出以下变异概率进行变异操作
一”。‘赢
一几瑞一几妻
凡几式中气几似是群体中的最大适值度几是变异串的适值度尸。,是小于的常数一般取值比较小首先调用函数决定变异与否若变异则调用函数决定变异的位置并将变异位置的值
取反一般说变异概率都很小否则接近最优解的基因链会引变异而遭到破坏优化方案判断经以上一产生了新一代群体对新的一组信道分配值进行评价求出其适值函数值然后
以娜算法研穷重复一形成孙子代不断地迭代其结果就
会收敛那么收敛的解就是最后要求的解也就是欲
求的一个优化的信道分配方案
方案仿真
仿真模型如图所示它包括个小区所有小区
的形状和大小均相同信
道
的复用模式为设
小区到
达的呼叫符合泊松分布呼
叫持续时间满足均值为
秒的负指数分布验证当业务量增加时蜂窝的呼阻率情况图是将
本文方案与固定信道分配方案以及动态信道分配
结论本文提出一种基于改进遗传算法的优化动态信道分配方案文中基于信道分配与遗传算法各自的特点构造了遗传算法的信道分配实现方案根据信道分配的优化原则给出一个定理为了克服遗传算法爬山能力差的弱点提出一种自适应遗传方法该方案与现有的和方案相比有较小的呼阻率和较高的频谱利用率不论在业务量较大还是较小都能取得较好的性能指标
图仿真蜂窝系统示意方案比较可以看出无论在话务量较低还是较大时采用以方案系统性能都有很大的改善注意图中横坐标是业务量的增加量而不是业务量的大小「一
一
一一—
一
十一
一一
一一八
图业务业务童增加黄与呼队率
参考文献川殊缨
叮
脚浏
匆、〔」党安红朱世华程江模块化分类紧致的信道分配方案及性能分析电子学报一〔〕凡如汕
。
。铡石朋】
明一们川月
。
胃全加
一〔〕
党安红朱世华汤俊雄蜂窝移动通信系统中的
一种分
级紧致的动态信道分配方案通信学报加
〕加职一二
咫一〕。儿
服川
面
勿一〕颤
耐
呵
,一
一上接第
页
结论本文将动码与高阶正交幅度调制相结合提出了具有较高频谱效率的联合编码调制方案采
用软解调的方式将编码及调制后经过信道传输的符号转换成对应的概率信息并作
为
译码器的输人从而获得了较高的系统性能
高斯信道以及瑞利衰落信道下的仿真结果都显示了
该方案的纠错能力接近于基于。码的联合编码调制系统然而和本文所提出的方案相比后者由于采用了复杂的或一算法译码复
杂度大大增加
着重研究了采用码的高频谱效率编码调制系统的设计和相关算法并比较了采用不同编码长度系统的抗噪性能从理论上分析优化码的结构包括采用纠错能力更强的非规则结构的码应能明显的提高系统的性能这些是将来
需要进一步研究的课题
参考文
献
〔助一一加玩
邸翻
幻佣一雌
瑰而
一〔卿
助
一一
仃
即哪肠
一一
脱,
自
〔〕俪“
一玩沈司
伽曰
田”知肠
助肠印
叮
朔叨一晰
任而
一
声姗功玩卜佣。幻
麟
以鸿年分今布
期
无线电绳借执术