基于精英的量子粒子群优化的Ad hoc能耗研究

在Ad hoc网络中,随着多播应用领域的日益扩大,如何构造最小能耗多播树是一个重要问题。针对选择不同的中继节点对构造最小能耗多播树产生的影响,提出了一种优化最小能耗多播树构造的基于精英学习的量子粒子群算法(QPELSO)。为了避免粒子群算法早熟收敛,采用动态逼近学习策略对精英个体进行局部更新,使其跳出局部极值点,引导种群进行有效搜索;借鉴群体早熟判断机制对停滞状态下的精英个体空间进行变尺度混沌扰动,增大种群全局搜索空间,有效平衡了算法的局部和全局搜索能力。模拟实验结果表明,改进后的粒子群算法具有较强的优化能力,并且有效地优化了最小能耗多播树的构造。     

基于自适应的虚拟力导向粒子群定位算法研究

为了进一步提高无线传感器网络节点的定位性能,提出了一种基于自适应的虚拟力导向粒子群优化定位算法。该算法在算法迭代前期ω取较大值实现快速收敛到最优解附近,后期则取较小值获取高精度解,同时在适应度值越大时越提高全局搜索能力,加快向全局最优位置的聚集速度;粒子适应度值较小时则提高局部搜索能力,得到高精度的解,并通过对全局最优位置进行自适应变异操作,保证算法能跳出当前的搜索区域,从而最大限度地优化网络节点的收敛速度与搜索性能。仿真结果表明,改进后的算法不仅有效地抑制了测距误差的累积对定位精度和能耗的影响,而且提高了节点的定位精度。     

自适应模糊的粒子群优化算法

标准粒子群算法易陷入局部最优值。根据粒子群算法中的不确定性因素,提出自适应模糊的粒子群优化算法（AFPSO）。在该算法中,对惯性权值和位置更新采用模糊控制,用所有粒子的个体最优的加权平均替代全局最优值,增强了粒子之间相互学习的能力。仿真实验表明,AFPSO算法简单,可灵活地调节全局搜索和局部搜索能力,与已有相关算法比较,较好地解决了粒子群早熟问题,并提高了搜索精度。     

带扰动因子的自适应粒子群优化算法

针对标准粒子群优化算法搜索精度不高、易陷入局部最优的问题,提出了一种带扰动因子的自适应粒子群优化算法。该算法进行混沌初始化,采用自适应的惯性权重,并将扰动因子加入粒子个体极值、全局极值和位置更新公式中。通过与其它算法的数值实验对比,新算法能够有效避免局部最优,全局收敛性能显著提高,收敛速度更快。     

一种改进粒子群迭代优化的集成网络智能节点部署算法

为了解决复杂环境中集成网络系统的智能节点交又覆盖和相互千扰对智能节点最优位置选择的影响问题, 提出了一种改进粒子群迭代优化的集成网络智能节点部署算法。在该算法中,首先将集成网络系统智能节点部署模 型转化为在交又率和千扰约束目标下的优化问题;然后利用改进粒子群算法对节点部署方案进行映射,依据粒子粒距 聚类度和粒子信息墒对粒子权值进行修正,再计算粒子的适应度值,对粒子的局部最优解和全局最优解进行更新;最 后利用粒子速度和位置更新策略对智能节点部署进行迭代优化。仿真对比实验证明,该算法具有较好的收敛速度,且 收敛值更优,有效地保证了在覆盖率最大时干扰最小。     

混合无线传感器网络节点覆盖优化

为了解决混合无线传感器网络的节点覆盖率低的问题,提出了改进粒子群的混合无线传感器网络节点覆盖迭代优化算法.在该算法中,首先将混合无线传感器网络节点覆盖模型转化为在网络系统中动态的求覆盖率最大值的节点部署位置寻优问题;然后提出利用改进粒子群算法对节点覆盖优化方案进行粒子及其权值映射,并依据粒子粒距聚类度和粒子信息熵对粒子权值进行调整,再依据粒子适应度值对粒子局部最优值和全局最优值进行更新;最后迭代地对粒子的位置和速度进行计算,输出具有最优覆盖率的节点部署方案.仿真结果证明,该算法能够有效的提升网络覆盖率,且算法的收敛速度快.     

带自适应感知能力的粒子群优化算法

提出一种求解约束优化问题的改进粒子群优化算法。它利用可行性判断规则处理约束条件,更新个体最优解和全局最优解。通过为粒子赋予自适应感知能力,算法能较好地平衡全局和局部搜索,且有能力跳出局部极值,防止早熟。边界附近粒子的感知结果被用来修正其飞行速度以加强算法对约束边界的搜索。实验结果表明,新算法收敛速度快,寻优能力强,能很好地求解约束优化问题。     

WSN低能耗数据收集遗传粒子群算法研究

针对设施农业无线传感器网络节点分布不均匀、能量约束严格的特点,为降低网络总能耗,提出一种改进的遗传粒子群算法,构建一棵树高受限且网络总能耗最小的数据收集树。首先,随机生成连通图网络,采用父节点表示法将生成树编码成粒子;然后,设计一种随机生成数据收集树算法,随机产生满足树高限制的生成树;最后,考虑节点能耗均衡,设计一种粒子单点突变算法,实现对节点能耗最优值的比较。通过粒子单点变异、交叉以及优化新粒子,提高了种群多样性,避免了算法过早陷入局部最优解,在满足时延要求的同时,降低了网络总能耗。实验表明,与有树高约束的DL-DCT算法相比,所提算法降低了7.34%的网络总能耗,延长了网络平均生存期。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

简化粒子群优化方法的改进研究

为了有效提高粒子群优化算法的收敛速度和搜索精度,增强算法跳出局部最优,寻得全局最优的能力,提出了一种改进的简化粒子群优化算法。该算法考虑了粒子惯性、个体经验和全局经验对于位置更新影响力的不同,改进了位置更新公式,克服了粒子群优化算法收敛速度慢和易陷入局部最优的缺点。标准函数测试结果表明该改进算法的收敛速度和搜索精度有了很大的提高。     

一种含驻留粒子的改进粒子群算法

为了避免粒子群算法过早收敛,提出一种包含局部驻留粒子的改进粒子群算法（CRPSO）。该算法将基本的粒子群算法的粒子称为主粒子,而当算法每找到一个新的全体最优点之后,将会在这个最优点附近产生几个称为驻留粒子的搜索粒子。2种粒子分工协作,主粒子负责全局搜索而驻留粒子负责局部搜索。驻留粒子帮助主粒子群避免过早收敛,提高整个粒子群多样性。仿真结果表明,该算法能有效地改善粒子群算法在非线性全局优化问题上的早熟现象,增强粒子群算法的全局搜索能力。     

基于二次搜索的改进粒子群算法

针对标准粒子群优化（PSO）算法在求解复杂优化问题中出现的早熟收敛问题,提出一种结合梯度下降法的二次搜索粒子群算法。首先,当全局极值超过预设的最大不变迭代次数时,判断全局极值点处于极值陷阱中;然后,采用梯度下降法进行二次搜索,并以最优极值点为中心、某一具体半径设定禁忌区域,防止粒子重复搜索该区域;最后,依据种群多样性准则生成新粒子,替代被淘汰的粒子。将二次搜索粒子群算法及其他四种典型的改进粒子群算法分别应用于四种典型测试函数的优化,仿真结果表明,二次搜索粒子群算法收敛精度最高提升了10个数量级,并且收敛速度较快更容易寻找全局最优解。     

Distributed route repair for increasing reliability and reducing control overhead for multicasting in wireless MANET

The Multicast Ad hoc On-Demand Distance Vector (MAODV) routing protocol is proposed for achieving multicast in a Mobile Ad hoc Network (MANET) while reducing bandwidth waste and energy power consumption. In MANET, packets transmission through a multicast tree may always have unreliable links caused by node mobility or lack of energy, and thus significantly degrades the performance. MAODV uses a broadcast-type local repair mechanism to find an alternative route to the multicast tree when some breaks happen on the tree. Although the local repair mechanism provides a specified time-to-live (TTL) to limit the repair range and the hop-count to the group leader, a large number of broadcast-type Route Request (RREQ) messages extensively yields control overhead and requires a large amount of power consumption to send control messages. Thus, this paper proposes a unicast-type multihop local repair protocol for multicast MANETs to recover lost links efficiently while achieving several advantages: increasing network reliability, increasing packet delivery rate, minimizing the number of control messages and reducing repair delay. Moreover, the optimal number of hops used in the multihop neighbor table is analyzed mathematically. Numerical results indicate that the proposed approach outperforms other repair approaches in terms of successful repair rate, control message overhead and packet delivery rate.     

移动自组网中基于移动预测和概率的能量有效组播路由算法

移动自组网中节点的使用寿命很大程度上依赖于电池能量的有效利用．通过研究移动节点能量的剩余和使用情况，提出了一种新的关于节点能量估价函数PCF（power cost function）计算方法，能够较好地反映当前节点的能耗值．并且结合PCF提出一种基于移动预测和概率构造能量有效组播树M-REMiT（an algorithm based on mobility prediction and probability for refining energy-efficient multicast tree）的分布式算法，在节点移动的情况下，利用概率优化方法减少一棵组播树的总能量消耗，延长了组播树中每个节点的使用寿命．模拟结果显示这个组播算法比以前相关的算法具有更好的性能．     

改进粒子群算法的三维空间路径规划研究

提出一种自适应混沌粒子群优化算法（SACPSO）用于三维空间路径规划。首先进行三维空间环境建模，并考虑使用路径长度、障碍物危险程度和路径平滑度三个评价函数来制定适应度函数；然后对算法中的三个控制参数提出了一种新的自适应更新策略，以此来动态调整算法的全局探索和局部开发能力；最后当种群陷入局部极值时，利用提出的自适应Logistic混沌映射对全局最优粒子进行混沌优化，引导种群跳出局部极值点。将该算法与其他改进的粒子群算法比较，结果表明，该算法在收敛到全局最优解时所用迭代次数更少，生成路径质量更高，有效地提高了粒子群算法应用于三维空间路径规划时的计算效率和可靠性。     

噪声环境下基于蒲丰距离的依概率多峰优化算法

针对噪声环境下求解多个极值点的问题, 本文提出了噪声环境下基于蒲丰距离的依概率多峰优化算法(Probabilistic multimodal optimization algorithm based on the Button distance, PMB). 算法依据蒲丰投针原理提出噪声下的蒲丰距离和极值分辨度概念, 理论推导证明了二者与算法峰值检测率符合依概率关系. 在全局范围内依据蒲丰距离划分搜索空间, 可以使PMB算法保持较好的搜索多样性. 在局部范围内利用改进的斐波那契法进行探索, 减少了算法陷入噪声引起的局部最优的概率. 基于34个测试函数, 从依概率特性验证、寻优结果影响因素分析、多极值点寻优和多维函数寻优四个角度进行实验. 证明了蒲丰距离与算法的峰值检测率符合所推导的依概率关系. 对比噪声环境下的改进蝙蝠算法和粒子群算法, PMB算法在噪声环境中可以依定概率更精确地定位多峰函数的更多极值点, 从而证明了PMB算法原理的正确性和噪声条件下全局寻优的依概率性能, 具有理论意义和实用价值.     

一种增强型的粒子群优化算法

针对粒子群优化算法在进化后期容易陷入局部最优的缺点,提出了一种增强型的粒子群优化算法,即当粒子陷入局部极值点时,从增强粒子的自我学习能力,增强种群中其他相关粒子探索新区域的能力和增强粒子之间的信息交流三个方面来增强算法的寻优能力。数值实验结果表明,新算法具有很好的寻优性能。     

A tree-based particle swarm optimization for multicast routing

QoS multicast routing is a non-linear combinatorial optimization problem. It tries to find a multicast routing tree with minimal cost that can satisfy constraints such as bandwidth, delay, and delay jitter. This problem is NP-complete. The solution to such problems is often to search first for paths from the source node to each destination node and then integrate these paths into a multicast tree. Such a method, however, is slow and complex. To overcome these shortcomings, we propose a new method for tree-based optimization. Our algorithm optimizes the multicast tree directly, unlike the conventional solutions to finding paths and integrating them to generate a multicast tree. Our algorithm also applies particle swarm optimization to the solution to control the optimization orientation of the tree shape. Simulation results show that our algorithm performs well in searching, converging speed and adaptability scale.     

融合K-调和均值的混沌粒子群聚类算法

针对K-调和均值和混沌粒子群聚类算法的优缺点,提出了一种融合K-调和均值的混沌粒子群聚类算法。首先通过K-调和均值方法把粒子群分成若干个子群体,每个粒子根据其个体极值和所在子种群的全局极值来更新位置。其次,算法中引入变尺度混沌变异,抑制了早熟收敛,提高了计算精度。实验证明,该算法可以有效地避免算法陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力,明显改善了聚类效果。