基于改进蚁群优化算法的无线传感器网络路由研究

无线传感器网络能够进行传感器的数据收集和传输,为用户提供多元信息,在不同的领域都具有广阔的应用前景,但无线传感网络的路由研究没有动态的拓扑结构以及全地址机制,并且资源有限,因此需要新的无线传感器路由算法进行支持.本文提出了基于改进蚁群优化算法的无线传感器网络路由算法,将改进的蚁群算法的自组织、动态和多路径等特性结合到无线传感网络路由研究中,用仿真实验进行分析表明该算法在网路平均能耗方面的显著改善,并证明其基本满足无线传感器网络的设计目标.     

蚁群-遗传算法的无线传感器网络路径优化

为了提高无线传感器网络路径优化效率,快速找到最优路径,提出基于蚁群-遗传算法的传感器路径优化方法.利用遗传算法的快速全局搜索能力和蚁群算法的正反馈机制,实现了两种算法的融合.仿真结果表明,蚁群-遗传算法在时间和性能上都优于单独的蚁群算法和遗传算法,能快速找到无线传感器网络最优路径,有效延长了网络的生命周期.     

基于改进蚁群算法的无线传感器网络路由

为了降低节点能量消耗,延长网络生存的时间,提出了一种改进蚁群算法的无线传感器网络路由机制。首先将无线传感器网络服务质量分为3类,然后利用蚁群算法可以自适应网络状况动态性的优势,构建传感器节点转移函数和信息素更新规则,自适应构建数据路由,最后采用仿真模拟实验对算法性能进行检验。实验结果表明,相对于与现有无线传感器路由算法,本文通过引入蚁群优化机理挖掘传感器节点之间的关联性,数据传输延迟、可靠性和能量开销上具有更好的性能,使整个网络性能保持最优。     

无线传感器网络的蚁群自组织算法

探测效能与能量节省的综合性能优化是无线传感器网络研究的一个热点问题.提出了一种分布式、自适应的无线传感器网络蚁群自组织算法,将无线传感器网络节点映射为情绪蚂蚁,通过蚁群间的协同对节点的唤醒概率进行群体智能优化,从而实现无线传感器网络自组织,并以定理的形式给出了性能指标和相关参数的设计方法.仿真表明,算法实现在唤醒较少节点的前提下,对目标保持了较好的探测能力.     

无线传感器网络自适应蚁群定位算法研究

针对蚁群定位算法可能出现局部最优解而导致定位不准确的问题,提出了无线传感器网络自适应蚁群定位算法。通过将节点估计坐标移动方向离散化,将传感器定位问题转换成离散组合最优问题。定位过程中通过聚度和信息权重对传感器节点估计坐标向各个方向移动的概率进行修正,解决了定位结果收敛于局部最优解的问题。仿真结果表明,自适应蚁群定位算法比传统蚁群定位算法具有更低的定位误差。     

无线传感器网络中蚁群路由算法的改进

在无线传感器节点能量有限的条件下,如何使网络寿命最大化是无线传感器网络研究的重点,均衡网络能量消耗是延长网络寿命的一个有效方法。在蚁群算法的基础上引入了模糊理论的概念,提出了一种ACO for Fuzzy Theory算法,根据节点剩余能量、通信距离、邻居节点数目和信息素等因素采用模糊综合评判法进行下一跳节点的选择。仿真实验表明,与基于能量有效蚁群算法(EEABR)进行比较,相同条件下AFT算法有效地减少了网络平均能量消耗,增强了网络节点的存活率。     

混合光无线传感网络节能路由算法优化

为解决混合光无线传感网络节点因自身能量耗尽而过早消亡的问题.结合改进的蚁群算法,对一般混合光无线传感网络节能路由算法进行优化.首先给出节能路由算法的假定条件,设置算法具体应用场景,然后构建混合光无线传感器网络通信能耗模型,最后从引入路径度量,改进前向蚂蚁和返回蚂蚁的信息素更新规则着手,提高传统蚁群算法收敛速度,以减少能...     

基于GA-ACO-BP的WSN数据融合算法实现

在无线传感网络中,为了提高多传感器数据融合性能,解决传感器电池频繁更换,延长网络生命周期,提出一种将遗传算法与蚁群算法相结合改进BP神经网络的多传感器数据融合算法(GA-ACO-BP)。GA-ACO-BP算法结合了遗传算法和蚁群算法的优势,传感器网络节点将信息通过LEACH协议对数据进行融合处理,降低数据发往Sink节点的传输量,减少数据传输造成的能量消耗。通过实验仿真显示,GA-ACO-BP算法和基于LEACH协议的算法、ACO-BP算法相比,该算法能减少需要传输的数据量,延长网络生存周期。     

基于蚁群算法的无线传感器网络广播协议算法研究

相对于传统的广播算法,蚁群算法的优化目标在于多约束条件下平衡网络能耗,提高网络生存期。文中提出了一种基于蚁群算法的无线传感器网络广播协议算法（AOBA）,并对AOBA算法进行仿真试验。通过与现有算法的性能比较,可以看出AOBA算法能平衡网络负载,降低整个网络的能耗,有效提高网络生存期,具有较好的性能。     

面向蚁群机制的无线传感器网络节能路由算法

针对无线传感器网络资源受限、能量约束问题,提出了ESRAC算法.该算法综合PEGASIS算法及蚁群算法的优点,考虑到全网的能量消耗,将能量因子加入到概率选择模型和信息素更新机制中,构造最短路由.并且利用混沌扰动,使蚁群算法跳离局部最优解,避免路由过程中的热点问题.仿真实验表明该算法更好地节约了全网能量,延长了网络的生命周期.     

5G网络切片场景中基于预测的虚拟网络功能动态部署算法

针对无线虚拟化网络在时间域上业务请求的动态变化和信息反馈时延导致虚拟资源分配的不合理,该文提出一种基于长短时记忆(LSTM)网络的流量感知算法,该算法通过服务功能链(SFC)的历史队列信息来预测未来负载状态。基于预测的结果,联合考虑虚拟网络功能(VNF)的调度问题和相应的计算资源分配问题,提出一种基于最大最小蚁群算法(MMACA)的虚拟网络功能动态部署方法,在满足未来队列不溢出的最低资源需求的前提下,采用按需分配的方式最大化计算资源利用率。仿真结果表明,该文提出的基于LSTM神经网络预测模型能够获得很好的预测效果,实现了网络的在线监测;基于MMACA的VNF部署方法有效降低了比特丢失率的同时也降低了整体VNF调度产生的平均端到端时延。     

基于蚁群算法的Ad Hoc网络QoS组播路由研究

在解决Ad Hoc网络QoS组播路由问题上,针对蚁群算法缺点,提出了一种融合粒子群优化思想的改进蚁群算法.该算法融合PSO思想以加速蚁群算法在路由发现及维护时的收敛速度.仿真结果表明,该算法具有较好的性能,是解决Ad Hoc网络QoS组播路由问题的有效方法.     

基于蚁群的无线电源管理网络路由算法

蚁群算法(Ant Colony Algorithm,ACA)是一种新型的基于群体的仿生算法。采用蚁群算法实现了对无线电源管理网络的路由优化,为远程设备管理提供了新的解决思路。对原始蚁群算法进行了改进,提出了一种多蚁群的优化算法。基于蚁群算法及其并行搜索最优的特征,通过蚁群聚类和动态调整网络优化参数的方法,可作为一种面向无线电源管理网络的路由算法,经过仿真验证了该算法的有效性。     

多智能体系统中的任务分配蚁群优化算法

Task allocation is a key issue of agent cooperation mechanism in Multi-Agent Systems. The important features of an agent system such as the latency of the network infrastructure, dynamic topology, and node heterogeneity impose new challenges on the task allocation in Multi-Agent environments. Based on the traditional parallel computing task allocation method and Ant Colony Opti-mization (ACO), a novel task allocation method named Collection Path Ant Colony Optimization (CPACO) is proposed to achieve global optimization and reduce processing time. The existing problems of ACO are ana-lyzed; CPACO overcomes such problems by modifying the heuristic function and the up-date strategy in the Ant-Cycle Model and es-tablishing a three- dimensional path phero-mone storage space. The experimental results show that CPACO consumed only 10.3% of the time taken by the Global Search Algorithm and exhibited better performance than the Forward Optimal Heuristic Algorithm.     

一种基于WSN时变性与节点剩余能量均衡的机会路由算法

 为了解决数据报文在无线传感网络中动态路由以及网络内各节点剩余能量均衡问题,该文提出了一种机会路由算法。首先,利用热力学第2定律描述数据报文在无线传感器网络中动态路由的传输过程,其中,为了表征网络内各节点状态的时变性以及剩余能量,提出了机会熵模型;其次,以机会熵模型作为选择下一跳节点的理论依据,并结合蚁群优化(ACO)算法,设计并实现了考虑网络中各节点时变性与剩余能量均衡的机会路由算法(ACO for Time Dependent Opportunistic-routing Protocol, ATDOP),使得数据报文在转发过程时,能够有效地选择下一跳节点,从而使网络内各节点的通信资源和能量资源达到负载均衡。最后,通过实验证明,相对于已有的机会路由协议,ATDOP具有报文成功传输率高、网络有效吞吐量大以及网络工作寿命长等优点。     

逆转变异蚁群算法在CGF多目标分配中的应用

在预警机指挥引导多机协同空战对抗仿真过程中,为了提高CGF实体的智能性和实时性,对多CGF实体协同作战时目标选择因素进行分析,构建了一种基于变异蚁群算法的多CGF实体协同作战目标选择模型。该模型对蚁群算法中的选择策略进行了改进,引入一种遗传算法的变异算子以减少最优解的搜索时间,改进了搜索空间中信息素的更新方式,提高了模型最优解的搜索能力。运用该模型对多CGF实体协同作战过程进行仿真,仿真结果表明,所提出的变异蚁群算法对多CGF实体目标选择最优解的搜索效率明显优于基本蚁群算法,能够更好地模拟真实作战兵力的目标选择过程。     

一种支持流媒体的应用层组播路由算法

提出了一个应用层组播网络模型,并对其中应用层组播服务结点路由的构建和维护进行了较为深入的研究,提出了一个基于智能蚁群的组播路由算法.仿真实验结果表明,该算法,特别在有效性方面有了大幅提升,并能随同给规模增大而降低.     

一种基于蚁群算法的多任务联盟串行生成算法

联盟生成是多Agent系统的一个关键问题,主要研究如何在多Agent系统中动态生成面向任务的最优Agent联盟.引入蚁群算法解决多任务联盟问题.提出了一种基于蚁群算法的多任务联盟串行生成算法,对于任务序列可依次生成全局最优联盟,避免了联盟死锁和资源浪费,同时算法基于蚁群系统的学习能力可以有效减少联盟生成的搜索时间和计算量,可实现性好.     

随机优化蚁群算法在空战决策中的应用

空战决策是多机协同多目标攻击的关键技术。在传统蚁群算法基础上,对其搜索机制进行了改进,提出了一种随机优化蚁群算法,并将其应用于空战决策。建立了空战威胁数学模型,给出了产生随机排列的"随机补0"法,有效优化了蚁群的搜索机制。仿真结果表明这种随机优化蚁群算法克服了传统蚁群算法局部收敛的缺陷,特别是空战规模较大时更显示出其较快的收敛速度和全局收敛能力。