重采样和天牛须协同演化粒子群的WSN覆盖控制算法

为了最大程度提升无线传感器网络(WSN)的覆盖范围并降低能耗,延长网络生命周期,提出了基于重采样技术和天牛须搜索的协同演化粒子群优化(RBASPSO)算法来优化WSN的覆盖控制问题。重采样技术平衡了粒子群算法的全局搜索能力和收敛速度,增加了粒子群整体多样性,防止算法过早收敛,加强粒子在搜索过程中跳出低质量谷底的能力; 天牛须搜索依靠个体的两个触角搜索其邻域,增强了粒子群中单个粒子的搜索能力。RBASPSO算法采用覆盖率和节点休眠率的加权作为优化WSN覆盖控制的目标函数,通过重采样技术和天牛须搜索的协同演化,既加强了单个粒子的搜索能力,又确保粒子群的多样性及活跃性,提升WSN覆盖性能。实验结果表明,RBASPSO算法不仅能有效处理复杂多峰问题; 而且可以有效提高WSN网络覆盖率,延长网络生命周期。     

基于BQPSO的无线传感器网络节点调度算法

在多目标跟踪中,要求无线传感器网络在满足跟踪精度的前提下,最大限度地降低对传感器资源的使用。基于这一目的,适当选择节点避免共线度过高,并采用APIT实现精确定位,同时考虑跟踪簇总能耗设计节点调度目标函数,采用二进制量子粒子群优化算法解决传感器资源冲突问题。仿真结果表明:虽然基于BQPSO的节点调度算法比基于PSO的节点调度算法在能耗上增加了17.47%,但定位精度可以提高31.84%。算法在提高定位精度的同时最大限度地降低了对资源的使用,有效延长了无线传感器网络的工作寿命。     

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.     

基于协同进化粒子群算法的无线传感器网络节能优化覆盖算法

针对当前无线传感器网络覆盖算法存在能耗较高、节点大量冗余的缺陷,提出一种基于协同进化粒子群算法的WSN节能优化覆盖算法.以WSN的网络覆盖率、剩余能量和冗余程度为优化目标,建立粒子群优化模型.采用遗传算法的交叉变异算子,加强算法寻优能力.仿真结果表明,新的算法在提高能量利用效率的同时维护了良好的网络覆盖率,有效延长了网络生命周期,达到了节能优化覆盖的目标.     

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。     

k-不相交路径的容错拓扑控制算法

针对无线传感器网络中拓扑控制算法优化目标单一的问题,提出一种既能优化网络能量效率,又能保证网络容错性的k-不相交路径的容错拓扑控制算法.首先,构建传感器节点到sink节点的k条不相交路径,通过增加冗余链路以提高网络的容错性;其次,选择路径能耗、路径中节点功率的标准差及路径跳数检测路径质量;最后,建立多目标规划,并利用智能优化算法对其进行求解,根据k值的不同对路径进行择优选择以达到降低网络能耗并延长网络寿命的目的.仿真实验结果表明,由该算法构造的网络拓扑能有效降低网络能耗,延长网络寿命并提高网络的容错性.     

基于时间周期的无线传感器网络数据融合

无线传感器网络中传感器的能量有限,怎样节约能量延长传感器的寿命,是无线传感器研究网络研究中的重要问题。数据融合作为无线传感器网络的关键技术之一,它的作用体现在减少数据的上传量,提高数据准确性,节省能量等方面。研究传感器节点收集到的大量数据,发现数据满足周期性,提出了基于时间周期的数据融合算法。在融合算法中根据历史数据基于拉格朗日插值法的预测算法预测未来数据,设置误差阈值来检测预测数据。室外温度数据满足文章研究的条件,因此基于时间周期的无线传感器网络数据融合算法以沈阳地区夏天温度数据为样本,用Matlab进行仿真实验对该算法进行了验证,实验结果表明该算法减少了传输的数据量,节约了节点的能量,延长了网络的寿命。     

基于改进短链聚合策略的无线传感器网络路由算法

为延长网络生存时间和数据传输的时效性, 提出一种基于改进短链聚合策略的无线传感器网络路由算法. 首先, 分析无线传感器网络协议结构, 考虑到无线传感器网络运行过程中的节点能耗问题, 根据链式数据采集协议设计改进路由算法; 其次, 利用贪心算法找到邻居节点, 通过引入距离门限方程实现建链, 建链后综合考量节点传输数据能耗与剩余能量选举路由簇头, 以达到延长网络寿命并提高数据传输效率的目的; 最后, 利用MATLAB软件仿真实验验证该算法的有效性. 仿真实验结果表明, 该算法能有效控制网络能量的均衡性, 并延长了网络寿命, 运行效果良好.     

基于改进粒子群算法的无线传感器网络覆盖策略

针对粒子群算法在无线传感器网络优化方面存在收敛速率慢、容易陷进"早熟"等缺点,本文提出一种基于动态加速因子的粒子群优化算法(PSO-DAC)。该算法主要采用呈线性变化的加速因子以及引入递减的惯性权重系数。实验结果显示,该算法的网络优化覆盖率相比粒子群算法提高了34.6%,比基于递减惯性权重系数的粒子群算法提高了29.3%,证明PSO-DAC算法可有效提高收敛速度以及移动节点覆盖率,从而改善了整个网络的覆盖效果,延伸网络生存周期。     

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。     

一种改进的粒子群优化算法及其在盲信号分离中的应用

首先对粒子群优化算法进行了改进,用粒子群中所有粒子最优位置的加权平均值替代速度更新式中的粒子最优位置,并根据粒子群中粒子的浓度自适应地调整加速系数．这种改进的粒子群优化算法利用了粒子群中所有粒子最优位置的信息,并在进化过程中自适应地调整“认知”部分和“社会”部分对粒子的影响,从而提高了算法的收敛速度和精度．然后,针对盲...     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

一种基于聚类分析的小生境微粒群优化算法

为了寻找多峰函数的多个极值点,在标准微粒群优化算法的基础上,提出一种基于聚类分析的小生境微粒群优化算法.采用基于密度的聚类分析方法辨识和构造小生境微粒子群,通过这种多子群方法,可以保持种群多样性,直接搜索到所有的局部/全局最优点.实验测试结果表明,该算法对一元函数优化和多元函数优化都有很好的效果.图6,参10.     

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。     

多粒子群协同优化算法

提出一种多粒子群协同优化(PSCO)方法．PSCO是2层结构：底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快算法收敛．这些粒子群含的粒子数以及粒子状态更新策略不要求相同．为改善粒子群容易陷入局部极小的弱点,提出扰动策略,当1个粒子群的当前全局最优解未更新时间大于扰动因子时,重置粒子的速度,迫使粒子群摆脱局部极小．用Rosenbrock函数等3种基准函数做优化实验表明,PSCO性能优于经典PSO,FPSO和HPSO等算法．     

基于随机收敛因子和差分变异的改进灰狼优化算法

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法。受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体。选取6个标准测试函数进行仿真实验。结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法。     

应用粒子群优化器的立体声回波消除算法(英文)

把三阶累积量和粒子群优化器应用于立体声回波消除.首先,把三阶累积量误差用作调整自适应滤波器系数的准则而提出了一个新的代价函数;然后,通过利用改进的粒子群优化器来优化新的代价函数而获得了一个用于立体声回波消除的累积量域自适应滤波算法.模拟结果显示:利用三阶累积量和粒子群优化器的立体声回波消除算法是可行和有效的,并有好的收敛性能.     

含分布式电源配电网故障定位交互式二进制蝙蝠算法

针对配电网故障定位二进制粒子群算法定位速度慢且准确度低的缺点,结合群智能平台设计了一种交互式二进制蝙蝠算法(interactive binary bat algorithm,IBBA),部署在群智能计算节点(computing processing node,CPN)上的IBBA通过CPN自组织、自协作方式与邻居节点交互蝙蝠位置等信息,提高了算法搜索速度和全局搜索能力;通过建立适合多电源配电网的编码方式,引入防伪正系数和假定故障数量的评价函数,增强了算法适用性;搭建IEEE14节点配电网模型,模拟配电网在分布式电源接入和信息畸变等多场景下单点、两点故障状态,通过实验验证了IBBA的有效性。与传统二进制蝙蝠算法、二进制粒子群以及交互式二进制粒子群算法相比,IBBA的收敛性能和容错能力更优,定位准确度较二进制粒子群、交互式二进制粒子群算法分别提高6%和10%。     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

面向高维度目标函数的微粒群优化算法

针对基本微粒群算法在处理高维度目标函数容易出现早熟的问题,提出了一种新的微粒群算法面向高维度目标函数的微粒群算法(HDOF-PSO).分析了基本微粒群算法难以处理高维度目标函数的原因.通过引入信心度和试探策略,算法的收敛速度得到提高;通过引入成功度,搜索过程中的变异概率能够自适应修正.在特定测试函数集上的实验表明,HDOF-PSO在处理高维目标函数时,比基本微粒群算法和一个改进的微粒群算法具有更快的收敛速度和更好的收敛性.