引入混洗策略和改进变量节点更新的最小和译码算法

低密度奇偶校验码属于一种线性的分组码,近年来得到了很大的关注。目前被广泛应用的最小和(MS)算法译码损失较多,而且该算法属于洪泛调度,译码收敛速度较慢。为此提出了引入混洗策略和改进变量节点更新的MS(shuffled-VNU-MS)译码算法,该改进算法在本次迭代中更新某列校验节点信息时,可以利用到前序列最新的变量节点信息,且变量节点信息是通过加权因子平均后的信息。仿真结果表明:当码长为256,码率为0.5,误码率为10-5时,本文改进的译码算法shuffled-VNU-MS相比MS算法,编码增益提高了约0.92 dB。当信噪比为0时,本文改进算法译码收敛速度相比MS算法提高了约52%。

新型教与学优化算法及其在需水预测中的应用

针对教与学优化(teaching learning based optimization,TLBO)算法解决复杂优化问题易陷入局部最优且解的精度低的不足,提出一种高效的教与学优化算法(efficient TLBO,ETLBO)以提升标准TLBO的全局优化性能。在ETLBO中,通过双种群混洗策略将种群分成两组,通过老师单独对最差学生进行教学过程,加快算法快速收敛到全局最优。通过求解4个典型的数值函数,仿真结果验证了ETLBO算法的有效性。通过ETLBO算法优化选择极限学习机(extreme learning machine,ELM)模型参数,并构建ETLBO-ELM模型,将其应用于城市需水量预测中。仿真结果表明,ETLBO优化的ELM模型具有良好的预测精度和泛化能力。