基于自适应ACO的多约束QoS路由研究

为了解决无线传感器网络QoS（Quality of Service,QoS）路由在寻找最优路径时要满足时延、抖动、能量等多个约束条件的问题,提出一种新的自适应蚁群优化算法,该算法有两方面的自适应策略。将信息素挥发因子[ρ]设置为动态自适应,在自适应因子[μ]作用下动态变化,增强算法的寻优能力,避免算法陷入局部最优;以多约束为条件建立加权的适应度函数,通过适应度函数值与自适应因子[μ]共同影响路径上的信息素更新,增强算法的收敛速度。通过仿真实验表明,该算法在满足多约束条件方面具有良好的效果。     

基于改进蚁群优化算法的无线传感器网络路由研究

无线传感器网络为能量受限系统,为了促使网络节点能量消耗相对均衡,将蚁群优化(ACO)算法应用于无线传感器网络的路由选择,提出一种基于能量均衡的无线传感器网络路由算法。该算法将节点能量作为转移概率规则启发因子,通过计算转移概率和适应度值找到最优路径。仿真结果表明:该算法可以显著减低网络总能耗,从而延长无线传感器网络的生命周期。     

基于改进猫群算法的物联网感知层路由优化策略

针对物联网感知节点能量受限造成的数据传输瓶颈问题,提出一种基于改进猫群算法的路由优化策略。通过对猫群优化算法进行改进,根据迭代次数、路径节点能量与适应度值动态调整猫的分配率、记忆池和惯性权重,使其具有动态自适应性。在生成路径时综合考虑路径剩余能量方差、节点能量、节点负载、节点间距离等因素,并引入备份路由思想,保证数据传输的实时性。仿真结果表明,该优化策略能够有效减少最优路径建立时间并均衡网络能耗,延长物联网感知层网络的生命周期。     

无线传感器网络中的节能路由算法研究

对无线传感器网络的节点能耗不均衡和传输时延的问题进行了研究,提出一种新的路由算法。该算法通过建立最小跳数和对节点剩余能量的保护,使得数据包沿着能耗最优的路径向Sink节点发送。在MATLAB环境下对该机制进行了仿真实验。实验结果表明,该算法能降低能耗,均衡和延长网络生存时间。     

无线传感器网络路径寻优的仿真研究

研究无线传感器网络路径寻优问题.针对无线传感器网络路径寻优同时涉及到数据传输路径的长度、传感器节点能量以及整个网络的能量均量均衡,传统的数学模型对其进行求解存在求解时间长,速度慢,得到的路径并非最优,导致网络的能量不均衡,网络生命周期短.为了快速找到传感器网络最优路径,提出一种传感器路径混合寻优方法.算法首先利用遗传算法进行全局寻优,使网络最优路径稳定地分布在解空间区域,然后采用禁忌算法进行网络路径局部寻优,最后找到无线传感器最优路径.仿真结果表明,混合算法能快速找到无线传感器网络最优路径,且消耗的能量最少,有效实现了网络负载均衡,延长了网络的生命周期.     

基于蚁群策略的无线传感器网络能耗均衡分簇算法

在多跳路由中簇头选择控制因子单一的问题将缩短整个无线传感器网络的生存周期。为此,以剩余能量、节点度和连接距离为依据构造适应度函数,根据簇头评估函数值来保证簇头的最优选择。同时加入适应度因子和剩余能量权衡因子优化蚁群算法,有效控制完整路径中信息素的增减量,以此应用到数据在簇头间的多跳传输,保护了低能量的簇头,有利于各节点能耗趋于平均值,使网络可以更加持久地监测和传输数据。与LEACH和HEED算法相比,本文算法在能耗均衡、生存周期延长方面更加有效。     

无线多媒体传感器网络能量均衡的QoS路由算法

为保障能量受限的无线多媒体传感器网络(WMSNs)多服务质量(QoS)需求,提出了一种能量均衡的QoS路由(EBQR)算法。该算法通过蚁群优化将网络带宽、时延、丢包率和能量等因素作为目标函数,并根据函数值大小动态调整蚁群信息素的挥发系数和浓度增量,提供网络业务中满足不同QoS需求的最优路径。仿真结果表明:与AntWMSNs算法和ASAR算法相比,EBQR算法平均端到端时延降低了16%,丢包率减少22%,生命周期延长了近50%,有效实现了网络中节点能耗的均衡性。     

基于适应度函数的无人船遗传算法航径规划

遗传算法通过适应度函数选取最优的路径,采用了无人船转弯半径来改进适应度函数,实现无人船遗传算法航径规划。考虑到无人船机动性能对航迹平滑性的要求,在初始种群中利用贝塞尔曲线优化方法,将原有的折线路径优化成光滑的曲线路径;在适应度函数中添加曲率判断,以无人船最小转弯半径为约束条件,设置曲线路径的最大曲率,最后通过适应度函数筛选出符合约束条件的光滑路径。仿真结果表明,所提出的方法能获得符合无人船最小转弯半径约束的光滑路径,相比于平滑算法,该方法的曲率更小,收敛速度更快。     

无线传感网络能量有效负载均衡的多路径路由策略

由于无线传感网络中网络节点的能量受限性,路由成为最受关注的问题.鉴于多路径传输既要考虑能量节约,又要考虑负载均衡,提出了一种新型能量有效负载均衡的多路径路由算法.该算法综合考虑了路径的跳数、节点剩余能量和网络的能量状况,数据沿着最小跳数或路径关键能量比较高的路径传输,降低了网络的能量消耗,也避免关键节点的过量负载.实验结果验证了和传统的AODV算法相比该算法在分组投递率、端到端时延和死亡节点出现的数量方面的优势.     

基于最小生成树的非均匀分簇路由算法

发现现有的针对非均匀分簇路由算法没有充分考虑簇首与基站之间最优路径选择,而导致传输路径上的能量消耗不均衡的问题。为了更好地均衡传输路径上节点能量的消耗,提出了基于最小生成树的非均匀分簇的路由算法。该算法利用节点剩余能量和节点到基站的距离选举簇首,然后通过建立最小生成树搜寻最优传输路径,这样可以减少传输路径上的能量消耗,有效地解决能耗不均衡问题。理论分析和实验结果均表明,该算法无论在存活节点个数还是在能量消耗上都明显优于EEUC算法和EBCA。     

求解24数码问题的改进遗传退火算法

针对具有巨大搜索解空间的24数码问题,提出了一种基于改进遗传模拟退火算法的求解方法。依据问题特征,设计了个体编码方法、高效的适应度评价函数和遗传操作算子,通过在遗传算法中引入模拟退火的Boltzmann更新机制,克服了传统遗传算法易于过早收敛和易于“卡住”陷入局部极小的问题。仿真实验结果表明,提出的算法能够快速搜索到问题的解,算法对其他组合优化问题也具有应用价值。     

PAC模型中能量系数与轮廓线的同步优化

提出一种对参数活动轮廓模型中能量系数和轮廓线进行同步优化的方法,并初步探讨对能量系数学习问题。该方法借鉴免疫优化思想,以能量系数和轮廓线构成的四维向量为解,以控制点移动次数和目标分割误差为评价指标,通过免疫克隆选择算法和贪婪算法的有机融合,实现能量系数和轮廓线的同步优化。仿真实验结果表明,该方法是有效的。     

无线传感器网络簇头多跳路径路由算法

在LEACH协议特定簇头选取(DCHS)算法的基础上,提出了一种基于蚁群优化(ACO)的簇头间多跳路径(ACO-CHMP)路由算法。该算法先采用DCHS算法分簇,在稳态运行阶段,利用改进的ACO算法找到从距基站最近簇头节点到基站的遍历所有簇头节点的最优路径,然后从该簇头节点开始沿着最优路径进行数据传输到基站。仿真结果表明:与LEACH算法、DCHS算法和ACO算法相比,该算法极大地均衡了网络的能量消耗,延长了无线传感器网络生命周期。     

动态灾害环境下多对多物资配送路径规划方法

动态灾害环境下多对多物资配送路径规划问题具有重大的现实意义,它需要在路径规划的同时应对路网环境随时间的变化,并找到不同应急物资储备点、配送点之间的最佳对应关系,同时保证求解的时效性和成功率。目前的静态预案规划方法（SPO）和动态路径规划方法（DPO）难以确保动态灾害环境下求解效果的理论最优性,甚至可能导致部分配送点不能及时获得应急物质的配送。通过对基于涟漪扩散算法（RSA）的协同进化路径优化（CEPO）方法的修改将其扩展到动态灾害环境下多对多问题的求解,实现通过一次离线运算得到动态灾害环境下多对多路径优化问题的理论最优解。并通过实验验证了该方法的可行性和优越性。     

基于Grid-VFACO的数字化车间WSNs路由算法

针对数字化车间中无线传感器网络(WSNs)对数据采集频率高,能量消耗快,提出了基于网格和虚拟力导向的蚁群优化(Grid-VFACO)高能效WSNs路由算法。该算法根据最优簇首数将数据采集区划分成网格,在网格中采用基于候选者的机制选择簇首,实现簇首均匀分布。在簇首形成的上层网络中,利用节点间的虚拟吸引力作为蚁群算法中转移概率规则启发因子,寻找最优数据转发路径。仿真实验结果表明:该算法能够有效减少网络能耗,保证数字化车间WSNs长时间稳定地工作。     

基于Q学习量子蚁群的微纳卫星路由算法

在微纳卫星网络中,传统蚁群路由算法不能同时保证数据传输的安全性和网络业务的服务质量,且易陷入局部最优解,收敛速度较慢。为解决上述问题,提出一种实现多目标优化的Q学习量子蚁群路由算法。该算法在选择下一跳节点的转移概率时,将路径的平均信任值和路径的费用作为两个优化目标,构成最优路径的节点性能指标,保证数据传输的安全性和网络业务服务质量。在考虑路径费用函数时,将量子计算引入到状态转移概率计算中,避免陷入局部最优解,并在算法中引入Q学习的思想,将信息素映射成Q学习的Q值,强化算法在动态环境中的学习能力,以提高路由的整体性能。仿真结果表明,与蚁群优化算法和改进的蚁群多约束路由算法相比,Q学习量子蚁群路由算法明显改善包投递率、平均端到端时延和节点平均能耗等性能指标,避免了蚁群算法易陷入局部最优解,提高了收敛速度,可适用于具有高速移动节点的微纳卫星网络。     

基于TSP的构建系统发生树的蚁群算法

受TSP问题的启发,提出一种基于TSP构建系统发生树的蚁群算法（TSP-PTC）。该算法将物种集合用一个带权图G表示,并利用蚁群算法在图中搜索一条最优路径,最终系统发生树用最优路径及距离矩阵构建而成。用该方法构建出来的系统发生树是一棵带权树,它不仅可以表示物种之间的进化关系,而且可以粗略地表示出物种之间的进化时间。     

基于Softmax回归的电力仪表分类

智能电网中变电站的智能化。要求变电站能够智能检测并记录反映其运行情况的开关状态、电表数据。现有的方法多是通过获得电表的图片,针对图片分析其状态、数据。然而在分析具体电表数据之前,需要对图片进行分类,判断当前图片对应哪一种电表。基于Softmax回归的电力仪表分类正是为了解决这个问题而提出的分类方法。分为图片预处理、降维、Softmax回归模型的训练三个步骤。在真实变电站电力仪表图片组成的实验数据测试下,能够保持非常高的识别率,从而有效地解决这一问题。     

使用蚁群优化的WMSNs负载均衡路由方案

由于无线多媒体传感器网络（WMSNs）具有资源受限、信道容量可变、数据冗余度高等特点,研究WMSNs的QoS 路由具有极大的挑战性。针对上述问题,提出了一种使用蚁群优化的WMSNs负载均衡路由方案——ACOLBR。ACOLBR采用分簇技术进行区域划分,簇间利用ACO找到一条簇首到基站的最优路径,簇内利用以簇首为根节点的最小生成树算法组织路由。仿真结果表明,与AGRA和M-IAR算法相比,ACOLBR在负载均衡、传输时延、传输成功率、可扩展性和自适应性等方面均有较大改进,实现了全网的负载均衡,有效地延长了网络生命期,保证了网络传输的QoS。