第1章 緒論 1
1.1 量子群智能計算簡介 1
1.2 單目標和多目標優化問題 3
1.2.1 單目標優化問題的數學模型 5
1.2.2 單目標約束優化問題的求解方法 5
1.2.3 多目標優化問題的數學模型 7
1.2.4 多目標優化方法簡介 9
1.3 智能計算在通信技術中的應用 11
1.3.1 簡介 11
1.3.2 展望 15
1.4 本書內容和結構安排 17
參考文獻 19
第2章 用于離散優化問題的量子群智能計算 29
2.1 量子粒子群算法 30
2.1.1 雙鏈編碼的量子粒子群算法 30
2.1.2 單鏈編碼的量子粒子群算法[2] 32
2.1.3 性能測試 34
2.2 量子蜂群算法 37
2.2.1 雙鏈編碼的量子蜂群算法[5] 37
2.2.2 單鏈編碼的量子蜂群算法 40
2.2.3 性能測試 42
2.3 量子細菌覓食算法 43
2.3.1 雙鏈編碼的量子細菌覓食算法 44
2.3.2 量子細菌覓食算法的收斂性分析 47
2.3.3 性能測試 49
2.4 小結 50
參考文獻 50
第3章 用于連續優化問題的量子群智能計算 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 性能測試 58
3.2 量子文化蛙跳算法[9] 60
3.2.1 量子規范知識 60
3.2.2 量子文化蛙跳算法的實現 61
3.2.3 性能測試 64
3.3 量子細菌覓食算法 65
3.3.1 細菌覓食算法 66
3.3.2 量子細菌覓食優化算法[16] 69
3.3.3 性能測試 71
3.4 小結 73
參考文獻 74
第4章 基于量子智能算法的多用戶檢測 76
4.1 多用戶檢測的數學模型 78
4.1.1 噪聲模型 78
4.1.2 高斯噪聲下的多用戶檢測數學模型 79
4.2 高斯噪聲環境的典型多用戶檢測方法 83
4.2.1 傳統檢測器 83
4.2.2 最優多用戶檢測器 84
4.2.3 Hopfield神經網絡多用戶檢測器 86
4.3 基于免疫克隆量子算法的多用戶檢測[13] 87
4.3.1 神經網絡制備疫苗的方法框架 88
4.3.2 基于免疫克隆量子算法的多用戶檢測器 89
4.3.3 試驗仿真 93
4.4 量子HOPFIELD神經網絡的多用戶檢測設計 95
4.4.1 量子Hopfield神經網絡 96
4.4.2 基于量子神經網絡的多用戶檢測 98
4.4.3 基于量子神經網絡的多用戶檢測器仿真 99
4.5 量子蜂群算法的魯棒多用戶檢測 100
4.5.1 魯棒多用戶檢測器 101
4.5.2 新量子蜂群算法 102
4.5.3 基于量子蜂群算法的魯棒多用戶檢測[37] 104
4.5.4 試驗仿真 105
4.6 小結 107
參考文獻 107
第5章 基于量子群智能的認知無線電決策引擎 112
5.1 認知無線電決策引擎模型和三種典型的決策引擎 114
5.1.1 智能計算的認知決策引擎 114
5.1.2 基于智能計算的認知決策引擎方法 117
5.2 單目標膜量子蜂群算法及其在決策引擎上的應用[20] 123
5.2.1 膜結構簡介 123
5.2.2 膜量子蜂群優化算法 124
5.2.3 膜量子蜂群優化算法的性能測試 128
5.2.4 基于膜量子蜂群算法的認知無線電決策引擎 130
5.2.5 決策引擎試驗仿真 131
5.3 基于量子細菌覓食算法的綠色認知無線電參數調整 134
5.3.1 綠色認知無線電參數調整模型 135
5.3.2 量子細菌覓食算法的綠色認知無線電參數調整[29] 137
5.3.3 試驗仿真 138
5.4 小結 141
參考文獻 142
第6章 基于量子群智能的頻譜分配 146
6.1 頻譜分配模型 147
6.1.1 圖論著色模型 147
6.1.2 單目標頻譜分配 149
6.1.3 多目標頻譜分配 150
6.2 基于量子粒子群算法的單目標頻譜分配 151
6.2.1 基于單鏈量子粒子群算法的認知無線電頻譜分配[15] 151
6.2.2 仿真結果分析 152
6.3 基于多目標膜量子蜂群的多目標頻譜分配[16] 155
6.3.1 膜量子蜂群的基本演進規則 156
6.3.2 膜量子蜂群的膜框架 158
6.3.3 基于多目標膜量子蜂群算法的多目標頻譜分配技術 161
6.3.4 頻譜分配實驗仿真 163
6.4 小結 167
參考文獻 168
第7章 量子群智能的頻譜感知技術 171
7.1 線性協作頻譜感知模型 172
7.2 合作式頻譜感知的基本算法 174
7.2.1 基于修正偏差因子的頻譜感知方法 174
7.2.2 基于粒子群算法的頻譜感知 175
7.2.3 計算機仿真 177
7.3 基于連續量子細菌覓食算法的頻譜感知技術 178
7.3.1 量子細菌覓食算法的頻譜感知[15] 178
7.3.2 計算機仿真 181
7.4 小結 184
參考文獻 184
第8章 基于量子智能計算的DOA估計 187
8.1 經典DOA估計模型和算法 188
8.1.1 DOA估計模型 188
8.1.2 經典測向算法 189
8.1.3 基于量子蛙跳算法的測向方法 190
8.1.4 試驗仿真 191
8.2 基于高階累積量和文化量子算法的測向方法[18] 192
8.2.1 基于高階累積量的廣義加權子空間擬合算法 193
8.2.2 文化量子算法 196
8.2.3 基于文化量子算法的廣義高階加權信號子空間擬合測向 199
8.2.4 試驗仿真 200
8.3 基于量子文化蛙跳算法的非圓信號DOA估計[27] 203
8.3.1 非圓極大似然算法 203
8.3.2 基于量子文化蛙跳算法的極大似然測向 204
8.3.3 試驗仿真 206
8.4 小結 207
參考文獻 208
第9章 沖擊噪聲環境下的量子智能計算DOA估計 211
9.1 沖擊噪聲環境下的測向模型 212
9.1.1 三種低階矩 212
9.1.2 三種低階矩的對比 213
9.2 基于量子文化細菌覓食算法的無窮范數最大似然測向方法[10] 215
9.2.1 量子文化細菌覓食算法 215
9.2.2 量子文化細菌覓食算法的無窮范數極大似然測向 218
9.2.3 試驗仿真 221
9.3 基于量子粒子群的動態測向方法 225
9.3.1 沖擊噪聲下的動態測向模型 225
9.3.2 連續量子粒子群優化算法 226
9.3.3 量子粒子群優化算法的動態測向方法[18] 228
9.3.4 試驗仿真 229
9.4 小結 231
參考文獻 232