基于分布式模糊逻辑推理的WSN分簇算法

针对无线传感器网络(WSN)中均衡分簇问题,提出一种基于模糊逻辑推理的WSN分布式分簇算法(DFLC)。利用分布式模糊逻辑控制器选择根节点,以能量大小、中心性、距基站的距离、跳数和节点密度5个参数作为分布式模糊逻辑控制算法的输入。为网络中的中间节点分配模糊逻辑推理引擎,根据自身和相邻节点的信息进行判断,选择发送质量最高子节点的回复消息给根节点,减少了消息传输数量。仿真实验表明,在产生消息数量、能源消耗、存活节点数、容错性、负载平衡等方面,DFLC算法都优于LEACH,ACAWT,Gupta和CHEF算法。     

非变换簇的WSN分簇路由算法

针对LEACH算法簇头选取及能量消耗方面的不足,提出一种基于能量、距离和节点度的分簇路由算法CMEDD,通过均匀分簇减少重建过程,对簇头选举公式进行改进,合理选择簇头,从而均衡节点能耗。采用基于代价因子的单跳和多跳相结合的方式建立最优路径进行数据传输。仿真结果表明,与LEACH算法和RMCRW算法相比,CMEDD算法能够有效均衡节点能耗,可相对延长网络生存周期。     

基于QPSO的模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法存在的缺点,利用量子粒子群优化(QPSO)算法的全局搜索能力,提出了一种新的聚类算法——基于量子粒子群优化的FCM聚类算法(QPSOFCM).QPSOFCM算法先对随机初始点利用QPSO进行优化,然后利用产生的中心点进行聚类,重复上述两步操作直至结果满意为止.新算法可以降低FCM算法对初始点的敏感度,一定程度上避免了FCM算法易陷入局部极优的缺陷.几组数据实验结果表明,与FCM和PSOFCM算法相比,提出的QPSOFCM算法聚类结果更可靠.     

基于改进LEACH的多簇头分簇路由算法

为了降低无线传感器网络(WSN)的能耗,延长网络的生存周期,提出一种多簇头双工作模式的分簇路由算法.算法对低功耗自适应集簇分层(LEACH)协议作了以下改进:采用多簇头双工作模式来分担单簇头的负荷,以解决单簇头因能耗较大而过早消亡的问题;选举簇头时充分考虑节点位置和节点剩余能量,并应用粒子群优化(PSO)算法优化簇头的选举,以均衡网络内各节点的能耗;建立簇与簇之间的数据传输路由,以减少簇间通信的能耗.仿真结果表明,算法有效降低了网络的能耗,延长了网络的生存周期.     

WSN中基于粒子群算法改进的分簇路由算法

针对WSN中路由协议的能量消耗不均匀、簇头节点分布不均匀等问题基于粒子群算法提出了一种寻找最优簇头的方法：引入了剩余能量因子和位置均衡因子的概念，由节点的剩余能量因子和位置均衡因子生成适应度函数；利用Kruskal算法生成最小生成树，建立簇间最短路由。经仿真实验证明，相较于传统的WSN路由协议，该算法有效延长了网络的生命周期，并在一定程度上提高了均衡性。     

基于模糊C均值的WSN路由协议

提出一种基于模糊C均值的分簇[1]算法。算法采用经典的模糊C均值聚类技术,对整个传感器区域进行划分;并根据每个节点属于该簇的隶属度来判定节点当选为簇头节点的概率,这样在簇边缘节点也就是隶属度低的节点当选簇头节点的概率就会较低,从而使整个网络能耗负载均衡。在簇的划分中,引入了最优簇头数的概念。该方法有效地解决了簇头分布不均带来的簇头之间距离过近、大片区域没有簇头以及边缘节点能量损失过快的问题。     

一种基于ARMA的WSN非均衡分簇路由算法

 针对无线传感器网络中分簇路由算法中存在的“热区”问题,提出了一种基于虚拟区域划分的非均衡簇路由算法。算法将簇划分的任务交由能量无限制的汇聚节点完成,使得靠近汇聚节点的内层簇的规模小于外层簇的规模。在簇的结构中引入了主、从簇头节点,从而实现了分布式簇头选举工作,同时在分簇过程中避免了每个阶段的能量消耗。将ARMA预测模型引入到主簇头节点的更换过程中,从而避免了主簇头因为能量完全消耗而死亡,也避免了因为主簇头死亡而造成网络分割,降低网络的生存时间,利用NS2.31仿真平台对基于虚拟区域划分的非均衡簇路由算法进行了仿真验证,结果表明与传统路由算法相比,该算法延长了WSN的生存时间,有效提高了WSN网络健壮度。     

基于动态人工鱼群优化的WSN分簇算法

将群智能优化算法引入无线传感器网络分簇路由协议的设计能有效地节约节点能量和提高分簇效率.针对基本人工鱼群算法在运算速度方面的不足,提出了一种基于动态人工鱼群优化的无线传感器网络分簇算法,算法为了同时具有较好的全局搜索和局部寻优能力,更快地得到最优分簇结果,在一次迭代进化中除了考虑人工鱼的觅食行为、聚群行为和追尾行为的寻...     

基于模糊C均值聚类粒子群优化算法的ISN差值状态空间预测

作为TCP通信的参数,ISN在TCP连接建立的三次握手中发挥着重要作用。从ISN差值状态空间预测的角度出发,通过定义一种新的相关距离的概念,提出了一种基于模糊C均值聚类的粒子群优化算法FCM-PSO,并在此基础上给出了一种新颖的ISN差值状态空间预测方法,此算法可以把ISN差值的预测限定在一个较小的范围内,从而增加了ISN预测的准确度。     

基于改进PSO的铁路监测线性无线传感器网络路由算法

为了解决铁路监测场景中线性无线传感器网络的节点间能耗不均衡导致的网络生命周期短、数据传输时延大的问题,提出了一种基于粒子群优化理论和广度优先搜索的路由算法。以候选簇头节点的相对能耗、簇头间距和簇头负载为指标构建适应度函数,通过调整惯性权重系数增强粒子群算法局部搜索能力,获得簇头最优解集;构建能耗与时延驱动的路径成本函数,基于广度优先搜索获得源节点到sink节点的最优主路径;设计基于Markov决策过程（MDP）模型的Q-learning备选路径更新与路由维护机制。仿真结果表明,所提算法能够有效均衡节点间能耗,在延长网络生命周期和降低数据传输时延方面具有较优的性能。     

Clustering routing protocol based on improved PSO algorithm in WSN

Aiming at the problem that the location distribution of cluster head nodes filtered by wireless sensor network clustering routing protocol was unbalanced and the data transmission path of forwarding nodes was unreasonable,which would increase the energy consumption of nodes and shorten the network life cycle,a clustering routing protocol based on improved particle swarm optimization algorithm was proposed.In the process of cluster head election,a new fitness function was established by defining the energy factor and position equalization factor of the node,the better candidate cluster head node was evaluated and selected,the position update speed of the candidate cluster head nodes was adjusted by the optimized update learning factor,the local search and speeded up the convergence of the global search was expanded.According to the distance between the forwarding node and the base station,the single-hop or multi-hop transmission mode was adopted,and a multi-hop method was designed based on the minimum spanning tree to select an optimal multi-hop path for the data transmission of the forwarding node.Simulation results show that the clustering routing protocol based on improved particle swarm optimization algorithm can elect cluster head nodes and forwarding nodes with more balanced energy and location,which shortened the communication distance of the network.The energy consumption of nodes is lower and more balanced,effectively extending the network life cycle.     

基于改进QPSO的模糊C-均值聚类算法

针对模糊C-均值聚类算法容易陷入局部极值等缺陷,提出了基于改进QPSO的模糊C-均值聚类,算法利用QPSO的优点,并对量子门更新策略进行了改进。实验结果显示该算法提高了模糊聚类算法的聚类效果以及搜索能力,在全局寻优能力、跳出局部最优能力、收敛速度等方面具有优势。     

变长度微粒群优化模糊聚类的自适应图像分割方法

模糊C均值聚类(FCM.fuzzy c-means)图像分割方法,对初值选取较敏感,并且需要事先确定聚类数目.为此,提出了一种基于变长度微粒群算法(PSO,particle swarm optimization)优化PBMF模糊聚类的自适应图像分割方法.PBMF指标函数考虑了聚类数目和聚类中心,通过设计变长度PSO算法来实现PBMF指标函数的优化过程,并利用统计直方图将图像从像素窄间映射到灰度直方图特征空间,从而快速地获得图像的最佳聚类数日和聚类中心.对遥感图像的分割实验表明,该自适应分割策略具有全局搜索图像最佳聚类数月和聚类中心的能力,以及较强的抗噪能力.     

基于遗传聚类的无线传感器负载均衡路由算法

通常的无线传感器分簇网络存在节点负载不均衡的问题。为均衡各节点能量消耗,延长网络生存周期,将K均值算法与遗传算法相结合,提出一种负载均衡的无线传感器网络路由算法,算法利用遗传算法的全局寻优能力以克服传统K均值算法的局部性和对初始中心的敏感性,实现了传感器网络节点自适应成簇与各节点负载均衡。仿真实验表明,该算法显著延长了网络寿命,相对于其他分簇路由算法,其网络生存时间延长了约43%。     

基于遗传聚类的无线传感器负载均衡路由算法

通常的无线传感器分簇网络存在节点负载不均衡的问题。为均衡各节点能量消耗,延长网络生存周期,将K均值算法与遗传算法相结合,提出一种负载均衡的无线传感器网络路由算法,算法利用遗传算法的全局寻优能力以克服传统K均值算法的局部性和对初始中心的敏感性,实现了传感器网络节点自适应成簇与各节点负载均衡。仿真实验表明,该算法显著延长了网络寿命,相对于其他分簇路由算法,其网络生存时间延长了约43%。     

Energy-efficient routing protocol and optimized passive clustering in WSN for SMART grid applications

Due to low cost, ease of implementation and flexibility of wireless sensor networks (WSNs), WSNs are considered to be an essential technology to support the smart grid (SG) application. The prime concern is to increase the lifetime in order to find the active sensor node and thereby to find once the sensor node (SN) dies in any region. For this reason, an energy-efficient Dynamic Source Routing (DSR) protocol needs to provide the right stability region with a prolonged network lifetime. This work is an effort to extend the network's existence by finding and correcting the considerable energy leveraging behaviors of WSN. We build a comprehensive model based on real measures of SG path loss for different conditions by using the characteristics of WSN nodes and channel characteristics. This method also establishes a hierarchical network structure of balanced clusters and an energy-harvesting SN. The cluster heads (CHs) are chosen by these SN using a low overhead passive clustering strategy. The cluster formation method is focused on the use of passive clustering of the particle swarm optimization (PSO). For the sake of eliminating delayed output in the WSN, energy competent dynamic source routing protocol (EC-DSR) is used. Chicken swarm optimization (CSO) in which optimum cluster path calculation shall be done where distance and residual energy should be regarded as limitation. Finally, the results are carried out with regard to the packet distribution ratio, throughput, overhead management, and average end-to-end delay to demonstrate the efficiency of the proposed system.     

基于跳距修正粒子群优化的WSN定位算法

针对DV-Hop算法在节点随机分布的网络拓扑环境中存在较大误差的问题,提出了一种基于跳距修正粒子群优化的定位算法WPDV-Hop(weight PSO DV-Hop)。本算法通过对锚节点广播的数据分组结构进行了改进,对参考锚节点的平均每跳距离的误差进行加权处理以及用改进的粒子群(PSO)算法对定位中的迭代过程进行优化,实现WPDV-Hop定位算法的全面改进,以提高定位精度。仿真结果表明,改进的算法与原始算法相比,定位精度和算法的稳定性有明显提高。     

基于粒子群模糊C均值聚类的快速图像分割

模糊C-均值聚类算法是一种无监督图像分割技术,但存在着初始隶属度矩阵随机选取的影响,可能收敛到局部最优解的缺点。提出了一种粒子群优化与模糊C-均值聚类相结合的图像分割算法,根据粒子群优化算法强大的全局搜索能力,有效地避免了传统的FCM对随机初始值的敏感,容易陷入局部最优的缺点。实验表明,该算法加快了收敛速度,提高了图像的分割精度。     

基于模糊C均值的数据流入侵检测算法

针对数据在性态和类属方面存在不确定性的特点,提出一种基于模糊C均值聚类的数据流入侵检测算法,该算法首先利用增量聚类得到网络数据的概要信息和类数,然后利用模糊C均值聚类算法对获取的数据特征进行聚类。实验结果表明该算法可以有效检测数据流入侵。