WCDMA无线网络的优化研究

本文针对WCDMA无线网络优化进行了全面的分析和阐述,通过对网络优化流程、工程网络优化、运维网络优化等方面的研究,指出了目前存在的问题和采取的网络优化措施,同时,分析了WCDMA与其他移动通信系统之间的干扰,并提出相应的解决思路.     

移动无线网络优化

在信息科技高度发达的今天,4G移动通信无线网络已深入到每个人的生活,并深刻地改变了人们的生产生活方式.与传统的2G、3G网络相比,4G无线网络在原理和系统结构上都更加复杂,在网络投入运行之初往往由于技术、成本、时间等原因而造成4G移动网络未能完成发挥其性能,因而在后期的维护和系统升级中有必要对整个网络进行优化.只有将4G网络的现有问题解决好,才能更快更好地促进各行各业的发展.本文就4G移动通信网络的优化问题进行了相关的探讨.     

优化PHS无线网络

目前，面对PHS用户数量的不断扩大、网络规模的不断扩张，只有不断改善网络通信质量，保持较为稳定的接通率。并不断推陈出新，开发各项增值业务，才能促进业务的良性发展。因此，加强PHS网络的优化工作至关重要。     

移动通信网无线网络优化工作研究

近年来社会发展进步很快,移动通信事业也获得了长足发展,但是面临的市场环境也更加严峻.需要不断优化移动通信网无线网络,才能让客户的实际需求得到满足,实现市场占有率与经济效益的提升.本文将简述移动通信网无线网络的现状,并介绍了具体的优化措施,旨在提升移动通信网的服务质量.     

无线网络工程优化方法研究

随着科技的进步,移动通信技术也得到迅速发展,人们对于通信质量的要求也越来越高。无线网络优化工程对于无线网络的建设起到非常重要的作用,它不仅能够解决无线网络中存在的问题,同时能够起到优化资源配置的作用。本文对网络优化工程技术的必要性以及优化内容进行分析,提出了网络优化中常见的问题以及解决措施,     

GSM无线网络质量优化方案探究

随着科技的迅速发展,作为新时代数据的主要传输通道,GSM无线网络质量优化的重要性是不可忽视的。为更好的满足全网用户对网络运行环境的需求,加快无线网络的发展,对GSM无线网络应该有更为严格的运行要求。     

对GSM无线网络如何实施优化探讨

随着中国移动网络的发展,网络规模日益庞大、结构日益复杂,网络由最初的单纯的话音网络发展成涵盖语音、数据、信令等多业务,多内容的综合性网络,网络承载话务不断攀升。同时,网络维护理念逐步由最初的简单设备维护到网络服务、以用户的感受为最终服务目标,网络优化工作也从简单的指标优化发展至用户整体感受与企业利益的平衡优化。     

计算机基于GSM无线网络优化支撑系统要点剖析

随着GSM网络容量和规模的扩大和用户数量的增加,运营商之间的竞争要求不断地提高网络质量,提升客户满意度,以争取更大的市场份额,网络优化人员的工作压力随之增加。本文将对GSM网络优化支撑系统分析!     

LTE无线网络优化关键性能指标探讨

LTE 无线网络优化在整个无线通信网络的建设过程之中,这是十分重要的基础环节,它对无线通信网络的建设是不是能够科学地实施是很关键的。本文主要介绍了LTE系统的发展历史、TD-L的标准化历程,并对LTE无线网络优化的关键性能指标进行探讨。     

无线传感器网络拓扑优化研究

无线传感器网络是新兴的下一代传感器网络,可以预计,无线传感器网络的发展和广泛应用,将对人们的社会生活和产业变革带来极大的影响和产生巨大的推动。路由技术是无线传感器网络通信层的核心技术,对无线传感器网络的拓扑研究将具有重要的现实意义。     

无线传感网络低空干扰下的通信优化模型仿真

准确分析无线传感网络低空干扰程度与通信能力的关系,可以进一步保证网络的安全与稳定,并对通信过程进行优化.无线传感网络在低空干扰下,干扰程度呈现关联无序变化,导致网络通信能力的变化也呈现极强的非线性.传统的关联建模方法对无线传感网络低空干扰下的通信优化建模时,模型受到这种随机变化的冲击,很难正确反映无线传感网络的通信优化效果.提出一种基于数据融合算法的无线传感网络低空干扰下的通信优化模型.模型考虑无线传感网络低空干扰因素的非自由空间描述无线传感网络,获取相应环境下无线传感网络低空干扰程度参数值,通过节点数据适应度运算方法,针对不同的低空干扰程度参数,塑造网络通信所需的适应度函数,修正低空干扰产生的误差,实现优化建模.仿真结果说明,通信优化模型在网络能量消耗、网络延时率和误码率等三个方面的通信优化建模性能都优于传统模型.     

基于鸡群算法的无线传感器网络定位研究

针对无线传感器网络(WSN)节点定位精度不足的问题,提出一种改进鸡群算法与典型定位模型相结合的ICSO(Improve Chicken Swarm Optimization)算法。首先,提出基于pareto距离分级的分类算法,优化鸡群算法种群比例;然后,在母鸡位置公式中引入随机游走策略,增大搜索范围;最后,将净能量增益引入小鸡的位置公式,进一步提高定位精度。仿真结果表明,ICSO与改进后的粒子群算法(MPSO)和鸡群算法(BIDCSO)相比,在参考节点比例、节点密度、通信半径和定位区域面积等方面的平均定位精度分别提高了19.2%、22.1%、12.1%、8.5%和6%、10.5%、4.4%、4.7%。实验结果表明,ICSO算法能够有效提高定位精度。     

基于鸡群优化的无线传感器网络三面定位算法

针对无线传感器网络空间定位问题进行了研究,为了提高未知节点的定位精度,提出一种基于鸡群优化的无线传感器网络三面定位算法。该算法结合了两种未知节点的求解方法,首先利用三面定位模型,通过求取三个面的交点来获取未知节点的坐标;再使用鸡群优化算法进行改进,根据三面定位法计算出的坐标值以及离未知节点最近信标节点的坐标进行初始化,迭代寻优。使用MATLAB进行仿真,改变算法的迭代次数、信标节点占比和通信距离,来对定位精度进行分析。结果表明该定位算法具有较高的定位精度与较快的收敛速度,且陷入局部最优的可能性低于粒子群定位算法。     

一种节能的无线传感器网络报文优化算法

针对传感嚣数据传输过程中报文的有效数据比例较低所造成的能量浪费问题,提出一种基于无线信道误码率的报文优化算法（BGPP）,该算法根据接收者反馈的无线信道的误码率动态调整发送报文的长度,采用无损的数据聚集方法来提高报文中的有效数据比例．实验结果表明,BGPP算法可以适应无线信逆状态的动态变化,在无线信逆误码率较低的情况下具有较好的节能效果。     

传感器网络中改进的粒子群优化定位算法

为提高无线传感器网络节点粒子群优化(PSO)定位算法的收敛速度与搜索性能,将惯性权重的非线性调整策略及目标值排序的思想引入其中,从而实现对算法的改进,并将改进后的算法应用于传感器网络节点的定位。最后,通过仿真实验分别比较了在不同的锚节点密度、网络连通度以及测距误差下,该算法与标准粒子群优化算法及最小二乘法的定位结果。结果表明,改进后的算法不仅有效地抑制了测距累计误差,而且提高了收敛速度,该方法用于传感器网络节点的优化定位是可行的。     

无线传感器网络中的覆盖优化算法

针对现有覆盖算法存在早熟、收敛性差以及易陷入局部搜索等缺点,结合三峡库区水质监测的应用环境,提出一种无线传感器网络覆盖优化算法。基于带收缩因子的粒子群优化模型,利用混沌Tent映射产生的混沌序列代替模型原有的随机参数,并将聚集度指标作为判定条件,实现参数的自适应调整。实验结果表明,该算法能提高网络覆盖率。     

An Integrated Optimization Enabled Sensor Deployment Model in Wireless Sensor Network

ABSTRACT

Target coverage (TCOV) and network connectivity (NCON) are the most basic problems affecting robust data communication and environmental sensing in a wireless sensor network (WSN) application. This article proposes an intelligent Context Aware Sensor Network (CASN) for the process of sensor deployment in WSNs. Accordingly, the process is sub-divided into two phases. In the initial phase, optimal TCOV is performed; whereas, in the second phase, the proposed algorithm establishes NCON among the sensors. The objective model that meets both TCOV and NCON is evaluated as the minimization problem. This problem is solved by a new method that hybridizes the Artificial Bee Colony (ABC) algorithm and the Whale Optimization Algorithm (WOA) together, which is known as the Onlooker Probability-based WOA (OP-WOA) for the determination of optimal sensor locations. In addition, the adopted OP-WOA model is compared with the Genetic Algorithm (GA), the Particle Swarm Optimization (PSO), the ABC algorithm, Differential Evolution (DE), FireFly (FF), the WOA, and the Evolutionary Algorithm (EA)-based TCOV and NCON models. Finally, the results attained from the execution demonstrate the enhanced performance of the implemented OP-WOA technique.