基于多策略改进蝴蝶优化算法的无线传感网络节点覆盖优化

针对无线传感网络（WSN）的节点覆盖存在着覆盖率低、节点分布不均匀的问题,提出一种基于多策略改进的蝴蝶优化算法（MIBOA）的节点覆盖优化策略。首先,将基础的蝴蝶优化算法（BOA）与麻雀搜索算法（SSA）结合改进搜索过程;其次,引入自适应权重系数提高寻优精度和收敛速度;最后,对当前最优个体进行柯西变异扰动,提高算法鲁棒性。基准测试函数的寻优实验结果说明,MIBOA基本可在3 s内求解测试函数最优值,且收敛平均值精度较BOA提高了97.96%。将MIBOA应用于WSN节点覆盖优化问题,与BOA和SSA相比,节点覆盖率至少提高了3.63个百分点;与改进灰狼优化算法（IGWO）相比,部署时间缩短了145.82 s;与改进鲸群优化算法（IWOA）相比,节点覆盖率提高了0.20个百分点且时间缩短了1 112.61 s。综上,MIBOA可较好提高节点覆盖率并降低冗余覆盖率,有效延长WSN的生存时间。     

基于维正弦惯性权重和t变异的PSO算法

针对高维优化问题,随机初始化的粒子群算法中不同维的收敛情况不同,常用惯性权重不能很好地平衡全局搜索和局部搜索,且算法也易陷入局部最优。本文提出一种基于惯性权重维正弦调整和t分布维变异的粒子群优化算法,兼顾各维的收敛情况,较好地保持了种群的多样性。通过4个典型函数的测试,结果表明改进算法提高了收敛速度和精度。     

融合反向学习和黄金正弦的改进粒子群算法

提出一种融合反向学习和黄金正弦的改进粒子群算法。通过反向学习策略优化初始种群的质量，提高算法的收敛速度；结合黄金正弦算法优化位置更新公式，并通过双面镜理论处理边界外的粒子，使粒子在搜索空间内分布更均匀，增强算法的搜索能力；利用柯西变异的方法对全局最优粒子的位置进行扰动，提高粒子跳出局部最优的能力。对8个测试函数进行实验，并与其他的五种算法进行比较，结果表明，本文改进之后的粒子群优化算法有着更快的收敛速度和更高的寻优精度。     

融合正弦余弦算法和精英算子的花授粉算法

针对花授粉算法（FPA）具有寻优精度较低,稳定性不高的问题,提出了一种融合正弦余弦算法和精英算子的花授粉算法（SCA-EFPA）。针对花授粉算法的局部授粉过程,授粉范围小且易陷入局部最优值的问题,利用正弦余弦算法的“局部开发”和“全局搜索”特性,并作简化改进后引入;针对其全局授粉过程,搜索范围较大且寻优精度低的问题,引入精英花粉算子以提高寻优精度并且进行变异和交叉操作以保持种群多样性。达到整个改进后的算法具有提高寻优精度的目的。选取多组标准测试函数来测试改进算法的各项性能。结果表明,与基本花授粉算法、粒子群算法和差分变异算法等相比,融合正弦余弦算法和精英算子的花授粉算法具有更高的寻优精度,更好的稳定性和收敛性。     

混合策略改进正弦余弦算法

为提高正弦余弦算法在求解函数优化问题的性能,提出混合策略改进正弦余弦算法。首先,利用正切函数作为调节因子代替原本线性变化的参数,用于平衡算法的全局探索和局部开发;然后,引入权重系数,用于控制位置更新处个体上一代位置的影响力,有效提高算法开发能力和寻优速度;最后,构建逐维交叉学习策略,克服最优解无更新的缺点,对最优个体进行扰动更新,跳出局部最优,避免早熟收敛。在不同维数的八个基准函数上进行仿真实验。实验表明,该算法相对于其他群智能优化算法具有更高的寻优精度和收敛速度,相比于最新的正弦余弦改进算法,也表现出更好的收敛性能和稳定性。     

求解高维优化问题的改进正弦余弦算法*

提出一种改进的正弦余弦算法(简记为ISCA)。受粒子群优化(PSO)算法的启发,引入惯性权重以提高正弦余弦算法的收敛精度和加快收敛速度。此外,采取反向学习策略产生初始个体以提高种群的多样性和解的质量。采用8个高维基准测试函数进行仿真实验：在相同的最大适应度函数评价次数下,ISCA总体性能上均优于基本SCA算法和HGWO算法;当维数较高(D=1000)时,ISCA所用计算量远小于HDEOO。实验结果表明ISCA在收敛精度和收敛速度指标上均优于对比算法。     

基于分层自主学习的改进粒子群优化算法

针对粒子群优化（PSO）算法容易陷入局部最优、收敛精度不高、收敛速度较慢的问题，提出一种基于分层自主学习的改进粒子群优化（HCPSO）算法。首先，根据粒子适应度值和迭代次数将种群动态地划分为三个不同阶层；然后，根据不同阶层粒子特性，分别采用局部学习模型、标准学习模型以及全局学习模型，增加粒子多样性，反映出个体差异的认知对算法性能的影响，提高算法的收敛速度和收敛精度；最后，将HCPSO算法与PSO算法、自适应多子群粒子群优化（PSO-SMS）算法以及动态多子群粒子群优化（DMS-PSO）算法分别在6个典型的测试函数上进行对比仿真实验。仿真结果表明，HCPSO算法的收敛速度和收敛精度相对给出的对比算法均有明显提升，并且算法执行时间和基本PSO算法执行时间差距在0.001量级内，在不增加算法复杂度的情况下算法性能更高。     

基于Logistic模型和随机差分变异的正弦余弦算法

针对标准正弦余弦算法(Sine Cosine Algorithm,SCA)处理全局优化问题时存在收敛速度慢、易陷入局部最优和求解精度低的缺点,文中提出了一种基于非线性转换参数和随机差分变异策略的改进正弦余弦算法(LS-SCA)。首先,设计一种基于Logistic模型的非线性转换参数策略以平衡算法的全局搜索和局部开发能力;其次,引入随机差分变异策略以增强种群的多样性与避免算法陷入局部最优;最后,将非线性转换参数和随机差分变异策略进行融合。一方面,选取12个标准测试函数进行全局寻优的仿真实验。结果表明,与其他SCA类算法和最新智能算法相比,LS-SCA在收敛精度和收敛速度指标上均能达到较优的效果。其中,随机差分变异策略对LS-SCA全局寻优能力的提升尤为明显。另一方面,利用LS-SCA优化神经网络参数解决了两类经典分类问题。实验结果表明,与传统的BP算法和其他智能算法相比,基于LS-SCA的神经网络能达到较高的分类准确率。     

改进自适应粒子群算法在WSN覆盖优化中的应用

针对无线传感器网络（WSN）节点覆盖不均匀导致覆盖率低下的问题,提出了一种基于改进自适应粒子群优化算法的覆盖优化方法。首先,建立WSN覆盖优化的数学模型;然后将进化因子和聚合因子引入粒子群优化（PSO）算法中的惯性权重系数,使改进算法具有很强的自适应能力;接着在算法迭代过程中引入碰撞回弹策略保证粒子群的多样性,克服改进粒子群优化算法在优化后期容易陷入局部最优的弱点。实验表明,本文算法对WSN优化后的网络覆盖率均比其它文献算法提高了2%~6%,且传感器节点分布更加均匀。因此它能有效提高无线传感器网络的性能,是一种应用性较强的WSN覆盖优化算法。     

樽海鞘群算法的改进

针对樽海鞘群算法在求解过程中存在收敛速度慢、寻优精度低等问题,提出改进的樽海鞘群算法。采用混沌初始化,保证种群的多样性和均匀性;分别在领导者和追随者阶段引入正弦余弦策略和动态更新策略,提高算法全局和局部探索能力;对食物位置进行变异操作,有效避免算法陷入局部最优。为验证改进后算法的有效性,分别用其求解函数优化问题以及工程设计问题,其结果表明,该算法具有较高的收敛速度、寻优精度以及鲁棒性,总体性能优于其它智能优化算法。     

基于CPSO的无线传感器网络路由优化

研究无线传感器网络路由优化问题,由于无线传感器节点的能量受到限制,通信过程能量损耗,影响网络的性能。传统粒子群算法难以获得最优网络路由方案。为延长网络生存时间,结合粒子群的快速性和混沌的遍历性优点,提出了一种混沌粒子群(CPSO)的无线网络路由优化方法。通过粒子群算法的自组织、动态寻优能力,并通过混沌机制对粒子群进行混沌扰动,增加多样性,加快最优路由优化速度,使网络最优路由和能量消耗间尽量平衡。仿真结果表明,相对于传统优化算法,CPSO提高了无线传感器网络路由优化速度,减少网络能量消耗,有效延长了网络生存时间,为提高整个网络通信效率提供了参考。     

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。     

无线传感器网络覆盖优化仿真研究

研究无线传感器覆盖(WSN)优化问题,由于网络传感器节点分布不均匀,又存在冗余等问题。传统WSN高密度部署方法,节点分布极不均匀,节点覆盖区域之间的重复率高,节点浪费严重,导致网络覆盖率低、成本高。为了提高无线传感器网络的覆盖率,提出一种混沌粒子群优化算法(CPSO)的WSN覆盖优化算法。首先以提高网络覆盖率为优化目标,建立WSN覆盖优化数学模型,然后通过粒子间协作进行求解,并对粒子群混沌扰动,保持粒子多样性,从而得到最优网络覆盖。仿真结果表明,相对于其它覆盖优化算法,CPSO能够以较少传感器节点获得较高网络覆盖率,提高了网络通信效率,降低网络成本。     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

基于黄金莱维引导机制的阿基米德优化算法

针对标准阿基米德优化算法（AOA）在求解优化问题时存在全局探索能力弱、收敛速度慢和求解精度低等问题,提出一种多策略阿基米德优化算法（MSAOA）。首先,利用变区间初始化策略,使得初始种群尽可能地靠近全局最优解,从而提高初始解的质量;其次,提出黄金莱维引导机制,以提高算法在迭代后期的种群多样性;最后,在维持种群多样性的前提下,引入自适应波长算子,以达到提高算法搜索效率的目的。将所提算法与均衡器算法（EO）、正余弦算法（SCA）以及灰狼优化算法（GWO）在20个基准测试函数上进行比较实验。实验结果表明,所提算法具有更高的寻优精度和收敛速度,并将所提算法应用于4个机械设计实例中,再次验证了所提算法的有效性和优越性。     

基于雾计算的煤矿全场景监测系统研究

目前煤矿全场景监测系统主要依赖于云计算实现数据处理、存储与决策,云计算需实时处理海量监测信息,严重影响系统决策层的时效性与精确度。针对该问题,提出一种基于雾计算的煤矿全场景监测系统,以神经元感知节点为单元设计雾计算神经网络,缓解云计算数据处理压力。针对基于粒子群优化算法(PSO)的节点部署方法存在过早收敛现象和局部最优解的问题,通过改进的PSO算法优化神经元感知节点部署,实现网络结构优化。仿真结果表明,与经典PSO算法相比,改进PSO算法能够更快寻得最优解,整体通信覆盖率的最优值、最差值和平均值分别提高了3.19%,3.31%,3.25%,具有收敛快速有效、适应性强、稳定性高等优势。     

基于对立策略的螺栓遗传算法

为进一步提高螺栓遗传算法的优化效率,加速寻优过程,提出基于对立策略的螺栓遗传算法。该算法在种群初始化阶段和变异阶段均用对立取代随机方式,提高产生解的质量。利用测试函数对算法的效率进行检验,将其与差分算法、遗传算法、粒子群算法和螺栓遗传算法进行对比,结果表明,新算法具有更快的收敛速度和更高的求解精度。     

基于遗传模拟退火算法的立体仓库储位优化

针对自动化立体仓库储位分配问题,结合仓库运作特点和安全性要求,构建了自动化立体仓库储位优化问题的多目标模型,并提出了求解模型的基于Sigmoid曲线的改进自适应遗传模拟退火算法（SAGA）。首先,以降低货品出入库时间、同组货品距离和货架重心为目标建立储位优化模型;然后,为了克服遗传算法（GA）局部搜索能力差和易陷入局部最优的缺点,引入基于Sigmoid曲线的自适应交叉变异操作和逆转操作,同时完成与SAGA的融合;最后,对改进遗传SAGA进行算法优化性、稳定性和收敛性测试。仿真实验表明,相比模拟退火（SA）算法的求解结果,该算法对货品出入库时间的优化度提高了37.7949个百分点、对同组货品距离提高了58.4630个百分点、对货架重心优化度提高了25.9275个百分点,并且该算法具有更好的稳定性和收敛性。由此验证了改进遗传SAGA求解问题的有效性,该算法可为自动化立体仓库储位优化提供决策方法。     

煤矿井下WSN中基于自适应粒子群聚类算法的多sink节点部署

多sink节点的部署是井下传感器网络的重要研究课题,对网络性能的影响很大。针对目前采用的部署方法存在计算过程复杂、收敛速度慢、容易陷入局部最优等问题,在标准粒子群聚类算法的基础上,提出一种基于自适应粒子群聚类算法的井下多sink节点部署算法(简称A-PSOCA算法),在惯性权重系数中考虑了粒子的进化和聚合状况,使改进的算法的自适应能力更强,并在算法迭代过程中引入预防粒子位置重叠策略,防止粒子搜索局部最优化。仿真结果表明,A-PSOCA算法可以得到合理的sink节点位置,算法的收敛速度比标准粒子群聚类算法快1倍,所对应的网络的平均能耗和均衡性以及网络生存期也优于其他基于粒子群算法,适用于井下通信环境。