基于混合仿生二元斑鬣狗优化的MIMO-OFDM信道估计新方法及其在5G通信中的应用研究

为解决5G通信中MIMO-OFDM系统的高峰均功率比(PAPR)和信道估计精度不足的问题，研究人员提出了一种混合仿生二元斑鬣狗优化(BBSHO)与鲸群算法(WSO)相结合的新型信道估计方法。该研究通过优化导频位置和功率分配，显著降低了比特误差率(BER)和均方误差(MSE)，提升了系统吞吐量和抗干扰能力，为高数据速率无线通信提供了关键技术支撑。

　　

随着第五代移动通信技术(5G)的快速发展，高数据速率和低延迟传输成为无线通信系统的核心需求。正交频分复用(OFDM)技术因其高频谱效率和抗多径衰落能力，被广泛应用于现代通信系统。然而，OFDM系统存在高峰均功率比(PAPR)问题，导致信号在传输过程中易受非线性失真影响。此外，多输入多输出(MIMO)技术与OFDM的结合(MIMO-OFDM)虽能进一步提升系统容量和可靠性，但信道状态信息(CSI)的准确估计仍是技术难点。传统的信道估计方法如最小二乘(LS)和最小均方误差(MMSE)在复杂信道环境下性能受限，亟需智能优化算法提升估计精度和系统鲁棒性。

为解决上述问题，研究人员开展了一项针对MIMO-OFDM系统信道估计的优化研究。通过结合仿生优化算法与群体智能策略，提出了混合仿生二元斑鬣狗优化(Bionic Binary Spotted Hyena Optimization, BBSHO)和鲸群优化(Whale Swarm Optimization, WSO)算法，以优化导频位置和功率分配，降低比特误差率(BER)和均方误差(MSE)。该研究发表于《International Journal of Cognitive Computing in Engineering》，为高可靠性通信系统设计提供了新思路。

研究主要采用以下技术方法：首先构建了2×2 MIMO-OFDM系统模型，使用MATLAB 2021a进行仿真；采用混合BBSHO-WSO算法优化导频位置和功率分配，其中BBSHO基于斑鬣狗社会行为设计位置坐标向量(PCVs)进行全局和局部搜索，WSO通过模拟鲸群捕食行为增强收敛性；通过比较正交导频、随机导频和优化导频配置，评估系统性能指标包括BER、MSE、吞吐量和PAPR；所有仿真均基于32-QAM调制和52个子载波（含4个导频子载波）。

4.1 均方误差(MSE)性能

通过比较BBSHO、BBO、PSO和BPSO等算法在不同信噪比(SNR)下的MSE表现，研究发现混合BBSHO-WSO算法在10 dB SNR下达到0.130的MSE值，显著低于其他算法。其收敛速度快且稳定性高，归因于WSO的sigmoid函数和BBSHO的局部搜索机制有效减少了噪声干扰。

4.2 比特误差率(BER)性能

在BER分析中，BBSHO-WSO在相同SNR条件下表现最优，BER值最低。随着SNR增加，BER逐步下降，表明该算法能有效抑制多径干扰和频率偏移，提升数据传输可靠性。

4.3 吞吐量性能

混合BBSHO-WSO在20 dB SNR下实现20 Mbit/s的峰值吞吐量，高于BSHO（12 Mbit/s）、BBO（16 Mbit/s）和PSO（18 Mbit/s）。高吞吐量得益于优化后的导频分配策略，提升了频谱利用效率。

4.4 峰均功率比(PAPR)性能

在互补累积分布函数(CCDF)评估中，BBSHO-WSO的PAPR为11.5 dB（CCDF=10^-3），优于其他算法（7.5 dB、7.3 dB和5.8 dB）。低PAPR表明信号功率波动小，减少了放大器非线性失真风险。

结论与意义

本研究通过混合BBSHO-WSO算法成功优化了MIMO-OFDM系统的信道估计性能，显著降低了BER、MSE和PAPR，同时提升了吞吐量。该算法融合了仿生智能和群体优化策略，为高数据速率通信系统提供了高效解决方案。其应用可扩展至5G网络、水下通信和物联网(IoT)等领域，对未来智能通信技术发展具有重要推动意义。研究局限性在于未涉及大规模天线阵列和实时硬件验证，未来工作可进一步探索算法在复杂环境下的适应性和计算效率优化。