基于遺傳算法的256QAM星座圖的最優概率整形matlab仿真,對比優化前后整形星座圖和誤碼率
1.算法仿真效果
matlab2022a仿真結果如下（完整代碼運行后無水印）：
GA優化曲線：
優化前后星座圖對比
優化前后誤碼率對比
仿真操作步驟可參考程序配套的操作視頻。
2.算法涉及理論知識概要
256QAM 是一種高階調制方式，星座圖中有256個星座點，每個星座點對應 8 比特信息。傳統的 256QAM 采用均勻分布。通過改變改變星座圖不同位置符號出現的概率，讓外圈星座點出現頻率降低，有利于減小平均功率，相當于增加了最小歐氏距離，從而有更好的傳輸性能。這就是我們所說的概率星座整形（PCS）了。它究竟有什么好處呢？
1. 具有整形增益。
2. 有望達到更高的傳輸容量，顯著提升頻譜效率。
3. 傳輸速率可以靈活調整，以完美適配不同的傳輸信道。
4. 無須多種支持多種QAM映射，僅使用方形QAM調制，需調整整形系數
PCS的關鍵在于如何對均勻概率的輸出映射成非均勻概率幅度分布，而且該概率分布還應該是最優的。理論上可以證明Maxwell-Boltzman分布對于方形QAM整形是最優的概率分布。概率星座整形一般使用如下的公式完成：
參數v為整形因子。在本課題中，將通過GA優化算法，搜索最佳的參數v，進一步提升概率整形后的系統性能。以 256QAM 的誤碼率（BER）作為適應度函數。誤碼率越低，表明該概率整形因子 對應的星座點概率分布越優。在實際計算時，可通過蒙特卡羅仿真來估計誤碼率。具體步驟為：依據當前的 計算每個星座點的發送概率，生成大量發送符號，經過加性高斯白噪聲（AWGN）信道傳輸，接收符號并進行解調，統計錯誤比特數，進而計算誤碼率。
通過GA算法，獲得最優的參數v，以降低256QAM 的誤碼率。
3.MATLAB核心程序
MAXGEN = 15;
NIND = 20;
Nums = 1;
Chrom = crtbp(NIND,Nums*10);
%sh
Areas = [];
for i = 1:Nums
Areas = [Areas,[0;0.25]];% 優化概率整形參數v
end
FieldD = [rep([10],[1,Nums]);Areas;rep([0;0;0;0],[1,Nums])];
gen = 0;
for a=1:1:NIND
%計算對應的目標值
X = rand(1,Nums)/10;%初始值
[epls] = func_obj(X);
E = epls;
Js(a,1) = E;
end
Objv = (Js+eps);
gen = 0;
%%
while gen < MAXGEN
gen
Pe0 = 0.998;
pe1 = 0.002;
FitnV=ranking(Objv);
Selch=select('sus',Chrom,FitnV);
Selch=recombin('xovsp', Selch,Pe0);
Selch=mut( Selch,pe1);
phen1=bs2rv(Selch,FieldD);
for a=1:1:NIND
X = phen1(a,:);
%計算對應的目標值
[epls]= func_obj(X);
E = epls;
JJ(a,1) = E;
end
Objvsel=(JJ);
[Chrom,Objv]=reins(Chrom,Selch,1,1,Objv,Objvsel);
gen=gen+1;
%保存參數收斂過程和誤差收斂過程以及函數值擬合結論
Error(gen) = mean(JJ) ;
[V,I] = min(JJ);
VVV(gen) = phen1(I,:);
VVV2(gen) = mean2(phen1) ;
end
figure;
plot(Error,'linewidth',2);
grid on
xlabel('迭代次數');
ylabel('遺傳算法優化過程');
legend('Average fitness');
[V,I] = min(JJ);
VV = phen1(I,:);
save GA_OPT.mat Error VV