无线通信系统中的空间分集和天线波束成形优化技术

阵列10（2021）100053基于进化遗传算法Ridhima Mehta印度新德里贾瓦哈拉尔·尼赫鲁大学计算机与系统科学学院A R T I C L E I N F O关键词：天线分集遗传算法瑞利衰落接收波束成形A B S T R A C T无线衰落网络中，由于无方向信息转发机制导致的深度衰落效应和资源利用率低，导致频繁的丢包和功率不足。分集技术潜在地用于无线通信系统中以对抗衰落的影响并加强对数据传输的期望服务水平保证。在这项工作中，我们采用空间分集和天线波束成形方法，以显着提高无线网络的信号质量性能结合自适应波束形成向量和改进的信道状态信息，提出了一个约束优化问题，以降低净噪声功率。为此，进化遗传算法计划迭代实施评估所提出的优化问题的最优解。研究了遗传算法应用中各种选择函数对有效启发式模型设计和可行解空间搜索的影响。通过大量的仿真结果，几个关键的网络参数表征无线通信的性能，包括噪声功率，信噪比（SNR），误码率（BER）的估计和分析不同数量的天线部署在接收机节点。此外，所提出的基于遗传算法的优化技术的性能进行了比较与现有的模型使用的关键信道质量指标，可实现的SNR，BER，和模型的计算复杂度。1. 介绍近年来，无线通信环境中的分集概念已经获得了极大的兴趣，以实现当前数据网络应用的最佳性能 该技术在现代3G和4G无线标准中被广泛利用，诸如宽带码分多址（WCDMA）、高速下行链路分组接入（HSDPA）、长期演进（LTE）、全球微波接入互操作性（WiMAX）系统。 为了克服衰落和干扰效应对无线通信信道的深刻影响，采用接收波束成形技术来提高功率效率和服务质量性能。在该方案中，通过将能量集中在期望用户天线的特定方向上来最大化信号波束，同时抑制非期望用户的信号这种无线信号发送和接收现象提高了通信系统的信噪比（SNR）性能。如果接收信号强度显著低于噪声阈值，动 力. 由于深衰落效应，这 导致 在这些网络中传输的数据信号的高 误码 率（BER）。这些事件的发生-环从强大的破坏性干扰导致无线信道的性能差。在深衰落情况下，接收到的信号功率的电平低于噪声阈值，模糊了接收机处预期信号与非预期噪声之间的区别分集原理可以有效地克服实际无线技术中频繁出现的深衰落事件的影响。在这种技术中，即使很少有无线链路处于深度衰落，也存在用于信息信号从发射机传播到接收机的几个其它可选路径。这种多样性现象导致在衰落的无线信道中通过可靠路径进行不间断的数据在这项工作中，我们考虑了空间多样性的具体类型，即，接收机分集，其中存在位于不同射频信道上的多个接收天线。单天线系统由于其在深衰落状态下发送器和接收器之间的数据通信的不可靠特性而更容易受到分组丢失的影响。然而，增加电子邮件地址：mehtar1989@gmail.com。https://doi.org/10.1016/j.array.2021.100053接收日期：2020年9月23日;接收日期：2020年11月15日;接受日期：2020年12月21日2021年2月11日在线提供2590-0056/©2021作者。爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表阵列期刊主页：www.elsevier.com/journals/array/2590-0056/open-access-journalR. Mehta阵列10（2021）1000532接收机节点处的天线数量增加了相关的硬件复杂性。为了在无线系统中实现最大分集，假设与特定信道状态信息相对应的所有信道系数都是独立衰落的。为此，不同的天线被放置得足够远，以减轻相关的多径和衰落条件。基于搜索和优化原理的遗传算法是一种在有限的计算时间内获得随机最优解的潜在技术该Meta采用概率方法迭代搜索大规模可行解空间以确定全局最优解。从生物进化的复杂适应系统的启发，遗传优化提供了一个行之有效的方法，实现一般的非线性问题架构。这个设计框架结合了遗传编码的关键建模问题，良好定义的适应性函数的学习，个体解的种群初始化，以及基本遗传操作的制定，即。自然选择、交叉和随机变异机制。1.1. 工作目标本研究的目的是通过遗传算法技术实现无线通信系统中的多天线设计的接收机分集和波束成形相结合的优化模型。通过适当地执行交叉和变异函数，保证了在可扩展的搜索空间中，该问题求解的进化过程收敛到全局最优解。此外，我们考虑选择各种选择操作的影响，以实现建议的基于遗传的无线网络设计的计算复杂性的综合分析。 这旨在实现有效的电力资源利用以及最小的分组错误，以增强终端用户的可靠性性能和体验质量（QoE）。1.2. 文件的结构其余的工作安排如下。下一节介绍了文献中关于有效利用多样性技术提高一般无线技术性能的相关工作。第3节讨论了无线系统模型。 本优化问题公式在第节中提供。四、第5节分析了仿真结果，包括所提出的优化模型与先前存在的方法的性能比较。最后，整个工作的结论节。6、提出了今后的研究方向。2. 文献综述到目前为止，已经进行了大量的研究工作，在各种广义无线网络中的分集技术的实施。Zhang等人[1]分析了用于在发射机处进行天线选择的空间复用方案和可实现的分集阶数的估计网络编码和分集技术在文献[1]中得到了实现。 用于中继节点处的天线选择，以经由基于迫零的传输来广播传输数据流。Zhuang [3]设想了多输入单输出系统，该系统具有从接收器到发射器的反馈机制，用于共享信道状态信息的知识。 这有助于在发射机处选择天线子集，这最大化了接收机端的SNR性能。作者在Ref。[4]应用模拟退火算法寻找具有多个发射天线和单个接收天线的无线波束形成系统中的天线的最优布置Zhao等人[5]在稀疏性约束下，用公式表示了使用天线阵列实现空间分集的优化问题为此，迭代方法是用于获得最优波束形成问题的近似解参考文献[6]中的工作主体探索了信道相关性和莱斯衰落场景的组合，以通过导出多元累积分布函数来检查组合器输出和衰落增益统计。多用户分集利用在参考文献。[7]用于在多径衰落、遮蔽和接收机不确定性下的多天线认知无线电系统中的动态频谱接入。 Kim [8]使用基于最优欧几里得距离的发射天线选择方案评估了空间调制系统的误符号率性能增益。此外，在多小区下行链路多输入多输出（MIMO）技术中评估了增加基站天线对空间复用和分集增益的影响[9]。作者在Ref。[10]研究了收发器硬件损伤对MIMO通信系统中信道估计精度、频谱效率和用户容量的影响Ahmed等 [11]提出了毫米波通信网络中的混合波束形成设计。该模型考虑了在发射机和接收机处的资源管理和变化的天线分集，用于在异构无线系统中实现信号处理架构。此外，在Ref.[12]调查了发射机一方的空间分集技术以及空时编码的应用实现该框架以获得分集增益、改进的数据速率和错误性能，而不需要在发送设备处的信道状态信息的知识。在具有反馈辅助中继的协作分集下进行瑞利衰落信道中的BER估计，以优化网络资源分配[13]。Ghosh等人 [14]考虑了天线分集通过减少深衰落的影响和增加信道容量来改善系统性能的影响。频率分集技术在Ref. [15]用于测量下行正交频分复用网络中位于小区边缘和中心的用户的BER空间分集技术被用来选择最佳中继节点进行数据转发，在协作通信网络中具有有效的性能[16]。此外，不同的多样性组合技术进行了分析，在参考。 [17]在具有瑞利衰落信道场景的协作无线技术中的接收机分集的上下文中。Burgos等人 [18]将遗传算法应用于改善CDMA系统中静态源的信道容量和波束成形性能。参考文献[ 19 ]中的工作探讨了正交频分复用（OFDM）网络中传输和接收波束成形技术的联合设计和优化。该算法利用正交性，采用内点法和遗传算法，在保证干扰最小的前提下，获得最大信噪比。Guo等人[20]基于遗传算法为毫米波通信系统制定了一种Khalid等人[21]提出了一种人工蜂群算法，通过混合预编码和波束形成设计来提高大规模多输入多输出系统的容量在我们以前的工作[22]中提出了一个优化路径损耗估计的多变量非线性优化问题该技术采用偏导数为基础的纪律凸规划方法来评估全局最优解。它优于使用标准机器学习方案（包括模糊逻辑、k-means聚类和遗传算法）实现的早期工作。此外，在另一项工作[23]中，我们使用几种常规的非线性方法，如有效集，邻域点和序列二次规划（SQP），进行了跨层迭代优化。 这些算法检索到的全局最优解的建议的双目标问题的多路ad-hoc通信系统中的挑战网络的范例。2.1. 贡献在本文中，最佳接收和信号处理策略在接收端实现使用空间分集和接收波束形成技术。计算智能启发式遗传算法R. Mehta阵列10（2021）1000533¼η2ð Þ∞ . 我的天啊！Fig. 1. 示意图说明了所提出的系统模型。算法来解决开发的优化问题。各种选择函数的影响进行检查的迭代的天线元件是不相关的。在这里，我们遵循所有向量和矩阵都用粗体字母表示的惯例。 在接收机处，通过执行数据分量以及噪声分量的加权组合来处理跨不同时变信道接收的信号。因此，接收器处的总噪声信号由下式给出：n其中ω1;ω2;这些噪声信号与天线波束形成器的相应权重线性组合。这些天线通过基站和移动接收机之间的多个独立衰落信道连接到单个发射机这种形式的分集被称为空间分集，其归因于在空间中分布的接收器端处的多个天线的分配。SNR是所需信号功率相对于接收机端存在的背景噪声电平的比例的量度在具有部署在接收机节点处的L个天线的该多天线系统中，接收SNR由下式给出：2实现全局最优解所需的复杂性据我们所知，这项研究中提出的工作是评估和分析联合空间分集和波束-SNRrecλP¼η22（二）使用遗传优化框架在无线衰落网络中形成机制。分析了环境噪声功率、信道状态信息、平均信噪比、误码率等几个关键网络特性对无线通信系统性能的影响，通过模拟实验对不同的空间其中λ是信道ω的向量的二范数的平方效率。它是跨多个接收天线的无线信道的总增益此外，P是在接收器处通过通信链路接收的信号的功率P接收机节点处的分集最后，我们证明了所提出的基于遗传算法的优化方案的SNR接收jλ1j2jλ2j2.（三）使用可实现的SNR、BER和与无线系统设计和实现相关联的复杂度的信道质量属性，该模型优于先前的现有模型3. 系统模型本 文 研 究 了由单发射天线和多接收天线组成的单 输 入 多 输 出（SIMO）通信系统。 图 1示出了所提出的系统模型的示意图。在该无线架构设计中，发射基站其中jλij2是发射天线和第i个接收天线之间的第i个衰落系数的幅度的平方。假设λ1; λ2;.;λL是与单个发射天线和L个接收天线之间的各个链路相关联的独立且同分布的瑞利衰落信道系数。这里，增益χλ2是具有2 L自由度的不相关瑞利分布衰落系数λi分集增益χ的分布由下式给出：1包括单个天线，通过多个通信链路将信息信号发送到这些链接gΦ200×200 1000！（4）第一章：与适于所述网络设置和操作的基于定向传输的最优波束成形度量发送器希望将诸如社交媒体信息、新闻馈送、语音消息、网页等的数据传送到与接收器分离的接收器。这里，参数X从预定集合Φ中取随机值。或者，根据上述分布函数，接收SNR表示为：通过无线信道。发送器发送的数据在通过介质传输期间可能会被更改，并在接收器端被错误解释。实现更可靠的数据通信SNR recP¼χη2（五）在无线网络中，可以在任一端或两端采用多个天线来实现分集框架。该模型利用了发射机和接收机之间存在的多条路径，因为使用了各种天线硬件元件。信号波束成形是通过将窄信号波束聚焦在预期接收器路径的方向上来促进这种分集过程的先进技术之一。因此，信号可靠性随着发射功率资源的改善利用而在接收器处的接收信号样本与经由凸规划技术获得的对应权重相关。这种协作信号处理被称为接收波束成形。我们假设每个接收器天线处的噪声分量具有零均值和相同的功率η2，使得在不同天线处经历的噪声是相互独立的。因此，任何对上的噪声信号接下来，BER被定义为错误比特的数量与在指定时间间隔内的传输比特总数此外，使用以下等式计算误码率的瞬时值和平均值BER¼Q。我的天啊！（六）平均BER¼ZQχ η2 （7）0在上述表达式中，凸Q：函数是标准高斯分布η2R. Mehta阵列10（2021）1000534p-22Bð ÞBBð Þ0b随机变量，定义为：∞表1模拟设置参数。QxX1 第二天（8）Π参数名称描述/值仿真软件MATLAB信道类型Rayleigh Fading无线信道4. 问题公式化在本节中，描述了用于最小化具有多个操作天线的接收机处的净噪声功率的优化问题 该问题具体为两个网络变量ω和λ，分别表示控制接收机处的波束成形的组合权重向量和衰落信道系数。非线性约束最小化问题在数学上被公式化为：如下所示无线电传播模型载波频率MAC协议网络协议物理层协议系统带宽调制方案信噪比阈值噪声方差最大接收天线双射线接地2.3ghz的IEEE 802.11DCF IPCBRIEEE 802.11b1 MHzMQAM-30dBm10 DBM12数据包大小512位最小化η2ω2（9）ωTλ1/2（10）ω2≤1λ2f <$γ< $λj γ≤1g在这个优化问题中，ω2是组合权重的列向量的范数的平方。因此，E中的目标函数表示在具有接收天线分集和最佳波束赋形技术的部署的wi系统模型上接收的总噪声功率。第一超平面约束（10）表示在组合器的输出处的有效信号增益，其根据被归一化为1的响应信道系数。注意不适应度缩放函数创建函数突变函数交叉函数秩约束依赖约束依赖约束依赖：表示向量转置操作。第二个半空间约束方程。式（11）表示波束形成器集合的能量通常限于1。该半径为1的范数（欧几里德）球约束条件限制波束形成器输出处的信号的功率。在Eq中的第三个约束（12）说明真实信道向量λ位于λ周围的不确定区域：该区域通常由凸椭圆体建模椭圆体的内部包括边界由以下不等式描述X2y2a2≤b2≤1（ 13）其中a和b对应于通用椭圆曲线的长轴和短轴。此外，与上述椭圆体相关联的矩阵如下所示：中国（ 14）γ是随机辅助向量，其范数γ有界于1。此外，λ是表征信道系数的估计向量的不确定性椭球区域的中心。在实践中，理想信道状态信息的知识一直是未知的这表明在计算真实信道系数时存在由估计误差引起的不确定性。注意，上述问题公式化是凸优化问题，因为它包括最小化服从凸可行性约束的凸目标函数。这是因为超平面、半空间、范数球和椭球的集合此外，为了解决上述问题，我们在MATLAB仿真器的优化求解器中采用遗传算法技术[24]来获得最佳波束形成向量和最佳信道系数。下面给出用于公式化的最优波束形成问题的MATLAB代码 优化变量ω和λ由二维向量x表示：这里，myconx是由等式中的等式约束给出的非线性约束函数。（十）、另外，myfun是目标函数由Eq. （九）、A和b表示等式中指定的线性不等式约束的矩阵X表示（11）提出优化问题。定义的变量没有下限或上限遗传算法的停止准则通过在选项设置中将多个参数设置为它们的相应值来最后，使用遗传算法ga通过检索包括两个网络变量的优化向量x的最优解来求解最小化过程最优波束形成问题的MATLAB代码函数½c;ceq]myconx;c¼½];ceq1/4×101T×102T-1;myfun1/2x1/2A¼½1;0;-1;0];b¼½1;1];lb¼½];Ub½];Z交叉分数0.8运移方向向前（十一）迁移分数偏移间隔0.220（十二）非线性约束算法增广拉格朗日10惩罚因子100时限无限适合度极限负无限性Q. （ 9）代档50无失速时间限制明失速测试平均变化在功能公差10-6时cor-约束公差10-3最大迭代次数2000的R. Mehta阵列10（2021）1000535-þ图二. 不同接收机分集的噪声功率演变。图三. 具有不同接收器分集的不同拟合选择函数所需的迭代次数。options<$optimoptions‘‘5. 模拟分析和结果在本节中，使用MATLAB仿真软件[24]的优化工具箱中的遗传算法实现最佳接收波束形成问题。 各种模拟设置参数及其相应的部署值如表1所示。无线节点在媒体接入控制（MAC）层实现IEEE 802.11分布式协调功能（DCF）协议以用于随机信道接入。在物理层使用的调制技术是广泛应用的M进制正交幅度调制（MQAM）系统。此外，在应用层，非突发源使用恒定比特率（CBR）协议作为多速率电路交换模型来产生数据。 我们采用约束依赖操作来创建个体解的初始种群，见图4。 SNR随接收器天线数目增加的演变。图五. 随着接收机天线数量的增加，误码率性能的演变。交叉和变异功能的遗传算法方法。图图2展示了作为系统中接收机分集的函数的噪声功率的演变。无线系统中的噪声密度随着天线数量从1增加到2而显著 可以计算出，噪声功率大幅降低99.97%，在接收机节点处部署的天线的数量从1增加到12。图3绘制了检索不同适合度选择函数的已开发优化问题的收敛最优解所需的迭代次数。在分析用于实现所提出的模型的遗传算法时考虑的特定选择函数包括随机均匀、余数、均匀、轮盘赌和锦标赛函数。该图可作为不同选择操作的算法时间复杂度估计的指标图在图4中，示出了具有变化的接收分集的SNR（以dBm为单位）的曲线图。接收信噪比从单天线系统的23.01 dBm提高到12天线系统的38.69dBm。因此，接收机分集技术本质上改善了通信网络的性能。 图图5示出了最佳接收器波束成形系统的BER度量。 可以估计，随着天线数量从1增加到12，BER降低了7.037E03倍，从而大大提高了数据内容的服务质量R. Mehta阵列10（2021）1000536图第六章 说明最佳拟合值、拟合缩放期望、锦标赛选择函数和10的停止准则的图接收天线图第七章 图中显示了12个接收器天线的最佳拟合值、拟合缩放期望、均匀选择函数和停止准则。通过无线系统传送图6表示10个接收器天线的特定情况下的最佳和平均拟合度值、拟合度缩放期望、作为选择算子的锦标赛函数以及停止标准水平的图在332代的情况下，期望的目标函数值估计为0.432 mW同样，菲格。 7表示在接收机端采用最多12个天线执行的均匀选择函数的这些遗传优化属性。这种网络配置实现了最佳目标函数值3.251 mW作为接收机处的此外，我们提出的优化模型与文献中的早期现有工作[1这表2所提出的优化模型与以前的作品的性能比较SNR（dBm）BER计算复杂度该模型38.70.0000675335模型[1]100.0035–模型[2]17.20.0258960模型[3]9.30.01731020模型[8]18.40.0022445171模型[14]14.60.000343–模型[15]21.50.000841195模型[18]210.000268800模型[19]27.60.00064–模型[20]180.0010691000模型[21]50.0122444100模型[22]26.980.000131540性能比较如表2所示。我们提出的模型具有更高的信噪比高达75.96%，与以前的模型相比，相同的分集阶数。此外，开发的基于遗传优化方案的BER下降了382.2的最大因子。此外，该模型证明了最小的计算复杂性，在实现最佳的解决方案，最少的操作和功能评估。该模型的性能比以前的现有工作的大幅提高主要归因于波束形成向量和各种信道系数的自适应调谐。此外，开发的设计框架广泛实施与遗传优化技术，结合几个潜在的选择操作的调查。因此，我们提出的优化模型可以适应动态信道资源和最佳波束成形技术的场景，以实现空间域中多天线节点之间的有效数据传输。6. 结论本文利用无线通信系统的空间维度，在接收节点处结合分集和最佳波束形成技术。多个天线经由独立衰落信道在空间上均匀地分布在接收机上。这通过降低无线通信网络中的误码率和噪声谱密度来提高可靠性和信道质量所开发的优化模型采用遗传算法技术来计算全局最优解。 仿真结果表明，所提出的优化模型的有效性，实现更高的信噪比，更低的误码率和降低计算复杂度的接收机分集的演变。此外，不同的适合度选择函数的影响进行了评估，以验证所提出的基于遗传的设计过程的性能。最后，所提出的遗传优化模型的性能改善与以前的作品相比，证实了在SNR，BER和计算复杂度指标。在未来，所提出的模型可以扩展到合并的统计多路复用技术，在多个路径上并行传输的几个数据流，以实现高数据速率通信。此外，所提出的系统优化模型可以用于实际ad-hoc网络中实现的延迟敏感的应用，通过考虑无线信息信号的延迟约束。信用作者声明Ridhima Mehta，概念化，数据管理，形式分析，调查，方法论，项目管理，资源，软件，监督，验证，可视化，写作&R. Mehta阵列10（2021）1000537竞合利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。引用[1] Zhang H，Dai H，Zhou Q，Hughes BL.具有发射天线选择的空间多路复用系统的分集阶数：几何方法。IEEE跨信息理论2006;52（12）：5297- 311.[2] 高华，吕天，张顺，袁春，杨顺。具有中继天线选择的基于迫零的MIMO双向中继：传输方案和分集分析。IEEE Trans Wireless Commun 2012;11（12）：4426-37.https://doi.org/10.1109/TWC.2012.102612.112281[3] 庄明错误CSI对多发射天线选择性能的影响。2015年：《国际期刊》，第13期。https://doi.org/10.1155/2015/281386.文章ID 281386.[4] 王强，杨华. MISO波束形成系统中最大遍历容量的最优天线布局。Int J n Propag2013：10.https://doi.org/10.1155/2013/454916。文章ID 454916。[5] 赵明，陈翔，石勤，徐伟.MIMO系统中的联合发射波束成形和天线选择。参见：IEEE无线通信快报。第7卷; 2018年。第716- 719页。https://doi.org/10.1109/LWC.2018.2815529。[6] Le KN.相关莱斯衰落下的选择合并接收机综述数字信号处理2019;88：1-22。https://doi.org/10.1016/j.dsp.2019.01.015网站。[7] Yawada PS，Dong MT.认知无线电网络中多天线多用户分集频谱感知新方案的性能分析无线通信移动Comput2018年：13。https://doi.org/10.1155/2018/8560278网站。文章ID 8560278。[8] Kim S.正交空间调制系统中的天线选择方案 ETRI J2016;38（4）：606-11。https://doi.org/10.4218/etrij.16.0115.0986网站。[9] Jabbar SQ，Li Y.大规模MIMO系统的性能增益和权衡分析与评估。应用科学2016;6（10）：268。https://doi.org/10.3390/app6100268.[10] Bjo€rnsonE，Hoydis J，KountourisM，Debbah M. 具有非理想硬件的大规模MIMO系统：能量效率、估计和容量限制。IEEE跨信息理论2014;60（11）：7112 - 39.https://doi.org/10.1109/TIT.2014.2354403网站。[11] Ahmed I，Khammari H，Shahid A，Musa A，Kim KS，Poorter ED，MoermanI.5G中的混合波束成形技术综述：架构和系统模型视角。IEEE CommunicationsSurvey&Tuesday 2018;20（4）：3060-97.https://doi.org/10.1109/COMST.2018.2843719。[12] Desai N，Makawana GD.“无线通信系统的空间分集-综述”.国际工程科学与创新技术杂志（IJESIT）2013;2（3）：405- 10。[13] Mohaisen R，Al-Mistarihi MF.“Performanceevaluationofbiterrorrateinrelay-basedcooperativediversity systemsoverRayleighfadingchannelswithinterference”，有线/无线互联网通信，WWIC2013。在：在计算机科学讲义，卷。7889 Berlin，Heidelberg：Springer; 2013.p. 241比50 https://doi.org/10.1007/978-3-642-38401-1_19。[14] Ghosh J，Dey A，Bachhar S.通过无线通信中各种分集技术改善误码率的性能分析 IntJ Comput Appl2014;95（9）：1-5. https://doi.org/10.5120/16619-6470网站。[15] Yeom JS，Chu E，Jung BC，Jin H.5G无线网络分集控制多用户叠加传输性能分析传感器2018;18（第2期）：536。https://doi.org/10.3390/s18020536网站。[16] Asshad M，Khan SA，Kavak A，Küçük K，Msongaleli DL.“Cooperativecommunications using relay nodes for next-generation wireless networks withoptimal selection techniques：a review”. IEEJ Trans Electr Electron Eng 2019;14（5）：658-69. https://doi.org/10.1002/tee.22852网站。[17] 杨伟杰，王伟杰. 衰落环境下MIMO系统中BPSK和QPSK调制的分集技术。International Journal of AdvancedResearch in Electronics and CommunicationEngineering（IJARECE）2015;4（5）：1461- 7.[18] Burgos D，Lemos R，Silva H，Kunzler J，Flores E.基于遗传算法的运动目标自适应波束形成。工程2016;21（2）：214-24。https://doi.org/10.14483/uddistital.jour.reving.2016.2.a07.[19] 李文，张文，等.基于遗传算法的OFDM系统波束赋形优化.北京：清华大学出版社，2000，24（3）：100 - 101. Int J Eng Res Technol2016;4（16）.[20] 郭 H ， MakkiB ， SvenssonT.Paris ： WiOpt;2017.p.一 比 七https://doi.org/10.23919/WIOPT.2017.7959905。[21] Khalid S，Abbas WB，Kim HS，Niaz MT.基于进化算法的5G/B5 G混合预编码系统容量最大化。传感器2020;20（18）：5338。https://doi.org/10.3390/s20185338网站。2020年9月[22] 梅塔河基于偏导数的凸优化方法在无线网络中的路径损耗估计Int J AutonomAdapt Commun Syst 2020;13（3）：229-45.https://doi.org/10.1504/IJAACS.2020.110748网站。[23] Mehta R，Lobiyal DK.“Bi-objectivecross-layerdesignusingdifferentoptimizationmethodsinmulti-crowdad-hocnetworks”，信息、通信和计算技术国际会议。ICICCT; 2017.第57-67页。网址：http：//doi.org/10.1007/978-981-10-6544-6_6[24] MATLAB软件http://www.mathworks.com/products/matlab.html网站。