基于改良麻雀搜索优化的WSN节点部署策略

覆盖问题是无线传感器网络(Wireless Sensor Network, WSN)设计中的首要问题,尽可能优化区域覆盖率是提升网络感知性能的直接手段.鉴于此,提出一种基于改良型麻雀搜索算法(Reformative Sparrow Search Algorithm, RSSA)的节点部署优化方案.首先,在算法搜索阶段,...     

基于改进SSA优化WSN分簇协议

无线传感器网络(Wireless Sensor Networks,WSN)的路由协议是无线传感器网络领域中的一个研究热点.针对LEACH协议的不足,提出一种基于自适应t分布改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)的改进LEACH协议(LEACH?ISSA),以解决...     

改进麻雀搜索算法的飞行器航迹规划

针对传统麻雀搜索算法(SSA)在飞行器航迹规划求解问题中计算过程复杂、易陷入局部解等不足,提出了一种融合鲸鱼搜索因子和柯西-高斯变异的麻雀搜索算法(WSSA)。首先借助佳点集法对种群进行了初始化处理;其次借助鲸鱼算法中螺旋式搜索因子形成自适应权重迭代因子,提高算法全局搜索能力的同时保证局部的收敛性;随后在跟随者位置更新中加入柯西-高斯变异因子对原迭代进行扰动更新,提高算法的全局寻优能力;最后基于改进前后的算法进行了模型求解和适应度比较,验证了所提算法的有效性。     

基于ISSA-LSTM的黄鳝池溶氧量多参数预测

为提高溶氧量的多参数预测精度,文中基于改进的麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)与长短期记忆神经网络(Long and Short-Term Memory Neural Networks, LSTM)建立ISSA-LSTM溶氧量预测模型,并将该模型用于上海市农业科学院黄鳝养殖池溶氧量预测。利用混沌映射、透镜成像反向学习、自适应调节和柯西变异对麻雀搜索算法进行优化,通过小波变换进行数据预处理,并利用主成分分析法确定模型训练的输入参数。训练结果表明,相关系数、均方根误差、均方误差和平均绝对误差分别为0.911、1.392 mg·L^-1、1.938 mg·L^-1和0.992 mg·L^-1,均优于对照模型。选择模型输入参数对模型预测结果也会产生影响,使用与溶氧量中等相关和强相关的参数同时作为输入参数的模型预测效果最优。训练结果为溶氧量多参数预测模型的发展提供了新视角。     

基于SSA-BP的泥石流敏感性分析

选择坡度、坡向、曲率、年降雨量、归一化植被指数、地层岩性、距构造距离、土地利用、居民密度以及路网密度这10个泥石流灾害的主控因素作为评价因子,采用麻雀搜索算法(Sparrow Search Algorithm,SSA)优化BP神经网络,并用SVM,SSA-SVM,BP,SSA-BP这4种机器学习模型评价云南省昆明市东川...     

一种基于SSA-DBN的室内可见光指纹定位算法

室内可见光定位在精度方面有着较高的要求,针对这一问题,文中提出了一种麻雀搜索算法(Sparrow Search Algorithm, SSA)优化深度置信网络(Deep Belief Network, DBN)的室内可见光指纹定位算法。首先,采用信号强度特征值与位置坐标建立离线指纹库;其次,利用麻雀搜索算法较好的全局探索和局部开发的能力,对深度置信网络的初始权阈值进行优化,建立网络训练模型,对待定位目标的位置进行预测,避免了DBN陷入局部最优以及收敛速度较慢的问题。最后,利用已建立的离线指纹库数据,计算定位误差并分析。在4 m×4 m×2.5 m的空间中进行实验,结果表明：文中算法的平均定位误差为3.51 cm,定位误差在6 cm以内的概率为89.9%,与DBN定位算法相比,平均定位误差下降了约22.5%。     

基于高斯云改进的混沌麻雀搜索算法与应用

传统的麻雀搜索算法(sparrow search algorithm, SSA)在寻优过程中存在易陷入局部最优,以及搜索能力不足的问题。为了解决上述问题,提出了一种基于高斯云改进的混沌改进麻雀搜索算法(improved sparrow search algorithm, ISSA)。首先,利用伯努利混沌映射初始化种群以提高算法初始种群质量;其次,在发现者位置更新中引入自适应高斯云变异策略来提高算法在迭代过程中的全局搜索能力;最后,利用t分布反向学习策略对最优位置进行随机反向学习,以提高算法跳出局部最优的能力。在仿真实验中将本算法与其他4种基本算法利用13种基准测试函数进行对比实验,同时与其他的ISSAs进行对比。实验结果表明,本算法具有良好的收敛性以及精度,且全局探索能力相较于原算法大大提高。并将ISSA应用于Kapur熵多阈值图像分割任务中,结果表明,ISSA相较于其他4种基本算法有着更高的分割精度。     

基于混沌的多策略优化麻雀算法及应用

针对原始麻雀搜索算法在寻优过程中出现多样性降低,难以跳出局部最优,以及收敛精度不够等问题,提出一种基于混沌的多策略优化麻雀算法.首先,通过Circle混沌映射进行种群初始化,生成分布更加均匀的麻雀种群,增加种群的多样性;其次,引入自适应比例,对发现者的种群规模占种群总规模的比例进行动态变化,平衡算法的全局搜索与局部挖掘能力;然后引入Levy飞行改进发现者位置更新方式,提高算法的搜索范围与局部搜索能力,并且加快收敛于最优值的速度;最后,选择逐维变异与反向学习相融合的方式来扰动当前全局最优位置,通过贪婪算法来筛选出变异前后的最优值作为当前全局最优值,从而提高算法跳离局部最优的能力.本次选择12个基准函数和Wilcoxon秩和检验进行验证,并于六种其他算法进行对比,证明了以上多种策略对于算法的性能提升明显.同时,将该改进算法应用于工程实践中,本文选择压缩弹簧设计优化问题,验证所提改进算法在工程设计中的可行性与优越性.     

基于自适应t分布与随机游走的麻雀搜索算法

针对麻雀搜索算法在解决复杂问题时存在的收敛精度降低以及陷入局部最优等问题，文中提出了一种基于自适应t分布与随机游走的麻雀搜索算法。该算法在初始化过程中使用反向学习来生成反向解，从中选择优秀的个体组成初始化种群。在原始麻雀搜索算法上采用自适应t分布策略和高斯随机游走策略可以提高麻雀个体的寻优能力，同时防止算法早熟。仿真结果表明，相较于对比算法，文中所提算法的收敛精度和收敛速度都有所提升。     

基于模块化交通流组合预测模型

短时交通流预测是智能交通系统的核心能力组件之一,为城市交通管理、交通控制和交通引导提供智能决策支撑。针对交通路网交通流呈现的非线性、动态性和时序相关性,提出一种基于模块化的交通流组合预测模型ICEEMDAN-ISSA-BiGRU。采用改进的基于完全自适应噪声集合经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)方法对交通流非线性时间序列进行分解,获取本征模态分量(Intrinsic Mode Functions,IMF);利用双向门控循环单元(Bi-directional Gate Recurrent Unit,BiGRU)挖掘交通流量序列中的时序相关性特征;基于动态自适应t分布变异方法改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA),实现对BiGRU网络权值参数的迭代寻优,避免了短时预测结果陷入局部最优;基于公开PeMS数据集对短时交通流预测性能进行性能评估与验证。实验结果表明,所提组合模型的短时交通流预测性能优于10个传统模型,改进后的交通流量预测平均绝对误差(Mean Absolute Error,MAE)指标接近10.98,平均绝对值百分误差(Mean Absolute Percentage Error,MAPE)指标接近10.12%,均方根误差(Root Mean Square Error,RMSE)指标接近12.42,且在不同数据集下所提模型具有较好的泛化性能。     

自适应混合变异文化算法

只采用单一变异算子的进化规划算法在解决优化问题时,不能兼顾全局探索和局部搜索能力,本文提出柯西+混沌变异和柯西+高斯变异两类混合变异策略,采用文化算法的双层进化机制,提取进化过程中的隐含知识,并根据知识自适应调整两种变异算子的作用时机和作用比例,给出了自适应混合变异文化算法.针对标准测试函数的仿真结果表明,该算法具有更...     

基于改进萤火虫算法的WSN覆盖优化

针对无线传感器网络节点部署不均所导致的网络覆盖率较低问题,以无线传感器网络覆盖率最大化为目标,提出一种基于改进萤火虫算法(IFA)的网络覆盖优化方法。该方法运用佳点集方法初始化种群,提高种群的多样性,奠定全局搜索基础;利用具有非线性指数递减的变形Sigmoid函数作为惯性权重,平衡算法的全局搜索和局部开发能力;采用高斯扰动策略对个体位置扰动更新,避免算法早熟。仿真结果表明,该算法与人工鱼群算法(AFSA)、种子杂交粒子群算法(HSPSO)和混沌萤火虫算法(CGSO)相比,能有效提高网络覆盖率,使节点部署分布更均匀。     

基于甲虫搜索的改进粒子群无人机辅助网络部署优化算法

在体育赛场等用户大规模聚集或者突发灾难的情况下,地面基站经常面临过载甚至瘫痪的问题。此时,多无人机(UAV)辅助网络系统可以很好地为地面基站提供信号补偿,有效地增强局部地区的通信质量。然而,无人机的机动性和网络流动引起的拓扑结构变化,会导致频繁的间歇性连接甚至出现传输故障。因此,UAV基站的有效部署以及网络性能的优化成为亟待解决的问题。该文提出一种基于甲虫搜索的改进粒子群UAV辅助网络部署优化算法—智能高效算法(IEA),利用甲虫搜索算法(BAS)的个体寻优优势,对粒子群算法(PSO)进行改进,并首次采用双门限约束保证用户通信质量,使得多UAV系统下的网络性能得到了改善。仿真结果表明,相对于传统算法,该文提出的IEA算法在系统吞吐量、用户平均吞吐量以及频谱效率等方面都获得了较大提升。     

基于改进SFLA-PF算法的OFDM系统的目标跟踪

在OFDM通信系统中,为了解决非线性的目标跟踪问题,提出了基于改进混合蛙跳算法(SFLA)和粒子滤波算法(PF)相结合的方法来研究动态目标跟踪技术.首先利用高斯变异的局部搜索能力强和柯西变异的全局搜索能力强等优点对混合蛙跳算法进行改进,然后用改进后的混合蛙跳算法来优化粒子滤波算法进行动态跟踪,其优点不需要重采样步骤,有效地保持了粒子的多样性和有效性.仿真结果表明,该算法能够有效实现动态目标跟踪,并且跟踪效果优于同等条件下的混合蛙跳算法和粒子滤波算法.     

无人机通信网络的容量与覆盖性能

无人机搭载通信设备升空作为空中基站,具有灵活机动、部署迅速等特点,合理地部署无人机基站可以有效提升网络的覆盖与容量。与传统的移动通信网络相比,无人机通信网络性能不仅受到无人机基站部署密度的影响,还与无人机的飞行高度有关。通过搭建无人机通信的系统级仿真平台研究了不同场景下无人机通信网络中各参数对网络容量与覆盖能力的影响。仿真结果表明,无人机密度增加,会提升网络容量及覆盖;相同无人机密度下,网络容量随着无人机飞行高度增加先增后减。     

一种高效自学习性回溯搜索优化算法

针对回溯搜索优化算法收敛速度慢的问题,文中在理论分析的基础上,分别对变异算子和交叉算子进行了改进。设计了双种群引导形式的变异算子,并引入一种基于麦克斯韦-玻尔兹曼分布变异尺度系数,有效地增加了变异方程的搜索效率,并设计了一种带有自学习性的交叉策略,使得回溯搜索优化算法的收敛速度和全局搜索性能均得到了一定的提高,通过数值实验,说明了改进的有效性。     

一种改进的免疫克隆选择算法

为了提高传统的克隆选择算法收敛速度慢、搜索能力弱、易局部最优化的缺陷,对基本的克隆选择算法进行了改进.改进的措施主要包括4个方面,分别是新的克隆方法、变异概率的自适应变化、替换策略的自适应变化、变异概率的突变.改进的克隆选择算法经过多个多峰值标准函数的仿真测试,具有较快的收敛速度和较强的寻找峰值的优点,改进的效果显著.     

基于群体行为的自适应变异算子鱼群算法

针对人工鱼群算法的不足,考虑了包括鱼群个体之间的相互感知作用、群体的领导模式并结合萤火虫群中个体的光强吸引度在内的群体行为特点来对鱼群行为进行完善.同时,在算法改进方面,采用了自适应步长和视野,并且引入了Gauss变异算子和遗传算法在一定情况下对鱼群个体进行变异操作.在此基础上,提出了一种新型自适应变异算子的鱼群算法.通过典型函数验证结果表明该算法在收敛速度、精度、稳定性及克服早熟能力方面都有了显著的提高.     

应急搜索UAV集群协同任务规划策略

目前应急搜索无人机(UAV)集群存在搜索效率低、覆盖完整性低、多机组网稳定性差等问题.对此,该文提出一种基于优化模糊C聚类算法(O-FCMA)结合优化混合粒子群算法(O-HPSO)的终端-路由UAV区域搜索任务规划策略.以UAV监测区域范围为基础,通过建立搜索区域的空间模型,进一步运用O-FCMA进行区域几何划分,并采...     

An intelligent task offloading algorithm (iTOA) for UAV edge computing network

Unmanned Aerial Vehicle (UAV) has emerged as a promising technology for the support of human activities, such as target tracking, disaster rescue, and surveillance. However, these tasks require a large computation load of image or video processing, which imposes enormous pressure on the UAV computation platform. To solve this issue, in this work, we propose an intelligent Task Offloading Algorithm (iTOA) for UAV edge computing network. Compared with existing methods, iTOA is able to perceive the network’s environment intelligently to decide the offloading action based on deep Monte Calor Tree Search (MCTS), the core algorithm of Alpha Go. MCTS will simulate the offloading decision trajectories to acquire the best decision by maximizing the reward, such as lowest latency or power consumption. To accelerate the search convergence of MCTS, we also proposed a splitting Deep Neural Network (sDNN) to supply the prior probability for MCTS. The sDNN is trained by a self-supervised learning manager. Here, the training data set is obtained from iTOA itself as its own teacher. Compared with game theory and greedy search-based methods, the proposed iTOA improves service latency performance by 33% and 60%, respectively.