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。     

差分进化花朵授粉算法的WSN节点部署策略

针对无线传感器网络（wireless sensor network,WSN）的节点部署问题，提出了一种基于差分进化算法（differential evolution algorithm,DEA）优化的花朵授粉算法（flower pollination algorithm,FPA）：DE-FPA。设计了动态转换概率，自适应平衡全局授粉和局部授粉间的相互转换，提高算法全局搜索能力。优化了全局授粉过程中的步长缩放因子，进一步提高算法收敛速度。为避免算法陷入局部极值，在每次全局授粉或者局部授粉迭代后引入差分进化策略，增加种群多样性，提高了算法搜索能力。实验结果表明，DE FPA收敛速度快、寻优精度高，能够在网络连通的约束条件下，达到较高的网络覆盖率。     

一种基于帝企鹅差分算法的WSN覆盖优化

为了解决无线传感器网络覆盖优化智能算法中存在的局部最优、精度不高和收敛速度慢的问题,提出了一种改进群智能算法即帝企鹅差分算法(Emperor Penguin Difference Algorithm,EPDEA). EPDEA将种群初始化设置以及计算当前的个体适应度值,通过群聚行为不断进行位置更新,搜索比当前个体更佳的企鹅个体并进行替换,当最优值陷入局部最优状态时引入差分进化算法对个体进行变异、交叉、选择,直到满足最大迭代次数. EPDEA有效防止原算法陷入局部最优并增加原集群多样性.将EPDEA与灰狼改进算法在不同节点数情况下进行仿真,结果显示EPDEA可以在更快速收敛的同时达到接近97%的覆盖率,且传感器节点在空间分布下容纳度更优.研究表明,EPDEA可有效地优化WSN的节点分布,提高网络覆盖率,提升网络质量.     

基于非线性和遗传变异的灰狼优化算法

灰狼优化(grey wolf optimization,GWO)算法是模拟灰狼的种群活动而提出的群智能算法,该算法因其在高维度的求解精度较高而受到广泛关注,但是它与其他群智能算法一样存在收敛慢和易陷入局部最优的缺点。针对GWO算法所存在的问题,文章基于非线性控制因子和遗传算法中的变异思想,提出了一种改进的基于非线性控制因子和遗传变异的GWO算法(grey wolf optimization algorithm based on the nonlinear control factor and genetic variation,NGGWO),并提出一种基于余弦变换的非线性收敛因子,用于平衡算法的全局与局部搜索能力;同时,在算法中引入遗传变异策略,用于解决算法陷入局部时的停滞现象;通过一组基准测试函数,将NGGWO与GWO和其改进算法进行比较。实验结果表明,NGGWO基本优于GWO算法,相比于该文提出的3种改进GWO算法,NGGWO也具有性能上的优势。     

改进蜂群算法的 WSN 节点分布优化研究

为合理部署无线传感器网络节点, 减少目标区域的覆盖盲区, 提出了基于择优型全局人工蜂群算法的优 化方案。 改进算法引入择优机制对各蜜源进行区分, 借鉴差分进化变异策略对优等蜜源进行邻域搜索, 采用全 局引导机制对劣等蜜源进行寻优, 提高迭代效率、 收敛速度以及全局搜索能力。 将此算法应用于 WSN (Wireless Sensor Network)节点分布优化问题, 并与人工蜂群算法、 全局人工蜂群算法的优化结果进行比较。 仿真结果表明, 与这两种算法相比, 平均覆盖率提高 1% 以上, 最差覆盖率提高 2% 以上。 该算法的节点优化 方案对目标区域的覆盖性能明显优于其他两种算法, 有效提高了 WSN 的感知性能。     

贝叶斯预测蜂群算法在无线传感器网络优化中的应用

针对无线传感器网络(WSN,wireless sensor network)节点分布不合理,存在较多的监测盲区等不足,提出了利用贝叶斯预测人工蜂群算法(BPABC,Bayesian predictive artificial bee colony algorithm)制定节点分布方案。BPABC算法借鉴贝叶斯预测算法的思想对蜂群算法中各蜜源存在最优解的概率进行预测,并以此为依据指导跟随蜂寻优工作。采用BPABC算法对WSN中的节点分布进行优化,与人工蜂群算法、全局人工蜂群算法制定的优化方案进行比较。结果表明,BPABC在平均覆盖率、最差覆盖率等方面均优于其他两种算法,并且BPABC算法在迭代收敛速度方面也有明显的优势。为了进一步验证改进算法的实用性,采用BPABC制定不同监测区域的WSN节点分布方案。WSN的覆盖率均在97%左右,并且标准差不超过0.005%。由此可见,基于BPABC的WSN节点分布优化方案具有较高的覆盖率、良好的适应性和稳定性。     

基于自适应变异二进制粒子群算法的WSN区域覆盖问题研究

为最大限度休眠冗余节点,减少无线传感器网络节点能耗,保证网络覆盖率,提出了一种基于自适应变异二进制粒子群的WSN区域覆盖控制算法(BPSO-G)。将二进制粒子群算法(BPSO)应用到WSN区域覆盖优化问题求解上,并针对BPSO算法不能收敛于全局最优解的缺点,利用自适应变异策略,将节点最优位置以一定的概率进行动态变换,该变换有助于粒子跳出局部最优解,提高搜索新解能力,有效防止算法早熟。仿真结果表明:改进算法收敛速度很快,其连续最优解接近于全局最优解,WSN冗余节点能够最大限度进入休眠状态,且当监测区域面积一定、节点感知半径相同时,其活动节点数基本不随总节点数的增加而增加,始终保持在一定区间内。     

基于蚁群算法的无线传感器网络优化

无线传感器网络（WSN）中的传感器节点由一次性电源供电,能量优化关乎整个网络的寿命.优化网络拓扑结构有利于提高WSN整体的能量利用率.ACO是一种基于种群（population based）的启发式仿生进化算法.提出了基于ACO的WSN的网络优化算法,以16个固定位置节点和20个任意位置节点的WSN为对象进行了仿真研究.实验结果验证了该算法的有效性.     

用对数函数描述收敛因子的改进灰狼优化算法及其应用

针对灰狼优化(grey wolf optimization,GWO)算法在求解复杂高维优化问题时存在解精度低、易陷入局部最优等缺点,提出一种基于对数函数描述收敛因子的改进GWO算法。采用佳点集方法初始化种群以保证个体尽可能均匀地分布在搜索空间中;提出一种基于对数函数描述的非线性收敛因子替代线性递减收敛因子,以协调算法的勘探和开采能力;对当前最优的3个个体执行改进的精英反向学习策略产生精英反向个体,以避免算法出现早熟收敛。研究结果表明改进算法具有较好的寻优性能。     

融合麻雀搜索机制的改进混沌海鸥优化算法

针对海鸥优化算法收敛速度偏慢、易陷入局部最优解及求解精度低等问题,提出一种融合麻雀搜索机制的改进混沌海鸥优化算法(improved chaotic seagull optimization algorithm incorporating sparrow search mechanism, PSSOA)。使用分段线性混沌映射(piecewise linear chaotic map, PWLCM)对种群进行初始化,使海鸥个体更为均匀地分布在给定空间内;改进非线性搜索因子和随机因子,加快算法收敛速度,更好地平衡算法全局搜索和局部搜索;融合麻雀算法中的麻雀飞行机制,在后期局部搜索阶段扩大个体局部寻优范围,对海鸥位置进行二次更新,帮助个体跳出局部最优,提高寻优精度。使用16个基准测试函数进行仿真实验,将PSSOA与海鸥算法(seagull optimization algorithm, SOA)、粒子群算法(particle swarm optimization, PSO)、灰狼算法(grey wolf optimizer, GWO)和海洋捕食者算法(marine predators algo...     

基于CGWO算法的边坡最小安全系数全局寻优方法

针对基本灰狼算法存在初始种群不均匀、早熟收敛等问题,基于混沌理论从三个方面对灰狼优化(grey wolf optimization, GWO)算法进行改进,提出了混沌灰狼优化(chaotic grey wolf optimization,CGWO)算法用于确定边坡的最小安全系数.首先,采用改进Tent混沌映射提高初始种群多样性;其次,通过混沌扰动策略避免算法陷入局部最优;最后,引入参数混沌非线性调节机制均衡算法的全局开发和局部勘探算力.13个基准测试函数的仿真结果表明,改进后的算法与基本GWO,WOA,PSO以及SCA相比具有更强的综合寻优性能.选取ACADS边坡考核题进行计算分析,CGWO算法表现出较高的计算精度和收敛速度,能够有效地搜索到复杂分层边坡的最小安全系数.对比有限元强度折减法,该方法具有操作简易、搜索区域易于设置等优点.     

基于改进哈里斯鹰优化算法的配电网动态重构

针对风光荷不确定性的配电网重构问题,建立分布式电源和负荷出力模型,以系统运行成本和电压偏移构建多目标函数。提出一种改进粒子群算法融合K-means(improved particle swarm optimization and K-means, IPSO-Kmeans)聚类算法来划分典型日负荷曲线,将改进哈里斯鹰优化(improved Harris hawk optimization, IHHO)算法应用于配电网重构,进行寻优计算。为了改善哈里斯鹰优化(Harris hawk optimization, HHO)算法种群分布不均、无法完整搜索到最优解空间范围、易于陷入局部收敛等问题,引入佳点集生成种群初始化,提高种群搜索空间的均匀性。将麻雀搜索算法中的探索者位置更新公式与哈里斯鹰优化算法探索阶段的位置更新公式结合,以提高算法的全局搜索能力。利用柯西-高斯变异扰动策略跳出局部最优解。最后在IEEE33节点配网系统仿真,结果表明所提方法的有效性。     

局部搜索灰狼优化算法求解武器-目标分配问题

武器—目标分配（Weapon Target Assignment, WTA）问题是根据武器对来袭目标毁伤概率的不同，合理确定待打击目标的武器分配方案，以达到尽可能少的武器对来袭目标毁伤程度最大化的目的，是作战指挥决策领域的重要研究内容。在构建WTA问题模型的基础上，针对传统灰狼优化（Grey Wolf Optimization, GWO）算法局部开发能力不足等问题，采取了一种精英保留及免疫变异局部搜索策略。改进灰狼优化算法（Improved Grey Wolf Optimization, IGWO）首先在灰狼种群中选择部分优质精英个体，然后通过随机点变异和受体编辑两种免疫局部搜索策略对精英个体进一步寻优，从而改善传统GWO算法过早收敛和易陷入局部最优的缺点。针对3种不同规模的武器—目标分配问题，将IGWO与交叉熵算法、传统GWO算法进行了对比，计算结果显示IGWO算法所求适应度值的分位数均明显高于对比算法，进而验证了IGWO算法的有效性。     

基于人工鱼群算法优化神经网络的WSN数据融合

无线传感网(wireless sensor network, WSN)通常节点众多、数据冗余度高,传统的基于随机权值和阈值的前馈反向传播神经网络(back propagation neural network, BPNN)数据融合方法易陷入局部极值,导致融合结果准确性差。提出一种优化神经网络的权值和阈值进而改善WSN数据融合质量的方法-人工鱼群算法前馈反向传播(artificial fish swarm algorithm back propagation, AFSABP)神经网络数据融合。仿真和对比实验结果表明,改进的鱼群算法在收敛速度和寻优精度上都有明显提升,改进后的人工鱼群BP算法数据融合方法相较于传统BP数据融合方法,可减少3.06%的相对误差和3.74%的均方根误差。     

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。     

一种基于差分进化和灰狼算法的混合优化算法

针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,提出了一种基于差分进化(DE)算法和灰狼(GWO)算法的混合优化算法(DEGWO)。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索。在整个寻优过程中,反复迭代渐进收敛。选取此3个测试函数进行仿真验证,结果表明,混合优化算法相比于DE算法和GWO算法,其求解精度、收敛速度、搜索能力都有了显著提高。     

改进的灰狼算法在电动汽车充电调度中的应用

针对灰狼优化算法（grey wolf opotimizer, GWO）易早熟收敛和陷入局部最优的缺点,提出一种基于精英反向学习的混合灰狼算法（grey wolf optimizer based on particle swarm optimizer,PSO-GWO）。首先,利用精英反向学习机制初始化种群,使种群保持多样性;然后提出一种非线性控制因子策略,增加算法的搜索能力,提高算法的收敛速度;最后基于差分进化和粒子群思想更新了位置方程,从而提升算法的收敛性能。采取10个基准测试函数将本文提出的改进的算法与差分进化算法、粒子群算法、传统灰狼算法、其他学者提出的改进灰狼优化算法进行对比。实验结果表明,本文提出的算法与其他算法相比,在求解多峰函数问题上效果显著,可以搜索到最优解0,同时求解最优非0解函数的效果也体现地较优越;同时运用改进的算法在实际电动汽车充电调度上进行了对比分析,发现也取得了不错的效果。