基于全局均衡策略的无线传感器网络路由算法

针对无线传感器网络的能耗均衡问题,提出了一种基于全局均衡策略的路由算法。该算法一方面利用基于区域划分的非均匀分簇方法均衡WSN数据收集汇聚树纵向上簇头之间的能耗;另一方面应用基于能耗与剩余能量复合权值的Dijkstra算法优化簇间路由——降低传输能耗并分摊数据转发任务,以均衡汇聚树横向上簇头之间的能耗。仿真实验结果表明,该路由算法能够有效地均衡网络中节点的能耗,显著延长网络的生存期。     

能量均衡多跳分簇路由算法

ZigBee无线传感器网络的生存寿命与节点的能耗直接相关。为了延长网络的寿命,通常采用分簇路由方法。通过集中成簇管理以及分布簇头竞争的能量均衡多跳分簇路由算法EBMHC（ energy balance multi－hop clustering rou-ting algorithm）,在一个周期内,使得网络空闲节点休眠,簇头节点担任多条传输、数据融合以及路由维护的功能,以充分有效利用网络能量。分层管理方式可以缓解网络节点能耗不均衡问题。通过仿真表明, EBMHC算法优于LEACH和SEP算法,使网络能耗更均衡,延长了网络生存周期。     

基于能量福利函数的传感网络节能路由算法

针对无线传感器网络能耗不均衡、能量利用率低等问题,在PARPEW协议基础上提出了一种基于能量福利函数的传感网络节能路由算法。通过在簇形成阶段引入能量代价开销公式和能量福利函数确定簇成员和最终簇头,并且对选举临时簇头时的阈值进行了优化;簇间路由阶段,采用单跳与多跳结合方式,中继节点选举时的权值函数加入了簇内节点个数、已当选过中继节点次数因素。仿真实验表明,与LEACH和原PARPEW协议相比,改进算法均衡了网络能耗,提高了能量利用率,延长了网络生存周期。     

基于能量最小路径的WSN分簇算法

为延长无线传感器网络(WSN)的生存时间,提出一种基于能量最小路径的WSN分簇算法。参照节点的剩余能量与全网动态平均能量的比例关系,决定节点是否成为簇头,并结合簇头间的能量最小路径,实现全网的能耗均衡。仿真结果显示,该算法在网络生存时间、数据吞吐量和网络能耗等指标上性能较优。     

基于非均匀分簇和信息熵的无线传感网络路由算法

针对无线传感网络分簇算法中能量分布不均衡导致的“热区”问题,提出一种基于非均匀分簇和信息熵的路由算法。在簇头选举和竞争半径计算过程中综合考虑节点能量、节点密度和节点距基站距离,均衡簇头能耗以延长生存时间。采用簇间单跳多跳混合通信的路由规则,减少簇间通信能耗。对节点信息熵进行数据融合,引入融合权重系数减小数据融合的不确定性,提高数据融合效率。仿真结果表明,与LEACH、EEUC和EBUCA相比,该算法能够有效均衡网络能耗,延长网络生命周期。     

能量均衡的无线传感器网络节点路由算法

为了提高无线传感器网络的生存时间,提出一种能量均衡的无线传感器网络节点路由算法。首先利用能量阈值和节点剩余能量将节点归类为2个区域,使得不同区域的节点当选为本轮簇头节点的概率不同,在数据稳定传输阶段,簇头与基站之间采用单跳与多跳相结合的通信方式,最后采用仿真实验测试算法的性能。结果表明,本算法有效提高了网络的能量利用率,能够实现节点之间的能耗均衡,使无线传感器的网络生存时间得到延长。     

基于能量分布的异构传感器网络分簇算法

针对能量异构的无线传感器网络,提出一种分簇算法。该算法采用基于节点剩余能量分布状况的簇头竞争参数,降低成簇过程中的通信能耗,实现簇头的均匀分布。在簇间综合考虑簇头剩余能量及其与基站的通信能耗,以选择合适的下一跳路由节点。仿真结果表明,该算法可以均衡网络能量消耗,提高节点能量利用效率,延长网络寿命。     

移动传感器网络中能量有效分簇算法

针对移动传感器网络中节点移动及能量有限问题,提出基于TDMA和事件触发的能量有效分簇算法。该算法以移动网络为应用背景,结合时分复用,通过分析簇头节点剩余能量及簇头节点移动进行分簇,以减少网络中簇重构次数,有效均衡系统中节点能耗,并延长网络生存时间。仿真结果表明:所提出方法相对CBVRP算法簇重构次数可减少6.0%,相对MCR算法网络生存时间提高了10%。     

基于能量与能耗速度的WSN分簇算法

无线传感器网络的最大局限是能量有限.为了高效利用网络能量、均衡网络负载,提出了一种基于能量与能耗速度的分簇算法.其中节点能耗速度是一个带有能耗预测信息的参量,利用它可以更有效地优化簇头选择与簇规模,该算法根据这两个参数来优化簇头的选择,能有效地延长节点的生存时间;同时,根据簇头节点与基站的距离、当前能量和能耗速度对簇规模进行约束和优化,进一步保证了簇之间的负载均衡.仿真实验表明改进后的算法有效地延长了网络的生存时间.     

认知网络能量感知及伽玛统计模型能量优化算法

为了提升分簇无线传感器网络的能量效率并均衡节点的能量负载,提出了一种认知网络能量感知及伽玛统计模型能量优化算法。首先,该算法提出基于认知无线电的信道能量感知模型,可以得到网络休眠模式和运作模式下网络的能量分布方程。接着,在多个中继网络场景中采用伽玛函数进行网络总能耗分析,并基于次级网络跳数与簇头总能耗关系提出能量优化策略,在均衡簇头能量负载的同时最小化网络总能耗量。实验仿真结果表明,在网络总能量消耗上,所提出的能量优化算法相比基于节能路由方案的认知无线电网络和基于多能量探测器的认知网络,节能效果分别提高了37.6%和12.2%,并且算法采用伽玛函数对网络能量分布的分析具有一定的准确性。     

运用遗传算法进行智能音乐作曲研究

采用遗传算法进行算法作曲,主要利用遗传算法的全局最优性,并且相对简单有效的特点.利用简洁的编码方式对基因进行编码,有效地表达了乐曲的主要信息,方便了适应度函数的计算和相关遗传操作的进行.针对音乐质量评估问题,提出了将相关音乐知识的规则和人机交互相结合的模式,共同对所创作音乐进行合理评价.不仅提高了评价的准确性,而且大大降低了人的工作量,产生了良好的音乐工程效果.     

递归算法与高效算法

文章通过实例给出了采用母函数法同时解决递归算法的两个问题:复杂递归算法的时间复杂度的求解问题和递归算法到高效算法的转化问題,并由此设计出高效的组合算法.     

一种基于PBIL算法和变焦算法的混合算法

基于群体的增量学习(PBIL)算法具有运行过程简单、解决问题快速准确的优点.本文采用二进制编码,针对二进制编码的算法从二进制最高位到最低位依次收敛的多米诺现象,提出一种变焦算法用来提高PBIL算法的搜索效率和求解精度.基于多组不同维数的Benchmark函数的仿真结果表明,混合算法具有全局收敛、求解精度及搜索效率高的优点.     

基于EM算法和PSO算法的混合优化算法

针对粒子群优化算法容易陷入局部最优解并且存在过早收敛的问题,将类电磁机制算法中的吸引-排斥机制引入到粒子群优化算法中,提出一种类电磁机制算法和粒子群优化算法的混合优化算法(EMPSO).首先按照基本粒子群优化算法的寻优方式对各粒子进行更新,再利用类电磁机制中的吸引-排斥机制对个体最优粒子和群体最优粒子进行移动,最后通过几个标准测试函数进行了测试,并与标准粒子群算法(PSO)、免疫粒子群算法(IPSO)、混沌粒子群算法(CPSO)进行对比.测试结果表明,改进算法提高了全局搜索能力和熟练速度,改善了优化性能.     

基于Apriori算法的改进算法

挖掘关联规则是数据挖掘中一个重要的课题,产生频繁项目集是其中的一个关键步骤。提出了一种改进算法,并将该算法与Apriori算法进行了比较。该算法只需要对数据库扫描一遍,并且存放辅助信息所需要的空间也少,结果表明该算法对关联规则挖掘较为有效。     

基于SAC的特征选择算法

特征选择通过移除不相关和冗余的特征来提高学习算法的性能。基于进化算法在求解优化问题时表现出的优越性能,提出FSSAC特征选择方法。新的初始化策略和评估函数使得SAC能将特征选择作为离散空间搜索问题来解决,利用特征子集的准确率指导SAC的采样阶段。在实验阶段,FSSAC结合SVM,J48和KNN分类器,通过UCI数据集完成验证,并与FSFOA,HGAFS,PSO等算法进行了比较。实验结果表明,FSSAC可以提高分类器的分类准确率,且具有良好的泛化性能。除此之外,对FSSAC和其他算法在特征空间维度缩减情况方面做了对比。     

基于欺负算法的优化算法

分布式算法中的欺负算法在选举协调者的过程中由于传输了大量信包而导致性能降低。该文在分析原有算法及其数学模型的基础上,提出一种优化算法并建立了相应的数学模型,对2种算法进行比较可以得出,优化算法在避免了选举失败或选举错误的基础上有效降低了选举过程中信包的传输数量,提高了通信性能,避免了网络延迟和网络拥塞。     

递归算法的非递归化研究

1 引言在工程实际中,有许多概念是用递归来定义的,数学中的许多函数也用递归来表达。一个递归算法的执行过程类似于多个函数的嵌套调用,只是主调函数和被调函数是同一个函数而已,在执行过程中,信息的传递和控制的转移必须通过栈来实现,这就导致空间耗费大,执行效率较低,尤其是当递归深度较深时,不但耗费的空间大而且执行的效率也相当低,这是递归算     

基于混沌优化与人工鱼群算法的混合算法研究

针对人工鱼群算法和混沌优化算法的特点,将人工鱼群算法与混沌优化算法相结合提出一种混合算法。此混合算法是利用混沌变量敏感性来提高人工鱼群初始群体解的质量;然后利用混沌的遍历性和随机性扰动使鱼群算法摆脱局部极值点,提高全局收敛性。仿真实验结果表明了混合算法的有效性。最后,给出了在一定条件下提出的混合算法的收敛性证明。     

基于改进PSO-TrICP算法的点云配准

针对传统迭代最近点（Iterative Closest Point,ICP）算法在初始空间位置偏差大时,容易陷入局部最优的问题,提出一种基于改进PSO-TrICP算法的点云配准方法。首先,对传统粒子群（Particle Swarm Optimization,PSO）算法进行改进,引入适应度的相似度测量准则调整粒子的更新方式,然后加入历次迭代的全局最优解的均值作为新的学习因子避免求解过程中出现“早熟”现象;其次用刚性变换参数和点云间的重叠率组成粒子,利用改进PSO算法为配准提供良好的初始相对位置;最后,通过裁剪迭代最近点（Trimmed Iterative Closest Point,TrICP）算法估计点云间的空间变换。实验结果表明,改进PSO-TrICP算法的配准精度与运行效率优于近年提出的同类配准算法,且具有较好的鲁棒性。