随着大数据时代和5G时代的到来,万物互联已经逐渐成为现实,无线通信变得非常重要。在实际的无线通信中,纯粹的线性信道廖寥无几,同时由于多个用户的存在,时延、码间串扰(Inter Symbol Interference,ISI)等问题十分严重。为了解决上述问题,通常在接收端采用信道均衡技术,通过均衡算法在接收端形成一个传输特性可以和信道作用抵消的均衡器,来弥补信道非线性特性引起的失真现象。然而,当信道条件比较恶劣时,传统的均衡器的性能不太理想。神经网络具有很强的非线性,在信号分析和图像处理等应用中有着突出的表现。与传统的线性均衡器相比,利用神经网络实现的均衡器的误码率更低。但是神经网络容易得到局部极小点、训练速度慢和缺乏选择网络结构的方法等问题,限制了神经网络在均衡领域的应用。启发式算法已经成为一种非常流行的解决优化问题的算法,它能够在较短的时间内找到高质量解。启发式算法的引入可以加快神经网络训练速度并提高解决方案的质量。针对现有的基于WNN-SOS(共生生物搜索算法优化的小波神经网络,Wavelet Neural Network trained by Symbiotic Organisms Search algorithm)的自适应均衡算法训练时间长、收敛速度慢的问题,本文提出了一种基于WNN-m SOS的自适应均衡算法。该算法基于小波神经网络实现均衡器的基础上,对小波神经网络的结构进行了修改,添加了输入层到输出层的直连结构,并删除了输出层神经元的阈值部分。然后将改进的共生生物搜索算法用于优化小波神经网络的权值和小波参数组合。最后利用最优参数组合构造小波神经网络,对测试数据进行预测输出。由于所提算法在优化参数增多的同时简化了共生生物搜索算法,整体上可以减少算法的训练时间并提高收敛精度。为了进一步平衡m SOS算法的探索与开发能力,提出WNN-m SOS1均衡算法。该算法对m SOS算法进行修改,将算法中的全局搜索和局部搜索改为全局搜索向局部搜索的逐渐过渡,在保持m SOS算法优点的同时,可以提升算法的收敛速度。为了测试本文提出的自适应均衡算法的性能,在非线性信道产生的数据集上进行了对比实验。结果指出,本文所提的WNN-m SOS均衡算法在保证收敛精度和均衡性能的同时,降低了神经网络均衡器的训练时间;WNN-m SOS1均衡算法在保证最优解的质量的情况下,提升了算法的收敛速度。验证了将启发式算法用于优化神经网络,不仅可以增强神经网络的性能,获得最优的网络结构,还可提高可行解的质量,避免神经网络陷入局部最小。