无线传感器网络公平性算法的分析

为了保证无线传感器网络具有较好的公平性,同时拥有较高的吞吐量,提出了一种基于公平性的多数据包发送调度算法.在该算法中,数据包是按照信源识别的方式来存放的.距离网关一跳范围外的节点,采用改进的最大最小公平性调度算法;距离网关一跳范围以内的节点,每次成功竞争信道后,若节点内各个堆栈都有数据包,则节点一次发送多个数据包,每个堆栈都发送一个.否则,节点等待空闲一段时间.通过对比仿真实验,网络具有较好的公平性以及较高的吞吐量.     

基于容量约束的深空接触图路由算法

为有效利用节点间通信机会保证数据的可靠传输,提出一种基于容量约束的接触图路由算法。一方面,该算法通过比较节点接触的剩余容量和预计容量损耗计算最早到达路径,避免所选路径后续节点没有足够的容量。另一方面,数据包的转发节点数由反馈的链路状态和网络拓扑关系自适应决定,在网络性能和资源消耗中得到平衡。仿真表明,该算法能提高数据包投递率最高27.7%,端到端传输时延最高降低24.5%,有效应对深空恶劣环境的影响。     

一种稳定的不相交多路径蚂蚁路由算法

提出一种稳定的不相交多路径蚂蚁路由算法(SDMAR). 基于稳定性模型和能量模型,该算法主要依靠节点能量和生命周期的联合参数进行概率转发,并提供了多条到目的节点的冗余路径. 这些路径基于路径信息分成不同等级,当最优路径断开时,它们即被使用. 模拟结果表明,与动态源路由算法和Ad hoc按需多路径距离矢量路由算法相比,SDMAR的数据包投递率约高出8%,路由负载约降低25%,能量消耗节约15%.     

无线传感器网络地理位置路由度量方法

为了解决在非理想链路上采用传统贪婪度量的地理位置路由协议引发数据包投递率下降的问题,设计并实现了一种基于链路质量的地理位置路由度量方法(SRAB).通过周期性监听邻居节点发送的数据包,依据其中的链路层序列号估算出相应的链路质量,得到数据包在该链路上传输时所花费的代价.根据节点的地理位置信息,分别计算出当前节点和邻居节点与目的节点间的欧式距离,进一步得到邻居节点将数据包向目的节点推进的程度.在采用blacklist机制将链路质量小于规定阈值的邻居节点过滤后,SRAB将单位代价下向目的节点推进程度最大的邻居节点选为下一跳节点.测试结果表明,与非理想链路上的传统贪婪度量法相比,SRAB的成功投递率提高了22%,传输能耗减少了12%.     

基于播放时隙与图像质量的P2P分层流媒体倾斜分配算法

在发送方多源异构、流媒体采用分层编码前提下,综合考虑流媒体数据的播放时隙以及图像质量因素,提出了针对P2P分层流媒体数据分配的倾斜分配算法.该算法适用于多发送方、单接收方情况,以AI MD(Additive Increase and Multiplicative Decrease)原则周期性调整发送数据包量进行拥塞控制,通过倾斜排序算法调整数据包的分配顺序,再根据发送方传输能力的分配数据予以传送,以保障在P2P动态网络环境下的流媒体传输质量.     

基于蚁群优化的无线多媒体传感网络QoS 路由算法

介绍一种基于蚁群算法的无线多媒体传感器网络WMSNs的QoS路由算法。本文在分析了WMSNs的QoS路由模型的基础上,设计了基于蚁群算法的QoS路由算法,并对节点排队模型进行了分析。仿真结果表明,采用该算法时,在满足网络QoS参数需求的前提下,节点平均寿命和数据包延迟要优于传统的DD算法。     

无线传感网路径选择机制研究

作者在基于能量消耗分析和蚁群算法的基础理论指导下,针对无线传感网路径选择优化问题,进行了深入的理论、方法与模型的研究工作.主要步骤为:首先根据节点剩余能量确定成员节点当选为簇首节点的概率;其次根据成员节点距离簇首节点最近的原则进行分簇;最后确定簇内汇聚节点aggregator进行数据融合处理,确定信息发送节点,通过多跳路由方式给Sink传输数据,然后借助蚁群算法进行路径优化分析研究,通过仿真实验表明,该方法较常规方法有了很大的改进和效果.     

基于时延的移动IPv6路由优化机制

路由优化是基于直接路径比间接路径理想的假设,但这个假设并非一定成立,而且路由优化还会引起数据包失序,降低网络性能.提出一种基于时延的移动IPv6路由优化机制.该机制通过对RRP过程中的HoT消息和CoT消息加盖时间戳,由移动节点测量直接路径和间接路径传输时延并决定是否进行路由优化.同时,通过在间接路径发送结束标识LAST消息及计时器机制避免路由优化产生的数据包失序.最后,通过仿真实验对本机制性能进行分析.     

基于引力场的机会网络路由算法

机会网络通过节点的运动带来相遇机会进行数据传递,结构的拓扑变化给机会网络的路由算法设计带来了挑战.现有的经典路由算法认为节点与节点的关系是独立的,没考虑节点之间的关系,根据"节点的最大介数与网络的传输能力呈近似反比的关系"这一关系,结合引力场理论,将机会网络抽象为一个引力场,网络中的节点视为引力场中的暗能量和星体,节点间的相互作用转化为路径对数据包的吸引力,提出了基于引力场的机会网络路由算法(routing algorithm for opportunistic network based on gravitation field,BGF),通过在ONE上的仿真实验,然后与Epidemic算法、Prophet算法对比,实验结果表明:在节点数与节点缓存比较大时,BGF算法的传输成功率最高,传输延迟与路由开销最小.     

基于自适应基准值改进的RSSI加权质心定位算法

提出一种根据设定接收的信号强度指示基准值改进的加权质心算法. 先通过锚节点向周围发散自身坐标等相关数据包, 然后假设某一参考节点为未知节点, 测得与周围锚节点传播过程中的信号强度损耗值, 判断最小的接收信号强度指示值, 优化样本集合, 将修正的信号指示值参数作为相应新表节点的权重, 并求得定位误差. MATLAB仿真结果表明, 该算法相比于传统算法的定位精度更高, 定位误差波动更小, 且有较强的机动性和可适应性.     

基于势场导向的对数蚁群算法的移动机器人路径规划

针对蚁群算法存在收敛速度慢,易陷入局部最优的问题,提出了一种将人工势场和对数蚁群算法相融合的新算法.该算法是在蚁群算法的基础上,将势场的影响因素引入到蚁群算法的状态转移概率函数和启发函数中,并通过对数函数模型对蚁群算法的信息素更新策略进行改进,使得路径算法搜索不再具有盲目性,并加快算法的收敛速度.为了验证改进算法的有效...     

变异蚁群神经网络及其对DTC转速的辨识

将变异机制引入基本蚁群算法中,然后利用这种变异蚁群算法去优化神经网络的权值,有效地解决了神经网络容易陷入极小点的缺点,同时又远比只采用单一的基本蚁群算法提高了收敛速度,从而得到一种时间效率和求解效率都比较好的启发式方法,即变异蚁群神经网络．通过对直接转矩控制中电机转速进行辨识的仿真实验,结果表明：这种变异蚁群神经网络兼具了神经网络和蚁群算法两方面的优点,不仅具有广泛的映射能力,还明显提高了运算效率,用变异蚁群神经网络构造的转速辨识器能够准确地跟踪电机转速的变化,使系统具有良好的动态性能．     

基于免疫的蚁群优化算法

蚁群算法在寻优过程中很容易出现早熟现象而陷入局部最优,同时蚁群算法在构造问题的可行解时,计算复杂度较大.为解决以上问题,将免疫算法和蚁群算法相结合,构成了一种结合免疫机制的蚁群优化算法,并将其用于解决WTA(武器目标分配)问题.通过仿真及与其它多种优化算法对比发现:基于免疫的蚁群优化算法在搜索效率上要高于其它优化算法.     

基本蚁群算法的A.S.收敛性研究

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法，虽然该算法已经在众多组合优化领域中得到广泛应用，但是对其收敛性尤其是A．S．（AlmostSurely）收敛性问题的研究还存在很多空白．本文在介绍蚁群算法基本原理的基础上，以Markov链和离散鞅作为研究工具，对基本蚁群算法的A．S．收敛性问题进行了理论证明，把最优解集序列转变为下鞅序列来考察残留信息素轨迹向量的收敛性，随后提出了基本蚁群算法首达时间的定义，并对基本蚁群算法首次到达时间的期望值进行了理论分析．     

改进蚁群算法在车间作业调度中的应用研究

研究了基于机器最短加工时间的一类车间作业调度问题,建立了多约束的数学模型,为解决蚁群算法收敛性差和易陷入局部最优的问题,提出了一种基于插入移动的领域搜索方法,并使用该领域搜索方法嵌入蚁群算法.采用国际著名的benchmark测试集FT06进行了实例验证,计算结果表明,该算法可收敛到最优值55,且最优值、平均值和标准差都优于蚁群算法,标准差远远小于蚁群算法.     

用量子蚁群算法求解大规模旅行商问题

针对旅行商问题(TSP),提出了一种新的混合量子优化算法——量子蚁群算法.量子蚁群算法采用量子比特的概率幅表示蚂蚁的当前位置,采用量子旋转门更新蚂蚁的位置,选取国际通用的TSP实例库中多个实例进行测试.仿真实验表明,该算法具有很好的精确度和鲁棒性,可使搜索空间加倍,比传统的蚁群算法具有更好的种群多样性.     

基于蚁群优化算法求解最大团问题的研究

蚁群算法是一种通过模拟自然界中蚂蚁觅食行为而发展而来的新型启发式仿生优化算法,提出至今被研究人员广泛应用于各种组合优化问题.最大团问题是图论中著名的NPC问题,本文对于基本蚁群算法进行了分析与讨论,针对基本蚁群算法的容易陷入局部最优解、收敛速度慢等问题进行了改进,提出了一种新型蚁群优化算法.本文提出的新型蚁群优化算法增加了结点度和历史选择次数表策略影响蚂蚁选点;另外提出了构造独立的局部信息素更新机制.最后通过对比实验验证,数据结果证明新提出的优化算法相对于基本蚁群算法的优越性和可行性.     

一种自主水下机器人航路规划算法研究

在基本蚁群算法的基础上,提出了一种用于实现自主水下机器人路径规划的自适应蚁群算法,该方法通过改进概率的选择和调节信息素挥发系数,保证AUV以更安全的航路接近目标,同时提高了搜索最优路径的收敛速度,并对路径进行平滑处理使结果更可行.用Matlab对控制算法进行仿真,仿真结果表明该算法能明显改善路径规划性能.     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

PRM蚁群融合算法的AGV路径规划研究

针对AGV运货时需一次性取多件货物的路径规划问题,提出一种PRM算法与蚁群算法相结合的融合算法,将问题拆分为路径的选择与TSP问题分布解决,即先利用PRM算法进行AGV路径规划,再利用蚁群算法决策出取货顺序,生成总的路径。最后采用matlab进行仿真实验,并与A*算法进行对比,结果证明了PRM蚁群融合算法比A*算法得出的路径更短、效率更高。