基于细菌菌落算法的电力系统无功优化

电力系统无功优化具有非线性,多控制变量,多约束条件,连续变量和离散变量混杂的特点,针对现有算法或容易陷入局部最优解或收敛速度慢的缺点,提出了一种细菌菌落(bacterial colony optimization,BCO)优化算法,将BCO优化算法首次应用于电力系统无功优化问题。BCO算法将问题的解空间视为细菌培养液,在其中放置单个或少量细菌个体,模拟细菌菌落的生长进化过程,该算法本身具有进化机制,并且提出了一种新的结束准则。BCO算法通过繁殖适应度高的个体,死亡适应度低的个体,可以尽快的获得适应度更优的个体,从而可以避免算法陷入局部最优解,同时也加快了收敛速度。用BCO算法对IEEE14节点标准测试系统进行无功优化计算,实验结果表明,细菌菌落(BCO)优化算法较其他算法具有较强的全局寻优能力,且收敛速度快,鲁棒性好,可以作为求解电力系统无功优化问题的一种新途径。     

细菌趋药性算法用于软硬件划分

引进细菌趋药性算法（BCA）,用于嵌入式系统和片上系统的软硬件双路划分。BCA是一种新型的对细菌觅食行为进行模拟的优化算法。对不同节点的控制数据流图进行仿真,表明在同等条件下,BCA收敛时间低于模拟退火算法、禁忌搜索与蚁群算法,节点规模越大,优势越明显。当节点规模高达100时,BCA消耗时间仅有常用优化算法的40%～60%。     

基于退火免疫遗传算法的测试用例生成研究

在软件测试技术中,高效的测试用例生成是简化测试工作、提高测试效率的必要手段.提出了一种应用于软件测试中的基于退火免疫遗传算法(AIGA)的测试用例自动生成算法,介绍了AIGA测试用例生成模型和AIGA算法的基本思想.算法融合了模拟退火算法和免疫算法在避免陷入局部最优和保持种群多样性方面的优势,克服遗传算法局部搜索能力差及其早熟现象和模拟退火算法全局搜索能力差、效率不高的问题.实验结果表明,算法在测试用例自动生成的效率和效果方面.优于传统遗传算法.     

一种无线传感器网络分簇规模约束算法

针对无线传感器网络节点能耗受限和不同节点能量开销不平衡的问题,对于分层结构的无线传感器网络提出了一种分簇规模约束算法.该算法是通过对簇内节点数量设置上下限的方式,对簇规模大小进行限制.如果簇中节点的数量超过上限(U),该簇就被划分为两个簇;如果簇中节点的数量低于下限(L),该簇就会和邻居簇相结合.在自组簇的形成过程中采用该算法,可减少节点能量开销和增加簇的稳定性.     

基于改进双系统协同进化算法的无线传感器网络节点定位

为进一步提高无线传感器网络(WSN)中节点的定位精度,提出了一种双系统协同进化(BCO)算法。改进算法利用粒子群优化(PSO)算法快速收敛的特性和混合蛙跳算法(SFLA)较高的寻优精度的特性,在较少的迭代次数内快速收敛且实现深度搜索达到较高的精度。仿真实验结果表明:在应用双系统协同进化算法对测试目标函数进行求解时,能非常接近最优解;同时将该算法应用到基于接收信号强度值(RSSI)测距的节点定位中,预测位置与实际位置的绝对误差在0.05 m范围内;相比基于RSSI的分步粒子群算法(IPSO-RSSI),其定位精度至少提高了10倍。     

基于弹簧粒子模型的大规模WSN定位算法的衍生算法

为了提高基于弹簧粒子模型的大规模无线传感器网络定位算法(LASPM定位算法)的鲁棒性,将对LASPM基本定位算法进行优化及改进,并提出一系列的改进衍生算法.针对弱节点将设计简单的迭代定位方法,提出了3个补丁算法,分别用于处理局部极值、剔除坏节点和处理节点动态变化等问题.仿真实验结果表明,新算法的节点计算复杂度、通信复杂度在网络规模增大时仍然保持常量,节点计算步数不随网络规模变化而变化,时间复杂度也保持常量.实验研究结果表明,本文的定位算法具有良好的鲁棒性.     

基于固定邻域规模的动态网络影响力最大化探测算法

以往对影响力最大化问题的研究大多是基于静态图进行优化研究,但在现实中,网络数据量随着时间不断增加,系统不可能实时获取到整个网络中节点之间的连接情况.在传统MaxG探测模型的基础上,采用固定邻域规模和节点邻域层级相结合的方式计算节点影响力大小,提出了新的动态网络探测算法RAS-MaxG(regular area scale-MaxG),解决了传统探测算法由于采用度来衡量节点影响力值所导致的节点之间区分性差的问题.最后通过在真实数据集上的实验对比,验证了所提算法在最终影响力覆盖范围方面具有更好的性能表现.     

基于能量效率的无线传感网络分簇算法

由于无线传感网络中传感器节点能量受限,提出基于能量效率的无线传感网络快速分簇算法(EECA),在系统初始化阶段把部署区域快速分成多个簇,随后以权衡节点自身能量消耗比和度作为选择簇头节点的依据,这时候的重新选举簇头节点变成了一种局部触发的行为,由于重新选举簇头节点只在簇内进行,这大大减少了重新选举簇头节点的复杂性和计算负载.理论分析表明EECA簇形成算法的消息和时间复杂度均为O(1),说明算法的开销较小,与网络的规模n无关.仿真实验结果表明EECA具有良好的负载平衡性能和较小的协议开销,与LEACH协议相比,能够减少能量消耗,延长网络生存期.     

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.     

基于抗体注射的免疫遗传算法

标准遗传算法存在收敛速度慢、过早成熟等缺点。借鉴生物免疫系统中抗体注射免疫的理论,提出了一种基于抗体注射的免疫遗传算法(AIGA)。该算法在保留了标准遗传算法随机全局搜索能力的基础上,引进了生物免疫系统的免疫应答、抗体注射和免疫选择等机制。结合旅行商问题(TSP),给出了示范抗体的提取和注射方法,并给出了算法收敛性的理论证明。最后,用AIGA对100个城市的TSP进行了仿真计算,并将其计算过程与标准遗传算法进行了对比,结果表明该算法能有效地改善遗传算法不成熟收敛的缺陷,使收敛的速度有较大的提高。