基于最优跳距和LevyPSO算法的DV_Hop定位算法*

针对DV_Hop(Distance Vector-Hop)算法中定位精度较低的问题,提出一种基于最优跳距与LevyPSO算法的无线传感器网络定位算法,即OLPDV_Hop(Optimal Jump Distance and Levy Particle Swarm Optimization DV_Hop).首先,通过单跳平均误差修正平均跳距,然后利用接收多锚节点的平均跳距估算节点间距离,使估算距离得以优化,最后利用LevyPSO算法替代最小二乘法求得未知节点位置,LevyPSO算法利用Levy飞行改变粒子移动方向以防陷入局部最优,并通过贪婪的更新评价策略产生最优解,最终得到全局最优.仿真结果表明,OLPDV_Hop 算法较 DV_Hop 算法、IPSODV_Hop(Improved Particle Swarm Optimization DV_Hop)算法和BDV_Hop(Based on DV_Hop)算法在定位精度上有明显改善.     

改进PSO算法优化LSSVM模型的短期客流量预测

旅游客流量的准确预测为旅游目的地资源优化配置、景区战略计划制定提供有效依据。为了提高景区日客流量的预测精度,提出基于改进粒子群算法（Particle Swarm Optimization,PSO）优化最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的预测方法,针对PSO算法的惯性权重在采取线性递减策略时不能满足粒子寻优非线性变化的缺陷,从种群中粒子的聚合程度以及种群进化中粒子适应度同惯性权重的关系出发,利用对数函数非线性变化的特性,提出基于对数函数的惯性权重自适应调整方法（Adaptive Logarithmic Particle Swarm Optimization,ALPSO）。通过改进的PSO算法优化LSSVM的参数,建立山岳型风景区日客流量的预测模型。以黄山风景区2012-2015年景区每日上山人数为例,实验结果证明,与基于标准PSO算法、正弦粒子群算法（Sinusoidal Particle Swarm Optimization,SPSO）和高斯粒子群算法（Gaussian Particle Swarm Optimization,GPSO）优化的LSSVM模型相比,ALPSO-LSSVM模型的预测性能更好,是准确预测景区日客流量的有效方法。     

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KDMSPCS-GRNN的室内定位技术研究

针对利用广义神经网络(Generalized Regression Neural Network,GRNN)搭建的定位预测模型定位精度低、效率慢等问题,基于动态分群策略,提出一种线性递减粒子群(Linear Decreasing Contraction Particle Swarm Optimization,LDCPS...     

基于量子行为粒子群优化方法的随机规划算法

在不断变化的金融市场中,多阶段投资组合优化通过周期性地重组投资对象来追求回报最大,风险最小。提出了使用基于量子化行为的粒子群优化算法（Quantum-behaved Particle Swarm Optimization,QPSO）解决多阶段投资优化问题,并使用经典的利润风险函数作为目标函数,通过算法对标准普尔指数100的不同股票和现金进行投资组合的优化研究。根据实验得出的期望收益率与方差表明,QPSO算法在寻找全局最优解方面要优于粒子群算法（Particle Swarm Optimization,PSO）和遗传算法（Genetic Algorithm,GA）。     

基于鸡群算法的无线传感器网络定位研究

针对无线传感器网络(WSN)节点定位精度不足的问题,提出一种改进鸡群算法与典型定位模型相结合的ICSO(Improve Chicken Swarm Optimization)算法。首先,提出基于pareto距离分级的分类算法,优化鸡群算法种群比例;然后,在母鸡位置公式中引入随机游走策略,增大搜索范围;最后,将净能量增益引入小鸡的位置公式,进一步提高定位精度。仿真结果表明,ICSO与改进后的粒子群算法(MPSO)和鸡群算法(BIDCSO)相比,在参考节点比例、节点密度、通信半径和定位区域面积等方面的平均定位精度分别提高了19.2%、22.1%、12.1%、8.5%和6%、10.5%、4.4%、4.7%。实验结果表明,ICSO算法能够有效提高定位精度。     

基于MCL算法的移动节点安全性研究

蒙特卡罗（MCL）算法对移动节点进行定位时没有考虑安全因素,针对该问题,在MCL流程中加入身份认证环节,即可实现定位又保证被定位移动节点的安全性。实验结果表明,在节点速度较小时,改进后的MCL算法定位偏差性良好。     

合作的具有量子行为粒子群优化算法

通过对具有量子行为的粒子群优化（Quantum-behaved Particle Swarm Optimization,QPSO）算法深入分析,把协作机制引入到QPSO算法中,提出了协作的具有量子行为的粒子群优化（Cooperative Quantum-behaved Particle Swarm Optimization）算法,并详细阐述了这种算法的主要思想。测试结果表明,这种改进算法能够克服QPSO算法中的不足,增强了粒子群的优化能力。     

基于RSSI等级的蒙特卡罗定位算法应用研究

感知节点的定位是无线传感网应用的基础。现有的静态定位算法无法应用于动态传感网。针对一类目标节点移动而锚节点静止的传感网应用,提出了一种RRMCL（RSSI Rank Monte Carlo Localization）定位算法。该算法以蒙特卡罗算法为基础,利用RSSI（Received Signal Strength Indication）值与距离的单调递减关系划分通信域,减少采样区域大小。为了避免锚节点共线出现定位失效的情况,引入共线影响角度,提出了一种约束策略。仿真结果表明,提出的RRMCL与现有的MCL和MCB定位算法相比,能有效缩小采样区域,提高了定位精度和速度。     

基于粒子群算法的遗传算法及其应用

本文将遗传算法（Genetic Algorithm）和粒子群算法（Particle Swarm Optimization）进行了有机结合,提出了一种改进的混合遗传算法——基于粒子群算法的遗传算法（PSOGA）。最后通过旅行商问题的仿真实验,证明该算法的收敛速度快,拥有更好的优化性能。     

基于VWMC的传感器网络移动节点定位算法

为了解决无线传感器网络移动节点定位精度低、计算方法复杂以及响应时间长的问题,提出了一种基于VWMC的传感器网络移动节点定位算法(VWMCL).该算法利用Monte Carlo算法作为移动节点的基本定位算法,并在预测阶段加入航位推算方法,通过减少预测角度的误差来提高粒子位置预测的精度;并把Voronoi图和权值融合在MCL算法的粒子过滤阶段,采用Voronoi图和权值的双重筛选的机制,提高粒子过滤的准确性.仿真结果表明,该算法可以显著改善定位精度,减少算法的计算量,从而提高定位的效率.     

一种基于自适应采样优化的WSN定位算法

针对蒙特卡罗定位算法采样效率低和采样次数多等缺陷,在SOMCL算法的基础上提出一种基于自适应采样优化的定位算法LAASO。该算法采用锚盒子与预测区域进一步优化采样区域,通过采样区域的大小自适应确定样本数目,利用SOMCL算法中的曲线拟合对样本权值进行优化。仿真测试表明,当速度变化率为25 m/s,且最大速度小于60 m/s时,相比MCL算法和SOMCL算法,LAASO算法定位精度分别提高了40%和36%,采样次数分别降低为20%和31.5%,且更适应于高速运行环境。     

Multi-objective evolutionary approach to prevent premature convergence in Monte Carlo localization

In this paper, we propose a global localization algorithm for mobile robots based on Monte Carlo localization (MCL), which employs multi-objective particle swarm optimization (MOPSO) incorporating a novel archiving strategy, to deal with the premature convergence problem in global localization in highly symmetrical environments. Under three proposed rules, premature convergence occurring during the localization can be easily detected so that the proposed MOPSO is introduced to obtain a uniformly distributed Pareto front based on two objective functions respectively representing weights and distribution of particles in MCL. On the basis of the derived Pareto front, MCL is able to resample particles with balanced weights as well as diverse distribution of the population. As a consequence, the proposed approach provides better diversity for particles to explore the environment, while simultaneously maintaining good convergence to achieve a successful global localization. Simulations have confirmed that the proposed approach can significantly improve global localization performance in terms of success rate and computational time in highly symmetrical environments.     

基于多假设跟踪的移动机器人自适应蒙特卡罗定位研究

针对移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)算法在含有对称和自相似结构的环境中容易失败的问题, 提出了一种基于多假设跟踪的自适应蒙特卡罗定位改进算法. 该算法根据粒子间空间相似性采用核密度树聚类算法对粒子群进行聚类, 每簇粒子代表一个位姿假设并用一个独立的MCL算法进行跟踪, 总体上形成了一组非等权的粒子滤波器, 很好地克服了普通粒子滤波器由于粒子贫乏而引起的过度收敛问题. 同时运用该核密度树实现了自适应采样, 提高了算法的性能. 针对机器人``绑架'问题对该算法作了进一步的改进. 实验结果证明了该算法的有效性.     

基于MDS技术与MCL方法的无线传感器网络移动节点定位算法

在MCL算法的基础上,结合改进的基于多维定标MDS(Multidimensional Scaling)的定位算法引进新的滤波条件,提出了一种移动节点定位算法.该算法通过在循环滤波部分引入新的限定条件,可以保留更靠近真实距离的预测样本,减小定位误差.仿真实验表明,该算法具有更好的定位精度.     

一种基于运动预测的蒙特卡罗定位算法

以蒙特卡罗算法为基础的无线传感器网络移动节点定位算法普遍存在定位误差较大的问题.针对实际应用中一般的运动模型,提出一种基于运动预测的蒙特卡罗定位(MCLMP)算法,通过构建节点运动模型,进行位置预测和滤波,并对过滤后的值进行加权计算.仿真结果表明,MCLMP算法相比以往算法定位精度提高了30％以上.     

基于多假设粒子群优化的蒙特卡罗定位算法

针对传统蒙特卡罗定位(MCL)算法在结构化相似环境中容易出现定位失败的问题,提出一种基于多假设粒子群优化的改进蒙特卡罗定位方法(MPSO-CL).以激光传感器的观测信息作为适应度函数,对MCL算法的采样粒子进行多假设粒子群优化更新,使得采样粒子向当前群体中多个最优粒子方向移动,从而使得粒子迅速收敛到后验概率密度分布取值较大的区域,实现了移动机器人高效精确自主定位.实验结果表明,MPSO-MCL算法克服了相似环境中定位的粒子匮乏问题,并且提高了定位的精确度.     

缩小采样区域的蒙特卡罗移动节点定位算法

针对无线传感器网络中移动节点定位问题,提出一种适用于未知节点移动而信标节点固定的改进蒙特卡罗定位算法,充分利用信标节点与未知节点间的测距误差来缩小采样区域,提高采样效率。仿真结果表明,改进算法在信标节点密度、连通度和节点最大运动速度等不同情况下均能提高定位精度,减少采样次数和计算量,延长网络的生存周期。     

一种基于未知发射功率的室内定位优化算法

在基于RSSI的室内定位中,未知的发射功率会降低节点的定位性能。针对实际应用中发射功率未知的问题,基于真实室内环境下RSSI的变化情况,提出了一种基于未知发射功率的室内定位优化算法。该算法将发射功率看成一个未知的变量,把一个定位问题转化为一个非线性优化问题,并通过将其中的非线性项进行线性逼近,最终采用最小二乘法求出了目标节点的坐标。仿真和实验结果表明,提出的算法在发射功率未知的情况下,要明显优于传统的定位算法,具有很好的定位性能。