基于改进蚁群算法的WSN移动代理路由算法研究

提出了基于改进蚁群算法的无线传感器网络移动代理路由算法,在改进算法中引入了传感节点的剩余能量值、数据处理能力等新的启发因素,从而均衡了网络负载,降低了网络能耗和延时;状态转换规则的改进和自适应全局信息素更新策略的采用克服了基本蚁群算法的不足。仿真实验表明,提出的算法在全局性和收敛速度上均优于其他传统算法。     

基于改进蚁群算法的WSN路径优化

针对无线传感器网络(WSN)路径优化问题,提出一种改进蚁群算法的WSN路径优化方法,结合遗传算法和蚁群算法的优点,在蚁群算法中引入遗传算法选择、交叉和变异算子,提高算法收敛和全局寻优能力。仿真对比实验结果表明,改进蚁群算法提高了WSN路径优化效率和成功率,有效延长了WSN的生命周期,改善了网络整体性能。     

基于蚁群算法的WSN移动信标路径获取研究

根据ROI（Region of Interest）面积给出了等距三重优化覆盖此ROI所需要的信标发射位置数量计算方法;随后对矩形ROI提出了一种简单的信标发射位置确定方法;针对现有的遍历发射位置点的路径遍历算法的不足,提出了一种新的应用蚁群算法的信标发射位置点的遍历算法,并利用该算法对基于三边测量方法进行传感器节点定位。仿真实验表明,采用该文提出的方法对传感器节点进行定位,在定位的精度和定位的效率方面与现存的方法相比有明显的提高。     

基于改进PSO算法的WSN移动Sink路径规划算法

尽管基于汇聚节点(Sink)的移动可缓解无线传感网络(Wireless Sensor Network, WSNs)的能量空穴,但规划汇聚节点的移动路径是一个复杂问题。为此,提出基于改进PSO算法的WSN移动汇聚节点路径规划算法(Improved Particle Swarm Optimization- based Path Planning of mobile Sink- IPS- OPP)算法,IPS- OPP算法利用改进的粒子群优化算法选择驻留点(Ren-dezvous Point ,RP),再将基于RPs的构建移动路径看成旅行商问题(Travelling Salesman Problem, TSP),并通过Christofides算法求解,得到满足数据时延要求的移动路径。仿真结果表明,提出IPS- OPP算法缩短了移动路径,减少了收集数据时延。     

WSN节点定位中移动信标路径规划的研究

在无线传感器网络的节点定位技术中,通过移动锚节点定位是比较实用的定位方法,移动锚节点定位需要考虑移动路径问题,路径规划合理有效,可以获得较高的定位精度。若将传感器节点看作图的顶点,利用解决TSP的思想结合蚁群算法来寻找一条最佳路径,通过理论分析及仿真实验可知,该方法形成的路径可以很好地覆盖整个网络,很好地适应无线传感器网络节点随机分布时的节点定位。     

WSN中改进蚁群算法求解移动代理问题*

关于求解无线传感器网络中移动代理迁移路径问题,在蚁群系统基础上对蚁群算法进行改进,使算法更适用于无线传感器网络环境。从大量初始化路径中选出部分最优路径留下信息素,而且考虑节点的剩余能量,从而引导蚂蚁选择不同的路径;同时,针对无线传感器网络节点通信能力有限的特点,为了避免无效路径的产生引入变异操作。理论分析和仿真实验表明,改进后的蚁群算法增强了算法的全局搜索能力并有效求解无线传感器网络移动代理迁移路径问题。     

基于蚁群算法及博弈论的多Agent路径规划算法

针对多Agent路径规划问题,提出了一个两阶段的路径规划算法。首先,利用改进的蚁群算法来为每个Agent规划出一条从起始点到目标点,不与环境中静态障碍物碰撞的最优路径。在蚁群算法的改进中引入反向学习方法来对蚂蚁位置进行初始化分布,提高了算法的全局搜索能力;利用粒子群算法中的自适应惯性权重因子来调节信息素强度Q值,使其自适应地变化,避免陷入局部最优;对信息素挥发因子ρ进行调节,提高算法的迭代速度。其次,若多Agent之间存在动态碰撞,利用博弈论构建多Agent之间的动态避障模型,并利用虚拟行动法来解决博弈的求解问题及多Nash均衡的选择问题,确保每个Agent能够快速学习到最优Nash均衡。仿真实验结果表明改进蚁群算法与传统蚁群算法相比在搜索精度与搜索速度上有明显的提高,与Mylvaganam的多Agent动态避障算法相比,所提算法减小了路径总长度并提高了收敛速度。     

遗传蚁群算法的WSN移动代理路由算法研究

针对常用路由优化算法存在收敛速度慢、易陷入局部最优等难题,提出了一种遗传蚁群算法的WSN移动代理路由方法(GA-ACA)。首先利用遗传算法的全局搜索能力快速找到较优解,然后将较优解转换成蚁群算法的初始信息素,最后采用蚁群算法收敛速度快的优点,找到移动代理路由全局最优解。仿真结果表明,相对于其他移动代理路由算法,GA-ACA加快了收敛速度,能在更短的时间内找到最优移动代理路由,减少了平均能量消耗和网络延时,提高了WSN整体性能。     

基于改进蚁群算法的WSN能量均衡路由算法

WSN节点大都分布散乱，无法及时进行电池的更换，所以易出现网络能耗不均，重要节点过早消耗殆尽，故提出一种优化改进蚁群算法的路由算法，运用网络分层带和限制搜索角，引入介能距离和梯度函数，并在概率函数中加入能量因子等，来增长网络周期，增强寻优能力，降低能量消耗，避免先行陷入局部最优。通过仿真实验表明，该改进算法确实能够克服经典蚁群算法的缺陷，实现高效实时的优化路由。     

基于优化蚁群算法的机器人路径规划

研究机器人导航中的路径规划问题,运用栅格法和图论思想建立环境模型,在该模型中通过蚁群算法进行路径寻优,提出用遗传算法的思想改进已有蚁群算法,即GAA算法。仿真实验结果表明,该算法能有效地提高机器人的路径搜索速度及路径优化、路径平滑等方面的指标。     

基于隶属云蚁群算法的长链型无线传感器网络路由优化

针对用于监测系统的长链树状无线传感器网络数据传输的实时性和高可靠性等要求,并考虑到近汇聚节点处易形成"漏斗"等问题,本文提出用基于云模型的多蚁群算法对无线传感器网络路由进行跨层优化的设计思想。算法通过种群间信息素的相互作用并行地完成路径的搜索并及时对信息素进行更新,在搜索的过程中把节点的时延、跳数、负载及分组成功率作为路径的启发值,利用多规则云发生器对更新策略中的信息素残留系数和信息素强度进行自适应调整。仿真结果表明,该路由算法能够保证无线传感器网络具有很强的实时性、可靠性及鲁棒性,实现了网络的负载平衡及拥塞控制机制。     

基于蚁群优化的WSN能耗均衡链状路由协议

为了从路由技术的角度解决无线传感器网络的能耗问题,综合蚁群优化算法和PEGASIS协议的思想提出了ACO-PEGASIS路由协议;该协议采用蚁群优化算法构建通信链,解决了PEGASIS协议中由于贪婪算法的局部性产生的相邻节点间的长链问题;并在成链过程中综合考虑节点间距离、节点剩余能量等因子,以均衡全网的能量消耗;同时根据距离和能量因素选取链头节点并采用一定措施降低链头重选次数;仿真结果表明,与PEGASIS协议相比,该协议更加有效地均衡了全网的能量消耗,延长了网络的生存周期。     

蚁群算法在WSN路由协议中的应用

针对无线传感网络节点能量有限的特点,提出一种改进的蚁群算法,将蚂蚁信息素、网络节点能量和节点间的时延相结合,形成算法控制因子。仿真结果表明,该算法可以均衡网络中各个节点的能量消耗,延长整个网络的生命周期,缓解网络拥塞并降低平均传输时延。     

基于蚁群算法的产品拆卸序列规划方法

拆卸是回收的前提,为了得到最大的回收效益,对拆卸序列进行规划,得到最优的拆卸序列.根据拆卸的特点构建适合计算和优化的产品拆卸混合图模型,该模型描述了零部件之间的连接关系和优先关系.然后通过几何推理方法产生所有可行的拆卸序列,建立目标函数并构建适合拆卸序列规划的蚁群算法:设计了满足连接关系和优先关系的可拆卸零件搜索空间,得到最优或接近最优的拆卸序列.最后通过实例验证了该方法的实用性和可行性.     

蚁群算法在移动Agent迁移中的应用研究

移动Agent提供了一种全新的分布计算范型.移动Agent技术给分布式系统的设计、实现和维护都带来了新的活力.旅行Agent问题是一类复杂的组合优化问题,目的在于解决移动Agent在不同主机间移动时如何根据移动Agent的任务和其他约束条件来规划最优的迁移路线.蚁群算法作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,是一种解决旅行Agent问题的有效手段,受到了广泛的关注,但它与其他进化算法一样存在易陷入局部最小的缺点.在蚁群算法的基础上,通过修改它的信息素轨迹更新规则,引入自适应的信息素挥发系数来提高收敛速度和算法的全局最优解搜索能力,从而使得移动Agent在移动时以最优的效率和最短的时间来完成迁移.仿真结果表明,改进的算法在解的性能和收敛速度上均优于相关算法.     

基于蚁群算法车辆导航系统路由选择问题的研究

利用蚁群运动的遍历性、随机性和规律性特点,分析了车辆导航系统路由选择问题的蚁群优化算法,仿真结果 表明该方法是一种简单有效的算法。     

改进的蚁群算法在飞行路径模型中的应用

为了保障飞机安全地运行,FAA规定每架飞机在飞行一定时间后都要进行周期性检修。通常考虑到检修成本,任一种检修都要在指定的机场完成,因此要求飞机每飞行一定的小时数后都要返回到指定的维护基地进行定期检修。如何合理地进行飞机飞行路径的调度以使飞机周期性地返回指定检修机场进行检修是本文研究的关键。为了问题简化,本文主要针对单检修基地、单机型的检修路径调度问题进行研究。本文结合经典蚁群算法,对现有算法参数的设置及信息的更新等方面进行改进后应用到飞行路径模型中,并运用Matlab对该算法编程,运用具体数据进行计算实现,确保了飞机周期性返回检修机场,实现周期性检修。     

改进蚁群算法在AGV路径规划中的应用

针对传统蚁群算法在路径规划时,易陷入局部最优、前期路径有效性差等问题,对传统蚁群算法进行改进并应用到AGV（Automated Guided Vehicle）路径规划上。采用栅格地图建立小车工作空间模型,利用改进的头尾搜索机制,提高并加快了算法的全局搜索能力和前期收敛速度;引入奖惩因子与信息素最大最小阈值,对每代最优路径上的信息素进行奖励,最差路径上的进行惩罚,提高全局搜索能力;引入遗传算法变异因子,使算法跳出局部最优能力加强;采用遗传算法对改进的蚁群算法进行参数优化,减少参数对算法的影响。在VS2017和MATLAB软件平台上进行算法仿真。结果表明了该算法在避免局部最优和加快收敛速度方面有很大改进。