Energy efficient distributed sensor management algorithm

Considering the limitation of energy in wireless sensor networks(WSN),a distributed sensor management algorithm is proposed for multi-target tracking with high accuracy and efficient energy conservation. The predicted coordinate of the target and information gain are used to establish the optimization model. The method introduces the auction theory and adjusts the price of the sensor resources, and once the balance of the market is reached,the target-sensor assignment problem is solved. In order to shorten the decision-making time and save the energy consumption,the carrier sense multiple access(CSMA) mechanism is introduced and the decision-making can be completed with local information and a few iterations. The convergence and effectiveness of the algorithm are proved,and simulation results show that the algorithm can effectively deal with multi-target tracking problem,guarantee the tracking performance and save the energy to prolong the network lifetime. So the proposed algorithm has a strong adaptability for the energy constrained WSN.     

一种无线传感器网络二维目标覆盖的改进方法

针对二维目标覆盖问题,提出了一种新的量子退火算法,设计了相应的系统模型,并给出了覆盖优化的目标函数。因为以往的启发式算法存在运行停滞等问题,所以为量子退火算法设计了全新的解集生成方式、量子旋转门、量子位测量方法和量子位状态更新方法,加快了算法的收敛速度。将基于量子退火算法的方法与粒子群算法、蚁群算法进行了仿真比较。仿真结果显示,相比粒子群算法与蚁群算法,该量子退火算法能够有效地提升解的质量,检出的目标数有较大幅度的提高。     

基于改进离散粒子群算法的限流措施优化配置

为求解实际电力系统中的限流措施优化配置问题,对传统粒子群算法（PSO）进行改进,提出一种改进离散粒子群算法（MDPSO）.此MDPSO算法采用二进制结合十进制的编码方式,并引入置0算子,优化初始种群,同时引入单方向的变异算子,防止算法陷入局部优化解.应用此算法对新英格兰39节点系统和中国西部82节点系统进行限流措施优化配置计算,并同遗传算法（GA）和普通离散粒子群算法（DPSO）进行比较,仿真结果表明,MDPSO算法是有效可行的.     

An extended particle swarm optimization algorithm based on coarse-grained and fine-grained criteria and its application

In order to study the problem that particle swarm optimization （PSO） algorithm can easily trap into local mechanism when analyzing the high dimensional complex optimization problems, the optimization calculation using the information in the iterative process of more particles was analyzed and the optimal system of particle swarm algorithm was improved. The extended particle swarm optimization algorithm （EPSO） was proposed. The coarse-grained and fine-grained criteria that can control the selection were given to ensure the convergence of the algorithm. The two criteria considered the parameter selection mechanism under the situation of random probability. By adopting MATLAB7.1, the extended particle swarm optimization algorithm was demonstrated in the resource leveling of power project scheduling. EPSO was compared with genetic algorithm （GA） and common PSO, the result indicates that the variance of the objective function of resource leveling is decreased by 7.9%, 18.2%, respectively, certifying the effectiveness and stronger global convergence ability of the EPSO.     

马氏田口系统的量子行为二进制粒子群特征选择优化方法

针对标准二进制粒子群用于马氏田口系统的特征选择优化时,存在迭代速度慢,容易陷入局部最优解等不足,提出一种改进的基于量子行为二进制粒子群的马氏田口系统变量选择优化方法。首先,为了规避可能存在的复共线性特性对距离度量结果的影响,本研究采用Gram-Schmidt正交化法计算马氏距离值,对系统进行标准化处理,对各属性向量进行正交化后计算各类别的马氏距离集合,通过ROC曲线确定系统分类的最佳阈值点,定义误分类率概念和被选择变量占比最小作为变量筛选标准,构建多目标的混合规划模型。运用改进的量子行为粒子群算法求解优化组合,为适应二值化的变量优化问题,算法基于概率对粒子进行二进制编码,求取目标函数的适应值,并完成粒子群的优化迭代过程。采用优化的变量组合,构建精简的马氏田口系统,建立度量预测模型,完成精确判别的任务。最后,以胎心分娩力造影术测量的胎儿健康诊断为例,对标准二进制粒子群算法和二进制量子粒子群优化算法进行对比验证,实验结果表明,本文方法可以有效地提升粒子的迭代速度和寻优精度,优化后的马氏田口系统的预测准确率明显提高。     

基于遗传粒子群算法的FBG传感网重叠光谱的解调研究

由于光源带宽有一定的范围,当光纤布拉格光栅(FBG)传感器的数量使用过多时会发生光谱重叠现象,所以会造成反射光谱的中心波长识别困难。为解决光谱重叠问题,通过利用光谱形状复用技术构造重叠光谱,并根据遗传算法和粒子群算法的特点,将二者进行结合形成了遗传粒子群混合算法,用于改进识别反射光谱的中心波长的收敛速度和精度。通过仿真实验结果可知,当FBG传感器的反射光谱发生重叠时,遗传粒子群混合算法可以实现对重叠光谱中心波长的识别,且识别误差范围在5 pm之内。该方法为解决因光源带宽而限制FBG传感器的使用数量提供了一种可行方案。     

约束自适应粒子群优化算法及水厂调度

针对粒子群优化算法应用于约束优化问题时易陷入局部极小值的问题,提出了一种改进的粒子群优化算法. 该算法综合了约束优化问题的目标函数值和约束函数的违反度值作为粒子群优化算法的双适应度值, 采用了双适应值动态判断粒子群优化算法中粒子的优劣. 违反度值的计算引入了自适应加权系数,相应地提出了调整各权系数的自适应策略, 并改进了粒子群优化算法的粒子竞争选择策略,拓展了粒子群优化算法的单适应值的应用范围.应用约束自适应粒子群优化算法实现了城市水厂的节能优化调度. 结果表明, 该算法收敛速度快且结果可靠. 粒子群优化算法为解决工程约束优化问题提供了一条可行途径.     

基于二进制混沌粒子群算法的认知决策引擎

为了解决不同通信模式下认知无线电发射机参数合理优化的问题,提出了一种基于二进制混沌粒子群算法(BCPSO)的认知决策引擎,该引擎利用粒子群优化算法收敛速度快和混沌运动全局遍历性的特点,使认知决策在多目标优化过程中有效地摆脱了局部极值点,提高了参数优化的精度和稳定性．基于认知正交频分复用(OFDM)系统的仿真结果表明,相对于现有认知引擎,该引擎具有平均适应度值高、对不同通信模式鲁棒性强的特点,实现了有效优化发射机参数的目的．     

一种多机动目标协同跟踪的博弈论算法

针对传感器网络中的动态跟踪问题,提出一种基于博弈论的多机动目标协同跟踪算法.首先利用交互多模型扩展粒子滤波估计网络中每个机动目标的状态;然后以滤波过程中获得的目标信息增益为衡量标准,促使跟踪精度未达系统要求的目标的代理发起谈判,在保证谈判双方利益最大化的前提下,通过博弈为谈判发起者争取更多的传感器对其所代表的目标进行跟踪.仿真结果表明,在非线性非高斯环境下,该方法与传统方法相比能够有效提高跟踪精度,动态分配传感器资源以实现协同跟踪.     

基于粒子群进化的输电网络WSN节点定位算法

为了提升WSN的定位精度,提出了一种基于粒子群进化的定位算法,以应用于输电网络中的节点定位.该算法通过区域估计,缩小并限制传感器节点的预估计区域空间,并应用粒子群算法快速寻找节点定位的最优解.通过引入权重自适应的机制,加快节点定位的搜索速度,并提升算法的搜索能力.结果表明,该算法有效增强了WSN节点定位的精度,降低了计算复杂度,为输电网络的无线传感器网络提供更高效准确的定位服务.     

采用粒子群优化的WSN非均匀网格划分机制

为了均衡消耗网络能量,提出了一种采用粒子群优化的无线传感器网络非均匀网格划分机制(NuGPM).将网络分为k层,相同层的网格长度相同,不同层之间的网格宽度不同,且离基站越近的层其网格宽度越大,采用粒子群优化算法搜索各层网格的最优宽度组合.该机制能使离基站越近的网格拥有越多的节点,从而拥有越多的能量转发上层网格的数据,进而改善基站附近的"热点"问题.仿真结果表明,NuGPM能均衡消耗网络能量,有效改善基站附近的热点问题,延长网络寿命.     

Improved PSO algorithm and its application

The mechanism of particle swarm optimization algorithm is studied, and one can draw the conclusion that the best particle found by the swarm falling into local minima is one of the main reasons for premature convergence. Therefore, an improved particle swarm optimization algorithm is proposed. This algorithm selects the best particle with roulette wheel selection method, so premature converging to local optima is avoided. At last, the improved particle swarm optimization algorithm is applied to optimization of time-sharing power supply for zinc electrolytic process. Simulation and practical results show that the global search ability of IPSO is improved greatly and optimization of time-sharing power supply for zinc electrolytic process can bring about outstanding economic benefit for plant.     

Improved PSO algorithm and its application

The mechanism of particle swarm optimization algorithm is studied, and one can draw the conclusion that the best particle found by the swarm falling into local minima is one of the main reasons for premature convergence. Therefore, an improved particle swarm optimization algorithm is proposed. This algorithm selects the best particle with roulette wheel selection method, so premature converging to local optima is avoided. At last, the improved particle swarm optimization algorithm is applied to optimization of time-sharing power supply for zinc electrolytic process. Simulation and practical results show that the global search ability of IPSO is improved greatly and optimization of time-sharing power supply for zinc electrolytic process can bring about outstanding economic benefit for plant. Foundation item: Project (2002CB312200) supported by the National Key Research 973 Program of China     

一种粒子群优化的用户优先级虚拟网络映射算法

以底层网络资源利用率最大化为目标,对控制转发分离网络建立基于"资源抢占+重映射"的用户优先级虚拟网络映射整数线性规划模型,并提出了一种改进离散粒子群算法来解决虚拟网络映射问题.该算法的粒子进化更具方向性,同时引进不同粒子位置互斥因子,解决粒子群算法易早熟陷入局部最优解的缺陷.最后通过仿真实验从节点资源利用率、链路资源利用率、一般虚拟网络接受率、平均跳数和长期运营收益成本比等方面,将改进离散粒子群算法与贪婪算法和二进制离散粒子群算法对比,验证了改进离散粒子群算法的高性能.     

采用HC-MARPSO算法的软件测试数据生成方法

在吸引排斥粒子群算法(ARPSO)基础上,引入新的种群多样性度量指标和排斥操作,提出改进的吸引排斥粒子群算法(MARPSO)。结合爬山算法(HC)的局部收敛能力和改进的吸引排斥粒子群算法避免早熟的特点,提出基于爬山算法和改进吸引排斥粒子群算法(HC-MARPSO)的软件测试数据自动生成方法。实验结果表明,该算法在生成测试数据的效率上高于遗传算法、粒子群算法。     

一种改进的粒子群算法

针对粒子群算法搜索精度不高的问题,提出了一种改进的粒子群算法。该算法一方面通过跟踪个体极值、全局极值和周围极值来搜索解空间的最优值;另一方面通过引入3种非线性递减函数对惯性权重进行调整,仿真结果表明改进的粒子群算法具有更强的寻优能力及更高的搜索精度。     

磁性材料成型烧结生产调度优化方法及应用

建立以最小化提前和拖期时间、最小化炉重偏差为目标的混合整数线性规划模型, 解决磁性材料成型-烧结两阶段生产调度问题. 提出一种混合粒子群优化算法(HPSO)进行模型的求解,该算法采用基于订单的编码方式. 针对粒子群算法易陷入局部最优, 在迭代过程中引入模拟退火思想. 改进粒子群算法的全局极值和个体极值选取方式, 使算法尽快收敛到非劣最优解. 生产现场实际数据仿真结果表明: 该混合粒子群算法无论在求解精度, 还是求解速度上均优于普通粒子群算法和遗传算法.     

基于改进粒子群算法的配电网网架优化研究

配电网网架优化是一个多目标综合优化问题,粒子群算法因其易实现、收敛速度快等特点逐渐成为电力系统优化领域研究热点之一. 针对粒子群算法易陷于局部最优问题,提出一种基于聚类策略的改进粒子群算法,动态地将粒子聚类为三种级别的粒子并对应采用不同的学习模型更新速度,增强了粒子群体多样性和全局搜索能力. 通过算例仿真验证了算法在配电网网架优化问题上的可行性.     

改进粒子群算法及其在共形相控阵综合中的应用

在常规粒子群算法的基础上,通过引入新的速度更新算子、自适应边界控制算子和全局最优粒子扰动算子等操作,提出一种改进粒子群优化算法(IPSO); 并将该算法与简单二次插值算法相结合,克服了收敛速度慢,早熟及局部收敛等缺陷．进一步在对球面共形相控阵方向图综合时,引入了修正的波恩斯坦多项式以减少优化的变量,能够有效地加快算法的收敛速度．与常规粒子群算法和遗传算法的比较结果表明,该算法的局部搜索能力和全局搜索能力都有了很大程度的改善,从而证明了该方法在天线阵列综合中的有效性．     

改进的离散PSO和SVM的特征基因选择算法

针对现有的基于粒子群的特征基因选择算法易于陷入局部最优的问题,提出了一种改进的离散粒子群和支持向量机的特征基因选择算法IDPSO-SVM.该算法首先预选一些与分类强相关的基因组成特征基因备选集合,然后基于此集合采用PSO进行寻优搜索,并应用SVM对选出的特征子集的分类能力进行评估,最后得出最优特征子集.该算法加入了一种可以有效克服粒子群在寻优过程中陷入局部最优的机制,因而可以不断探测到新的最优解.该算法在结肠癌与前列腺癌数据集上的分类精度分别达到了96.8%与99.0%,从而证明了其有效性与可行性.