基于遗传算法的决策系统设计
基础架构
基本初始化种群同一般遗传算法,选择合适的变异交叉参数(概率值),其他基础架构接近一般设计。
模型改进
-
适应度计算函数
cal_objvalue(pop,SNR)
:适应度函数自主设计。-
主要思路:适应度函数主要考量链路对信号的影响进行设计。
-
输入:输入的是干扰信号的特征。我们需要根据干扰信号的特征进行决策。所以适应度计算函数中应有干扰信号的特征作为权值参数(函数的基本组成参数)。
-
自变量选择:误码率,速率等链路质量指标参数。(注:需要对上述参数进行一定的组合,例如辅助以一定的权重,而非1:1:1…模式。)
-
种群定位:考虑到种群二进制转十进制后是连续的整数值,可以作为选择最优链路的索引。
-
前提:需要建立若干张三维表,例如,表1的x坐标意义为发射功率,y坐标意义为JNR,z坐标意义为误码率,依次类推。这些东西都要提前根据不同链路测试进行得到。
-
设计函数:根据干扰信号的特征来自主设计。比如某个干扰信号的特征A对信号的功率影响比较大,且 A A A越大,传输效果越差,此时需要加大发射功率 P P P,那么就可以设置函数表达式中的一项为:$ \frac{w}{A} *P , 其 中 ,其中 ,其中w 是 人 为 设 置 的 权 值 参 数 。 这 时 , 适 应 度 函 数 的 目 标 便 是 最 大 化 目 标 函 数 。 相 反 , 如 果 将 函 数 表 达 式 中 的 一 项 设 置 为 为 : 是人为设置的权值参数。这时,适应度函数的目标便是最大化目标函数。相反,如果将函数表达式中的一项设置为为: 是人为设置的权值参数。这时,适应度函数的目标便是最大化目标函数。相反,如果将函数表达式中的一项设置为为: \frac{w}{P} *A$,这时,适应度函数的目标便是最小化目标函数。
-
分析:输入的干扰信号的特征,建立函数表达式,利用索引遍历不同的JNR和发射功率等条件下的误码率等自变量的值,进而计算得到适应度函数值。
-
-
主函数
- 设置输入为:JNR,干扰信号的特征
- 输入种群随机,需要人为设置种群大小和编码长度(根据三维表的横坐标来设置,因为编码可以用作索引)
- 种群进化代数人为设置
- 其他基本修改。