WSN中基于蚁群算法的单向链路路由算法

提出了一种无线传感器网络中基于蚁群算法的单向链路路由算法,该算法采用单向链路和双向链路相结合的方法,寻找源节点到目的节点的最优路径。仿真结果表明,该算法能够选择参数性能好的路径,最优路径上的总时延远远小于只支持双向链路的传统蚁群算法,而且最优路径的收敛速度明显加快,由此节省了无线传感器网络中的能耗。     

面向传感器网络的无线节点智能定位优化算法

为了实现低成本物联网无线设备的定位,提出了一种基于深度强化学习(DRL)的无监督无线节点定位优化算法.将连续无线定位过程建模为马尔可夫决策过程(MDP),提出了一种新的奖励设置机制,该机制能从未标记的无线接收信号强度(RSS)中实现鲁棒的地标数据提取.使用RSS测量值和代理位置来构建DRL模型的输入,以减少模型重训练的需求.并使用模拟实验对所提出的算法进行了评估.实验结果表明,与现有的无监督算法相比,本算法能实现更低的无线定位误差,并能进行自监督的学习.     

浅析基于TOA／TDOA的无线传感器网络节点定位算法

节点定位技术是无线传感器网络中的关键技术,明确传感器节点位置才能实现对目标的定位和追踪。介绍了几种无线传感器网络的节点定位算法,并对基于信号到达时问定位算法（Time Of Arrival,TOA）和基于信号到达时间差定位算法（Time of Difference Of Arrival,TDOA）进行了详细分析,给出了基于两种算法的详尽测距、定位过程。     

蚁群算法在网络节点扫描策略中的应用

基本扫描策略蠕虫主要通过随机扫描策略寻找网络中的目标节点,在IPV4网络上可以通过简单的随机扫描策略在较短时间内入侵较多的漏洞节点,但在IPV6网络上难以奏效。提出将蚁群算法融入到网络节点扫描策略中,论述了其具体应用方法。     

一种基于UWB的WSN节点定位技术

将UWB精确定位功能和TOA/AOA混和定位技术相结合,应用于无线传感器网络簇内节点定位中,为无线传感器网络分簇路由协议提供可靠的位置服务。仿真结果表明,其UWB定位精确度较高,适合簇内节点的相对定位。     

抵抗欺骗攻击的DV-Hop定位算法

由于无线传感器网络处于开放性的环境中,很容易受到欺骗攻击,即难以利用DV-Hop算法进行有效定位.针对此问题,本文在分析欺骗攻击模型和DV-Hop算法易受攻击原因的基础上,提出了一种新的抵抗欺骗攻击的DV-Hop定位算法.该算法能对参与未知节点的信标节点进行分组,并根据各个分组的加权平均残差平方和,排除可能含有恶意节点的分组,并通过利用没有恶意节点分组中的所有信标节点进行定位,从而有效抵抗了欺骗攻击.仿真结果表明,当网络中存在欺骗攻击时,DV-Hop算法仍然能够有效地定位.     

信号不规则特性对WSN定位算法评价的影响

在评价无线传感器网络自身定位算法性能时,大多是基于理想的无线信号传播模式,从而导致测试结果与实际情况相差较大.针对这种情况,研究了WSN在实际环境下无线信号表现出的不规则特性及对自身定位过程的影响,并将RIM模型引入到算法测算的过程中.实验结果表明,信号的不规则特性对于定位算法的评价有着较为明显的影响.     

移动无线传感器网络节点合成蒙特卡罗定位算法

为提高传感器节点自定位精度,满足不同网络规模应用的需要,提出了合成蒙特卡罗定位算法.算法采用混合采样箱方法提高采样成功率,在锚节点密度较低时,先利用多跳锚节点方法收集锚节点信息,然后再运用采样箱方法计算未知节点位置,解决了采样速度慢和锚节点密度低时的应用受限问题.仿真实验结果表明,此算法可以不受锚节点密度限制,且提高了定位精度,具有自适应性和实用性.     

基于自组织聚类和蚁群算法的无线传感器网络路由算法

根据无线传感网络能量受限的特点,提出一种低能耗路由算法SOC-IACO,算法由自组织聚类算法SOC和改进蚁群算法WAC组成.先通过SOC将节点分簇,选取簇头构造簇头数据链,再通过WAC构造簇内节点数据链.簇内数据沿节点数据链汇聚至簇头、簇头数据沿簇头数据链汇聚至总簇头,由总簇头发送数据至基站.实验表明,由于聚类过程中考虑了节点分布和簇负载均衡并采用双层链路由,SOC-IACO算法能大幅降低节点能耗提高网络寿命.     

基于信标节点间RSSI的改进三维定位算法的研究

节点定位是无线传感器网络的重要支撑技术之一,目前主要有两种定位算法,基于距离的定位算法和非基于距离的定位算法.考虑到两种算法在三维空间的优缺点,提出了一种基于RSSI测距的修正算法,并优选信标节点,最后通过最小二乘法进行定位.仿真结果表明：本算法比传统的RSSI算法精度更高.     

蚁群算法在函数优化求解中的应用

蚁群算法是近年来新出现的一种随机搜索寻优算法,该算法为求解复杂的组合优化问题提供了一种新思路,引起了众多学者的研究兴趣。通过在函数优化问题中的应用,说明该算法能有效地避免陷入局部最优,指出了蚁群算法在优化问题中的应用前景。     

蚁群算法的原理及其应用

蚁群算法是优化领域中新出现的一种仿生进化算法。该算法采用分布式并行计算机制,具有较强的鲁棒性;但有搜索时间较长,易陷入局部最优解的缺点。本文首先讲述蚁群算法的来源和基本原理,然后讨论蚁群算法的几种改进策略,并简单介绍近年来蚁群算法在许多新领域中的发展应用,最后对今后进一步研究的方向作了展望。     

基于精英蚁群算法的挖掘机工作装置参数优化设计

针对现有挖掘机工作装置机构参数优化设计方法存在求解效率低且难以得到令人满意的优化结果的问题,提出了精英蚁群算法并用于综合多工况的挖掘机工作装置机构参数优化设计,建立了相应的优化设计数学模型。通过构建精英蚂蚁种群及经验规则进行引导优化搜索过程,并结合单斗液压挖掘机设计实例进行优化。优化结果表明,该优化方法能够提高优化效率,可取得十分满意的优化结果。     

求解最小费用流问题的蚁群算法

为了运用蚁群算法解决最小费用流问题,首先结合有向网络描述了最小费用流数学模型,运用从终点向始点反向计算的思想求解在最大可行流约束下的最小费用,然后给出了其具体过程.最后通过仿真实验,调整圈法和标号算法验证表明：该算法是有效可行的.     

基于优化蚁群算法的分类规则挖掘算法

蚁群算法已被广泛用于各种优化组合问题,优化蚁群算法动态调整信息量更新策略和路径选择概率,可在加速收敛和防止早熟、停滞现象之间取得平衡.本文将此算法应用到分类问题,提取分类规则.实验表明该算法能较好地完成分类规则的挖掘.     

蚁群优化算法在物流配送车辆路径问题中的应用研究

车辆路径问题(VRP)是一类物流配送领域具有广泛应用的组合优化问题,属于NP难题。一种改进的蚁群优化算法可以用于求解VRP。实验结果表明,采用蚁群优化算法能有效求解VRP问题。     

动态调整信息素的蚁群算法

对蚁群算法提出了一种动态调整信息素的进化策略，以改善和提高算法的性能。不仅能够加快收敛速度，节省搜索时间，而且能够克服停滞行为的过早出现，有利于发现更好的解，这对于求解大规模的优化问题是十分有利的。     

基于分治、剪枝和蚁群算法求解最大团问题

最大团问题是经典的NP-hard问题,对该问题求解方法的研究在理论上,实践上都具有一定的意义。蚁群算法已成功地求解许多组合优化难题。本文使用分治法,将图分解成子图,对各子图应用蚁群算法求解,并根据目前求得的最优解的值对各个子图进行剪枝,去除对求解没有意义的点,提出基于分治、剪枝和蚁群算法求解最大团问题的算法。它减小了问题的求解规模,使求解容易。实验取得了较好的结果。     

几种解决TSP问题的蚁群算法的性能研究

文章对解决TSP问题的几种蚁群算法模型的性能进行了比较,得出了蚁群算法中参数如何对性能产生影响的分析报告．