基于进化算法的多通信半径DV-Hop改进定位算法

定位是无线传感器网络中最重要的问题之一。针对DV-Hop算法定位精度低问题，提出基于进化算法的多通信半径DV-Hop改进定位算法。该方法在多通信半径定位算法基础上，使用蛙跳算法对锚节点跳距进行优化，并对其适应值函数进行改进，让跳距值更接近真实值，然后在DV-Hop算法最后阶段利用遗传算法求解未知节点坐标。实验仿真结果表明，改进算法在不增加额外硬件情况下，大大降低了定位误差，相比于传统DV-Hop算法，定位精度提高了大约69%，相比其他文献，定位精度提高了大约21%。     

基于改进粒子群优化算法的无线传感器网络定位

针对经典DV-Hop定位算法第3阶段计算未知节点位置存在较大误差的问题,提出一种基于改进粒子群优化算法的无线传感器网络定位方法。首先分析DV-Hop算法误差大的原因,并将定位问题转换成未知节点坐标的优化问题,然后采用改进粒子群算法对问题进行优化,并引入收缩因子加快搜索速度和精度,找到全局最优未知节点坐标,最后在Matlab 2012平台上进行仿真实验。仿真结果表明,本文算法提高了传感器节点的定位精度,大幅度降低了定位误差。     

基于自适应粒子群算法的改进DV-Hop定位算法

针对无线传感器网络节点定位中DV-Hop算法定位精度较低的问题,提出了一种改进DV-Hop算法,该算法引入跳距误差加权策略,改进平均每跳距离计算方法,使其更好地反映网络的平均每跳距离的实际情况,有效地降低了无线传感器网络中无需测距算法的定位误差。同时引入自适应粒子群优化算法来校正改进DV-Hop的估计位置的方法。仿真结果表明,本算法在定位精度和节点覆盖率上明显优于基于PSO校正的DV--Hop算法和传统的DV-Hop算法,证明该算法在一定程度上提高了DV-Hop算法对无线传感器网络的容错性,具有更好的适用性。     

一种基于植物群落算法的无线传感器网络定位方法

针对DV-Hop算法定位精度低的问题，提出了一种基于植物群落行为在DV-Hop算法中的定位方法。首先，该算法利用植物群落算法与DV-Hop算法的第2阶段相结合实现最小误差的平均跳距；其次，植物群落算法在后期求解未知节点坐标时对其值进一步优化。最后，仿真结果显示，改进算法在不增加额外开销的情况下，定位误差进一步降低，相比其他传统群智能优化算法对DV-Hop方法的改进，算法的定位精度有很大的优势。     

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。     

基于人工蜂群改进算法的无线传感器网络定位算法

针对无线传感器网络无需测距的DV-Hop定位算法中,利用最小二乘法进行节点定位时存在较大误差的问题,提出了一种改进的DV-Hop智能定位算法。首先在详细分析DV-Hop算法中最小二乘法原理的基础上,将定位问题转化成全局最优化问题;其次根据人工蜂群算法计算最优化问题的优势,结合定位具体问题,提出了一种自适应人工蜂群算法;最后将改进的人工蜂群算法运用到DV-Hop算法未知节点的坐标估计阶段实现定位。仿真实验表明,改进的定位算法与最小二乘法及基于传统人工蜂群算法的DV-Hop算法相比,在不同锚节点比例和不同节点数的情况下,定位精度和精度稳定性都有明显提高。     

基于人工蜂群算法的DV-Hop定位改进

针对无线传感器网络无需测距依赖的DV-Hop定位算法节点定位精度不高的问题,将鲁棒性强、收敛速度快且全局寻优性能优异的人工蜂群算法引入到DV-Hop算法的设计中,提出了一种ABDV-Hop(Artificial Bee ColonyDV-Hop)算法。该算法在传统DV-Hop算法的基础上,利用节点间的距离和锚节点的位置信息,在DV-Hop算法的最后阶段,通过建立目标优化函数,实现对未知节点坐标的估计。仿真结果表明,与传统DV-Hop算法相比,在不增加传感器节点的硬件开销的基础上,改进算法能有效降低定位误差。     

无线传感器网络DV-Hop定位算法的改进方法研究

为了提高传统DV-Hop算法的定位精度,推动该算法的进一步发展,文中从平均跳距计算和未知节点坐标计算两个阶段入手对传统DV-Hop算法进行改进,提出了一种基于RSSI加权修正的平均跳距计算方法和一种基于最小二乘法修正的未知节点坐标计算方法。为了验证算法改进的有效性,在Matlab中进行了仿真实验。实验结果表明：文中算法相对于传统DV-Hop算法测距精度提高了约20%;定位精度较传统DV-Hop算法提高了约30%。理论和实践均表明：在同等条件下文中的改进算法与传统DV-Hop算法相比具有更高的定位精度。     

基于蝙蝠算法的DV-Hop定位改进

无线传感器网络DV Hop定位算法在定位过程中,由于待定位节点和锚节点之间的估算距离存在误差,这就使得定位结果必然会有误差,因此定位问题的本质就是最小化定位误差;蝙蝠算法是一种具有良好性能的智能优化算法,根据节点间的距离和锚节点的位置,应用蝙蝠算法对DV-Hop的定位结果进行了优化;基于蝙蝠算法的DV Hop优化,无需额外增加硬件设备和节点间的通信数据量;仿真实验证明,应用蝙蝠算法改进的DV-Hop定位较原始DV Hop定位平均提高定位精度35％以上.     

粒子群离散算法在无线传感网络中的应用

无线传感器网络通过少数确定锚节点计算到其他节点距离,确定节点坐标。其中DV-Hop定位算法通过最小二乘法求解坐标,累计误差随节点平均距离误差呈指数增长,定位精度较低。提出了用粒子群PSO离散算法替代DV-Hop中的最小二乘法,既发挥PSO全局搜索能力,又避免标准PSO算法过早收敛的问题。实验结果表明,新算法定位精度很高,受距离误差影响不大,能很好地应用于无线传感器网络的定位过程。     

基于萤火虫算法的自适应花授粉优化算法

花授粉算法是一种新的启发式算法,由于存在易陷入局部最优且演化后期收敛速度慢等缺陷,导致算法的寻优能力受到限制。针对该算法存在的不足,在局部授粉过程中引入自适应的变异因子,并对花授粉算法中的转换概率进行自适应调整后,将其与萤火虫算法相结合,提出了一种基于萤火虫算法的改进花授粉算法;最后,通过经典的标准测试函数对新提出的算法与DE-FPA、PSO-FPA做比较实验。实验结果表明,改进后的算法比基本花授粉算法具有更高的收敛精度和稳定性。     

一种基因与蚁群的融合算法研究

蚁群算法具有分布式并行搜索能力，通过信息素的积累和更新收敛于最优路径上，但初期信息素匮乏，收敛较慢。提出一种基因算法与蚁群算法融合的算法，将基因算法加入蚁群算法的每一次迭代中，利用基因算法快速收敛的优点，来加快蚁群系统的收敛速度；且基因算法中的变异机制，有利于提高蚁群算法跳出局部最优的能力。优势互补，实验结果表明该基因蚁群融合算法在寻优能力和收敛速度上都比基因算法和蚁群算法有较大的提高。     

基于Apriori算法的改进算法

关联规则挖掘是数据挖掘研究的一项重要内容.为了快速挖掘关联规则,分析了挖掘关联规则的Apriori算法,并在此基础上给出了一种改进的算法:NApriori算法,利用频繁1项集重新组织事务数据库来挖掘关联规则,此方法仅需扫描数据库2次,且避免了Apriori算法繁琐的连接和删除步骤,实验结果表明此方法比Apriori算法有更好的性能.     

一种新型优化算法——学习算法*

从优化算法应该具有的共性出发,提出一种全新的算法——学习算法（LA）。该算法记录历史最优解和当前最优解这两组关键历史信息,然后让当前解向这两种最优解聚集（即学习的过程）;同时为了不放弃其他区域的搜索,让当前解的一部分完全随机地被重置。该算法原理简单,可调参数少且各参数对算法效能的影响易于掌控。在多最优函数以及复杂函数的最小化测试中,通过与GA、PSO的比较,发现LA确实是一种有效的优化算法,其优化效率并不低于现有算法。数值实验还表明,LA在多最优解问题的寻优中相对GA和PSO具有非常明显的优势。     

一种改进的遗传算法：GA-EO算法

针对基本遗传算法(GA)有局部搜索能力差、计算量大、对较大搜索空间适应能力差和易收敛于局部极小值等问题,采用将极值优化(EO)算法与传统遗传算法相结合的方式,对基本遗传算法进行改进,提出了一种新的算法:GA-EO算法,并用实验证明了新算法的有效性。     

基于文化算法和改进差分进化算法的混合算法

改进差分进化算法不能有效利用进化过程中的知识,传统文化算法进化后期收敛速度较慢。针对这些问题提出一种基于文化算法和改进差分进化算法的混合算法,并将这一算法应用于约束求解问题。对基准函数和丁烯烷化生产调度问题进行仿真,结果表明该混合算法具有较好的实用性和稳健性,在寻优效率和优化结果方面都优于与之比较的算法,并降低了计算量。     

融入遗传算法的混合蚁群算法

为了提高基本蚁群算法的收敛性能和全局求解能力,对基本蚁群算法进行了改进,提出了一类融入遗传算法的混合蚁群算法.在每代进化中保留最优解和次优解的公共解集后引入遗传操中的交叉算子和变异算子进行运算.对优秀解公共解集的保留加快了算法收敛速度,引入交叉和变异扩大了解的搜索空间,提高了解的全局性.通过对TSP问题的仿真运算表明,融入遗传算法的蚁群算法在收敛速度和解的全局性上都有较大的改善.     

基于Powell算法与改进遗传算法的医学图像配准方法

针对基于互信息图像配准的局部极值问题,提出一种基于Powell算法与改进遗传算法结合的医学图像配准方法。该方法对标准遗传算法存在的收敛速度慢、易早熟、有可能导致误配的缺陷,提出了相应的改进策略; 采用Logistic混沌映射生成迭代过程中的个体; 运用基于小波变换的多分辨率分析策略,采用混合优化算法在图像的最低分辨率层进行全局优化,以全局最优值,结合Powell算法完成医学图像配准。实验结果表明,所提方法可有效避免优化算子陷入局部极值,并提高了配准速度; 相对于纯Powell方法和未改进的遗传算法,配准的精确度和性能更好。     

基于遗传蚁群算法的QoS路由算法研究

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,引入遗传蚁群算法（Genetic Algorithm Ant Colony algorithm）GAAC来解决QoS路由问题。算法设计的基本思想是首先由遗传算法产生较优解,较优的路径留下信息素,其他路径不改变,然后在有一定初始信息素分布的情况下,用蚁群算法求精解。仿真表明算法比单一采用遗传算法和蚁群算法进行路由选择具有更好的性能,且更适合于动态网络环境下的QoS路由选择。     

免疫遗传蚁群融合算法

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中,利用免疫算法的局部优化能力和遗传算法的全局搜索能力,来提高蚁群系统的收敛速度。该算法通过遗传算法的选择、交叉、变异操作和免疫算法的自适应疫苗接种操作,有效地解决了蚁群系统的易陷入局部最优和易退化的缺点。通过对旅行商问题的仿真实验表明该算法具有非常好的收敛速度和全局最优解的搜索能力。