基于分布式动态簇结构的WSN自适应目标跟踪算法

目标跟踪是无线传感器网络应用研究的一个重要问题,如何在传感器节点随机分布的条件下对目标进行实时、准确的跟踪,并尽可能地降低网络能耗是目标跟踪问题的一个难点。文章基于分布式动态簇结构和并行粒子滤波算法对目标进行跟踪,提出一种跟踪采样周期自适应调整算法来降低网络能耗,同时也提高了跟踪的稳定性。仿真结果表明,文章提出的算法达到了实时、准确和节能的要求,具有一定的实际应用价值。

基于量子蛙跳协同进化的粗糙属性快速约简

属性约简是粗糙集理论研究的重要内容,现已证明求决策表最小约简是一个典型NP难题.本文提出一种基于量子蛙群协同进化的粗糙属性快速约简算法.该算法构造一种动态多簇的蛙群结构,用量子态比特进行蛙群个体编码,以自适应量子旋转角调整、量子变异和量子纠缠等策略加速蛙群进化收敛,各簇蛙群以双向协同学习机制共享属性约简中相关信息.标准Benchmark优化函数测试结果表明该算法在保证收敛速度同时具有较强的平衡全局优化与局部细致搜索能力.在UCI数据集上进行属性约简比较实验,结果验证了本算法在属性约简精度和效率方面具有明显优势.