改进平衡优化器算法的WSN覆盖优化

针对无线传感器网络在节点部署过程中存在节点覆盖空白及重叠覆盖的问题,提出一种改进平衡优化器算法(IEO)的网络覆盖优化。首先,利用环绕反向学习提高初始化种群质量,增强算法的优化能力;其次,引入动态正余弦因子进一步平衡全局搜索与局部开发能力,促使粒子种群对搜索空间中进行广泛搜索和深度挖掘;最后,通过在浓度更新阶段加入circle混沌映射增加种群多样性,提高算法逃离局部最优的能力。实验结果表明,将IEO算法应用于WSN的覆盖优化实验中,与标准平衡优化器算法及其他改进算法相比,其能有效降低部署成本,表现出了更高的网络覆盖率,改善了网络的监测质量。

改进蜂群算法在传感器网络覆盖增强中的应用

传感器网络的覆盖增强是传感器网络建设中的重要问题。为了最大程度地提升网络覆盖率,需要合理分配网络的空间资源。论文提出了一种应用于传感器网络覆盖增强的改进蜂群算法。首先,结合遗传算法全局优化能力强,以及蜂群算法收敛速度快的特点,构造了一种全局收敛性能更佳的混合优化算法;其次,为改善混合优化算法在迭代后期易于陷入局部最优的缺点,采用了正弦余弦因子以改善算法的全局收敛性能。其测试函数和传感器网络覆盖增强实际算例的仿真结果表明,论文提出的改进的蜂群算法具有更佳的优化性能。

基于自适应参数调节和动态分组学习的水波优化算法

针对浅水波理论易陷入局部最优、收敛速度慢的问题,提出基于自适应参数调节和动态分组学习的水波优化算法。通过分析控制参数的变化,采取了参数自适应调节机制平衡算法的全局搜索和局部开发能力;设计基于正余弦因子的动态分组学习阶段,有效增强了算法跳出局部最优的能力,从而提高了算法的收敛精度。仿真结果表明,与标准水波优化算法相比,改进的算法表现出了较好的竞争性。

改进黑猩猩优化算法的测试数据生成研究

自动生成测试数据的关键在于能否生成覆盖率高、纠错能力强的数据。针对目前测试数据生成效率低及黑猩猩优化算法仍存在易陷入局部最优、收敛精度低等问题,提出一种正余弦扰动策略黑猩猩优化算法(chimp opti-mization algorithm for sine-cosine perturbation strategy,SC-ChOA)。使用拉丁超立方策略初始化种群,增强种群的多样化;引入非线性衰减收敛因子来平衡算法的全局和局部勘探能力;在位置更新时添加正余弦扰动因子,避免群体陷入局部范围搜索而导致的算法停滞现象。使用测试函数与标准黑猩猩优化算法及常用的遗传算法进行对比实验,验证算法的有效性;将改进算法应用到测试数据生成领域,通过在桩中插入分支函数来建立适应度函数,以促进测试数据的优化。为验证改进算法在测试数据生成方面的有效性,使用多个基准程序进行算法对比实验,结果表明SC-ChOA在测试数据生成的覆盖率、平均迭代次数和运行时间上均有明显优势。

基于三重动态调整的花授粉算法

针对花授粉算法存在的收敛速度慢、易陷入局部最优及收敛精度低等缺点,提出了基于三重动态调整的改进花授粉算法。采用动态转换概率切换算法的搜索模式,在全局搜索更新机制中引入新型动态因子,并在局部开发更新机制中引入正余弦步长因子。通过对7个测试函数的仿真实验结果和与FPA、CS、ASCSA等算法相比,表明改进的花授粉算法具有更强的全局搜索能力和跳出局部最优能力。