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.     

一个能量有效的无线传感器网络局部式覆盖算法

覆盖问题是无线传感器网络中的一个重要问题.由于WSN中传感器节点能量受限和冗余的特点,可以通过节点调度实现网络的能量有效性.提出了改进的局部式覆盖算法,通过将传感器节点划分成覆盖集来实现节点调度.算法充分考虑传感器节点的监测能力,选择加入覆盖集中的节点,提高了传感器节点的利用率.理论分析和仿真实验表明:算法在划分覆盖集...     

一种增强型麻雀搜索算法的无线传感器网络覆盖优化研究

为了有效提高无线传感器网络的节点覆盖率,提出了一种增强型的麻雀搜索算法.首先引入非线性收敛因子,平衡算法全局寻优和局部探索能力,然后将自适应τ分布的柯西变异算子融入到麻雀搜索算法,使麻雀个体受局部极值点约束力下降,快速跳出局部最优,最后采用一种新颖的越界处理方法,更加合理的处理麻雀个体越界重定位问题.将该算法应用到无线传感器网络覆盖优化中,结果表明该算法提高了网络覆盖率,有效减少了节点冗余,优化节点分布更加均匀.     

基于冗余信息的多传感器数据融合算法研究

针对当前数据融合算法中存在的静态融合和计算量问题,提出了一种基于冗余信息的多传感器数据融合算法,首先,利用强跟踪滤波算法完成对于局部状态的估计,然后,依据局部状态估计值之间的冗余信息判定局部状态自身的可信度,从而实现对其权系数动态的合理分配。通过Monte-Carlo仿真验证了该算法的有效性。     

噪声特性未知的多传感器协方差交叉融合姿态估计

针对噪声特性未知的多传感器航天器姿态估计过程中互协方差未知的问题, 提出一种鲁棒的协方差交叉(CI) 融合算法. 首先采用容积卡尔曼滤波(CKF) 器获取局部的估计信息; 然后以最小化非线性性能指标为原则求取局部的估计信息权重; 最后使用CI 算法融合各局部估计信息. 此外, 对于由四元数描述航天器姿态时存在的冗余问题, 采用了以误差四元数和误差广义罗德里格参数相互切换的方法来替代. 仿真结果验证了所提出算法的有效性.

     

基于ＸＧＢｏｏｓｔ的无线传感器网络冗余数据检测算法

无线传感器网络中冗余数据过多会影响无线传感器网络的安全运行,为提升无线传感器网络的运行安全性,设计一种无线传感器网络冗余数据XGBoost检测算法。首先对网络缺失数据实施插补处理,并依据局部近邻算法对网络数据实施降维。然后采用设计的XGBoost算法,提取无线传感器网络数据冗余特征,建立无线传感器网络的数据分类模型。最后依据数据的分类结果,实现无线传感器网络的冗余数据检测。仿真分析结果表明,所提方法的检测正确率为97.59%、检测召回率为95.00%、检测F1值为65.87%,具有较好的检测效果,能够有效提升无线传感器网络的运行安全性。     

基于服务部署的高可用模型及其可用性分配算法

传统高可用系统存在可扩展性较差的问题.文中提出基于服务部署的高可用系统模型,利用对计算资源与存储资源的分离管理实现虚拟高可用服务节点,通过不同服务间共享冗余资源提高资源利用率,有效解决可扩展性问题.基于服务部署高可用系统的关键问题为如何根据服务可用性期望值和使用模式等合理分配资源.针对本系统可用性分配特点,文中提出了最适合冗余优先分配算法,基于结合费用与惩罚值的目标函数得到满足需求的相对最优解,实验证明此算法能较好地达到系统的实时服务部署要求.     

Research on wireless sensor networks data aggregation on simulated annealing genctic algorithm

研究无线传感器网络( WSN)数据融合技术.传感器节点计算能力、通信能力有限,WSN采用交叉重叠方式部署,导致冗余数据量大,需采用数据融合技术消除冗余和无效数据,节约网络通信能耗.结合遗传算法全局搜索和模拟退火算法局部搜索的优点,提出一种模拟退火遗传算法的WSN数据融合方法(SA-GA).采用模拟退火遗传算法快速找到移动代理路由最优传感器节点序列,并实现数据融合.仿真实验结果表明,与遗传算法、模拟退火算法相比,SA-GA更能快速找到全局最优数据融合节点序列,并对数据进行有效融合,具有更小的网络能耗和网络延时.     

传感器网络数据融合技术的研究与仿真

研究无线传感器数据融合问题,延长网络生命周期.由于传感器节点密度大,采集数据大量冗余,应对数据进行融合处理,采用数据融合算法对冗余数据合并,从而有效地节约能耗.为了很好地合并冗余数据,提出一种粒子群算法的传感器网络数据融合方法.通过移动代理建立数据的初始路由模型,通过粒子群中的粒子互相通信和协作求得路由模型最优解,即数据最优路由节点序列,从而实现数据融合.仿真结果表明,粒子群算法能很好的合并冗余数据,从而减少的网络能量消耗,有效降低网络延时,延长网络的生存时间.     

面向容错计算机的仲裁系统的设计与实现*

为了解决传统仲裁机制故障覆盖率和故障诊断成功率低的问题,针对容错计算机,提出了一种基于仲裁处理器的仲裁机制,并设计了仲裁系统和仲裁算法.其中仲裁处理器使用三模冗余系统和芯片级的容错设计技术,仲裁算法采用分级方式,同时采用自检测和心跳监测相结合的故障监测机制,有效地解决了单点故障和检测成功率低的问题.最后通过故障注入方式验证了仲裁系统的可用性.     

基于人工免疫网络的盲均衡算法

针对传统常模盲均衡算法存在的收敛到局部极小值点问题,提出一种基于人工免疫网络的盲均衡算法,把均衡器系数向量作为抗体,经过一系列抗体克隆、变异和抑制等操作,搜索到适应度值最高的抗体,即均衡器的最优系数。仿真实验结果表明,该算法是有效的。     

基于人工免疫网络的正交小波盲均衡算法

传统的常数模盲均衡算法存在收敛速度慢、均方误差大、易陷入局部极小值点等缺点。为此,提出一种基于人工免疫系统的正交小波盲均衡算法。该算法将均衡器系数向量作为抗体,经过抗体克隆、变异和抑制等操作,搜索到适应度值最高的抗体,即均衡器的最优系数,使权向量跳出局部最优点,接近全局最优点,并利用正交小波变换改善常数模盲均衡算法的收敛性,降低均方误差。仿真实验结果表明,该算法收敛速度快、均方误差小,能得到全局最优解。     

高阶Delaunay三角网及生成算法研究

Delaunay三角剖分是构建数字地形模型的有效方法,但是该方法会引起人工大坝和局部极值问题,使得地形模型不能很好地反映原始地形的真实面貌。在Delaunay三角网的基础上提出了一种高阶Delaunay三角网,并给出了高阶Delaunay三角网生成算法。实验结果表明,高阶Delaunay三角网能够有效地减少地形中局部极小的数量,因此,采用高阶Delaunay三角网建立的地形模型更接近于实际地形。     

避免人工势场中一类局部极小值的规划方法

采用人工势能场的方法对机器人路径规划在较多情况下存在局部极小值的缺点,文章针对二维空间中由障碍物环绕而形成的局部极小值提出了一种新的改进算法.其主要思想是:在尽量不改变原环境的条件下,在Agent的已测范围内对可能产生局部极小值区域的障碍物外部几何形状进行有效地凸化改进,使Agent避免或者提前进入局部极小值,从而减少Agent所走的路径,提高控制效率.同时这种改进方法并不影响原控制方法的稳定性.最后给出了整个控制算法流程,仿真结果清晰地说明了这种改进方法的有效性.     

异维学习人工蜂群算法*

针对人工蜂群算法局部搜索能力弱及易陷入局部最优的缺点,提出了一种改进的人工蜂群算法。首先,雇佣蜂使用全局最优引导的搜索策略,且引导程度随个体试验次数()自适应减小,以此平衡算法的全局和局部搜索能力。其次,观察蜂采用变异的异维学习策略,使算法的搜索具有跳跃性,以提高跳出局部最优的概率。对8个经典基准测试函数和CEC2013中8个复合基准函数的测试结果表明,与多种最近提出的类似算法相比,新算法在收敛速度和解的精度均具有显著优势。     

一种混沌人工鱼群优化算法

人工鱼群算法是一种群智能全局随机优化算法,存在陷入局部极值和效率低的不足,结合混沌搜索的特点,提出一种混沌人工鱼群优化算法,该算法是用混沌初始化来初始化鱼群,在聚群和追尾行为后进行混沌的遍历性和随机性扰动来使鱼群局部搜索同时摆脱局部极值点。仿真实验结果表明,该算法比基本人工鱼群算法全局能力更强,搜索效率更高。     

蜜蜂群优化算法用于训练前馈神经网络

训练人工神经网络的目的是调整各层的权重系数以达到最优,因而训练过程的实质是一项优化任务。传统的训练算法存在着容易陷入局部最优、计算复杂等缺陷。介绍一种训练前馈神经网络的蜜蜂群优化算法,它是一种简单、鲁棒性强的群体智能随机优化算法。该算法把探查和开发过程有效地结合在一起,并采取了跳出局部最优的搜索策略。成功地把该算法应用于神经网络训练的基本问题:异或问题、N位奇偶校验和编码解码问题,并与传统的BP算法进行比较。仿真实验证明其性能较传统的GD算法和LM算法更为优越。     

基于免疫算法的立体匹配

立体匹配是立体视觉中的关键问题,提出了基于免疫算法的多分辨率立体匹配方法,为了提高匹配的准确性,同时利用和图象的灰度和梯信息进行匹配,并给出了匹配的准则函数;将免疫算法用于该问题的求解,以避免局部最优;实验结果证明了该方法的有效性。     

一种基于量子染色体变异的移动机器人路径规划融合算法

为了解决机器人路径规划中的“局部最小”问题,提出了一种基于量子染色体变异的人工势场法和栅格法相融合的移动机器人路径规划算法.首先,对人工势场的斥力场进行改进,然后利用融合的人工势场法和栅格法对路径进行规划,产生初始化种群,最后利用量子比特对染色体编码、利用量子染色体变异对种群个体进行更新,完成最佳路径搜索.仿真实验表明,本文提出的融合算法能够有效地避开障碍物,稳定地产生移动机器人的最佳规划路径,提高了种群质量和收敛速度,适合于求解复杂优化问题,达到了预期效果.     

一种基于学习型人工免疫算法的股价预测模型

In traditional artificial immune algorithm, there is no differentiation in clone step and variation step, and BP neural network is prone to obtain local minimum value. This paper presents a hybrid model combining a learning artificial immune algorithm and BP algorithm for stock shares forecast and investment strategy analysis. This model overcomes the shortcomings of artificial immune algorithm in cloning antibody and antibody variation without differentiation, and adds the antibody learning function in the model, accelerating the convergence speed and accuracy of antibody optimization. The simulation results show that the stock price prediction model with learning artificial immune algorithm is superior to BP stock price prediction model in the stock price prediction accuracy and investment strategy.