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。     

基于粒子群算法的无线传感网络覆盖优化策略

无线传感器网络覆盖控制是研究在保证服务质量条件下,为了实现网络覆盖范围的最大化.采用覆盖优化策略及算法的应用,有助于网络节点能量的有效控制、感知服务质最的提高和网络生存时间的延长.提出基于概率测量模型的粒子群优化策略,以网络有效覆盖率为优化目标,通过粒子群算法实现覆盖控制并详细分析了传感半径对覆盖性能的影响.仿真实验表明,粒子群优化策略的有效覆盖率达到了85.63%,能有效地实现无线传感网络覆盖优化.     

无线传感网络覆盖算法及仿真研究

研究无线传感器覆盖算法,针对标准粒子群算法的网络覆盖存在收敛速度慢、易于陷入局部最优值的问题,为满足动态节点选择实时性的要求,提出一种多粒子群的无线传感网络覆盖算法.以无线传感器最大覆盖率为目标函数,通过多个粒子群彼此独立地搜索解空间,加大粒子的搜索范围,减小陷入局部最优的可能性.采用进化粒子,使粒子覆盖更有效率,提高了算法的寻优能力,有效地避免了标准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,与标准粒子群算法、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%,证明粒子进化的多粒子群方法有效地优化无线传感网络,实现节点选择的实时性要求.     

基于混沌粒子群的有向传感器网络覆盖优化

研究有向传感器网络覆盖控制问题,全向传感器不能直接应用于有向传感器网络.为改善有向传感器网络覆盖性能,在分析有向感知模型的基础上,提出了应用混沌粒子群的有向传感器网络覆盖优化算法,可随机部署有向传感器网络,以网络区域覆盖率为优化目标,利用粒子群算法较快的收敛速度和混沌搜索的遍历性、随机性,通过调整传感器节点的主感方向,减少网络感知重叠区和感知盲区.仿真结果表明,改进算法能有效提高网络覆盖率.与基本粒子群等覆盖优化算法相比,改进算法覆盖优化性能更好.     

WSNs覆盖的拟物力导向粒子群优化策略

针对无线传感器网络的重复覆盖和算法耗时问题,提出一种拟物力导向的粒子群覆盖优化策略。通过仿真实验对该策略进行优化性能测试,与粒子群算法、粒子进化的多粒子群算法、传统遗传算法和新量子遗传算法的优化效果相比,该策略覆盖率分别提高9.5%、1.7%、6.03%和3.71%,收敛速度分别提高23.2%、1.8%、24.5%和24.5%。结果表明该优化策略具有比上述4种算法更好的覆盖优化效果。     

基于改进粒子群算法的WSN覆盖优化策略

为了实现WSN网络覆盖范围的最大化,延长网络寿命,本文在标准粒子群算法的基础上提出了一种无线传感器网络覆盖优化策略。通过粒子分簇并行搜索,采取碰撞理论使陷入局部最优的粒子迅速跳出,有效地避免了标准粒子群算法容易出现的“早熟”问题,提高了算法的稳定性。通过仿真实验分析了分簇数和碰撞阈值对覆盖性能指标的影响,仿真实验结果表明基于碰撞理论的分簇粒子群算法覆盖策略有效地优化了网络的覆盖性能。     

基于粒子群优化和遗传算法的协同聚类算法

为充分发挥粒子群优化算法和遗传算法各自的优势,提出一种新的基于粒子群和遗传算法的协同进化算法,并将其应用于聚类分析。通过构建2个相互竞争的种群,采用相对适应度度量方法,在一个纯自举的过程中产生最优竞争个体。在现实世界数据集上的仿真实验表明,该算法在收敛精度方面优于基于遗传算法的聚类方法和基本粒子群优化聚类算法。     

网络节点覆盖优化仿真研究

为了提高无线传感器网络节点的覆盖率,延长网络生存时间,在分析基本粒子群优化算法缺陷的基础上,提出一种逃逸粒子群算法的网络节点覆盖优化方法.首先以网络覆盖率作为优化目标,然后采用逃逸粒子群算法进行求解,求解过程中,引入遗传算法交叉机制保持粒子群的多样性,防止“早熟”现象出现,并采用动量算法对粒子搜索轨迹进行平滑,加快收敛速度,最后通过仿真测试算法的性能.仿真结果表明,逃逸粒子群算法克服了基本粒子群算法存在的覆盖率低的缺陷,获得了更好无线传感器网络节点覆盖率优化效果.     

基于混沌粒子群算法的无线传感器网络覆盖优化

为了改善传感器节点随机部署时的不合理分布,提高网络覆盖率,以网络覆盖率为优化目标,提出了基于混沌粒子群的无线传感器网络覆盖优化算法。该算法利用混沌运动的遍历性和随机性,克服了粒子群算法后期陷入局部最优的缺点。仿真结果表明,该算法比基本粒子群算法具有更好的覆盖优化效果。     

无线传感网络覆盖的多步长粒子群优化研究

为了改善无线传感网络的网络性能,提高网络的覆盖率,实现网络覆盖范围的最大化,延长网络寿命,在多步长粒子群算法的基础上提出以网络覆盖率为优化目标的覆盖优化策略。该策略针对不同的个体情况改变粒子的最大飞行速度,实现粒子的多步长搜索,有效地解决了粒子群算法容易出现的早熟问题。仿真实验表明,与粒子群算法相比,多步长粒子群算法的有效覆盖率由74.76%提高到82.66%,到达收敛的迭代次数由360次减少到283次,收敛速度提高了21.4%。因此多步长粒子群优化策略比粒子群算法在无线传感网络覆盖优化上具有更好的效果。     

改进PSO算法优化LSSVM模型的短期客流量预测

旅游客流量的准确预测为旅游目的地资源优化配置、景区战略计划制定提供有效依据。为了提高景区日客流量的预测精度,提出基于改进粒子群算法（Particle Swarm Optimization,PSO）优化最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的预测方法,针对PSO算法的惯性权重在采取线性递减策略时不能满足粒子寻优非线性变化的缺陷,从种群中粒子的聚合程度以及种群进化中粒子适应度同惯性权重的关系出发,利用对数函数非线性变化的特性,提出基于对数函数的惯性权重自适应调整方法（Adaptive Logarithmic Particle Swarm Optimization,ALPSO）。通过改进的PSO算法优化LSSVM的参数,建立山岳型风景区日客流量的预测模型。以黄山风景区2012-2015年景区每日上山人数为例,实验结果证明,与基于标准PSO算法、正弦粒子群算法（Sinusoidal Particle Swarm Optimization,SPSO）和高斯粒子群算法（Gaussian Particle Swarm Optimization,GPSO）优化的LSSVM模型相比,ALPSO-LSSVM模型的预测性能更好,是准确预测景区日客流量的有效方法。     

改进VFPSO算法于WSN节点随机部署中的应用

无线传感器网络（Wireless Sensor Network,WSN）节点的随机部署一直是WSN覆盖的核心问题之一。尽可能提升WSN的覆盖质量对延长网络的生命周期起着重要的作用。虚拟力-粒子群优化（Virtual Force Particle Swarm Optimization,VFPSO）算法因虚拟力的引入使PSO算法的优化性能有所提升,但PSO算法的早熟问题仍未得到有效改善。在VFPSO算法的基础上提出了一种维度选择机制,主要目的在于改善VFPSO算法中后期的优化能力。仿真结果表明,将采用维度选择机制后的VFPSO算法应用于WSN的覆盖优化中,覆盖率较其他优化算法有3%~5%的提升。     

一种最优粒子逐维变异的粒子群优化算法

针对粒子群算法(Particle Swarm Optimization,PSO)容易陷入局部最优、收敛速度过慢、精度低等问题,提出一种新的变异策略,对全局最优粒子进行逐维的重心反向学习变异.逐维变异降低了维间干扰,通过更新全局最优位置引领粒子向更好的位置飞行,同时加强了种群的多样性.仿真实验与基于柯西变异的混合粒子群算法(HPSO)及重心反向粒子群优化算法(COPSO)在9个标准测试函数上进行了对比.实验表明逐维重心反向变异算法(DCOPSO)具有较高的收敛速度及精度.     

基于向量求值的QPSO算法在多目标优化中的应用

在分析了VEGA和VEPSO解决多目标问题的基础上,研究了基于量子行为的微粒群优化算法(QPSO)解决多目标问题,并提出一种基于向量求值的QPSO多目标优化算法,即VEQPSO。在VEQPSO算法中改进了粒子的进化公式,通过典型的多目标测试函数所做的实验,验证了该算法解决多目标问题的有效性。     

MQPSO: 一种具有多群体与多阶段的QPSO算法*

提出了一种改进的QPSO(Quantum-behaved Particle Swarm Optimization)算法,即一种具有多群体与多阶段的具有量子行为的粒子群优化算法.在该算法中,粒子被分为多个群体,利用多个阶段进行全局搜索,这样可以有效地避免粒子群早熟,提高了算法的全局收敛性能.对几个重要测试函数的测试结果证明,MQPSO算法的收敛性能优于标准粒子群算法(Standard Particle Swarm Optimization, SPSO)以及QPSO算法.     

一类非线性极小极大问题的改进粒子群算法

针对一类非线性极小极大问题目标函数非光滑的特点给求解带来的困难,利用改进的粒子群算法并结合极大熵函数法给出了此类问题的一种新的有效算法。首先利用极大熵函数将无约束和有约束极小极大问题转化为一个光滑函数的无约束最优化问题,将此光滑函数作为粒子群算法的适应值函数;然后用数学中的外推方法给出一个新的粒子位置更新公式,并应用这个改进的粒子群算法来优化此问题。数值结果表明,该算法收敛快﹑数值稳定性好,是求解非线性极小极大问题的一种有效算法。     

三段式粒子群算法在车辆调度问题中的应用

针对标准粒子群算法在解决车辆调度问题上的不足,提出了一种基于整数编码的粒子群优化策略。它依据粒子群算法中粒子进化的思想,给出了三段式保优方法,重新定义了粒子进化速度和位置更新的方式。结合Floyd算法对调度模型进行了仿真验证分析。结果表明,该策略具有较好的寻优能力。     

一种改进的RBF神经网络参数优化方法

提出了一种改进的RBF神经网络参数优化算法。通过资源分配网络算法确定隐含层节点个数,引入剪枝策略删除对网络贡献不大的节点,用改进的粒子群算法对RBF网络的中心、宽度、权值进行优化,使RBF网络不仅可以得到合适的结构,同时也可以得到合适的控制参数。将此算法用于连续搅拌釜反应器模型的预测,结果表明,此算法优化后的RBF网络结构小,并且具有较高的泛化能力。