量子群智能及其在通信技術(shù)中的應(yīng)用

目 錄第1章 緒論 11.1 量子群智能計(jì)算簡(jiǎn)介 11.2 單目標(biāo)和多目標(biāo)優(yōu)化問(wèn)題 31.2.1 單目標(biāo)優(yōu)化問(wèn)題的數(shù)學(xué)模型 51.2.2 單目標(biāo)約束優(yōu)化問(wèn)題的求解方法 51.2.3 多目標(biāo)優(yōu)化問(wèn)題的數(shù)學(xué)模型 71.2.4 多目標(biāo)優(yōu)化方法簡(jiǎn)介 91.3 智能計(jì)算在通信技術(shù)中的應(yīng)用 111.3.1 簡(jiǎn)介 111.3.2 展望 151.4 本書(shū)內(nèi)容和結(jié)構(gòu)安排 17參考文獻(xiàn) 19第2章 用于離散優(yōu)化問(wèn)題的量子群智能計(jì)算 292.1 量子粒子群算法 302.1.1 雙鏈編碼的量子粒子群算法 302.1.2 單鏈編碼的量子粒子群算法[2] 322.1.3 性能測(cè)試 342.2 量子蜂群算法 372.2.1 雙鏈編碼的量子蜂群算法[5] 372.2.2 單鏈編碼的量子蜂群算法 402.2.3 性能測(cè)試 422.3 量子細(xì)菌覓食算法 432.3.1 雙鏈編碼的量子細(xì)菌覓食算法 442.3.2 量子細(xì)菌覓食算法的收斂性分析 472.3.3 性能測(cè)試 492.4 小結(jié) 50參考文獻(xiàn) 50第3章 用于連續(xù)優(yōu)化問(wèn)題的量子群智能計(jì)算 523.1 量子蛙跳算法 533.1.1 混合蛙跳算法 533.1.2 量子蛙跳算法[4] 553.1.3 性能測(cè)試 583.2 量子文化蛙跳算法[9] 603.2.1 量子規(guī)范知識(shí) 603.2.2 量子文化蛙跳算法的實(shí)現(xiàn) 613.2.3 性能測(cè)試 643.3 量子細(xì)菌覓食算法 653.3.1 細(xì)菌覓食算法 663.3.2 量子細(xì)菌覓食優(yōu)化算法[16] 693.3.3 性能測(cè)試 713.4 小結(jié) 73參考文獻(xiàn) 74第4章 基于量子智能算法的多用戶(hù)檢測(cè) 764.1 多用戶(hù)檢測(cè)的數(shù)學(xué)模型 784.1.1 噪聲模型 784.1.2 高斯噪聲下的多用戶(hù)檢測(cè)數(shù)學(xué)模型 794.2 高斯噪聲環(huán)境的典型多用戶(hù)檢測(cè)方法 834.2.1 傳統(tǒng)檢測(cè)器 834.2.2 最優(yōu)多用戶(hù)檢測(cè)器 844.2.3 Hopfield神經(jīng)網(wǎng)絡(luò)多用戶(hù)檢測(cè)器 864.3 基于免疫克隆量子算法的多用戶(hù)檢測(cè)[13] 874.3.1 神經(jīng)網(wǎng)絡(luò)制備疫苗的方法框架 884.3.2 基于免疫克隆量子算法的多用戶(hù)檢測(cè)器 894.3.3 試驗(yàn)仿真 934.4 量子HOPFIELD神經(jīng)網(wǎng)絡(luò)的多用戶(hù)檢測(cè)設(shè)計(jì) 954.4.1 量子Hopfield神經(jīng)網(wǎng)絡(luò) 964.4.2 基于量子神經(jīng)網(wǎng)絡(luò)的多用戶(hù)檢測(cè) 984.4.3 基于量子神經(jīng)網(wǎng)絡(luò)的多用戶(hù)檢測(cè)器仿真 994.5 量子蜂群算法的魯棒多用戶(hù)檢測(cè) 1004.5.1 魯棒多用戶(hù)檢測(cè)器 1014.5.2 新量子蜂群算法 1024.5.3 基于量子蜂群算法的魯棒多用戶(hù)檢測(cè)[37] 1044.5.4 試驗(yàn)仿真 1054.6 小結(jié) 107參考文獻(xiàn) 107第5章 基于量子群智能的認(rèn)知無(wú)線電決策引擎 1125.1 認(rèn)知無(wú)線電決策引擎模型和三種典型的決策引擎 1145.1.1 智能計(jì)算的認(rèn)知決策引擎 1145.1.2 基于智能計(jì)算的認(rèn)知決策引擎方法 1175.2 單目標(biāo)膜量子蜂群算法及其在決策引擎上的應(yīng)用[20] 1235.2.1 膜結(jié)構(gòu)簡(jiǎn)介 1235.2.2 膜量子蜂群優(yōu)化算法 1245.2.3 膜量子蜂群優(yōu)化算法的性能測(cè)試 1285.2.4 基于膜量子蜂群算法的認(rèn)知無(wú)線電決策引擎 1305.2.5 決策引擎試驗(yàn)仿真 1315.3 基于量子細(xì)菌覓食算法的綠色認(rèn)知無(wú)線電參數(shù)調(diào)整 1345.3.1 綠色認(rèn)知無(wú)線電參數(shù)調(diào)整模型 1355.3.2 量子細(xì)菌覓食算法的綠色認(rèn)知無(wú)線電參數(shù)調(diào)整[29] 1375.3.3 試驗(yàn)仿真 1385.4 小結(jié) 141參考文獻(xiàn) 142第6章 基于量子群智能的頻譜分配 1466.1 頻譜分配模型 1476.1.1 圖論著色模型 1476.1.2 單目標(biāo)頻譜分配 1496.1.3 多目標(biāo)頻譜分配 1506.2 基于量子粒子群算法的單目標(biāo)頻譜分配 1516.2.1 基于單鏈量子粒子群算法的認(rèn)知無(wú)線電頻譜分配[15] 1516.2.2 仿真結(jié)果分析 1526.3 基于多目標(biāo)膜量子蜂群的多目標(biāo)頻譜分配[16] 1556.3.1 膜量子蜂群的基本演進(jìn)規(guī)則 1566.3.2 膜量子蜂群的膜框架 1586.3.3 基于多目標(biāo)膜量子蜂群算法的多目標(biāo)頻譜分配技術(shù) 1616.3.4 頻譜分配實(shí)驗(yàn)仿真 1636.4 小結(jié) 167參考文獻(xiàn) 168第7章 量子群智能的頻譜感知技術(shù) 1717.1 線性協(xié)作頻譜感知模型 1727.2 合作式頻譜感知的基本算法 1747.2.1 基于修正偏差因子的頻譜感知方法 1747.2.2 基于粒子群算法的頻譜感知 1757.2.3 計(jì)算機(jī)仿真 1777.3 基于連續(xù)量子細(xì)菌覓食算法的頻譜感知技術(shù) 1787.3.1 量子細(xì)菌覓食算法的頻譜感知[15] 1787.3.2 計(jì)算機(jī)仿真 1817.4 小結(jié) 184參考文獻(xiàn) 184第8章 基于量子智能計(jì)算的DOA估計(jì) 1878.1 經(jīng)典DOA估計(jì)模型和算法 1888.1.1 DOA估計(jì)模型 1888.1.2 經(jīng)典測(cè)向算法 1898.1.3 基于量子蛙跳算法的測(cè)向方法 1908.1.4 試驗(yàn)仿真 1918.2 基于高階累積量和文化量子算法的測(cè)向方法[18] 1928.2.1 基于高階累積量的廣義加權(quán)子空間擬合算法 1938.2.2 文化量子算法 1968.2.3 基于文化量子算法的廣義高階加權(quán)信號(hào)子空間擬合測(cè)向 1998.2.4 試驗(yàn)仿真 2008.3 基于量子文化蛙跳算法的非圓信號(hào)DOA估計(jì)[27] 2038.3.1 非圓極大似然算法 2038.3.2 基于量子文化蛙跳算法的極大似然測(cè)向 2048.3.3 試驗(yàn)仿真 2068.4 小結(jié) 207參考文獻(xiàn) 208第9章 沖擊噪聲環(huán)境下的量子智能計(jì)算DOA估計(jì) 2119.1 沖擊噪聲環(huán)境下的測(cè)向模型 2129.1.1 三種低階矩 2129.1.2 三種低階矩的對(duì)比 2139.2 基于量子文化細(xì)菌覓食算法的無(wú)窮范數(shù)最大似然測(cè)向方法[10] 2159.2.1 量子文化細(xì)菌覓食算法 2159.2.2 量子文化細(xì)菌覓食算法的無(wú)窮范數(shù)極大似然測(cè)向 2189.2.3 試驗(yàn)仿真 2219.3 基于量子粒子群的動(dòng)態(tài)測(cè)向方法 2259.3.1 沖擊噪聲下的動(dòng)態(tài)測(cè)向模型 2259.3.2 連續(xù)量子粒子群優(yōu)化算法 2269.3.3 量子粒子群優(yōu)化算法的動(dòng)態(tài)測(cè)向方法[18] 2289.3.4 試驗(yàn)仿真 2299.4 小結(jié) 231參考文獻(xiàn) 232