能量高效的无线传感器网络分簇路由算法研究*

针对LEACH算法中簇首分布不均及簇首与基站一跳通信能耗大的问题,提出了一种基于能量高效的无线传感器网络分簇路由算法。首先,基于节点接收信号强度与自身剩余能量的乘积及网络连通度选取簇首,计算簇首间的合理距离,使网络均匀分簇;其次,基于跳数及簇首当前剩余能量构造簇间优化路由树;然后用OMNeT++对该算法进行仿真对比分析。仿真结果表明,与LEACH等分簇路由算法相比,采用该算法,簇首分布更均匀,提高了簇的负载平衡程度,使节点的能量更为高效,延长了网络的生命周期。     

无人机自组网基于加权的稳定分簇算法

相较于传统移动自组网,无人机自组网具有节点移动速度更快、分布范围更广、网络规模更大的显著特征,而分簇结构能实现网络的有效控制和管理,提高网络的扩展性.为了提高分簇结构的稳定性,提出了一种基于加权的稳定分簇算法,该算法基于现有加权分簇算法,从分簇测度指标的选取、指标权重因子分配、分簇稳定保持策略三个方面进行改进.仿真结果表明,该算法不仅能合理控制分簇数量,有效提高网络的扩展性,而且能够延长簇首保持时间和降低成员节点的簇间切换次数,提高分簇的稳定性.     

无线传感器网络中基于分层的非均衡分簇算法

降低网络能量消耗、延长网络寿命是无线传感器网络设计的重要目标,分簇是实现该目标的主要方法之一。针对矩形传感器网络,提出一种基于分层的非均衡分簇算法。算法根据节点的能量消耗情况计算出了每层的宽度,可以有效实现网络的能耗均衡。将非均衡分簇算法与LEACH协议进行了比较,仿真实验表明:基于分层的非均衡分簇算法可以更好地实现能耗均衡,能有效延长网络的寿命。     

Ad Hoc网络中一种基于传输功率的分簇算法

Ad Hoc网络中无线节点无规律的移动使网络的路由选择、QoS保障等问题面临新的难题。分层结构在Ad Hoc网络中被广泛应用以减少路由开销,满足网络规模扩充的需要。由此提出一种基于传输功率的分簇算法,通过模拟实验对该分簇算法与其他3种分簇算法进行重入簇和统治集更新方面的性能比较,证明该方法有效提高了簇结构的稳定性。     

Ad Hoc网络自适应安全加权分簇算法

为解决Ad Hoc网络分簇过程中恶意节点被选为簇首带来的安全隐患,保障Ad Hoc网络的正确分簇和稳定运行,提出基于节点相关度、相对移动性、剩余能量值、安全评估度量值多方面因素的自适应安全加权分簇算法。安全评估度量参数由外部入侵检测系统和内部节点信任度共同计算得到,确保安全因素在分簇过程中的准确性;基于该算法给出相应分簇管理过程。仿真结果表明,该算法能够改善分簇性能,提高Ad Hoc网络的安全性。     

模糊边缘检测无线传感器网络分簇算法

针对传统分簇算法簇头选举仅单一考虑节点位置或能量分布的问题,提出了一种基于模糊边缘检测的无线传感网络分簇算法,该算法综合考虑拓扑边缘信息和节点能量分布,根据网络能量分布情况调整带宽内边缘节点参与簇头选举的概率.仿真结果表明,该算法簇头选举相对于LEACH算法分布更加合理,有效延长网络生命周期.     

WSN中基于能耗模型的簇树路由构建方法

目前针对数据融合的分簇路由缺少合理的分簇依据,可能会造成多余能量的消耗。为此,提出一种基于能耗模型的优选分簇树型路由构建方法。由经典树型能耗模型证明网络优选分簇理论的存在性,基于该理论给出优选分簇数据融合树算法,从而实现簇树路由的构建。仿真结果表明,该方法能提高网络整体能耗,延长网络生存周期。     

一种基于移动预测的自适应Ad hoc网络分簇算法

在移动Adhoc网络中采用分簇机制可以达到在拓扑结构频繁变化的网络环境中快速部署节点通信的目的。本文在深入研究移动预测技术的基础上,分析已有分簇算法存在的诸多不足,提出了一种基于移动预测的自适应分簇算法,包括分簇算法和分簇保持策略两方面的内容,并通过模拟证明该算法保持了分簇结构的稳定性,提高了网络负载平衡能力,减少了节点之间的通信路由开销,有效防止了通信的中断,弥补了已有分簇算法的不足。     

无线传感器网络分簇路由协议的改进研究

针对无线传感器网络（WSN）中分簇路由协议LEACH算法中簇首分配不均以及簇首与Sink节点直接通信问题进行研究．提出一种基于LEACH成簇思想的分簇路由协议。该算法基于节点剩余能耗和已担任簇首时间选举簇头。簇头间采用贪婪算法形成一条链,在该链中又选出一个簇头,将整个网络的数据融合后转发给基站。MatLab仿真结果显示,改进后的算法在均衡网络节点能耗和网络的生存时间上比LEACH算法有很大提高。     

无线传感器网络中一种节点负载均衡的分簇算法

无线传感器网络节点的能量有限,而分簇算法能有效解决节点能耗受限与不同节点能量开销不平衡问题。在网络路由分簇的基础上,提出了一种节点负载均衡的分簇算法。该算法对经典的分簇协议LEACH的簇头选择机制进行了改进,应用量子粒子群对簇头选取进行优化。为解决算法后期易陷入局部极小的问题,采用了基于群体适应值方差的早熟判断机制,结合模拟退火算法进行局部优化。仿真结果表明:该算法使网络节点负载更均衡,有效提高了无线传感器网络的性能。     

面向混合属性数据集的双重聚类方法

面对复杂信息环境下的数据预处理需求,提出了一种可以处理混合属性数据集的双重聚类方法。这种双重聚类方法由双重近邻无向图的构造算法或其改进算法,基于分离集合并的双重近邻图聚类算法、基于宽度优先搜索的双重近邻图聚类算法、或基于深度优先搜索的双重近邻图聚类算法来实现。通过人工数据集和UCI标准数据集的仿真实验,可以验证,尽管这三个聚类算法所采用的搜索策略不同,但最终的结果是一致的。仿真实验结果还表明,对于一些具有明显聚类分布结构且无近邻噪声干扰的数据集,该方法经常能取得比K-means算法和AP算法更好的聚类精度,从而说明这种双重聚类方法具有一定的有效性。为进一步推广并在实际中发掘出该方法的应用价值,最后给出了一点较有价值的研究展望。     

基于聚类的客户细分方法研究

本文首先对聚类算法进行了分析,然后以中小型商业批发企业为例,设计了一种反映客户价值与客户关系质量的客户细分模型,应用K-Means聚类方法进行了实际的挖掘。探讨在中小型企业不能提供完备数据的情况下,只要设计出合理的细分模型并选择合适的算法仍然可以实现有效的客户细分。     

云计算环境下基于分形的聚类融合算法研究

传统的聚类算法不适用于处理海量和高维数据。针对云计算环境下,利用集群系统的并行计算能力,实现海量数据的聚类问题,给出了云计算环境下基于分形维数的聚类融合算法。该算法首先对基于分形维数的聚类算法进行改进,使之更适用于并行计算,其产生聚类作为初始聚类成员;再结合投票算法的融合策略实现融合。最后,对基于分形维数的聚类融合算法在云计算环境下实现并行计算。通过在UCI数据集上的对比实验来验证该算法的有效性。     

基于上下文约束的噪声模糊聚类算法

针对带噪声数据的聚类问题,提出一种基于上下文约束的噪声模糊聚类算法。该算法基于标准的模糊C-均值聚类理论,在修改模糊聚类目标函数的同时,结合问题的实际背景引入上下文模糊集,修改模糊划分空间的约束条件,以减少噪声对聚类结果的影响。实验结果表明：该算法能够有效地避免噪声对聚类的影响,具有很强的鲁棒性。     

Crowding clustering genetic algorithm for multimodal function optimization

Interest in multimodal function optimization is expanding rapidly since real-world optimization problems often require location of multiple optima in a search space. In this paper, we propose a novel genetic algorithm which combines crowding and clustering for multimodal function optimization, and analyze convergence properties of the algorithm. The crowding clustering genetic algorithm employs standard crowding strategy to form multiple niches and clustering operation to eliminate genetic drift. Numerical experiments on standard test functions indicate that crowding clustering genetic algorithm is superior to both standard crowding and deterministic crowding in quantity, quality and precision of multi-optimum search. The proposed algorithm is applied to the practical optimal design of varied-line-spacing holographic grating and achieves satisfactory results.     

混合聚类彩色图像分割方法研究

提出了一种基于K-均值算法和EM算法混合聚类的彩色图像分割方法。首先将待分割的RGB彩色图像转化成YUV空间模型,然后将该图像分割成n小块,对每个块的颜色分量用改进的K-均值聚类算法进行聚类分析,最后用EM聚类算法对每个块进行聚类,分割源图像。对K-均值算法和EM算法的初始聚类中心引进了改进算法,加快了算法的收敛速度。并与相似的分割方法进行了比较实验,给出了详细的实验结果与分析。实验表明该方法分割速度快,效果好,具有较高的实用价值。     

一种基于遗传算法的聚类方法及其应用

文中提出了一种基于遗传算法的自适应聚类新算法,该算法以聚类中心坐标为遗传算法种群的个体,采用改进的遗传算子和群体更新规则,利用遗传算法的高效全局搜索特性实现聚类,不仅克服了模糊C-均值算法对初始聚类中心和样本输入次序敏感等不足,而且在结合聚类有效性分析的基础上实现了聚类中心数目的自适应调整.通过以该自适应聚类算法对MQAM信号星座进行重构,提出了一种基于星座聚类的MQAM调制识别新方法.仿真表明,文中提出的聚类算法运算效率较高,结果令人满意;基于该聚类算法的MQAM信号识别方法是实际有效的.     

基于K-均值与蚁群混合聚类的图像分割

针对单一聚类算法在图像分割中容易陷人局部最优或有过分割现象,造成分割精确度低等问题,文章提出了基于K-均值聚类和蚁群聚类相结合的新算法.新算法先将K-均值算法作快速分类,根据K-均值分类结果更新蚂蚁各路径上的信息素,指导其他蚂蚁选择,以提高蚁群聚类算法的运行效率.实验结果证明,新算法在图像分割处理的精确度上较单一的K均...     

基于最大偏差相似性准则的交通流聚类算法

针对常用聚类算法对随机性强、波动频繁的交通流聚类效果不理想的问题,提出了一种新的交通流相似性度量准则——最大偏差相似性准则,并提出了一种基于最大偏差相似性准则的交通流聚类算法。最大偏差相似性准则能够有效刻画频繁波动交通流曲线的形态相似性,具有简明、合理、灵活等特点;聚类算法无需预先指定类别数,能够保证类间曲线的明显差异性和类内曲线的高度相似性。实验表明,所提出的算法聚类效果明显优于常用聚类算法,聚类结果能够较好地满足实际应用的需要。     

基于网络舆情的K-Means算法的改进研究

传统的K-Means聚类算法只能保证收敛到局部最优,从而导致聚类结果对初始代表点的选择非常敏感;凝聚层次聚类虽无需选择初始的聚类中心,但计算复杂度较高,而且凝聚过程不可逆。结合网络舆情的特点,深入剖析了K-Means聚类算法和凝聚层次聚类算法的优缺点,对K-Means聚类算法进行改进。改进后算法的核心思想是,结合两种算法分别在初始点选择和聚类过程两个方面的优势,进行整合优化。通过实验分析及实际应用表明,改进后的文本聚类算法在很大程度上可以提高网络舆情信息聚类结果的准确性、有效性以及算法的效率。