量子群智能及其在通信技术中的应用

本书共分9章，主要内容包括量子粒子群、量子蛙跳算法、量子蜂群、量子细菌觅食、量子神经网络、量子文化算法、量子文化群智能、量子膜群算法、多目标量子膜群算法、多用户检测、频谱分配、决策引擎、频谱感知、冲击噪声测向、非圆信号测向等通信技术中的热点和难点问题。 本书可使读者在了解和学习量子群智能和通信技术近期新科研成果的同时，在量子群智能和通信技术两个方向得到启发，也可作为相关学科的教材和科研用书。

高洪元，男，1977年出生，博士后,工学博士，硕士生导师，副教授；IEEE会员，中国计算机学会会员。

目 录 章 绪论 1 1.1 量子群智能计算简介 1 1.2 单目标和多目标优化问题 3 1.2.1 单目标优化问题的数学模型 5 1.2.2 单目标约束优化问题的求解方法 5 1.2.3 多目标优化问题的数学模型 7 1.2.4 多目标优化方法简介 9 1.3 智能计算在通信技术中的应用 11 1.3.1 简介 11 1.3.2 展望 15 1.4 本书内容和结构安排 17 参考文献 19 第2章 用于离散优化问题的量子群智能计算 29 2.1 量子粒子群算法 30 2.1.1 双链编码的量子粒子群算法 30 2.1.2 单链编码的量子粒子群算法[2] 32 2.1.3 性能测试 34 2.2 量子蜂群算法 37 2.2.1 双链编码的量子蜂群算法[5] 37 2.2.2 单链编码的量子蜂群算法 40 2.2.3 性能测试 42 2.3 量子细菌觅食算法 43 2.3.1 双链编码的量子细菌觅食算法 44 2.3.2 量子细菌觅食算法的收敛性分析 47 2.3.3 性能测试 49 2.4 小结 50 参考文献 50 第3章 用于连续优化问题的量子群智能计算 52 3.1 量子蛙跳算法 53 3.1.1 混合蛙跳算法 53 3.1.2 量子蛙跳算法[4] 55 3.1.3 性能测试 58 3.2 量子文化蛙跳算法[9] 60 3.2.1 量子规范知识 60 3.2.2 量子文化蛙跳算法的实现 61 3.2.3 性能测试 64 3.3 量子细菌觅食算法 65 3.3.1 细菌觅食算法 66 3.3.2 量子细菌觅食优化算法[16] 69 3.3.3 性能测试 71 3.4 小结 73 参考文献 74 第4章 基于量子智能算法的多用户检测 76 4.1 多用户检测的数学模型 78 4.1.1 噪声模型 78 4.1.2 高斯噪声下的多用户检测数学模型 79 4.2 高斯噪声环境的典型多用户检测方法 83 4.2.1 传统检测器 83 4.2.2 最优多用户检测器 84 4.2.3 Hopfield神经网络多用户检测器 86 4.3 基于免疫克隆量子算法的多用户检测[13] 87 4.3.1 神经网络制备疫苗的方法框架 88 4.3.2 基于免疫克隆量子算法的多用户检测器 89 4.3.3 试验仿真 93 4.4 量子HOPFIELD神经网络的多用户检测设计 95 4.4.1 量子Hopfield神经网络 96 4.4.2 基于量子神经网络的多用户检测 98 4.4.3 基于量子神经网络的多用户检测器仿真 99 4.5 量子蜂群算法的鲁棒多用户检测 100 4.5.1 鲁棒多用户检测器 101 4.5.2 新量子蜂群算法 102 4.5.3 基于量子蜂群算法的鲁棒多用户检测[37] 104 4.5.4 试验仿真 105 4.6 小结 107 参考文献 107 第5章 基于量子群智能的认知无线电决策引擎 112 5.1 认知无线电决策引擎模型和三种典型的决策引擎 114 5.1.1 智能计算的认知决策引擎 114 5.1.2 基于智能计算的认知决策引擎方法 117 5.2 单目标膜量子蜂群算法及其在决策引擎上的应用[20] 123 5.2.1 膜结构简介 123 5.2.2 膜量子蜂群优化算法 124 5.2.3 膜量子蜂群优化算法的性能测试 128 5.2.4 基于膜量子蜂群算法的认知无线电决策引擎 130 5.2.5 决策引擎试验仿真 131 5.3 基于量子细菌觅食算法的绿色认知无线电参数调整 134 5.3.1 绿色认知无线电参数调整模型 135 5.3.2 量子细菌觅食算法的绿色认知无线电参数调整[29] 137 5.3.3 试验仿真 138 5.4 小结 141 参考文献 142 第6章 基于量子群智能的频谱分配 146 6.1 频谱分配模型 147 6.1.1 图论着色模型 147 6.1.2 单目标频谱分配 149 6.1.3 多目标频谱分配 150 6.2 基于量子粒子群算法的单目标频谱分配 151 6.2.1 基于单链量子粒子群算法的认知无线电频谱分配[15] 151 6.2.2 仿真结果分析 152 6.3 基于多目标膜量子蜂群的多目标频谱分配[16] 155 6.3.1 膜量子蜂群的基本演进规则 156 6.3.2 膜量子蜂群的膜框架 158 6.3.3 基于多目标膜量子蜂群算法的多目标频谱分配技术 161 6.3.4 频谱分配实验仿真 163 6.4 小结 167 参考文献 168 第7章 量子群智能的频谱感知技术 171 7.1 线性协作频谱感知模型 172 7.2 合作式频谱感知的基本算法 174 7.2.1 基于修正偏差因子的频谱感知方法 174 7.2.2 基于粒子群算法的频谱感知 175 7.2.3 计算机仿真 177 7.3 基于连续量子细菌觅食算法的频谱感知技术 178 7.3.1 量子细菌觅食算法的频谱感知[15] 178 7.3.2 计算机仿真 181 7.4 小结 184 参考文献 184 第8章 基于量子智能计算的DOA估计 187 8.1 经典DOA估计模型和算法 188 8.1.1 DOA估计模型 188 8.1.2 经典测向算法 189 8.1.3 基于量子蛙跳算法的测向方法 190 8.1.4 试验仿真 191 8.2 基于高阶累积量和文化量子算法的测向方法[18] 192 8.2.1 基于高阶累积量的广义加权子空间拟合算法 193 8.2.2 文化量子算法 196 8.2.3 基于文化量子算法的广义高阶加权信号子空间拟合测向 199 8.2.4 试验仿真 200 8.3 基于量子文化蛙跳算法的非圆信号DOA估计[27] 203 8.3.1 非圆极大似然算法 203 8.3.2 基于量子文化蛙跳算法的极大似然测向 204 8.3.3 试验仿真 206 8.4 小结 207 参考文献 208 第9章 冲击噪声环境下的量子智能计算DOA估计 211 9.1 冲击噪声环境下的测向模型 212 9.1.1 三种低阶矩 212 9.1.2 三种低阶矩的对比 213 9.2 基于量子文化细菌觅食算法的无穷范数最大似然测向方法[10] 215 9.2.1 量子文化细菌觅食算法 215 9.2.2 量子文化细菌觅食算法的无穷范数极大似然测向 218 9.2.3 试验仿真 221 9.3 基于量子粒子群的动态测向方法 225 9.3.1 冲击噪声下的动态测向模型 225 9.3.2 连续量子粒子群优化算法 226 9.3.3 量子粒子群优化算法的动态测向方法[18] 228 9.3.4 试验仿真 229 9.4 小结 231 参考文献 232