基于随机漂移粒子群算法的WSNs节点定位

提出了随机漂移粒子群优化（RDPSO）算法,并将该算法应用于接收信号强度指示（RSSI）定位算法中,以降低由RSSI测距产生的定位误差.在仿真实验中,分别比较了基于RDPSO和PSO的RSSI定位算法.实验结果表明：RDPSO算法是在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法收敛速度快,稳定性能好,精度高,适用于WSNs节点定位问题.     

基于次锚节点的无线传感器网络改进加权质心定位算法

针对加权质心定位算法（ WCLA）对锚节点数量要求较高和定位精度较低的缺陷,提出一种基于次锚节点的改进加权质心定位算法（ IWCLA-SAN）。该算法在加权因子中引入修正系数,以提高定位精度;同时,将基于粒子群优化（ PSO）的定位算法的未知节点升级为次锚节点,在锚节点数量有限的情况下,以提高定位精度和定位覆盖率。仿真结果表明：该算法能有效提高定位精度和定位覆盖率。     

基于RSSI测距的传感器节点质心定位修正算法

针对传感器网络节点定位精度问题,研究基于RSSI测距的定位算法,提出多信标节点质心定位修正算法,通过该算法计算得到多组未知节点估计坐标,并在此基础上利用质心定位修正算法计算节点坐标修正值;利用仿真实验,证明基于RSSI测距的传感器节点质心定位算法定位精度比传统质心定位算法定位精度提高13.8%,比RSSI加权质心定位算法提高6.3%。     

基于改进的RSSI无线传感器网络节点定位算法研究

研究无线传感器网络节点定位问题。接收信号强度值(RSSI)直接影响无线传感器网络节点定位准确度,而现有定位算法没有考虑锚节点的RSSI消息,造成节点定位精度低。为了提高无线传感器网络节点的定位精度,提出了一种基于RSSI的质心定位算法。首先通过无线信号强度计算出节点间RSSI值,然后把RSSI值转换成质心算法权值,最后采用质心定位算法对待测节点位置进行估计,获得节点的准确位置。仿真实验结果表明,与现有质心定位算法相比,基于RSSI的质心定位算法在不增加成本、通信功耗的情况下,提高了节点定位精度,降低了定位误差,适合各种规模的无线传感器网络的节点定位。     

基于统计参数优化的质心定位算法探讨

针对传统接收信号强度指示(RSSI)算法对于复杂环境的适应能力弱的问题,对基于RSSI的质心定位算法进行统计参数改良优化,提高定位精度。在充分分析传统基于RSSI的质心定位算法的基础上,运用最小二乘法改进模型参数,用平均权重优化质心算法极大似然估计过程,对传统质心定位算法进行优化改进。实验结果表明,改进后的定位算法精度有较大提高,在增加参考节点情况下,定位精度增加更为明显,具有良好的定位效果。基于统计参数优化的质心定位算法有效提高了RSSI定位算法的定位精度。     

基于优化RSSI精度的WSN加权质心定位算法

为消弱接收信号强度指示误差对无线传感器网络节点定位精度的影响,提出基于优化接收信号强度指示测距精度的加权质心定位算法。该算法根据接收信号强度指示（RSSI）和链路质量指示（LQI）在不同距离段的衰落曲线起伏的波动状况,采用分段测距的方法优化RSSI的测距精度,接着将优化后的距离值作为加权质心算法的权值因子对节点进行定位,进而提高定位精度。实验结果验证了该优化算法的有效性。     

基于RSSI校正的无线传感器网络定位算法

为了使接收信号强度指示（RSSI）的测量误差对节点定位精度的影响程度达到最小化,提出一种基于RSSI高斯加权校正的质心定位算法.首先通过高斯函数滤去偏差较大的RSSI值,然后再对余下的RSSI值加权计算得到优化的RSSI测量值,并利用测量到的RSSI值计算出锚节点与未知节点之间的距离,然后根据计算出的距离对锚节点坐标加权,并通过质心定位算法求出未知节点的位置坐标.仿真实验表明：该算法相比基于RSSI的质心定位算法,定位覆盖率提升3％～6％,平均定位误差至少减少4％,是一种定位精度更高的算法.     

基于量子粒子群优化的WSN节点定位改进

针对无线传感器网络定位低成本、低功耗和高精度的要求,在基于接收信号强度(RSSI )测距的基础上,提出 了一种量子粒子群优化(QPSO)的改进加权质心定位算法,即采用QPSO优化WCLA的佑计坐标来改善定位误差, 并改进收缩扩展系数增强QPSO算法的收敛速度。仿真表明,改进的算法与WCLA算法和经过粒子群优化的 WCI_A算法相比,其节点定位精度得到显著提高,且能克服粒子群优化算法的收敛速度慢、易陷入局部极小值的缺点。     

免疫粒子群优化的DV-Hop定位算法

DV-Hop算法在定位过程中,由于信标节点与待定位节点之间的距离估算存在较大的定位误差,使得定位精度不佳。将免疫机制引入粒子群算法中,提出了免疫粒子群优化的DV-Hop算法。利用免疫粒子群算法优化待测节点的位置坐标,当PSO算法陷入局部最优解时,通过免疫抗体的选择、促进和抑制机制产生新的粒子空间,使该算法跳出局部最优值,收敛于全局最优解。MATLAB仿真实验表明,在相同实验环境下与经典的DV-Hop算法和常规的粒子群改进的DV-Hop算法比较,所提算法有效地降低了定位误差。     

WSNs中基于粒子群优化的节点定位算法

节点定位是无线传感器网络(WSNs)的关键技术之一.接收信号强度指示(RSSI)测距技术以其不需增加任何额外的硬件设备的特点在节点定位中得到广泛应用.为了提高定位精度,在RSSI测距的基础上,提出将粒子群优化算法( PSO)引入节点定位中.首先由RSSI测得未知节点与锚节点的距离,然后应用PSO算法计算出未知节点的估计...     

基于粒子群优化的改进加权质心定位算法

针对无线传感器网络低成本、高精度的要求,在采用接收信号强度测距的基础上,提出一种基于粒子群优化的改进加权质心定位算法。该算法易于实现,可调参数少,通过多次选代寻优提高定位精度。采用锚节点之间相互测距和定位补偿测距误差和定位误差。仿真结果表明,该算法与质心算法和加权质心定位算法相比,节点定位精度得到显著提高。     

基于混合粒子群优化算法的DV-Hop定位算法

针对无线传感器网络节点定位技术中DV-Hop算法的不足,利用混合粒子群优化算法对DV-Hop算法的位置估计进行校正,提出了一种CCPDV-Hop算法,该方法在不需要任何额外硬件设备和通信开销基础上,将未知节点定位问题抽象为高维最优化问题,并利用混合粒子群优化算法进行求解。仿真实验结果表明,改进的DV-Hop算法与传统方法相比,定位误差显著下降,定位精度和鲁棒性都有明显提高。     

群混合算法应用于异构传感网络节点的优化部署

针对异构传感网络节点初始随机部署时产生覆盖盲区和覆盖冗余的问题,以降低节点成本和提高网络覆盖率为目标,引入ε-目标约束法,提出一种基于粒子群算法和鱼群算法的群混合算法。该群混合算法首先建立个体中心的概念,将鱼群算法的聚群行为和追尾行为的思想引入到粒子群算法中以快速寻取个体的最优位置的解域,再利用粒子群算法对个体的速度和位置进行迭代寻优。仿真结果表明,该群混合算法与标准粒子群算法和标准鱼群算法相比,在网络覆盖率和成本目标之间能达到更好的平衡和优化。     

基于改进双系统协同进化算法的无线传感器网络节点定位

为进一步提高无线传感器网络(WSN)中节点的定位精度,提出了一种双系统协同进化(BCO)算法。改进算法利用粒子群优化(PSO)算法快速收敛的特性和混合蛙跳算法(SFLA)较高的寻优精度的特性,在较少的迭代次数内快速收敛且实现深度搜索达到较高的精度。仿真实验结果表明:在应用双系统协同进化算法对测试目标函数进行求解时,能非常接近最优解;同时将该算法应用到基于接收信号强度值(RSSI)测距的节点定位中,预测位置与实际位置的绝对误差在0.05 m范围内;相比基于RSSI的分步粒子群算法(IPSO-RSSI),其定位精度至少提高了10倍。     

基于聚类分析优化的距离修正室内定位算法

基于接收信号强度RSSI的定位系统易受环境影响,提出一种基于聚类算法分析的高斯混合滤波的RSSI信号处理优化策略,通过优化接收信号强度及距离修正的四边质心定位算法对未知节点进行精确室内定位,使用蓝牙4.0信标节点进行实地实验。实验结果表明,该算法可以有效提高测距精度,改善系统的定位精度,比传统加权质心算法的定位精度提高了34.6%,且定位平均误差不超过0.5m,可满足室内定位精度要求。     

多策略融合的粒子群优化算法

受天体学和植物学启发,提出一种多策略融合的粒子群优化算法（MSPSO）,以改善粒子群优化算法（PSO）易陷入局部最优的不足。三黑洞系统捕获策略和多维随机干扰策略的引入,使算法增强全局开拓能力的同时兼顾局部搜索能力,并通过协调因子完成从全局寻优向局部搜索的转变,进而提高收敛速度。同时,早熟扰动策略的采用,使算法陷入局部最优的概率降低。采用9个测试函数,将该算法与其他5种算法进行性能对比。仿真结果表明,MSPSO算法具有在相同迭代下更好的寻优能力、在给定精度下更快的收敛速度等优势。     

无线传感器网络交点质心定位算法的优化

节点自身定位是无线传感器网络的重要应用之一。为提高定位精度,以求解精度优于传统最小二乘法的交点质心算法为基础,定义距未知节点最近的锚节点为参考节点,通过测量参考节点与锚节点之间的距离获得RSSI的测距误差,并对未知节点与锚节点间的测量距离进行误差修正,抑制了RSSI测距误差对定位精度的影响;再引入四边测距定位和优选锚节点的思想,对算法进行改进。MATLAB仿真结果表明：本算法在相同实验环境下相较于交点质心法又进一步提高了定位精度。     

基于车辆路径问题的带近邻因子的粒子群算法

提出了一种改进的粒子群算法。该算法通过引入近邻因子,增强了当前粒子的学习功能,克服了基本粒子群算法易陷于局部最优的缺陷,提高了算法进化的收敛精度。将该算法用于解决车辆路径问题,实验结果表明具有较好的性能和很好的应用价值。     

基于天牛须搜索的粒子群优化算法求解投资组合问题

粒子群算法（PSO）作为一种群智能算法,有效提高了投资组合模型的实用性,但存在搜索精度较低和易陷入局部最优的缺陷.为克服其缺点,本文提出基于天牛须搜索（BAS）的粒子群优化算法（简称BSO）,并将其应用到包含完整费用的投资组合模型中.在基于天牛须搜索的优化算法中（BSO）,每个粒子的更新规则源自BAS,在每次迭代中都有自己对环境空间的判断,而不仅依赖于PSO中历史最佳解决方案和粒子个体的当前全局最优解,从而减少迭代次数、提高搜索速度和精度.实证结果表明算法更具稳定性和有效性.