基于改进萤火虫算法的覆盖优化方法

针对无线传感器网络中目标区域仅部署静态节点和移动节点时,分别存在覆盖率低和成本高的问题,提出一种基于改进萤火虫算法的覆盖优化方法。首先,将静态和移动传感器节点随机部署在目标区域内,改进位置公式和步长因子,提高全局搜索能力,加快搜索速度;其次,利用改进萤火虫算法初步确定移动传感器节点的候选目标位置;最后,通过目标位置优化方法得到节点的最佳目标位置,从而完成覆盖优化。仿真结果表明,与基于PSO算法和CS算法等启发式算法的覆盖优化相比,该优化方法能够缩短平均移动距离,提高网络覆盖率,节省节点能量,延长网络生命周期。     

萤火虫算法在WSN节点部署中的应用

为解决WSN随机部署方法导致覆盖率低的问题,提出了一种基于萤火虫算法的WSN自适应部署方法.该方法融合概率感知模型和萤火虫算法两种技术,建立网格覆盖模型,实现WSN节点优化部署.设计了3组仿真测试,实验结果表明,新方法相较于随机部署方法,其测覆盖率有所提升.     

基于多策略混合改进HHO算法的WSN节点覆盖优化

针对监测区域内无线传感器网络节点部署容易出现分布不均匀、有效覆盖率低等问题,提出一种多策略混合改进哈里斯鹰算法的WSN节点覆盖优化策略。利用Fuch无限折叠混沌初始化、自适应精英个体对立学习、正余弦优化和高斯与拉普拉斯最优解变异策略对标准哈里斯鹰优化算法的性能进行改进。利用改进算法求解WSN节点覆盖优化问题,以监测区域网络覆盖率最大为目标,对节点部署位置寻优。实验结果表明,改进策略能够得到更高的网络覆盖率,减少传感节点冗余,延长网络生存时间。     

改进灰狼优化算法在WSN节点部署中的应用

根据无线传感网络节点在随机部署时存在聚集程度高导致覆盖率低的问题,提出了一种改进的灰狼优化算法,并将其应用于无线传感网络节点的优化覆盖.首先,利用混沌算法进行算法种群的初始化,以提高种群多样性;其次,在灰狼算法的基础上改进其收敛因子,平衡全局和局部搜索能力,提高算法中后期的优化能力;最后,对δ狼进行融合变异以改善局部极值问题.仿真实验表明,将改进后的灰狼优化算法应用于WSN节点部署优化中,与标准灰狼优化算法相比加快了优化速度,网络覆盖率提高了3％.     

基于多策略改进蝴蝶优化算法的无线传感网络节点覆盖优化

针对无线传感网络（WSN）的节点覆盖存在着覆盖率低、节点分布不均匀的问题,提出一种基于多策略改进的蝴蝶优化算法（MIBOA）的节点覆盖优化策略。首先,将基础的蝴蝶优化算法（BOA）与麻雀搜索算法（SSA）结合改进搜索过程;其次,引入自适应权重系数提高寻优精度和收敛速度;最后,对当前最优个体进行柯西变异扰动,提高算法鲁棒性。基准测试函数的寻优实验结果说明,MIBOA基本可在3 s内求解测试函数最优值,且收敛平均值精度较BOA提高了97.96%。将MIBOA应用于WSN节点覆盖优化问题,与BOA和SSA相比,节点覆盖率至少提高了3.63个百分点;与改进灰狼优化算法（IGWO）相比,部署时间缩短了145.82 s;与改进鲸群优化算法（IWOA）相比,节点覆盖率提高了0.20个百分点且时间缩短了1 112.61 s。综上,MIBOA可较好提高节点覆盖率并降低冗余覆盖率,有效延长WSN的生存时间。     

改进自适应粒子群算法在WSN覆盖优化中的应用

针对无线传感器网络（WSN）节点覆盖不均匀导致覆盖率低下的问题,提出了一种基于改进自适应粒子群优化算法的覆盖优化方法。首先,建立WSN覆盖优化的数学模型;然后将进化因子和聚合因子引入粒子群优化（PSO）算法中的惯性权重系数,使改进算法具有很强的自适应能力;接着在算法迭代过程中引入碰撞回弹策略保证粒子群的多样性,克服改进粒子群优化算法在优化后期容易陷入局部最优的弱点。实验表明,本文算法对WSN优化后的网络覆盖率均比其它文献算法提高了2%~6%,且传感器节点分布更加均匀。因此它能有效提高无线传感器网络的性能,是一种应用性较强的WSN覆盖优化算法。     

改进平衡优化器算法的WSN覆盖优化

针对无线传感器网络在节点部署过程中存在节点覆盖空白及重叠覆盖的问题,提出一种改进平衡优化器算法（IEO）的网络覆盖优化。首先,利用环绕反向学习提高初始化种群质量,增强算法的优化能力;其次,引入动态正余弦因子进一步平衡全局搜索与局部开发能力,促使粒子种群对搜索空间中进行广泛搜索和深度挖掘;最后,通过在浓度更新阶段加入Circle混沌映射增加种群多样性,提高算法逃离局部最优的能力。实验结果表明,将IEO算法应用于WSN的覆盖优化实验中,与标准平衡优化器算法及其他改进算法相比,有效降低部署成本,表现出更高的网络覆盖率,改善网络的监测质量。     

改进萤火虫算法性能分析及其在WSNs网络覆盖中的应用

对改进萤火虫算法性能及其在WSNs网络覆盖优化中的应用问题进行了研究。分析了基本萤火虫算法的全局收敛性,针对其收敛效率低的缺陷,给出了算法改进策略,并证明了改进的萤火虫算法以概率1收敛于全局最优解,在此基础上,提出了基于萤火虫优化的网络覆盖算法,建立了以网络均匀度及网络覆盖率为准则的数学模型,推导了节点冗余度与网络覆盖率之间的关系,给出了节点休眠策略,并将节点部署划分成不同的阶段,在每个阶段,分别采用改进的萤火虫算法对模型进行求解,进而得到无线传感器网络最优覆盖,最后对经典测试函数和WSNs网络覆盖问题进行实验仿真,仿真结果表明改进的算法具有更加理想的运算结果,而且能有效地给出WSNs网络覆盖优化方案。     

无线传感器网络覆盖优化仿真研究

研究无线传感器覆盖(WSN)优化问题,由于网络传感器节点分布不均匀,又存在冗余等问题。传统WSN高密度部署方法,节点分布极不均匀,节点覆盖区域之间的重复率高,节点浪费严重,导致网络覆盖率低、成本高。为了提高无线传感器网络的覆盖率,提出一种混沌粒子群优化算法(CPSO)的WSN覆盖优化算法。首先以提高网络覆盖率为优化目标,建立WSN覆盖优化数学模型,然后通过粒子间协作进行求解,并对粒子群混沌扰动,保持粒子多样性,从而得到最优网络覆盖。仿真结果表明,相对于其它覆盖优化算法,CPSO能够以较少传感器节点获得较高网络覆盖率,提高了网络通信效率,降低网络成本。     

基于加权帝国竞争算法的无线传感器网络覆盖机制

为了克服当前无线传感器网络（WSN—WirelesslessSensorNetwork）覆盖优化机制的收敛速度慢,易陷局部最优等不足;并同时兼顾高的覆盖率和较低的能耗,以延长生命周期,本文引入权重理论,并以节点利用率以及覆盖率设计适应度函数,提出基于加权帝国竞争算法的WSN覆盖优化机制,并测试该机制与其他优化机制。测试结果表明：与其他几种机制相比,本机制的收敛速度更快,覆盖率更高,工作节点数量更少。     

粒子群优化点匹配算法

点匹配问题一直是计算机视觉,模式识别,医学临床诊断等领域的一项重要基础性工作。本文提出了一种基于粒子群优化算法的准确、快速和鲁棒性的点匹配方法。该方法首先确定两个特征点集的点匹配问题的能量函数,通过最小化该能量函数可以同时得到点集之间的匹配矩阵和映射参数,利用粒子群优化算法求解变换参数。实验表明,该算法适用于点匹配,具有操作方便,可靠性好,不易陷入局部极值等优点。     

电力系统无功优化中PSO算法的改进研究

针对电力系统无功优化中的PSO算法的特点,采用的信息拓扑结构为环形结构,对PSO算法中的变异算子进行研究.针对环形拓扑结构的PSO算法,其后期收敛精度差是一个常见问题,提出了一种称之为"球面变异"的变异算子,充分利用粒子群迭代后期种群的信息,对变异的方向与速度进行引导,进而建立了变异算子与当代种群适应度之间的关系,明显地提高了算法收敛速度与精度.最后,对陷入局部收敛等问题进行相应的改良,诸如无法达到最优解等问题.使用IEEE14节点系统作为算例进行测试,结果达到优良.     

求解矩形包络问题的量子行为粒子群优化算法

介绍了一种利用量子行为粒子群算法（QPSO）求解矩形包络的方法。矩形包络是将二维不规则形状样片用它们的最佳包络矩形来代替,是服装排料的第一步。实验结果表明量子行为粒子群算法比粒子群算法,遗传算法能更好地解决求二维不规则形状样片的矩形包络的问题。     

用于函数优化的最大引力优化算法

提出一种基于牛顿万有引力定理的函数优化方法──最大引力优化算法。该算法通过“引力分组”和“引力淘汰”过程更新搜索体。文中给出4个引理来描述算法的数学基础,同时也给出算法的收敛性证明。此外还对该算法进行改进。最后与粒子群算法、差分算法、郭涛算法进行比较,数值结果显示该算法在解决连续函数优化问题具有较高的性能。     

Bacterial Foraging Optimization Approach to Portfolio Optimization

In this paper we propose a heuristic approach based on bacterial foraging optimization (BFO) in order to find the efficient frontier associated with the portfolio optimization (PO) problem. The PO model with cardinality and bounding constraints is a mixed quadratic and integer programming problem for which no exact algorithms can solve in an efficient way. Consequently, various heuristic algorithms, such as genetic algorithms and particle swarm optimization, have been proposed in the past. This paper aims to examine the potential of a BFO algorithm in solving the PO problem. BFO is a new swarm intelligence technique that has been successfully applied to several real world problems. Through three operations, chemotaxis, reproduction, and elimination-dispersal, the proposed BFO algorithm can effectively solve a PO problem. The performance of the proposed approach was evaluated in computational tests on five benchmark data sets, and the results were compared to those obtained from existing heuristic algorithms. The proposed BFO algorithm is found to be superior to previous heuristic algorithms in terms of solution quality and time.     

求解多模态函数优化的微果蝇优化算法

研究求解偏高维多模态函数优化的小种群果蝇优化算法．算法设计中,优质种群经局部变异探测优质个体;中等种群经精英个体引导实现个体转移;劣质种群依赖于精英和劣质个体沿着多方位搜寻多样个体．该算法具有结构简单、可调参数少、进化能力强等优点,其计算复杂度低．比较性的数值实验显示,此算法寻优能力强、搜索效率高且对偏高维函数优化问题具有较好应用潜力．     

改进聚合树的高维多目标降维优化算法

对于高维多目标优化问题,降维优化算法通过去除或融合冗余目标的方法解决算法耗时过多的问题,但同时也会导致算法分布性能下降。聚合树算法定义非参数秩冲突从而可以快速计算出各目标间冲突度,但聚合树算法鲁棒性有待提高,且需要用户自行决策去除冗余目标。针对这些问题,提出数组叠加机制并定义冲突趋势和冲突度误差,以提高算法鲁棒性;通过合并冲突度较低的冗余目标的方法来进行目标降维,并定义降维截止冲突度;与NSGA-III算法结合,以达到对高维多目标问题进行完整降维优化的目的。为检验该算法性能,与其他经典高维算法进行对DTLZ测试函数集的优化对比,实验结果表明,该算法在耗时更少的同时,也具有较为优秀的分布性能和收敛性能。     

电力系统无功优化的柯西粒子群算法

针对传统粒子群算法易陷入局部最优解、收敛速度慢的缺点,提出了柯西粒子群算法,并首次将其应用于电力系统无功优化问题.柯西粒子群算法是基于柯西分布的期望和方差均不存在的原理,对每一代粒子的全局极值进行柯西变异,以此来增加种群的多样性,扩大全局最优粒子的搜索区域,以尽快获得适应度更优的个体,从而可以避免算法陷入局部最优解,同...     

基于粒子群优化算法的系统可靠性优化

系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。