基于粒子群算法的改进DV-Hop定位算法

针对无线传感器网络(WSNs)节点定位问题中DV-Hop算法的不足,提出利用粒子群优化算法对改进DV-Hop得到的估算位置校正。这种方法将定位问题看成一个多维优化问题,并且不需要任何额外硬件设备,也不会增加通信量。最后将仿真实验结果与改进DV-Hop算法进行比较,表明基于PSO算法优化的改进DV-Hop定位算法在优化性能上有所改进,有效提高了节点定位精度,证明该方法的有效性。     

基于随机漂移粒子群算法的WSNs节点定位

提出了随机漂移粒子群优化（RDPSO）算法,并将该算法应用于接收信号强度指示（RSSI）定位算法中,以降低由RSSI测距产生的定位误差.在仿真实验中,分别比较了基于RDPSO和PSO的RSSI定位算法.实验结果表明：RDPSO算法是在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法收敛速度快,稳定性能好,精度高,适用于WSNs节点定位问题.     

基于量子粒子群算法的多方法协作优化方法

介绍粒子群算法和具有量子行为的粒子群优化算法QPSO(Quantum-behaved Particle Swarm Optimization).针对QPSO在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了基于QPSO算法的多方法协作优化算法,将QPSO算法与进化规划EP(Evolutionary Programming)算法协作.实验结果表明,改进算法在收敛性和取得最优值方面优于PSO算法和QPSO算法.     

WSNs中基于粒子群优化的节点定位算法

节点定位是无线传感器网络(WSNs)的关键技术之一.接收信号强度指示(RSSI)测距技术以其不需增加任何额外的硬件设备的特点在节点定位中得到广泛应用.为了提高定位精度,在RSSI测距的基础上,提出将粒子群优化算法( PSO)引入节点定位中.首先由RSSI测得未知节点与锚节点的距离,然后应用PSO算法计算出未知节点的估计...     

具有分工策略的量子粒子群优化算法

基于量子行为的粒子群优化算法是一种随机的全局优化搜索新方法.介绍了PSO算法和QPSO算法,在对QPSO算法和基于分工策略的PSO算法分析的基础上,提出了基于分工策略的QPSO算法,然后对新算法进行实验.实验结果表明,新算法在收敛性和取得最优值方面优于基于分工策略的PSO算法.     

QPSO算法优化的非线性观测器设计方法研究

具有量子行为的粒子群优化算法(Quantum-behavedParticleSwarmOptimization,简称QPSO)是继粒子群优化算法(ParticleSwarmOptimization,简称PSO)后,最新提出的一种新型、高效的进化算法。论文在研究基于PSO算法的非线性观测器基础上,提出了一种基于QPSO算法的非线性观测设计方法。以vanderPol系统为例进行了仿真实验,其基本思想是将非线性连续时间系统的状态估计问题转换为非线性函数的在线优化问题,然后利用PSO或QPSO算法获得系统状态的最优估计。仿真结果显示了基于QPSO算法的非观测器比基于PSO算法的非线性观测器的性能更优越。     

基于QPSO算法的RBF神经网络参数优化仿真研究

针对粒子群优化(PSO)算法搜索空间有限,容易陷入局部最优点的缺陷,提出一种以量子粒子群优化(QPSO)算法为基础的RBF神经网络训练算法,将RBF神经网络的参数组成一个多维向量,作为算法中的粒子进行进化,由此在可行解空间范围内搜索最优解。实例仿真表明,该学习算法相比于传统的学习算法计算简单,收敛速度快,并由于其算法模型的自身特性比基于PSO的学习算法具有更好的全局收敛性能。     

基于量子粒子群算法的收敛性研究

对基于量子行为的粒子群算法(QPSO)的收敛性进行分析.QPSO算法不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛性.通过四个经典的基准函数对算法进行测试,将QPSO算法与PSO算法进行深入比较.通过实验结果表明.QPSO算法在收敛性能上大大优于PSO算法.     

移动锚节点定位WSNs中无标识节点算法研究

针对无线传感器网络(WSNs)无标识节点的定位问题,引入移动锚节点收集节点的接收信号强度(RSS)数据序列,利用无监督的聚类算法分析数据确定节点个数,依据锚节点运行的不同驻点,提取最强RSS信号进行圆环交叉搜索并标识覆盖网格重叠区域,再利用极大值(EM)算法筛选出可能含有未知节点的区域,最后用改进的粒子群优化(PSO)算法最终确定符合聚类个数的最优未知节点坐标.实验仿真结果表明:该算法在未知节点稀疏分布情况下,可以准确地估算未知节点个数和位置坐标.     

莱维飞行的粒子群优化算法在WSNs覆盖增强中的应用

为了提高无线传感器网络(WSNs)的覆盖率,减少冗余覆盖,延长网络生存时间,在粒子群优化(PSO)算法的基础上,提出一种莱维飞行(LF)与粒子群优化相结合的(LF-PSO)算法.该算法以提高覆盖率为优化目标,通过建立数学模型来描述WSNs节点覆盖优化问题,利用算法对数学模型求解,达到优化节点覆盖的目的.仿真结果表明:该算法的运算结果达到了预期效果,优化了工作节点的布局,提高了覆盖率,是一种高效可行的WSNs节点覆盖算法.该算法非常适合应用到WSNs节点覆盖优化中,能够大大的提高节点的覆盖率.     

传感器网络中改进的粒子群优化定位算法

为提高无线传感器网络节点粒子群优化(PSO)定位算法的收敛速度与搜索性能,将惯性权重的非线性调整策略及目标值排序的思想引入其中,从而实现对算法的改进,并将改进后的算法应用于传感器网络节点的定位。最后,通过仿真实验分别比较了在不同的锚节点密度、网络连通度以及测距误差下,该算法与标准粒子群优化算法及最小二乘法的定位结果。结果表明,改进后的算法不仅有效地抑制了测距累计误差,而且提高了收敛速度,该方法用于传感器网络节点的优化定位是可行的。     

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.     

一种采用完全学习策略的量子行为粒子群优化算法

为了进一步提高量子行为粒子群优化（QPSO）算法的全局收敛性能,有效改善算法中存在的粒子早熟问题提出一种基于完全学习策略的改进QPSO算法（CLQPSO）.该学习策略改变了QPSO中局部吸引子的更新方式,充分利用了种群的社会信息.采用8个测试函数对算法性能进行比较分析.实验结果表明,所提出的改进算法不仅收敛速度快,而且全局收敛能力好,收敛精度优于PSO算法和QPSO算法.     

基于改进粒子群优化的无线传感器网络定位算法

无线电干涉定位系统获取的干涉距离是4个传感器节点间距离的线性组合值.针对以两个节点间距离作为输入的传统定位算法无法直接利用上述干涉距离进行定位的问题,提出一种基于改进粒子群优化的定位方法.利用干涉距离的实验数据,分析比较了遗传算法和改进粒子群优化在无线传感器网络节点定位问题中的性能.结果表明,基于改进粒子群优化的定位方法的平均耗费时间远远小于基于遗传算法的定位方法,具有更高的优化效率.     

基于加强学习与联想记忆粒子群优化算法的节点定位

提出了加强学习与联想记忆的粒子群优化算法,并将该算法应用到无线传感器网络的节点定位中。在RSSI模型测距产生的不同误差情况下,分别比较极大似然估计法和加强学习与联想记忆的粒子群优化算法产生的定位误差、定位方差,证明了加强学习与联想记忆的粒子群优化算法是一种收敛快、精度高、稳定性好的优化算法,适合应用在无线传感器网络节点定位中。     

基于QPSO方法优化求解TSP

针对粒子群优化算法PSO求解旅行商问题TSP收敛速度不够快的缺陷,提出利用量子粒子群优化算法QPSO求解TSP,在交换子和交换序概念的基础上,以Matlab语言为开发工具实现了TSP最佳路径的求解.实验表明改造QPSO算法用于优化求解14点的TSP,能够迅速得到最优解,收敛速度加快,搜索效率得到较大水平提高;QPSO方法在求解组合优化问题中将非常有效.     

新的混合模糊C-均值聚类算法

基于量子行为的粒子群算法(QPSO)是一种改进的粒子群优化算法.它使用的参数个数少,在解的收敛性和全局搜索能力上优于基本的粒子群算法(PSO).将QPSO算法与模糊C-均值(FCM)算法相结合提出一种新的混合模糊C-均值聚类算法(QPSO-FCM),新算法代替了FCM算法的基于梯度下降的迭代过程,在一定程度上克服了FCM算法易陷入局部极小的缺陷,降低了FCM算法的初值敏感度.实验结果表明,改进后的新算法与FCM算法和PSO与FCM结合算法相比,具有良好的收敛性,聚类效果也有较好的改善.     

基于量子行为的粒子群优化算法分类规则获取*

介绍了基本的粒子群算法,并针对基本的粒子群算法在收敛性能上的缺陷,提出将具有量子行为的粒子群优化算法应用于数据挖掘学科中的分类规则获取。对加州大学厄文分校的若干数据集模式分类规则进行提取,与其他规则提取方法相比,证明该算法提高了分类规则的正确率以及全局寻优能力。     

非视距环境下基于粒子群的超宽带定位算法

将智能算法应用到无线传感器网络定位技术中是一种全新的尝试,粒子群算法是其中的一种典型算法.根据超宽带(UWB)定位原理,建立基于粒子群算法的定位模型,在非视距(NLOS)环境下,利用NLOS误差导致的附加时延和由信道决定的均方根时延扩展的联合统计特性,进行NLOS误差补偿,在迭代过程中采用线性递减的惯性权重,粒了群通过不断追踪个体极值和局部极值,更新自身的位置与速度,从而找到全局最优解,仿真结果表明正确率达90％以上.