1 引言
随着信息技术和电子设备的发展,电磁频谱环境日益复杂,而且侦察和干扰手段日益增强,传统的扩频、跳频、猝发、自适应天线等通信抗干扰技术已无法适应复杂电磁干扰环境,难以满足抗干扰性能和频谱效率的联合最优,为了更好地对抗复杂电磁环境,认知抗干扰通信技术已成为重要的研究课题[1～3]。
认知抗干扰通信是指通信设备能够自动感知电磁干扰环境,根据电磁环境的动态变化,决策出最佳抗干扰传输手段和最优的系统参数,从而达到高效、可靠的通信,实现抗干扰性能和频谱效率的联合最优。认知抗干扰通信系统结构,主要包括三个部分:电磁环境认知、自适应抗干扰传输和智能决策。电磁环境认知能够对电磁环境干扰实现快速感知和识别;智能决策针对干扰特性,通过优化或学习算法,得到最优抗干扰策略,选择最佳抗干扰传输参数;自适应抗干扰传输根据决策结果,使收发设备自动配置适应环境的传输波形和传输参数,从而保障通信的可靠传输。其中,电磁环境认知是前提,智能决策是核心,自适应抗干扰传输是手段。
认知抗干扰系统中智能决策是其核心,为了使决策的学习能力更强、智能性更高,国内外专家在认知系统中加入神经网络[4]、强化学习[5]、群体智能算法[6-10]等实现更智能的学习推理[11]。群体智能算法复杂度相对较低,且具有优越的性能,其中,人工蜂群算法(Artificial Bee Colony,ABC)相较于其他群体智能算法全局寻优速度更快,设置参数少,灵活、易与其他技术结合改进原算法,实用性更广泛。
文献[12]研究了ABC算法在飞机着陆决策支持系统中的应用,文献[13]研究了ABC算法在多目标模糊投资组合优化问题中的应用,文献[14]将二进制ABC算法应用到认知无线电决策引擎中,对无线电系统的发射功率和调制方式进行了优化调整;文献[10]在文献[9]的基础上将ABC算法应用到通信抗干扰系统中,决策输出系统发射功率和调制编码方式。但ABC算法在求解多目标优化问题时同样有自身的局限性,如局部搜索能力较弱、后期收敛速度慢等。文献[13]受萤火虫算法的启发,将萤火虫算法的搜索方式和ABC算法的搜索方式相结合;文献[14]受进化算法启发,使ABC算法的邻域搜索过程受当前最优个体影响。但改进算法都只考虑了连续空间的情况,本文研究的认知抗干扰系统决策的干扰抑制方式、频谱资源分配、调制编码方式和功率调整信息均为离散变量,所以文献中提到的改进算法不适用于本文的决策引擎。因此,为了减小ABC算法在求解多目标优化问题时的局限性,本文提出了适用于离散空间的按基因组搜索的ABC算法,设计了一种基于改进人工蜂群算法的认知抗干扰智能决策引擎,研究了其智能决策原理,分析了影响决策性能的参数,并仿真分析了不同干扰环境下的智能抗干扰性能和频谱效率。
本文内容安排如下:第2节给出引擎模型;第3节介绍目标函数和染色体的设计、智能决策实现步骤和参数分析,参数分析中阐述了本文提出的按基因组的邻域搜索方法;第4节进行了性能仿真分析;最后对全文进行了总结。
2 基于改进人工蜂群算法的认知抗干扰智能决策引擎模型
基于改进人工蜂群算法的认知抗干扰智能决策引擎如图1所示,在引擎开始工作之前,将目标输出(干扰抑制方式、可用频率子带数、调制编码方式、发射功率)进行染色体编码,根据系统效能设计目标函数。引擎工作时,首先,将电磁环境认知模块感知得到的外部信息(信道类型、噪声功率、干扰类型、干扰参数)、用户需求和性能输入到智能决策模块中,然后初始化种群,在知识库的支撑下,雇佣蜂在种群邻域按基因组寻找适应度值更优个体,更新种群;接着,与雇佣蜂同等数量的跟随蜂根据当前种群中个体的优劣随机分配至各个体,按基因组在其邻域寻找更优个体;最后,每次派遣少量侦查蜂将局部最优个体淘汰,加入新个体,该过程相当于种群的“变异”过程,增加种群多样性,如此循环进行快速寻优,最终将决策输出的当前环境下的优化参数(干扰抑制方式、频谱资源分配、调制编码方式和功率调整信息)输入到自适应抗干扰传输模块。根据反馈的传输性能,判断决策参数是否满足当前要求,进行调整,丰富知识库内容。
图1 基于改进人工蜂群算法的认知抗干扰智能决策引擎模型
Fig.1 Cognitive anti-jamming intelligent decision engine model based on improved artificial bee colony algorithm
3 基于改进人工蜂群算法的智能决策原理
3.1 目标函数和染色体设计
3.1.1 目标函数设计
本文使用抗干扰性能、功率效率和传输效率表示系统效能,因此用三个参数构造目标函数,即误包率、发射功率、平均信息传输速率,目标是以最小功率实现最可靠(误包率最小)和最高效(信息传输速率最大)的通信。将这三个参数去量纲并归一化至[0,1]区间后进行加权求和得到目标函数,如式(1)所示:
E=wBfB+wRfR+wPfP
(1)
fB,fR,fP分别为最小化误包率归一化、最大化平均信息传输速率归一化、最小化发射功率归一化[15],wB、wR和wP分别表示三者的权重,wB+wR+wP=1,E的值定义为适应度值。
3.1.2 染色体设计
无干扰时,染色体设置2个基因组,如图2,调制编码方案(Modulation and Coding Scheme,MCS)阶数由Km个基因位表示,发射功率信息用Kp个基因位表示。
图2 无干扰环境下染色体设计
Fig.2 Chromosome design in the non-jamming environment
干扰情况下,染色体设置4个基因组,MCS阶数由Km个基因位表示,发射功率信息用Kp个基因位表示,子带数量选择用Kb个基因位表示,干扰抑制方式用Kr个基因位表示。
图3 干扰环境下染色体设计
Fig.3 Chromosome design in the jamming environment
3.2 智能决策实现步骤
人工蜂群算法是模拟蜜蜂寻找食物的过程,建模中考虑三个基本要素:食物源、雇佣蜂以及非雇佣蜂。ABC算法可分为设置参数以及种群初始化、雇佣蜂、跟随蜂、侦查蜂四个阶段[10]。
假设具有Ns个蜜蜂,其中,雇佣蜂个数为Ne,跟随蜂个数为Nu,Ne=Nu,x=(x1,x2,...,xNe)表示雇佣蜂种群,xi维度为D。
ABC的详细操作过程如下:
1)将MCS阶数、发射功率、子带选择数、干扰抑制方式进行染色体编码,根据式(1)定义适应度值,定义种群大小和侦查蜂使用参数;
2) 随机生成Ne个D维初始化种群;
3) 执行以下步骤,直到满足终止条件:
①雇佣蜂对当前位置进行邻域搜索,计算新位置与原位置适应度值,进行贪婪选择:比较新旧位置适应度值,留下适应度值高的,若取旧位置,搜索次数加1;
②根据雇佣蜂种群适应度值,各跟随蜂采用轮盘赌的方式选择一个雇佣蜂进行邻域搜索,选择概率
为第i个雇佣蜂所在位置的适应度值),计算新位置与原位置适应度值,进行贪婪选择,若取旧位置,搜索次数加1;
③若某位置周围搜索次数超过蜜源淘汰门限,使用侦查蜂随机初始化新位置;
4)将种群中历史最佳个体作为最优决策结果输出,得到适应当前环境的最佳系统参数设置;
5) 对通信系统进行干扰抑制方式、可用频率子带数、调制编码方式、发射功率等的参数配置和频谱分配。
3.3 参数分析
在人工蜂群算法中,影响决策性能的参数主要有初始种群数、邻域搜索方法、侦查蜂个数与淘汰门限。
3.3.1 初始种群数
种群数量的初始化是ABC算法中一个至关重要的参数,不同取值对性能影响很大。当该值取得过大时,种群基数大,能找到最优解的概率大,虽然如此使得寻优速度提升很多,但是会导致计算量过大;倘若该值取得太小,又会导致收敛速度过慢。所以,需要在计算量和收敛速度这二者中进行折中考虑,选择适合的初始种群数目。
3.3.2 邻域搜索方法
人工蜂群算法的核心思想是邻域搜索,具体思路是首先雇佣蜂对蜜源进行邻域搜索,接着,若跟随蜂判决该蜜源可取,则雇佣蜂再次对其进行邻域搜索,找更优蜜源(解),而邻域是指任意两个蜜源之间的染色体空间,这里“之间”体现了“距离性”,不同的邻域搜索方式会影响寻优过程的进展。
在传统ABC算法中,以基因位为单位进行邻域搜索,如式(2)所示:
(2)
其中,x=(x1,...,xNe)表示雇佣蜂种群,xij表示第i个蜜源的第j个基因位;k≠i且i,k∈[1,2,…,Ne],j∈[1,2,…,K],K为总基因位数,k和j随机产生,随机数φ∈[-1,1]。
在认知抗干扰系统中,以基因位为单位进行邻域搜索的速度较慢。这是因为一个基因位的修改并不能说明该基因组所代表参数的“距离性”,同时贪婪算法需要比较修改前与修改后染色体的适应度值,保留较大者,而每次只修改一个基因位,很有可能无法得到最优解的染色体,所以本文优化搜索方法,提出以基因组为单位进行邻域搜索。如式(3)所示:
(3)
其中,sim代表第i个蜜源的第m个基因组所代表的十进制整数,m∈[1,2,3,4]。
3.3.3 侦查蜂个数与淘汰门限
ABC算法通过侦查蜂进行“变异”过程,所以侦查蜂的数量和蜜源淘汰门限的取值对最终性能具有不容忽视的影响。若侦查蜂数量过多、淘汰门限过低,会出现还未对某一蜜源进行较全面的搜索,就淘汰该蜜源的现象,很大程度降低搜索效率;若侦查蜂数量过少、淘汰门限过高,会导致种群缺少多样性,最终陷入局部最优。一般来说侦查蜂的数量为种群数量的5%到10%。
4 性能仿真分析
本文所研究的认知抗干扰系统采用频域扩频NC-OFDM技术传输体制,系统参数如表1所示,MCS参数如表2所示,改进ABC算法的仿真参数如表3所示。
表1 系统参数
Tab.1 System parameters
仿真参数设置可用子载波总数1200编码方式Turbo码,1/3、1/2、2/3码块长度[2752,3136]调制方式BPSK,QPSK,16QAM,64QAM子载波频率间隔Δf/kHz15扩频序列长度15系统目标误包率≤0.01无干扰情况下最高功率对应的SNR/dB0.5有干扰情况下最高功率对应的SNR/dB12.5
表2 MCS索引
Tab.2 MCS index
索引调制方式码率信息传输速率/Mbps1BPSK1/30.2482QPSK1/30.4963QPSK1/20.7524QPSK2/30.994516QAM1/21.504616QAM2/31.987764QAM1/22.213864QAM2/32.911
表3 改进ABC算法仿真参数
Tab.3 Improved ABC algorithm simulation parameters
仿真参数设置初始种群数30侦查蜂个数3蜜源淘汰门限10最大迭代次数2000仿真次数1000计算收敛率的截止代数200目标函数加权因子wB,wR,wP0.7, 0.2, 0.1
4.1 无干扰环境
本节采用加性高斯白噪声(Additive White Gaussian Noise,AWGN)信道模型,在无干扰情况下,染色体设计如图2所示,染色体仿真参数如表4所示,因为有8种MCS阶数,故取Km为3;发射功率的调整会导致SNR变化,取变化范围为-15 dB≤SNR≤0.5 dB,分辨率为0.5 dB,故取Kp为5;仿真点数为106,目标误包率为不大于0.01,对应目标误比特率为小于10-5。
表4 无干扰环境染色体仿真参数
Tab.4 Interference-free environment chromosome simulation parameters
仿真参数设置MCS阶数基因位数Km3发射功率基因位数Kp5
为了说明不同SNR下的系统仿真性能,对应每一个SNR,基于改进ABC算法对MCS进行智能决策,分析系统误码率和平均信息速率,并与未采用智能决策的固定MCS参数(MCS为2和8两种情况)的频域扩频NC-OFDM系统的性能进行比较,比较仿真结果如图4所示。
图4 AWGN信道下无干扰环境中不同系统的性能
Fig.4 System performance of different systems in a non-jamming environment under AWGN channel
由图4可以看出,未采用智能决策的MCS为2的系统能够在SNR≥-12 dB时误码率满足系统要求,但信息传输速率固定且远低于采用了智能决策的认知抗干扰系统;MCS为8的系统虽然能够保证系统具有高信息速率,但系统传输性能差,仅在SNR≥0 dB时才能满足系统误码率要求;而采用了基于改进ABC算法智能决策的认知抗干扰系统在SNR≥-15 dB即可满足系统误码率要求,为10-6(由于仿真点数为106,无误码用10-6代替),而且随着SNR的增加,信息速率自适应增加,在SNR为0 dB时,达到最高信息传输速率。相比于无智能决策的MCS2和MCS8系统,采用了智能决策的认知抗干扰系统能够在系统误码率满足要求的前提下,达到高信息传输速率。说明在无干扰环境中具有优异的性能。由于基因位减少一半以上,搜索空间维度降低,此时的平均收敛速度在5代以内,200代以内的最优解收敛概率为100%。
若功率可调整,根据图2的染色体设计决策输出MCS和SNR,得到的仿真结果如表5所示。
从表5可以看出,AWGN信道下无干扰环境中基于ABC的认知抗干扰智能决策引擎能以99%以上的概率达到最优解,且BER小于10-6,满足系统要求,同时保证了信息速率保持较高水平,保证了该干扰环境中通信的准确性和有效性。
4.2 干扰环境
本节对NC-OFDM认知抗干扰系统在如表6所示的不同信道和干扰环境进行仿真,信道环境取AWGN信道和扩展车载A模型(Extended Vehicular A model,EVA)多普勒频移为70 Hz的信道[16],干扰类型为50%部分带干扰和瞄准式BPSK干扰,仿真点数为106。
干扰环境中,染色体设计如图3所示,染色体仿真参数如表7所示,同样,取Km设为3;有干扰环境中SNR的范围为-19 dB≤SNR≤12.5 dB,分辨率为0.5 dB,故Kp设为6;将1200个子载波分为80个子带,子带数在[10,20,30,40,50,60,70,80]中取值,所以Kb设为3;时域干扰抑制、频域干扰抑制和变换域干扰抑制各用一个基因位表示,设置Kr为3,0表示不采用该干扰抑制方式,1表示采用该种干扰抑制方式。
表5 AWGN信道下无干扰环境中智能决策结果
Tab.5 Intelligent decision results in a non-interference environment under AWGN channel
最优解(MCS阶数,SNR/dB(概率))次优解(MCS阶数,SNR/dB(概率))最优解下的系统性能次优解下的系统性能BERRb/MbpsBERRb/Mbps8,0(0.997)8,0.5(0.003)02.9102.91
表6 干扰仿真环境
Tab.6 Jamiming simulation environment
信道信道类型干扰类型JNR/dB1AWGN50%部分带噪声干扰202AWGN50%部分带噪声干扰403AWGN瞄准式BPSK干扰404EVA多普勒频移为70 Hz瞄准式BPSK干扰40
表7 干扰环境染色体仿真参数
Tab.7 Jamming environment chromosome simulation parameters
仿真参数设置MCS阶数基因位数Km3发射功率基因位数Kp6子带数量选择基因位数Kb3干扰抑制方式基因位数Kr3
为了说明干扰环境中不同SNR下的仿真性能,对应每一个SNR,基于改进ABC算法,对MCS、子带选择、干扰抑制方式进行智能决策,分析系统误码率和平均信息速率,并在JNR为40 dB的50%部分带噪声干扰下与采用频域干扰抑制的固定MCS参数(MCS为2和8两种情况)的频域扩频NC-OFDM系统的性能进行比较,仿真结果如图5所示。
从图5(a)和图5(b)可以看出,在JNR为40 dB的50%部分带噪声干扰下,未采用智能决策的MCS为2的系统在SNR≥-7 dB时误码率满足系统要求,但信息传输速率固定且远低于采用了智能决策的抗干扰通信系统;MCS为8的系统仅在SNR≥10dB时才能满足系统误码率要求;而认知抗干扰系统在SNR≥-15 dB时即可满足系统误码率要求,信息速率随着SNR的增加自适应地提高,在SNR为10 dB时达到最高传输速率。相比于无智能决策的MCS2和MCS8系统,采用了智能决策的认知抗干扰系统在干扰环境中能够达到系统抗干扰传输性能和频谱效率的联合最优。
图5 干扰环境中不同系统的性能
Fig.5 Performance of different systems in a jamming environment
由图5(a)可知,本引擎在表6所示的不同信道和干扰环境中对于不同SNR决策结果对应的BER都小于10-6,符合系统要求,且保证了平均信息速率最大化,实现该干扰环境中的可靠高效通信。所以,基于改进ABC的认知抗干扰智能决策引擎在不同干扰类型、不同干扰功率、不同信道类型中具有良好的抗干扰能力。
从图5(b)可以看出,在JNR为40 dB的瞄准式BPSK干扰下,因为受EVA衰落信道的影响,在保证系统误码率性能要求的前提下,当SNR<6 dB时,在信道3(AWGN信道)比在信道4(EVA信道)中决策出的MCS阶数更高,相应的平均信息速率也较高,当SNR≥6 dB时,系统在两个信道下的决策结果相同,均采用最高MCS,可满足误码率要求;在相同信道和相同干扰环境中(如信道1和信道2),JNR越大,对系统性能影响越大,决策出的可用子带数越少,平均信息速率越低,因此系统在信道1(JNR为20 dB)中比在信道2(JNR为40 dB)中具有更高的平均信息传输速率;在相同信道和相同JNR下,不同干扰对系统的影响不同,系统在信道3(瞄准式BPSK干扰)下的平均信息速率明显高于信道2(50%部分带噪声干扰),因为瞄准式干扰是窄带干扰,而50%部分带干扰是带宽干扰,经过智能决策,在瞄准式干扰下决策出的可用子带数更多,所以在保证系统传输误码率满足要求的情况下,平均信息速率更高。
若功率可调整,SNR作为决策输出,得到的仿真结果如表8所示。
从表8可以看出,以上干扰环境中基于ABC的认知抗干扰智能决策引擎都能以99%以上的概率达到最优解,且BER都小于10-6,满足系统要求,同时保证了信息速率保持较高水平,保证了该干扰环境中通信的准确性和有效性。
在JNR为40dB的50%部分带干扰环境中,将改进ABC算法与传统ABC算法和遗传算法(Genetic Algorithm,GA)进行对比,三种算法的种群数都为30,GA选择方式采用轮盘赌方式,重组比例为50%。文献[15]经过仿真对遗传算法参数进行选择得到最佳交叉概率为0.7,最佳变异概率为0.4。仿真数据对比如表9。
由表9结果对比可知,基于表中三种算法的认知抗干扰决策引擎均能以很大概率决策输出最优结果,具有很强的抗干扰性能。相同种群大小下,改进ABC的平均收敛代数更少,得到的最优解的概率也有明显提升,达到99%以上。相比于传统ABC算法,改进ABC算法的平均收敛代数更小且最优解概率较高,这是因为改进ABC算法采用按基因组的邻域搜索方法,使算法收敛速度变快、不易陷入局部最优解。由于ABC的一次迭代过程包括两次“变异”,即邻域寻优,而且每次迭代都要多次计算所有个体的适应度值,无疑增大了复杂度,所以ABC算法的实现过程仍需优化。同时,GA算法对交叉概率和变异概率值的选取非常敏感、影响算法参数也较多。
表8 各类干扰环境中智能决策结果
Tab.8 Intelligent decision results in various types of jamming environments
信道最优解(MCS阶数,SNR/dB,使用子带数,干扰抑制方式(概率))次优解(MCS 阶数,SNR/dB,使用子带数,干扰抑制方式(概率))最优解下的系统性能次优解下的系统性能BERRb/MbpsBERRb/Mbps18,6.5,70,频域(0.996)8,7,80,频域(0.004)02.5602.9128,7.5,70,频域(0.996)8,10,80,频域(0.004)02.5602.9138,2,80,频域(0.998)8,2.5,80,频域(0.002)02.9102.9148,4.5,78,频域(0.997)8,6,80,频域(0.003)02.8402.91
表9 改进ABC、传统ABC与GA仿真收敛数据分析表
Tab.9 Improved ABC,original ABC and GA simulation convergence data analysis table
决策算法平均收敛代数单次仿真时间/s最优解(MCS阶数,SNR/dB,使用子带数,干扰抑制方式(概率))次优解(MCS阶数,SNR/dB,使用子带数,干扰抑制方式(概率))改进ABC34.6810.26198,7.5,70,频域(0.996)8,10,80,频域(0.004)传统ABC47.650.27488,7.5,70,频域(0.990)8,10,80,频域(0.010)GA58.740.04838,7.5,70,频域(0.910)8,10,80,频域(0.090)
5 结论
本文设计了一种基于改进ABC算法的认知抗干扰智能决策引擎,可在干扰环境中进行快速的智能决策,并适应环境的变化,使得认知抗干扰通信系统在保证系统可靠传输的前提下,最大化频谱效率、最小化发射功率,采用该决策引擎的认知抗干扰系统在干扰环境下具有优异的抗干扰性能;与传统ABC算法相比,改进ABC算法的智能决策收敛速度更快且更易跳出局部最优解。与遗传算法相比,基于改进ABC算法的智能决策收敛速度更快且设置参数较少,但其复杂度较高,需要优化。
[1] 李少谦,程郁凡,董彬虹,等. 智能抗干扰通信技术研究[J]. 无线电通信技术,2012,38(1): 1- 4.
Li S Q,Cheng Y F,Dong B H,et al. Research on Intelligent Anti-jamming Communication Techniques[J]. Radio Communications Technology,2012,38(1): 1- 4.(in Chinese)
[2] 周华吉,张春磊. 认知电子战系统组成及实现途径探究[J]. 中国电子科学研究院学报,2017,12(5): 448- 451,468.
Zhou H J,Zhang C L. Research on the composition and realization of cognitive electronic warfare system[J]. Journal of China Academy of Electronics and Information Technology,2017,12(5): 448- 451,468.(in Chinese)
[3] 石庆研,钟伦珑,吴仁彪. 基于LS-LMS的智能天线自适应干扰抑制方法[J]. 信号处理,2010,26(5): 677- 681.
Shi Q Y,Zhong L L,Wu R B. Adaptive Interference Suppression Method for Smart Antenna Based on LS-LMS[J]. Signal Processing,2010,26(5): 677- 681.(in Chinese)
[4] Chen X,Peng Q,Han L,et al. A Hopfield neural network based algorithm for haplotype assembly from low-quality data[C]∥Neural Networks(IJCNN),2014 International Joint Conference on IEEE,Beijing: IEEE,2014: 1328-1333.
[5] Zhang Dongmei,Ma Huadong. A Q-Learning-based Decision Making Scheme for Application Reconfiguration in sensor Networks[C]∥Proceedings of the 2007 11th International Conference on Computer Supported Cooperative Work in Design,Melbourne: IEEE,2007: 1122-1127.
[6] Zheng Qin,Sha Jianxin,Shu Hang,et al. A Variant Constrained Genetic Algorithm for Solving Conditional Nonlinear Optimal Perturbations[J]. Advances in Atmospheric Sciences,2014,31(1): 219-229.
[7] Li C H,Yang S X,Nguyen T T. A self-learning particle swarm optimizer for global optimization problems[J]. IEEE Transactions on Systems,Man,Cybemetics,2012,42(3): 627- 646.
[8] Motomura T,Suzuki M,Tsuruta S,et al. Intelligent Route Optimization Technology by Case Based GA[C]∥2013 International Conference on Signal-Image Technology & Internet-Based Systems(SITIS),Kyoto: IEEE,2013: 351-357.
[9] 李鑫滨,石爱武. 基于二进制人工蜂群算法的认知无线电决策引擎[J]. 燕山大学学报,2012,36(5): 439- 444.
Li X B,Shi A W. Cognitive Radio Decision Engine Based on Binary Artificial Bee Colony Algorithm[J]. Journal of Yanshan University,2012,36(5): 439- 444.(in Chinese)
[10] 惠显杨,陈建忠,牛英滔,等. 基于二进制人工蜂群算法的通信抗干扰决策方法[J]. 通信技术,2016,49(1): 29-33.
Hui X Y,Chen J Z,Niu Y T,et al. Communication anti-interference decision method based on binary artificial bee colony algorithm[J]. Communications Technology,2016,49(1): 29-33.(in Chinese)
[11] Pietro R D,Oligeri G. Jamming mitigation in cognitive radio networks[J]. IEEE Network,2013,27(3): 10-15.
[12] Goel S,Singh J,Ojha N. Intelligent aircraft landing decision support system using artificial bee colony[C]∥International Conference on Computing for Sustainable Global Development,New Delhi: IEEE,2016: 2412-2416.
[13] 葛梦瑶. 人工蜂群算法在多目标模糊投资组合优化中的应用[D]. 北京: 首都经济贸易大学,2016.
Ge M Y. Application of artificial bee colony algorithm in multi-objective fuzzy portfolio optimization[D]. Beijing: Capital University of Economics and Business,2016.(in Chinese)
[14] Akay B,Karaboga D. A modified Artificial Bee Colony algorithm for real-parameter optimization[J]. Information Sciences,2012,192(1): 120-142.
[15] 刘小玲. NC-OFDM系统的智能抗干扰决策技术研究[D]. 成都: 电子科技大学,2016.
Liu X L. Research on Intelligent Anti-interference Decision Technology of NC-OFDM System[D]. Chengdu: University of Electronic Science and Technology,2016.(in Chinese)
[16] 3GPP TS 36.213 V 8.6.0[S]. 3GPP.2009.
