一种基于节点相关度的无线传感器网络分簇算法

提出了一种基于节点相关度的无线传感器网络分簇算法。该算法根据接收信号强度、节点剩余能量和网络连通度选取簇头节点,根据节点相关度确定簇内成员。分析与仿真结果表明,与经典的LEACH算法相比,该算法选出的簇头分布更均匀,并提高了簇内负载平衡程度,延长了网络生存时间。     

一种基于能量均衡的WSN分簇路由算法

针对无线传感器网络节点能量有限的特征,在研究现有算法的基础上提出了一种基于能量均衡的分簇路由算法CRAE。新算法在簇首选择时引入了节点剩余能量与邻节点平均能量参数,同时在通信中综合考虑了最小跳数与中转节点的能量问题。实验结果表明,该算法有效均衡了网络能耗,延长了网络生命周期。     

利用粒子群优化的WSN环状簇路由协议

针对无线传感器网络(WSN)中采用多跳分簇算法所带来的能耗不均衡问题,提出了一种利用粒子群优化的环状簇路由协议. 该协议采用粒子群算法将整个网络划分成间隔不等的同心圆,在各环内再分成若干扇区作为簇首选举的基本单位. 在每个扇区内,各节点根据到扇区中心的距离剩余能量来竞选簇首. 同时引入能级的概念,在很大程度上克服了簇首轮换速度过快造成网络开销过大以及轮换速度过慢造成单个节点过早死亡的缺点. 仿真结果表明,该协议有效地均衡了各环间的能耗,延长了网络寿命.     

基于分簇和定向扩散混合路由协议的研究

分簇算法是无线传感器网络路由算法研究的主要方向之一.为了解决无线传感器网络中网络节点能量负载不平衡的问题,提出基于分簇和定向扩散混合路由算法的方案.将传感器节点分簇,簇间通信采用定向扩散算法,充分考虑能量均衡的问题,从而实现整个网络的能量消耗更加均衡,最大限度地延长网络生命周期的目的.仿真表明,该混合算法能量均衡性更好,能提供更长的网络生命周期.     

无线传感器网络中的动态聚类分簇算法研究

能耗问题是无线传感器网络的关键问题之一。通过深入分析已有算法存在的诸多不足,该文提出了一种基于动态聚类的分簇算法。该算法首先分析了低能耗自适应分簇的一阶能耗模型,给出了基于最小能耗的簇首数计算公式,然后在此基础上引入动态聚类思想,以最优簇首数将传感器网络内的所有节点进行聚类,得到最优的簇首节点及其内部簇成员。仿真结果表明：算法划分的网络具有低能耗、高稳定性等特点,弥补了已有算法的不足。     

基于LEACH协议的簇头辅助路由算法

为了平衡无线传感器网络的负载,延长网络生存时间,针对大规模无线传感器网络场景,对低能量自适应分簇分层协议进行改进,提出一种簇头辅助路由算法。新算法采用控制信息与数据信息分离的思想,由簇头实现控制信息处理的功能,由簇内聚合节点和簇间转发节点实现数据的融合、转发功能。仿真结果显示,在大规模无线传感器网络场景下,该算法比低能量自适应分簇分层协议的网络寿命和数据接收总量均有明显提高。     

基于非均匀分簇的无线传感网络路由协议

无线传感器网络是一种自组织网络,其自组织性以及节点能量受限的特点,使得如何设计路由协议以达到既保证数据传输的完整性又最大限度延长网络寿命变得至关重要。该文提出了一种新的路由机制来延长网络寿命,适合于静态的网络。最后通过模拟仿真说明了改进的路由协议比LEACH协议在延长网络寿命上有很大的改进。     

基于混沌粒子群的改进LEACH算法

针对无线传感器网络中LEACH高能耗及簇头早死问题,在簇头选择过程中,考虑了节点剩余能量和到基站的距离.通过混沌优化的粒子群算法来扩大搜索范围,迭代选取性能最优的节点作为簇头.在能量消耗总和、节点存活数和网络剩余能量3个方面进行了几种方法的对比研究.     

一种基于蚁群算法优化的WSN分簇路由算法

为了实现无线传感器网络对节点能量的高效利用,提出了一种蚁群优化的分簇路由算法CRAACA。该算法引入簇内平均剩余能量参数,对簇首选择阈值进行改进,以均衡簇内能耗;根据节点间的位置关系建立节点的可中继节点集,控制蚁群算法的搜索空间;蚁群在对可中继节点集进行路径搜索时考虑节点间的距离和节点的剩余能量,以生成节能和较好均衡网络能耗的多跳网络路由;对生成的多径路由依相应概率选择数据传输的路径,提高数据传输的可靠性。仿真结果表明,该算法在网络能量的利用效率、数据传送成功率,以及延长网络生存周期等方面具有较好的性能。     

一种基于无线传感器网络分簇路由的改进算法

为了提高无线传感器网络能量的有效性,延长网络生命周期,在分析了无线传感器网络路由协议中的LEACH算法和SEP算法机理的基础上,提出了改进型SEP算法．改进型SEP算法能够在能量异构的网络模式下,通过改进选举簇头机制,提高了剩余能量较高的节点当选为簇头的概率,增加了选举簇头节点的合理性,有效地均衡了网络中的节点能耗,延长了网络的生命周期．实验结果表明：改进后的算法与LEACH算法和传统的SEP算法相比,在平衡节点能量和延长网络寿命方面具有更加优越的性能．     

一种带克隆选择的粒子群动态聚类算法

针对聚类数不确定的高维、大规模数据聚类问题,提出以粒子群优化算法为基础、引入克隆选择算子的聚类分析算法。该算法利用粒子群的优化搜索机制搜索聚类中心向量,并根据适应度高低控制粒子的克隆数量和变异幅度,达到有效避免陷入局部最优的目的,并能克服传统聚类算法对初始值敏感的缺点,提高了算法的稳定性。仿真实验结果表明,该算法不仅能正确得出聚类簇数,而且聚类正确率较对比算法提高了至少7.0％。     

基于粒子群的Vague均值聚类分割算法

将Vague集引入模糊C-均值聚类目标函数,对其添加非隶属度信息,定义样本关于类的肯定隶属度函数和否定隶属度函数,并构造聚类中心表达式。采用粒子群优化算法求解该聚类目标函数,设计相应聚类算法,使其快速收敛于目标函数的全局最优解。对比实验结果表明,改进算法可以分割出目标轮廓并具有抗噪性。     

基于MapReduce模型的分布式粒子群算法

通过对传统的单种群粒子群算法的分析,提出一种基于MapReduce模型的分布式粒子群算法,解决粒子群算法在求解大规模优化问题时求解效率和精度明显下降等问题。在粒子群进化过程中,粒子速度和位置的更新采用惯性权重的方法,其权重值线性递减,并且利用多子群进化策略,提高算法的收敛精度。通过MapReduce模型实现算法的并行化,有效提高算法求解效率。选取目前比较流行的几种算法,并在13个500维、1 000维的标准测试函数上仿真试验,结果显示该算法具有良好的优化性能。     

基于离散粒子群优化算法的多用户检测器

利用粒子群优化算法解决优化问题的基本思想,提出了一种新的粒子群算法,进而设计了两种使用NDPSO和多阶段检测器（MSD）相结合的混合方法进行CDMA通信系统的多用户检测．一种方法是使用NDPSO作为MSD的初始阶段给后面阶段的MSD提供一个好的初始值;另一种方法是把MSD嵌入到NDPSO的每一代中．通过混合MSD到NDPSO中,可以加快NDPSO的收敛速度,减少计算复杂度．另外,NDPSO所提供的好的初值可以改善MSD的性能,嵌入的MSD还改善了NDPSO的性能．仿真结果表明。多用户检测方法与传统检测器和已有的DPSO多用户检测方法相比,在误码率、抗远近能力方面都有显著提高．     

基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化（SPSO）算法在多峰函数寻优应用中容易出现早熟的缺点，提出了一种基于反馈策略的自适应粒子群优化（APSO）算法.考虑到进化过程中群体多样性损失过快，采用种群分布熵和平均粒距两个种群多样性参数，来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析，建立了惯性权值与平均粒距之间的线性函数关系，并将该函数关系融入到APSO算法中.测试结果表明，与常规粒子群优化算法相比，该算法在多峰函数寻优时，成功率和精确度都有显著提高，且全局收敛速度快；在求解异或（XOR）分类问题时成功概率提高，收敛速度加快，APSO算法对神经网络的训练更加有效.     

粒子群优化的多群蚂蚁算法

设计多蚁群算法的关键是群间的信息交换规则.利用粒子群优化中粒子移动的基本思想研究了蚁群间信息交换的新规则,定义了新的多蚁群优化算法.新算法的信息交换所占用的数据通信量要远低于现有的信息交换方法.将新算法用于求解带时间窗的车辆路由问题并和以前的最好的多蚁群算法做比较,计算结果表明:新算法的性能超过了已有的方法.采用群体智能中个体的移动思想来设计群间信息交换规则能改进多蚁群算法的求解性能.     

融合PSO算法思想的进化算法

粒子群算法(particle swarm optimization,PSO)是仿真于生物群体的社会行为的一种智能优化算法,其原始形式难以体现数学的直观性和本质性。然而,在简化算法原始模型的基础上,PSO算法的理论分析得到其数学模型,并且说明了其是一个迭代进化系统。利用PSO算法的数学模型代替标准PSO算法速度及位置的迭代公式,并选择适当的参数,从而构造了一种新的进化算法。新的进化算法形式更能直接体现PSO算法的数学思想。经仿真试验表明,新的进化算法效果不差于标准PSO算法,并且参数少且容易分析。     

基于角度聚类的无线传感器网络分簇路由算法

将节点角度信息引入分簇路由算法,通过改善簇首选取来增长无线传感器网络的生命周期。计算各节点与基站的角度信息,以此改进模糊C均值聚类算法中的初始隶属度矩阵,从而对节点进行均匀分类,并选取初始簇首,形成初始簇。再利用灰狼优化器对初始簇进行优化,以选取实际簇首并划定实际簇。在100 m×100 m的网络范围内部署100个传感器节点,实验结果显示,与LEACH、SEP、FIGWO等算法相比,改进算法可使网络生命周期分别延长63.4%,35.0%和8.6%。     

基于粒子群优化算法的海浪方向谱估计

为解决当前测量设备在估计海浪方向谱方面存在的易损坏、易丢失且费用昂贵等问题,利用船舶运动响应数据通过参数化方法对海浪方向谱进行估计,并提出粒子群优化算法对八参数海浪方向谱模型进行参数整定,该方法只需要简单的测量设备和硬件即可完成方向谱的估计工作.最后利用实船数学模型对2种海况情况进行了仿真验证,仿真结果表明该方法可以精确地估计出海浪方向谱.     

基于混沌搜索的混和粒子群优化算法

所提出的算法将粒子群优化算法和混沌算法相结合，既摆脱了算法搜索后期易陷入局部极值点的缺点，同时又保持了前期搜索的快速性，最后通过4个测试函数将该算法与基本粒子群算法进行仿真对比，比较结果表明基于混沌搜索的混和粒子群优化算法在收敛性和稳定性等方面明显优于基本粒子群优化算法．