全局跳数优化与跳距误差修正的DV-Hop改进算法

针对DV-Hop算法跳距估算误差积累所导致的定位精度问题,提出一种基于全局跳数优化与跳距误差修正的DV-Hop改进算法。该算法首先利用节点的通信半径与影响节点跳数的相关参数对全局跳数值进行协同优化,以使节点间的跳数趋于合理。然后根据最佳指数的最小均方误差准则计算平均跳距,并与单跳平均误差共同修正平均跳距,以进一步降低平均跳距的误差。实验结果表明,该算法能够有效的降低误差累积的影响,提升未知节点的定位精度,对比DV-Hop算法与相关文献,该算法的节点定位效果更好。     

基于跳数与跳距优化的三维DV-Hop定位算法研究

三维定位是无线传感器网络确定监测对象的重要内容,是当前研究的热点问题之一。针对传统三维DV-Hop定位算法定位精度不高的问题,通过模拟仿真深入分析了误差形成的原因,提出了一种以优化跳数和跳距为核心的三维DV-Hop定位改进算法。该算法通过细化通信跳数以降低原始算法中高估跳数造成的误差,并改进了信标节点的跳距计算方法,调整权重以确定未知节点的跳距。实验结果表明,本算法能显著降低定位误差,定位精度相对传统算法提高了25%～30%。该研究可为无线传感器网络监测空间定位提供参考。     

基于跳数修正的DV-Hop定位的改进算法

DV-Hop算法是一种最典型的非测距的节点定位算法。为了提高DV-Hop算法的精度,引入了前序节点(Previous Node,PN)和总平均每跳距离这两个概念,设计了改进的MHDV-Hop算法,它只需很低的信标节点比例,不改变DV-Hop算法的过程,也不需要额外硬件支持,通过PN的数量计算出未知节点到信标节点跳数的修正系数,使得定位精度有很大提高。     

基于平均跳距估计和位置修正的DV-Hop定位算法

针对传统DV-Hop定位算法只考虑了最近一个锚节点估计的平均跳距,而导致定位误差较大这一问题,提出了一种基于平均跳距估计和位置修正的改进DV-Hop定位算法.改进算法在计算未知节点到各个锚节点距离时,考虑到离该未知节点最近的锚节点到其它锚节点的距离及跳数的不同,计算出不同的平均跳距,使其更接近于实际平均跳距,另外,改进算法还对初步定位结果进行了循环位置修正.仿真结果表明,与传统DV-Hop算法相比,改进算法在不需要增加节点的硬件开销的基础上能更有效地提高定位精度,并且算法简单,计算量小,是无线传感器网络中节点定位的一种实用方案.     

基于DV-Hop测距修正的遗传模拟退火定位算法

为了提升传统DV-Hop算法对无线传感网络WSNs(Wireless Sensor Networks)中未知节点的定位精度,提出基于DV-Hop测距修正的遗传模拟退火定位算法IDV-Hop-GSAL(Improved DV-Hop Ranging-based Genetic-Simulated Annealing Localizatio).IDV-Hop-GSAL算法引入节点相近度概念,进而修正DV-Hop测距值,再利用最小二乘法求解未知节点的初始解.然后,建立基于未知节点位置为参数的数学模型,再利用遗传模拟退火算法优化初始解,从而得到获取未知节点的最优位置.仿真结果表明,与传统的DV-Hop+LS算法相比,提出的IDV-Hop-GSAL算法降低了平均定位误差.     

基于跳数分类的改进DV-Hop节点定位算法

在传统DV-Hop节点定位算法中,不同的网络节点密度使得节点之间不同跳数的平均每跳距离差异较大,跳数越多误差越大.为了减小平均每跳距离差异对节点定位精度的影响,提出一种DV-Hop改进算法.改进算法首先提出跳数分类的策略对网络中不同的跳数进行分类,以减小不同跳数之间平均每跳距离差异的影响,提高节点的定位精度;然后对加权最小二乘估计进行改进,采用改进的权系数取值策略来适应累积误差的非线性变化,从而更好地控制不同跳数在最小二乘估计中的权重,以减小因跳数增加而产生的累积误差,进一步提高节点的定位精度.实验结果表明,改进算法可以有效地减小平均每跳距离差异以及高跳数对节点定位的影响,节点定位性能显著优于传统DV-Hop节点定位算法,相较于对比文献也有一定的提升,并且对不同的网络节点密度具有更好的适应性.     

一种基于跳数修正的DV-HOP定位算法

节点定位技术是无线传感器网络的关键支撑技术之一,传统DV-Hop定位算法中节点间跳数只以整数增加,从而降低了定位精度。针对传统定位算法定位误差较大的问题,提出了一种新的基于跳数修正的DV-Hop定位算法。该算法从两方面进行了改进:对锚节点间的跳数进行修正,使得跳数不再只是整数;对未知节点与锚节点间的跳数进行修正,使得未知节点与锚节点之间的估计距离更加准确。最后,对传统算法和改进算法的性能进行了仿真,结果表明在不增加额外硬件开销的前提下,改进算法可以有效地提高定位精度。     

跳数加权DV-Hop定位算法

针对DV-Hop定位算法中距离估计误差对定位结果的影响,提出了一种信标节点优选方案和跳数加权DV-Hop定位算法。首先通过设定跳数阈值,保留跳数较少的信标节点,然后剔除近似在一条直线上的信标节点,完成信标节点优选,避免未知节点无法定位的情形。此外,利用Friis模型推导出距离估计误差与信号传播跳数之间的映射关系,采用传播跳数作为加权因子对定位结果进行了修正。仿真结果表明该算法降低了距离估计误差对定位精度的影响,提高了定位精度。     

基于RSSI跳数修正的DV-Hop改进算法

针对原始DV-Hop算法中跳数值不能反应出节点间实际距离大小而导致拓扑不规则网络中节点定位误差较大的问题,提出了一种基于接收信号强度指示RSSI(Rceived Sgnal Srength Idicator)的改进算法。首先根据直接邻居节点接收到的RSSI值对第1跳进行分级,细化跳数;同时把节点间的距离比值作为权值,并将其转化为相应RSSI的关系对跳数进行加权修正,使获得的跳数值更准确。仿真结果表明在相同的网络环境下,与传统算法相比改进算法在不增加额外硬件的前提下有效地提高了定位精度。     

基于跳数估计的DV-Hop改进算法

平均每跳距离的估计在无线传感器网络DV-Hop定位算法中占有重要的地位,是决定定位精度的重要因素之一。针对传统DV-Hop算法的不足,本文考虑全局及锚节点周围局部网络,改进平均每跳距离的估计算法,同时,对未知节点到锚节点之间的跳数进行修正。在相同的实验环境下,仿真结果表明改进算法减少了定位误差,一定程度上提高了定位精度。     

基于遗传算法和模拟退火算法的TDOA定位技术

提出一种基于遗传算法与模拟退火算法的TDOA定位估计算法,该算法通过对求解定位坐标计算时的最大似然函数进行求解,实现了利用所有TDOA测量值对移动台的定位估计。该算法采用实数编码,自适应交叉率和变异率实现遗传算法的全局搜索,引入模拟退火的Boltzmann机制,解决遗传算法容易陷入局部最优的问题。实验结果表明,该算法定位精度高、收敛速度快。     

基于遗传模拟退火算法的多层设施选址方法

逆向物流网络是逆向物流系统高效运作的基础和前提,而设施的选址定位是逆向物流网络设计的核心问题.为此,提出一个多层设施选址模型,旨在构建由回收点、回收中心和生产点相结合的最佳逆向物流回收网络.根据模型特点,提出基于遗传模拟退火算法的求解方法,个体采用二进制十进制混合编码;提出基于Metropolis准则的特定遗传进化操作;设计顾客对回收点、回收点对回收中心的两个子分配算法保证所有约束的满足性.最后通过仿真实验,得到满意的设施选址方案.可见,选址模型和算法是一种有效的设施选址方法,具有一定的应用前景.     

基于模拟退火遗传算法的聚类分析

将模拟退火遗传算法用于聚类分析,通过对聚类中心进行编码,定义适应度函数,选择、交叉、变异操作以及模拟退火算法的运用,给出了一种新的基于模拟退火遗传算法的聚类算法,实验结果显示该方法优于基本的遗传算法.     

一种网络跳距修正的分布式定位算法研究

通过对DV-Hop算法的研究,了解到该算法的误差来源于平均每跳距离。针对这一不足,对算法进行了改进。算法通过引入全网平均每跳误差修正值获得未知节点到锚节点的有效距离,有效避免了后续计算过程中误差的累积。通过仿真实验,对本文改进算法在定位精度、覆盖率及稳定性上进行性能分析,结果表明,在不增加通信开销的基础上,随着锚节点密度的增加,改进后的算法以较小的计算量在这三方面均得到了有效的提高。     

基于模拟退火遗传算法对多用户检测仿真

在第三代移动通信系统码分多址(CDMA)的技术问题的研究中,存在多址干扰和误码率问题.针对基本遗传算法在多用户检测中易陷人局部最优解、收敛速度慢导致误码率高.为了解决上述问题,提出一种模拟退火(SA)和遗传算法(GA)相结合的CDMA多用户检测方法(SA-GA).SA-GA将模拟退火引入遗传算法的选择策略和生存策略,通过模拟退火来减轻遗传算法的选择压力,利用模拟退火的BoltZman机制来控制接收交叉和变异后的个体,弥补了基本遗传算法的不足.对SA-GA的CDMA多用户检测方法进行了仿真实验,实验结果表明,SA-GA算法有效的克服基本遗传算法局部最优问题,收敛明显加快,降低了检测的误码率,增强了多址抗干扰能力,证明检测达到了要求.     

模拟退火遗传算法在车间作业调度中的应用

研究车间作业调度系统,使资源达到优化配置.针对提高产品质量,缩短周期,传统遗传算法应用于车间作业调度过程中易出现收敛速度慢、易陷入局部最优,导致作业调度效率极低.为了提高车间作业调度的效率,提出一种模拟退火遗传算法的车间作业调度方法.在遗传算法种群更新过程引入模拟退火机制,防止早熟现象的产生,使种群在更新迭代过程中保持了多样性,加快了收敛速度,克服遗传算法过早收敛的缺陷.采用的SA-GA算法能够在最短时间找作业调度的最优解,对30个车间作业调度标准测试案例进行了仿真.仿真结果表明,使相对平均误差降低了4.6%,极大的提高了车间作业调度效率,验证了在实际生产中应用的可行和优越性.     

基于遗传模拟退火算法的模糊聚类方法

首先对模糊C-均值聚类算法做了简要分析和评论,根据其特点,提出了一种基于遗传模拟退火算法的聚类分析方法,从而提高了遗传算法的全局搜索能力。算法中采用了适合于模糊聚类的树型编码方案,实验表明,该算法可克服系统对数据集及初始聚类中心的敏感性,避免陷入局部极小,具有良好的准确性与可靠性,在模式识别、数据挖掘等领域有着广泛的应用前景。     

基于GA-SA混合算法的VLSI门阵列布局设计

布局是VLSI布图设计中的关键环节，通常采用随机优化算法。该文采用遗传算法(GA)与模拟退火法(SA)相结合的搜索算法实现VLSI门阵列模式布局，利用遗传算法进行全局搜索，模拟退火法进行局部搜索。进化过程中采用精英保留策略，并对进化结果进行有选择的模拟退火操作，这样既加强了局部搜索能力又防止陷入局部最优。在复合布局目标函数中引入对最长线网的惩罚，其收敛速度比以总线长度为单一目标函数的要快。在交叉操作中，对交叉位置的选择采用了一种新的策略，增加了交叉的有效性。实验表明，此算法与简单遗传算法相比，有效地提高了全局搜索能力。