基于PSO粒子群优化算法的256QAM星座图的最优概率整形matlab仿真,对比PSO优化前后整形星座图和误码率

本文链接：https://blog.youkuaiyun.com/hlayumi1234567/article/details/145818096

1.算法仿真效果

matlab2022a仿真结果如下（完整代码运行后无水印）：

仿真操作步骤可参考程序配套的操作视频。

2.算法涉及理论知识概要

256QAM 是一种高阶调制方式，星座图中有256个星座点，每个星座点对应 8 比特信息。传统的 256QAM 采用均匀分布。通过改变改变星座图不同位置符号出现的概率，让外圈星座点出现频率降低，有利于减小平均功率，相当于增加了最小欧氏距离，从而有更好的传输性能。这就是我们所说的概率星座整形（PCS）了。它究竟有什么好处呢？

1. 具有整形增益。

2. 有望达到更高的传输容量，显著提升频谱效率。

3. 传输速率可以灵活调整，以完美适配不同的传输信道。

4. 无须多种支持多种QAM映射，仅使用方形QAM调制，需调整整形系数

PCS的关键在于如何对均匀概率的输出映射成非均匀概率幅度分布，而且该概率分布还应该是最优的。理论上可以证明Maxwell-Boltzman分布对于方形QAM整形是最优的概率分布。概率星座整形一般使用如下的公式完成：

参数v为整形因子。在本课题中，将通过GA优化算法，搜索最佳的参数v，进一步提升概率整形后的系统性能。以 256QAM 的误码率（BER）作为适应度函数。误码率越低，表明该概率整形因子对应的星座点概率分布越优。在实际计算时，可通过蒙特卡罗仿真来估计误码率。具体步骤为：依据当前的计算每个星座点的发送概率，生成大量发送符号，经过加性高斯白噪声（AWGN）信道传输，接收符号并进行解调，统计错误比特数，进而计算误码率。

通过PSO算法，获得最优的参数v，以降低256QAM 的误码率。

3.MATLAB核心程序

......................................................................
for i=1:Iter
    i
    for j=1:Npeop
        rng(i+j)
        if func_obj(x1(j,:))<pbest1(j)
           p1(j,:)   = x1(j,:);%变量
           pbest1(j) = func_obj(x1(j,:));
        end
        if pbest1(j)<gbest1
           g1     = p1(j,:);%变量
           gbest1 = pbest1(j);
        end
        
        v1(j,:) = 0.8*v1(j,:)+c1*rand*(p1(j,:)-x1(j,:))+c2*rand*(g1-x1(j,:));
        x1(j,:) = x1(j,:)+v1(j,:); 
         
        for k=1:dims
            if x1(j,k) >= tmps(2,k)
               x1(j,k) = tmps(2,k);
            end
            if x1(j,k) <= tmps(1,k)
               x1(j,k) = tmps(1,k);
            end
        end

        for k=1:dims
            if v1(j,k) >= tmps(2,k)/2
               v1(j,k) =  tmps(2,k)/2;
            end
            if v1(j,k) <= tmps(1,k)/2
               v1(j,k) =  tmps(1,k)/2;
            end
        end

    end
    gb1(i)=gbest1 
end
figure;
plot(gb1,'-bs',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.0,0.0]);

xlabel('优化迭代次数');
ylabel('适应度值');
VV    = g1;
save PSO_OPT.mat gb1 VV 
0X_078m