微粒群优化算法在基站分布规划中的应用

微粒群优化算法(PSO)是一种具有全局随机优化的智能算法。该算法编程简单,鲁棒性强,并行运算能力强,能以较快的速度收敛至全局最优解。本文在PSO的思想基础上提出了一种改进搜索方向,降低"早熟"概率的方法,即结合遗传算法,引入了爬坡算子。本文并将该改进算法应用于基站分布规划的研究中,实验仿真结果表明,利用该改进算法能提高基站覆盖率,降低经济成本。

PSO算法在通信基站分布规划中的应用

PSO算法是一种全局随机优化算法。将该算法用于移动通信网络基站分布规划,具有很高的效率以及可行性和实用性,为移动通信网络基站分布规划提供了新的方法,并能在时间和空间效率上做到提高和优化。PSO算法与其它算法比较其特点在于:该算法易于编程实现,占用计算机内存少,能以较快的速度收敛到全局最优解,是一种有效的搜索算法。

加速遗传算法在移动通信基站规划中的应用

基站分布规划是一个多目标优化问题,当基站数量较多时,寻优过程复杂且所需时间长,针对传统退火规划方法易陷入局部最优及不稳定等缺点,提出一种基于加速遗传算法的基站规划优化方法:在基站分布规划中同时考虑覆盖率和外界电磁干扰两个因素,寻找基站的最佳位置,建立基站选址问题的目标优化模型.仿真结果表明,加速遗传算法运行结果的适应度值为2.142,与传统算法相比,该算法的收敛速度快,最优解精度高,避免了早熟收敛,能够有效提供与网络建设要求相符合的最优基站位置分布方案,为实际工程应用提供参考依据.

基于聚类遗传算法的移动基站选址规划

移动通信基站的规划问题是一个拓扑结构多目标优化的问题,寻优过程是一个十分复杂的过程,易陷入局部最优以及不稳定,尤其是基站和子站的具体选取问题是一个多目标非线性问题,同时涉及到成本以及传输损耗最优的问题,文章提出一种基于聚类遗传算法的基站选取方法。通过使用实际数据获得的仿真结果显示,该方法能兼顾成本和损耗的最优,且该算法运行时间短,能提供一种高效、低廉的最优基站与子站拓扑规划方法。

基于GP的移动网络规划算法研究

CDMA基站分布规划受到众多条件制约,因此通常属于NP-Hard问题,而GP基于自然进化的思想,是一种高效的算法,根据求解问题的特点,将改进的GP应用于CDMA基站分布规划,利用GP灵活的个体表示得到自然描述的个体解,使基站分布易于理解,利用GP全局寻优的能力得到较好的基站分布,从而降低误报率和漏报率。对GP的改进体现在2个方面:①扰动算子;②改进的适应度函数。最后用实验证明了改进GP的有效性和先进性。