基于蚁群算法的无线传感器网络能量有效路由算法研究

本文结合蚁群算法的理论,提出了改进的能量有效路由算法(IEEABR),该算法在蚂蚁数据包结构、概率选择公式及信息素更新公式等方面做了改进.通过为前向蚂蚁与后向蚂蚁设计不同的报文结构提高了传输效率.概率选择过程中考虑邻居剩余能量的相对大小,能够避免蚂蚁选择能量较小的邻居作为下一跳,均衡了网络能量的消耗.让前向蚂蚁在路径搜...     

基于蚁群算法的能量均衡多路径路由算法的研究

本文对现有的基于蚁群算法的路由协议进行了深入的研究,并提出了一种基于蚁群算法的能量均衡多路径路由算法（ABMR）,该算法在蚂蚁数据包结构、信息素更新公式、信息素更新方式和多路径建立机制等方面作了改进。在信息素更新公式中综合考虑了路径的能量消耗速度、路径上剩余的最小能量、距离目的节点Sink的跳数和路径的拥塞程度。在信息素更新方式上,改变传统的信息素的累加更新方式,采用彻底的链路信息素更新方式,使网络负载更加均衡。ABMR的多路径生成机制可以在源节点和目的节点间更加合理的建立起多条路径。数据发送阶段,概率路由选择策略使数据流量均衡的注入无线传感器网络。本文在NS-2仿真环境下对ABMR协议进行仿真实验,仿真结果表明,和传统协议比较, ABMR协议在能量有效性、数据分组投递率以及分组端到端时延等方面都有一定的提高。     

基于蚁群优化算法的BP神经网络的RPROP混合算法仿真的研究

本文对蚁群优化算法的BP神经网络中的RPROP混合算法进行了研究,提出了利用蚁群优化算法,结合RPROP混合算法解决无线网络传感器中如何处理信息服务点中大量的冗余数据、网络运行速度等相关问题,通过建立系统构架及信息服务点,证明该算法能够延长BP神经网络的生命周期,加快BP神经网络的收缩速度,能够将网络中信息服务点的重复数据进行有效的合并处理,并及时过滤掉非正常信息服务点的数据,减少数据服务点的能量消耗,期训练过程中迭代次数改善明显,解决BP神经网络的学习、训练时间冗余等问题,同时具有较强的计算、寻优等能力,提高了网络分类正确率和运行的效率,是一种较为实用的算法,完全能够满足日益增长的无线互联网终端的运行需要。     

一种基于BP神经网络与蚁群算法的病毒检测

由于病毒技术在不断地更新之中,如今的部分病毒具有自我变形的能力。在面对具有自我变形能力的病毒时,传统的病毒检测方法容易产生漏警和虚警。为了增强杀毒软件对病毒的感知力,使得杀毒软件具有一定的智能性十分必要。     

基于蚁群算法的神经网络在电子商务中的应用

本文建立了基于蚁群算法的神经网络模型,充分发挥了蚁群算法的全局寻优能力和BP算法的局部搜索优势。通过仿真实验表明,将蚁群算法用于神经网络优化,收敛速度快、预测精度高,与BP算法进比较,基于蚁群算法的神经网络提高了电子商务推荐系统的准确性、速度。     

蚁群算法的BP网络优化算法

利用蚁群算法和BP网络训练算法相结合的方法对无线传感网络节点路由路径搜索展开了分析研究,简单分析了蚁群算法实现的基本原理,在此基础上重点给出了基于蚁群算法的BP网络优化算法的基本原理及其实现步骤,并对该优化算法与传统的BP网络训练算法的性能进行了对比仿真测试。     

基于NS2的无线地下网络信道模型仿真

受限于复杂的地下通讯环境,对无线地下传感器网络的大多研究还停留在理论阶段。主流仿真平台所提供的信道模型都只适用于地上无线通信的仿真,没有合适的模型能反映电磁信号在地下环境能量严重损耗的情况。为解决以上问题,给无线地下网络研究提供仿真实验平台,本文采用双径模型为基础叠加多径瑞利衰落的信道模型,在NS2上加以实现并在实现的平台上进行仿真实验。分析吞吐率和单位有效比特能量消耗这2个性能指标在不同含水量下的变化规律。结果表明,所采用的模型能很好地反映地下通讯情况,验证了双径叠加多瑞利分布模型用于地下环境仿真的可行性,为以后的无线地下网络研究提供参考。      

混合遗传蚁群算法优化BP神经网络预测空气质量

为了进一步提高空气质量指数预测精度,提出一种混合遗传蚁群算法优化BP神经网络的方式对空气质量指数进行预测.首先初始化蚁群算法的信息素分布,对不满足适应度条件的进行遗传算法的交叉、变异操作,进而计算蚁群的状态转移概率和信息素浓度,当适应度值满足条件要求时,将寻优结果作为BP神经网络的最优权值和阈值,来改善单一BP神经网络的不足.最后通过运用西安市的空气质量指数日历史数据进行验证,实验表明,本文所提模型的各个评价指标相对其他对比模型误差更小,在预测精度方面具有更高的说服力,因此能够有效地预测空气质量指数.     

基于NS2的无线地下传感器网络信道模型的扩展与实现

 无线地下传感器网络作为一个全新的研究领域,它的大多数研究还在理论阶段。建立一个更接近真实地下环境的仿真平台,可以减少部署实验所耗费的资源。本文以现有的双径模型叠加多径瑞利衰落的地下信道模型为基础,建立考虑电磁传播信号所有成分的地下信道模型,同时增加地下-地上信道模型以及地上-地下信道模型,在NS2上进行仿真实现。在实现的平台上进行仿真,分析了吞吐率和丢包率这2个性能指标在不同通信距离的变化规律。仿真结果表明,所采用的模型能很好地反映地下通信情况,验证了模型用于地下环境仿真的可行性,为无线地下网络的学习和研究提供了参考及工具。     

基于非均匀分簇和蚁群神经网络的WSN数据融合算法

为了确保无线传感器网络在列车车厢中能高效稳定地工作,提出了一种基于蚁群优化神经网络的数据融合算法 (DFA-IACOBP)。该算法将无线传感器网络非均匀分簇结构与神经网络结构相结合,建立一个基于非均匀分簇路由神经网络的无线传感器网络数据融合模型。在非均匀分簇路由算法中,候选簇头根据竞争半径构造出大小不一的簇,并在每个簇中竞选出两个簇头。主簇头负责簇内信息采集和处理,副簇头承担簇间信息转发,神经网络的权值和阈值由蚁群算法优化寻得,优化后的神经网络能从存在大量冗余数据的无线传感器网络提取有效特征数据并传输至汇聚节点。仿真结果表明:DFA-IACOBP算法能大幅降低网络中冗余数据,减少网络数据通信量,提高特征数据采集效率和网络整体性能。     

基于蚁群算法的神经网络在企业资信评估中的应用

BP算法在资信评估中应用较为广泛，但有收敛速度慢、易于陷入局部极小点的缺点。提出一种新的企业资信评估模型，该模型将蚁群算法和神经网络结合起来，使其既具有神经网络的广泛映射能力，又有蚁群算法带来的高效率，全局收敛，分布式计算等特点。实验表明,基于蚁群算法的神经网络对企业资信评估有着良好的性能。     

蚁群优化神经网络的网络流量混沌预测

为了网络流量预测准确性,提出一种蚁群算法（ACO）优化BP神经网络（BPNN）的网络流量混沌预测模型（ACO-BPNN）。对网络流量时间序列进行重构,将BPNN参数作为蚂蚁的位置向量,通过蚁群信息交流和相互协作找到BPNN最优参数,建立网络流量最优预测模型,并采用实测网络流量数据进行有效性验证。结果表明,ACO-BPNN能够准确刻画网络流量变化特性,提高网络流量的预测准确性。     

蚁群算法在网络路径可靠性研究中的应用

用蚁群算法来解决网络可靠性优化中遍历所有节点的最短路可靠度问题和最可靠路径问题的研究中,并给出网络可靠度下界的一个估计。用MATLAB语言编程进行算法的实现和仿真。结果表明,用蚁群算法解决网络的可靠性问题是可行并有效的。     

基于蚁群算法的Hopfield神经网络在多空间站路径规划的应用研究*

空间机器人每次携带的燃料有限,提高空间机器人的工作效率以及延长其在轨寿命研究具有重要意义,分析了空间机器人多空间站访问问题。为了弥补传统路径规划方法容易陷入局部极小点的问题,提出利用基于蚁群算法的Hopfield神经网络来解决空间机器人多空间站访问问题。仿真实验结果表明,基于蚁群算法的Hopfiled神经网络用于多空间站访问问题,收敛速度要比Hopfield神经网络快,且比Hopfield神经网络易于跳出局部极点,该算法有利于解决多空间站路径规划问题。     

基于蚁群算法的一种能量高效路由算法的研究*

为了达到在信息传输路径上节能的目的,提出了一种基于蚁群算法的节能路由算法。该算法根据节点当前可用能量选择下一跳节点,按照节点经过的人工蚂蚁数选择数据汇聚节点,最终达到能量均衡使用和降低通信量的目的。经仿真计算证明该算法能合理地选择路由,节能效果明显,进一步延长了网络生存期。     

无线mesh网中基于蚁群算法的多约束QoS路由研究

针对多约束QoS路由问题的求解,现今并没有有效的近似算法,一般采用启发式算法求解。先介绍了QoS、QoS的各种参数指标以及多约束QoS路由的定义,接着通过移动Ad-hoc网和无线mesh网络的异同的比较,根据Ad-hoc网络的研究现状,分析了蚁群算法在无线mesh网络中QoS研究的可行性。     

基于双策略蚁群算法的配电网络重构研究

电网的网络重构本质上属于非线性组合优化问题。随着智能电网的快速发展和电网规模的急剧扩张,网络重构算法的计算复杂度也大幅增加。蚁群算法具有鲁棒性、可并行性和正反馈机制等优点,因而被广泛应用于组合优化问题的求解之中。然而,现有的蚁群算法仍存在计算速度慢,易于陷入局部最优等缺点。为解决上述问题,提出了一种削减-累加双策略的蚁群算法并将其应用于电力系统的网络重构计算中。一方面,定义削减因子,使迭代过程中的蚂蚁数量随算法收敛的稳定程度而不断减少,实现动态自适应的蚂蚁数量选择机制以加快计算速度;另一方面,定义积累因子,增加了信息素的积累阶段,引导算法跳出局部最优,提高找到最优拓扑结构的概率。实验结果表明,在信息素更新次数和初始蚂蚁数量都相同的情况下,与已有工作相比,提出的算法能够将计算速度提升约25%;同时,将最小网损降低约9%。     

基于蚁群优化算法的瓦斯预测模型研究

针对瓦斯煤尘爆炸和煤与瓦斯突出给煤炭矿山企业带来的危害极大的问题,将蚁群优化算法和BP神经网络技术结合应用到瓦斯涌出量预测,建立比较准确的预测模型。重点研究了BP网络模型的选择与优化训练,通过蚁群算法优化解决了BP神经网络易陷入局部收敛的问题。仿真与实际数据验证表明：改进的神经网络算法对瓦斯涌出量预测能达到良好的效果。     

基于量子蚁群算法的网格任务调度研究

任务调度策略是网格计算的核心问题。在系统任务调度和资源分配中,提出一种基于量子蚁群算法的任务调度策略。算法将量子计算与蚁群算法相融合,通过对蚁群进行量子化编码并采用量子旋转门及非门操作,实现对任务自适应启发式的分配和优化。算法有效增强了种群的多样性、克服了遗传算法和蚁群算法的早熟收敛和退化现象。仿真实验中,分别与基于遗传算法和基于蚁群算法的任务调度策略相对比,结果表明算法有效缩短了任务调度的时间跨度,增强了网格系统的性能。