免疫粒子群优化的DV-Hop定位算法

DV-Hop算法在定位过程中,由于信标节点与待定位节点之间的距离估算存在较大的定位误差,使得定位精度不佳。将免疫机制引入粒子群算法中,提出了免疫粒子群优化的DV-Hop算法。利用免疫粒子群算法优化待测节点的位置坐标,当PSO算法陷入局部最优解时,通过免疫抗体的选择、促进和抑制机制产生新的粒子空间,使该算法跳出局部最优值,收敛于全局最优解。MATLAB仿真实验表明,在相同实验环境下与经典的DV-Hop算法和常规的粒子群改进的DV-Hop算法比较,所提算法有效地降低了定位误差。     

基于最优跳距和改进粒子群的DV-Hop定位算法*

针对DV-Hop定位算法利用跳数乘以平均跳距来估算距离并采用极大似然估计法定位而导致误差较大的问题,提出一种最优跳距和改进粒子群的DV-Hop算法即OPDV-Hop。该算法首先利用节点的通信半径对锚节点间跳数进行修正;然后根据全局和局部范围对锚节点的影响,选择最优平均跳距来估算距离;最后用改进的粒子群算法来优化未知节点坐标。仿真结果表明,OPDV-Hop算法相比DV-Hop算法、基于粒子群的DV-Hop算法以及基于改进粒子群的定位算法,定位误差分别减小16%、11%和5%左右,其能够有效的降低估算距离误差,提高定位精度。     

基于MPSO-DV-Hop的无线传感器节点定位

节点定位技术是无线传感器网络的关键技术,为减小DV-Hop算法的节点定位误差,提出一种多子群粒子群（MPSO）算法优化DV-Hop的节点定位算法（MPSO-DV-Hop）。通过设置门限值修正节点间的跳数,提高了跳段距离估算精度,DV-Hop的第3阶段引入MPSO算法,对节点定位误差进行校正,通过引入多子群加快算法收敛速度,提高DV-Hop算法的节点定位精度,在MATLAB2008平台上对算法仿真分析。结果表明,MPSO-DV-Hop算法在不增加成本情况下,提高了传感器的节点定位精度,具有较高的应用价值。     

基于自适应免疫粒子群优化的DV-Hop定位算法

针对传统距离矢量—跳数(DV-Hop)定位算法中,最小二乘法计算未知节点坐标时存在误差较大,而粒子群优化(PSO)算法又容易陷入局部最优的问题,提出了基于一种自适应免疫粒子群与DV-Hop融合算法。首先,对浓度机制进行改进;其次,子种群的数目通过粒子最大浓度值来改变,使得种群资源得到最大限度利用;最后,对疫苗范围进行动态调整后,劣质种群开始进行疫苗接种。该算法克服了粒子早熟,避免了种群退化现象,提高了算法进化过程中的收敛速度和精度。实验结果表明:在相同硬件成本和通信开销的情况下,所提算法定位精度更高。     

一种最优锚节点集合上的两重粒子群优化DV-Hop定位算法

当前粒子群优化的DV-Hop定位改进算法,网络中所有的锚节点都参与优化,但是一部分到未知节点估算距离误差较大的锚节点会引入大的定位误差。针对这种情况,首先提出了最优锚节点集合的概念;然后在定位过程中,应用离散粒子群算法构造了最优锚节点集合;最后在最优锚节点集合上应用连续粒子群算法对定位结果进行了优化。仿真实验表明,最优锚节点集合上的两重粒子群优化DV-Hop算法比DV-Hop和一次粒子群优化的DV-Hop明显提高了定位精度。     

基于改进粒子群优化算法的无线传感器网络定位

针对经典DV-Hop定位算法第3阶段计算未知节点位置存在较大误差的问题,提出一种基于改进粒子群优化算法的无线传感器网络定位方法。首先分析DV-Hop算法误差大的原因,并将定位问题转换成未知节点坐标的优化问题,然后采用改进粒子群算法对问题进行优化,并引入收缩因子加快搜索速度和精度,找到全局最优未知节点坐标,最后在Matlab 2012平台上进行仿真实验。仿真结果表明,本文算法提高了传感器节点的定位精度,大幅度降低了定位误差。     

新的全局-局部最优最小值粒子群优化算法

为了提高粒子群优化算法的收敛速度,克服陷入局部最优的缺点,在全局-局部最优粒子群优化算法的基础上,提出了一种新的改进粒子群优化算法——全局-局部最优最小值粒子群优化算法.该算法把惯性权重和学习因子分别通过结合全局和局部最优最小值来进行改写,速度更新公式也做了相应的简化.仿真实验表明该算法在收敛速度和寻优质量上都优于基于LDIW策略改进的粒子群算法和全局-局部最优粒子群算法.     

基于粒子群算法的改进DV-Hop定位算法

针对无线传感器网络(WSNs)节点定位问题中DV-Hop算法的不足,提出利用粒子群优化算法对改进DV-Hop得到的估算位置校正。这种方法将定位问题看成一个多维优化问题,并且不需要任何额外硬件设备,也不会增加通信量。最后将仿真实验结果与改进DV-Hop算法进行比较,表明基于PSO算法优化的改进DV-Hop定位算法在优化性能上有所改进,有效提高了节点定位精度,证明该方法的有效性。     

基于蝙蝠拟牛顿混合算法的无线传感器网络节点定位

针对距离矢量-跳数(DV-Hop)算法第三阶段中最小二乘法定位精度低的问题,提出一种蝙蝠-拟牛顿混合算法与DV-Hop算法融合的定位算法.首先对蝙蝠算法进行两点改进:1)根据蝙蝠个体的适应度值自适应调节随机向量β,使得脉冲频率具有自适应能力;2)利用当前迭代之前所有最优个体的平均位置来引导蝙蝠移动,使得速度具有变异性能;然后在DV-Hop算法第三阶段采用改进蝙蝠算法得出节点的估计位置,再利用拟牛顿算法以估计位置为初始点继续搜索节点位置.仿真结果表明:相比传统DV-Hop算法和基于蝙蝠算法的DV-Hop改进算法(BADV-Hop),该算法的定位精度大约提高了16.5%、5.18%,且稳定性更好,适用于定位精度和稳定性要求较高的场合.     

基于蚁群粒子群混合的无线传感器网络定位算法

在无线传感器网络免于测距的定位算法中,DV-Hop算法是典型算法之一,蚁群粒子群算法(ACOPSO)通常被用来作全局优化;为了降低定位误差,提高定位精度,新算法先用DV-Hop算法估量未知节点与锚节点的测量距离,蚁群粒子群算法(ACOPSO)作后期优化,最小化DV-Hop的适应度函数,从而实现基于不同的距离或路径测量方法的优化;经过Matlab仿真分析表明,在相同的仿真环境中,新算法产生的平均定位误差比EV-Hop算法和基于粒子群的定位算法产生的平均定位误差更低,有效地提高了定位精度.     

改进粒子群优化算法在TDOA定位中的应用

针对TDOA定位估计中的非线性最优化问题,提出了一种基于改进粒子群优化的TDOA定位算法。该算法在自适应粒子群优化算法的基础上,引入禁忌搜索策略,有效地解决了粒子群优化算法容易陷入局部最优的问题,使算法快速收敛到全局最优解。仿真结果表明:该算法性能稳定,定位精度高。     

基于粒子群优化的DV-Hop定位算法研究

针对无线传感器网络(WSN)定位算法中的经典DV-Hop算法存在较大定位误差的问题,提出一种基于粒子群优化修正平均每跳距离的DV-Hop优化算法.该算法在以下三个方面进行改进:对于每个锚节点平均跳距计算,加入各个锚节点权重;提出主节点定义,网络拓扑结构将被考虑得更加全面,更好地权衡局部和全局特点,以此方法计算节点估计距离;提出中心学习策略,加入逃逸因子,避免粒子陷入局部寻优,最后用改进的粒子群算法代替极大似然估计法定位节点坐标.通过Matlab仿真软件验证,与原始DV-Hop和PSO-DVhop比较,结果分析此算法具有优越性和可行性.     

遗传粒子群优化的DV-Hop定位算法

用常规粒子群改进的DV-Hop算法由于粒子易陷入局部最优而导致较大的定位误差,对此,提出了结合遗传粒子群的DV-Hop定位(GAPSO-DV-Hop)算法.首先根据最大理想跳数筛选锚节点,计算加权平均每跳距离,权重采用锚节点之间距离、最小跳数、以及通信半径构成;其次,用遗传机制改进粒子群算法以代替最小二乘法,所作改进包括使用前摄估计缩小粒子搜索范围、根据遗传算法中的交叉策略生成待交叉粒子队列,并在每次迭代后选取最差个体做动态变异.仿真结果表明,在相同环境下,所提GAPSO-DV-Hop算法的定位精度明显高于常规DV-Hop算法以及其他对比算法.     

基于跳距与改进粒子群算法的DV-Hop定位算法

针对DV-Hop定位算法定位精度不高的问题,提出一种带改进的权重平均每跳距离与改进的粒子群算法以改进经典DV-Hop算法。一方面,提出跳距误差与估计距离误差的加权平均值,修正原始的平均每跳距离。另一方面,采用分段的指数、对数递减权重改进粒子群的权重;同时,结合人工鱼群位置更新的优点来改进粒子群算法的位置更新。用改进的粒子群算法求解未知节点坐标,以提高定位精度。实验仿真表明,该算法的定位精度和稳定性与其他算法相比有明显的改善。     

基于改进粒子群优化的电容层析成像图像重建算法

Landweber电容层析成像ECT图像重建算法与粒子群优化算法PSO结合后能够进一步提高成像质量,但标准粒子群优化算法用于图像重建优化时存在陷入局部最优的现象。针对该问题,提出一种基于改进粒子群优化结合Landweber算法的电容层析成像图像重建算法。新算法在Landweber算法的基础上加入改进的惯性权值指数衰减粒子群优化策略,通过增加以指数规律衰减的粒子速度更新公式的约束因子,以保证算法在开始阶段具有较强的全局寻优能力,而在后期具有较强的局部寻优能力,从而实现对Landweber算法初始重建结果的进一步优化,以提高重建图像的质量。为验证新算法的有效性,选取较典型的LBP、改进Tikhonov迭代算法及Landweber图像重建算法,完成了ECT图像重建的对比实验。仿真结果表明,相对于其他算法,对于常见的几种流型,新算法在重建图像的主观及客观质量方面均有明显提高。     

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。     

基于灰狼优化的反向学习粒子群算法

针对粒子群算法（PSO）易早熟收敛、逃离局部最优能力差、精度低等缺点,提出一种基于灰狼优化的反向学习粒子群算法。该算法对最优粒子采用反向学习策略产生反向解,扩大种群的搜索范围,增强了算法的全局搜索能力;对其非最优粒子采用新型社会学习方式,提高其搜索效率和开采性能;同时,针对PSO收敛精度较低的问题,引入灰狼优化算法,并对其收敛因子产生扰动,平衡算法全局和局部搜索性能并提高其精度。在CEC2017测试函数上进行仿真实验,结果表明,在相同的实验条件下,改进后的粒子群算法在收敛精度和收敛速度上有显著提升,且其性能明显优于标准粒子群算法。     

基于人工蜂群改进算法的无线传感器网络定位算法

针对无线传感器网络无需测距的DV-Hop定位算法中,利用最小二乘法进行节点定位时存在较大误差的问题,提出了一种改进的DV-Hop智能定位算法。首先在详细分析DV-Hop算法中最小二乘法原理的基础上,将定位问题转化成全局最优化问题;其次根据人工蜂群算法计算最优化问题的优势,结合定位具体问题,提出了一种自适应人工蜂群算法;最后将改进的人工蜂群算法运用到DV-Hop算法未知节点的坐标估计阶段实现定位。仿真实验表明,改进的定位算法与最小二乘法及基于传统人工蜂群算法的DV-Hop算法相比,在不同锚节点比例和不同节点数的情况下,定位精度和精度稳定性都有明显提高。     

基于改进粒子群算法的智能机器人路径规划

针对粒子群算法局部寻优能力差的缺点,提出一种非线性动态调整惯性权重的改进粒子群路径规划算法。该算法将栅格法与粒子群算法进行有效结合,在路径长度的基础上引入安全度和平滑度概念,建立动态调整路径长度的适应度函数。与传统的粒子群算法相比,实验结果表明,改进算法具有较强的安全性、实时性及寻优能力。