基于混沌PSO-DV优化BP神经网络的汽车故障诊断

针对传统的PSO优化BP网络的局限性,提出了一种混沌PSO-DV算法和BP神经网络的混合算法.该算法具有混沌算法的局部搜索遍历性,DE算法的种群多样性及BP神经网络的快速搜索能力等优势.仿真结果表明,混沌PSO-DV优化的BP神经网络应用于汽车发动机故障诊断,使得故障诊断的效率和准确率得到了很大的提高.

DV-Hop定位算法的混沌粒子群优化

针对距离矢量跳距(Distance Vector Hop,DV-Hop)定位算法通信半径选择不合理导致平均跳距和定位误差较大的问题,提出一种基于混沌粒子群改进的DV-Hop定位算法,利用混沌映射的遍历性和随机性实现粒子的局部深度搜索,避免粒子群算法陷入局部最优。通过混沌粒子群优化(Particle Swarm Optimization,PSO)算法迭代求解所有信标节点的通信半径,引入混沌理论调整非线性惯性权重优化搜索过程,通过混沌搜索和混沌扰动迭代求解信标节点的最佳通信半径;通过极大似然估计(Maximum Likelihood Estimate,MLE)法计算的平均定位误差作为混沌粒子群算法的适应值函数;使用费希尔矩阵求解的误差下限作为约束条件求解适应值函数,同时把平均通信半径作为节点能耗模型的阈值来降低节点能量消耗。仿真实验表明,提出的算法在不增加算法复杂度的前提下能够在定位精度方面提升近58%,节点能量消耗方面降低近24%。

基于差分粒子群算法的都江堰典型灌区水量优化配置

文中首先对差分粒子群(PSO-DV)算法进行了详细介绍,用4个标准测试函数测试其优化性能,并与PSO和DE算法进行比较,结果表明PSO-DV算法是一种求解精度更高的全局优化算法。然后基于灌区整体经济效益函数和供水约束条件,利用PSO-DV算法构建模型,对东风渠灌区的农作物种植面积进行优化配置,并通过作物灌溉定额反推需水量实现了灌区总水量的合理调配。该方案通过模拟运行取得了预期效果,为都江堰灌区水资源优化调度提出了一种新的思路和方法,以供相关部门参考。

基于粒子群优化的无线传感器网络节点定位改进

针对无线传感器网络低成本、低功耗的要求,提出了一种DV-Hop改进算法,利用节点间的估计距离和锚节点的位置,在DV-Hop算法的第三阶段使用粒子群优化的方法校正DV-Hop得到的估算位置。该算法不需要任何额外硬件设备和不增加通信量。仿真表明,改进的算法可以使DV-Hop的平均定位误差下降30%,并有效降低了成本。

基于矢量和粒子群优化的传感器网络节点定位

在DV-Hop基础上设计了一种综合算法。利用节点间估计距离和测量距离的差异构建位置校正矢量,以锚节点为簇头对节点分簇,建立距离误差总和的目标函数。由锚节点利用改进的粒子群优化方法求解最小化问题,得到所有成员节点的校正步长。节点将其与位置校正矢量的乘积作为自身位置的校正值。再利用相邻簇的边缘节点之间相对位置进行附加位置校正。仿真结果证明,该算法可以将DV-Hop的定位误差下降75%,并且适用于稀疏网络。

关于无线传感器网络定位算法仿真

针对无线传感器网络(WSNs)节点定位的问题,提出了一种通过构建粒子群机制的量子神经网络模型优化距离矢量跳跃(DV-HOP)的定位算法(PSO-QNN),根据传统DV-HOP所得到的平均距离和实测节点距离构建量子神经网络模型,并通过粒子群算法对平均距离进行训练,从而得到较优平均值,实现了对DV-HOP算法的优化。算法缩短了传统人工神经网络的训练时间,并且加快了收敛速度。仿真结果表明:与传统DV-HOP算法相比,所提出的PSO-QNN算法能够减少约20%的定位误差,定位精度显著提高。

基于改进粒子群算法的无线传感器网络节点定位

针对传统距离矢量-跳数(DV-Hop)算法中最小二乘法的估计误差过大、粒子群(PSO)算法易陷入局部最优的问题,提出了一种改进粒子群算法与DV-Hop的融合算法。首先从粒子速度、惯性权重、学习策略、变异方面对粒子群算法进行改进,增强算法跳出局部最优的能力,提高迭代后期算法的搜索速度;然后在DV-Hop算法第三阶段采用改进粒子群算法优化节点的定位结果。仿真结果表明:相比传统DV-Hop算法、基于混沌粒子群算法的DV-Hop改进算法(MPSO1-DV-Hop)和基于改进型粒子群优化的DV-Hop算法(MPSO2-DV-Hop),该算法的定位精度高,稳定性好,适用于定位精度和稳定性要求较高的场景。

粒子群离散算法在无线传感网络中的应用

无线传感器网络通过少数确定锚节点计算到其他节点距离,确定节点坐标。其中DV-Hop定位算法通过最小二乘法求解坐标,累计误差随节点平均距离误差呈指数增长,定位精度较低。提出了用粒子群PSO离散算法替代DV-Hop中的最小二乘法,既发挥PSO全局搜索能力,又避免标准PSO算法过早收敛的问题。实验结果表明,新算法定位精度很高,受距离误差影响不大,能很好地应用于无线传感器网络的定位过程。

基于蚁群粒子群混合的无线传感器网络定位算法

在无线传感器网络免于测距的定位算法中,DV-Hop算法是典型算法之一;蚁群粒子群算法(ACOPSO)通常被用来作全局优化;为了降低定位误差,提高定位精度,新算法先用DV-Hop算法估量未知节点与锚节点的测量距离,蚁群粒子群算法(ACOPSO)作后期优化,最小化DV-Hop的适应度函数,从而实现基于不同的距离或路径测量方法的优化;经过Matlab仿真分析表明,在相同的仿真环境中,新算法产生的平均定位误差比DV-Hop算法和基于粒子群的定位算法产生的平均定位误差更低,有效地提高了定位精度。

基于混合粒子群优化的DV-Hop定位算法

针对无线传感器网络节点定位技术中DV-Hop算法的不足,利用混合粒子群优化算法对DV-Hop算法的位置估计进行校正,提出了一种CCPDV-Hop算法,该方法在不需要任何额外硬件设备和通信开销基础上,将未知节点定位问题抽象为高维最优化问题,并利用混合粒子群优化算法进行求解;仿真实验结果表明,改进的DV-Hop算法与传统方法相比,定位误差显著下降,定位精度和鲁棒性都有明显提高。

基于跳距与改进粒子群算法的DV-Hop定位算法

针对DV-Hop定位算法定位精度不高的问题,提出一种带改进的权重平均每跳距离与改进的粒子群算法以改进经典DV-Hop算法。一方面,提出跳距误差与估计距离误差的加权平均值,修正原始的平均每跳距离。另一方面,采用分段的指数、对数递减权重改进粒子群的权重;同时,结合人工鱼群位置更新的优点来改进粒子群算法的位置更新。用改进的粒子群算法求解未知节点坐标,以提高定位精度。实验仿真表明,该算法的定位精度和稳定性与其他算法相比有明显的改善。

粒子群算法在无线网络节点位中的应用研究

随着无线通信技术的发展以及物联网设备在室内环境的广泛部署,作为物联网服务的重要支撑技术之一的无线传感器网络的位技术再一次成为工业界和学术界的研究热点。本文根据DV-Hop算法在无线传感器网络位过程中存在的误差问题,引入粒子群算法对位误差进行优化,提出PSO-DV-Hop算法。仿真实验结果表明,本文提出的PSO-DV-Hop算法(基于粒子群算法的DV-Hop位算法)的位精确度较DV-Hop算法提高25%左右,在实际应用中具有重要的参考意义。

基于GSO与加权质心的DV-Hop定位算法

由于经典DV-Hop定位算法中定位精度较低,提出一种改进算法。首先,未知节点计算到各信标节点的距离时,采用不同平均每跳距离。其次,采用GSO(galactic swarm optimization)思想把网络中的信标节点分为不同种群,使用粒子群优化算法估计每个种群中未知节点的最优位置,其最优位置构成一组次优解集。最后,利用加权质心算法优化次优解集作为未知节点的坐标。实验仿真表明,该方法能有效降低未知节点的定位误差。

基于自适应免疫粒子群优化的DV-Hop定位算法

针对传统距离矢量-跳数(DV-Hop)定位算法中,最小二乘法计算未知节点坐标时存在误差较大,而粒子群优化(PSO)算法又容易陷入局部最优的问题,提出了基于一种自适应免疫粒子群与DV-Hop融合算法。首先,对浓度机制进行改进;其次,子种群的数目通过粒子最大浓度值来改变,使得种群资源得到最大限度利用;最后,对疫苗范围进行动态调整后,劣质种群开始进行疫苗接种。该算法克服了粒子早熟,避免了种群退化现象,提高了算法进化过程中的收敛速度和精度。实验结果表明:在相同硬件成本和通信开销的情况下,所提算法定位精度更高。

基于改进粒子群优化的WSN定位算法

针对无线传感器网络中经典DV-Hop定位算法第3阶段利用多边测量法计算未知节点位置存在较大误差的问题,提出了一种改进的粒子群算法来优化求解未知节点坐标。应用粒子群算法,引入自适应惯性权重,并对粒子速度差分变异,继续维持群体多样性,保证前期搜索的速度和后期搜索的精度,减小陷入局部最优的可能,寻得全局最优未知节点坐标。仿真结果表明,该算法在不增加网络成本的前提下,有效的提高了传感器节点的定位精度,拓宽了定位算法的应用范围。

基于最佳路径匹配的DV-Hop改进方法

针对原DV-Hop (Distance Vector-Hop)方法在实际应用中因网络的各向异性而导致的距离估计误差较大以及位置计算算法对测距误差敏感的问题进行改进,在距离估计步骤中提出通过路径相似度参数对比的策略选择最佳信标间路径来逼近未知节点与信标间路径;在位置计算步骤中提出在原有Lateration算法的基础上增加改进的粒子群算法优化过程。仿真实验表明,与原DV-Hop方法和其他典型改进方法相比,所提改进方法首先提高了测距精度,进而提高了定位算法对测距误差的鲁棒性,从而整体上可有效提高全网未知节点的定位精度。