一种结合粒子群和虚拟力的动态节点部署策略

无线传感器节点部署是无线传感器网络研究的关键问题,面对工作在复杂环境下的众多传感器节点,模拟了一个由随机部署的固定节点和移动节点构成的无线传感器网络环境。为了优化节点的布局,将粒子群算法与虚拟力相结合,提出了一种虚拟力扰动指数权值递减型粒子群算法,该策略通过改进粒子群算法加快了粒子进入局部搜索的速度,并异构了节点间虚拟力来影响粒子群算法中粒子的进化过程,提高算法收敛速度。仿真结果表明,和传统的粒子群算法相比,提出的算法可以得到更高的覆盖率,且收敛速度更快。     

基于虚拟力和多种群粒子群的覆盖优化HSN节点部署并行算法

针对异构传感器网络中由于节点随机部署而导致覆盖盲区和覆盖冗余的问题,以最大化网络的覆盖率为目标,设计了一种基于虚拟力和多种群粒子群的异构移动节点部署并行算法;首先建立了改进的异构节点概率感知模型和目标优化函数,然后采用虚拟力算法在虚拟力的作用下引导节点移动进行初始部署,为了进一步提高网络的覆盖率和部署的效率,采用改进的多种群粒子群并行算法实现对节点部署的寻优,并定义了具体的部署算法,为了增强网络的鲁棒性,设计了一种当节点失效时的自适应节点替换机制;仿真实验表明:文中方法得到的平均网络覆盖率为95.6%,与其它方法相比,具有较高的网络覆盖率和较少的部署时间,具有较大的优越性。     

基于粒子群优化的视频传感器网络覆盖增强算法

以提高视频传感器网络的覆盖率为目标,针对摄像机的有向感知特性,提出了一种基于改进粒子群优化的视频传感器网络监控区域增强算法。通过分析监控区域中摄像机部署位置关系及有向感知性,构建了反映摄像机相互作用的虚拟力,并引入了基于虚拟力的粒子群导向因子。基于该导向因子,粒子群算法能够有导向地逐步快速地接近优化目标,避免了反复调整过程,提高了优化速度。一系列仿真结果验证了该算法能够在复杂的监控区域场景下大幅提高覆盖率,其性能优于传统方法。     

无线传感器网络节点多目标安全优化部署

针对目前无线传感器网络节点优化部署方案中,没有考虑网络节点位置移动会破坏节点间的共享密钥而破坏的安全通信链路的问题,本文将Pareto多目标优化策略引入到无线传感器网络节点部署中,设计了一种多目标安全优化部署方案,建立多目标节点安全部署模型,并将节点安全连通度和网络覆盖率作为目标函数,兼顾解决网络安全性和网络覆盖质量的问题;通过惯性权重自适应的调整和结合虚拟力算法更新速度的方式改进多目标粒子群算法,采用精英档案策略来存储非劣解。仿真实验表明,本文方案能够提高节点的覆盖率,并且能够保持较大的节点安全连通度。     

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。     

虚拟力导向群聚智能优化的无线传感器网络覆盖策略

针对在由固定骨干节点和移动传感器节点组成的无线传感器网络(WSNs)中,固定节点作用在移动节点的虚拟力,造成对移动节点位置移动的阻碍,在群聚智能优化思想的基础上,提出一种解决异构移动传感器网络的覆盖策略.该策略通过调整虚拟力距离阈值参数来改善固定节点作用在移动节点上的虚拟力;用虚拟力影响群聚智能算法中粒子速度和距离的进化,以节点有效覆盖率为适应值,指导微粒进化.仿真实验表明:虚拟力导向群聚智能策略能有效实现异构无线传感器网络节点布局优化,提高网络覆盖率,且收敛速度快.     

基于虚拟力的无线传感器网络地理位置路由算法*

通过引入虚拟力导向的节点移动方式改进了GAF路由算法,提出了一种新的基于虚拟力的无线传感器网络地理位置路由算法。算法通过计算节点之间以及节点与边界之间的虚拟力,引导移动节点移动到新位置;同时,利用计算得到的节点移动前后的位置信息改进了节点休眠机制,能够在节点移动后适时地唤醒其他节点。仿真实验结果表明,该算法能有效提高网络覆盖率、平衡节点能量消耗,并显著延长网络生命时间。     

基于改进蛙跳算法的WSN移动节点部署研究

针对传统无线传感移动节点部署方法存在节点分布不均匀、覆盖不完全等问题,提出一种基于改进混合蛙跳算法(SFLA)的移动节点部署方法。根据节点位置信息建立部署模型,利用改进SFLA算法求解该模型,将得到的解作为节点最终位置。仿真实验结果表明,相对于微粒群、虚拟力、基本混合蛙跳算法,改进SFLA算法可提高网络覆盖率和降低移动节点能耗。     

基于空间权重与模糊感知的节点部署策略

为提高环境监测应用中节点部署的准确性,提出一种基于空间权重与模糊感知的粒子群优化算法。引入空间权重量化区域重要性,建立模糊感知模型描述节点感知性能,设计加权覆盖率作为算法评价函数。在此基础上,挖掘感知模型中的粒子飞行特性,并利用权重引力优化粒子进化方程,提高算法的寻优能力。仿真结果表明,与粒子群优化算法、虚拟力算法和外推人工蜂群算法相比,该算法最高可使目标覆盖率提升13%,节点数减少15%。     

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。     

一种新型无约束优化方法的研究

提出了一种新型无约束全局优化方法。主要是从当前常用算法的优化过程中总结出共性—反馈特性,然后利用反馈控制系统来实现这种优化特性。在这种智能计算系统中,将无约束优化问题的目标函数作为控制对象,将PID控制器作为一种优化算法。由于传统PID方法容易达到局部极小点,提出了多系统并行PID优化方法。最后采用基准函数对此优化算法进行测试,并与几种不同类型的改进优化算法进行对比,数值实验结果验证了此种算法的有效性。     

Spark性能优化技术研究综述

近年来,随着大数据时代的到来,大数据处理平台发展迅速,产生了诸如Hadoop,Spark,Storm等优秀的大数据处理平台,其中Spark最为突出。随着Spark在国内外的广泛应用,其许多性能问题尚待解决。由于Spark底层 的执行机制极为复杂,用户很难找到其性能瓶颈,更不要说进一步的优化。针对以上问题, 从开发原则优化、内存优化、配置参数优化、调度优化、Shuffle过程优化5个方面对 目前国内外的Spark优化技术进行总结和分析。最后,总结了目前Spark优化技术新的核心问题,并提出了未来的主要研究方向。     

一种基于混沌的自适应粒子群全局优化方法

充分利用粒子群优化算法的收敛速度较快及混沌运动的遍历性、随机性以及对初值的敏感性等特性,考虑到惯性因子对多样性的影响,通过引入早熟收敛程度评价机制,采用逻辑自映射函数来产生混沌序列,提出一种基于混沌思想的自适应混沌粒子群优化（ACPSO）算法,改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。仿真结果表明提出的自适应混沌粒子群优化算法的性能明显优于一般混沌粒子群优化算法。     

粒子群算法在组合优化问题上的研究与发展

粒子群优化算法是一种新兴的基于群智能搜索的优化技术。该算法简单、易实现、参数少,具有较强的全局优化能力,可有效应用于科学与工程实践中。介绍了算法的基本原理和算法在组合优化上一些改进方法的主要应用形式。最后,对粒子群算法作了一些深入分析并在此基础上对粒子群算法应用于组合优化问题做了一些总结。     

Tent混沌粒子群算法及其在结构优化决策中的应用

首先对Tent混沌序列加以改进,将其引入粒子群算法中;然后提出一种基于改进的Tent映射的粒子群算法.采取分阶段更新的优化策略,使其在搜索初期更具遍历性,在搜索后期,通过人为更替最差粒子的速度和位置,使算法具有更快的收敛速度与更好的全局搜索能力.构建一种资源配置结构优化模型,并将改进的Tent映射粒子群算法引入资源配置结构优化决策中,在寻优速度、精度和成功率等方面均显示出良好的优化效果.     

并行智能优化算法研究进展

基于种群迭代搜索的智能优化算法在农业、交通、工业等很多领域都取得了广泛的应用.但是该类算法迭代寻优的特点使其求解效率通常较低,很难应用到大规模、高维或实时性要求较高的复杂优化问题中.随并行分布式技术的发展,国内外很多学者开始着手研究智能优化算法的并行化.本文首要介绍了并行智能优化算法的基本概念;其次从协同机制、并行模型以及硬件结构3个维度综述了几类常见的并行智能优化算法,详细分析阐述了它们优点及不足;最后对并行智能优化算法的未来研究进行了展望.     

基于文化的连续蚂蚁优化算法的研究*

针对蚂蚁优化算法在求解连续空间问题方面的缺陷,提出一种基于文化的连续蚂蚁优化算法。该算法将蚂蚁优化算法纳入文化算法的框架,组成基于蚂蚁优化算法的主群体和信念的两大空间。在知识和群体层面使用双重进化机制支持问题的求解和知识的提取,从而充分利用精英蚂蚁所携带的特征信息,在很大程度上提高了收敛速度,增强了搜索的多样性。实验结果表明,该算法求解速度快、寻优成功率高,是一种提高蚂蚁优化算法性能的有效算法。     

Many-objective evolutionary optimization based on reference points

Many-objective optimization problems are common in real-world applications, few evolutionary optimization methods, however, are suitable for solving them up to date due to their difficulties. A reference points-based evolutionary algorithm (RPEA) was proposed in this paper to solve many-objective optimization problems. The aim of this study is to exploit the potential of the reference points-based approach to strengthen the selection pressure towards the Pareto front while maintaining an extensive and uniform distribution among solutions. In RPEA, a series of reference points with good performances in convergence and distribution are continuously generated according to the current population to guide the evolution. Furthermore, superior individuals are selected based on the evaluation of each individual by calculating the distances between the reference points and the individual in the objective space. The proposed algorithm was applied to seven benchmark optimization problems and compared with ɛ-MOEA, HypE, MOEA/D and NSGA-III. The results empirically show that the proposed algorithm has a good adaptability to problems with irregular or degenerate Pareto fronts, whereas the other reference points-based algorithms do not. Moreover, it outperforms the other four in 8 out of 21 test instances, demonstrating that it has an advantage in obtaining a Pareto optimal set with good performances.     

基于Riverbed的ITER广域网优化方案

为了满足参与国际热核聚变实验堆(ITER)各采购包对CN DA和ITER之间的网络性能不断增长的需求,给出一个基于Riverbed的ITER网链路优化加速解决方案。 Riverbed实现了三层优化系统RIOS, RIOS在数据层、传输层和应用层实现了数据优化和协议优化,此外RIOS支持丰富的QoS标志和加速设备负载均衡和冗余的高可用性集群技术,同时RIOS实现了管理优化,使得网络部署更加容易和快捷。     

基于密度熵的多目标粒子群算法

提出了一种基于密度熵的多目标粒子群算法（EMOPSO）。采用一个外部集保存所发现的Pareto最优解（精英）,并将外部集作为粒子的全局极值。为保证种群的多样性,当精英大于外部集的大小时采用一种基于密度熵的策略进行分布度保持,从而使所得到的解集保持良好的分布性。最后与经典的多目标进化算法（MOEAs）进行了对比实验,实验结果表明了该算法的有效性。