基于障碍物约束的遗传-中心点聚类算法研究

面对障碍物约束的聚类问题,分析了目前障碍物约束聚类算法的不足,定义了相关概念,随机选择k个样本作为聚类中心点,以距各聚类中心点的可达距离为样本划分依据,以类内平方误差和(WGSS)为聚类目标函数,引入遗传算法,提出一种基于障碍物约束的遗传-中心点聚类算法。最后,通过实例进行了算法测试,并与k-中心点算法进行比较。算法测试结果表明:基于障碍物约束的遗传-中心点聚类算法是完全可行和有效的,所提算法使得聚类结果符合地理空间实际情况,解决了聚类结果对初始化敏感的问题。

基于Bezier曲线的移动模型研究

现有的移动模型大多采用简单的、随机的直线运动来描述物体的移动模式,难以描述现实场景下规避障碍物的曲线移动模式。为解决现有移动模型存在的这些问题,提出一种基于Bezier曲线的移动模型。首先从理论上对该模型的应用进行了详细分析,其次提出了曲线场景下的节点概率分布的分析模型和算法,最后从多个场景进行了仿真验证和比较分析。研究结果表明,与典型的Random Waypoint模型相比,该模型不但可描述移动自组网在有障碍物约束的普遍现实应用场景,而且在同样的场景下具有更优的节点概率分布,使移动自组网表现出良好的动态特性,因此可为移动自组网的仿真研究提供现实的应用场景。