无线传感器网络节点定位算法的改进

结合无线传感器网络节点技术中的定位精度问题,提出一种基于最小二乘法的牛顿迭代定位算法。通过数学分析的方法和对该算法进行了计算机仿真．并与最小二乘法的仿真结果进行了比较,结果表明该方法对于提高节点定位精度是有效的。     

基于蛙跳改进算法的无线传感器网络定位*

针对无线传感器网络（WSNs）定位过程当中传统的DV‐Hop定位算法在计算锚节点与未知节点之间的平均跳距时存在较大误差的问题,论文根据蛙跳算法（S FL A ）计算速度快,全局搜索寻优能力强的优势,结合定位的实际问题,提出了一种改进的蛙跳算法。并将其引入到DV‐Hop的算法设计中,实现节点的定位。     

用于无线传感器网络的节点间协同定位算法的设计

给出一种无线传感器网络中无锚节点情况下的节点间相互协同定位的算法。它首先将节点进行分簇,把角度测量和距离测量结合起来,通过方位协同,逐步对同步中的节点进行方位调整和坐标调整,从而计算出所有节点的相对坐标。仿真结果表明,在节点随机分布的情况下,该算法比起业界公认的聚类SPA算法在网络覆盖率、定位误差率和通信开销3个方面都有更好的表现。     

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。     

一种改进的无线传感器网络节点定位算法

分析了DV-Hop算法定位过程及误差产生原因,提出一种改进的DV-HOP算法。该改进算法不改变DV-Hop算法的定位过程,在平均每跳距离估计、节点位置估计方法等方面进行了改进,并用MATLAB7.0进行了仿真,仿真结果表明,该改进算法可极大地提高节点定位精度,并且不需要增加网络通信量和额外硬件支持。     

基于次锚节点的无线传感器网络改进加权质心定位算法

针对加权质心定位算法（ WCLA）对锚节点数量要求较高和定位精度较低的缺陷,提出一种基于次锚节点的改进加权质心定位算法（ IWCLA-SAN）。该算法在加权因子中引入修正系数,以提高定位精度;同时,将基于粒子群优化（ PSO）的定位算法的未知节点升级为次锚节点,在锚节点数量有限的情况下,以提高定位精度和定位覆盖率。仿真结果表明：该算法能有效提高定位精度和定位覆盖率。     

基于SCE-PSO的无线传感器网络节点三维定位方法

目前,无线传感器网络节点定位算法的研究主要集中在二维空间,对三维定位算法的研究较少。如果将现有的二维定位算法扩展到三维,一些算法很难扩展,另外一些算法虽然可以扩展,但扩展后由于维数的增加,计算复杂度太大。为此,结合粒子群算法PSO(Particle Swarm Optimization)和混合复杂进化算法SCE-UA(Shuffled Complex Evolution-University of Arizona)的优点,提出了两个无线传感器网络节点三维定位算法SCE-PSO1和SCE-PSO2。这两个算法保持了PSO算法收敛速度快,受问题维数影响小的优点,同时采用了SCE-UA算法中的洗牌策略,增加了粒子的多样性,改善了PSO算法中的早熟现象,提高了节点定位精度。两个算法的不同在于粒子的速度更新公式,与SCE-PSO1算法相比,SCE-PSO2算法中粒子的速度更新公式增加了各复合形之间的信息共享,因此,SCE-PSO2算法的性能要优于SCE-PSO1算法。仿真分析证明,与原始的PSO算法和SCE-UA算法相比,SCE-PSO1和SCE-PSO2算法具有更高的定位精度。     

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SEC-PSO的无线传感器网络节点三维定位方法

目前,无线传感器网络节点定位算法的研究主要集中在二维空间,对三维定位算法的研究较少,如果将现有的二维定位算法扩展到三维,一些算法很难扩展,另外一些算法虽然可以扩展,但扩展后由于维数的增加,计算复杂度太大。为此,结合粒子群算法 PSO(Particle Swarm Optimization)和混合复杂进化算法SCE-UA(Shuffled Complex Evolution-University of Arizo-na)的优点,提出了两个无线传感器网络节点三维定位算法SCE-PSO1和SCE-PSO2,这两个算法保持了PSO算法收敛速度快,受问题维数影响小的优点,同时采用了SCE-UA算法中的洗牌策略,增加了粒子的多样性,改善了PSO算法中的早熟现象,提高了节点定位精度,两个算法的不同在于粒子的速度更新公式,与SCE-PSO1算法相比,SCE-PSO2算法中粒子的速度更新,公式增加了各复合形之间的信息共享。因此,SCE-PSO2算法的性能要优于SCE-PSO1算法.仿真分析证明,与原始的PSO算法和SCE-UA算法相比,SCE-PSO1和SCE-PSO2算法具有更高的定位精度。     

基于混洗蛙跳和粒子群优化算法的块自增纹理合成

针对基于样图的纹理合成技术,提出了一种基于混洗蛙跳和粒子群优化算法的块自增纹理合成方法。该方法在纹理合成过程中,通过选取尺寸按2的倍数不断增大的纹理块来提高纹理合成的速度,将混洗蛙跳算法和粒子群算法相结合,作为纹理块匹配的寻优策略,以提高纹理块的查找速度和全局搜索性能。实验结果表明,该方法在保证纹理合成质量的前提下,能够显著地提高基于样图的纹理合成速度,并能克服粒子群算法易陷入局部最优解的缺陷。     

基于免疫进化的粒子群混洗蛙跳算法

为了避免混洗蛙跳算法易于出现不成熟收敛,提高求解质量,提出了基于免疫进化的粒子群混洗蛙跳算法。该算法将粒子群算法中粒子追踪全局极值的思想融入混洗蛙跳算法中,对族群内的最差个体同时跟踪族群内和全局两个最优个体的信息,进行深度搜索;并引入免疫进化算法对群体中的最优个体进行免疫进化迭代计算,以达到充分利用最优个体的信息的目的。该算法不仅避免了陷入局部极值的局限,以更高的精度逼近全局最优解,而且能加速收敛。对多个典型测试函数的计算表明：基于免疫进化的粒子群混洗蛙跳算法比传统的混洗蛙跳算法具有更好的寻优能力、稳定效果和更快的收敛速度。     

融合粒子群和混合蛙跳的模糊C-均值算法

针对模糊聚类算法中存在的对初始值敏感、易陷入局部最优等问题,提出了一种融合粒子群算法和混合蛙跳算法的模糊C-均值聚算法。通过设计了一种新颖的搜索粒度系数,充分利用粒子群算法收敛速度快、局部搜索能力强的优点与混合蛙跳算法全局寻优能力强、跳出局部最优能力好的特点,同时对SFLA中更新算法进行了改进。实验结果表明,该算法提高了模糊聚类算法的搜索能力和聚类效果,在全局寻优能力、跳出局部最优能力、收敛速度等方面具有优势。     

基于微粒群与混合蛙跳融合的群体智能算法

针对微粒群算法和混合蛙跳算法存在的早熟收敛问题,提出一种基于微粒群与混合蛙跳算法融合的群体智能算法。新算法将整个群体分成数目相等的蛙群和微粒群群体。在两群体独立进化过程中,设计了一种两群之间的信息替换策略：比较蛙群与微粒群的最佳适应值,如果蛙群进化较好,利用蛙群各子群中最差个体替换微粒群一部分较好个体;否则,用微粒群中较好的一部分个体替换蛙群各子群的最好个体。同时,设计了一种两群之间的相互协作方式。为避免微粒群因早熟收敛而影响信息替换策略效果,适时对其所有个体最好位置进行随机扰动。仿真实验表明,新算法可以有效提高全局搜索能力及收敛速度,对于高维复杂函数问题,算法具有很好的稳定性。     

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。     

一种基于阈值选择策略的改进混合蛙跳算法

混合蛙跳算法（SFLA）是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力。对混合蛙跳算法的基本原理进行了阐述,针对算法局部更新策略引起的更新操作前后个体空间位置变化较大,降低收敛速度这一问题,提出一种基于阈值选择策略的改进混合蛙跳算法。通过不满足阈值条件的个体分量不予更新的策略,减小了个体空间差异,从而改善了算法性能。数值实验证明了该改进算法的有效性,并对改进算法的阈值参数进行了率定。     

云计算环境中基于混合蛙跳算法的资源调度

提出云计算环境中基于改进混合蛙跳算法（Shuffled Frog Leaping Algorithm,SFLA）的保证QoS（Quality of Service）资源调度方案。根据任务和资源的特点提出SFLA两种编码结构及其对应更新方程;对调度方案的QoS给出定义;提出根据QoS值进行个体优劣选择的改进SFLA;在CloudSim平台对算法进行了仿真实验。实验结果证明所提出的计算方案有效。     

基于负熵和智能优化算法的盲源分离方法

针对混合蛙跳算法(SFLA)更新策略会陷入局部最优、降低收敛速度的问题,提出一种自适应阈值更新策略。根据盲源分离中常用峭度和负熵作为非高斯性的度量,但峭度对野值敏感,影响算法性能,研究一种基于负熵准则的采用粒子群优化(PSO)算法和混合蛙跳算法的盲源分离方法。仿真结果表明,基于负熵的盲分离算法性能优于基于峭度的盲分离算法,基于SFLA的盲分离算法性能优于基于PSO的盲分离算法。     

优化混合蛙跳算法的WSN三维定位方法

根据传统混合蛙跳算法（Shuffled Frog Leaping Algorithm,SFLA）收敛速度较慢、局部最优的不足,提出了优化混合蛙跳算法（Optimized Shuffled Frog Leaping Algorithm,OSFLA）,并将其应用于无线传感器网络（WSN）节点三维定位。在三维定位中运用极大似然法进行粗略定位,对锚节点进行加权处理,设定搜索区域,再使用优化蛙跳算法进行迭代求精。仿真实验结果表明：优化混合蛙跳算法（OSFLA）比混合蛙跳算法（SFLA）具有更高的收敛速度和定位精度,同时更加适合于锚节点数较少场合。且在三维定位中与常用的几种算法相比OSFLA算法在定位精确度和稳定性方面都具有一定的提高。     

基于麻雀搜索算法和改进粒子群优化算法的网络入侵检测算法

针对网络入侵检测模型自适应能力不足的问题,将麻雀搜索算法（SSA）中的大范围快速搜索能力引入到粒子群优化（PSO）算法,提出基于麻雀搜索算法的改进粒子群优化（SSAPSO）算法。该算法通过对轻量级梯度提升机（LightGBM）算法中难以整定的参数进行寻优,使PSO算法在保证寻优精度的同时快速收敛,并得到最优的网络入侵检测模型。仿真实验结果表明,在4种基准函数上,SSAPSO比基本PSO算法收敛速度更快;在KDDCUP99数据集上,SSAPSO优化LightGBM后得到的SSAPSO-LightGBM算法比分类特征和梯度提升（CatBoost）算法的准确率、召回率、精确率和F1指数分别提升了15.12%、3.25%、21.26%和12.25%;SSAPSO-LightGBM算法在上述数据集中正常流量（Normal）、未授权远程访问（R2L）攻击、未授权本地访问（U2R）攻击、监听（PROBE）攻击的检测准确率比LightGBM算法分别提升了0.61%、3.14%、4.24%、1.04%和5.03%。