距离误差加权与多通信半径的蝙蝠优化定位算法

传统DV-Hop定位算法存在明显的定位误差,改进的粒子群优化算法由于易陷入局部最优、局部收敛过慢等问题无法满足节点的定位精度要求.针对于此,通过设置跳数阈值优选锚节点以排除异常锚节点对定位精度的干扰;引入多通信半径广播方法修正最小跳数;采用距离误差和跳数归一化思想修正平均跳距;通过利用立方映射均匀化初始蝙蝠种群,引入Levy飞行特征加强算法跳出局部最优能力,使用Powell局部搜索加快算法收敛等三方面改进蝙蝠算法,并利用改进的蝙蝠算法定位未知节点.仿真结果表明,相比传统DV-Hop、BIDV-Hop、GAPSODV-Hop等3种算法,本文改进的定位算法有效降低了定位误差,提高了定位精度.     

改进的三次修正DV-Hop定位算法

DV-Hop定位算法是一种定位误差较大的无需距离算法,而各改进算法仍存在较大误差,对此提出一种对未知节点位置进行3次修正的定位算法,该算法根据原始算法定位的缺点与特点,首先根据RSSI测距的理念,来对跳数进行连续性划分,其次提出一种平方误差适应度函数的策略,再对各锚节点在跳距适应度函数的计算中加入跳数-距离匹配因子对适应度函数进行加权,以获得更准确的跳距值,随后使用优化的跳数、跳距定位锚节点和未知节点,未知节点根据周边锚节点的偏差值采用新的锚节点反馈策略进行坐标的第1次修正,在该修正坐标处使用泰勒展开式进行展开寻优,得到未知节点坐标的第2次修正值,最后加入场景性限制条件,将不符合实际的坐标值进行修正得到未知节点的第3次修正坐标值,经实验证明,该算法在3种测试条件下均具有十分优越的定位性能.     

基于概率突跳和模拟退火的改进自适应微粒群算法

在两种微粒群算法分析的基础上.针对算法存在局部最优和后期振荡的现象.提出一种改进自适应微粒群算法.新算法引入概率突跳因子改变了原算法中微粒的速度更新公式,引入模拟退火接受准则抑制了概率突跳的不可控制性.典型函数寻优结果表明.新算法能很快地收敛到全局最优解,大幅度降低了达到最优值所需要的迭代数,同时提高了算法的收敛率和收敛精度,在跳出局部搜索的能力上远优于标准微粒群算法和自适应微粒群算法.稳定性好.     

融合单纯形法和个体记忆的鲸鱼算法及工程应用

针对传统鲸鱼优化算法寻优精度低、收敛速度慢、易获局部最优的不足,提出基于单纯形法和融入个体记忆的改进鲸鱼优化算法。引入非线性收敛因子调整机制,使收敛因子呈现不同递减速率,前期注重全局搜索,后期注重精细开发,协调搜索与开发的平滑转换;引入单纯形法增强种群局部搜索能力,提升寻优收敛速度;融合个体记忆和种群最优解改善位置更新,协调个体与种群的信息交流和个体记忆对算法的搜索和寻优能力。基准函数寻优测试结果表明,该算法可以有效提升收敛速度和寻优精度,避免局部最优解。将改进算法应用于拉伸弹簧设计这类典型工程设计问题,验证了算法的可行性。     

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。     

基于改进蚁群算法的无线传感网络路由算法研究

针对无线传感网络能量消耗不均及节点过早死亡等问题,提出一种新的基于改进蚁群算法的路由算法。在网络结构方面,加入网络分隔带和搜索角,并结合节点剩余能量,共同限制下一跳节点的转移概率;同时改进启发函数,加入能量影响因子,增强算法寻优,避免陷入局部最优;在信息素更新方面,引入阈值机制并设立最优路径权重值来寻找最优路径。仿真结果表明,改进后的算法能够进一步降低网络能耗,延长网络生命周期。     

杰卡德系数差分误差跳距修正的DV-hop改进算法

为了减小无需测距的DV-hop算法的定位误差,提出基于杰卡德系数跳数修正因子的DV-hop改进算法（JDV-Hop）。改进算法使用节点个数集合的杰卡德系数细化节点间的跳数,减小对节点单跳距离内未知节点跳数的估计误差,然后利用DDV-hop算法中的差分误差系数进一步修正节点间的平均跳距。最后在选择参与定位计算的锚节点时,引入一种节点间可以协作式定位的可信度因子,将定位结果精度高的节点升级为新的锚节点,进行下一轮定位。MATLAB仿真结果显示,在相同条件下,改进算法不仅无需增加额外的硬件开销,且与DDV-hop等现有改进算法相比具有明显更高的定位精度。     

卫星网络中基于多QoS约束的蚁群优化路由算法

针对蚁群算法在求解多目标优化问题时存在收敛速度慢、容易陷入局部最优解等问题,提出一种面向卫星网络的多约束QoS路由算法。通过改进蚁群算法的启发函数,将链路QoS信息作为蚂蚁选择下一跳节点的重要依据,并结合排序思想与最大最小蚂蚁算法优化信息素更新规则,获取符合当前业务的最优QoS路径。实验结果表明,该算法在满足卫星网络业务多QoS需求的同时,具有良好的收敛速度和寻优能力。     

基于改进麻雀搜索算法优化的DV-Hop定位算法

为了提高传统DV-Hop算法在无线传感网络中的节点定位精度,提出一种基于改进麻雀搜索算法优化的DV-Hop定位算法.首先,锚节点采用双通信半径细化节点间的最小跳数;然后利用最小均方差准则以及归一化加权因子分别对锚节点和未知节点的平均跳距进行修正;最后,采用麻雀搜索算法估算未知节点的位置,并引入佳点集和Levy飞行策略增强算法的遍历性和跳出局部最优的能力.仿真结果表明,相比于传统DV-Hop算法,改进的算法有效提高了定位精度.     

基于嵌套膜算法的大规模配电网故障定位

配电网故障定位是基于传感器上传过电流信息后的一个高维二进制最优解问题.针对配电网规模增大随之解的维数增加,算法寻优能力不够,以及传感器上传等信息丢失和畸变对算法寻优干扰很大导致故障定位失败的问题,提出了一种膜系统算法,即采用嵌套结构,对大规模配电网分支进行划分,把分支看作一个膜结构进行嵌套膜寻优处理,从而将大规模配电网故障定位这一高维寻优问题转变为多个低维寻优问题,减少了算法陷入局部最优的可能性;为了在寻优策略上平衡勘探和开采之间的矛盾,引入混沌策略改进捕鱼算子,使得其在陷入局部最优时,增加其跳出局部的能力.仿真结果表明:所提方法能准确进行单点或多点故障定位,较遗传算法和仿电磁学算法在收敛速度和准确性上有明显的优势,尤其适用于大规模配电网故障定位;采用实际数据进行故障重现,并用所提算法进行故障定位,结果表明:所提算法能准确进行故障定位,对传感器畸变数据进行容错处理,具有实际意义.     

多策略改进的持续爆破算法

为解决持续爆破算法寻优精度低、易陷入局部最优等问题,提出一种多策略改进的持续爆破算法。在阶段寻优过程中,基于历史阶段最优解提出新的动态爆破半径,提高算法的寻优精度;通过对阶段最优解进行反向变异提高算法跳出局部最优的能力。通过阶段局部最优解向阶段最优解的方向移动的策略更新种群位置,实现种群信息的有效交互。实验结果表明,改进算法的寻优精度和收敛速度明显提升,在求解高维函数优化问题时也有较好的寻优表现。     

WSN中基于改进蚁群的能量优化路由算法

无线传感器网络存在能耗不均的问题,且Sink节点周围的“热”节点会因负载重而过早死亡.针对该问题,提出一种改进蚁群的能量优化路由算法.在节点分布过程中,采用距离带、限制搜索角和距离因子相结合的方法降低节点能量消耗,同时引入激励机制,剔除优选路径上“热”节点中剩余能量较低且路径较长的节点,利用能量充足且跳数较少的节点来均衡“热”节点的传输任务.在此基础上,以一种包含能量因子的伪随机比例规则优化概率转移函数,降低“热”节点失效的概率,增强算法的寻优能力,避免过早陷入局部最优.仿真结果表明,该算法可有效均衡网络能耗,与IEEABR和IARA算法相比,其网络生存周期更长.     

无线传感器网络中一种修正DV-Hop算法

阐述了DV-Hop算法的基本原理。针对原算法中由于节点间跳数过大及小范围的部分节点聚集形成的相似误差使得未知节点的定位精度不高的问题,提出了一种修正DV-Hop定位算法。新算法通过设置门限值修正节点间的跳数,并利用信标节点的估计坐标和实际位置的偏差作为修正因子来修正未知节点的定位结果,同时剔除区域外的未知节点,提高了跳段距离估算精度,降低了定位误差。仿真实验结果表明,在不增加额外硬件的基础上,修正算法的定位精度明显要优于原算法,证明了修正算法的正确性。     

基于改进Jaya的DV-Hop定位算法

针对经典DV-Hop算法定位精度较低的问题,提出一种基于改进Jaya的DV-Hop定位算法。该算法首先添加修正因子修正平均跳距,然后通过共线性的概念选择锚节点以减小定位误差,接着引入Tent映射生成初始种群,以增强种群多样性,提高收敛速度,最后构建目标函数,利用改进的Jaya优化算法求得未知节点坐标。仿真结果表明,提出算法与经典DV-Hop算法和改进算法相比,定位误差平均值分别降低了75.00%和 65.83%,定位精度更高。     

一种求解动态优化问题的改进自适应差分进化算法

针对原始动态自适应差分进化（SADE）算法局部搜索能力弱和寻优精度低的问题,提出一种求解动态优化问题的邻域搜索差分进化（NSDE）算法。通过引入邻域搜索机制,在划分种群最优个体的邻域空间范围内产生候选解,选取候选解集合中的最优解并对种群最优个体进行迭代,增强算法局部搜索能力。在传统基于距离的排斥方案中,引入hill-valley函数追踪邻近峰,提高算法寻优精度。实验结果表明,与SADE、人工免疫网络动态优化、多种群竞争差分进化和改进差分进化算法相比,NSDE算法在49个测试问题中分别有28、38、29和38个测试问题的平均误差更小,综合性能表现更好。     

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.     

基于改进平均跳距和位置修正DV—HOP定位算法

针对传统DV—HOP算法在锚节点随机分布情况下定位误差和计算量较大的问题,提出了基于改进的平均跳距和位置修正的DV—HOP定位算法,根据节点的分布情况,锚节点计算其权值来动态调整其平均跳距,同时引入位置修正因子对用2种方法得到的位置信息进行修正,减少了定位误差,提高定位精度。仿真结果表明,改进算法在不同的锚节点数和不同的锚节点比例情况下都有较好性能,和传统DV—HOP算法相比定位误差明显减小,定位精度明显提高。     

多策略协同改进的阿基米德优化算法及其应用

针对阿基米德优化算法（AOA）寻优过程中存在全局搜索能力弱、收敛精度低、易陷入局部最优等缺陷,提出一种融合多策略的阿基米德优化算法（MAOA）。首先,采用随机高斯变异策略选取适应度优的多个个体引导种群向最优解区域寻优,增强全局搜索能力;其次,利用多种混沌映射的随机性、遍历性和多样性,引入局部混沌搜索策略扩大混沌空间的搜索范围,提高算法的局部开发能力;同时,为了协调算法的全局勘探和局部开采能力,提出一种非线性动态密度降低因子;最后,利用Levy飞行引导机制的黄金正弦策略对种群位置进行扰动更新,增加迭代过程中种群的多样性,提高算法跳出局部最优的能力。通过对12个基准测试函数和部分CEC2014测试函数进行仿真实验,结果表明所提算法能够改善AOA全局探索能力弱、易陷入局部最优等缺点,提高AOA的寻优精度和稳定性。另外,引入机械设计案例进行测试分析,进一步验证MAOA在处理实际问题上的适用性和可行性。     

基于概率突跳和模拟退火的改进自适应微粒群算法

在两种微粒群算法分析的基础上,针对算法存在局部最优和后期振荡的现象,提出一种改进自适应微粒群算法.新算法引入概率突跳因子改变了原算法中微粒的速度更新公式,引入模拟退火接受准则抑制了概率突跳的不可控制性.典型函数寻优结果表明,新算法能很快地收敛到全局最优解,大幅度降低了达到最优值所需要的迭代数,同时提高了算法的收敛率和收敛精度,在跳出局部搜索的能力上远优于标准微粒群算法和自适应微粒群算法,稳定性好.

     

一种自适应惯性权重的混合蛙跳算法

针对混合蛙跳算法(SFLA)易陷入局部最优、收敛速度慢的问题,提出一种改进的混合蛙跳算法。该算法用相对基学习法初始化青蛙群体,从而提高初始解的质量。通过引入自适应惯性权重修正青蛙的更新策略,可以平衡算法的全局搜索和局部搜索。对6个经典函数的仿真测试结果表明,该算法与SFLA和ISFLA1算法相比寻优能力强、迭代次数少、解的精度高,更适合高维复杂函数的优化。