hslogic算法仿真-PSO粒子群优化算法——对多个函数进行最优值搜索

带收缩因子的PSO优化算法 c1 = 2; % 学习因子1 ，一般在[0,2] c2 = 2; % 学习因子2 ，一般在[0,2] % c1 = 2.04344; %学习因子1 ，一般在[0,2] % c2 = 0.94874; %学习因子2 ，一般在[0,2] k1 = 0.7298; % 收缩因子 Dimension = 2; % 搜索空间维数（未知数个数） Popsize = 20; % 初始化群体个体数目 MaxDT = 100; % 最大迭代次数 DivH = 0.25; % 最大多样性系数 DivL = 0.0005; % 最小多样性系数

这是通信过程中自适应均衡的两种仿真方法。通过LMS及RLS算法来实现自适应均衡

多领导者改进算法的MATLAB仿真 loop=500; %确定循环周期 s=0.1; %s取值范围为(0,1) n=10; %初始化智能体个数 r=6; %初始化智能体感知半径 dw=5; %网格Lattice距离 a=1;b=2; %0<=a0 step=0.1; %确定步长 h=0.9; %定义参数h，其取值范围为（0,1） size=50; %初始范围 %---------系统初始化------------------------ q=size*rand(2,n); %初始化智能体初始位置向量 p=2*rand(2,n)-1; %初始化智能体初始速度向量 qr1=size*rand(2,1); %初始领导者1位置向量 pr1=2*rand(2,1)-1; %初始领导者1速度向量 qr2=size*rand(2,1); %初始领导者2位置向量 pr2=2*rand(2,1)-1; %初始领导者2速度向量 qqr1=zeros(2,loop); %每个时间段领导者的位置向量 ppr1=zeros(2,loop); %每个时间段领导者的速度向量 qqr2=zeros(2,loop); %每个时间段领导者的位置向量 ppr2=zeros(2,loop); %每个时间段领导者的速度向量 qq=zeros(2,n,loop); %每个时间段的位置向量 pp=zeros(2,n,loop); %每个时间段的速度向量

hslogic算法仿真——matlab仿真MAC load data_SMAC data=data_SMAC; [m,n]=size(data); d=0; s=0; r=0; t=0; dd=ones(19,1); ss=ones(19,1); rr=ones(19,1); tt=ones(19,1); for j=0:18 for i=2:m if strcmp(data(i,1),'d')==1&cell2mat(data(i,3))==j dd(j+1)=dd(j+1)+1;%节点j丢包数 end if strcmp(data(i,1),'s')==1&cell2mat(data(i,3))==j ss(j+1)=ss(j+1)+1;%节点j发包数 end if strcmp(data(i,1),'r')==1&cell2mat(data(i,3))==j rr(j+1)=rr(j+1)+1;%节点j收包数 end if strcmp(data(i,1),'t')==1&cell2mat(data(i,3))==j tt(j+1)=tt(j+1)+1;%节点j转包数 end end end

通过surf进行特征点提取，实现两个图片的拼接

本程序用于完成BPSK、QPSK、pi/4QPSK、OQPSK、8PSK、16QAM、32QAM、64QAM和128QAM的调制仿真。并可任意扩展到MPSK和MQAM。程序分成四个部分，fir.m对基带码元序列进行脉冲成型，可选矩形脉冲，升余弦脉冲和平方根升余弦脉冲； modal.m 为主程序，完成岁各种信号的基带星座图映射、脉冲成型和调制；pi4QPSK.m 为pi/4QPSK信号的星座图映射程序；test1.m给出一个简单的频谱显示测试。

pi/4 qpsk调制方式的MATLAB实现 if bit_stream(jj)==0 bit00 = (bit_stream(ii)==0)*sin(2*pi*f*t + P1); QPSK_signal = [QPSK_signal (bit00)]; else bit0 = (bit_stream(ii)==0)*sin(2*pi*f*t + P2); bit1 = (bit_stream(jj)==0)*sin(2*pi*f*t + P2); QPSK_signal = [QPSK_signal (bit0+bit1) ]; end

hslogic算法仿真蚁群算法优化matlab仿真 [path,information]=searchpath(n,m,information,z,starty,starth,endy,endh); %路径寻找 fitness=CacuFit(path); %适应度计算 [bestfitness,bestindex]=min(fitness); %最佳适应度 bestpath=path(bestindex,:); Best=[Best;bestfitness];

hslogic算法仿真-MOPSO优化算法得到Pareto域，多目标优化