基于多个改进策略的增强麻雀搜索算法

针对麻雀搜索算法(SSA)存在寻优精度不高且易陷入局部最优的问题,提出一种基于多个改进策略的增强麻雀搜索算法(EMISSA)。首先,为平衡算法的全局和局部搜索能力,引入模糊逻辑来动态调整麻雀发现者的规模;其次,对麻雀跟随者进行混合差分变异操作以产生变异子群,从而增强EMISSA跳出局部最优的能力;最后,通过拓扑对立学习(TOBL)产生当前麻雀发现者个体的拓扑对立解,以充分挖掘搜索空间内的优质位置信息。通过2013年进化计算大会(CEC2013)中的12个测试函数评估EMISSA、标准SSA以及混沌麻雀搜索优化算法(CSSOA)等改进麻雀算法的性能。实验结果表明,EMISSA在30维情况下,在12个测试函数上获得了11个第一;在80维情况下,在所有的测试函数上都获得了第一。而在Friedman检验中,EMISSA的排名均获得了第一。将EMISSA应用于障碍物环境下的无线传感器网络(WSN)节点部署,实验结果表明,相较于其他算法,EMISSA获得了最高的无线节点覆盖率,节点分布更均匀,覆盖冗余更少。

改进蚁狮算法的无线传感器网络覆盖优化

为了有效提高无线传感器网络的节点覆盖率,提出一种基于混合策略改进蚁狮算法的网络覆盖优化方法。首先,利用连续性边界收缩因子提高算法的搜索遍历性,加快收敛速度;其次,在精英化阶段引入动态权重系数,以平衡算法的全局探索与局部开发能力;然后,结合早熟收敛判断机制与动态混合变异方法,使算法能够有效跳出局部最优。通过在12个基准函数上的对比实验,验证了改进策略的有效性。最后,将该算法应用到无线传感器网络覆盖优化中。实验结果表明,相比其他文献中的优化算法,该算法提高了网络覆盖率,优化节点分布更加均匀。