MC-CDMA集OFDM和CDMA的優點于一體，具有很大應用潛力。但該系統存在嚴重的多址干擾，這不僅嚴重影響了系統的抗干擾性，也嚴重限制了系統容量的提高[1]。多用戶檢測技術是消除多址干擾的有效手段，但其算法復雜度較高，建設成本較大，尤其是檢測性能最好的最佳多用戶檢測技術，其算法復雜度隨用戶數目成指數增長，不適合實際應用[2-3]。
    遺傳算法是一種通用的求解最優化問題的智能算法[4]。它的計算性能好，運算量較小。考慮到最佳多用戶檢測是求二次整數非線性優化問題的全局最優解，因此將解決優化問題的遺傳算法應用于最佳多用戶檢測技術中是行之有效的。
    基本遺傳算法存在局部搜索能力較弱和收斂速度較慢等問題[5]。模擬退火法是一種模擬高溫金屬降溫的熱力學過程的隨機組合優化方法。在初始溫度足夠高、溫度下降足夠慢的條件下，能以概率1向全局最優值收斂[6-7]。若將模擬退火應用于遺傳算法中，便能克服遺傳算法易陷入局部極小點的缺點，使得搜索沿著全局最優化方向發展。本文研究模擬退火遺傳算法在MC-CDMA系統多用戶檢測技術中的應用，利用其求解NP（Non-deterministic Polynomial）完備問題。
1 模擬退火遺傳算法
1.1 遺傳算法
    遺傳算法(GA)是基于生物自然選擇和遺傳學原理的一種自適應啟發式、概率性迭代式的全局搜索算法，其主要借用了生物進化中“適者生存”和“優勝劣汰”的規律。它利用簡單的編碼技術和繁殖機制來表現復雜的現象,以編碼空間代替問題的參數空間,以適應度函數為評價依據、以編碼群體為進化基礎,以對群體中個體位串的遺傳操作實現選擇和遺傳機制，建立迭代過程。在這一過程中，通過隨機重組編碼位串中的優秀基因，使子代群體優于父代群體，群體個體不斷進化，逐漸接近最優解，最終實現問題求解。它模擬自然界中的生命進化機制，在人工系統中實現特定目標的優化。實踐證明，遺傳算法對于NP問題非常有效[8]，但是它容易陷入局部最優，即全局搜索能力弱。
1.2 模擬退火算法
    模擬退火算法(SA)是基于金屬退火的機理而建立起來的一種隨機算法。它是一種全局最優化方法，能夠以隨機搜索技術從概率的意義上找出目標函數的全局最小點。在搜索最優解的過程中，模擬退火算法除了接受最優化解外，還用隨機接受準則有限地接受惡化解，這使得算法有可能擺脫局部最優，盡可能找到全局最優解，保證算法收斂。它通過控制溫度的變化過程來實現大范圍的粗略搜索與局部的精細搜索。采用指數降溫策略對溫度的變化進行控制，即：

    使用上述準則的優點是：當新解更優時，完全接受新解的當前解；而當新解為惡化解時，以概率P接受惡化解為新的當前解。這使得SA能夠避免陷入局部最優。隨著優化的進行，SA的局部搜索能力也逐漸增強，確保算法有足夠的搜索精度。
　 模擬退火算法有可能擺脫局部最優，找到全局最優解，保證算法收斂。但是它只是搜索解空間中的一點且對解空間中已知試探的區域知之甚少，因此難以判斷哪些區域有更多的機會找到最優解。所以，其收斂到全局最優解是非常耗時的。
1.3 模擬退火遺傳算法
    鑒于遺傳算法的并行性和它在算法結構上的特點, 可以很容易地將遺傳算法和其他算法混合使用, 從而達到揚長避短的作用。從上文的論述中可以看出,若將遺傳算法的全局搜索功能和模擬退火的局部搜索功能互相補充，將相得益彰。
    本文在遺傳算法中融入模擬退火思想，首先,在選擇操作中引入退火思想并允許適應度高的少量父代與子代共同競爭；其次,根據模擬退火思想設計出自適應交叉概率和變異概率，從而保證了種群的多樣性以及收斂速度。模擬退火遺傳算法的流程如下：
    (1)初始群體的產生:為了得到理想的初始種群，首先在每個變量的取值范圍內均勻產生種群，然后通過設計重組與篩選算子進行重新組合，從而保證其多樣性和組合隨機性。在經過交叉變異產生的子代中同樣采用篩選算子使新一代種群中避免出現大量重復個體，使算法能夠趨于收斂。篩選算子流程如圖1所示。

    (2)退火選擇操作：運用適者生存法則，繁殖操作在舊的群體中“隨機”選擇符號串生成一個新的種群，但選擇并非完全隨機，它基于一個符號串相對于整個群體的適應度。在常用的輪盤賭選擇方法中，個體被選中的概率遵循Montecarlo方法，與其適應度和種群的平均適應度的比值成正比：

其中，{Tk}漸趨于0的退火溫度，Tk=1/ln(k/T0+1)，T0為起始溫度。
    (3)自適應度交叉概率和變異概率
    GA的交叉概率Pc與變異概率Pm對其性能影響很大，它們的選擇直接影響算法的收斂性。在進化初期，為了避免個別適應度高的個體迅速繁殖，出現早熟現象，Pc和Pm不宜過小，以增加種群的多樣性；在進化后期，個體接近最優解時，Pc和Pm不宜過大，以避免個體長期無法達到最優解[8]。文中的Pc和Pm根據模擬退火思想按照如下公式進行自適應調整：

其中T′類似于模擬退火中的溫度T,為進化代數的倒數；gen為設定的進化總代數。在進化初期T′較高，則Pc和Pm較大，以利于種群的多樣性；隨著進化代數的增加，T′逐漸減小，Pc和Pm漸進減小，便于個體向最優解靠近。
    從上述內容可知，將模擬退火應用于遺傳算法中，在優選交叉和變異個體的過程中通過加入一定的“擾動”以達到保持群體中位串多樣性和位串之間的競爭機制，從而克服算法易陷入局部極小點的問題，使得搜索沿著全局最優化方向趨進。
2 模擬退火遺傳算法在多用戶檢測技術中的應用
    模擬退火算法與遺傳算法相結合，取長補短，形成了模擬退火遺傳算法。多用戶檢測是一個NP完備問題，將模擬退火遺傳算法用于多用戶檢測中是可行的。圖2為模擬退火遺傳算法多用戶檢測原理框圖，由濾波器和多用戶檢測器兩部分組成。它有 k個輸入和k個輸出。

    基于模擬退火遺傳算法的多用戶檢測器以匹配濾波器的輸出作為模擬退火遺傳算法的初始值，再通過模擬退火遺傳算法的啟發式搜索，提高多用戶檢測器的抗多址干擾和抗遠近效應能力。同時通過模擬退火算法來減輕遺傳算法的選擇壓力，這樣不但可以避免遺傳算法的早熟收斂問題，并且使群體中的最優解得到了保留。模擬退火遺傳算法多用戶檢測器的基本操作流程如下：
    (1)初始化控制參數。如群體規模N、用戶數K、初始溫度t0、變化系數?墜、變異概率Pm和交叉概率Pc等。
    (2)編碼。解向量b是由{-1,1}組成的二進制序列，無需編碼。
    (3)初始化種群。將經匹配濾波器并經判決后的結果作為初始種群中的一個個體B1送入模擬退火遺傳算法多用戶檢測器，其余N-1個個體均由其隨機擾動產生。
    (4)適應度函數評價。采用與簡單遺傳算法多用戶檢測相同的適應度函數，計算種群中每個個體的適應度函數值f。
    (5)交叉。隨機選取兩個個體Bi和Bj進行交叉，產生新個體Bi′和Bj′，計算f(j)和f(i)，并按Metropolis準則計算接收概率，若P=min{1,exp[f(i)-f(j)/tk]}≥random[0,1]，則接收新解，否則保持原狀態。
    (6)對交叉后的個體進行變異操作，按與(5)中同樣的判決方法判斷是否接受變異后產生的新個體。
    (7)判斷是否滿足收斂條件。若已經達到預先設定的最大遺傳代數，則迭代過程結束，輸出最優解；否則有ti+1=?墜ti,?墜<1，并轉至(4)進行下一步的迭代尋優工作。
　    從上述內容可知，與基于復雜矩陣算法的傳統多用戶檢測器相比,基于模擬退火遺傳算法的多用戶檢測器算法降低了難度。
3 仿真研究
    利用MATLAB仿真平臺將基于模擬退火遺傳算法的多用戶檢測器（SAGA）與傳統最佳多用戶檢測器（OMD）、基于遺傳算法的多用戶檢測器（GA）以及其他典型多用戶檢測算法進行性能比較，以誤碼率隨信噪比的變化曲線作為比較參數。
　    仿真環境：上行同步的CDMA系統,采用BPSK調制，使用正交Walsh碼作為擴頻碼，其中碼長為16。系統中共有8個用戶且信道信息已知，設定信道為2徑等增益衰落信道(L=2)，每條徑的幅度服從瑞利分布，相位服從[0,2π]間的均勻分布，使用理想功率控制。遺傳算法中所取各參數值分別為：種群數為10，變異概率為0.9，交叉概率為0.1。
    圖3比較了各種典型多用戶檢測算法性能。其中最優多用戶檢測算法性能最好，但其計算量太大，復雜度高。圖4比較了最佳多用戶檢測器、遺傳算法多用戶檢測器和模擬退火遺傳算法檢測器的抗干擾性能。結合圖3和圖4可以看出：本文所采用的基于模擬退火遺傳算法的多用戶檢測器性能優于遺傳算法多用戶檢測器和其他次優多用戶檢測器,且非常接近最佳多用戶檢測器。

    通過將模擬退火算法融入遺傳算法框架中，對基本遺傳算法進行改進，即一方面允許父代參與競爭，將父代群體中最優個體和子代群體中最優個體組成新的群體并進行退火選擇;另一方面根據模擬退火思想自適應調整Pc和Pm，從而形成SAGA，然后將其應用到多用戶檢測技術中，有效地解決了移動通信系統中存在的多址干擾等問題。由于其算法性能接近最優多用戶檢測器，有效地消除了多址干擾，而且算法難度有所降低，很適合在實際系統中的應用。
本文來自：中國測控網http://cp.ck365.cn