Question

我正在开发一个用于GSM语音通道的数据调制解调器项目。我用C ++编码

调制解调器的主要思想：生成类似语音的符号，其中包含代码数据并通过GSM编解码器发送。 GA用于生成这些符号。

GA的主要思想是：

生成初始符号集
生成随机数据
将数据编码为符号
通过gsm编解码器发送
从编解码器接收数据
将其解码为第2点的原始数据
计算垃圾数据的百分比

然后有周期，直到满足下列条件之一：所有迭代都已通过或垃圾数据百分比足够低。

我能够实现该算法，但GA操作符 - 交叉和变异 - 无法正常工作。它变成了这样，初始集合是最好的集合而其他集合更糟糕。

在我的算法中，我使用具有概率分布с*（1-с）^ n的排名选择 n - 排名中的元素数量 c - GA参数。在文章中他们把它写成0.075。

交叉： G'= b * G1 +（1-b）* G2 b来自[-a，1 + a]。 α= 0.5 G' - 后代的复杂光谱 G1，G2 - 父母的复杂景象。根据排名选择，选择轮盘赌轮旋转的父母。

突变：

随机选择符号
从[-1;中选择一个随机复数1]×[-1; 1]
在复杂光谱中替换他的1..Nf成分之一。组件的数量也是随机选择的

突变的概率是0.1。交叉概率为0.9。

我也使用精英主义，这意味着我把上一代的最佳符号放到下一代。

尽管如此，它毫无用处。交叉和变异不能正常工作。

也许某人已经在这个项目中工作过或类似的工作？我还提供了一篇完整文章的链接： Here is the article 该算法在第4节中描述。 UPD ：完整的源代码 source code

任何帮助都将不胜感激。

void Alphabet::BlendCrossover(int offsprings)
{
int parentIndexes[2] = {-1, -1};
int copyIndex = 0;
float parameter;
float r = 0.0f;
float c = 0;
ComplexNumber ** childSpectra = new ComplexNumber*[N_SAMPLES];
ComplexNumber ** firstParentSpectra;
ComplexNumber ** secondParentSpectra;
Symbol * tmp;

SortByFitness();
DistributeProbabilities();
for(int i=0; i<N_SAMPLES;i++)
    childSpectra[i] = new ComplexNumber(0, 0);
for(int i=0; i<N_SYMBOLS - offsprings; i++)
    *(nextGeneration[i]) = *(symbolPool[i]);
for(int i=0; i<offsprings; i++)
{
    do
    {
        for(int j=0; j<2; j++)
        {
            r = GenerateRandomNum((float)0.0, (float)1.0);
            c = 0.0;
            for(int k=0; k<N_SYMBOLS; k++)
            {
                c += symbolPool[k]->GetProbability();
                if(r < c)
                {
                    parentIndexes[j] = k;
                    break;
                }
            }
        }
    }
    while(parentIndexes[0] == -1 || parentIndexes[1] == -1 || parentIndexes[0] == parentIndexes[1]);
    firstParentSpectra = symbolPool[parentIndexes[0]]->GetSpectra();
    secondParentSpectra = symbolPool[parentIndexes[1]]->GetSpectra();
    parameter = GenerateRandomNum((float)-0.5, (float)1.5);
    for(int j=0; j<N_SAMPLES; j++)
    {
        childSpectra[j]->SetRealPart(secondParentSpectra[j]->GetRealPart() + parameter*(firstParentSpectra[j]->GetRealPart() -
            secondParentSpectra[j]->GetRealPart()));
        childSpectra[j]->SetImPart(secondParentSpectra[j]->GetImPart() + parameter*(firstParentSpectra[j]->GetImPart() - 
            secondParentSpectra[j]->GetImPart()));
    }
    InverseDFT(childSpectra, nextGeneration[N_SYMBOLS - 1 - i]);
    nextGeneration[N_SYMBOLS - 1 - i]->timesCoded = 0;
    nextGeneration[N_SYMBOLS - 1 - i]->timesDecoded = 0;
}
for(int i = 0; i<N_SYMBOLS; i++)
    *(symbolPool[i]) = *(nextGeneration[i]);

}

void Alphabet::Mutate(int offsprings)
{
int randomIndex = (int)GenerateRandomNum(N_SYMBOLS - 1 - offsprings, N_SYMBOLS-1);
int randomComponent = (int)GenerateRandomNum(1, N_FREQUENCIES);
ComplexNumber ** spectra = symbolPool[randomIndex]->GetSpectra();

spectra[randomComponent]->SetRealPart((float)GenerateRandomNum((float)-1.0, (float)1.0));
spectra[randomComponent]->SetImPart((float)GenerateRandomNum((float)-1.0, (float)1.0));
InverseDFT(spectra, symbolPool[randomIndex]);
symbolPool[randomIndex]->Normalize();
symbolPool[randomIndex]->timesCoded = 0;
symbolPool[randomIndex]->timesDecoded = 0;
return;
}

GSM语音信道数据调制解调器的遗传算法

0 个答案: