基于磷虾群算法的无线传感器网络QoS任播路由算法

无线传感器网络多约束QoS任播路由问题是一个NP难题,提出一种基于磷虾群算法的优化策略来解决该路由问题.该算法采用适应度函数和全局最优个体位置更新方法来寻找无线传感器网络中满足多QoS约束的最优任播路由,并加入遗传繁殖机制中的交叉与变异操作以加快优化速度.实验验证了该算法的有效性,实验数据表明相比较粒子群优化算法,该算法在算法效率和可扩展性性能上具有较好的性能;具有较快的收敛速度,从而适用于对路由选择有时延敏感的网络.     

结合SCE法的粒子群优化QoS路由算法

QoS(QualityofService)路由问题是一个非线性的组合优化问题,理论上已证明了该问题是NP完全问题。粒子群优化算法是一种基于群智能演化计算技术,PSO在求解连续性优化问题上得到了较好的应用,而把PSO算法用于求解路由算法等离散性问题还比较少见,同时,PSO算法在收敛过程中还存在随机性,某些情况下会出现停滞现象。为此本文提出了一种结合SCE(shuffledcomplexevolution)法的粒子群优化方法用于求解QoS路由问题。该算法通过引入插入算子,删除算子,算子系列和基本算子序列等概念,对基本的粒子群优化算法进行改进;通过采用SCE法,使算法跳出局部最优解的限制。仿真结果显示,该算法取得了满意的效果,在寻优速度上优于遗传算法,也提高了算法收敛到最优解的能力。     

基于CPSO的无线传感器网络路由优化

研究无线传感器网络路由优化问题,由于无线传感器节点的能量受到限制,通信过程能量损耗,影响网络的性能。传统粒子群算法难以获得最优网络路由方案。为延长网络生存时间,结合粒子群的快速性和混沌的遍历性优点,提出了一种混沌粒子群(CPSO)的无线网络路由优化方法。通过粒子群算法的自组织、动态寻优能力,并通过混沌机制对粒子群进行混沌扰动,增加多样性,加快最优路由优化速度,使网络最优路由和能量消耗间尽量平衡。仿真结果表明,相对于传统优化算法,CPSO提高了无线传感器网络路由优化速度,减少网络能量消耗,有效延长了网络生存时间,为提高整个网络通信效率提供了参考。     

基于群代理的QoS-AP算法优化QoS组播路由

针对互联网组播应用中多约束服务质量(QoS)组播路由优化问题,提出一种基于群代理的融合蚁群(ACO)算法与粒子群优化(PSO)算法的QoS-AP算法。首先根据QoS约束,产生多个组播模型。然后利用ACO算法对每个模型和模型中的属性进行评估并放置信息素。再根据信息素值,利用PSO算法调整粒子代理的运动方式来重组组播树。经过多次迭代,最后形成一个满足QoS的最优组播树。通过仿真实验,与现有的PSOTREE、TGBACA算法进行比较。结果表明,该算法能够找出更好的组播树模型,不仅能够满足QoS约束,而且还最大限度地减少了树的成本。     

结合SCE法的粒子群优化QoS路由算法

QoS (Quality of Service) 路由问题是一个非线性的组合优化问题,理论上已证明了该问题是NP完全问题.粒子群优化算法是一种基于群智能演化计算技术,PSO在求解连续性优化问题上得到了较好的应用,而把PSO算法用于求解路由算法等离散性问题还比较少见,同时,PSO算法在收敛过程中还存在随机性,某些情况下会出现停滞现象.为此本文提出了一种结合SCE(Shuffled Complex Evolution)法的粒子群优化方法用于求解QoS路由问题.该算法通过引入插入算子、删除算子、算子系列和基本算子序列等概念,对基本的粒子群优化算法进行改进;通过采用SCE法,使算法跳出局部最优解的限制.仿真结果显示,该算法取得了满意的效果,在寻优速度上优于遗传算法,也提高了算法收敛到最优解的能力.     

基于PSO的多QoS约束路由问题研究

研究了计算机网络在多QoS约束条件下的路由问题。针对该问题的特点,改进了粒子群优化算法(Particle Swarm Op-timization algorithm,PSO),采用了新的粒子速度更新策略和粒子抗拥塞策略,使之成为一种解决多QoS约束路由问题的新算法。在一个8×8网状拓扑结构的仿真网络里对该算法进行了仿真实验,实验结果表明新算法对于多QoS约束路由问题可行且收敛快。     

量子粒子群算法求解QoS组播路由

QoS组播路由问题是一个非线性的组合优化问题,已证明了该问题是NP完全问题。将量子粒子群算法用于此类问题的求解。并在此基础上对基本的量子粒子群算法进行改进,针对群体智能和约束优化问题的特点,提出了一种在每次迭代中有选择地保留一定数量不可行解的方法,并把它结合到量子粒子群优化（QDPSO）算法中。该算法可以利用保留下来的不可行解来帮助搜索靠近边界的最优解,同时又可以避免罚因子的选择问题,使之更适合于QoS组播路由的求解。仿真实验结果显示,该算法能快速搜索并收敛到全局（近似）最优解,且随着网络规模的增大算法保持了良好的特性,在寻优速度上与解的质量上优于其他粒子群算法与基本的量子粒子群算法。     

一种基于不精确信息的智能QoS组播路由算法

针对满足多个约束条件的服务质量(QoS) 组播路由的特点，提出了一种下一代互联网中基于粒子群优化(PSO) 和遗传算法(GA) 的智能QoS组播路由算法。给出了QoS组播路由问题模型及其数学描述，针对QoS参数信息不精确的情况，综合PSO的快速搜索和GA的全局寻优能力，找出在给定费用下满足多个QoS约束概率最大的组播树的Pareto非劣集，从中选出最优组播树。对算法进行了仿真实现与性能评价，结果表明，它是可行和有效的。     

基于混合粒子群算法的无线传感器网络路由协议

受节点有限能量的约束,无线传感器网络的路由协议必须满足高效节能的要求。在LEAcH协议和PEGASIS协议的基础上,提出一种基于混合粒子群算法的无线传感网络能量优化路由协议。该协议把网络按地理位置分簇,每个分簇通过混合粒子群算法构造一条最优的簇内链,以减少链路的总距离。同时,为了减小能量消耗和维持节点的能量均衡,根据剩余能量和距离因素选择簇头,各簇头再通过混合粒子群算法构造一条簇头链,选出总簇头把收集到的信息传送给基站。最后,对所提出的算法和同类算法进行了仿真比较,结果表明,采用混合粒子群算法后的链路长度平方和与采用贪婪算法的相比,减少了近一半,第一个死亡节点存活轮数延长了一倍左右,而且能耗更加均衡,验证了所提算法能够有效提高无线传感网络的性能。     

一种基于PSO的有效能量空洞避免的无线传感器路由算法

无线传感器网络路由的一个重要问题是如何有效地均衡整个网络的能量消耗水平,避免形成能量空洞,从而导致整个网络过早死亡.基于无线传感器网络特性,首先将路由问题转化为线性规划问题.并证明了路由问题与线性规划问题的等价性.在此基础上.利用粒子群算法(particle swarm optimization algorithm,PSO)来求解能量空洞避免路由问题.算法重新定义了PSO的粒子、粒子的运算与"飞行"规则,提出了基于PSO的无线传感器路由优化算法.算法不仅能够适用于平面网络,经过稍加改进同样可以适用于层次网络的路由算法.通过理论分析证实了算法的正确性,同时大量的模拟实验证实了算法的有效性.     

一种基于DPSO的无线传感器网络QoS路由算法

针对无线传感器网络中不同业务对服务质量(QoS)的不同需求,提出一种基于离散粒子群优化(DPSO)的无线传感器网络QoS路由(DPSO-QR)算法。算法将路由建立过程抽象为多目标优化过程,以节点间通信的传播损耗、时延、带宽、丢包率为优化目标,利用DPSO算法实现多目标优化,为拥有不同QoS需求的网络业务提供满足其特有需求的优化路由。仿真实验表明:与SAR,EQR算法相比,DPSO-QR算法降低了网络平均端到端时延,减小了丢包率,延长了网络寿命。     

QoS multicast routing using a quantum-behaved particle swarm optimization algorithm

QoS multicast routing in networks is a very important research issue in networks and distributed systems. It is also a challenging and hard problem for high-performance networks of the next generation. Due to its NP-completeness, many heuristic methods have been employed to solve the problem. This paper proposes the modified quantum-behaved particle swarm optimization (QPSO) method for QoS multicast routing. In the proposed method, QoS multicast routing is converted into an integer programming problem with QoS constraints and is solved by the QPSO algorithm combined with loop deletion operation. The QPSO-based routing method, along with the routing algorithms based on particle swarm optimization (PSO) and genetic algorithm (GA), is tested on randomly generated network topologies for the purpose of performance evaluation. The simulation results show the efficiency of the proposed method on QoS the routing problem and its superiority to the methods based on PSO and GA.     

粒子群算法及其在路由优化中的研究

粒子群算法已经被广泛应用在各个领域,具有NP-C性质的QoS路由优化已经成为网络研究中的一个热点问题,粒子群算法所具有的优点成为解决QoS路由优化的有效方式.为进一步推广粒子群算法在路由优化上的应用而提供相关启发,在介绍了粒子群算法的基本原理的基础上,详细综述了其各种重要改进算法,并阐述了粒子群算法目前在路由优化上的应用情况,最后对粒子群算法在路由优化上的研究方向作了展望.     

基于BP分类的粒子群QoS路由算法研究

随机优化的粒子群算法（PSO）在解决待优化问题时,仅利用适应度函数对单个粒子所找到解的优劣进行判断,缺乏对种群总体状态的评估,导致算法经过一定次数的迭代后陷入局部收敛。改进算法BPPSO利用BP神经网络对种群进行状态划分,并根据划分结果对种群实施相应的扰动操作,从种群的角度对算法进行改进。仿真实验表明,改进算法能够增加种群多样性,提高优化精度,较好地解决了Ad Hoc网络的QoS路由问题,从而验证了所提算法的可行性和有效性。     

异步粒子群优化算法在QoS组播路由中的应用

QoS组播路由问题是一个非线性的组合优化问题,已证明了该问题是NP完全问题。为适应下一代IP网络对实时信息传输的要求,在异步模式粒子群优化算法基础上,给出包含延迟、延迟抖动、带宽、丢包率和最小花费5个约束条件在内的QoS组播路由算法。该算法首先给出数学模型,设计适应度函数,再给出受限的网络模型,通过粒子群优化(PSO)算法最大化适应度函数来求解最优Steiner树。算法仿真实验结果表明:与遗传算法和同步模式的粒子群优化算法相比,该算法有较好的收敛速度和寻优效果。     

配电网中基于分簇定位的WSN节点故障定位研究

针对电网故障检测中使用的无线传感器网络节点定位精度较低,分簇不均问题,提出了一种基于DV￣Hop算法改进均值粒子群算法(PSO),首先DV￣Hop算法改进均值粒子群算法中粒子的速度与位移,使动态无线传感器网络重新定位簇头节点坐标更加接近真实值;然后递归神经网络学习算法迭代值逼近最合适的惯性权重值,优化均值PSO粒子群算法使其达到最优搜索能力。最后由Sink节点对每一次动态分簇后网络节点进行数据采集后对电能耗尽的节点进行无线充电。仿真结果表明,改进后的PSO算法比PSO算法聚类分簇误差更小,节点定位配电网故障的精确度提高12.8％,有效地延长了网络生命周期。     

Hybrid metaheuristic algorithm for optimal cluster head selection in wireless sensor network

Clustering is one of the major techniques for maximizing the network lifetime in wireless sensor networks (WSNs). Here, the sensor nodes (SNs) are grouped into clusters and the cluster heads (CHs) are selected for each cluster. CHs gather data from particular cluster nodes and then forward it to Base Station (BS). However, the selection of CHs is the major issue in this scenario. The sensor nodes consume more energy for the data transmission and also affect the lifetime of the network. The clustering technique is used to provide the energy-efficient data transmission that consumes less energy and also increases the network lifetime. This paper aims to propose a new energy-aware CH selection framework by hierarchical routing in WSN via a hybrid optimization algorithm. Moreover, the selection of CH is carried out under the consideration of energy, distance, delay and Quality of Service (QoS) as well. For selecting the optimal CH, a new hybrid algorithm named as Particle Distance Updated Sea Lion Optimization (PDU-SLnO) algorithm is introduced that combines the concept of Sea Lion Optimization (SLnO) and Particle swarm optimization (PSO) algorithm. Finally, the performance of adopted method is computed over other traditional models with respect to certain metrics.     

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。