基于多目标遗传算法的LoRa参数匹配优化

计算机工程与科学

• 计算机网络与信息安全 • 上一篇下一篇

基于多目标遗传算法的LoRa参数匹配优化

王硕禾1，刘旭1，李苏晨1，张国驹2

（1.石家庄铁道大学电气与电子工程学院，河北石家庄 050000;

2.北京天诚同创电气有限公司，北京 102600）

收稿日期:2019-08-04 修回日期:2019-10-15 出版日期:2020-03-25 发布日期:2020-03-25
基金资助:
河北省分布式能源应用创新中心资助项目（SG20182050）

LoRa parameter matching optimization

based on multi-objective genetic algorithm

WANG Shuo-he1，LIU Xu1，LI Su-chen1,ZHANG Guo-ju2

（1.School of Electrical and Electronic Engineering，Shijiazhuang Tiedao University，Shijiazhuang 050000;

2.Beijing Tiancheng Tongchuang Electric Co.,Ltd.，Beijing 102600,China）

Received:2019-08-04 Revised:2019-10-15 Online:2020-03-25 Published:2020-03-25

摘要/Abstract

摘要：

从工程应用角度出发，需要LoRa无线传输系统兼备系统功耗低、传输距离短、系统稳定性好的特点，优化设计匹配参数是提高LoRa传输性能的重要途径。以LoRa无线通信的能耗最低、最远传输距离最大以及系统的鲁棒性最强为优化目标，以SF、BW、CR等参数的有效取值为约束条件，采用线性加权的方法将多目标优化问题转换为单目标问题，求出最优解。仿真和实际测试结果表明，遗传算法应用于LoRa的参数匹配具有可行性和有效性。

关键词: LoRa通信, 参数优化, 遗传算法, 线性加权

Abstract:

From the perspective of engineering application, LoRa wireless transmission system is required to have the characteristics of low system power consumption, short transmission distance and good system stability. Therefore, optimizing the matching parameters in its design is the key way to improve LoRa transmission performance. In this paper, aiming to achieve the lowest energy consumption, the longest transmission distance and the strongest system robustness of the LoRa wireless communication, the effective values of parameters such as SF, BW and CR are considered as the constraint condition, and the linear weighting method is adopted to convert the multi-objective optimization problem to a single-objective problem so as to work out the optimal solution. The simulation and actual test results show that the genetic algorithm applied to LoRa parameter matching is feasible and effective.

Key words: LoRa communication, parameter optimization, genetic algorithm, linear weighting

王硕禾1，刘旭1，李苏晨1，张国驹2. 基于多目标遗传算法的LoRa参数匹配优化[J]. 计算机工程与科学.

WANG Shuo-he1，LIU Xu1，LI Su-chen1,ZHANG Guo-ju2.

LoRa parameter matching optimization

based on multi-objective genetic algorithm

[J]. Computer Engineering & Science.

[1]	陈侨安1，李峰1，曹越1，龙明盛1,2. 基于运行数据分析的Spark任务参数优化[J]. J4, 20160101, 38(01): 11-19.
[2]	李成冉, 方佳豪, 尹首一, 魏少军, 胡杨. 基于遗传算法的晶圆级芯片映射算法研究[J]. 计算机工程与科学, 2024, 46(06): 993-1000.
[3]	任晟岐, 宋伟. 基于GGInformer模型的多维时间序列特征提取与预测研究[J]. 计算机工程与科学, 2024, 46(04): 590-598.
[4]	孙睿男, 初翔, 陈昱, 闫明宁. 基于混合启发式算法的快递末端选址路径优化研究[J]. 计算机工程与科学, 2024, 46(01): 159-169.
[5]	郭艺, 何廷年, 李爱斌, 毛君宇. 融合GA-CART和Deep-IRT的知识追踪模型[J]. 计算机工程与科学, 2023, 45(09): 1691-1700.
[6]	毛媛媛, 石恩雅, 蒋从锋, 仇烨亮, 贾刚勇, 万健, 闫龙川. 基于遗传算法的数据中心能效仿真[J]. 计算机工程与科学, 2021, 43(08): 1341-1352.
[7]	胡新荣, 刘嘉文, 刘军平, 彭涛, 何儒汉, . 基于改进GA-BP-MC神经网络的人体三维尺寸预测[J]. 计算机工程与科学, 2021, 43(08): 1443-1453.
[8]	李静, 莫思敏 . 基于改进遗传算法的深度神经网络优化研究[J]. 计算机工程与科学, 2021, 43(08): 1503-1511.
[9]	李晶晶, 许少华. 基于组合核函数的径向基过程神经网络及其在示功图诊断中的应用[J]. 计算机工程与科学, 2021, 43(04): 746-752.
[10]	季子豪, 江凌云. 一种基于遗传算法的多站点协同计算卸载算法[J]. 计算机工程与科学, 2021, 43(03): 426-434.
[11]	贾俊杰, 秦海涛. 基于遗传算法的动态轨迹匿名算法[J]. 计算机工程与科学, 2021, 43(01): 142-150.
[12]	李丹莲, 曹倩, 徐菲. 基于改进遗传算法的连锁便利店配送路径优化[J]. 计算机工程与科学, 2020, 42(11): 2096-2102.
[13]	陈旺虎，田真，张礼智，梁小燕，高雅琼. 基于插值的高维稀疏数据离群点检测方法[J]. 计算机工程与科学, 2020, 42(06): 966-972.
[14]	马晗，常安定，陈童，李江杰. 基于文化混合优化算法的旅行商问题求解[J]. 计算机工程与科学, 2019, 41(07): 1273-1278.
[15]	刘华1，杨春曦1，韩光松2，谢可心1. N状态二进制一致性算法设计及其优化[J]. 计算机工程与科学, 2019, 41(06): 1009-1015.

基于多目标遗传算法的LoRa参数匹配优化

LoRa parameter matching optimization

based on multi-objective genetic algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价