贝叶斯预测蜂群算法在无线传感器网络优化中的应用

针对无线传感器网络(WSN,wireless sensor network)节点分布不合理,存在较多的监测盲区等不足,提出了利用贝叶斯预测人工蜂群算法(BPABC,Bayesian predictive artificial bee colony algorithm)制定节点分布方案。BPABC算法借鉴贝叶斯预测算法的思想对蜂群算法中各蜜源存在最优解的概率进行预测,并以此为依据指导跟随蜂寻优工作。采用BPABC算法对WSN中的节点分布进行优化,与人工蜂群算法、全局人工蜂群算法制定的优化方案进行比较。结果表明,BPABC在平均覆盖率、最差覆盖率等方面均优于其他两种算法,并且BPABC算法在迭代收敛速度方面也有明显的优势。为了进一步验证改进算法的实用性,采用BPABC制定不同监测区域的WSN节点分布方案。WSN的覆盖率均在97%左右,并且标准差不超过0.005%。由此可见,基于BPABC的WSN节点分布优化方案具有较高的覆盖率、良好的适应性和稳定性。     

重采样和天牛须协同演化粒子群的WSN覆盖控制算法

为了最大程度提升无线传感器网络(WSN)的覆盖范围并降低能耗,延长网络生命周期,提出了基于重采样技术和天牛须搜索的协同演化粒子群优化(RBASPSO)算法来优化WSN的覆盖控制问题。重采样技术平衡了粒子群算法的全局搜索能力和收敛速度,增加了粒子群整体多样性,防止算法过早收敛,加强粒子在搜索过程中跳出低质量谷底的能力; 天牛须搜索依靠个体的两个触角搜索其邻域,增强了粒子群中单个粒子的搜索能力。RBASPSO算法采用覆盖率和节点休眠率的加权作为优化WSN覆盖控制的目标函数,通过重采样技术和天牛须搜索的协同演化,既加强了单个粒子的搜索能力,又确保粒子群的多样性及活跃性,提升WSN覆盖性能。实验结果表明,RBASPSO算法不仅能有效处理复杂多峰问题; 而且可以有效提高WSN网络覆盖率,延长网络生命周期。     

混沌逃逸粒子群优化算法在WSN覆盖优化中的应用

为了寻找最优的无线传感器网络(wireless sensor networks,WSN)覆盖优化算法,保持整个网络能量的平衡,提高无线传感器网络覆盖率,在基本粒子群优化算法的基础上,提出一种基于混沌逃逸粒子群优化算法(chaotic escape particle swarm optimization,ECPSO)的WSN节点覆盖优化方法。ECPSO算法以覆盖率为优化目标,建立WSN覆盖优化数学模型来描述节点覆盖问题,利用混沌逃逸粒子群算法对数学模型进行求解,实现节点覆盖优化。仿真结果表明,ECPSO算法加快了WSN覆盖优化速度,节点分布更加均匀,提高了传感器节点的覆盖率,是一种高效的WSN节点覆盖算法。     

基于自适应变异二进制粒子群算法的WSN区域覆盖问题研究

为最大限度休眠冗余节点,减少无线传感器网络节点能耗,保证网络覆盖率,提出了一种基于自适应变异二进制粒子群的WSN区域覆盖控制算法(BPSO-G)。将二进制粒子群算法(BPSO)应用到WSN区域覆盖优化问题求解上,并针对BPSO算法不能收敛于全局最优解的缺点,利用自适应变异策略,将节点最优位置以一定的概率进行动态变换,该变换有助于粒子跳出局部最优解,提高搜索新解能力,有效防止算法早熟。仿真结果表明:改进算法收敛速度很快,其连续最优解接近于全局最优解,WSN冗余节点能够最大限度进入休眠状态,且当监测区域面积一定、节点感知半径相同时,其活动节点数基本不随总节点数的增加而增加,始终保持在一定区间内。     

基于改进灰狼优化算法的WSN覆盖优化

针对无线传感器网络（WSN）节点在随机部署时,存在分布不均匀的情况,从而导致覆盖率较低的问题,提出了一种改进的灰狼优化（GWO）算法.首先利用Tent混沌映射初始化种群,增加种群的多样性;其次利用改进的非线性收敛因子,平衡算法的全局搜索能力与局部搜索精度;最后将差分进化（DE）算法的变异、交叉的理念融入GWO算法,避免算法陷入局部最优,并提高算法的收敛速度.基本测试函数仿真结果验证了改进算法的有效性,随后将其应用于WSN覆盖优化问题,可以使节点的分布更加均匀,显著提高覆盖率,进而改善网络性能.     

基于人工蜂群的WSN节点定位算法

针对无线传感器网络(WSN)中传统的DV-Hop算法中计算误差较大的问题,提出基于人工蜂群算法(ABC)的WSN节点定位算法.该算法从平均跳距误差修正和定位计算优化两个方面对DV-Hop进行优化.首先通过信标节点间的估计距离与实际距离的误差对平均跳距进行修正,在修正过程中利用跳数对误差的影响对误差的权重进行约束.其次通过设置目标函数使用ABC替换原本最小二乘法对位置节点坐标进行计算,又在ABC中引领蜂邻域搜索过程和侦查蜂开发新蜜源方式中分别引入差分进化的变异策略和高斯分布,提高算法的定位精度以及收敛速度.仿真结果表明,在相同网络参数情况下,该算法较DV-Hop和通过ABC替换计算阶段的ADV-Hop在定位精度上都有提高.     

子种群个体动态调整的人工蜂群算法

针对基本人工蜂群算法存在局部搜索能力差、收敛速度慢等缺点,提出一种动态调整子种群个体数目的改进人工蜂群算法用于求解无约束优化问题.该算法利用反向学习策略产生初始种群,以保证个体尽可能均匀分布在搜索空间中;基于个体适应度值,将种群分为两个子种群,分别采取不同的蜜源搜索公式,用于进行全局搜索和局部搜索.5个标准测试函数的仿真实验结果表明,改进算法具有较好的寻优性能.     

基于人工蜂群的硬件木马测试向量生成方法

针对已有测试向量生成方法对以电路惰性节点作为输入的硬件木马触发覆盖率低的问题,提出了一种基于人工蜂群的测试向量生成方法.首先分析了用于触发惰性节点组合的测试向量的分布规律,并构建数学模型对其进行描述;然后利用人工蜂群算法生成测试向量,结合其分布规律对局部区域进行高效搜索以发现能触发更多惰性节点组合的测试向量,同时对全局进行快速搜索,有效避免了"早期收敛"问题.实验结果表明:使用本文方法生成的测试向量测试电路,对电路中惰性节点组合的平均触发覆盖率达到95.86%,与已有方法相比提高了22.43%,具有更好的硬件木马激活效果.     

无线传感器网络覆盖优化策略

针对无线传感器网络节点覆盖容易出现空洞和盲区的问题,提出一种基于改进人工鱼群算法的无线传感器网络覆盖优化算法.首先构建网络节点的信任度模型,进行节点轮换调度修复路由,然后采用改进人工鱼群算法进行无线传感器网络节点的自适应定位寻优,以人工鱼群优化的节点分布模型重构无线传感器网络(WSN)节点覆盖连通图,实现优化网络覆盖.仿真实验结果表明,利用覆盖优化算法进行WSN网络节点设计,明显地改善了网络节点的覆盖质量,提高了无线传感器网络的安全性能.     

一种改进的多目标人工蜂群算法

由于基本多目标人工蜂群算法存在着种群盲目搜索、算法开发能力有限等缺点,在利用人工蜂群算法求解多目标优化问题时,提出了一种改进的人工蜂群算法.通过在算法中引入自适应搜索机制和变异机制等操作,使得种群个体可以有针对性地进行更新,同时也大大提高了种群个体的多样性.最后利用几种多目标的测试函数对改进前后的多目标人工蜂群算法的性能进行测试,结果表明:改进后多目标人工蜂群算法具有良好的算法收敛性和均匀性.     

基于二次插值的人工蜂群算法

人工蜂群算法是一种基于蜜蜂采蜜行为的一种优化算法.针对标准人工蜂群算法的收敛速度慢、搜索能力差、精度低的缺点。提出了一种基于二次插值的人工蜂群算法(QIABC)。保持全局搜索和局部搜索的平衡.数值实验说明了改进的人工蜂群算法在函数评价次数、收敛速度、精度和鲁棒性方面具有较大的优势,从而表明改进方法的有效性。     

基于人工蜂群算法的岩土边坡稳定性测度分析

传统算法存在对初值选择敏感或者容易陷入局部最优的弊端,求解准确性较差。为此提出一种新的基于人工蜂群算法的岩土边坡稳定性测度分析方法。针对某研究岩土边坡,将坡脚看作坐标原点,构造直角坐标系,计算边坡稳定性系数。针对若干圆弧滑动面,构造优化数学模型,将其看作适应度函数,通过人工蜂群算法对其进行求解。在寻找最优解时,形成含若干解的初始种群,不同蜂群首先对解进行一次邻域搜寻,把新得到的解和之前解比较,保留适应度更高的解。人工蜂群算法随机因子多,在寻优后期,收敛速度过快,影响收敛准确性。为此,引入细菌趋化思想对其进行改进,在蜂群密度较小的情况下,蜂群开始吸引操作,在种群密度较大的情况下,蜂群开始排斥操作,引入自适应步长,增强蜂群全局搜索能力。经实验验证,所提算法可搜索获取全局最优解,有效完成岩土边坡稳定性测度分析。     

人工蜂群粒子滤波信道估计算法研究

人工蜂群算法是用以解决复杂优化问题的新方法,具有收敛速度快、优化性能高等特点.将人工蜂群算法与粒子滤波相结合应用于信道估计可以摆脱常规方法对线性高斯条件的束缚,具有理论依据和现实意义.结合2种算法的优势提出了人工蜂群粒子滤波,采用人工蜂群算法确定粒子滤波的建议分布.仿真将Alpha稳定分布作为非高斯噪声模型,实现了粒子滤波及其改进算法的信道估计研究.结果表明人工蜂群算法与其他智能算法相比具有更快的收敛速度,改进人工蜂群粒子滤波与无迹粒子滤波相比极大地提高了信道估计精度.     

一种解多目标优化问题的基于分解的人工蜂群算法

在处理多目标优化问题时,如何平衡所得解集的分布性与收敛性是一个困难又重要的工作。为此,提出了解决该问题的一种基于目标空间分解的人工蜂群算法(MOABC/D)。首先采用一组方向向量将目标空间分解成一系列的子区域,并在每一个子区域至少保留一个解来保持解的分布性,其次提出一个基于分解的选择策略和2个基于信息交换的搜索策略来提高人工蜂群算法的搜索能力,并采用一个基于高斯分布的搜索策略来增强人工蜂群算法的搜索效率。为验证所提算法的性能,与8种同类算法在10个测试问题上进行比较。结果表明,本文所提算法得到的解集具有更好的收敛性能和分布性能。     

复杂系统可靠性优化的混合万有引力搜索算法求解

复杂系统可靠性优化问题是一类有约束限制且目标函数具有多个局部极值的非线性优化问题.为求解该类问题,提出了一种混合万有引力搜索算法的求解方法.算法利用基于万有引力定律的寻优机制指导群体进行全局搜索,并采用序列二次规划算法进行局部搜索,避免基本万有引力搜索算法陷入局部最优,改善优化性能,加快寻优速度.通过实例计算,并与蚁群优化算法、微粒群算法、蜂群算法和基本万有引力搜索算法等进行比较,验证了算法的可行性和有效性.     

图像分割背景下群体智能优化算法的性能对比

 针对目前研究相对薄弱的群体智能优化算法的性能对比问题,搭建数字图像为生命栖息环境的群体智能优化算法的性能对比平台,提出基于最优个体变化的收敛关联度和收敛面积的新型性能评价指标,并具体进行了遗传算法、粒子群算法、人工鱼群算法、细菌觅食算法等多种群体智能优化算法的性能比较与测试.实验结果显示,所提出的评价平台和性能评价指标能够合理有效地对比不同搜索机制下智能群体的寻优能力.     

一种基于PSO-ABC的全局优化算法

针对粒子群算法和蜂群算法在寻优中存在的一些早熟和收敛速精度不高等问题,论文分别时粒子算法和蜂群算法的更新策略以及更新公式进行了改进,利用改进的粒子群算法和改进的蜂群算法同时对一个粒子位置进行部分算术更新的方法,提出了一种新混合的优化算法.并将其在12个多极值基准函数进行全局最优化测试,实验结果表明,笔者提出的混合优化算法收敛的速度和收敛精度大大提高了,其性大大优于改进的粒子群算法（CLPSO算法）和人工蜂群算法,对于高、低维复杂函数的优化均适用.     

基于混合蜂群算法的柔性作业车间调度优化

针对柔性作业车间调度求解问题,提出一种新型混合蜂群智能优化算法.该算法采用独特的编码方式和位置更新策略来避免不合法解的产生,在蜂群算法的基础上增加了有利于局部搜索的混沌算子提高了算法搜索精度,实现了全局搜索与局部搜索能力的有效平衡.最后将此算法在不同规模的实例上进行了仿真测试,并与最近提出的其他几种具有代表性的算法进行了比较,验证了该算法的有效性和优越性.     

基于改进人工蜂群算法的盲源分离算法

针对传统盲源分离算法收敛速度与分离性能间的矛盾,提出一种基于改进人工蜂群算法的盲源分离算法.该算法利用信号的峰度绝对值作为被优化目标函数,对人工蜂群算法中跟随蜂阶段的搜索过程进行改进,使人工蜂群算法在初始阶段可以快速收敛到最优解所在区域,具有更高的收敛精度.使用改进后的人工蜂群算法对传统盲源分离算法中的初始分离矩阵进行优化,再利用优化的初始分离矩阵进行信号分离.仿真结果表明,改进后的算法能够显著加快收敛速度并保持较好的分离性能值,较好地解决了收敛速度与分离性能间的矛盾.