改进灰狼优化算法在WSN节点部署中的应用

根据无线传感网络节点在随机部署时存在聚集程度高导致覆盖率低的问题,提出了一种改进的灰狼优化算法,并将其应用于无线传感网络节点的优化覆盖.首先,利用混沌算法进行算法种群的初始化,以提高种群多样性;其次,在灰狼算法的基础上改进其收敛因子,平衡全局和局部搜索能力,提高算法中后期的优化能力;最后,对δ狼进行融合变异以改善局部极值问题.仿真实验表明,将改进后的灰狼优化算法应用于WSN节点部署优化中,与标准灰狼优化算法相比加快了优化速度,网络覆盖率提高了3％.     

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。     

融合莱维飞行与混合变异的蝠鲼觅食优化传感器节点覆盖策略

为了解决无线传感器网络节点分布不均,导致有效网络覆盖率较低的问题,提出一种融合莱维飞行与混合变异的蝠鲼觅食优化传感器节点覆盖策略M-MRFO。首先,在蝠鲼种群初始化生成方面引入广义对立学习机制,提高种群在搜索空间内的多样性和算法遍历性;其次,结合莱维（Levy）飞行机制对算法的权重因子和翻滚因子进行调整,通过Levy飞行的随机跳跃式搜索提高种群的全局寻优能力;最后,提出针对精英个体的高斯分布和柯西分布混合变异方法,使算法具备跳离局部最优的能力。将改进算法应用于传感器节点的网络覆盖优化中,利用蝠鲼种群启发式觅食行为模式对节点部署位置迭代寻优。实验结果表明,与标准蝠鲼觅食优化算法MRFO、改进差分进化算法IDEA和混合改进蚁狮算法MS-ALO相比,改进算法M-MRFO能够有效降低节点冗余,更均匀地实现节点部署,提高网络覆盖率。     

基于改进萤火虫算法的覆盖优化方法

针对无线传感器网络中目标区域仅部署静态节点和移动节点时,分别存在覆盖率低和成本高的问题,提出一种基于改进萤火虫算法的覆盖优化方法。首先,将静态和移动传感器节点随机部署在目标区域内,改进位置公式和步长因子,提高全局搜索能力,加快搜索速度;其次,利用改进萤火虫算法初步确定移动传感器节点的候选目标位置;最后,通过目标位置优化方法得到节点的最佳目标位置,从而完成覆盖优化。仿真结果表明,与基于PSO算法和CS算法等启发式算法的覆盖优化相比,该优化方法能够缩短平均移动距离,提高网络覆盖率,节省节点能量,延长网络生命周期。     

无线传感器网络覆盖优化算法研究

无线传感器网络覆盖控制是研究高密度部署的无线传感器节点集选问题.针对网络严重的冗余问题,影响网络的优化机制.为了有效控制网络节点能量、提高感知质量、大大延长网络的生存时间,采用覆盖优化算法.以网络有效覆盖率和节点最小利用率为优化目标,提出一种混合杂交算法的优化覆盖机制,在算法中扩展杂交算子可增强混合算术杂交算子局部搜索能力.采用改进方法进行仿真,结果表明混合杂交方法能快速收敛到更精确的解,从而更好地降低了网络冗余,延长网络的生存时间.     

改进双边滤波与平均 γ 矫正的图像增强

为了提高无线传感器网络节点覆盖率,均衡能量利用,提出一种基于动态分级蝴蝶优化算法的节点部署策略。为了提高传统蝴蝶优化算法的寻优精度和速度,引入混沌映射进行种群初始化,确保种群多样性;采用动态分级策略,根据种群个体适应度,将种群划分为差质、中等和优质三种等级,并分别利用黄金正弦变异、惯性权重位置更新和精英引导对三类种群优化,提高算法收敛速度,增强摆脱局部极值的能力。应用动态分级蝴蝶优化算法求解传感器节点覆盖优化问题,将融合覆盖率、能量均衡和节点闲置率的目标函数作为适应度函数,对节点部署位置迭代寻优。实验表明,改进蝴蝶优化算法能够有效实现节点优化部署,提高网络覆盖率,以均衡的能量使用,提升网络生存时间。     

RGA-D：一种无线传感器网络覆盖优化方法

研究了无线传感器网络覆盖优化问题,针对传感器节点随机部署、分布不均,传统覆盖优化算法一般只考虑网络部署后单次优化的问题,提出基于节点冗余和覆盖集冗余的计算方法,用网络的局部特征表征全局特征,改进了网络覆盖模型。并在此基础上提出RGA-D算法,利用遗传算法计算覆盖集,同时考虑节点和覆盖集冗余度,对网络整个生存期进行全局优化。仿真实验表明,RGA-D算法能在活跃节点数和网络覆盖率之间达到平衡,解决了网络生存期后期容易出现覆盖盲区的问题。     

融合浓度平衡和菲克定律的新平衡优化器算法

针对平衡优化器算法（equilibrium optimizer,EO）出现的收敛速度慢、算法精度不够、开发和搜索阶段信息不平衡等问题,提出了融合浓度平衡和菲克定律的新平衡优化器算法（new equilibrium optimizer,NEO）。根据布朗运动和扩散现象,不同浓度区域的粒子采取不同的浓度平衡机制,改进算法平衡池,提高种群间的信息交流能力;在算法参数中引入幂函数和指数函数两种自适应因子,进一步平衡全局搜索和局部开发能力,使得粒子种群在解空间中进行广泛搜索和深度挖掘;根据菲克定律,在粒子位置更新公式中引入扰动机制,提高算法寻优精度和收敛速度。采用24个基准测试函数和Wilcoxon 秩和检验,将NEO算法和其他智能优化算法进行仿真实验对比,结果表明NEO算法具有良好的优化性能。     

求解大规模函数优化的粒子群优化算法

针对大规模全局函数优化的维数制约求解性能的问题,提出一种多策略混合进化的粒子群算法.为平衡算法的勘测与开采能力,利用种群分割思想将进化种群分为精英、优质、中等和劣质种群;为增强算法的全局搜索能力,劣质种群向精英种群进行对称学习;为增强算法的局部搜索能力,采用局部高斯扰动增强中等种群中粒子的局部勘测能力;为提升算法的搜索效率,精英以及优质种群直接进入下一代.借助两种标准测试集,比较性的实验结果表明,提出的算法在相同终止条件下,其寻优质量有明显优势,有较好的应用潜力.     

基于混合策略改进的鲸鱼优化算法

针对标准WOA算法初始种群分布不均、收敛速度较慢、全局搜索能力弱且易陷入局部最优等问题,提出一种混合策略改进的鲸鱼优化算法。采用Sobol序列初始化种群以使初始解在解空间分布更均匀;通过非线性时变因子和惯性权重平衡并提高全局搜索及局部开发能力,并结合随机性学习策略增加迭代过程中种群的多样性;引入柯西变异提升算法跳出局部最优的能力。通过对12个基准函数和一个水资源需求预测模型的参数估计进行优化实验,结果表明,基于混合策略改进的鲸鱼优化算法在寻优精度及收敛速度上均有明显提升。     

基于差分演化和粒子群优化的改进WSN覆盖算法

动态部署传感器节点随机性大,无法保证特定目标区域的覆盖质量,引入智能优化算法后有效提高了节点动态部署的质量,但一般的智能优化算法在动态部署时存在“早熟”等缺陷。为了进一步提高节点动态部署的质量,针对节点的覆盖问题进行研究,结合粒子群优化和差分演化的优点,前期用粒子群优化算法,发挥粒子群擅长前期搜索收敛较快的特点,后期用差分演化算法,发挥差分演化擅长局部搜索的特点,这样取双方所长,克服双方所短,从而使算法有更好的搜索能力。仿真结果表明,本文提出的算法相对于改良惯性权重的粒子群算法、结合虚拟力的粒子群算法以及基本差分演化算法,具有更好的搜索能力,优化后的网络覆盖率更高。     

融合混沌对立和分组学习的海洋捕食者算法

针对海洋捕食者算法存在收敛速度慢、不易逃出局部最优的缺点,提出了一种改进海洋捕食者算法。将混沌映射与对立学习策略相结合,在保证遍历性和随机性的同时,生成高质量的初始猎物种群。引入自适应t分布变异算子更新种群,增加种群多样性,避免陷入局部最优。对更新后的种群,按照适应度分为精英组和学习组,学习组向精英组猎物的平均维度进行学习,精英组内的猎物相互维度学习,进一步提高种群质量和搜索精度。选取15个测试函数,通过对比测试,验证了改进后的算法可以有效提高原算法的收敛速度和寻优精度。将改进后的算法应用于无线传感器网络覆盖优化,实验结果显示,改进后的算法提高了网络覆盖率,优化后的节点分布更加均匀。     

基于停滞检测的双向搜索灰狼优化算法

针对灰狼优化算法（GWO）易陷入局部最优、收敛速度低的问题,提出了一种基于停滞检测的双向搜索灰狼优化算法（DBGWO）。为了提升初始种群的质量,引入了Bernouilli shift映射;为了充分利用GWO特有的头狼机制,实现整体提升算法性能的目的,提出一种双向搜索策略;为了提升算法跳出局部最优的能力、增加算法的收敛速度,提出一种停滞检测机制,针对算法是否有陷入局部最优风险的判断,狼群会采取相应的措施改变当前状态。通过对23个基准测试函数进行仿真实验结果表明,所提算法在求解多峰函数问题上效果显著,同时在求解最优解非0点的函数问题上表现也较为优越。将该算法用于求解多阈值图像分割问题,解决了用Kapur熵法计算多阈值时耗时过长的问题。     

基于改进正弦余弦算法的无线传感器节点部署优化

为了提高无线传感器网络（WSN）的性能，提出了一种基于改进正弦余弦算法（ESCA）的节点部署优化方法。首先，引入双曲正弦调节因子和动态余弦波权重系数，以平衡算法的全局探索与局部开发能力；然后，提出了一种基于拉普拉斯和高斯分布的变异策略，避免算法陷入局部最优。对于基准函数的优化实验结果表明，ESCA相比引力搜索算法、鲸鱼优化算法、基本正弦余弦算法（SCA）及其改进算法具有更高的收敛精度和收敛速度。最后，将ESCA应用于WSN节点部署优化，结果表明其优化覆盖率相比改进粒子群优化算法、外推人工蜂群算法、改进灰狼优化算法和自适应混沌量子粒子群算法分别提高了1.55个百分点、7.72个百分点、2.99个百分点和7.63个百分点，用更少节点便可达到相同目标精度。     

改进灰狼算法及其应用

为提高灰狼算法的探索与开发能力,提出一种改进的多策略灰狼算法。在标准灰狼算法基础上加入对立搜索策略,提高算法收敛速度;引入正弦余弦搜索策略,提高算法的寻优精度;引进自适应局部搜索策略,避免算法陷入局部最优解,提升算法全局勘探开发能力。8个Benchmark函数的仿真实验结果表明,改进算法显著提升了算法的寻优精度和收敛速度。将改进的灰狼算法结合最小二乘支持向量机应用于加氢裂化数据建模问题,仿真取得了较好的结果,进一步验证了改进算法的有效性。     

自适应t分布与动态边界策略改进的算术优化算法

针对算术优化算法（arithmetic optimization algorithm, AOA）存在的收敛速度慢、易陷入局部最优等问题,提出了自适应t分布变异和动态边界策略改进的算术优化算法（t-CAOA）。利用引入自适应t分布变异策略提高种群的多样性和质量可以有效提升算法的收敛速度,同时通过引入余弦控制因子的动态边界策略优化AOA的寻优过程,从而协调AOA的全局勘探和局部开发能力。对10个单模态和多模态函数进行寻优实验,并与鲸鱼优化算法（whale optimization algorithm）、灰狼优化算法（grey wolf optimizer）等算法进行对比,实验结果表明,经过改进的算术优化算法具有更高的寻优精度和稳定性。进一步对t-CAOA进行求解大规模优化问题的实验,实验结果表明改进过的t-CAOA可以有效地解决大规模优化问题。     

城市灾区无人机网络自适应覆盖优化算法

城市灾区中,地面用户节点的移动特性使得应急网络覆盖成为难题。针对城市灾区移动用户节点的应急网络覆盖优化问题,提出一种无人机网络自适应覆盖优化算法。对布谷鸟搜索算法进行改进,并对目标函数进行优化调整,将城市灾区地面用户节点的移动模型应用于改进的布谷鸟算法模拟中,最终实现对城市灾区重点区域移动用户的自适应覆盖优化。仿真结果表明,所提算法与相同实验环境下的标准布谷鸟算法（CSA）和模拟退火算法（SAA）相比,对重点区域的覆盖率分别提升了2.98个百分点和1.87个百分点。多次实验表明无人机网络的覆盖率、连通性及路径损耗稳定,且随着仿真时间变化,应急网络的性能稳定。证明了该算法不仅能够对城市灾区移动节点提供稳定的动态网络覆盖,有较强的全局以及局部寻优能力且能够更加有效地提高对重点区域的覆盖率。