基于蚁群算法的WSN分簇路由协议

针对无线传感器网络的能耗问题,提出了一种基于蚁群算法的路由协议,在簇首选择时考虑到节点的剩余能量,确定节点的实际通信半径,成簇时采用预测机制,簇间采用蚁群算法构建多跳路由。在OMNET＋＋环境下进行实验表明：该协议可有效延缓节点死亡时间,延长网络生存周期。     

基于改进蚁群算法的WSN分簇路由机制研究

针对现有的用于无线传感器网络(WSN)的分簇路由协议,存在着所有簇头直接与汇聚节点通信、远离汇聚节点的簇头能量消耗过快等一系列的问题,根据蚁群算法(ACA)及WSN分簇路由算法的特点,对ACA进行改进并引入到WSN分簇路由机制中,提出一种基于改进蚁群算法的WSN分簇路由算法;该算法将到汇聚节点的距离设定为启发函数以找到簇头下沉的最佳路径和提高蚁群算法的效率,同时,在选择节点概率公式时将该节点的剩余能量考虑在内,在数据传输过程中,减少了簇头节点的能量消耗,进而实现节点能量的高效利用,增强网络的使用寿命。以实现网络通信的高效;通过仿真,结果表明,该算法是可行的、有效的。     

一种能量均衡有效的WSN分簇路由算法

为减少无线传感器网络分簇路由协议中簇内的平均能耗,解决汇聚点附近簇头能耗不均的问题,提出BEERA路由协议,设计其能量消耗模型及路由算法。给出其最优竞争半径的计算、簇头节点的选举、簇间转发路径的建立及簇的生成方法。仿真结果表明,与LEACH等协议相比,新的路由协议能有效地延长网络生存周期,稳定期的持续时间提高19.6%~129%,进入HRD阶段的轮数提高22.8%~58.6%,具有较高的可行性和稳定性。     

能量均衡的WSN非均匀分簇路由算法

针对现有无线传感器网络（WSN）分层分簇路由算法存在的能耗不均衡问题,提出一种能耗均衡的WSN非均匀分簇路由算法。该算法通过在已划分的非均匀区域中构建中间层达到均衡簇首和其他节点能耗的目的,实现WSN整体能耗均衡。实验结果表明,该算法能均衡WSN能耗负载,提高WSN的能量效率,延长100轮～200轮WSN生命周期。     

一种能量有效的WSN分簇路由算法

在对现有无线传感器网络分簇路由协议研究的基础上,针对其存在缺陷,提出了一种新的能量有效的分簇路由算法——EECRA.算法设计思想为:簇首选择时根据节点剩余能量与节点位置进行竞争,成簇时在簇首选择基础上选择较近簇加入,簇内簇间采用单跳多跳相结合的传输方式.仿真结果表明:EECRA算法可以有效的减少每轮能耗,延长网络生存周...     

一种能量有效的WSN分簇路由算法

在对现有无线传感器网络分簇路由协议研究的基础上,针对其存在缺陷,提出了一种新的能量有效的分簇路由算法——EECRA。算法设计思想为:簇首选择时根据节点剩余能量与节点位置进行竞争,成簇时在簇首选择基础上选择较近簇加入,簇内簇间采用单跳多跳相结合的传输方式。仿真结果表明:EECRA算法可以有效的减少每轮能耗,延长网络生存周期,并均衡全网能耗。     

基于蚁群的无线传感器网络能量均衡非均匀分簇路由算法

无线传感器网络(WSN)路由中,节点未充分考虑路径剩余能量及链路状况进行的路由会造成网络中部分节点网络寿命减少,严重影响网络的生存时间。为此,将蚁群优化算法与非均匀分簇路由算法相结合,提出一种基于蚁群优化算法的无线传感器非均匀分簇路由算法。该算法首先利用考虑节点能量的优化非均匀分簇方法对节点进行分簇,然后以需要传输数据的节点为源节点,汇聚节点为目标节点,利用蚁群优化算法进行多路径搜索,搜索过程充分考虑了路径传输能耗、路径最小剩余能量、传输距离和跳数、所选链路的时延和带宽等因素,最后选出满足条件的多条最优路径,完成源目的节点间的信息传输。实验表明,该算法充分考虑路径传输能耗和路径最小剩余能量、传输跳数及传输距离,能有效延长无线传感器网络的生存期。     

改进的基于蚁群算法的非均匀分簇路由协议

针对无线传感器网络中传感器节点随机分布造成能耗不均和“热区”等问题,提出了一种改进的基于蚁群算法的非均匀分簇路由协议。该协议也采用“轮”方式运行,每轮簇首选举开始阶段,根据节点剩余能量、节点密度,结合节点到Sink节点的距离来构造不均匀的竞选半径,每个节点根据竞选半径范围内邻居节点计算剩余能量比及距离偏差平均值,从而计算出其簇首竞争等待时间,采用时间等候簇首竞选机制来选举出簇首,平衡簇内的通信能耗;数据传输阶段,考虑剩余能量、通信能耗、链路质量、传输时延等因素,采用改进的蚁群算法构造最优传输路径,数据传输的同时更新信息素,从而达到自适应、动态优化地建立和维护传输路径。仿真结果表明,该路由协议能有效节约能量和均衡能耗,延长网络生命周期,改善链路质量,减少传输时延。     

基于改进蚁群算法的非均匀分簇自适应路由协议

针对无线传感器网络中出现的节点能耗不均和热区问题,提出一种基于改进蚁群算法的非均匀分簇自适应路由协议。该协议首先根据节点相对基站距离和通信范围内节点密度选举出候选簇头,然后在候选簇头竞争半径范围内进行正式簇头的选取。其次,在节点入簇过程中,考虑共同边缘节点以及非均匀分簇网络特性,通过具有动态权重系数的代价函数形成合理的分簇结构;最后,通过在蚁群算法中使用改进的动态转移策略和局部与全局相结合的信息素更新规则,同时引入动态信息素挥发系数以提高路由算法的寻优能力,并避免陷入局部最优。仿真结果表明：该算法能够有效地均衡网络能耗、缓解基站附近的热区问题,从而提高网络生命周期与吞吐量。     

一种具有提高成簇质量的WSN节能分簇路由算法

通过分析无线传感器网络(Wireless Sensor Networks,WSN)分簇路由协议中簇首节点分布不合理的问题,提出了一种基于节点度数、节点间的相对距离和节点剩余能量的节能分簇路由算法.该算法在选择簇首时,充分考虑节点的度数和节点之间的相对距离,这样选择出的簇首不仅覆盖性能好而且在形成的簇中成员节点和簇首节点间的平均距离短,因此簇内通讯的代价小;同时该算法还考虑了节点的剩余能量,能量低的节点成为簇首的可能性降低.通过这样的方法选择簇首形成的簇提高了成簇的质量,进而提高了网络的整体性能,延长了网络的生存时间.在仿真过程中,本文通过计算得出了簇的理想最优情况,并与仿真结果进行比较,验证了     

基于完全图的能量高效可靠分簇算法

在采用多跳通信方式的分簇无线传感器网络中,接近sink点的簇头负担较重,容易过早耗尽能量而失效,引起大量簇重组。针对该问题,基于完全图理论提出一种能量高效可靠分簇算法以均衡簇间负载,设计动态簇头轮换机制来实现快速簇头选举和故障处理。仿真结果表明,该算法能延长网络生命周期、节约网络能耗、提高网络可靠性。     

基于聚类的蚂蚁优化算法

尽管蚁群优化算法在优化计算中有大量应用，但在大规模优化问题中蚁群算法仍存在搜索时间过长、易于停滞现象等等应用瓶颈。基于这些原因，根据经济学组织交易成本理论，文中提出一种新的通过聚类来降低优化问题规模的蚁群优化算法：基于聚类的蚂蚁优化算法，并从理论上表明比其他蚁群优化算法提高了收敛速度并延迟停滞现象。     

一种改进的蚁群聚类组合算法

基本蚁群聚类算法不必设置初始聚类中心,具有良好的全局搜索能力,但是算法的执行效率低。为此提出了一种改进的蚁群聚类组合算法,该算法引入了K-means算法的思想,在形成新类时设置阈值,利用连通性合并类,使改进后的算法在确保收敛速度的同时,提高了聚类的准确度。实验表明,该算法具有计算效率高、聚类能力强等优点,可用来获得全局最优解。     

基于无线传感器网络的能量高效的非均匀分簇算法

通过分析无线传感器网络自身工作环境的特点,我们对网络中的簇结构大小进行非均匀分簇,根据距离Sink的远近不同,其簇首的覆盖范围大小也不同。这样,对于距离Sink比较近的簇首来说,可以减轻簇内能量消耗的负担,保留一部分能量用于簇间的通信,从而使网络中的节点能量消耗分布相对均匀。通过建立网络节点分布模型,求出了节点能量均衡与多层分簇层数的最优解,提高了能量的利用率,有效地延长了整个无线传感器网络的生命周期。     

基于LACHS协议的分簇算法的设计与实现

路由协议是无线传感器网络设计的重要环节,LACHS（Low-energy Adaptive Clustering Hierarchy Securer routing protocol for wireless sensor network protocol）协议将传统的分层协议加以改进,本文根据网络当前的剩余能量,设计了两种分簇算法,即集中式和分布式、自协商的分簇算法,有效降低了网络的能量损耗,本文延长了网络的生命周期。     

基于蚁群算法的聚类优化

为解决大型网络中的最短路径问题,基于蚁群算法进行聚类优化研究。结合蚁群算法和聚类算法,将网络分割成若干个小网络后进行处理并合成,同时在过程中直接简化网络,透明化无意义的点。实验结果表明,优化后的算法能准确获得所要求的最优解,具有较快的收敛速度。     

基于EM算法的文本聚类优化研究

针对现有的文本聚类算法难以取得满意结果的问题，以EM算法为基础，提出能分别描述相似、不相似聚类对的相似性分布以及重要、不重要文档的重要性分布的文本聚类优化模型（text clustering optimization model, TCOM）．基于该模型，设计一种通过合并不同的文本聚类结果以获取最优性能的方法．实验结果表明，利用该方法同时改善了聚类精度和召回率，其性能优于单独使用现有的硬、软聚类算法．     

改进的蝴蝶优化聚类算法

针对当前算法在求解聚类问题时存在精度低、速度慢及鲁棒性差等问题,提出一种改进的蝴蝶优化聚类算法,借鉴精英策略思想重新定义蝴蝶优化算法的局部搜索迭代公式,然后融合遗传算法的选择、交叉和变异操作.在1个人工数据集和5个UCI数据集上的测试结果表明所提出算法的性能,且与其他算法相比具有一定优势.