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...     

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。     

基于微粒群模型的无线传感器网络节点部署

提出了一种新的基于微粒群模型节点部署优化算法.该算法根据节点的位置信息建立节点部署优化模型,利用微粒群算法求解该优化模型,优化过程中的最优解作为节点的最终配置位置.仿真结果表明该算法有效的改善了网络的覆盖率.     

基于虚拟力的无线传感器网络分簇部署策略

为提高大规模密集部署的无线传感器网络节点覆盖率,提出了一种基于虚拟力的节点分簇动态部署策略.将传统基于虚拟力的节点动态部署分成簇间部署与簇内部署两阶段,以达到打破网络中部节点受力平衡、降低部署过程中簇间干涉、提高节点覆盖率的目的.利用二元感知模型对算法进行仿真,结果表明,相比于传统VPF算法及VFA算法,该策略在随机部署大量密集节点的网络中具有较快的收敛速度与显著的优化效果,覆盖率最终可达90%以上,可以满足无线传感器网络的覆盖控制要求.     

基于邻域影响的改进粒子群算法的聚类算法

K-均值算法是一种传统的聚类分析方法,具有思想与算法简单的特点,因此成为聚类分析的常用方法之一。但K-均值算法的分类结果过分依赖于初始聚类中心的选择,对于某些初始值,该算法有可能收敛于一般次优解,在分析K-均值算法和粒子群算法的基础上,提出了一种基于邻域影响的改进的粒子群算法的聚类算法,通过对粒子群算法的改进来优化与K-均值结合的聚类算法。该算法将局部搜索能力强的K-均值算法和全局搜索能力强的粒子群算法结合,提高了K-均值算法的局部搜索能力、加快收敛速度,有效阻止了早熟现象的发生,达到那些离群的孤立点。实验表明该聚类算法有更好的收敛效果,一方面聚类所用的时间更短,另一方面聚类的准确率更高。     

基于最佳簇数的无线传感器网络粒子群分簇协议

对层簇式无线传感器网络中的分簇协议进行了探讨。研究了经典的LEACH协议,分析了其缺陷,并提出了ILEACH协议。ILEACH协议首先按照一定的原则来计算最佳簇数目,并以此作为分簇的目标。簇重组阶段选择新簇首时,兼顾了节点的剩余能量与位置分布两个因素,并采用粒子群优化算法来计算,取得了较好的结果。仿真表明,ILEACH协议有效的节省了能量,延长了网络的生存时间。     

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.     

基于粒子群优化的无线传感器网络可靠性研究

文章针对无线传感器网络的可靠性问题,从系统级的角度出发,结合无线传感器网络本身所具有的特点,应用传统可靠性分析的一般理论,构建无线传感器网络的可靠性优化模型,并给出了求解该可靠性问题的粒子群优化算法.仿真实验结果表明了算法的有效性和可行性.     

传感器网络节点的微粒群定位算法

为了进一步提高无线传感器网络未知节点定位精度,以微粒群算法为理论基础,加入传感器网络的特征,提出微粒群定位算法。该算法依据未知节点接收到的到锚节点的距离信息,直接搜索出未知节点的位置。实验结果表明微粒群定位算法拥有更高的定位精度,并且抗测距误差更强的优点。     

利用蚁群优化的非均匀分簇无线传感器网络路由算法

针对无线传感器网络路由非均匀分簇中随机簇首选举路由的可靠性和实时性问题,提出一种新的无线传感器网络路由算法.该算法的核心是:通过蚁群优化来改变非均匀分簇算法的周期性簇首选举方式,即只在第一轮执行簇首选举和路径搜索,其他轮次采用簇内调整和路由更新;通过引入路由可靠性和实时性指标达到自组织、自适应和动态优化来建立和维护路由.簇首选举采用竞选,所有节点参与竞选,并且将节点剩余能量和节点到汇聚点的距离作为评价标准,以保证簇内能量效率最高的节点成为新簇首.路径搜索采用蚁群算法进行,即搜索网络中所有的簇首和汇聚点,以寻找从各个簇首到汇聚点代价最小的多跳路由.仿真结果表明,所提算法在能耗和链路可靠性方面比非均匀分簇算法的性能更好,即在较长的时间内具有更多的存活节点,网络丢包率小.     

基于最大选票的无线传感器网络分簇算法

在分簇的传感器网络中,簇首节点的选取将直接影响网络的生存期。提出了一种基于最大选票的分簇算法(CABMV),该算法综合考虑节点剩余能量及网络拓扑结构对簇首选举的影响,每个节点根据邻居节点的投票数决定是否当选簇首。该算法是完全分布的,不依赖网络大小及结构。仿真实验表明,该算法扩充性强,能量利用率高,能有效的延长网络生存期。     

基于粒子群优化算法的集群调度策略

针对集群调度问题的特点,设计了基于粒子群优化算法的调度策略.与传统backfill算法相比,粒子群优化算法对作业比较公平,能避免对大作业响应慢的缺点,使得调度策略在生成速度和精度上都有明显的提高.实验结果表明,该调度策略能较好地提高CPU利用率和缩短作业平均响应时间.     

基于A适应遗传算法的无线传感网络节点布局优化

无线传感器网络的传感节点布局优化,直接关系到无线传感器网络覆盖率的提高。文中提出自适应遗传算法求解无线传感器网络覆盖率优化问题。自适应遗传算法的编码方式是传感器节点二维坐标的二进制表达式,交叉方式为字符串整体交叉,变异方式为位变异,交叉概率和变异概率根据个体适应度自动重构。仿真实验结果表明,自适应遗传算法有效解决了无线传感器网络节点布局优化问题。与传统遗传算法相比,本算法进化收敛速度快,网络覆盖率显著提高。     

无线传感器网络多重覆盖成簇算法

在传统的无线传感器网络簇生成算法中,簇首的选择没有考虑其剩余能量,也没有分析簇首为簇内节点提供数据转发服务存在服务失败的问题,为此提出了一个新的无线传感器网络簇生成算法———多重覆盖成簇算法,该算法以待选簇首节点的剩余能量和节点初始能量的比值作为簇首服务的失败率,在此基础上算法选择的簇首通过对关键节点进行多重覆盖,以保障关键节点数据的可靠传输.最后,通过仿真实验验证了算法的有效性和正确性.     

基于粒子群优化聚类算法的点模型简化

为了有效地简化稠密采样点模型,提出了一种基于粒子群优化聚类算法的点模型简化方法.引入了具有强大全局寻优能力的粒子群优化算法,对传统的k-均值聚类算法进行改进,基于改进的聚类算法对点模型进行简化,选取具有最优个体适应度函数的粒子作为原始采样点集的最终简化模型.算法聚类依据采样点的空间位置、法向和曲率的邻近性,实现了点模型表面区域几何特征保持的简化.同时在聚类区域的划分中考虑了曲率阈值和区域半径,使得算法在有效地保持特征边界和曲面细节的同时,能够生成高质量的简化曲面.实验结果表明,粒子群优化的k-均值聚类算法克服了传统聚类算法容易陷入局部极小的缺点,具有更好的全局收敛性和较快的收敛速度.该简化方法在有效简化点模型的同时,很好地保持了原始模型的几何形状,且在相同简化效率下能够生成更高质量的简化曲面.     

一种基于PSO的投影寻踪聚类算法

文章提出一种基于粒子群方法的投影寻踪聚类算法.该算法利用粒子群算法的全局寻优能力搜索投影方向,以及利用投影寻踪算法将高维数据投影到低维,从而能有效地揭示多因素复杂数据的线性和非线性结构的特点,得到较直观的聚类模式.通过两个实例,验证了算法的可行性和有效性.     

网格移动的无线移动传感器网络部署算法

针对目前无线移动传感器网络中部署算法过于复杂的问题,提出了一种新的基于网格移动的无线移动传感器网络部署算法.降低了常见无线移动传感器网络部署算法的时间复杂度,提高了任务区域的节点覆盖度,减少了覆盖漏洞,适用于无线移动传感器网络的应用.文中论述了该算法的构架,执行过程,并对该算法进行了仿真分析.仿真结果表明,该算法在有效降低算法复杂度的情况下满足了网络部署中关于覆盖率的要求.     

基于混沌-量子粒子群的分簇路由算法

针对粒子群分簇路由优化算法存在的收敛速度慢、 易陷入局部最优等问题, 提出一种混沌-量子粒子群 的双子粒子群分簇路由算法。 该算法以簇头的能量、 簇头与汇聚节点的距离以及与簇内成员节点的距离构造 最优簇头的代价函数, 主粒子群利用混沌粒子群寻优, 辅粒子群利用量子粒子群寻优, 加入量子波动理论, 使 算法具有较好的全局收敛性。 双子粒子群采用收敛速度快的凹函数递减策略优化权重。 仿真结果验证了该算 法可使无线传感网络节点能量消耗均衡化, 显著延长网络生命周期, 与 LEACH(Low-Energy Adaptive Clustering Hierarchy)协议、 PSO-C(Cluster setup using Particle Swarm Optimization algorithm)协议相比生命周期分别延长了 80. 1%和 41. 4%。     

一种基于双子群的改进粒子群优化算法

针对粒子群优化算法易于陷入局部最优解并存在早熟收敛的问题,提出了一种基于双子群的改进粒子群优化算法(TS-IPSO),通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围,借鉴遗传算法的杂交机制,并采用惯性权值的非线性递减策略,加快算法的收敛速度和提高粒子的搜索能力,降低了算法陷入局部极值的风险.实验结果表明该...