Page 37 - 网络电信2023年4月刊
P. 37
收点的接收光功率值接近的情况下，则 f(c) 越接近; 在全部 群中最优适应度函数值是否连续15代不变或者温度降为 0。如
接收点的光功率相等时，则f(c) = 1。 果是，至步骤(8) ，反之至下一步。
2.3.2 染色体编码以及遗传操作 (4) 采取选择操作，以P sel (c) 为标准选择个体，获取种
采用十进制编码方式作为遗传模拟退火算法的染色体的编 群随机划分的两种子种群，分别为子种群1和2。
码方式，LED的功率调节因子用染色体的基因表示，每一条染色 (5) 根据交叉概率Pcro和变异概率Pmut，将两个子种群实
体f(c) = 1c = ( k1，k2，…， ) ，均由一组功率调节因 行交叉变异操作。
子构成。选择操作、交叉操作以及变异操作均为遗传模拟退火 (6)根据Metropolis接收准则，完成步骤(5)中得出的替代
算法的操作方式，其中选用轮盘赌方法进行选择操作 ［10］ 。轮 相应父个体的新个体的接收，获取新种群 ［18］ 。
盘赌选择可根据个体适应度函数值选择适当的个体，提升适应 (7) 实行降温操作，按照公式(14) 完成 Tk 的更新，k =
度函数值高的个体的被选择率和生存率。在选择操作中个体选 k+1，转至步骤(2) 。
中概率计算公式为: (8) 将种群中满足照明强度要求、适应度函数值最大的最
优个体信息输出 ［19］ 。
(11)
三、实验分析
式中: 一个种群中个体数量和种群中所有个体适应度函数 选取某办公室为研究对象，采用本方法对其室内光通信系
统的光源实行优化布局，测试布局后的整体效果。该研究对象
值总和分别用N popu 和 表示。
的尺寸大小为6m×5m×4m，实验所用的LED灯珠的发光功率为
采用双点交叉遗传模拟退火算法的交叉操作方式，表示两
0.2W，LED光源数量为16个。设置最大迭代次数为170，种群数
个交叉点于两个父代个体中随机设定形成，并互换交叉点之间 为31，交叉率0.91，变异率0.011，收敛条件0.009。
的等位基因，以此形成两个新的个体 ［11 ，则交叉概率用P cro 表
本方法是根据优胜劣汰的原理，形成初始种群后逐代演化
示。
形成更佳的近似解，实现光通信系统优化布局。采用本方法对
遗传模拟退火算法通过动态变异操纵方式，自适应调整
实验对象的布局进行寻优，判断本文方法的寻优性能，结果如
种群中的最优个体信息以及进化代数，使算法局部搜索能力提
图3所示。
升，动态变异概率计算公式为:
(12) 图3 适应度值的变化结果
式中: 初始变异概率和变异步长用P init 和λ inc 表示; 变异
概率没有变化周期中最优个体没有变化的进化次数用N inc 表示。
在最优个体没有变化的进化代数增加的情况下，公式(12)中的
P mut 增加，以此避免算法进入局部最优。
2.3.3 Metropolis 接收准则
Metropolis 接收准则的核心是根据一定概率接收新产生的
个体，使种群的多样性增加 ［12－14］ 。遗传模拟退火算接纳新个
体的概率为:
(13)
式中: 第k代的温度用T k 表示; 新个体与旧个体的应度函
数值之差用ΔE=f(c')－f(c) 表示; N rand ［0，1］表示随机数。
通过公式(13)可知，在旧个体适应度函数值小于新个体适应度
函数值时，接收新个体; 反之，新个体的接收则按照一定概率 分析图3可知:每一次迭代获取的最优适应值随着迭代次数
完成，该方式可有效避免遗传模拟退火算法陷入局部最优 ［15－ 的增加逐渐降低，在57次迭代中获取最优适应度值0.00902，说
17］
。该算法的降温策略为: 明本方法可有效完成光源布局的寻优。
(14) 为验证本方法的优势，采用基于白光发光二极管的光通信
式中: 降温系数用λ表示，且λ∈［0.49，0.99］;k－1代 光源布局方法(文献［4］方法)和基于位置和功率协同优化的光
的温度用T k－1 表示。 通信光源布局方法(文献［5］方法)，作为本方法的对比方法，
遗传模拟退火算法的具体步骤如下: 测试三种方法的光源布局性能，测试结果如表1所示。
(1) 初始温度T 0 的初始化，T k = T 0 ，k=1。形成初始种群， 分析表1可知:本方法的最优化适应度值与设置的收敛条件
并且种群规模为N popu 。 最为接近，运行时间、优化后的光照均匀度以及均匀度提升率
(2) 对种群中的个体适应度函数值f(c) 实 行计算。 均高于另外两种对比方法，迭代次数介于文献［5］方法与文献［4］
(3) 对k进行判断，其是否满足设定的最大进化代数或者种 方法之间。综合所有性能指标可以得出，本方法的整体性能较好。
网络电信 二零二三年四月 63
