一种协方差矩阵的多尺度量子谐振子算法

针对多尺度量子谐振子算法在处理高维全局优化问题时难以收敛的问题,提出一种协方差矩阵的多尺度量子谐振子优化算法,并给出新算法的核心数学模型.所提算法改进了多元正态分布评估算法中的协方差矩阵生成方式,保留了之前采样点的记忆,加入动态迭代步长加快了新协方差矩阵的更新速度.实验结果表明,所提算法的性能远超原算法,与4种经典优化算法相比,在收敛精度、收敛速度和鲁棒性上也具有优势.     

关于无线传感器网络定位算法仿真

针对无线传感器网络(WSNs)节点定位的问题,提出了一种通过构建粒子群机制的量子神经网络模型优化距离矢量跳跃(DV-HOP)的定位算法(PSO-QNN),根据传统DV-HOP所得到的平均距离和实测节点距离构建量子神经网络模型,并通过粒子群算法对平均距离进行训练,从而得到较优平均值,实现了对DV-HOP算法的优化.算法缩短了传统人工神经网络的训练时间,并且加快了收敛速度.仿真结果表明:与传统DV-HOP算法相比,所提出的PSO-QNN算法能够减少约20%的定位误差,定位精度显著提高.     

动态控制场下一种改进的量子最优控制

结合量子系统的自身特点,针对直接将经典最优控制应用到量子系统中所存在的可靠性不高、收敛速度较慢等问题,借助于动态迭代控制场提出了一种更高效、收敛性更好的单调收敛的改进量子最优控制算法(IQOCT)。通过系统仿真实验,对控制场权值、收敛速度以及迭代步进参数之间的关系作了详细的分析。结果表明,与一般最优算法和共轭梯度算法相比,改进算法在可靠性和收敛速度等方面都有明显提高。     

基于量子粒子群优化的WSN节点定位改进

针对无线传感器网络定位低成本、低功耗和高精度的要求,在基于接收信号强度(RSSI )测距的基础上,提出 了一种量子粒子群优化(QPSO)的改进加权质心定位算法,即采用QPSO优化WCLA的佑计坐标来改善定位误差, 并改进收缩扩展系数增强QPSO算法的收敛速度。仿真表明,改进的算法与WCLA算法和经过粒子群优化的 WCI_A算法相比,其节点定位精度得到显著提高,且能克服粒子群优化算法的收敛速度慢、易陷入局部极小值的缺点。     

基于时序蒙特卡洛的WSN节点定位算法

针对无线传感器网络（WSN）中的移动节点定位问题,提出了一种将反馈时间序列与蒙特卡洛相结合的定位算法TSMCL（Feedback Time Series-Based Monte Carlo）。该算法基于目标节点1跳范围内的邻居锚节点（至少3个）反馈信号的先后顺序,构建了节点可能的初始采样区域R1,并以区域R1与蒙特卡洛采样区域R2的重叠区作为新的采样区域R,以进一步缩小采样范围、提高采样效率。仿真结果表明：与蒙特卡洛定位算法相比,提出的TSMCL算法能够减少约38%的定位误差,尤其当节点移动速度较高时,算法的收敛速度也得到了显著提升。     

陪护机器人粒子滤波定位法中重采样算法研究

针对室内陪护机器人粒子滤波定位方法,研究了四种粒子滤波重采样算法:多项式重采样算法、残差重采样算法、分层重采样算法和系统重采样算法,并分别对其进行仿真比较.实验证明残差重采样算法粒子收敛速度和粒子匮乏程度取折衷,性能优于其它三种重采样算法,在此基础上利用仿真实验结果在HHR-0303服务机器人上进行了实验.实验证明采用残差重采样算法的粒子滤波算法,利用声纳配合里程计定位的方案能达到定位目的.     

一种新的混合量子进化算法

量子进化算法(QEA)用于多峰函数优化时,容易陷入局部最优.本文提出一种新的混合量子进化算法,通过双编码机制(经典二进制编码和量子概率编码),以及经典交叉和量子概率编码更新策略,实现了经典遗传算法与量子进化算法的有机结合,在发挥经典遗传算法全局优化能力的同时,利用量子概率搜索提高了算法的局部搜索能力.通过一组典型函数优化实验对该算法的性能进行了考察,并与QEA进行了比较.结果表明,本文算法在解的质量和收敛速度上都要优于QEA.     

求解旅行商问题的改进型量子蚁群算法

针对传统量子蚁群算法在求解TSP时容易陷入局部最优以及收敛速度较慢,提出了一种求解旅行商问题的改进型量子蚁群算法（IQACA）。该算法设计了一种新信息素挥发因子的自适应动态更新策略,对信息素进行动态更新;并采用一种新的量子旋转门对量子概率幅值的收敛趋势进行改变。通过三个基本函数极值优化仿真与传统量子蚁群算法进行对比,证明算法性能较优。基于TSPLIB的仿真实验与其他几种算法进行比较,结果表明,算法具有较快的收敛速度,提高了解的全局性,有效避免了算法陷入局部最优。     

嵌入邻域变异策略的量子灰狼优化算法

针对灰狼优化算法寻优过程中易陷入局部最优、种群资源利用不充分等不足,提出一种嵌入邻域变异策略的量子灰狼优化算法(Neighborhood Mutation Quantum Grey Wolf Optimizer, NMQGWO).首先,利用量子旋转门更新机制提升灰狼种群的初代多样性.其次,引入非线性惯性权值以提升算法寻优收敛速度并保障算法对全局最优值的搜索能力.最后,嵌入邻域变异策略防止因种群多样性逐步贫化而造成算法陷入局部极小的现象.将NMQGWO算法与其他4种算法针对6种标准测试函数进行仿真对比实验,结果表明,NMQGWO算法的收敛精度和收敛速度优于其他算法,验证了改进策略的有效性.     

基于量子粒子群算法求解整数规划*

通过引入量子行为来增强粒子的全局收敛能力,提出了量子粒子群优化算法(QPSO),并用于求解整数规划问题.测试函数的仿真结果表明,通过适当的参数设置,并将每次迭代所生成的实数值截至整数值后进行下一次迭代,可以保证QPSO算法求解的精度,提高收敛速度且能有效避免早熟.     

基于接收信号强度指示测距的蒙特卡罗盒移动节点定位算法

针对无线传感器网络(WSN)中以蒙特卡罗为基础的移动节点定位算法在采样效率和定位精度方面的不足,提出一种基于接收信号强度指示(RSSI)测距的蒙特卡罗盒定位(MCB)算法。通过对RSSI测距信息分区间管理来加强过滤条件,提高定位精度;同时采样阶段利用已满足过滤条件的样本点生成更有效的样本,从而提高采样效率;最后通过牛顿插值法预测节点运动轨迹,样本点与未知节点运动轨迹越接近则其权值越大,据此对样本点进行加权处理得到节点的最佳估计位置。仿真结果表明,改进方案在不同的锚节点密度、通信半径、运动速度等情况下均表现出良好性能,且定位精度与同等条件下的蒙特卡罗盒算法相比均有提高。     

相似度优化的无线传感器网络移动节点定位

针对无线传感器网络中移动节点的定位特性,提出了一种利用序列相似度改进的蒙特卡洛定位算法.该算法先利用各信标节点的信号强度值对移动节点初定位,优化原算法的采样区域.同时将信号值存储为目标序列,通过比较信标节点和样本点间序列与目标序列的相似度过滤样本点,并以相似度值作为加权标准计算移动节点坐标.仿真结果表明,与其他算法相比,在不同的信标节点密度下,定位误差减少了1%~10%,在不同的节点最大移动速度的情况下,定位误差减少了30%~40%.     

基于自适应多提议分布粒子滤波的蒙特卡洛定位算法

针对基于Cubature粒子滤波的蒙特卡罗定位（CMCL）算法存在的计算量大、实时处理能力较差的问题,提出一种基于自适应多提议分布粒子滤波的蒙特卡罗定位（AMPD-MCL）算法。该算法利用Cubature卡尔曼滤波和扩展卡尔曼滤波改进提议分布,融入当前观测信息,减弱粒子退化现象;重采样部分采用Kullback-Leibler距离（KLD）采样,根据粒子在状态空间的分布状况,在线调整下一次滤波迭代所需粒子数,从而减小计算量。仿真实验验证了自适应多提议分布粒子滤波（AMPD-PF）的有效性;同时在机器人操作系统（ROS）上进行实验,结果表明改进算法的平均定位精度达到19.891cm,定位所需粒子数稳定在60,定位时间为45.543s,较CMCL算法在定位精度上提高了71.03%,时间缩短了63.10%。实验结果表明,AMPD-MCL算法减小了定位误差,能实时在线调整粒子数,有效减少了算法计算量,提高了实时处理能力。     

无线传感器网络中移动节点定位算法研究

提出一种利用临时锚节点的蒙特卡罗箱定位算法.该算法是基于蒙特卡罗定位方法之上,通过引入节点平均速率来获取临时锚节点,并利用一跳范围内的临时锚节点构建最小锚盒、增强样本过滤条件,从而加速了采样和样本过滤.此外,在样本的获取上采用了非随机采样的均衡采样方法,有效地降低了采样次数.仿真结果表明:该算法同蒙特卡罗定位算法等相比,提高了节点的定位精度,降低了节点的能耗.     

移动机器人的改进无迹粒子滤波蒙特卡罗定位算法

粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)的核心环节. 首先, 针对粒子滤波过程的粒子退化问题, 利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布, 以迭代更新方式将当前观测信息融入顺序重要性采样过程, 提出IUPF (Improved unscented particle filter)算法. 然后, 将IUPF与移动机器人MCL相结合, 给出IUPF-MCL定位算法的实现细节. 仿真结果表明, IUPF-MCL是一种精确鲁棒的移动机器人定位算法.     

基于测距的蒙特卡罗盒传感网定位算法研究

针对以蒙特卡罗算法为基础的无线传感器网定位算法普遍存在定位精度和采样效率低的问题,提出了一种基于测距的蒙特卡罗盒（R-MCB）定位算法。通过测距信息构造修正的包含有约束条件的方形边界框,使用从强约束条件中除去弱约束条件的启发法来提高采样效率,然后进行样本过滤和加权处理,并通过校准减少距离误差实现精确的定位。该R-MCB定位算法允许节点是静止或移动的,并且能够与可进行测距的节点和没有测距能力的节点协同工作。通过在传感器硬件上进行真实模拟定位算法证明,在多数情况下该R-MCB算法的定位误差,均要比WMCL算法（加权蒙特卡罗定位算法）的定位误差低10%左右。     

基于Monte Carlo的多能量级移动节点定位算法研究

提出了一种基于Monte Carlo的移动无线传感器网络节点定位算法,即移动导标周期性发射不同能量级的广播信号,未知节点接收感知范围内的导标定位信息,以确定自己所处的限定区域。利用改进的Montc Carl。方法,采用较少样本实现了节点的位置估计。为避免导标共线时出现节点定位失效的情况,引入共线度限制因子,提出了一种导标共线度约束策略。仿真实验结果表明,提出的算法具有较低的定位误差,算法在导标节点密度、运动速度、测距误差等影响因子下表现出了良好的适应性。     

动态无线传感器网络的改进蒙特卡罗定位算法

针对于无线传感器网络中移动节点的定位问题,在传统蒙特卡罗定位算法的基础上,提出了一种改进算法。该算法通过构建接收信号强度指示测距模型来限制样本区域以求提高采样效率。仿真结果表明,与MCL、MCB等其他蒙特卡罗定位算法相比,改进算法在不同的时间、不同的锚节点密度、不同的节点移动速度等情况下,都具有更好的定位精度。     

基于改进的洪泛广播和粒子滤波的无线传感器网络节点定位

针对目前移动无线传感器网络定位问题存在的不足,提出了一种基于改进的洪泛广播机制和粒子滤波的节点定位算法。对于一个给定的未知节点,首先采用改进的洪泛广播机制,从离它最近的锚节点得到的有效平均跳距来计算出它到它的所有邻居节点的距离。然后采用一种差分误差校正算法,以减小平均跳距中由于多跳累积造成的测量误差;其次,采用粒子滤波和虚拟锚节点来减小预测区域,得到更有效的粒子预测区域,从而进一步减小对未知节点位置的估计误差。仿真结果表明,所提算法与定位算法DV-Hop、蒙特卡罗Baggio（MCB）和基于测试的蒙特卡罗定位（MCL）相比,能够有效地抑制冗余广播和减小与节点定位相关的消息开销,以较低的通信成本实现较高精度的定位性能。