基于改进鱼群算法的无线传感器网络覆盖优化

为了改善传感器节点在网络中随机部署时的不合理分布和提高节点的网络覆盖率,以网络覆盖率、节点利用率和能耗均衡程度为优化目标,提出了改进人工鱼群的无线传感器网络覆盖优化算法.该改进的算法利用混沌运动的遍历性,克服了人工鱼群算法陷入局部最优的缺点,提高了算法的全局搜索能力,同时结合反馈策略,优化了求解效率.仿真结果表明,在全局范围内,新算法可以求解得到更优的解,能以较少的工作点达到更好的网络覆盖优化效果,而且网络能耗也比较均衡.     

改进蚁狮算法的无线传感器网络覆盖优化

为了有效提高无线传感器网络的节点覆盖率,提出一种基于混合策略改进蚁狮算法的网络覆盖优化方法。首先,利用连续性边界收缩因子提高算法的搜索遍历性,加快收敛速度。其次,在精英化阶段引入动态权重系数,以平衡算法的全局探索与局部开发能力。然后,结合早熟收敛判断机制与动态混合变异方法,使算法能够有效跳出局部最优,通过在 12个基准函数上的对比实验,验证了改进策略的有效性。最后,将该算法应用到无线传感器网络覆盖优化中。实验结果表明,相比其他 文献中的优化算法,该算法提高了网络覆盖率,优化节点分布更加均匀。     

基于改进鲸鱼优化算法的WSN覆盖优化

针对无线传感器网络在随机部署移动节点时,存在分布不均匀导致的覆盖率较低的问题,以网络覆盖率最大化为目标建立网络覆盖优化模型,提出一种基于改进鲸鱼优化算法(IWOA)的网络覆盖优化策略;首先,采用量子位Bloch球面坐标编码初始化种群,提升种群多样性,扩展搜索空间的遍历能力;其次,提出一种基于步长改进的位置更新方式,平衡算法的全局探索和局部搜索能力;最后采用莱维飞行,对个体进行扰动更新,提高跳出局部最优的能力。仿真结果表明,将改进后的鲸鱼优化算法应用在WSN覆盖优化中,与标准鲸鱼优化算法和其他文献中的算法相比,有效减少了传感器节点冗余,表现出更快的收敛速度和更高的覆盖率,进而改善网络监测质量,延长网络生存时间。     

基于鱼群算法的无线传感网络覆盖优化策略*

无线传感网络是能量受限的网络,有效覆盖和能耗是衡量其性能的两个重要指标。将最大化网络覆盖率和最小化工作节点数作为网络优化目标,建立了网络覆盖优化的数学模型,并利用鱼群算法并行寻优、收敛快速的特性,提出了一种基于鱼群算法的覆盖优化策略。仿真实验表明,该算法能求解最优覆盖工作节点,并可以改进网络节点调度的实时性。     

改进人工蜂群算法在WSNs覆盖优化中的应用

为了改善无线传感器网络(WSNs)中节点分布不均匀、部署时间长、网络覆盖率低等缺点,提出了一种基于改进人工蜂群(ABC)算法的覆盖优化方法、通过引入覆盖因子改善观察蜂选择算子,结合反馈策略改进采蜜蜂搜索过程,采用基于当前最优值的自适应侦查策略,提高了算法的收敛速度与精度.仿真结果表明:方法通过较少的迭代次数达到传感器分布更加均匀,覆盖率更高的目的,有效减少了传感器节点冗余、降低了网络能耗,延长了WSNs的生命周期.     

混合无线传感器网络节点覆盖优化

为了解决混合无线传感器网络的节点覆盖率低的问题,提出了改进粒子群的混合无线传感器网络节点覆盖迭代优化算法.在该算法中,首先将混合无线传感器网络节点覆盖模型转化为在网络系统中动态的求覆盖率最大值的节点部署位置寻优问题;然后提出利用改进粒子群算法对节点覆盖优化方案进行粒子及其权值映射,并依据粒子粒距聚类度和粒子信息熵对粒子权值进行调整,再依据粒子适应度值对粒子局部最优值和全局最优值进行更新;最后迭代地对粒子的位置和速度进行计算,输出具有最优覆盖率的节点部署方案.仿真结果证明,该算法能够有效的提升网络覆盖率,且算法的收敛速度快.     

RGA-D：一种无线传感器网络覆盖优化方法

研究了无线传感器网络覆盖优化问题,针对传感器节点随机部署、分布不均,传统覆盖优化算法一般只考虑网络部署后单次优化的问题,提出基于节点冗余和覆盖集冗余的计算方法,用网络的局部特征表征全局特征,改进了网络覆盖模型。并在此基础上提出RGA-D算法,利用遗传算法计算覆盖集,同时考虑节点和覆盖集冗余度,对网络整个生存期进行全局优化。仿真实验表明,RGA-D算法能在活跃节点数和网络覆盖率之间达到平衡,解决了网络生存期后期容易出现覆盖盲区的问题。     

基于混沌人工蜂群算法的无线传感器网络覆盖优化

针对无线传感器网络随机播撒的节点严重冗余并且导致网络寿命短、覆盖效率不高等缺陷,提出了一种混沌人工蜂群算法的无线传感器网络覆盖优化算法;将节点的利用率和覆盖率作为优化目标函数,建立与之对应的数学模型,之后用混沌人工蜂群算法改善人工蜂群算法陷入局部最优、收敛慢等问题,提高算法收敛速度和精度,对节点覆盖模型进行求解,得出网络最优覆盖方案;通过实验仿真,提出的算法提高了无线传感器网络的覆盖率,覆盖率可达93.48%以上,减少了网络节点冗余,提高了网络寿命,降低了网络成本。     

改进QGA在WSNs节点部署中的应用

对含有障碍区域的无线传感器网络（WSNs）节点部署问题进行研究。建立节点探测模型和网络覆盖率评价方法,基于概率传感器模型提出一种部署方式,即对障碍区域进行随机布撒节点,确定区域采用量子遗传算法（QGA）寻找最优节点部署位置,实现对同构WSNs节点构成的目标区域的高效覆盖。仿真结果与GA,QGA相比：改进QGA有效提高了算法整体的搜索能力和收敛速度。     

基于改进蛙跳算法的无线传感器网络覆盖优化

针对传统算法在解决无线传感器网络覆盖优化上存在的覆盖率较低和节点分布不够均匀的问题,提出了一种改进的蛙跳算法;为了同时达到增加算法的种群多样性和加快算法收敛速度的目的,改进蛙跳算法分别增加了个体高斯学习机制和根据粒子群思想改进的更新策略,让族内最差个体在自身附近进行局部搜索,若无效,则使族内最差个体同时向族内最优个体和全局最优个体学习;在性能评估实验中,对改进的蛙跳算法分别进行了标准函数测试和无线传感器网络覆盖优化测试;测试结果表明,在6个标准测试函数中,改进的蛙跳算法与其他算法相比在4个测试函数上的收敛精度有了明显提高;在无线传感器网络覆盖优化中,改进的蛙跳算法也能够使节点分布更加均匀,使网络覆盖率达到了85.6%。     

改进的群搜索优化算法在结构优化中的应用

针对桁架结构优化设计问题,对群搜索优化算法（GSO）进行了算法修改和参数调整,并将修改后的算法应用到10杆、17杆和200杆共3个桁架结构截面优化设计算例中,同时与另一种GSO改进算法（IGSO）进行了对比分析。对于每个算例,该文改进算法和IGSO算法各运行了10次,从10次运行的统计结果可以看出,改进算法的优化效果和稳定性均好于IGSO算法。另外,改进算法也与目前结构优化中较好的其它几个算法进行了比较,总体来说,改进算法的最佳优化结果与这些算法的最佳结果相当。     

An improved group search optimizer with operation of quantum-behaved swarm and its application

Group search optimizer (GSO) is a novel swarm intelligent (SI) algorithm for continuous optimization problem. The framework of the algorithm is mainly based on the producer-scrounger (PS) model. Comparing with ant colony optimization (ACO) and particle swarm optimization (PSO) algorithms, GSO emphasizes more on imitating searching behavior of animals. In standard GSO algorithm, more than 80% individuals are chosen as scroungers, and the producer is the one and only destination of them. When the producer cannot found a better position than the old one in some successive iterations, the scroungers will almost move to the same place, the group might be trapped into local optima though a small quantity of rangers are used to improve the diversity of it. To improve the convergence performance of GSO, an improved GSO optimizer with quantum-behaved operator for scroungers according to a certain probability is presented in the paper. In the method, the scroungers are divided into two parts, the scroungers in the first part update their positions with the operators of QPSO, and the remainders keep searching for opportunities to join the resources found by the producer. The operators of QPSO are utilized to improve the diversity of population for GSO. The improved GSO algorithm (IGSO) is tested on several benchmark functions and applied to train single multiplicative neuron model. The results of the experiments indicate that IGSO is competitive to some other EAs.     

求解高维函数的改进萤火虫群优化算法

针对萤火虫群优化(GSO)算法求解高维函数时存在求解精度不高、收敛速度慢等缺点,提出了一种带变异算子和集群觅食行为算子的改进萤火虫群优化算法。该算法使用变异算子来指导离群萤火虫的进化方向,从而提高了离群个体的利用率,改善了算法的整体效率。集群觅食行为算子的加入能使算法对捕捉到的全局最优域进行更进一步的求精,极大地提高了算法的计算精度和收敛速度;同时,该算子有效地防止了算法陷入局部最优值的危险,扩大了算法在后期的全局搜索范围。通过8个典型的基准函数测试,结果表明：改进后萤火虫群优化算法具有更强的全局优化能力和更高的成功率。     

一种改进粒子群迭代优化的集成网络智能节点部署算法

为了解决复杂环境中集成网络系统的智能节点交又覆盖和相互千扰对智能节点最优位置选择的影响问题, 提出了一种改进粒子群迭代优化的集成网络智能节点部署算法。在该算法中,首先将集成网络系统智能节点部署模 型转化为在交又率和千扰约束目标下的优化问题;然后利用改进粒子群算法对节点部署方案进行映射,依据粒子粒距 聚类度和粒子信息墒对粒子权值进行修正,再计算粒子的适应度值,对粒子的局部最优解和全局最优解进行更新;最 后利用粒子速度和位置更新策略对智能节点部署进行迭代优化。仿真对比实验证明,该算法具有较好的收敛速度,且 收敛值更优,有效地保证了在覆盖率最大时干扰最小。     

基于虚拟力的LoRa浮标网络覆盖优化算法

无线传感网络（WSN）节点部署问题是目前无线传感网络应用研究的关键点。针对传统网络节点部署存在收敛速度慢、全局优化性能不强、感知角度受限的问题,提出一种虚拟力导向的全向感知覆盖算法（VFOPCA）。该算法在传统虚拟力算法的基础上提出热点区域与节点间的受力模型,并采用0/1圆盘覆盖模型,对网络节点部署进一步优化。实验仿真表明,虚拟力导向的全向感知覆盖算法能快速有效地实现网络节点全局优化部署,与VFA、DACQPSO等全向感知模型算法相比,该算法覆盖程度更好、收敛速度更快、能耗程度更低。     

基于改进的萤火虫优化算法的混合语音盲分离

针对传统盲源分离优化算法对分离性能影响较大的局限性,提出了一种基于改进的萤火虫优化的混合语音盲分离算法。将萤火虫的飞行跨度由固定取值变为由新构造的函数自适应调整,在加快收敛速度的同时避免算法早熟现象的发生。实验结果表明,与基于自然梯度、标准萤火虫和粒子群优化的盲分离算法相比,新算法对混合语音信号的分离效果较好,在收敛速度和分离能力方面都有所提升。     

基于鲸鱼优化改进算法的基站选址

基站选址优化是网络通讯中的重要优化问题,对网络通讯质量有着极大的影响。本文基于基站选址优化问题的约束条件,以网络覆盖率作为优化指标,构建一种基站选址优化模型。传统优化算法有着收敛速度慢、易于陷入局部最优等问题,为此本文提出一种鲸鱼优化改进算法。首先,引入收敛因子随着迭代次数非线性递减的自适应改变策略以提升算法收敛能力;然后,对部分个体施加服从正态分布的变异扰动,以避免算法早熟收敛。其测试函数和基站选址优化问题的测试算例的仿真结果表明,本文提出的改进算法能够获得更理想的优化解,且具有较快的收敛速度。     

无线传感器网络动态节点选择优化策略

无线传感器网络的能耗和有效覆盖率是衡量其性能的两个重要指标.无线传感器网络动态节点选择优化策略通过合理配置各无线传感器节点状态,平衡网络能耗和有效覆盖率,提高网络能效性,延长网络寿命.提出一种结合了Hopfield网络与遗传算法的动态节点选择优化策略,简称为HN-GA.该策略通过遗传算法实现全局搜索,采用Hopfield网络缩小遗传算法的搜索范围,保证遗传算法中每个基因对应待选解的有效性,并针对动态节点选择优化提出一种基于无线传感器网络能耗、寿命和有效覆盖率的综合指标.仿真实验表明,HN-GA算法能有效完成无线传感器网络动态节点选择优化,并在确保网络有效覆盖率的前提下,通过动态配置各无线传感器节点状态,降低网络能耗,延长网络寿命.与遗传算法和Hopfield网络相比,HN-GA算法不仅全局搜索能力强,且收敛速度快、耗时少.