改进人工蜂群算法在信道分配上的应用

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (7): 119-122.

改进人工蜂群算法在信道分配上的应用

刘俊霞1，3，贾振红1，覃锡忠1，常春2，王浩2

1.新疆大学信息科学与工程学院，乌鲁木齐 830046
2.中国移动新疆分公司，乌鲁木齐 830063
3.新疆机电职业技术学院，乌鲁木齐 830011

出版日期:2013-04-01 发布日期:2013-04-15

Applications in channel assignment based on improved artificial bee colony algorithm

LIU Junxia1，3, JIA Zhenhong1, QIN Xizhong1, CHANG Chun2, WANG Hao2

1.Institute of Information Science and Engineering, Xinjiang University, Urumqi 830046, China
2.Xinjiang Mobile Communication Company, Urumqi 830063, China
3.Xinjiang Institute of Electrical and Mechanical Technology, Urumqi 830011, China

Online:2013-04-01 Published:2013-04-15

摘要/Abstract

摘要： 移动通信网络中频率资源是有限的，为了提高无线资源的利用率，将改进的人工蜂群算法用于解决无线信道分配问题。提出的算法用逐步减小邻域搜索范围的动态步长来均衡局部与全局搜索能力；对单个体引入选择性变异技术，增加了种群的多样性，加快了算法的收敛速度。仿真结果表明，改进后的算法能较好地解决无线信道分配问题，提高了算法的收敛率和收敛速度。

关键词: 信道分配, 人工蜂群算法, 选择性变异, 搜索步长

Abstract: The frequency resources of mobile communication network are limited, in order to improve wireless resource utilization, the improved artificial bee colony algorithm is to solve the wireless channel allocation problem. The proposed algorithm with gradually reduced dynamic step balances local and global search capability. The introduction of the single-individual selective mutation increases population diversity and the convergence speed. Simulation results show that the improved algorithm can be better to solve the wireless channel allocation, improve the convergence rate and convergence speed of algorithm.

Key words: channel assignment, artificial bee algorithm, selective mutation, search step

刘俊霞1，3，贾振红1，覃锡忠1，常春2，王浩2. 改进人工蜂群算法在信道分配上的应用[J]. 计算机工程与应用, 2013, 49(7): 119-122.

LIU Junxia1，3, JIA Zhenhong1, QIN Xizhong1, CHANG Chun2, WANG Hao2. Applications in channel assignment based on improved artificial bee colony algorithm[J]. Computer Engineering and Applications, 2013, 49(7): 119-122.

[1]	李雨鑫，李悦悦. 面向JIT采购的多目标车辆调度[J]. 计算机工程与应用, 2021, 57(12): 263-272.
[2]	李顺东，游晓明，刘升. 结合ABC算法动态分级的双蚁态蚁群算法[J]. 计算机工程与应用, 2020, 56(12): 37-46.
[3]	宋晓宇，高明海，赵明. 具有自适应搜索策略的混合人工蜂群算法[J]. 计算机工程与应用, 2019, 55(22): 53-59.
[4]	浦玉学，舒鹏飞，蒋祺，陈卫中. 工业机器人时间-能量最优轨迹规划[J]. 计算机工程与应用, 2019, 55(22): 86-90.
[5]	王贞，李旭飞. 求解约束优化问题的自适应人工蜂群算法[J]. 计算机工程与应用, 2019, 55(15): 47-58.
[6]	张维存，张曼. 面向连续生产的供应链联合调度及算法[J]. 计算机工程与应用, 2019, 55(13): 246-253.
[7]	张戈，王建林. 基于混合ABC和CRO的高维特征选择方法[J]. 计算机工程与应用, 2019, 55(11): 93-101.
[8]	魏锋涛，岳明娟，郑建明. 基于多策略融合的改进人工蜂群算法[J]. 计算机工程与应用, 2018, 54(5): 111-116.
[9]	刘明辉1，李炜2. 基于knee points的改进多目标人工蜂群算法[J]. 计算机工程与应用, 2018, 54(2): 40-47.
[10]	张伟灿，何选森. 基于改进蜂群聚类的欠定盲源分离[J]. 计算机工程与应用, 2018, 54(17): 243-248.
[11]	黄亚飞，王国富，张法全，叶金才. 基于蜂群算法和带参阈值函数的图像去噪方法[J]. 计算机工程与应用, 2018, 54(17): 164-168.
[12]	林诗洁1，2，董晨1，2，陈明志1，2，张凡1，2，陈景辉1，2. 新型群智能优化算法综述[J]. 计算机工程与应用, 2018, 54(12): 1-9.
[13]	李艳娟，陈阿慧. 基于禁忌搜索的人工蜂群算法[J]. 计算机工程与应用, 2017, 53(4): 145-151.
[14]	冯玉芳，卢厚清，殷宏. 基于多链量子蜂群算法的模糊聚类图像分割[J]. 计算机工程与应用, 2017, 53(24): 8-14.
[15]	张维存1，赵晓巧1，于万霞2. 具有角色转换的自适应人工蜂群算法[J]. 计算机工程与应用, 2017, 53(14): 117-122.