WSNs布局的粒子进化的多粒子群优化策略

在粒子进化的多粒子群算法基础上,提出了一种无线传感网络节点布局的优化策略.该策略通过多个粒子群彼此独立地搜索解空间,提高了算法的寻优能力,有效地避免了"早熟"问题,提高了算法的稳定性.仿真实验表明,与传统的粒子群算法相比,该算法有效覆盖率由75.36%提高到80.96%,收敛速度提高了19.4%.因此粒子进化的多粒子群优化策略具有比传统的粒子群算法更好的优化效果.     

基于遗传 PSO 的无线传感网络覆盖优化算法研究

针对基于标准粒子群算法的网络覆盖存在收敛速度慢、易早熟等问题,提出一种基于遗传 PSO 的无线传感网络覆盖优化算法.以无线传感器最大覆盖率为目标函数,通过运用加入自适应交叉变异因子的遗传算法搜索解空间,利用 PSO 粒子群强大的全局搜索能力加大搜索范围,使粒子覆盖更有效率,加强算法的寻优能力,提高节点的覆盖率,解决早熟问题.仿真实验表明,与传统遗传算法、新量子遗传算法相比,其覆盖率分别提高了2.28%和0.65%,收敛速度也有所提高,因此该方法能有效地实现无线传感网络覆盖优化.     

基于拟物力导向的量子粒子群优化算法的WSN节点部署研究

节点部署是无线传感器网络(Wireless Sensor Network,简称WSN)设计的一个重要方面,它将会影响网络的有效覆盖,连通性和能耗。粒子群算法(Particle Swarm Optimization,简称PSO)可以提高目标区域无线传感器网络的覆盖率。然而该算法在优化过程中易早熟收敛,影响覆盖的优化效果,并且算法复杂度较高。针对该问题文章在量子粒子群算法(Quantum Particle Swarm Optimization,简称QPSO)的基础上,结合拟物力导向的思想,提出了基于拟物力导向的量子粒子群优化算法。通过仿真实验得出,该算法加快了粒子的收敛速度,提高了WSN的覆盖率,同时算法的复杂度降低。     

面向目标跟踪的物联网感知层节点部署优化研究

针对目标跟踪物联网感知层节点动态部署的特点,在人工鱼群算法和虚拟力算法的基础上,设计了融入虚拟力影响的人工鱼群控制算法,给出了算法的参数自适应调整策略,该算法利用节点间的虚拟力来影响人工鱼的觅食行为和追尾行为,指导人工鱼群的进化过程,加快算法的收敛性。仿真实验结果显示,算法能快速有效地实现无线传感器网络节点的部署优化,与人工鱼群算法和虚拟力算法相比,该算法不仅全局寻优能力强,且收敛速度快,可有效提高网络覆盖率,优化网络性能。     

基于改进微粒群算法的WSN节点调度

为了降低无线传感器网络监测区域节点能耗和延长网络生命周期,设计了一种基于改进微粒群算法的节点调度方法.首先,以网络覆盖率和休眠工作节点数为目标建立了系统的数学模型,然后设计了粒子的编码方式、适应度函数以及自适应动态惯性权重,并定义了使用改进的微粒群算法对传感器网络节点调度的具体算法.仿真实验表明,该方法能正确地实现无线传感器网络监测区域的节点调度,在迭代次数较少时,就能以较少的节点获得较高的网络覆盖率,且与其他方法相比,具有收敛速度快和全局寻优能力强的优点.     

无线传感网死亡节点优化避绕方法研究与仿真

无线传感网络的节点部署随机性很强,每个节点的利用率不同,经常用到的节点可能会能量耗尽死亡,传统的网络协议将传感网络随机分为不同的簇,簇头能量很微弱的节点可能仍被选为簇头,造成了节点死亡,其没有避绕死亡节点的机制,造成通讯稿效率不高.为此提出微粒群优化LEACH的无线传感网络通信优化方法,结合LEACH的优点,簇头选择时使用微粒群的高度智能优化的特点将簇头当前能量与原始能量作为选择因素构造目标函数.通过适应度值避让节点中的死亡节点.实验仿真结果证明,簇头微粒群优化后传感网络能量损耗大大降低,死亡节点通信数目也变小.提高了通讯效率.     

面向目标跟踪的传感器网络布局优化及保护策略

本文以目标跟踪为应用背景,改进了已有传感器感知模型和虚拟力方法,提出了一种新的传感器网络布局优化策略,该策略首先计算传感器与目标、热点区域、障碍物和其他传感器之间的虚拟力,为各传感器寻找受力平衡点,并将其作为该传感器的新位置,从而优化网络布局优化．实验证明,该策略可有效改善传感器网络覆盖率和目标探测概率．同时,本文根据各传感器获取的信息量,提出了涉及目标的传感器网络节点重要性排序算法,以及根据节点重要性进行传感器网络保护的策略。     

自适应逃逸粒子群算法的网络节点覆盖优化仿真

研究无线传感器节点优化选择。传统LEACH分簇算法中,节点选择的随机性很大,没有很好地参考节点中的多个属性,通信的簇头分布也无规律,算法把能量消耗分摊到所有的节点上,一旦选择边沿节点作为簇头,一些节点必须经过长距离的路由转发才能到达簇头,造成通信效率较低。为了避免上述缺陷,提出了一种基于自适应逃逸粒子群算法的网络节点覆盖优化方法。建立自适应逃逸粒子群算法的数学模型,准确描述网络节点覆盖问题。利用自适应逃逸粒子群方法,计算无线传感网络节点最优位置,从而实现网络节点覆盖优化。实验结果表明,这种算法能够实现网络节点覆盖优化处理,从而提高无线传感网络数据传递的效率。     

基于FW-PSO算法优化无线传感网络拓扑结构的方法

无线传感网络(WSN)具有无标度网络的特征,通常工作在无人值守的开放性环境中,极易遭受到各种蓄意攻击.攻击使得网络发生故障,甚至会导致整个网络瘫痪.该文基于复杂网络领域的无标度网络,构建具有无标度特性的无线传感网络模型.利用烟花算法及粒子群算法(PSO)寻优过程中的搜索能力、种群多样性等优点,提出了一种FW-PSO算法,该算法在全局搜索能力和收敛速度上具有较好的性能.针对具有无标度特性的网络模型,用FW-PSO算法对网络拓扑进行优化,在不同的攻击策略下分别从动态抗毁性和静态抗毁性分析优化前后网络的性能.仿真实验表明,与其他同类算法相比,经过该文所提算法优化后的无线传感网络的动态和静态抗毁性能都有明显提升.     

基于改进鱼群算法的WSN覆盖优化策略

本文提出了一种基于改进人工鱼群算法的无线传感器网络覆盖优化策略.通过对人工鱼群视野范围和步长的自适应调整,提高了算法的寻优精度、收敛速度以及稳定性;再结合WSN网络覆盖的性能,使网络覆盖得以优化.仿真结果表明,改进的人工鱼群算法优化的网络覆盖率比基本人工鱼群算法的网络覆盖率提高了17％.     

混合无线传感网络覆盖优化的粒子群算法

为提高随机部署的传感网络覆盖性能,提出基于动态克隆粒子群的移动节点部署控制算法,用每个粒子表示所有移动节点的一种部署方案,在经典粒子群算法基础上,每次迭代结束后,粒子依据自身的覆盖性以及与群体中粒子的相似性决定其克隆数量和变异幅度,有效避免陷入早熟陷阱.通过与其他算法的对比仿真实验,表明该优化算法能更有效地提高网络覆盖性能.     

基于多尺度选择性学习和探测-收缩机制的PSO算法

针对粒子群算法逃离局部最优能力差、易早熟收敛、求解精度低等缺点,提出了一种具有多尺度选择性学习和探测-收缩机制的PSO 算法.在多尺度选择性学习机制中,粒子根据其自身进化状态在拓扑结构、邻居个体、目标变量维等多个尺度上进行选择性学习,提升粒子个体的学习效率;在探测-收缩机制中,算法利用历史信息指导种群最优解进行探测,提高其逃离局部最优的能力,当判断种群历史最优解处于全局最优解附近时,执行空间收缩策略,将种群的搜索空间限定在较小的一个区域,增强算法的开采能力,提高算法的求解精度.通过和其它PSO算法在22个典型测试函数的实验对比表明,本算法能有效克服早熟收敛、加快收敛速度、提高求解精度.     

一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.     

均匀搜索粒子群算法

针对基本粒子群优化算法容易陷入局部最优解的问题,本文定义了PSO粒子搜索中心的概念,并对其随机状态下粒子搜索中心在全局最优解与局部最优解之间的概率密度进行了计算,在此基础上提出了粒子搜索中心在两个最优解之间均匀分布的均匀搜索粒子群算法,并通过7个Benchmark函数与基本PSO算法进行了对比实验及算法分析,实验分析结...     

分布式无线感知网络节点部署算法研究

在无线感知网络节点部署中,目标区域的覆盖率大小对信号检测的效果具有重要的意义,通过智能优化算法来提高区域覆盖率已成为当前无线感知网络节点部署领域的研究热点之一。为了提高分布式无线感知网络对目标区域内的重点区域的覆盖率和减少冗余感知节点的投放,论文提出了一种分布式无线感知网络节点部署算法。该算法首先通过随机部署满足连通性的少量感知节点后初次工作来定位和估计出重点区域,然后将估计出的重点区域融入到粒子群算法的目标函数和粒子更新方程中实现对感知节点的重新部署,从而更好的优化了重点区域的覆盖率和减少冗余感知节点数量。仿真结果表明,与标准粒子群算法及其他优化算法相比,论文所研究的算法有更高的覆盖率和更低的迭代次数。      

A Binary PSO Approach for Improving the Performance of Wireless Sensor Networks

Wireless sensor networks are used for low-cost unsupervised observation in a wide-range of environments and their application is largely constrained by the limited power sources of their constituent sensor nodes. Techniques such as routing and clustering are promising and can extend network lifetime significantly, however finding an optimal routing and clustering configuration is a NP-hard problem. In this paper, we present an energy efficient binary particle swarm optimization based routing and clustering algorithm using an intuitive matrix-like particle representation. We propose a novel particle update strategy and an efficient linear transfer function which outperform previously employed particle update strategies and some traditional transfer functions. Detailed experiments confirmed that our routing and clustering algorithm yields significantly higher network lifetime in comparison to existing algorithms. Furthermore, our results suggest that Binary PSO is better equipped to solve discrete problems of routing and clustering than its continuous counterpart, PSO.

     

基于PSO的无线多媒体传感器网络覆盖增强算法

在无线多媒体传感器网络(Wireless Multimedia Sensor Networks,WMSNs)中,由于节点部署的不合理,往往存在较多的监控盲区,影响了网络的服务质量。为了提高网络的覆盖率,在有向感知模型基础的基础上,提出了一种基于粒子群算法的WMSNs覆盖增强算法PSOCE。PSOCE算法以网络覆盖率为优化目标,以粒子群算法为计算工具,同时对节点的位置与主感知方向进行调整。仿真试验表明,PSOCE算法能够有效地改进WMSNs的覆盖质量,网络的覆盖率能提高6%～12%。     

基于单纯形法的量子粒子群优化算法

针对粒子群优化算法容易陷入局部极值点,进化后期收敛慢和优化精度较差等缺点,提出了将单纯形搜索法与量子粒子群算法混合的改进算法,更好的平衡了全局搜索和局部搜索能力.仿真结果表明,该算法效率高、优化性能好,其性能远远优于一般的粒子群算法与量子粒子群算法.     

A particle swarm optimization based energy efficient cluster head selection algorithm for wireless sensor networks

Clustering has been proven to be one of the most efficient techniques for saving energy of wireless sensor networks (WSNs). However, in a hierarchical cluster based WSN, cluster heads (CHs) consume more energy due to extra overload for receiving and aggregating the data from their member sensor nodes and transmitting the aggregated data to the base station. Therefore, the proper selection of CHs plays vital role to conserve the energy of sensor nodes for prolonging the lifetime of WSNs. In this paper, we propose an energy efficient cluster head selection algorithm which is based on particle swarm optimization (PSO) called PSO-ECHS. The algorithm is developed with an efficient scheme of particle encoding and fitness function. For the energy efficiency of the proposed PSO approach, we consider various parameters such as intra-cluster distance, sink distance and residual energy of sensor nodes. We also present cluster formation in which non-cluster head sensor nodes join their CHs based on derived weight function. The algorithm is tested extensively on various scenarios of WSNs, varying number of sensor nodes and the CHs. The results are compared with some existing algorithms to demonstrate the superiority of the proposed algorithm.