WSN中一种新的基于蚁群优化的路由算法

针对无线传感器网络路由中网络节点能量和生存时间受限问题,提出了一种基于蚁群优化的WSN分簇路由算法.算法引入蚁群优化,对网络覆盖区域内的节点进行分簇处理,簇内利用蚁群优化算法进行最优路径搜索.仿真结果表明:该算法能有效平衡网络节点间能耗,延长网络生存期,蚁群增强了最优路径的可靠性,进一步降低了网络能耗.     

基于蚁群算法的WSN路由协议研究

针对层次路由LEACH协议存在簇头分布不均,并且每次簇头轮换均在整个网络内进行,会造成耗能过多以及蚁群算法应用于LEACH协议建立簇间多跳路由仍存在能耗不均衡的问题,采用将网络节点进行区域划分,并将节点剩余能量作为参考因素,在区域内进行簇头节点的轮换选取的方法改进,并通过将节点能量引入到转移概率和信息素更新公式中,对蚁群路由算法进行改进,利用其建立从簇头节点到汇聚节点的多跳路由的最优路径.实验验证表明:与LEACH协议相比,改进协议整体上减少并均衡了能量的消耗,延长了无线传感器网络的生命周期.     

基于自适应剩余能量阈值的WSN蚁群路由算法

针对无线传感器网络中节点能量分布不均衡和路由算法陷入局部最优解等问题,提出一种基于自适应剩余能量阈值的WSN蚁群路由算法(ATRE-ARA),引入搜索角修正信息素启发函数,对搜索路径进行限制,降低节点能量开销;将节点剩余能量阈值自适应化,改进信息素增量公式,设置信息素浓度上限与下限,优化信息素更新策略,提高信息素增量的准确性,在平衡网络中节点剩余能量的同时提高全局寻优能力。仿真实验表明,ATRE-ARA算法在2种环境下节点平均能耗与ARA算法相比降低了15.12%和11.68%,最优路径长度与EEABR算法相比分别缩短了1.47%和1.59%,证明该算法可有效平衡全局网络能耗,提升算法搜索全局最优的能力,延长网络生命周期。     

基于蚁群优化的WSN网络数据融合算法

为了减少WSN网络中数据传输量、优化无线传输距离,提出了一种基于蚁群优化的WSN网络数据融合算法.该算法构造数据融合树并根据WSN网络的传输特点改进了蚁群算法,考虑了路径偏转角对路由的影响,调整节点选择概率;同时对最优的多个路径更新信息素,以提升最优路径的全局搜索能力.在WSN网络节点能量消耗、传输延迟方面与经典算法对比,发现该算法能够有效延长网络的生命周期、降低节点能耗,并能改善网络负载均衡.     

移动自组织网络的能量有效广播算法

为解决由最小连通支配集（MCDS）构成的虚拟骨干广播子网中个别节点因频繁转发而迅速耗尽能量的问题,针对移动自组织网络中数据传输的能耗模型和设备一次性供电的特点,通过建模对节点的广播中继效率进行评估,该模型以节点剩余能量和覆盖度为依据,参考不同节点的传输能耗,并以最近能耗强度对节点可用寿命进行预测.提出了基于多点中继的能量有效广播算法(EE-MPR).该算法通过优先选择广播中继效率较高的节点动态构建广播树,减少每次广播的能耗及中继节点数量,均衡设备的剩余能量,从而延长网络可用时间,较好地兼顾了最长网络寿命和最小广播耗能两项指标.性能分析及仿真结果均表明了算法的有效性.     

基于萤火虫算法优化FCM的WSN路由算法

针对无线传感器网络节点能源有限,容易出现能量负载不均衡的问题,提出了一种基于萤火虫算法优化模糊C均值(FCM)的无线传感器网络(WSN)路由算法(FFACM),优化了分簇路由算法中的分簇阶段和簇间路由建立阶段。在分簇阶段,使用萤火虫算法计算初始聚类中心,避免模糊C均值算法因初始聚类中心而陷入局部最优的问题。在选择簇首节点上,建立关于剩余能量和距离的适应度函数,选取适应度值最大的节点作为簇首节点并动态更新。通过计算节点间的链路代价并根据剩余能量和到sink节点的距离建立代价函数,选择代价函数值最小的节点建立簇间多跳路由,使得簇首节点的负载降到最低。从仿真实验结果可知,相比于其他无线传感器网络的路由算法,FFACM算法能有效均衡网络负载,降低节点能耗,从而延长网络的使用周期。     

保证服务质量的无线传感网节能跨层路由算法

针对无线传感器网络保证服务质量的路由问题,提出一种区分服务和优先级保证的无线传感网跨层节能算法,该算法对网络服务分级,在蚁群算法的路径选择时综合考虑节点的剩余能量、负载和节点位置信息,同时选择切换概率小的信道。仿真实验表明,该算法在保证服务质量的前提下,增加了路由的有效性和鲁棒性,降低并均衡各节点能耗,时延、网络生存周期等指标均体现较好性能。     

基于加权优化树的WSN分簇路由算法

无线传感器网络(WSN)是由大量具有感知和传输数据能力的传感器节点组成的自组织网络,被用来部署监测物理环境.针对无线传感器节点存储空间小、能量有限、路由不稳定、能耗不均衡等问题,提出一种改进的基于加权优化树的路由算法,将树型结构应用于分簇路由算法中.根据节点的剩余能量、可用内存、相邻节点的距离、信道质量设定数据传输代价,并以此为基础对树型拓扑结构进行加权优化,分布式地在簇内创建树型网络拓扑结构.改进的算法降低了网络中数据传输的总代价.仿真实验结果表明:与传统的树结构和分簇路由算法相比较,结合了树型拓扑结构的分簇路由算法,在延长网络生存时间和平衡网络能耗方面更具有优势.     

改进无线传感器网络路由算法

无线传感器网络是由能量有限的节点组成,高效节能的路由算法是无线传感器网络的基础。针对低功耗自适应分簇（LEACH）路由算法在选择簇首节点及通信过程中能量消耗大的不足问题,提出了一种改进的LEACH路由算法。引入节点剩余能量因素参与簇首节点的选择,有效地降低剩余能量较小的节点成为簇首的可能性,节点之间的数据传输采用单跳和多跳相结合的通信方式,也降低了传感器网络能耗。     

无线传感器网络能量均衡路由算法

针对无线传感器网络中节点能量利用不均衡的特点,对其拓扑结构进行分析,建立了路由模型,结合普通遗传算法的基本原理,提出一种基于多目标遗传算法的无线传感器网络路由优化方法.在选择通信链路过程中,综合考虑传输路径的能耗和路径中节点的剩余能量等因素,采用多目标遗传算法求解一条能耗低且剩余能量较充足的路径作为数据传输路径,实现网络中节点能量的均衡化.仿真结果表明,该优化机制有效延长了网络的生命周期,改善了网络的性能.     

基于改进蚁群的BP神经网络WSN数据融合算法

为了保证无线传感器网络（WSN）在深井中能有效地工作,提出了一种改进蚁群的反向传播（BP）神经网络WSN数据融合算法（IFA-IACOBP）.通过规划蚂蚁运动方向和引入节点剩余能量对蚁群算法启发因子进行改进,优化蚂蚁下一跳节点选择概率,利用改进后的蚁群算法对BP神经网络进行优化,引入井下WSN数据融合,数据经两级融合处理后,能去除大部分冗余信息.仿真实验结果表明,IFA-IACOBP算法能有效减少网络数据通信量,提高数据实时性,降低网络能耗,延长网络寿命.     

改进的蚁群优化算法在无线传感器网络中的应用

针对无线传感器网络节点能量十分有限的特点,将蚁群优化算法应用到传感器网络的路由中,提出了一种改进的蚁群路由算法(IARA)。在考虑节点剩余能量、传输方向和节点距离等因素的基础上,对基本蚁群算法的概率选择公式和信息素更新公式进行了改进,实现了能量在整个传感器网络上的均衡消耗。仿真结果表明:该算法减少了传感器网络的能量消耗,并且使能量消耗更加均衡,从而提高了整个无线传感器网络的生存寿命。     

基于CACO的WSN中QoS组播路由优化研究

随着无线传感器网络的广泛使用,提出了如何在无线传感网络中实现QoS效率的问题。针对无线传感器网络的动态网络环境和能量约束的问题,在优化网络动态结构的基础上,提出用混沌蚁群算法求解无线传感器网络的QoS组播路由的方法。该算法采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值,求解QoS组播路由速度快,延长了网络寿命。仿真结果表明混沌蚁群算法求解无线传感器网络的QoS组播路由的可行性和有效性。     

基于蚁群算法的改进遗传算法

遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无为的冗余迭代,求解效率低。根据这一缺陷提出一种将蚁群算法融合到遗传算法的新策略：为了弥补遗传算法中的变异算子变异过程中的盲目无原则性,将蚁群算法的正反馈思想引入到遗传算法中。利用蚁群算法信息素更新原则指导变异规则,有效地提高了算法的寻优效率,优化了解的质量。为了验证算法的有效性,对TSPLIB库中的两个公共实际事例eil51和gr202以及安徽省17个城市的数据进行了仿真实验,结果表明改进后的算法是有效的。     

基于簇头冗余的无线传感器网络可靠性研究

为了提高工业无线传感器网络的可靠性和可用性,使其能够长期自治地正常工作,提出了基于簇头冗余的工业无线传感器网络分簇路由算法.当工作簇头能量不足时,将主动切换到冗余簇头工作状态. 冗余簇头通过冗余测试结果判断工作簇头是否发生故障并接管工作簇头的数据转发任务.当边际节点不能与本簇簇头通信时,将利用备份簇头进行数据转发.对于不能与任何簇头直接通信的孤立节点,采用基于概率模型的多跳路由机制进行数据转发.为了降低功耗,该算法将冗余簇头设置为轻度睡眠状态,当冗余测试周期到来时,关闭射频前端器件.利用自行研制的节点,组建了实验系统,完成了簇头冗余切换、边际节点通信和孤立节点路由恢复的实验.实验结果表明该分簇路由算法具有较高的可靠性.     

基于蚁群算法的无线传感器网络路由算法实现

本文利用蚁群算法简单、局部工作等特点,结合传感器网络的特征,分析研究了基于蚁群算法的WSN路由算法,并阐述了蚁群算法的无线传感器网络路由算法的实现和仿真设计与分析。     

改进蚁群算法的云存储任务调度算法研究

由于云存储环境与云计算环境中不同,若直接将云计算环境中的任务调度算法移植到云存储环境中,必然会导致任务调度的效率下降.为解决此问题,提出了一种适用于云存储环境中的改进蚁群算法.改进蚁群算法能使云计算环境的任务调度算法更符合云存储的环境;同时,对于改进PSO算法在引入存在矩阵时,由于数据资源不存在而造成算法前期优化浪费引起效率低下的问题进行了有效解决.分析测试结果表明,提出的改进蚁群算法在云存储环境的任务调度算法在保障有效解的前提下能够拥有更快的收敛速度.