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。     

粒子群算法改进策略研究

粒子群算法是在鸟群、鱼群和人类社会的行为规律的启发下提出的一种新兴的基于群智能的演化计算技术,是一种启发式全局搜索算法,通过群体中个体之间的协作和信息共享,通过迭代寻找最优解。由于粒子群算法中粒子向自身历史最佳位置和领域群体历史最佳位置聚集,形成种群的快速趋同效应,容易出现陷入局部极值、早熟收敛或停滞现象。基于此,对粒子群的改进进行了全面的分析和研究。     

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。     

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。     

基于概率感知模型和量子粒子群算法的移动节点部署

为了解决监测区域的传感器节点部署问题,设计了一种基于概率感知模型和量子粒子群算法的移动节点部署方法。首先,在 传 统 概 率 感 知 模 型 中 加 入 节 点 剩 余 能 量 因 素 进 而 得 到 改 进 的 概 率 感 知 模 型 * ,然后基于改进的概率感知模型设计了多目标优化的节点部署模型,在优化模型中考虑了网络覆盖率和能量因素。最后定义了基于量子粒子群算法来获得节点的最优位置对应的Pareto最优解的优化算法(即将粒子编码为节点部署方案,采用最小化网络能耗和最大化网络覆盖率为粒子的Pareto目标,引导粒子在可行解空间不断更新位置寻求最优解)。仿真实验结果表明:文中方法能正确地实现监测区域的传感器节点部署,能实现较为均匀的网络覆盖,与其他方法相比,具有较高的网络覆盖率和较长的网络生命周期,具有较大的优越性。(注：*处代表公式)
     

基于解空间划分的PSO改进算法

 提出一种基于解空间划分的粒子群优化算法, 该算法在保持粒子群搜索能力的前提下对解空间进行预处理, 寻找最佳搜索区间, 提高了粒子群搜索效率; 在粒子群搜索过程中设置检查点, 动态更新解空间区间划分. 实验结果表明, 该算法有效提高了粒子群的搜索效率, 并使粒子群算法不易陷入局部极值. 同时, 在自适应状态下, 该算法能搜寻到指定精度下粒子群所需的最小迭代次数, 并得到较满意的最优值.     

基于改进粒子群算法的电力通信网最佳抢修路径问题的研究

研究了改进的离散粒子群算法在电力通信网最佳抢修路径中的应用。粒子群优化算法是一种新型通用启发式算法,能够有效地求解大规模组合优化问题。在研究离散粒子群算法原理的基础上,引入记忆单元,实现粒子间信息共享,保证了粒子在寻优过程中能容易的跳出局部最优点,并能加速收敛到全局最优解。建立了电力通信网最佳抢修路径模型,构造了节点矩阵和速度矩阵,设计了求解算法,并编程进行了测试,实验结果表明了所提方法的可行性和有效性。     

基于概率感知模型和量子粒子群算法的移动节点部署

为了解决监测区域的传感器节点部署问题,设计了一种基于概率感知模型和量子粒子群算法的移动节点部署方法。首先,在传统概率感知模型中加入节点剩余能量因素进而得到改进的概率感知模型C（S_i,p）{=0,ifd（S_i,p）≥r—r_e E_ir/E_i0-e-λσ,if d（S_i,p）≤r＋r_e 1,ifr—r_e≤d（S_i,p）≤r＋r_e,然后基于改进的概率感知模型设计了多目标优化的节点部署模型,在优化模型中考虑了网络覆盖率和能量因素。最后定义了基于量子粒子群算法来获得节点的最优位置对应的Pareto最优解的优化算法（即将粒子编码为节点部署方案,采用最小化网络能耗和最大化网络覆盖率为粒子的Pareto目标,引导粒子在可行解空间不断更新位置寻求最优解）。仿真实验结果表明：文中方法能正确地实现监测区域的传感器节点部署,能实现较为均匀的网络覆盖,与其他方法相比,具有较高的网络覆盖率和较长的网络生命周期,具有较大的优越性。     

基于PSO优化LSSVR的三维WSN节点定位方法简

提出了一种基于粒子群优化最小二乘支持向量回归机的三维无线传感器网络节点定位方法。该方法首先运用最小二乘支持向量回归机构建三维节点定位模型,再利用粒子群优化算法对最小二乘支持向量回归机核函数参数和规则化参数寻优。然后,根据若干虚拟节点定位的预测位置与实际位置的均方差构造粒子群算法适应度函数,通过有限次建模参数迭代寻优获得最小二乘支持向量回归机全局最优参数。最后,返回回归模型中进行定位计算,实现节点定位。仿真结果表明,所提出的方法与最小二乘和最小二乘支持向量回归机定位方法相比,可以提高节点定位精度。     

基于PSO优化LSSVR的三维WSN节点定位方法

提出了一种基于粒子群优化最小二乘支持向量回归机的三维无线传感器网络节点定位方法。该方法首先运用最小二乘支持向量回归机构建三维节点定位模型,再利用粒子群优化算法对最小二乘支持向量回归机核函数参数和规则化参数寻优。然后,根据若干虚拟节点定位的预测位置与实际位置的均方差构造粒子群算法适应度函数,通过有限次建模参数迭代寻优获得最小二乘支持向量回归机全局最优参数。最后,返回回归模型中进行定位计算,实现节点定位。仿真结果表明,所提出的方法与最小二乘和最小二乘支持向量回归机定位方法相比,可以提高节点定位精度。     

Surface Coverage Algorithm in Directional Sensor Networks for Three-Dimensional Complex Terrains

Coverage is an important issue in the area of wireless sensor networks, which reflects the monitoring quality of the sensor networks in scenes. Most sensor coverage research focuses on the ideal two-dimensional(2-D) plane and full three-dimensional(3-D) space. However, in many real-world applications, the target field is a3-D complex surface, which makes conventional methods unsuitable. In this paper, we study the coverage problem in directional sensor networks for complex 3-D terrains, and design a new surface coverage algorithm. Based on a 3-D directional sensing model of nodes, this algorithm employs grid division, simulated annealing, and local optimum ideas to improve the area coverage ratio by optimizing the position coordinates and the deviation angles of the nodes, which results in coverage enhancement for complex 3-D terrains. We also conduct extensive simulations to evaluate the performance of our algorithms.     

基于LonWorks技术的智能节点的设计

介绍了智能节点在LonWorks现场总线控制系统中的重要性,给出了智能控制节点的设计和开发方法，以及采用该智能节点组建的基于LonWorks技术的BAS系统应用实例．     

基于移动节点的无线传感器网络覆盖优化

为了提高无线传感器网络监测区域的覆盖率,研究了节点随机部署的无线传感器网络的覆盖优化问题．在含有移动节点的混合无线传感器网络中,采用更符合实际情况的基于误警率的概率探测感知模型,以区域覆盖率评价覆盖效果．通过计算节点的联合探测概率寻找覆盖空洞,提出了基于最佳概率的移动节点优化策略．仿真结果表明：所提方法能够有效探测覆盖...     

基于多目标遗传算法的无线传感器网络重新部署方法

研究节点动态移动以增强覆盖率,同时考虑节点的最大移动距离最小化.通过引入虚拟合力对基因进行变异,提出一种基于NSGA-II框架的改进的多目标遗传算法,达到网络覆盖率与节点移动距离之间的平衡.实验证明,该结果能得到较分散的前沿占优解.     

无线传感器网络多重覆盖算法

针对区域覆盖中存在多个不同覆盖质量需求的目标覆盖的混合覆盖问题,提出了一种满足多个目标不同覆盖质量需求且兼顾区域覆盖的多重覆盖算法（WMCA）．该算法在覆盖有效的虚拟力算法（CEVFA）的基础上,假设被监测目标对节点有引力作用,建立了节点和被监测目标之间的联系,打破了传统的目标覆盖中指定节点覆盖特定目标的局限性;同时,弥补了现有以VFA为主的区域覆盖方法中,仅能提供区域覆盖或者目标覆盖而没有将二者综合考虑的不足．不同节点密度下的仿真结果表明：WMCA在满足特殊热点目标监测的前提下,最大限度地兼顾了网络的区域覆盖质量;相对于随机部署,其平均覆盖质量提高达15．99％,有效地利用了网络资源．     

面向客运车站环境监测的WSN覆盖策略

客运车站环境的监测对于保障车站安全运营和为旅客提供舒适出行具有重大意义.基于无线传感器网络(WSN)的客运车站环境监测全覆盖策略,依据被监测区域中已部署的传感器节点对区域进行Voronoi划分,计算Voronoi图中三角形的覆盖比,提出基于Voronoi三角形覆盖比的全覆盖算法,该算法通过逐个添加新的传感器节点修复覆盖空洞.仿真结果表明:所提算法在实现监测区域全覆盖的同时能够有效减小由于大量部署传感器节点所造成的覆盖冗余.     

无线传感器网络多目标关联覆盖

针对多目标网络覆盖中传感器节点和目标的关联关系,依据数据挖掘中的关联规则挖掘技术,设计了多目标关联覆盖算法MTACA．考虑到能量的有效性,利用关联规则挖掘方法动态地确定目标集合和传感器节点集合,通过节点集合工作状态的转换完成目标的完全覆盖,延长了网络使用寿命．同时,改进了适应区域覆盖的PEAS算法,使其适应多目标覆盖的应用．通过仿真对MTACA和改进的PEAS算法进行了性能分析．结果表明：MTACA算法和改进的PEAS算法在目标完全覆盖能力和网络使用寿命上明显优于随机部署网络;MTACA算法在目标完全覆盖能力、网络使用寿命、网络剩余能量以及节点间能量消耗均匀性上明显优于改进PEAS算法．     

一种新的水下立体空间WSN覆盖增强算法

当前热门的三维立体空间WSN覆盖方法应用在水下空间并不具有普适性。针对应用在水下的立体WSN覆盖方法通常存在覆盖率不高、节点移动能耗过大以及由此引起的节点能耗值差异较大等问题,结合现有的水下覆盖策略,提出一种新的基于降低节点能耗、提高水下空间覆盖率的水下空间层次化覆盖增强算法(underwater hierarchical space coverage-enhancing algorithm,UHSCA)。理论分析及仿真结果表明该策略对水下节点的精确性部署进行了性能优化,在改善节点部署过程中能量消耗均衡性的基础上降低了节点的整体耗能,水下空间覆盖率也有相应提高,对应用在水下侦察、水文监测等水下立体空间的WSN具有较强的实用性。     

三维空间中异构传感器网络的目标覆盖

在传感器随机分布的目标覆盖问题中,针对由感知属性不同的普通节点和超级节点构成的异构传感器网络,在三维空间中基于概率感知模型,结合免疫优势克隆算法来进行目标覆盖问题的优化．由免疫优势克隆算法提供的传感器节点最少等效个数的寻求方法,保证了随机分布于三维空间里的可感知的目标点能够全部被覆盖到．实验结果表明,与目前解决此问题最好的遗传算法相比,在达到与遗传算法相同覆盖质量的条件下,免疫优势克隆算法有效提高了实时性,明显降低了寻优时间．     

Analysis of coverage problem under border effects in wireless sensor networks

Wireless sensor networks can be used to monitor the interested region by deploying dense sensor nodes. Coverage is a primary metric to evaluate the capacity of monitoring. In this paper, we focus on the coverage problem under border effects, where the sensor nodes are distributed in a circle-shaped region randomly. Under this scenario, we derive the expected coverage of the sensor node and the total network coverage provided by n sensor nodes accurately by probability. These findings are useful to determine the related parameters (sensing range, number of sensor nodes and radius of monitored region) for a specific network coverage ratio. Simulation results demonstrate that our analysis is correct and effective.