基于分布式烟花算法的WSN布局优化方法

无线传感器网络具有广泛的应用,然而如何有效部署无线传感器节点,提高节点利用率和网络覆盖率,仍是一个亟待解决的问题。针对传统无线传感器网络部署方法存在节点冗余率高、覆盖率低等问题,以网络覆盖率为优化目标,将烟花算法良好的结果搜索能力和分布式高效的计算速度相结合,实现对网络覆盖率优化模型的高效求解。实验表明,该算法相比于普通的烟花算法具有更好的计算结果和更快的收敛速度。     

基于布谷鸟搜索算法的无线传感器网络节点定位

无线传感器网络的节点定位实际上是解决测量距离和测距误差的多维约束优化问题。针对最小二乘方法对测距误差敏感的不足,提出一种基于布谷鸟搜索算法的无线传感器网络节点定位算法。该算法利用全局和局部寻优能力强的布谷鸟算法求解定位过程中的多维约束优化问题;通过设定相应的约束适应度函数来减小定位过程的搜索范围,加快了收敛速度,能够快速地确定未知节点的位置。仿真结果表明：相较于粒子群算法和最小二乘算法,该算法能有效地抑制测距误差对定位的影响,提高节点的定位精度,具备很好的实用性。     

基于改进布谷鸟算法的WSN节点定位

有效的定位算法在无线传感器网络（WSN）的应用中起着重要的作用。针对DV-Hop算法在求解未知节点位置过程中定位精度低的问题进行了研究,提出了改进的无线传感器网络节点定位算法（SACSDV-Hop)。首先引入布谷鸟搜索（CS）算法,然后动态调整CS算法的发现概率 及影响步长大小的参数 以提高CS算法的收敛速度和局部搜索能力。SACSDV-Hop算法用改进的布谷鸟算法（SACS）代替DV-Hop算法在估算未知节点的位置坐标阶段所使用的最小二乘法,把节点定位问题转变为智能寻优问题,降低跳距估计误差对其的影响。仿真实验结果表明,所提算法比CSDV-Hop算法及传统的DV-Hop算法具有更高定位精度,并且不需要增加硬件开销。     

现代优化技术在无线传感器网络中的应用

无线传感器网络是由大量廉价、微小的传感器节点构成的,用于实时监测环境的无线自组织网络。由于无线传感器网络具有规模庞大、节点的计算和存储资源受限、网络拓扑动态不确定等特性,设计高性能的无线传感器网络常常会涉及传统的技术难以建模和求解的复杂优化问题。现代优化技术是一类新兴的具有较强全局搜索能力的启发式优化算法,是解决无线传感器网络中的复杂优化问题的有力工具。作者在研究现代优化技术在无线传感器网络中的主要应用领域,包括传感器节点的定位、网络节点的部署优化、网络覆盖优化、网络路由优化和数据融合问题的基础上,分析了现代优化技术在求解无线传感器网络中的复杂优化问题上的优缺点,并对该领域未来的发展趋势进行了展望。     

基于差分蜂群算法的无线传感器网络节点分布优化

针对无线传感器网络节点分布优化问题,在保证节点间相互连通的情况下建立节点分布优化模型,提出了一种有效的差分蜂群优化算法,从而实现了同构无线传感器网络节点对目标区域的高效覆盖。改进算法将差分进化操作引入蜂群算法中雇佣蜂的搜索方式,以提高雇佣蜂搜索的多样性和避免计算量的浪费。差分蜂群算法在无线传感器网络节点分布优化问题上进行了测试,并与差分进化、人工蜂群两种算法进行了仿真对比。从3种算法的网络覆盖率迭代曲线可以看出,差分蜂群算法整体的探索能力及收敛速度较之其他2种算法都有所提升。除此之外,3种算法对无线传感器网络覆盖优化问题进行了100次试验,覆盖率统计结果进一步验证了所提算法的有效性。     

混合无线传感器网络节点覆盖优化

为了解决混合无线传感器网络的节点覆盖率低的问题,提出了改进粒子群的混合无线传感器网络节点覆盖迭代优化算法.在该算法中,首先将混合无线传感器网络节点覆盖模型转化为在网络系统中动态的求覆盖率最大值的节点部署位置寻优问题;然后提出利用改进粒子群算法对节点覆盖优化方案进行粒子及其权值映射,并依据粒子粒距聚类度和粒子信息熵对粒子权值进行调整,再依据粒子适应度值对粒子局部最优值和全局最优值进行更新;最后迭代地对粒子的位置和速度进行计算,输出具有最优覆盖率的节点部署方案.仿真结果证明,该算法能够有效的提升网络覆盖率,且算法的收敛速度快.     

基于BBO算法的无线传感网络节点优化部署研究

在无线传感网络节点部署时,由于优化算法的差异,使得优化部署后网络覆盖率依旧较低,提出基于BBO算法的无线传感网络节点优化部署研究.基于无线传感器网络结构,生成线性网络,采用该网络完成数据的周期性采集,寻找最佳工作节点和中继节点数量,并通过二者之间的合理分布,确定最优节点传输距离.依托于BBO算法设计节点布局方案,计算网...     

云粒子群优化算法在无线传感器网络中的应用

无线传感器网络中节点计算能力和存储存能量有限的问题一直制约着无线传感器网络的发展.为此,本文提出了一种基于云PSO（particle swarm optimization）算法的无线传感器网络能量优化方法,主要包括网络分簇、网络能量模型建立、云PSO算法迭代优化等步骤.其中云PSO算法采用云理论模型优选惯性权重可以提高PSO算法的收敛速度,典型函数测试结果表明其效果优于常规PSO算法和遗传算法;在网络建模中采用二分功率控制算法可以降低网络能耗、延长节点寿命.最后经仿真试验和对比分析表明本文提出的方法在优化无线传感器网络中具有速度快、节点生存能力强的优点,并能有效地控制网络能耗.     

一种结合粒子群和虚拟力的动态节点部署策略

无线传感器节点部署是无线传感器网络研究的关键问题,面对工作在复杂环境下的众多传感器节点,模拟了一个由随机部署的固定节点和移动节点构成的无线传感器网络环境。为了优化节点的布局,将粒子群算法与虚拟力相结合,提出了一种虚拟力扰动指数权值递减型粒子群算法,该策略通过改进粒子群算法加快了粒子进入局部搜索的速度,并异构了节点间虚拟力来影响粒子群算法中粒子的进化过程,提高算法收敛速度。仿真结果表明,和传统的粒子群算法相比,提出的算法可以得到更高的覆盖率,且收敛速度更快。     

WSNs中基于GPMP的多SINK节点选址问题研究

在无线传感器网络sink节点可布局的应用中,提出了一种基于GPMP模型的多sink节点布局策略。该策略通过离线方式计算出sink节点的最优位置集来指导sink节点的布局。使用该策略结合一种启发式算法实现了无线传感器网络的仿真布局。仿真结果表明,该布局策略能够有效提高网络服务效率,降低无线传感器网络的能量消耗,延长网络的生存期。     

面向智慧教室的无线传感网边缘节点智能部署方法

摘 要: 为降低部署后的通信时延,提高智慧教室的数据发送与网络使用效率,提出面向智慧教室的无线传感网边缘节点智能部署方法。以智慧教室场景中良好的通信、最大限度降低部署边缘节点成本为优化目标,构建边缘节点智能部署的目标函数。针对目标函数设定流量约束条件、无线传感网数据流约束条件、节点计算能力约束条件。自适应调整粒子群优化算法的惯性权重、粒子更新速度、Pareto最优解保存策略,设计多目标改进粒子群优化算法求解目标函数,实现面向智慧教室的无线传感网边缘节点智能部署。测试结果表明,该方法的时延较低,网络计算能力较高,保证了智慧教室无线传感网通信和传输质量。     

Ant colony optimization based sensor deployment protocol for wireless sensor networks

Sensor deployment is one of the most important issues in wireless sensor networks, because an efficient deployment scheme can reduce the deployment cost and enhance the detection capability of the wireless sensor networks. In addition, it can enhance the quality of monitoring in wireless sensor networks by increasing the coverage area. Ant colony optimization (ACO) algorithm provides a natural and intrinsic way of exploration of search space for multiple knapsack problem (MKP). In this work, we consider the problem of sensor deployment to achieve complete coverage of the service region and maximize the lifetime of the network. We model the deployment problem as the multiple knapsack problem. Based on ACO algorithm, we proposed a deployment scheme to prolong the network lifetime, while ensuring complete coverage of the service region. The simulations show that our algorithm can prolong the lifetime of the network.     

移动感知环境下基于CSA-SSVR的交通状态预测方法

相较于传统感知网络,移动群智感知网络在部署和维护成本上有着较大优势,在智能交通系统中得到了越来越多的应用。交通状态的预测对交通管理系统具有重要意义,从移动群智感知环境下获取的车速数据出发,以支持向量回归算法(SVR)为基础,引入周期性算子,并采用布谷鸟算法(CSA)确定周期性SVR(SSVR)中的主要参数,提出了CSA-SSVR,对道路未来车速进行预测,据此判断道路的未来交通状态。实验表明,CSA-SSVR在移动群智感知环境下对于交通状态预测问题的准确性较高。     

基于改进布谷鸟搜索算法的LEACH协议

LEACH协议是一种低能耗自适应的无线传感器网络聚类层次算法。它存在着随机选取簇头、不考虑节点剩余能量和节点位置等缺点。针对这些问题,本文提出一种基于改进布谷鸟算法的LEACH协议。布谷鸟算法（CS）是一种新型的智能优化算法。为了提高算法的局部搜索能力,对标准的布谷鸟算法进行改进：1）引入权重系数,调整算法收敛速度;2）所有个体从优到差进行排序,排序后将种群分为2部分,这2部分个体选择不同的飞行方式,避免较优个体陷入局部最优。改进后的协议将簇头选择过程分为临时簇头优化和形式簇头选择。首先,利用传统LEACH协议生成临时簇头,然后基于MCS对簇头进行优化,根据节点剩余能量选择形式化簇头。实验结果表明,与LEACH相比,新算法能有效平衡网络负载,提高能源的利用率,延长网络的生命周期。     

量子布谷鸟协同搜索的垃圾回收路径规划方法

针对城市垃圾回收路径规划问题,提出了一种量子布谷鸟协同搜索算法,用于优化最短路径.首先,采用Bloch球面坐标量子编码来扩大解空间;然后设计了一种基于差分进化的量子布谷鸟搜索策略,实现较差个体的改进以及劣势个体与优势个体之间的信息交换,增强全局搜索能力;最后,利用一种局部邻域搜索算法进一步提高解的质量.理论分析了所提算法的收敛性.基于无线传感网络采集数据进行了仿真实验,将量子布谷鸟协同搜索算法与传统遗传算法和量子布谷鸟搜索算法分别比较,求解垃圾回收最短路径问题的最优解和平均解均改进了20%~40%,结果证明了量子布谷鸟协同搜索算法的优越性.     

井下无线传感器网络部署算法

为了更为有效地进行矿井数据监测和采集,保证安全生产,本文提出了一种基于最大通信距离的矿井无线传感器网络部署算法。进一步地,本文给出了一种通过部署备用节点优化无线传感器网络性能的策略,以克服原部署算法导致地网络健壮性不强、覆盖率偏低等缺点。实验仿真结果表明,优化后的无线传感器网络的健壮性和覆盖率都有了较大的提高。     

Query processing in sensor networks

Smart sensors are small wireless computing devices that sense information such as light and humidity at extremely high resolutions. A smart sensor query-processing architecture using database technology can facilitate deployment of sensor networks. Smart-sensor technology enables a broad range of ubiquitous computing applications. Their low cost, small size, and untethered nature lets them sense information at previously unobtainable resolutions. We discuss about query processing in sensor networks.