2024年SEVC SCI2区，自适应遗忘多策略粒子群算法+基站布局，深度解析+性能实测

---

1.摘要

随着6G通信技术的兴起，用户对服务质量的要求不断提升，尤其在地形复杂的农村地区，如何确保信号覆盖成为突出挑战。因此，本文提出了一种带有自适应遗忘机制的多策略粒子群优化算法（AFMPSO），通过引入遗忘机制和质心牵引策略，提升了粒子在搜索过程中的灵活性与全局探索能力，有效避免了过早收敛和陷入局部最优的问题。在IEEE进化计算大会（CEC 2022）上，AFMPSO与多种粒子群优化变体及年度最佳算法进行对比，表现出更优的优化能力。实验结果显示，无论在固定还是随机配置的村落模型中，该算法均能实现超过90%的信号覆盖率，体现了显著优势与实际应用价值。

2.模型描述

本研究构建了一个适用于三维山地环境的基站检测模型，采用笛卡尔坐标系和欧氏距离进行空间划分与计算，并基于布尔空间感知框架实现信号覆盖判定。节点间距离通过欧氏公式计算：
$$d(s_i,m_j)=\sqrt{(x_i-x_j{)}^2+(y_i-y_j{)}^2+(z_i-z_j{)}^2}$$

山区三维地形模型以等高线图呈现空间特征，村庄被划分为多个信号需求单元点，包括住宅区、工业区和聚集性需求区。信号覆盖范围限定在地表至高度$HG$的区域，山体以下和极高区域均视为无需求区。该模型结合地形与村落分布，能够有效模拟山区复杂环境下的基站覆盖需求。

目标函数最大化总体覆盖率与约束条件，确保特殊区域必被覆盖，并维持基站与居民区的安全距离。覆盖检测函数基于布尔感知模型判断检测点是否在信号半径内，并累积覆盖体积。

3.自适应遗忘多策略粒子群算法

自适应区间遗忘机制

为解决粒子在进化中因过度依赖历史最优，自适应区间遗忘机制使粒子在一定时间段内只保留近期的最优经验，并主动遗忘过时信息。当历史经验持续无法带来改进时，粒子将转向学习近期适应环境的新经验，从而实现对历史最优的动态更新。该机制通过主动与被动遗忘相结合，有效避免长期停滞，提升搜索能力并加快算法收敛。

质心牵引策略

为避免传统 PSO 中个体或群体陷入局部最优导致全局停滞，本文提出质心牵引策略，通过适应度排序形成精英群体，并计算其平均位置作为学习质心，粒子在更新过程中同时参考个体最优、群体最优与质心信息。该方法减少了因单个精英误导带来的风险，提升了群体协同与信息利用效率，加快收敛并降低陷入局部最优的概率。

4.结果展示

5.参考文献

[1] Zhu D, Shen J, Zhang Y, et al. Multi-strategy particle swarm optimization with adaptive forgetting for base station layout[J]. Swarm and Evolutionary Computation, 2024, 91: 101737.

6.代码获取

xx

7.算法辅导·应用定制·读者交流

xx