信道分配问题中最优化算法的研究

文章在讨论神经元网络、模拟退火算法和遗传算法的基础上,重点探讨了这三种最优化算法在信道分配问题中的应用。

一种基于改进暂态混沌神经网络的信道分配算法

该文针对暂态混沌神经网络(TCNN)求解信道分配问题(CAP),分析混沌神经网络模型及其混沌性态,依据其按自反馈连接权值的减小,由混沌态通过逆分岔而收敛到稳定状态的特性,提出了一种对暂态混沌神经网络进行分段退火的策略,即依据混沌神经网络运行过程中,对应Lyaponov指数的变化特性而确定分段点,使网络能有效地利用混沌态进行全局搜索和加快收敛:在7小区的信道分配中,网络收敛速度提升了30%左右,在25小区的Kunz基准测试程序的仿真中,收敛速度也提升了近15%;仿真结果表明其有效减少了网络运算的迭代步数,提高了网络的搜索效率:通过相应理论和仿真结果的分析,对网络的搜索性能、参数的选择与设置进行了进一步的讨论。

稀疏图与系列平行图的列表动态染色

图的(列表)动态染色模型可用于解决信道分配中的-些关键问题,是图论和理论计算机科学领域的一个重要的研究方向Kim和Park(2011)给出了任何最大平均度小于8/3的图的列表动态色数至多为4的证明.然而,由于具有5个顶点的圈Cs的最大平均度为2且列表动态色数为5,因此Kim和Park的上述结论是错误的.基于此,本文证明了任何最大平均度小于8/3的普通图(每个连通分支都不与C5同构的图)的列表动态色数至多为4,且该上界4是最优的,从而对Kim和Park的结果进行了修正.与此同时,本文证明了如果图G是系列平行图,则当其是普通图时,其列表动态色数至多为4,且该上界4是最优的,当其不是普通图时,其列表动态色数恰好为5,从而将Song等人(2014)的结果“任何系列平行图的列表动态色数至多为6”进行了改进.