量子群智慧及其在通信技術中的應用（簡體書）

本書共分9章，主要內容包括量子粒子群、量子蛙跳演算法、量子蜂群、量子細菌覓食、量子神經網路、量子文化演算法、量子文化群智慧、量子膜群演算法、多目標量子膜群演算法、多使用者檢測、頻譜分配、決策引擎、頻譜感知、衝擊雜訊測向、非圓信號測向等通信技術中的熱點和難點問題。 本書可使讀者在瞭解和學習量子群智慧和通信技術最新科研成果的同時，在量子群智慧和通信技術兩個方向得到啟發，也可作為相關學科的教材和科研用書。

目 錄

第1章 緒論 1
1.1 量子群智慧計算簡介 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 智慧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 用於離散優化問題的量子群智慧計算 29
2.1 量子粒子群演算法 30
2.1.1 雙鏈編碼的量子粒子群演算法 30
2.1.2 單鏈編碼的量子粒子群演算法[2] 32
2.1.3 性能測試 34
2.2 量子蜂群演算法 37
2.2.1 雙鏈編碼的量子蜂群演算法[5] 37
2.2.2 單鏈編碼的量子蜂群演算法 40
2.2.3 性能測試 42
2.3 量子細菌覓食演算法 43
2.3.1 雙鏈編碼的量子細菌覓食演算法 44
2.3.2 量子細菌覓食演算法的收斂性分析 47
2.3.3 性能測試 49
2.4 小結 50
參考文獻 50
第3章 用於連續優化問題的量子群智慧計算 52
3.1 量子蛙跳演算法 53
3.1.1 混合蛙跳演算法 53
3.1.2 量子蛙跳演算法[4] 55
3.1.3 性能測試 58
3.2 量子文化蛙跳演算法[9] 60
3.2.1 量子規範知識 60
3.2.2 量子文化蛙跳演算法的實現 61
3.2.3 性能測試 64
3.3 量子細菌覓食演算法 65
3.3.1 細菌覓食演算法 66
3.3.2 量子細菌覓食優化演算法[16] 69
3.3.3 性能測試 71
3.4 小結 73
參考文獻 74
第4章 基於量子智慧演算法的多使用者檢測 76
4.1 多使用者檢測的數學模型 78
4.1.1 雜訊模型 78
4.1.2 高斯雜訊下的多使用者檢測數學模型 79
4.2 高斯雜訊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神經網路多使用者檢測器 86
4.3 基於免疫克隆量子演算法的多使用者檢測[13] 87
4.3.1 神經網路製備疫苗的方法框架 88
4.3.2 基於免疫克隆量子演算法的多使用者檢測器 89
4.3.3 試驗模擬 93
4.4 量子HOPFIELD神經網路的多使用者檢測設計 95
4.4.1 量子Hopfield神經網路 96
4.4.2 基於量子神經網路的多使用者檢測 98
4.4.3 基於量子神經網路的多使用者檢測器模擬 99
4.5 量子蜂群演算法的魯棒多使用者檢測 100
4.5.1 魯棒多用戶檢測器 101
4.5.2 新量子蜂群演算法 102
4.5.3 基於量子蜂群演算法的魯棒多使用者檢測[37] 104
4.5.4 試驗模擬 105
4.6 小結 107
參考文獻 107
第5章 基於量子群智慧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 智慧計算的認知決策引擎 114
5.1.2 基於智慧計算的認知決策引擎方法 117
5.2 單目標膜量子蜂群演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 膜量子蜂群優化演算法 124
5.2.3 膜量子蜂群優化演算法的性能測試 128
5.2.4 基於膜量子蜂群演算法的認知無線電決策引擎 130
5.2.5 決策引擎試驗模擬 131
5.3 基於量子細菌覓食演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 量子細菌覓食演算法的綠色認知無線電參數調整[29] 137
5.3.3 試驗模擬 138
5.4 小結 141
參考文獻 142
第6章 基於量子群智慧的頻譜分配 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 基於量子粒子群演算法的單目標頻譜分配 151
6.2.1 基於單鏈量子粒子群演算法的認知無線電頻譜分配[15] 151
6.2.2 模擬結果分析 152
6.3 基於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 基於多目標膜量子蜂群演算法的多目標頻譜分配技術 161
6.3.4 頻譜分配實驗模擬 163
6.4 小結 167
參考文獻 168
第7章 量子群智慧的頻譜感知技術 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演算法 174
7.2.1 基於修正偏差因數的頻譜感知方法 174
7.2.2 基於粒子群演算法的頻譜感知 175
7.2.3 電腦模擬 177
7.3 基於連續量子細菌覓食演算法的頻譜感知技術 178
7.3.1 量子細菌覓食演算法的頻譜感知[15] 178
7.3.2 電腦模擬 181
7.4 小結 184
參考文獻 184
第8章 基於量子智慧計算的DOA估計 187
8.1 經典DOA估計模型和演算法 188
8.1.1 DOA估計模型 188
8.1.2 經典測向演算法 189
8.1.3 基於量子蛙跳演算法的測向方法 190
8.1.4 試驗模擬 191
8.2 基於高階累積量和文化量子演算法的測向方法[18] 192
8.2.1 基於高階累積量的廣義加權子空間擬合算法 193
8.2.2 文化量子演算法 196
8.2.3 基於文化量子演算法的廣義高階加權信號子空間擬合測向 199
8.2.4 試驗模擬 200
8.3 基於量子文化蛙跳演算法的非圓信號DOA估計[27] 203
8.3.1 非圓極大似然演算法 203
8.3.2 基於量子文化蛙跳演算法的極大似然測向 204
8.3.3 試驗模擬 206
8.4 小結 207
參考文獻 208
第9章 衝擊雜訊環境下的量子智慧計算DOA估計 211
9.1 衝擊雜訊環境下的測向模型 212
9.1.1 三種低階矩 212
9.1.2 三種低階矩的對比 213
9.2 基於量子文化細菌覓食演算法的無窮範數最大似然測向方法[10] 215
9.2.1 量子文化細菌覓食演算法 215
9.2.2 量子文化細菌覓食演算法的無窮範數極大似然測向 218
9.2.3 試驗模擬 221
9.3 基於量子粒子群的動態測向方法 225
9.3.1 衝擊雜訊下的動態測向模型 225
9.3.2 連續量子粒子群優化演算法 226
9.3.3 量子粒子群優化演算法的動態測向方法[18] 228
9.3.4 試驗模擬 229
9.4 小結 231
參考文獻 232