模拟退火遗传算法在多用户检测技术中的应用

来源：互联网   发布日期：2011-09-20 18:54:36   浏览：7645次  

MC-CDMA集OFDM和CDMA的优点于一体，具有很大应用潜力。但该系统存在严重的多址干扰，这不仅严重影响了系统的抗干扰性，也严重限制了系统容量的提高[1]。多用户检测技术是消除多址干扰的有效手段，但其算法复杂度较高，建设成本较大，尤其是检测性能最好的最佳多用户检测技术，其算法复杂度随用户数目成指数增长，不适合实际应用[2-3]。
    遗传算法是一种通用的求解最优化问题的智能算法[4]。它的计算性能好，运算量较小。考虑到最佳多用户检测是求二次整数非线性优化问题的全局最优解，因此将解决优化问题的遗传算法应用于最佳多用户检测技术中是行之有效的。
    基本遗传算法存在局部搜索能力较弱和收敛速度较慢等问题[5]。模拟退火法是一种模拟高温金属降温的热力学过程的随机组合优化方法。在初始温度足够高、温度下降足够慢的条件下，能以概率1向全局最优值收敛[6-7]。若将模拟退火应用于遗传算法中，便能克服遗传算法易陷入局部极小点的缺点，使得搜索沿着全局最优化方向发展。本文研究模拟退火遗传算法在MC-CDMA系统多用户检测技术中的应用，利用其求解NP（Non-deterministic Polynomial）完备问题。
1 模拟退火遗传算法
1.1 遗传算法
    遗传算法(GA)是基于生物自然选择和遗传学原理的一种自适应启发式、概率性迭代式的全局搜索算法，其主要借用了生物进化中“适者生存”和“优胜劣汰”的规律。它利用简单的编码技术和繁殖机制来表现复杂的现象,以编码空间代替问题的参数空间,以适应度函数为评价依据、以编码群体为进化基础,以对群体中个体位串的遗传操作实现选择和遗传机制，建立迭代过程。在这一过程中，通过随机重组编码位串中的优秀基因，使子代群体优于父代群体，群体个体不断进化，逐渐接近最优解，最终实现问题求解。它模拟自然界中的生命进化机制，在人工系统中实现特定目标的优化。实践证明，遗传算法对于NP问题非常有效[8]，但是它容易陷入局部最优，即全局搜索能力弱。
1.2 模拟退火算法
    模拟退火算法(SA)是基于金属退火的机理而建立起来的一种随机算法。它是一种全局最优化方法，能够以随机搜索技术从概率的意义上找出目标函数的全局最小点。在搜索最优解的过程中，模拟退火算法除了接受最优化解外，还用随机接受准则有限地接受恶化解，这使得算法有可能摆脱局部最优，
    使用上述准则的优点是：当新解更优时，完全接受新解的当前解；而当新解为恶化解时，以概率P接受恶化解为新的当前解。这使得SA能够

赞助本站