一种基于粒子群算法的无线传感器k重覆盖优化策略

为了实现无线传感器网络k重覆盖范围的最大化,延长网络寿命,提出了一种基于粒子群算法的无线传感器k重覆盖优化策略,提高了k重覆盖率,进而提高节点的利用率,延长无线传感器网络的寿命。同时改进了粒子群的惯性权重,有效地避免了标准粒子群算法容易出现的早熟问题,提高算法的稳定性。通过实验仿真证明了此方法的有效性。     

混沌逃逸粒子群优化算法在WSN覆盖优化中的应用

为了寻找最优的无线传感器网络(wireless sensor networks,WSN)覆盖优化算法,保持整个网络能量的平衡,提高无线传感器网络覆盖率,在基本粒子群优化算法的基础上,提出一种基于混沌逃逸粒子群优化算法(chaotic escape particle swarm optimization,ECPSO)的WSN节点覆盖优化方法。ECPSO算法以覆盖率为优化目标,建立WSN覆盖优化数学模型来描述节点覆盖问题,利用混沌逃逸粒子群算法对数学模型进行求解,实现节点覆盖优化。仿真结果表明,ECPSO算法加快了WSN覆盖优化速度,节点分布更加均匀,提高了传感器节点的覆盖率,是一种高效的WSN节点覆盖算法。     

基于云模型粒子群算法的WSN节点部署优化

节点部署优化技术是无线传感器网络的主要应用点,也是近年来国内外学者研究的热点问题,它在军事、民防、环境等多个领域中具有广阔的应用前景.针对目前无线传感节点部署方法存在节点分布不均匀、覆盖不完全等问题,提出一种采用云模型改进粒子群算法,并将该算法用于无线传感器网络节点部署.对比实验结果表明,该方法能够以相对较小的代价完成传感器感知节点部署,能快速收敛于最优解,能够降低网络部署的成本,提高网络的整体覆盖率.     

基于改进型粒子群优化的节点自定位算法

为了提高测距误差影响下无线传感器网络节点自定位精度,提出一种基于距离的节点自定位新算法.对混沌搜索与粒子群优化进行算法融合,给出一种改进型粒子群优化算法,将其应用于节点自定位.新算法利用未知节点与信标节点之间的距离信息,通过改进型粒子群优化算法获取未知节点的位置.仿真结果表明,改进型粒子群优化算法对两种标准测试函数的搜索结果优于一般的粒子群优化算法.在测距误差和信标节点数量相同的条件下,相对于最小二乘估计法,新算法在各个测距误差级上的定位精度更高,其定位误差随测距误差增大而上升的趋势更缓慢.新算法具有更好的鲁棒性,适用于测距误差较大、信标节点数量较少的情况.     

一种能量高效的无线传感器网络分簇路由算法

分析了无线传感器网络的分簇路由算法,针对现有算法存在的热点问题,提出一种基于分簇思想的能量高效路由算法.采用簇首轮转及局部竞争优化节点簇内通信的能量消耗,采用粒子群优化算法均优化簇首节点的簇间通信负载和能量消耗,从而延长网络的生命期.仿真结果表明,该算法能够有效提高无线传感器网络生存期以及节点与网络的能量利用率.     

虚拟力导向多粒子群算法的WSNs部署策略

为了优化无线传感器网络节点部署性能,在粒子进化的多粒子群算法的基础上结合虚拟力方法,提出了一种虚拟力导向多粒子群算法的部署策略。该策略通过节点间的虚拟力影响多粒子群算法的速度更新过程,指导粒子进化,采用多个粒子群独立搜索解空间,有效地避免了＂早熟＂问题,从而最大限度地优化了网络的覆盖率。仿真结果表明,与虚拟力算法和多粒子群算法相比,该算法在覆盖率、迭代次数和部署时间等方面具有更好的性能。     

无线传感器网络节点自适应惯性权重定位算法

在无线传感器网络定位算法中,为了降低定位误差,提高定位精度,提出一种结合DV-Hop算法和改进粒子群算法的,基于自适应惯性权重的优化定位算法。首先根据DV-Hop算法估算未知节点与信标节点的距离。然后采用改进的粒子群算法做后期优化。根据每次迭代后粒子位置与全局最优位置的距离,对粒子的惯性权重进行动态调整,使其具有动态自适应性。并且利用进化度作为搜索中止条件,加快算法的收敛速度。通过仿真说明,相较于DV-Hop算法和基于已有改进粒子群优化的DV-Hop算法,自适应惯性权重定位算法可以降低平均定位误差,有效地提高了无线传感器网络中节点的定位精度。     

WSN中一种平衡节点能耗的分簇算法研究

针对无线传感器网络(WSN)中能量消耗和节点死亡过高的问题,在分析LEACH-C集中式分簇算法的基础上,提出了一种基于量子行为粒子群优化的WSN分簇算法.考虑到模拟退火算法在执行算法过程中的复杂性,利用具有全局搜索能力和收敛速度快等特点的量子行为粒子群优化算法,代替模拟退火算法对LEACH-C分簇算法中簇头的选取进行优化.通过MATLAB仿真分析,改进后的算法有效延长了传感器节点的生命,平衡了各节点的能量,提高了WSN的整体性能.     

粒子群算法修正测距的无线传感器网络节点定位

为获得理想的节点定位结果, 设计一种基于粒子群修正测距的无线传感器节点定位算法. 首先对经典无线传感器节点定位算法DV-Hop的工作原理进行分析, 找到导致测距误差的因素; 然后用粒子群算法对无线传感器节点之间的测距进行修正, 以减少节点间的测距误差, 并对标准粒子群算法的不足进行相应的改进; 最后通过仿真实验与当前经典无线传感器节点定位算法进行对比测试. 测试结果表明, 在相同工作环境下, 该算法提高了无线传感器节点的定位精度, 且未增加额外硬件开销.     

基于改进的微粒群算法的WSN节点部署策略

在无线传感网络部署中,必须保证无线传感器节点能够有效地覆盖被监测区域.为了减少节点部署时产生覆盖盲区,提高网络的覆盖率,本文提出了一种基于改进微粒群算法的无线传感器网络节点部署优化策略,以网络的覆盖率为适应值函数,将传感器节点的部署问题转化为目标优化问题,通过采用k-means聚类算法划分子种群,并且对子种群进行动态重...     

EHWSNs中面向吞吐量和能耗优化的时隙分配算法研究

针对在具有移动汇聚结点(Sink)的能量收集无线传感器网络中,如何在数据收集时提升网络吞吐量和降低能耗的问题,分析了Sink移动距离与节点数据传输的时间周期之间的关系,将面向吞吐量和能耗优化的数据收集问题建模为基于混合整数线性规划的优化问题,并提出了一种基于有效传输周期的时隙分配算法来对其进行求解。算法主要分2个阶段进行：移动Sink在每个时间周期内识别出可进行数据传输的邻居节点,并为其分配时隙;移动Sink根据数据可用性对节点进行排序,并最终决定哪些节点在各个时隙期间发送数据。理论分析和仿真实验结果表明,所提算法在吞吐量和能耗方面的性能优于当前典型算法,且计算复杂度更低。     

Particle swarm optimization algorithm for partner selection in virtual enterprise

Partner selection is a fundamental problem in the formation and success of a virtual enterprise. The partner selection problem with precedence and due date constraint is the basis of the various extensions and is studied in this paper. A nonlinear integer program model for the partner selection problem is established. The problem is shown to be NP-complete by reduction to the knapsack problem, and therefore no polynomial time algorithm exists. To solve it efficiently, a particle swarm optimization （PSO） algorithm is adopted, and several mechanisms that include initialization expansion mechanism, variance mechanism and local searching mechanism have been developed to improve the performance of the proposed PSO algorithm. A set of experiments have been conducted using real examples and numerical simulation, and have shown that the PSO algorithm is an effective and efficient way to solve the partner selection problems with precedence and due date constraints.     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能,提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中,每个粒子的更新受粒子个体极值和局部极值的影响,为了提高其全局收敛性,采用多粒子策略,使每个粒子的更新受更多其他粒子的影响;为提高收敛速度,采用自适应策略,对参数c0进行自适应调整,使c0随着迭代次数的增加而逐渐减小,这样,在PSO算法的搜索过程中,随着迭代次数的增加,搜索区域会越来越小,从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化,在有限时域内对控制序列进行寻列,给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明,基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

融合榜样学习和反向学习的粒子群优化算法

为了提高粒子群优化算法(Particle swarm optimization,PSO)的优化效率,降低其陷入局部最优的概率,提出了一种融合榜样学习和反向学习的PSO算法(PSO based on combing Example learning and Opposition learning,EOPSO).首先,对粒子群中的非最优粒子采用新颖的榜样学习机制更新,以便提高全局搜索能力,避免算法陷入局部最优;其次,对粒子群中最优粒子采用反向学习混合机制更新,提升该粒子的搜索能力,进一步避免算法陷入局部最优;最后,对粒子群中的最优粒子还采用了自身变异机制更新,有利于搜索前期的全局搜索和后期的快速收敛.在15个不同维度的基准函数上进行了仿真实验,实验结果表明,与最先进的PSO改进算法ELPSO、SRPSO、LFPSO、HCLPSO相比,EOPSO优化性能更好.     

惯性权重线性调整的局部收缩微粒群算法

针对微粒群优化算法存在陷入局部极小点和搜索效率低的问题, 给出一个新的速度更新策略局部收缩策略, 并提出一种改进的微粒群优化算法, 该算法保持微粒群优化算法结构简单的特点, 改善了微粒群优化算法的全局寻优能力, 提高了算法的收敛速度和计算精度. 仿真计算结果表明, 改进的算法性能优于混沌微粒群优化算法、 微粒群优化算法和带有收缩因子的微粒群算法.     

基于遗传和粒子群结合的文化算法

针对粒子群优化(PSO)算法的"早熟"现象,给出了基于遗传和粒子群结合的文化演化算法.该算法将PSO/GA纳入文化算法框架,形成PSO的主群体空间和GA的信仰群体空间,两群体空间可以独立并行演化,并在适当的时机实现信仰群体空间对主群体空间的引导,达到改善粒子群优化算法全局搜索能力、提高计算精度的目的.仿真表明,该算法的优化性能和效率优于PSO算法、GA算法和GA-PSO混合算法.     

一种新的改进粒子群算法

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构.通过构造单个粒子的多个进化方向和类似于蚂蚁群算法信息素表的选择机制,保留了粒子的多种可能进化方向,并对全局最优解进行变异.提高了粒子间的多样性差异,从而改善算法能力.改进后的粒子群算法的性能优于带线性递减权重的粒子群算法.     

一种改进的入侵检测DCA算法

考虑到迁移阈值的设置直接影响DCA算法在网络入侵检测中的性能,提出一种改进的迁移阈值选择方法,来提高DCA算法的性能.根据现实网络行为的连续性,利用粒子群算法获得最优迁移阈值,并将其作为网络数据分析的迁移阈值.仿真结果表明,改进的DCA算法能够在一定程度上提高入侵检测的精度.     

基于信赖域技术的局部收缩的微粒群算法

为了改善标准的微粒群优化算法(SPSO)的性能,给出一个新的速度更新策略——局部收缩策略,且把信赖域技术引入PSO算法中进行惯性权重的动态调整,提出一个新的微粒群优化算法——基于信赖域技术的局部收缩的微粒群算法.新算法(NPSO)保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度.利用10个测试函数测试新算法的性能,并分别与SPSO、与混沌相结合的微粒群算法(PSOC)、具有被动聚集的微粒群算法(PSOPC)、SPSO的全局版本及带有收缩因子的微粒群算法(CPSO)比较,实验结果表明,新算法(NPSO)大大地改善了实例测试函数的表现.       

改进的粒子群算法及在结构优化中的应用

粒子群算法（PSO）是一种有效的演化算法。将免疫算法中浓度的概念引入粒子群算法中，提出了一种基于浓度概念的竞争排挤粒子群算法；并提出了基于样本方差的种群多样性指标，用以定量的描述种群多样性。这种改进的粒子群算法增加了粒子群的种群多样性，提高了算法的全局搜索能力。最后将本文的算法应用于梁结构和桁架结构优化设计，验证了算法的有效性。