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.     

一种约束粒子群优化的无线传感器网络节点定位算法

节点定位是无线传感网络的关键技术。无线电测距虽然精度高,但用最小二乘算法进行节点定位的误差较大。为了提高基于测距的无线传感器网络节点定位的精度,把节点定位问题转换成约束优化问题,再运用粒子群优化算法进行求解。求解过程中,通过设定约束适应度函数和距离适应度函数,降低了搜索的计算量,加快了收敛速度,最终较快地得到较优解。仿真实验表明,约束粒子群优化定位算法与最小二乘法相比,在不同测距误差、不同测距半径、不同描节点数和不同节点数的情况下,都能得到更高精度的解。这说明此算法具有更强的杭误差性、更好的收敛性和更少的硬件设备投入等优点,另外在节点稀疏的网络中定位效果也更优越。     

基于布谷鸟搜索算法的无线传感器网络节点定位

无线传感器网络的节点定位实际上是解决测量距离和测距误差的多维约束优化问题。针对最小二乘方法对测距误差敏感的不足,提出一种基于布谷鸟搜索算法的无线传感器网络节点定位算法。该算法利用全局和局部寻优能力强的布谷鸟算法求解定位过程中的多维约束优化问题;通过设定相应的约束适应度函数来减小定位过程的搜索范围,加快了收敛速度,能够快速地确定未知节点的位置。仿真结果表明：相较于粒子群算法和最小二乘算法,该算法能有效地抑制测距误差对定位的影响,提高节点的定位精度,具备很好的实用性。     

用蛙跳算法优化RBF神经网络参数的研究

针对径向基函数（Radial Basis Functions,RBF）神经网络结构参数确定问题,提出了一种基于蛙跳算法优化RBF神经网络参数的新方法。将RBF神经网络参数组成一个多维向量,作为蛙跳算法中的参数进行优化。以适应度函数为标准,在可行解空间中搜索最优解,并对蛙跳算法进行了改进。非线性函数逼近实验结果表明,该优化算法相对标准遗传优化算法、粒子群优化算法有较小的均方误差,具有更好的逼近能力。     

粒子群遗传优化算法

针对粒子群优化算法易早熟的缺点,本文在粒子群优化算法中引入遗传算法的变异算子和克隆选择算子,提出了一种改进的粒子群优化算法—粒子群遗传优化算法。粒子群遗传算法在传统粒子群优化迭代公式的基础上,通过变异率和克隆选择率两个参数自适应地调整变异操作和克隆选择操作。当粒子群最优粒子的适应度在优化迭代过程中陷入停滞时,利用变异算子对粒子群中部分粒子进行随机变异操作,扩大粒子群搜索范围,防止粒子群陷入局部最优;而当粒子群最优粒子适应度随优化迭代过程不断提高时,则利用克隆选择算子淘汰适应度较低的粒子,提高粒子群整体的平均适应度,增强粒子群对局部的搜索能力,提高算法的计算效率。典型函数的算例测试表明,粒子群遗传优化算法不但具有粒子群优化算法所具有的易于工程实现、计算效率高等优点,还克服了粒子群优化算法易陷入局部最优的缺点,提高了算法的抗早熟性。     

基于改进自适应粒子群算法的目标定位方法

针对现有目标定位求解算法推导复杂和自适应粒子群算法仍存在收敛速度慢、计算量大的缺点,提出了一种基于速度自适应和变异自适应融合的改进粒子群算法。该算法在速度自适应粒子群算法的基础上,优化选择粒子,并根据种群适应度方差值进行自适应变异,增强算法快速收敛的能力。仿真结果表明该方法能有效地提高目标定位精度,在随机噪声干扰方差为。.5的条件下,定位均方误差不超过1. 5m,且收敛速度增快,计算量减小。     

具有主从结构的粒子群优化算法

提出了一种具有主从结构的粒子群优化算法,该算法实现了惯性权重、加速因子、最大速度等系统参数与目标函数的同步优化。将主程序的一个粒子作为子程序的一组系统参数,在该组控制参数下使用基本的粒子群算法对子程序的目标函数进行优化,并把子程序优化所得的全局最优值返回主程序作为主程序的一个适应值,同时使用基本的粒子群算法对主程序的适应度函数进行优化。实验结果表明,该算法的优化性能较基本的粒子群算法有了显著提高。该方法对于粒子群算法的参数选择具有指导意义。     

基于粒子群优化算法电机转子故障诊断研究

提出一种基于反向粒子群优化算法感应电机转子故障诊断方法。将转子磁链误差作为粒子群的适应度函数,通过反向粒子群优化算法自适应调整转子磁链电流模型的参数,辨识故障状态下感应电机的转子电阻。仿真结果表明,该方法对电源电压、负载波动具有较强的抗干扰能力,运算效率高,收敛速度快,具有良好的辨识效果。     

基于PSO的负反馈电路参数自适应优化及仿真分析

采用粒子群优化算法,以电压增益、共模抑制比、输入电阻平方根的三者乘积对输出电阻的比作为适应度函数,对差分 共射两级直接耦合电压串联负反馈放大电路中的电阻做自适应优化。结果显示,只要对电路交流指标加以约束,适应度函数值总会减小。当分别对增大电压增益和减小输出电阻进行限制后,电压增益总是尽量小,输出电阻总是尽量大,以使适应度函数在给定约束下取得最大。经EWB软件对优化参数仿真,结果满足线性放大要求。同时说明了可以调整适应度函数形式,找到最佳电路参数,以满足工程上对放大器指标的不同需求。     

基于粒子群算法的Logistic回归模型参数估计

针对Logistic回归模型中的参数估计计算复杂难题,提出一种基于粒子群优化算法（PSO）的估计方法。以最大似然准则作为粒子群优化算法的适应度函数,建立了Logistic回归模型中的参数估算模型。数值仿真分析表明,粒子群优化算法可以更精确地计算出相关参数。     

析因-粒子群算法及其在海上运动目标搜寻中的应用

针对粒子群算法在处理多峰复杂函数优化问题时容易陷入局部极值,难以满足海上运动目标搜寻问题的需要,提出一种基于析因思想的改进粒子群算法.所提算法结合种群智能思想与析因实验设计思想,利用随机化及区组化策略,设计参数在不同水平的组合,并得到相应的适应度值,获取各个参数的适应度曲线;分析各参数变化对适应度值的影响以及参数间的交互作用,基于此获取解空间形态;针对不同参数采用不同策略,利用种群迭代寻找全局最优解,使种群针对交互作用明显的参数侧重于全局搜索,针对交互作用不明显的参数侧重于局部搜索;最后将所提算法应用于海上运动目标搜寻问题,实验结果表明,相较其他几种对比算法,所提出的算法能够有效制定更优的搜寻计划.     

基于粒子群优化的多维标度节点定位算法

针对无线传感网络节点定位易受外部环境影响的问题,提出一种基于粒子群寻优的多位标度定位算法。利用基于动态路径损耗指数的接受信号强度测距,建立距离矩阵,使用多维标度方法构建节点的相对坐标,通过四参数坐标转换模型得到绝对坐标,再用绝对坐标与实际坐标的差异度作为粒子群寻优的适应度函数,通过分群搜索,优化节点位置估计。仿真结果表明：改进算法对实际环境影响具有较好的鲁棒性,节点定位精度有了明显的提高,能够满足定位系统需求。     

三维无线传感器网络中DV_Hop定位算法的改进

在三维无线传感器网络中,采用非测距定位方法 DV_Hop时,由于三维空间中节点分布复杂,测距误差增大,定位准确度迅速降低,为了提升它的准确度,提出一种改进的DV_Hop定位方法,使用最小均方差估计未知节点与已知节点之间的距离,定位结果用粒子群算法优化,以距离误差因子加权均方误差作目标函数,采用凹函数递减策略,提前进入局部搜索,提高定位准确度。仿真结果表明,相同条件下,改进的DV_Hop算法定位准确度要优于传统DV_Hop算法。     

基于区域划分自适应粒子群优化的超短基线定位算法

为了降低由声速不确定引起的水下声学定位误差,提出一种基于区域划分自适应粒子群优化的超短基线定位算法.该算法将声速作为未知量,利用冗余的定位信息构建定位模型,针对标准粒子群算法收敛速度慢及容易早熟的问题,采用区域划分的方法动态调整粒子的惯性权重和学习因子,达到寻优能力与收敛速度的平衡,并引入自适应变异操作避免种群陷入局部最优解.仿真实验表明,所提出的算法能够有效提高声速未知情况下超短基线系统的定位精度.     

基于改进粒子群优化算法的PID控制器整定

由传统的Z-N(Ziegler-Nichols)整定公式得出的PID参数,不能得到最佳的控制性能.为此,本文提出一种基于适应度指数定标和边界缓冲墙相结合的改进型粒子群算法,应用于PID参数的整定.首先采用适应度指数定标的选中概率,挑选出粒子进行随机变异;其次对越界的粒子进行缓冲,保证粒子落在寻优空间内以增加粒子种群多样性,同时调整种群粒子个数、社会和认知因子以提高寻优效率.在仿真实验中,将改进的粒子群算法分别应用于5种不同的工业过程,整定他们的PID参数.对误差绝对值乘以时间积分的性能指标(ITAE)做最小化,得到了相应的PID参数,验证了这里提出的改进型粒子群算法的有效性.     

基于自适应参数与混沌搜索的PSO算法求解柔性作业车间调度问题

针对传统粒子群优化(PSO)算法在求解柔性作业车间调度问题中的不足,提出了基于自适应参数与混沌搜索的粒子群优化算法。对粒子群算法中的惯性系数等参数采用基于迭代搜索而自适应调整的方式,使粒子在初期以较大惯性进行大范围搜索,后期逐渐减小惯性而转入精细搜索。这种方法改变了传统粒子群算法在求解过程中的盲目随机与求解精度不高的问题;同时,通过在局部搜索过程中引入混沌技术,扩大对最优解的寻找范围,以此避免算法陷入局部最优,有效提高算法的全局寻优能力。实验结果表明,基于自适应参数与混沌搜索的粒子群优化算法在求解柔性作业车间调度问题(FJSP)时能够获得更优粒子适应度平均值及更好的优化目标。所提算法对求解柔性作业车间调度问题可行,有效。     

基于粒子群算法的多机无源定位系统优化布站

在一定海空战场背景下,通过调整多机无源定位系统中各机位置布局可以有效地提高该系统对特定区域目标的定位精度.文中通过推导多机时差定位算法误差的GDOP公式,提出了利用粒子群算法寻找多机无源定位系统最优布站的方法.与传统典型布站相比较显著降低了对区域目标定位误差,明显提升了多机无源定位动态快速布站能力.同时利用粒子群算法对...     

混合粒子群和差分进化的定位算法

针对由测量误差造成的无线传感器网络定位精度不高的问题,提出一种混合粒子群和差分进化的节点定位算法（HPSO-DE）。首先,对粒子群算法的惯性权重进行自适应更新,使得每个个体随着迭代次数的增加而增大,进而提高其全局探索能力,然后改进差分进化算法的变异策略,从而提高该算法的局部寻优能力,之后将个体先经过改进的粒子群算法优化,低于平均适应度值的个体继续通过改进的差分进化算法优化,从而得到HPSO-DE算法。HPSO-DE算法继承了二者的优点,提高了该算法的最优解精度和收敛速度。最后在无线传感器网络节点定位模型中应用HPSO-DE算法,仿真结果表明,所提HPSO-DE算法在测距误差为30%时,定位误差比PSO和DFOA分别少2.1m和1.1m,具有更高的定位精度和更强的抗误差性能。     

微粒群算法在二维模糊熵图像分割中的应用

将微粒群算法和二维模糊熵阏值分割法结合,提出了一种基于微粒群和二维模糊熵的图像分割方法.该方法根据像素点灰度值和区域灰度均值所建立的二维灰度直方图,以二维模糊熵作为微粒群算法的适应度函数,利用微粒群算法搜索点灰度值和区域灰度均值所对应的模糊参数最优组合,进而确定相应的分割阈值.对几例真实目标图像的对比分割实验结果表明,该文方法性能优越,是一种有效的图像分割方法.     

关于无线传感器网络定位算法仿真

针对无线传感器网络(WSNs)节点定位的问题,提出了一种通过构建粒子群机制的量子神经网络模型优化距离矢量跳跃(DV-HOP)的定位算法(PSO-QNN),根据传统DV-HOP所得到的平均距离和实测节点距离构建量子神经网络模型,并通过粒子群算法对平均距离进行训练,从而得到较优平均值,实现了对DV-HOP算法的优化.算法缩短了传统人工神经网络的训练时间,并且加快了收敛速度.仿真结果表明:与传统DV-HOP算法相比,所提出的PSO-QNN算法能够减少约20%的定位误差,定位精度显著提高.