基于遗传算法的决策系统设计

基于遗传算法的决策系统设计

Marshal Zheng 2019-04-30

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$A$越大，传输效果越差，此时需要加大发射功率$P$，那么就可以设置函数表达式中的一项为：$ \frac{w}{A} *P$，其中$w$是人为设置的权值参数。这时，适应度函数的目标便是最大化目标函数。相反，如果将函数表达式中的一项设置为为：$ \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。