一种改进粒子群通讯算法在目标搜索中的应用

针对粒子群算法应用于机器人目标搜索过程中存在的早熟现象,提出一种基于改进粒子群算法和模拟退火算法相结合的目标搜索新方法,以提高算法的全局搜索能力。为解决通讯距离有限、机器人无法与基站进行信息交互和不能实时追踪动态目标等问题,引入通讯功能。算法中机器人与基站有两种通讯方式,一种是基站跟随最优机器人移动的通讯方式,另一种是在前者基础上将机器人按一定比例分为通讯机器人和搜索机器人的通讯方式,由通讯机器人负责搜索机器人与基站之间的通讯。两种通讯方式下机器人都采用动态多目标搜索策略搜索动态多目标。在考虑通讯距离的情况下,经过仿真测试,与传统的通讯粒子群算法相比,提出的改进通讯粒子群算法能更加有效地追踪动态目标。     

基于蚁群优化算法的传感器网络能量有效性覆盖机制

提出了一种解决无线传感器网络覆盖问题的能量有效性启发式机制.该机制在节能的前提下,实现了对目标监控区域的完全覆盖,且覆盖精度与目标的重要性级别成正比关系.机制的实现运用了蚁群优化算法,算法的设计过程采用了新颖的启发式因子构造方法和基于评价函数的全局信息素更新规则,由此,人工蚂蚁被赋予了对目标监控区域的覆盖状况和对传感器网络区域能量状况的自适应感知能力,并通过增加优化解集中节点上的信息素量,加速求取最优解的收敛过程.最后,蚁群在迭代优化的基础上构建出解决无线传感器网络覆盖问题的健壮优化解,该优化解能够在能量有效性的基础上具备良好的覆盖有效性和较长的生命周期.     

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.     

密集macro-femto融合网络中基于长期逗留的切换决策算法（英文）

针对密集macro-femto融合网络,提出一种基于长期稳定的切换(long-term-based handover,LTBH)决策算法.该算法由切换角(angle of handover,AHO)和逗留时间(time-to-stay,TTS)2种参数联合进行切换判决,从而有效减小冗余切换次数.首先,在大量候选基站(candidate base stations,CBSs)场景中提出了AHO参数,从而降低算法的计算复杂度.其次,针对固定基站和移动基站2种基站模型,分别提出了2种TTS参数用于切换用户的切换决策.仿真结果显示,所提的LTBH算法能够在密集macro-femto网络中保证移动用户一定传输速率的基础上有效地降低网络中的切换次数.     

负载均衡的异构传感器网络分簇路由算法研究

有限的能量资源是无线传感器网络（WSNs）广泛应用的主要限制之一。为了最大化整个网络的生存时间,需要优化无线传感器网络中节点的能量消耗。协议使用的无线传感器网络模型包含两种节点：普通节点和能量较高的高级节点。算法中综合考虑了节点当前剩余能量、网络中平均能量、簇头到基站的距离和节点类型等因素,设计了一种适合于异构无线传感器网络路由协议（HCEEC）。在该协议中,基站在对应的区域中选择能量更大、更加靠近基站的节点作为簇头来搜集本区域内的信息,簇头节点对本簇内的信息进行融合之后发送至基站节点。实验表明,该算法能够更好地综合网络中能量的负载、提高网络吞吐量和延长网络生存时间。     

避免分组丢失切换方法

针对基本移动IP协议虽然简单但只适用于大范围、低速的情况，提出了一种新的微观移动IP切换方法——避免分组丢失切换方法．该切换方法通过在基站处增加缓存以及利用IP分组的标识，将切换过程中分组丢失减少至最小．并给出了该切换方法所适用的分层全IP网络结构及其切换过程，对基站缓存的大小、切换带来的网络负荷、切换延时等也进行了分析．仿真和分析结果表明最小分组丢失切换方法适用于快速移动、频繁切换的环境．     

基于改进深度Q网络算法的移动机器人路径规划

针对深度Q网络(deep Q-network, DQN)算法收敛速度慢、规划路径不平滑及样本利用率低的问题,对其进行了改进。首先,在DQN算法的动作引导策略中引入了改进的人工势场引力函数和目标引导动作函数,同时设计了一种分段奖励函数,以此提出了启发式深度Q网络(heuristic deep Q-network, HDQN)算法,有效地减少了算法训练过程中的碰撞次数,提高了算法的收敛速度,使规划出的路径更优。然后,将HDQN算法与改进的优先级采样策略相结合,提出了一种贪心采样的启发式深度Q网络(greedy sampling heuristic deep Q-network, GSHDQN)算法,有效地提高了样本利用率。最后,对DQN、HDQN、GSHDQN这3种算法在Ubuntu系统进行了路径规划仿真。仿真结果表明,与DQN算法相比,GSHDQN算法平均总迭代时间可降低28.0%,平均路径长度可减少34.7%,碰撞次数可减少32.4%。     

强竞争型多目标跟踪任务分配策略研究

基于无线传感器网络的3个目标以上跟踪在任务分配阶段出现强竞争冲突问题,综合考虑网络能耗、可靠性函数以及节点剩余能量均衡度方面的性能,引入基于综合目标函数的竞争型弹性神经网络算法,以综合目标函数为依据调整神经元的动态接受域,并采用基于信息熵的逼近理想解技术对综合目标函数的多指标进行客观评价。仿真实验表明,此文的任务分配策略一定程度上提高了网络的可靠性,延长了网络寿命。     

基于移动基站杂散干扰的解决方案研究

随着移动网络用户数量的增加,功能的扩展,基站载波配置越来越多,移动基站干扰等级居高不下。本文通过仿真模拟实验,分析当前移动基站杂散干扰存在的若干原因,得出结论,形成一套高效可行的解决方案,降低杂散干扰,提高话务率。为用户提供更优质的网络服务。     

基于DBSCAN聚类的基站选址与扇区角度规划研究

为满足因移动数据业务量急剧增加导致的基站设备覆盖需求,针对2022年MathorCup高校数学建模挑战赛D题,探讨基站选址中的基站位置和基站主方向角度规划问题。首先筛选出已知的极弱覆盖点,再使用基于密度的聚类算法（DBSCAN）在聚类中心处建立宏基站,并根据弱覆盖点到聚类中心的距离,基于数学期望对基站的主方向角度进行规划,得到覆盖率和弱覆盖点;考虑建设成本,在弱覆盖点处建立微基站,因覆盖率仍未达90%,筛选建立微基站和建立宏基站业务量相差最大的点,将部分微基站修改成宏基站,结果可满足覆盖率大于90%的要求。