基于弹性碰撞优化算法的传感云资源调度

针对当前智能优化算法普遍存在收敛精度不高、容易"早熟"的缺陷,提出全新的智能优化算法—弹性碰撞优化(ECO)算法.算法基于弹性碰撞物理学现象,通过模拟碰撞过程中物理属性相互影响的变化过程,抽象出"与种群最优碰撞"、"与自身历史最优碰撞"和"随机碰撞"3种粒子更新机制.为了有效提升复杂高维优化问题的寻优能力,设计自适应核模糊C-均值聚类(AKFCM)算法,利用AKFCM对ECO种群进行聚类分析,通过迭代比对策略实现种群自动最佳聚类划分,确保粒子学习对象的合理性与多样性.种群样本多样性定量分析表明ECO在运算后期具有较好的种群多样性.将ECO应用于传感云资源调度问题,为了满足传感云系统管理多样性需求,构建多目标优化传感云资源调度模型,设计符合调度问题的ECO粒子编码方式,实现传感云资源高效率调度优化.多维复杂测试函数以及传感云资源调度实例仿真结果表明,ECO具有较高的收敛精度和成功率,有效降低了传感云资源调度的能耗和任务长度.

采用压缩感知与智能优化的大规模WSNs移动稀疏数据收集

针对大规模无线传感网数据处理网络流量大、任务时延高的缺陷,提出了一种基于自适应块压缩感知与离散弹性碰撞优化算法的移动节点数据收集方案。首先,通过分析网络分块与节点部署之间的关系,提出自适应块压缩感知数据采集策略,实现传感器节点基于自适应网络块压缩感知数据采集;设计移动节点数据采集路径规划策略和多移动节点协同计算机制,通过采用适应度值约束变换处理技术和并行离散弹性碰撞优化算法,达到均衡网络节点能耗和降低数据处理任务时延的目的。最后,仿真结果表明,该数据收集方案能够有效实现大规模传感网数据高效处理,而且降低了网络流量和网络任务时延,更好均衡了网络节点能耗。

联合弹性碰撞与梯度追踪的WSNs压缩感知重构

为提高压缩感知(Compressed sensing,CS)大规模稀疏信号重构精度,提出了一种联合弹性碰撞优化与改进梯度追踪的WSNs(Wireless sensor networks)压缩感知重构算法.首先,创新地提出一种全新的智能优化算法|弹性碰撞优化算法(Elastic collision optimization algorithm,ECO),ECO模拟物理碰撞信息交互过程,利用自身历史最优解和种群最优解指导进化方向,并且个体以N(0,1)概率形式散落于种群最优解周围,在有效提升收敛速度的同时扩展了个体搜索空间,理论定性分析表明ECO依概率1收敛于全局最优解,而种群多样性指标分析证明了算法全局寻优能力.其次,针对贪婪重构算法高维稀疏信号重构效率低、稀疏度事先设定的缺陷,在设计重构有效性指数的基础上将ECO应用于压缩感知重构算法中,并引入拟牛顿梯度追踪策略,从而实现对大规模稀疏度未知数据的准确重构.最后,利用多维测试函数和WSNs数据采集环境进行仿真,仿真结果表明,ECO在收敛精度和成功率上具有一定优势,而且相比于其他重构算法,高维稀疏信号重构结果明显改善.

低速瓶颈下高速公路网联无人驾驶车辆主动避碰运动生态速度优化

为了解决车载安全预警系统在高速公路上感知距离有限,且在曲线路段存在高事故风险和高燃油消耗的问题,在基于车联万物(V2X)技术的高速公路自动驾驶交通系统中,针对下游存在低速交通流的交通场景,提出一种高速公路网联无人驾驶车辆主动避碰运动生态速度优化模型。为了提高模型的求解效率,将原最优控制问题转化为由3个子问题构成的近似速度优化模型,并通过遗传算法求解得到最优的速度曲线,对上游车辆的运动速度进行主动控制,在保证安全和不影响交通效率的前提下,引导一系列车辆安全、平滑地跟随下游的低速交通流尾车运动,改善车辆行驶过程中的燃油经济性。为了验证所提出模型的性能,以车载安全预警系统控制策略作为对比方案,仿真结果表明:所提出的近似优化模型能够在基本保证求解精度的同时,明显改善求解效率;与车载安全预警系统控制策略相比,所提出的速度优化策略能够使车辆提前减速,避免追尾,能够在较小程度牺牲通行效率的情况下明显地平滑车辆速度曲线并节省总燃油消耗量。