基于混合蛙跳算法的多模盲均衡算法

郭業(yè)才，張苗青

（1.南京信息工程大學(xué)江蘇省氣象探測(cè)與信息處理重點(diǎn)實(shí)驗(yàn)室，江蘇南京210044；2.江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心，江蘇南京210044）

基于混合蛙跳算法的多模盲均衡算法

郭業(yè)才1，2，張苗青1

（1.南京信息工程大學(xué)江蘇省氣象探測(cè)與信息處理重點(diǎn)實(shí)驗(yàn)室，江蘇南京210044；2.江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心，江蘇南京210044）

針對(duì)常模盲均衡算法（CMA）收斂速度慢、收斂后穩(wěn)態(tài)誤差大且存在盲相位的現(xiàn)象，提出了一種基于混合蛙跳算法的多模盲均衡算法（SFLA-MMA）。它結(jié)合了智能優(yōu)化算法的基本思想，將個(gè)體自身的進(jìn)化及個(gè)體間的社會(huì)行為等概念引入到盲均衡技術(shù)中。該算法將多模盲均衡算法（MMA）代價(jià)函數(shù)的倒數(shù)定義為混合蛙跳算法（SFLA）的適應(yīng)度函數(shù)，將青蛙群體中青蛙個(gè)體的位置向量作為MMA的初始權(quán)向量；利用SFLA的全局信息共享機(jī)制和局部深度搜索能力，在全局范圍內(nèi)搜索青蛙群體的最優(yōu)位置向量并作為MMA的初始優(yōu)化權(quán)向量。之后，通過MMA進(jìn)行迭代，得到MMA的最優(yōu)權(quán)向量。利用高階多模正交振幅調(diào)制（QAM）與正交相移鍵控（APSK）信號(hào)對(duì)該算法進(jìn)行了仿真驗(yàn)證。仿真結(jié)果表明，與CMA、MMA和基于粒子群算法的多模盲均衡算法（PSOMMA）相比，SFLA-MMA在均衡高階多模信號(hào)時(shí)收斂速度極快、穩(wěn)態(tài)誤差最小、輸出信號(hào)星座圖最清晰。

信息處理技術(shù)；多模算法；混合蛙跳算法；智能優(yōu)化算法；最優(yōu)權(quán)向量

0 引言

在通信系統(tǒng)中，為了有效地消除有限帶寬和多徑傳播等引起的碼間干擾，接收端需要引入盲均衡技術(shù)。在盲均衡技術(shù)中，常模盲均衡算法（CMA）是使均衡器輸出信號(hào)星座點(diǎn)盡可能分布在一個(gè)半徑為RC（信號(hào)的統(tǒng)計(jì)模值）的圓上，從而不斷調(diào)整均衡器的權(quán)向量。CMA最大的優(yōu)點(diǎn)在于它的代價(jià)函數(shù)只與接收序列的幅度有關(guān)，而與相位無關(guān)，所以CMA非常適用于常模信號(hào)。但是，對(duì)于具有不同模值的高階正交振幅調(diào)制（QAM）和正交相移鍵控（APSK）信號(hào)，其星座點(diǎn)分布在不同半徑的圓上，如果采用CMA進(jìn)行均衡就會(huì)使輸出信號(hào)星座點(diǎn)趨于單一圓上，從而產(chǎn)生較大的誤差，甚至導(dǎo)致算法無效。近年，Yang等提出的多模盲均衡算法（MMA）［1］是對(duì)CMA的一種改進(jìn)，主要思想是以判決輸出信號(hào)的模值作為圓的半徑，把星座圖分成多個(gè)區(qū)域，每個(gè)區(qū)域都有各自的誤差函數(shù)，從而將剩余誤差控制在較小的范圍內(nèi)［2］。綜上所述，對(duì)于高階多模信號(hào)，MMA收斂性能與CMA相比有所提高，并且不需要相位旋轉(zhuǎn)器來消除相位模糊［3］，尤其對(duì)于非方形星座、密集型星座，MMA能夠更加充分地利用符號(hào)的統(tǒng)計(jì)特性。但是，MMA與CMA一樣存在模型誤差，其收斂速度及收斂后的剩余誤差仍不甚理想。

混合蛙跳算法（SFLA）［4］是一種受自然生物模仿啟示而產(chǎn)生的群體性協(xié)同搜索方法，本質(zhì)上是一種概率搜索。該算法模擬青蛙的群體性覓食行為，按種群分類并進(jìn)行信息傳遞，將局部深度搜索和全局信息交換相結(jié)合［5-6］，同時(shí)具備基于遺傳特性的模因演算法（MA）［7］和基于社會(huì)行為的粒子群算法（PSO）［8］二者的優(yōu)點(diǎn)，達(dá)到了全局信息共享和局部開發(fā)能力的平衡。算法易于理解，容易實(shí)現(xiàn)，可操作性和魯棒性較強(qiáng)。

結(jié)合SFLA和MMA各自的特點(diǎn)，本文提出了一種基于混合蛙跳算法的多模盲均衡算法（SFLAMMA），其原理是利用SFLA快速搜索到一組適用于MMA算法的全局最優(yōu)解，以此作為MMA的最優(yōu)初始化權(quán)向量進(jìn)行迭代，并進(jìn)行了仿真驗(yàn)證。

1 多模盲均衡算法

與CMA相比，MMA相當(dāng)于在CMA的基礎(chǔ)上多加入了一個(gè)判決器，以決定誤差函數(shù)中模值的選取，如圖1所示。x（n）為均衡器的接收信號(hào)，wD（n）為橫向?yàn)V波器的權(quán)向量，z（n）為橫向?yàn)V波器的輸出，z（n）通過非線性系統(tǒng)g（·）得到估計(jì)信號(hào)^z（n），eD（n）為誤差信號(hào)，以上的n為數(shù)字信號(hào)的采樣點(diǎn)數(shù)。RS為采樣模值，RD為判決模值，虛線框內(nèi)為MMA算法。

圖1 MMA盲均衡算法結(jié)構(gòu)圖Fig.1 Structure diagram of MMA blind equalizer

MMA以LMS算法為模型，將橫向?yàn)V波器的輸出信號(hào)z（n）通過一個(gè)非線性系統(tǒng)g（·），得到估計(jì)信號(hào)，以此代替期望信號(hào)d（n），進(jìn)而得到算法的誤差信號(hào)eD（n）.此外，為了使橫向?yàn)V波器的權(quán)系數(shù)趨于收斂，非線性函數(shù)g（·）需滿足（1）式。

式中:RD是對(duì)RS的判決結(jié)果，RS為

式中:E（·）表示求數(shù)學(xué)期望。

由圖1可知，MMA橫向?yàn)V波器輸出信號(hào)為

誤差信號(hào)為

因此，MMA代價(jià)函數(shù)定義為

由該代價(jià)函數(shù)的隨機(jī)梯度，可以得到MMA的權(quán)向量迭代公式。根據(jù)（3）式、（4）式和（5）式，JMMA（n）的隨機(jī)梯度為

那么，權(quán)向量的迭代公式為

式中:μD為MMA的迭代步長(zhǎng)。

MMA根據(jù)判決模值RD調(diào)整誤差函數(shù)，這里以32-APSK信號(hào)為例。APSK星座圖可以被視為具有不同電平幅度的相移鍵控（PSK）信號(hào)的集合［9-10］，它又被稱為星形QAM，如圖2所示。圖2中，輸入信號(hào)星座點(diǎn)分布在3個(gè)半徑不同的圓上，其半徑對(duì)應(yīng)于信號(hào)的模值；虛線所示的兩個(gè)同心圓是判決器的判決邊界條件，記為RB.兩個(gè)判決圓將星座空間分成了3個(gè)區(qū)域，分別對(duì)應(yīng)3個(gè)誤差函數(shù)。

圖2 32-APSK信號(hào)的模值Fig.2 Modulus of 32-APSK

設(shè)接收信號(hào)是32-APSK信號(hào)，星座圖中RD所在圓的半徑按從小到大排列分別為RD1、RD2、RD3，判決圓半徑RB的下限為Rm，上限為Rb.

橫向?yàn)V波器輸出信號(hào)z（n）輸入判決器，由（2）式計(jì)算RS、比較其與判決邊界條件的關(guān)系，選取這一段信號(hào)的判決模值為

將（8）式代入（4）式，得到對(duì)于32-APSK的誤差函數(shù)為

對(duì)于不同的調(diào)制方式，判決器的判決規(guī)則也不盡相同。MMA能否有效地均衡主要取決于算法中的判決條件，即Rm、Rb的選取。

雖然MMA具有運(yùn)算復(fù)雜度低、對(duì)于高階多模信號(hào)收斂速度快等優(yōu)點(diǎn)，但由于其存在模型誤差，使得收斂后的剩余誤差較大，不利于信號(hào)的追蹤［11］。

2 混合蛙跳算法及其相關(guān)算法

SFLA是一類啟發(fā)式的智能優(yōu)化算法，它通過某一個(gè)數(shù)學(xué)函數(shù)進(jìn)行啟發(fā)式搜索，以尋求問題的最優(yōu)解。下面先對(duì)其相關(guān)的模因演算法及PSO進(jìn)行簡(jiǎn)單介紹。

2.1 模因演算法

模因（Memetic）一詞是由meme而來，一般理解為“文化基因”，因此模因算法（MA）也稱為文化基因算法。對(duì)應(yīng)于遺傳算法，MA模擬了人類文明的發(fā)展過程。它采用與遺傳算法相似的操作流程，并在此基礎(chǔ)上通過局部鄰域搜索使每次迭代的所有個(gè)體都達(dá)到局部最優(yōu)，其流程如圖3所示。

實(shí)際上，MA并沒有具體的數(shù)學(xué)模型，它更多體現(xiàn)為一種思想或框架［12］。MA在搜索策略上具有較大的變通性，其全局搜索階段的進(jìn)化算子和局部搜索時(shí)的個(gè)體學(xué)習(xí)可采用多種組合，各種常規(guī)或智能優(yōu)化算法都可以納入到MA的框架中。SFLA就是基于MA的這個(gè)特點(diǎn)，結(jié)合PSO而產(chǎn)生的。

2.2 粒子群算法

PSO是一種模擬鳥類群體性覓食行為的啟發(fā)式全局優(yōu)化算法。鳥群中的每只鳥都稱為“粒子”，它們同時(shí)具有速度和位置兩個(gè)特征，在解空間中以規(guī)定的規(guī)則移動(dòng)，經(jīng)過若干次迭代后得到所求問題的全局最優(yōu)解。在每一次迭代中，粒子通過跟蹤兩個(gè)位置更新自己。一個(gè)是粒子自身所經(jīng)歷的最好位置，即個(gè)體最好位置；另一個(gè)是群體中所有粒子所經(jīng)歷過的最好位置，即全局最好位置。

圖3 MA流程圖Fig.3 Flowchart of MA

PSO的實(shí)現(xiàn)步驟如下［13］:

步驟1 參數(shù)初始化。對(duì)粒子群的隨機(jī)位置、速度及適應(yīng)度函數(shù)等進(jìn)行初始設(shè)定。

步驟2 計(jì)算每個(gè)粒子的適應(yīng)度值。將每個(gè)粒子的初始位置暫時(shí)作為該粒子所經(jīng)歷的最好位置Ypbest，將其中適應(yīng)度值最大的粒子的位置Ygbest暫時(shí)作為全局所經(jīng)歷的最好位置。

步驟3 對(duì)粒子的速度和位置進(jìn)行更新。

式中:vk（d+1）和vk（d）分別表示粒子k第d次迭代中的當(dāng)前速度和先前速度；Yk（d）為粒子k第d次迭代的位置；ω為慣性系數(shù)；c1和c2為加速常數(shù)；r1和r2分別為區(qū)間（0，1）上的兩個(gè)隨機(jī)數(shù)，且相互獨(dú)立。

更新后粒子的位置為

步驟4 將Yk（d+1）的適應(yīng)度值與Ypbest的適應(yīng)度值進(jìn)行比較，若較大，則將Yk（d+1）作為該粒子當(dāng)前的最優(yōu)位置。

步驟5 將Yk（d+1）的適應(yīng)度值與Ygbest的適應(yīng)度值進(jìn)行比較，若較大，則將Yk（d+1）作為當(dāng)前的全局最優(yōu)位置。

步驟6 判斷是否滿足結(jié)束條件。若完成，輸出最優(yōu)解，否則轉(zhuǎn)至步驟3.

2.3 混合蛙跳算法

SFLA模擬青蛙群體覓食行為中信息傳遞的過程，根據(jù)每只青蛙位置的不同，將它們分為多個(gè)子種群。同一子種群內(nèi)進(jìn)行局部深度搜索，距離食物最遠(yuǎn)的青蛙會(huì)根據(jù)種群內(nèi)距離食物最近的青蛙提供的信息調(diào)整自身位置，向食物靠近［14］。每隔一段時(shí)間，所有種群會(huì)進(jìn)行全局的信息交流，并根據(jù)當(dāng)前青蛙的位置重構(gòu)種群。這樣的局部搜索與全局信息交換更替進(jìn)行，直至找到食物［6］。

SFLA可以分為4部分來實(shí)現(xiàn)［15］，整體流程如圖4所示，具體步驟如下:

1）初始化。

步驟1 初始化種群解（青蛙）的總數(shù)F，子種群個(gè)數(shù)m，每個(gè)子種群中解的個(gè)數(shù)k，解的維數(shù)S，子種群局部搜索次數(shù)N，混合迭代次數(shù)G，解的最大移動(dòng)步長(zhǎng)Dmax，適應(yīng)度函數(shù)fitness等參數(shù)。

步驟2 在可行解區(qū)域內(nèi)，隨機(jī)生成F個(gè)解，組成初始種群X=［X1，X2，…，XF］，并計(jì)算每個(gè)解的適應(yīng)度值fitness（X）.

圖4 SFLA流程圖Fig.4 Flowchart of SFLA

2）子種群的劃分。

步驟3 根據(jù)適應(yīng)度對(duì)種群中的所有解降序排列，記錄適應(yīng)度最大的解Xg，暫時(shí)作為整個(gè)種群中的最優(yōu)解，即全局最優(yōu)解。

步驟4 將排序后的解按照下述方式分成m個(gè)子種群，每個(gè)子種群中含有k個(gè)解。

第1個(gè)解被放入第1個(gè)子種群，第2個(gè)解被放入第2個(gè)子種群，一直到第m個(gè)解被放入第m個(gè)子種群。接著，第m+1個(gè)解又被放入第1個(gè)子種群，依次類推，直至將所有解分配完畢。

步驟5 記錄下每個(gè)子種群中具有最大適應(yīng)度值和最小適應(yīng)度值的解，分別記為Xb和Xw，簡(jiǎn)稱為最優(yōu)解和最差解，暫時(shí)作為該子種群的最優(yōu)解和最差解。

3）局部搜索。

步驟6 在各個(gè)子種群中，通過（13）式更新該子種群中的最差解。解的移動(dòng)步長(zhǎng)為

式中:rand為（0，1）之間的一個(gè)隨機(jī)數(shù)；t為局部搜索次數(shù)，t=1，2，…，N.更新后最差解為

式中:|D（t）|≤Dmax.

步驟7 在各子種群中，將Xw（t+1）的適應(yīng)度與Xw（t）的適應(yīng)度進(jìn)行比較。若較大，則用Xw（t+1）代替原有的Xw（t），轉(zhuǎn)入步驟9；否則，由（14）式計(jì)算最差解Xw的移動(dòng)步長(zhǎng)

步驟9 判斷是否完成了預(yù)定的局部搜索次數(shù)。若完成，進(jìn)入混合運(yùn)算，否則轉(zhuǎn)至步驟6.

4）混合運(yùn)算。

步驟10 將所有子種群的解重新混合。

步驟11 判斷是否完成了預(yù)定的混合迭代次數(shù)。若完成，輸出最優(yōu)解，否則轉(zhuǎn)至步驟3.

3 基于SFLA的多模盲均衡算法

將SFLA引入到MMA中，以搜索全局最優(yōu)的MMA均衡器初始權(quán)向量，從而提高盲均衡算法的收斂速度并減小穩(wěn)態(tài)剩余誤差，使均衡具有良好且穩(wěn)定的效果。SFLA-MMA的基帶等效模型如圖5所示，s（n）為發(fā)送信號(hào)，Nn（n）為高斯白噪聲。

圖5 SFLA-MMA基帶等效模型Fig.5 Baseband equivalent model of SFLA-MMA

在SFLA中，設(shè)隨機(jī)產(chǎn)生的初始青蛙種群為X=［X1，X2，…，XF］，其中每只青蛙的初始位置Xi（1≤i≤F）對(duì)應(yīng)均衡器的一個(gè)權(quán)向量，經(jīng)過多次局部搜索和混合迭代，最終找到距離食物最近的那個(gè)位置向量，這個(gè)過程類似于盲均衡算法通過多次迭代，尋找代價(jià)函數(shù)最小值時(shí)的最優(yōu)權(quán)向量。

SFLA-MMA的核心是將MMA代價(jià)函數(shù)的倒數(shù)作為SFLA的適應(yīng)度函數(shù)，即

式中:Xi表示F只青蛙中第i只的位置向量。

SFLA-MMA通過搜索適應(yīng)度函數(shù)的全局極大值點(diǎn)來尋找種群中青蛙的最佳位置向量，并將它作為MMA的初始權(quán)向量。

4 仿真實(shí)驗(yàn)與分析

在64-QAM和32-APSK兩種調(diào)制方式下，對(duì)SFLA-MMA進(jìn)行仿真實(shí)驗(yàn)驗(yàn)證，并與CMA，MMA進(jìn)行比較。為了驗(yàn)證將SFLA與PSO引入到MMA均衡性能，現(xiàn)采用第3節(jié)的思想構(gòu)建一種基于PSO的多模盲均衡算法，即PSO-MMA.并將（15）式作為它的適應(yīng)度函數(shù)進(jìn)行仿真。

1）SFLA-MMA仿真參數(shù)。種群總數(shù)F=50，子種群個(gè)數(shù)m=5，每個(gè)子種群內(nèi)青蛙的個(gè)數(shù)k=10，解的維數(shù)S=11，局部搜索次數(shù)N=20，混合迭代次數(shù)G=10，最大位移步長(zhǎng)Dmax=0.01.

2）PSO-MMA仿真參數(shù)。種群總數(shù)R=50，慣性系數(shù)ω=1.2，加速常數(shù)c1=c2=2，迭代次數(shù)Q=50.

3）其他參數(shù)。信道h=［0.965 6 -0.090 6 0.057 8 0.236 8］，接收信噪比SNR=30 dB，均衡器采用11階橫向抽頭結(jié)構(gòu)，CMA和MMA的中心抽頭系數(shù)初始化為1，其他抽頭系數(shù)初始化為0，所有仿真的最大迭代次數(shù)均為iter=1×104，Monte Carlo次數(shù)均為M=3×103.

實(shí)驗(yàn)1 在64-QAM調(diào)制下，CMA和MMA的迭代步長(zhǎng)均為1×10-6，SFLA-MMA和PSO-MMA的迭代步長(zhǎng)均為1×10-7，仿真結(jié)果如圖6所示。

圖6 64-QAM仿真結(jié)果Fig.6 Simulation results of 64-QAM signals

實(shí)驗(yàn)2 在32-APSK調(diào)制下，CMA和MMA的迭代步長(zhǎng)均為1×10-5，SFLA-MMA和PSO-MMA的迭代步長(zhǎng)均為5×10-6，仿真結(jié)果如圖7所示。

表1為兩個(gè)實(shí)驗(yàn)在相同的信噪比下，收斂迭代次數(shù)與穩(wěn)態(tài)誤差的統(tǒng)計(jì)表。

圖6、圖7及表1表明，在64-QAM調(diào)制方式下，SFLA-MMA的收斂速度較MMA提高了將近2.5倍，穩(wěn)態(tài)誤差降低了15 dB；在32-APSK調(diào)制方式下，SFLA-MMA的收斂速度較MMA提高了約6倍，穩(wěn)態(tài)誤差降低了14 dB.兩種調(diào)制方式的輸出星座圖中，SFLA-MMA及PSO-MMA的輸出星座圖明顯比CMA和MMA清晰且緊湊，沒有出現(xiàn)相互混疊的情況。這是因?yàn)镃MA和MMA的穩(wěn)態(tài)誤差會(huì)隨調(diào)制階數(shù)的提高而越來越大，而SFLA-MMA的穩(wěn)態(tài)誤差受調(diào)制階數(shù)的影響很小。所以對(duì)于高階多模信號(hào)，SFLA-MMA的優(yōu)勢(shì)十分明顯。因此，對(duì)于高階多模信號(hào)的均衡，SFLA-MMA具有更快的收斂速度和更小的穩(wěn)態(tài)誤差。

圖7 32-APSK仿真結(jié)果Fig.7 Simulation results of the 32-APSK signals

表1 不同調(diào)制方式下各算法的收斂迭代次數(shù)與穩(wěn)態(tài)誤差統(tǒng)計(jì)值Tab.1 Convergence iteration times and steady-state errors for each algorithm with different modulation methods

5 結(jié)論

本文提出的基于SFLA的MMA，克服了傳統(tǒng)的盲均衡算法收斂速度慢、穩(wěn)態(tài)誤差大及盲相位問題，提高了均衡性能。仿真結(jié)果表明，對(duì)于高階多模64-QAM和32-APSK信號(hào)，SFLA-MMA與傳統(tǒng)的CMA和MMA相比，具有更快的收斂速度和更低的穩(wěn)態(tài)誤差。

（

）

［1］ Yang J，Werner J J，Dumont G A.The multimodulus blind equal-ization and its generalized algorithm［J］.IEEE Journal on Selected Areas in Communications，2002，20（5）:997-1014.

［2］ GAO Yuan，QIU Xin-yun.A new variable step size CMA blind equalization algorithm［C］∥IEEE Chinese Control and Decision Conference.Taiyuan，China:IEEE，2012:315-317.

［3］ Jenq-Tay Yuan.Equalization and carrier phase recovery of CMA and MMA in blind adaptive receivers［J］.IEEE Transactions on Signal Processing，2010，58（6）:3206-3217.

［4］ Java Ebrahimi，Seyed Hossein Hosseinian，Gevorg B Gharehpetian.Unit commitment problem solution using shuffled frog leaping algorithm［J］.IEEE Transactions on Power System，2011，26（2）: 573-581.

［5］ Amiri B，F(xiàn)athian M，Maroosi A.Application of shuffled frog-leaping algorithm on clustering［J］.International Journal of Advanced Manufacturing Technology，2009，45（1/2）:199-209.

［6］ 駱劍平，李霞，陳泯融.混合蛙跳算法的Markov模型及其收斂性分析［J］.電子學(xué)報(bào)，2010，38（12）:2875-2880. LUO Jian-ping，Li Xia，CHEN Min-rong.The Markov model of shuffled frog leaping algorithm and its convergence analysis［J］. Acta Electronica Sinica，2010，38（12）:2875-2880.（in Chinese）

［7］ Eusuff M M，Lansey K E.Optimization of water distribution network design using shuffled frog leaping algorithm［J］.Journal of Water Resources Planning and Management，2003，129（3）: 210-225.

［8］ 陳杰，潘峰，王光輝.粒子群優(yōu)化算法在動(dòng)態(tài)優(yōu)化中的研究現(xiàn)狀［J］.智能系統(tǒng)學(xué)報(bào)，2009，4（3）:189-198. CHEN Jie，PAN Feng，WANG Guang-hui.Review of the PSO research in dynamic environment［J］.CAAI Transactions on Intelligent Systems，2009，4（3）:189-198.（in Chinese）

［9］ Yao M，Zhang Q T.Diversity reception of DAPSK over generalized fading channels［J］.IEEE Transactions on Wireless Communications，2005，4（4）:1834-1845.

［10］ Christian Hager，Alex Alvarado.Design of APSK constellations for coherent optical channels with Nonlinear Phase Noise［J］. IEEE Transactions on Communication，2013，61（8）:3362-3373.

［11］ 郭業(yè)才.模糊小波神經(jīng)網(wǎng)絡(luò)盲均衡理論、算法與實(shí)現(xiàn)［M］.北京:科學(xué)出版社，2011:48-52. GUO Ye-cai.The theory，algorithm and implement of fuzzy wavelet neural network blind equalization［M］.Beijing:Science press，2011:48-52.（in Chinese）

［12］ 段海濱，張翔銀，徐春芳.仿生智能計(jì)算［M］.北京:科學(xué)出版社，2011:130-136. DUAN Hai-bin，ZHANG Xiang-yin，XU Chun-fang.Bio-inspired computing［M］.Beijing:Science Press，2011:130-136.（in Chinese）

［13］ Li Chang-he，Yang Sheng-xiang.A self-learning particle swarm optimizer for global optimization problems［J］.IEEE Transactions on Systems，2012，42（3）:627-646.

［14］ Elbeltagi E，Hegazy T，Grierson D.Comparison among five evolutionary-based optimization algorithm［J］.Advanced Engineering Informatics，2005，19（1）:43-53.

［15］ Eusuff M，Lansey K，Pasha F.Shuffled frog leaping algorithm:a memetic meta-heuristic for discrete optimization［J］.Engineering Optimization，2006，38（2）:129-154

A Multi-modulus Blind Equalization Algorithm Based on Shuffled Frog Leaping Algorithm

GUO Ye-cai1，2，ZHANG Miao-qing2
（1.Jiangsu Key Laboratory of Meteorological Observation and Information Processing，Nanjing University of Information Science&Technology，Nanjing 210044，Jiangsu，China；2.Jiangsu Collaborative Innovation Center on Atmospheric Environment and Equipment，Nanjing 210044，Jiangsu，China）

For slow convergence speed，large steady mean square error（MSE），and blind phase of the constant modulus blind equalization algorithm（CMA），a multi-modulus blind equalization algorithm based on shuffled frog leaping algorithm（SFLA-MMA）is proposed，which combines the basic idea of intelligent optimization algorithm and introduces the individual own evolution and social behavior among individuals into the blind equalization technology.In the proposed algorithm，the reciprocal of the cost function of multi-modulus blind equalization algorithm（MMA）is defined as the fitness function of the shuffled frog leaping algorithm（SFLA），the position vector of the frog individual in the frog group is re-garded as the initial weight vector of MMA.The optimum location vector of the frog groups is searched using the global information sharing mechanism and local depth search ability of SFLA，and used as the initial optimum weight vector of the MMA.The optimal weight vector of MMA is obtained by updating the weight vector of MMA.The proposed SFLA-MMA is simulated with the higher-order multi-modulus QAM and APSK signals.The simulation results show that，compared with CMA，MMA，and the multi-modulus blind equalization algorithm based on particle swarm optimization algorithm（PSO-MMA），the proposed SFLA-MMA has the fastest convergence speed，the smallest MSE，and the clearest constellations of output signals.

information processing technology；multi-modulus algorithm；shuffled frog leaping algorithm；intelligence optimization algorithm；optimal weight vector

TN911.7

A

1000-1093（2015）07-1280-08

10.3969/j.issn.1000-1093.2015.07.017

2014-09-12

全國(guó)優(yōu)秀博士論文作者專項(xiàng)資金項(xiàng)目（200753）；江蘇省高校自然科學(xué)基金項(xiàng)目（13KJA510001）；高?？蒲谐晒a(chǎn)業(yè)化推進(jìn)項(xiàng)目（JHB 2012-9）；江蘇省高?！靶畔⑴c通信工程”優(yōu)勢(shì)學(xué)科建設(shè)工程項(xiàng)目（2014年）

郭業(yè)才（1962—），男，教授，博士生導(dǎo)師。E-mail:guo-yecai@163.com；張苗青（1986—），男，碩士研究生。E-mail:nidecc@gmail.com