基于量子粒子群优化算法的无线传感器网络节点优化

针对无线传感器网络感知节点的分布优化问题进行了研究,提出了一种基于量子粒子群优化(QPSO)算法的分布优化机制。仿真实验结果表明:QPSO算法在优化性能上优于传统遗传算法(GA)和量子遗传算法(QGA),能够有效提高网络整体的感知能力,该方法用于传感器节点优化部署是可行的。     

基于量子遗传算法的无线传感器网络路径优化

无线传感器网络作为一种有广泛应用前景的新型信息获取和处理技术,引起了国内外学术界和产业界的高度关注;文章采用量子遗传算法对无线传感器网络进行路径优化,将节点能耗和路由恢复时间等实际因素作为路径优化问题的约束条件,按照重要性考虑各种约束条件和多种目标的优先次序,并对量子遗传算法的各个环节进行了细致的分析与设计,包括量子比特编码、适应度函数设计、量子门更新、量子变异等;仿真实验表明,使用量子遗传算法能找到无线传感器网络有效的优化路径,并且优于相关算法。     

分层分簇无线传感器网络汇聚层的多目标优化部署

分层分簇的无线传感器网络中,汇聚层节点的部署对于整个网络的性能是至关重要的。本文针对非均匀环境下,分层分簇无线传感器网络中汇聚层节点的优化部署进行研究,目标是以最少的节点和最低的总功率实现对感知层节点的全覆盖,这是一个典型的多目标优化问题。 为,提出了一种基于第二代快速非支配遗传算法(Non-dominated sorting genetic algo-rithm, NSGA-II)的优化方案,以感知层节点全覆盖为前提,对汇聚层节点的数量和总功率进行联合优化。仿真结果表明,与常规均匀分布无线传感器的模型对比,本文所提出的部署方案能够在保证感知层节点全覆盖的前提下,显著减少汇聚层节点的数量,并降低了汇聚层节点的总功率,从而降低了部署成本,提高能量利用效率。     

基于量子遗传算法的传感器节点优化部署方法

无线传感器节点的部署在无线传感网络中起着重要的作用,节点的部署优化与否关系到整个网络的生命周期.为了能通过节点部署扩大传感区域的覆盖程度,提出了量子遗传算法,该算法用量子比特编码来表示染色体,用量子旋转门和量子非门来实现染色体的更新,从而实现对目标问题的优化求解.仿真结果表明,该方法用于传感器节点优化部署是可行的.     

基于感知概率的无线传感器网络节点部署算法

研究无线传感器网络节点部署优化问题,传感器节点的部署在一定程度上决定了无线传感器网络的性能和使用寿命;针对随机部署的无线传感器节点,提出一种基于感知概率模型的节点部署方案;使用证据理论通过计算对节点周围区域的综合感知概率,将虚拟力算法进行改造,使传感器节点向感知概率低的区域移动,实现对监测区域的最大覆盖;仿真结果表明,该部署算法实现节点合理分布,提高网络的覆盖率,减少节点的移动距离,达到延长网络使用寿命的目的。     

改进QGA在WSNs节点部署中的应用

对含有障碍区域的无线传感器网络（WSNs）节点部署问题进行研究。建立节点探测模型和网络覆盖率评价方法,基于概率传感器模型提出一种部署方式,即对障碍区域进行随机布撒节点,确定区域采用量子遗传算法（QGA）寻找最优节点部署位置,实现对同构WSNs节点构成的目标区域的高效覆盖。仿真结果与GA,QGA相比：改进QGA有效提高了算法整体的搜索能力和收敛速度。     

无线传感器网络节点感知进化计算模型研究

针对无线传感器网中测距的节点感知和定位精度低的问题,提出了无线传感器网络节点感知进化计算模型.首先将节点感知问题转化为满足约束条件的解空间寻优问题,利用改进的量子遗传算法对节点的感知方案进行染色体映射,并进行自适应的基因长度编码,对种群进行一次观测,确定基因状态,并计算第一适应度函数和第二适应度函数值;然后利用粒子群算法对量子旋转系数进行迭代优化,依据个体信息熵和自适应变异算子进行最优子辈生成,在每次迭代繁殖后更新变异算子的概率;最后迭代输出各锚节点集合的节点感知坐标.仿真结果证明,改进算法具有较好的平均定位误差,且收敛性和执行效率较好.     

模拟退火遗传算法对无线传感器网络部署研究

研究无线传感器节点部署优化问题,传感器网络节点的部署在一定程度上决定了网络的性能和使用寿命.传统的遗传算法在无线传感器节点部署优化过程中,由于交叉和变异的概率是固定的,易产生局部最优问题,导致部署不理想,网络生命周期过短.为了更好地优化网络部署,提高网络生命周期,提出了一种基于模拟退火遗传算法的无线传感器节点部署优化方法.方法将传感器节点部署转化为一个组合优化问题,网络节点离散成为网格,通过遗传算法进行最优部署方案的搜索,同时采用模拟退火算法对遗传算法的种群进行更新,提高了最优解的搜索速度.仿真结果表明,模拟退火遗传算法部署的效率高,网络存活的节点数更多,有效地延长了网络的生命周期.     

基于改进蜂群算法无线传感器感知节点部署优化*

提出了一种基于改进蜂群算法的无线传感器感知节点部署优化方法,以网络覆盖率为目标函数,将传感器感知节点部署问题形式化为组合优化问题,并采用分层机制对基本蜂群算法进行改进。仿真实验结果表明,本方法能够以相对较小的代价完成传感器感知节点部署,并能降低网络能耗,提高网络的整体覆盖率。     

无线传感器网络动态节点选择优化策略

无线传感器网络的能耗和有效覆盖率是衡量其性能的两个重要指标.无线传感器网络动态节点选择优化策略通过合理配置各无线传感器节点状态,平衡网络能耗和有效覆盖率,提高网络能效性,延长网络寿命.提出一种结合了Hopfield网络与遗传算法的动态节点选择优化策略,简称为HN-GA.该策略通过遗传算法实现全局搜索,采用Hopfield网络缩小遗传算法的搜索范围,保证遗传算法中每个基因对应待选解的有效性,并针对动态节点选择优化提出一种基于无线传感器网络能耗、寿命和有效覆盖率的综合指标.仿真实验表明,HN-GA算法能有效完成无线传感器网络动态节点选择优化,并在确保网络有效覆盖率的前提下,通过动态配置各无线传感器节点状态,降低网络能耗,延长网络寿命.与遗传算法和Hopfield网络相比,HN-GA算法不仅全局搜索能力强,且收敛速度快、耗时少.     

无线传感器网络中基于伸展树的感知节点分布优化

In a sensor network, reasonable distribution of sensor nodes will do much good to the improvement of sensorial ability. In a sensor network constructed by randomly scattering, a better sensing coverage can be achieved by topology adjustment utilizing mobility of some sensor nodes. To solve this problem, we define an extending-tree in the sensor network using Voronoi diagrams and Delaunay network. On this base, a new optimization algorithm of sensor node distribution based on genetic algorithm is designed, which provides a sound effective means to improve the sensorial ability of network. Simulation output shows that this algorithm can achieve an optimizing node distribution in the object area, by which sensorial ability of the whole sensor network can be improved at a relatively low cost.     

Sensor Distribution Optimization Based on Extending-tree in Sensor Network

In a sensor network,reasonable distribution of sensor nodes will do much good to the improvement of sensorial ability.In a sensor network constructed by randomly scattering,a better sensing coverage can be achieved by topology adjustment utilizing mobility of some sensor nodes.To solve this problem,we define an extending-tree in the sensor network using Voronoi diagrams and Delaunay network.On this base,a new optimization algorithm of sensor node distribution based on genetic algorithm is designed,which provides a sound effective means to improve the sensorial ability of network.Simulation output shows that this algorithm can achieve an optimizing node distribution in the object area,by which sensorial ability of the whole sensor network can be improved at a relatively low cost.     

WMSNs中基于改进QGA的覆盖增强算法

针对无线多媒体传感器网络(WMSNs)中存在的覆盖盲区与覆盖重叠区域等问题,提出一种改进的量子遗传算法(QGA)来调整WMSNs中节点的位置和感知方向。相对于传统QGA,该算法采用从多条最优染色体构成的集合中随机选取优化目标来引导算法迭代,在保留算法收敛速度的同时改善其易收敛于局部最优的情况;同时,采用自适应旋转角和新的量子变异策略,加快算法的收敛速度。仿真实验表明:该算法具有良好的全局收敛能力和速度,可以更好地提高网络的覆盖率。     

基于改进鲸鱼优化算法的WSN覆盖优化

针对无线传感器网络在随机部署移动节点时,存在分布不均匀导致的覆盖率较低的问题,以网络覆盖率最大化为目标建立网络覆盖优化模型,提出一种基于改进鲸鱼优化算法(IWOA)的网络覆盖优化策略;首先,采用量子位Bloch球面坐标编码初始化种群,提升种群多样性,扩展搜索空间的遍历能力;其次,提出一种基于步长改进的位置更新方式,平衡算法的全局探索和局部搜索能力;最后采用莱维飞行,对个体进行扰动更新,提高跳出局部最优的能力。仿真结果表明,将改进后的鲸鱼优化算法应用在WSN覆盖优化中,与标准鲸鱼优化算法和其他文献中的算法相比,有效减少了传感器节点冗余,表现出更快的收敛速度和更高的覆盖率,进而改善网络监测质量,延长网络生存时间。     

基于多粒子群算法的WSNs覆盖优化策略研究*

为了改善无线传感网络的性能,提高网络的覆盖率,在粒子进化的多粒子群算法的基础上,提出了一种无线传感网络覆盖的优化策略。该策略通过多个粒子群彼此独立地搜索解空间, 提高了算法的寻优能力,有效地避免了基本粒子群算法容易出现的“早熟”问题,提高了算法的稳定性。仿真实验表明,与基本粒子群算法、传统遗传算法和新量子遗传算法的优化效果相比较,其覆盖率分别提高了8.39％、3.07％和0.75％;收敛速度提高了25.3％、23.8％和23.8％。因此粒子进化的多粒子群优化策略具有比这三种算法更好的覆盖优化效果。     

基于传感器网络节点配置优化仿真研究

研究无线传感网络节点配置覆盖优化问题。由于无线传感网络存在着热区问题,对网络的覆盖性能造成严重的影响,同时影响网络配置优化。为了有效的提高无线传感网络的覆盖率,提出了一种改进的粒子群算法优化无线网络节点覆盖。针对粒子群算法存在易陷入局部极值和早熟的缺陷,引入遗传算法中的交叉算子和变异算子,优化传感网络节点的混合粒子群算法,在严格确保无线传感器网络连通性的条件下,传感器节点配置数目达到要求的覆盖度,并进行仿真。仿真结果表明混合粒子群算法能快速收敛到更精确的解,使网络节点配置达到覆盖的优化要求。     

基于Memetic算法的WSN分簇协议的研究 *

针对无线传感器网络的寿命和覆盖优化,提出了一种基于Memetic算法和节点休眠-唤醒调度策略的复合文化基因聚类协议(Composite Memetic Algorithm Clustering Protocol,CMACP)。算法首先运行文化基因算法初始化需要激活的节点并规划相邻冗余节点,其中遗传算法和局部搜索算法能保障得到最优的初始节点分布。随着网络的运行,当某个节点因能量耗尽而丢失覆盖目标时,休眠调度策略选择激活最优相邻节点弥补覆盖漏洞。仿真实验表明,与其他WSN分簇协议相比,CMACP能较好的延长WSN稳定周期生存时间,并且提高WSN对感知区域的覆盖能力。     

分布式无线传感器网络度覆盖算法

传感器节点在高密度部署和满足一定覆盖条件下,有效地进行覆盖控制和减少能量消耗以及延长网络生命周期是无线传感器网络研究的重点课题,为此,提出一种分布式的度覆盖算法。该算法利用贪心算法和几何图形学相关理论知识对覆盖区域关键节点进行优化覆盖,通过节点状态调度机制转换,可以有效地降低网络能耗,提高了节点覆盖性能的同时优化了节点的数量。仿真实验结果表明,该算法能够以较小的代价提高整个网络的生存周期,有更好地适应性和稳定性。