基于滑模变结构的无线传感器网络拥塞控制

为解决无线传感器网络逐跳节点拥塞控制问题,在节点网络层与链路层之间引入水槽流入与流出的数学模型,提出一种针对逐跳节点级链路层帧缓冲区队列长度的拥塞控制模型,并采用基于趋近律的离散滑模控制结构作为该模型的控制器,控制过程简便且易于实现。仿真结果表明,与常规的PID控制、模糊PID控制相比,该模型在响应速度、延迟时间等方面性能较好。     

基于滑模变结构的WSNs跨层拥塞控制算法

针对具有传输控制协议（TCP）传输机制的无线传感器网络（WSNs）节点拥塞问题,在传输层的基础上结合物理层的信噪比（SNR）参数来估计信道状况,不断调整传输模型,实现跨层控制。此跨层方法改变了以往的单层拥塞控制方法,充分利用了WSNs层与层的协作关系,并用基于自适应趋近律的离散滑模控制结构模型作为控制器,过程简单且易于实现。仿真结果表明：该跨层拥塞控制方法具有响应速度快、延迟小、鲁棒性好等特点。     

改进QGA在WSNs节点部署中的应用

对含有障碍区域的无线传感器网络（WSNs）节点部署问题进行研究。建立节点探测模型和网络覆盖率评价方法,基于概率传感器模型提出一种部署方式,即对障碍区域进行随机布撒节点,确定区域采用量子遗传算法（QGA）寻找最优节点部署位置,实现对同构WSNs节点构成的目标区域的高效覆盖。仿真结果与GA,QGA相比：改进QGA有效提高了算法整体的搜索能力和收敛速度。     

基于差分进化算法的Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.本文利用差分进化算法对Wiener模型参数进行辨识,把辨识问题等价为以估计参数为优化变量的非线性极小值优化问题,并分析了算法中种群规模NP、缩放因子F、交叉概率CR等控制参数对辨识过程中的全局并行搜索能力和收敛速度的影响,以保证算法的全局收敛性.对Wiener模型的数值仿真结果表明了DE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力。