天线权值自优化的应用场景研究与实践

随着5G网络和用户的快速发展,对网络质量稳定的要求也日益提高。大量用户流动或突发性聚集、基站故障等情况会造成网络覆盖和容量需求的变化,而早期网络没有动态优化能力容易导致局部区域覆盖性能劣化,直接影响用户的网络体验和满意度。通过对AAPC技术特点和现网适用场景的研究与实践,发现其在规律性用户潮汐流动和突发性话务变化的网络频发场景有较好应用价值,可实现优化目标区域的自动识别和覆盖寻优,从而提升了用户在5G网络的稳定驻留和网速感知,带来了5G流量增长。

粒子群优化算法的惯性权值递减策略研究

为了有效地控制粒子群优化算法的全局搜索和局部搜索,基于递减惯性权值的基本思想,在现有的线性递减权值策略的基础上,提出了开口向下抛物线、开口向上抛物线和指数曲线3种非线性的权值递减策略,并采用Sphere、Rosenbrock、Griewank和Rastrigrin这4个标准测试函数测试这些策略对算法的影响.试验结果表明,对于多数连续优化问题,在初始权值和最终权值相同的情况下,凹函数递减策略优于线性策略,而线性策略优于凸函数策略,凹函数递减策略能够在不影响收敛精度的情况下较大幅度地提高粒子群算法的收敛速度.

混沌惯性权值调整策略的粒子群优化算法

粒子群优化算法是一种新颖的智能优化算法。惯性权值对粒子群优化算法的性能有着重要的影响。在分析已有的惯性权值调整策略的基础上,提出了混沌惯性权值调整策略,该策略将惯性权值用一个混沌变量来描述。标准测试函数实验表明,在不影响优化结果精度的情况下,混沌惯性权值调整策略的粒子群优化算法收敛速度较已有方法有了明显的提高。

粒子群优化算法中的惯性权值非线性调整策略

为提升粒子群优化算法的性能,提出基于正弦曲线、正切曲线和对数曲线的非线性惯性权值调整策略。采用镜像策略对越界粒子进行处理,利用标准测试函数测试这些策略对算法的影响。实验结果表明,对于连续函数优化问题,正弦曲线和对数曲线策略优于传统的线性调整策略,而传统的线性调整策略又优于正切曲线策略。

基于自适应惯性权重的均值粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖参数选取等缺点,提出了一种基于自适应惯性权重的均值粒子群优化算法。对算法中的惯性权重参数采用动态自适应变化方式,在迭代过程中根据粒子适应度差值将种群划分为三个等级,对不同等级的粒子采用不同的惯性权重策略,使粒子能根据自己所处的位置选择合适的惯性权重值,更快地收敛到全局最优位置;同时分别用个体极值和全局极值的线性组合取代PSO算法中的全局最优位置与个体最优位置。通过实验仿真与对比,验证了新算法性能优于标准PSO及其它一些改进的PSO算法,能够用较少的迭代次数找到最优解,具有更快的收敛速度和更高的收敛精度。

粒子群优化算法中惯性权值调整的一种新策略

惯性权值的设置对粒子群优化(PSO)算法的性能起着关键作用,现有的基于惯性权值的改进算法提高了算法的性能,但都把惯性权值作为全局参数,很难控制算法的搜索能力。本文在充分分析惯性权值的关键作用基础上给出一种新的惯性权值调整策略及其相应的粒子群优化算法,使用不同的惯性权值更新同一代种群。测试结果表明,新算法提高了算法的性能,并具有更快的收敛速度和跳出局部最优的能力。

基于Multi-Agent的多权值优化分簇算法及仿真研究

提出了一种基于Multi-Agent的多权值优化分簇算法,算法定义了多种Agent类型,在簇头选举阶段选取了影响簇头合理分布的多个网络参数,在簇的更新阶段采用移动Agent启发机制进行簇的局部更新.仿真结果表明,算法不仅可以选出合理的簇头,使能量均匀的消耗,还可以节省整个网络的能量消耗.

一种定点数权值神经网络的优化方法及其应用

为了使得神经网络的应用符合嵌入式系统快速计算、存储量精简的要求,提出了一种定点数权值神经网络的优化方法。采用精度可调的比例数格式定点数表示神经网络的权值和阈值,用遗传算法对神经网络进行训练,并用最小二乘法对网络的非线性连续节点激励函数进行了线性离散化。将这种优化的神经网络应用于触摸屏校准。实验表明,采用该方法进行触摸屏校准比传统的校准方法具有更高的准确率。

一种改进的粒子群优化算法惯性权值递减策略

结合粒子群优化(PSO)算法的特点,分析惯性权值的关键性作用。在此基础上提出一种改进的非线性惯性权值递减策略。同时利用两种基准函数对该策略进行测试。实验结果表明,在参数设置均相同的条件下,改进后的权值递减策略在算法迭代初期具有较好的多样性,有利于跳出局部极值,在迭代后期具有更好的全局寻优能力。当维数不变时,随着种群规模以及最大迭代次数的相应增加,改进后的权值递减策略在收敛精度指标上要明显优于对比算法。

随机权值平面选址的粒子群优化算法

将引入粒子群优化算法来解决带随机权值、服从独立均匀概率分布的极小化极大(1-中心)平面选址问题,对其进行实验模拟并得出了乐观的结果。

初始权值优化技术在机器人学习中的应用

针对移动机器人建立了基于BP神经网络的智能避障控制模型,提出了初始权值优化技术,使得样本组与初始权值相匹配,显著地提高了网络的收敛速度.为了提高系统的实时性,文中采用C和汇编语言混合编制控制程序.计算机仿真和实测结果表明该系统具有学习能力强、人机交互效果好等优点.

融合Sin混沌和分段权值的阿基米德优化算法

针对阿基米德优化算法(Archimedes optimization algorithm,AOA)存在全局搜索能力弱、收敛精度低,易陷入局部最优等问题,提出融合Sin混沌和分段权值的阿基米德优化算法(SAOA)。采用无限折叠迭代的Sin混沌反向学习策略初始化种群,提高初始阶段解的质量,为全局搜索多样性奠定基础;引入算数交叉算子,将当前个体向与全局最优个体进行交叉,引导种群向最优解区域寻优,提高全局搜索能力;引入分段权值策略,平衡算法的全局勘探与局部开发能力,降低算法陷入局部最优的概率;通过对8个测试函数和部分CEC2014函数进行仿真实验及Wilcoxon秩和检验来评估改进算法的寻优性能,实验结果表明改进算法在搜索精度、收敛速度和稳定性等方面均有较大提升。另外,引入优化机械设计案例进行测试分析,进一步验证SAOA在工程优化问题上的可行性和适用性。

一种基于权值的TD-LTE天线覆盖优化方法

针对TD-LTE深度覆盖难题,文章研究天线权值创新优化方案,通过对道路覆盖问题中较为突出的弱覆盖、重叠覆盖等道路场景,应用一套新的权值偏移波瓣角度技术,无需通过人工上站天馈调整,达到解决道路覆盖难题的目标。

基于AI算法的Massive MIMO波束权值优化研究与应用

针对Massive MIMO波束权值优化的难点,提出了一种基于GBDT机器学习的回归预测算法,通过实测及仿真,研究该算法在不同场景下各种波束权值的覆盖能力,基于机器学习模型,利用研究结果结合三维地图、建筑物数据、MR数据、仿真/测试数据等进行机器学习建模,输出Massive MIMO波束自适应覆盖优化算法。在现网的应用结果表明,该算法能够有效地提升5G网络覆盖质量。

基于NSGA-Ⅱ的自适应权值物联网服务组合方法

由于网络服务种类繁多,用户需求复杂多变,因此在处理面向用户需求的多目标服务组合任务时,根据用户需求偏好对多目标QoS属性进行加权处理得到的初始化目标函数,在子目标的权值处理上会产生一定的偏差,这可能使多目标优化算法在求解服务组合问题时得到的解集不准确,出现不满足用户实际需求的情况。所以本文提出了一种面向用户需求的多目标自适应权值服务组合方法。该方法根据迭代过程中子目标均值与目标期待值之间的相对偏差值,动态修正加权系数。通过权值的修正使构建的目标函数更符合用户需求偏好,同时避免子目标陷入局部最优的困境。仿真结果表明,改进后的算法在帕累托前沿上有明显的优势,避免了局部最优,且时间复杂度远低于其他算法。随着迭代过程中权值的修正,目标函数均值也逐步贴近期待值,有效地满足了用户的需求。

基于正弦惯性权值反向蜉蝣优化算法

针对蜉蝣优化算法(Mayfly Algorithm,MA)早熟问题,提出一种基于正弦惯性权值反向蜉蝣优化算法。该算法采用准反向学习初始化替代随机初始化,在雌雄蜉蝣位置更新过程中引入准反向学习策略,将当前位置与反向位置反向学习,择优选择位置进入下一次迭代。基于正弦函数的周期性,将正弦函数、随机策略与惯性权值融合成正弦惯性权值策略以增强MA的搜索能力。仿真结果表明,所提算法在全局收敛性和收敛速度方面均明显优于其他算法,并在焊接梁设计中验证了该算法的实用性。

基于优化权值的多区域采样目标跟踪算法

针对多区域采样目标跟踪方法容易出现的区域多样性丧失、跟踪精度下降和跟踪不稳定等问题,本文引入区域优化权值及改进子区域重采样方法,提出基于优化权值的多区域采样目标跟踪算法.该方法利用区域优化权值优化各个子区域的区域置信度适当增加低置信度区域在重采样阶段所分配到的粒子数量,在保证粒子根据区域置信度大小有效分配的前提下,抑制了区域多样性丧失现象发生.本文算法在子区域内引入粒子权重优化权值并设定重采样阈值,缓解粒子贫化充分利用有效粒子信息.实验结果表明,本文方法能有效提高目标跟踪精度,改善目标跟踪稳定性.

Massive MIMO天线权值自优化在5G网络中的应用

主要分析了5G网络Massive MIMO天线权值自优化的应用,分别从技术现状、优化瓶颈等入手,详细阐述了Massive MIMO权值自优化原理、应用实施。实践证明其应用效果良好,为最大化提升用户覆盖水平、减少人工经验干预网络的误差、提升网络规划和优化效率提供了解决方案。

基于风速分频和权值匹配的RBF超短期风电功率预测方法

为了提高风电功率超短期预测的准确率,文章提出了一种基于风速分频特征和权值匹配的RBF超短期风电功率预测方法。该方法的总体结构包括风速分频特征的提取、风速区间的划分、径向基神经网络的训练、分频最优权值决策、仿真计算和误差分析。与现有的仅考虑历史风电功率数据的方法相比,该方法能够跟踪未来的功率趋势,物理意义清晰,并考虑了风速不同频率特征对于功率的影响。算例结果表明,基于风速分频特征和权值分配的RBF超短期风电功率预测方法的预测精度较高,预测结果有效,具有较强的实用性。

基于AAPC功能的Massive MIMO 4G/5G天线权值协同优化方法研究

为了应对5G Massive MIMO天线权值人工调整难度大的挑战,本文提出基于AAPC功能的4G/5G天线权值协同优化方法,通过构建不同场景下利用4G反开3D MIMO权值对5G天线权值的映射矫正模型,实现对5G权值的再优化和偏差矫正。该算法可显著提升权值优化效率和权值优化准确性,为5G Massive MIMO天线发挥兼顾网络覆盖和用户空间分布的权值优势提供有效的解决方案。