基于量子粒子群优化算法的无线传感器网络节点优化

针对无线传感器网络感知节点的分布优化问题进行了研究,提出了一种基于量子粒子群优化(QPSO)算法的分布优化机制。仿真实验结果表明:QPSO算法在优化性能上优于传统遗传算法(GA)和量子遗传算法(QGA),能够有效提高网络整体的感知能力,该方法用于传感器节点优化部署是可行的。     

基于粒子群优化算法的水质传感器优化部署研究

针对不同污染程度的水域提出重点监测区域的集中性覆盖监测问题.在重点监测区域的传感器网络部署之前,对于监测水域大面积覆盖监测问题采用一种基于加权因子调整的粒子群优化(PSO)算法,对比了不同粒子群数目对网络覆盖能力的影响.仿真结果表明:PSO算法保证在最大覆盖率的条件下,实现传感器网络节点快速自适应均匀部署,运算速度快且能够避免局部最优;网络覆盖能力先随粒子群数目的增加而增大,当粒子群个数达到20后,网络覆盖能力随之减小;网络实现最大范围均匀部署之后,能较好地保障重点水域的集中性覆盖监测,从而保障真实客观的水质监测数据.     

基于模糊粒子群优化算法的无线传感器网络部署优化研究

针对无线传感器网络部署中随机抛洒方式下,如何选择部分节点参与构建网络的问题,提出了一种基于模糊粒子群优化算法的优化部署方法.该方法使用每个粒子代表问题的一个可能解,然后进行迭代寻优,并通过隶属度函数将连续变量转换为01值.实验结果表明:所提方法能够在节点数量和覆盖率之间取得较好的平衡,具有一定的优势.     

混合无线传感器网络节点覆盖优化

为了解决混合无线传感器网络的节点覆盖率低的问题,提出了改进粒子群的混合无线传感器网络节点覆盖迭代优化算法.在该算法中,首先将混合无线传感器网络节点覆盖模型转化为在网络系统中动态的求覆盖率最大值的节点部署位置寻优问题;然后提出利用改进粒子群算法对节点覆盖优化方案进行粒子及其权值映射,并依据粒子粒距聚类度和粒子信息熵对粒子权值进行调整,再依据粒子适应度值对粒子局部最优值和全局最优值进行更新;最后迭代地对粒子的位置和速度进行计算,输出具有最优覆盖率的节点部署方案.仿真结果证明,该算法能够有效的提升网络覆盖率,且算法的收敛速度快.     

异构无线传感器网络中多目标优化节点部署策略

针对异构无线传感器网络节点高密度部署和事件发生存在"热点区域"问题,以区域覆盖率最大和网络能耗最小为优化目标,提出了一种基于多目标优化的二进制粒子群算法,对节点部署进行多目标优化。该算法采用概率感知模型,引入强支配系数使得解分布均匀,结合Pareto最优解选择排序和基于自适应权重的适应度分配,进而获得异构节点部署解。仿真结果表明:该算法能对目标空间进行广泛搜索,与NSGA—Ⅱ算法相比,算法具有良好的收敛性,能有效地提高网络的覆盖率和降低网络能耗。     

基于萤火虫群优化算法的无线传感器节点部署

为了提高传感器节点部署覆盖率,针对目前网络覆盖存在覆盖死角、节点冗余及不能再度优化的问题,在检测区域已知的情况下,提出基于萤火虫群优化(GSO)算法的传感器节点部署方案,并对原方案进行改进。该算法中,传感器节点等同于萤火虫,覆盖信号强度即是荧光素浓度,首先对节点进行随意初始部署,然后通过计算移动概率的大小,判断节点移动方向,最终完成节点部署。实验仿真表明,该部署方法适用于大量传感器节点部署,覆盖面积广,灵活性强。     

基于粒子群算法的WSN覆盖优化

为了提高无线传感器网络性能,针对节点的分布与覆盖方案进行了研究,将拟物力算法中的拟万有引力和拟库仑力与粒子群算法相结合,提出了一种基于惯性权重的拟物粒子群算法。增强了算法全局搜索能力,更快地收敛至全局最优解,减少算法时耗和重复覆盖。仿真结果证明新的算法比基本粒子群和基于惯性权重的标准粒子群算法的全局收敛速度更快,覆盖率更高,重复覆盖的比率更低。     

基于QPSO算法的无线传感器定位研究

网络节点采集的数据、对目标的追踪、网络拓扑管理等都需要确定的位置信息才有意义,因此节点自定位技术是大多数应用的基础和前提。RSSI测距技术广泛应用于WSN节点定位中,但其测距误差较大,直接导致节点自身定位精度不高。针对此类情况,文中通过对无线电传播路径损耗模型以及大量实测数据的分析,提出了一种基于误差校正的定位优化算法。利用量子粒子群优化算法将存在偏差LQI值进行优化,从而对误差进行补偿。实验结果表明,量子机制的引入解决了局部优化的问题,同时使原有算法的优化性能得到一定程度的提高,具有普遍应用意义。     

基于混沌量子粒子群算法的无线传感器网络覆盖优化

针对传统粒子群算法在求解无线传感器网络覆盖问题上存在的收敛速度慢、易陷入局部极值等缺陷,以提高传感器网络覆盖率为主要优化目标,提出了基于量子粒子群和Logistic混沌映射相结合的优化算法CQPSO。该算法基于量子δ势阱模型,同时引入精英个体适应值方差的早熟判断机制,提高了搜索效率。仿真结果表明,对比基本粒子群、混沌粒子群以及量子粒子群三种算法,该算法在覆盖率、均匀度以及平均移动距离指标方面具有更好的覆盖优化效果。     

无线传感器网络中节点部署算法研究综述

无线传感器网络(WSNs)是新一代的传感器网络,具有非常广泛的应用前景.总结了WSNs部署算法的研究现状,并分别从部署方式、监测目标、网络架构及节点是否移动等多个角度对其进行分析比较.最后给出了WSNs部署算法的应用关键点和未来发展趋势.     

无线传感器网络中一种节点负载均衡的分簇算法

无线传感器网络节点的能量有限,而分簇算法能有效解决节点能耗受限与不同节点能量开销不平衡问题。在网络路由分簇的基础上,提出了一种节点负载均衡的分簇算法。该算法对经典的分簇协议LEACH的簇头选择机制进行了改进,应用量子粒子群对簇头选取进行优化。为解决算法后期易陷入局部极小的问题,采用了基于群体适应值方差的早熟判断机制,结合模拟退火算法进行局部优化。仿真结果表明:该算法使网络节点负载更均衡,有效提高了无线传感器网络的性能。     

基于改进蜂群算法无线传感器感知节点部署优化*

提出了一种基于改进蜂群算法的无线传感器感知节点部署优化方法,以网络覆盖率为目标函数,将传感器感知节点部署问题形式化为组合优化问题,并采用分层机制对基本蜂群算法进行改进。仿真实验结果表明,本方法能够以相对较小的代价完成传感器感知节点部署,并能降低网络能耗,提高网络的整体覆盖率。     

基于QPSO的模糊分类系统优化设计

提出了构建模糊分类系统的有效方法.通过量子位选择的方法对初始的模糊规则进行优化,减少种群规模、提高全局搜索能力,且可以大幅缩短训练时间,达到快速收敛、有效分类的目的.为了优化模糊分类空间和减少模糊规则数目,提出了量子行为粒子群优化(QPSO)算法,提高初始模糊分类系统的性能.实验结果证明:优化方法较之其他方法更有效率,准确率更高.     

基于改进的QPSO训练BP网络的网络流量预测*

为了提高网络流量预测的精度,采用一种改进的QPSO算法训练BP神经网络对网络流量数据的时间序列进行建模预测。针对标准的QPSO算法不可避免地出现早熟的不足,提出一种新的基于参数自适应的QPSO算法,较好地避免了粒子群的早熟,提高了算法的全局收敛性能。仿真实验结果表明,与PSO训练的BP网络、QPSO训练的BP网络作为预测模型相比,该模型具有更高的预测精度及很好的稳定性。     

基于BBO算法的WSN覆盖与连接节点部署方案

针对无线传感器网络中目标节点部署能力差的问题,提出基于生物地理学优化(biogeography-based optimization,BBO)算法的节点部署方案,该方案能够在网络中找到满足K-覆盖和M-连通性要求的传感器节点最佳部署位置。提出的基于BBO的算法为目标节点提供了一种有效的编码方案,通过优化构建的加权多目标函数来获得近似最优解,选择最小数量的合适点P,使得所有目标点在满足K-覆盖的同时,覆盖目标的传感器节点也满足M-连接。仿真结果表明,该方案能够在不同的K和M组合下找到合适位置的最优数,而且与其他技术方案相比,该方案的性能具有明显的优势。     

改进QGA在WSNs节点部署中的应用

对含有障碍区域的无线传感器网络（WSNs）节点部署问题进行研究。建立节点探测模型和网络覆盖率评价方法,基于概率传感器模型提出一种部署方式,即对障碍区域进行随机布撒节点,确定区域采用量子遗传算法（QGA）寻找最优节点部署位置,实现对同构WSNs节点构成的目标区域的高效覆盖。仿真结果与GA,QGA相比：改进QGA有效提高了算法整体的搜索能力和收敛速度。     

无线传感网络移动节点位置并行微粒群优化策略

网络节点位置优化是无线传感网络研究的核心问题之一.无线传感网络通常由固定节点和少量移动节点构成,传统的虚拟力导向算法无法解决固定节点对移动节点优化的约束.该文针对这一问题,提出了基于并行微粒群算法的优化策略.微粒群算法具有适于解决连续空间多维函数优化问题、能快速收敛至全局最优解的特点.并行框架提高了算法的运行效率,降低了算法的运算复杂度,使算法能够满足无线传感网络的需求.通过并行微粒群算法搜索不同状态下无线传感节点的最优位置,使无线传感网络能够利用移动节点实现网络结构的动态重组,最大化网络覆盖范围,提高网络测量可靠性.实验证明,并行微粒群优化策略能快速有效地实现无线传感网络移动节点位置优化.     

基于多粒子群算法的WSNs覆盖优化策略研究*

为了改善无线传感网络的性能,提高网络的覆盖率,在粒子进化的多粒子群算法的基础上,提出了一种无线传感网络覆盖的优化策略。该策略通过多个粒子群彼此独立地搜索解空间, 提高了算法的寻优能力,有效地避免了基本粒子群算法容易出现的“早熟”问题,提高了算法的稳定性。仿真实验表明,与基本粒子群算法、传统遗传算法和新量子遗传算法的优化效果相比较,其覆盖率分别提高了8.39％、3.07％和0.75％;收敛速度提高了25.3％、23.8％和23.8％。因此粒子进化的多粒子群优化策略具有比这三种算法更好的覆盖优化效果。