为了减小宏用户和家庭基站之间的干扰,有效分配频谱,本文提出了基于图论着色的分簇信道分配算法。该算法在保证满足宏用户信干噪比(signal-to-interference plus noise ratio,SINR)要求的前提下确定每个家庭基站可用的子信道集,再根据...
详细信息
为了减小宏用户和家庭基站之间的干扰,有效分配频谱,本文提出了基于图论着色的分簇信道分配算法。该算法在保证满足宏用户信干噪比(signal-to-interference plus noise ratio,SINR)要求的前提下确定每个家庭基站可用的子信道集,再根据构造的家庭基站系统干扰图,动态地给每个用户分配所有可用的频谱资源。本文分别构建无向干扰图和有向权重干扰图,使用了一种基于簇的改进算法,在保证宏用户信干噪比的条件下,尽量提高家庭基站的吞吐量。仿真结果表明,本文算法可以降低宏用户和家庭基站的中断率,同时频谱效率得到提高。
中心引力优化算法(central force optimization,简称CFO)是一种新型的基于天体动力学的多维搜索优化算法.该算法是一种确定性的优化算法,利用一组质子在万有引力作用下的运动,搜索目标函数在决策空间上的最优值.利用天体力学理论对该算...
详细信息
中心引力优化算法(central force optimization,简称CFO)是一种新型的基于天体动力学的多维搜索优化算法.该算法是一种确定性的优化算法,利用一组质子在万有引力作用下的运动,搜索目标函数在决策空间上的最优值.利用天体力学理论对该算法中质子运动方程进行了深入的研究,并利用天体力学中万有引力定理对质子运动方程进行了推导,建立起天体力学与CFO算法之间的联系,通过天体力学中数学分析的方法对该算法中质子收敛性能进行了分析,最后,通过严格的数学推导证明出:无论初始时质子是何种分布,CFO算法中所有的质子始终都会收敛于CFO空间的确定最优解.作为测试效果,将CFO算法与常见的BP训练算法相结合,提出了CFO-BP训练算法,优化前馈型人工神经网络的权值和结构.实验结果表明,采用CFO-BP算法优化神经网络比其他常见优化算法有更好的收敛精度和收敛速度.
暂无评论