基于PSO粒子群優化算法的256QAM星座圖的最優概率整形matlab仿真,對比PSO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）：
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PSO算法，獲得最優的參數v，以降低256QAM 的誤碼率。
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,:);%變量
pbest1(j) = func_obj(x1(j,:));
end
if pbest1(j)<gbest1
g1 = p1(j,:);%變量
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('優化迭代次數');
ylabel('適應度值');
VV = g1;
save PSO_OPT.mat gb1 VV