基于改进蛙跳算法的WSN移动节点部署研究
优化混合蛙跳算法的WSN三维定位方法
优化混合蛙跳算法的WSN三维定位方法刘宏;王其涛;夏未君【期刊名称】《计算机工程与应用》【年(卷),期】2017(053)002【摘要】根据传统混合蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）收敛速度较慢、局部最优的不足，提出了优化混合蛙跳算法（Optimized Shuffled Frog Leaping Algorithm，OSFLA），并将其应用于无线传感器网络（WSN）节点三维定位。
在三维定位中运用极大似然法进行粗略定位，对锚节点进行加权处理，设定搜索区域，再使用优化蛙跳算法进行迭代求精。
仿真实验结果表明：优化混合蛙跳算法（OSFLA）比混合蛙跳算法（SFLA）具有更高的收敛速度和定位精度，同时更加适合于锚节点数较少场合。
且在三维定位中与常用的几种算法相比OSFLA算法在定位精确度和稳定性方面都具有一定的提高。
%According to the traditional Shuffled Frog LeapingAlgorithm(SFLA)that its convergence speed is slow and its local optimum has the shortcomings. The Optimized Shuffled Frog LeapingAlgorithm(OSFLA)is put forward here and applied to the three-dimensional positioning of the wireless sensor network node. In the three-dimensional positioning, at first, using maximum likelihood has a rough positioning, then having weighted processing for anchor nodes and setting the search area. Finally, using OSFLA achieves the effect of iterative refinement. The simulation result shows that, the OSFLA has higher convergence speed and precision than the traditional SFLA. At the same time, it is more suitable forthe occasion that has the less number of anchor node. Besides, in the three dimensional positioning, compared with the commonly used several kinds of algorithms, the OSFLA algorithm’s positioning accuracy and stability of OSFLA algorithm are obviously improved.【总页数】6页(P129-133,140)【作者】刘宏;王其涛;夏未君【作者单位】江西理工大学电气工程与自动化学院，江西赣州 341000;江西理工大学电气工程与自动化学院，江西赣州 341000;江西理工大学电气工程与自动化学院，江西赣州 341000【正文语种】中文【中图分类】TP393【相关文献】1.基于PSO优化LSSVR的三维WSN节点定位方法 [J], 张烈平;陈鸣;季文军;2.基于WSNs三维无线层析成像定位方法研究 [J], 黄炳华; 王满意; 刘增鑫3.基于跳距修正与狮群优化的WSNs三维定位算法 [J], 苟平章;刘学治;孙梦源;何博4.基于果蝇优化的WSNs三维节点定位算法 [J], 王海云;李洁;张姣5.带混沌映射的三维WSN蜂群优化定位算法 [J], 李田来;刘方爱因版权原因，仅展示原文概要，查看原文内容请购买。
WSN中基于改进蚁群算法的移动Agent路径规划
WSN中基于改进蚁群算法的移动Agent路径规划王佳【期刊名称】《传感技术学报》【年(卷),期】2011(024)004【摘要】在无线传感器网络(Wireless Sensor Networks,简写为WSN)系统中增加了移动Agent,能提高系统的整体性能及工作效率.参考Sink节点的功能及特点,移动Agent具有收集和简单处理信息数据并将其传输到上一级单位的功能,它的移动功能提高了网络的连通性、传感覆盖率及使用寿命等性能.采用传感覆盖率高,能耗相对较小的正六边形网格划分方法部署传感器节点.Sink节点只能在通信范围内收集信息,根据这一特点,在此网络结构中利用蚁群优化算法为移动Agent寻找移动路径,从而达到有效改善网络性能的目的.仿真结果说明了此方法的有效性及特点.%For the purpose of performance improvement of WSN ( Wireless Sensor Networks), mobile agent were considered, which are a kind of special nodes-sinks in charge of data collection in WSN. Mobility of agent can improve the performance of whole system, such as connectedness, sense coverage, and energy efficient. An effective structure of regular hexagonal grid plot is chosen, which is suitable for improving connectedness and sense coverage. A route planning for mobile agent is proposed by applying a well designed ant colony optimization algorithms. Finally, the advantages and effectiveness of mobile agent in WSN are illustrated by an example.【总页数】5页(P609-613)【作者】王佳【作者单位】上海工程技术大学工程实训中心,上海201600【正文语种】中文【中图分类】TP393【相关文献】1.WSNs中基于蚁群模拟退火算法的移动Agent访问路径规划 [J], 张亚明;史浩山;刘燕;姜飞2.WSNs中基于能量均衡定向扩散的移动Agent路由算法 [J], 姜飞;史浩山;徐志燕;董相均3.WSNs中基于改进定向扩散的移动agent机制研究与实现 [J], 姜飞;史浩山;徐志燕4.WSNs中基于移动Agent的数据查询路由算法研究 [J], 张宣;范通让;高峰5.WSNs中基于粒子群优化的信宿移动路径规划算法 [J], 张红军;刘辉因版权原因，仅展示原文概要，查看原文内容请购买。
基于混合蛙跳算法的非均匀分簇WSNs路由协议
Ｕｎ ｅ ｑ ｕ ａ ｌ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｉ ｎ ｇ ｒ ｏ ｕ ｔ ｉ ｎ ｇ ｐ ｒ ｏ ｔ ｏ ｃ ｏ ｌ ｆ ｏ ｒ ｃ ｏ ｖ ｅ ｒ ａ ｇ ｅ ｓ ｔ ｒ ａ ｔ ｅ ｇ ｙ ｏ ｆ
（ １ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆＥ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ｓ＆ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ ， Ｎ ｏ ￣ ｈ ｗ ｅ ｓ ｔ ｅ ｒ ｎ Ｐ ｏ ｌ ｙ ｔ ｅ ｃ ｈ ｎ ｉ ｃ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｘ ｉ ’ ａ ｎ ７ １ ０ ０ ７ ２ ，Ｃ ｈ ｉ ｎ ａ ； ２ ． Ｘｉ ’ ａ ｎ Ａ ｅ ｒ ｏ ｎ ａ ｕ ｔ ｉ ｃ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｘ ｉ ’
可移动 ｓ ｉ ｎ ｋ汇聚 节点非 均 匀分 簇路 由协议 （ ｓ ｉ ｎ ｋ ｍｏ ｂ ｉ ｌ ｉ ｔ ｙ ｂ ａ ｓ ｅ ｄ ａ ｎ ｄ ｅ ｎ ｅ ｒ ｇ ｙ ｂ ａ ｌ ａ ｎ ｃ ｉ ｎ ｇ ｕ ｎ ｅ ｑ ｕ ａ ｌ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｉ ｎ ｇ ｐ ｒ ｏ ｔ ｏ ｃ ｏ ｌ ， Ｓ Ｅ —
权值 确 定簇 头交换 时机 ， 并运 用贪 婪 算法 ， 在 簇头和 ｓ ｉ ｎ ｋ 之 间选择 最优 中继 节 点 ； 为进 一 步减 少节点 能 量 消耗 ，
采用 ｓ ｉ ｎ ｋ汇 聚节点 可移 动方 式 ， 避 免 了热 点 问题 的 出现 。仿 真 结果表 明 ， Ｓ Ｅ Ｂ Ｕ Ｃ Ｐ在 网络 生存 周期 、 能量 均衡 等
Ｓ Ｅ Ｂ ＵＣ Ｐ ｃ ｈ ｏ ｓ ｅ ｔ ｈ ｅ ｎ ｏ ｄ ｅ ｓ ｈ ａ ｖ ｉ ｎ ｇ ｍｏ ｒ ｅ ｅ ｎ ｅ ｒ ｇ ｙ ａ ｓ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｈ ｅ ａ ｄ ｓ ａ ｎ ｄ ｄ ｉ ｖ ｉ ｄ ｅ ｄ ａ ｌ ｌ ｎ ｏ ｄ ｅ ｓ ｉ ｎ ｔ ｏ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｓ ｏ ｆ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｓ ｉ ｚ ｅ ． Ｉ ｔ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ｃ ｏ ｍｐ ｅ ｔ ｉ ｔ ｉ ｏ ｎ ｍｅ ｃ ｈ ａ ｎ ｉ ｓ ｍ ｂ ｅ ｔ ｗｅ ｅ ｎ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｈ ｅ ａ ｄ ｓ ， ｗ ｈ ｉ ｃ ｈ ＷＳ Ｓ ｈ ｅ ｌ ｐ ｆ ｕ ｌ ｔ ｏ ｆ ｏ ｒ ｍ ａ ｍｏ ｒ ｅ ｒ ａ ｔ ｉ ｏ ｎ ａ ｌ ｔ ｏ ｐ ｏ ｌ ｏ ｇ ｙ ． Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｒ ｅ ｄ ｕ ｃ ｅ ｔ ｈ ｅ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｈ ｅ ａ ｄ ｒ ｅ ｐ ｌ ａ ｃ ｅ ｍｅ ｎ ｔ ｒ ｆ ｅ ｑ ｕ ｅ ｎ ｃ ｙ， ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｈ ｅ ａ ｄ ｓ ｅ ｒ ｖ ｅ ｄ ｃ ｏ ｎ ｔ ｉ ｎ ｕ ｏ ｕ ｓ ｌ ｙ ａ ｎ ｄ ｂ ｙ ｃ ｏ ｍｐ ａ ｒ ｉ ｎ ｇ ｎ ｏ ｄ ｅ ｓ ｗ ｅ ｉ ｇ ｈ ｔ ｔ ｏ ｄ ｅ ｔ ｅ ｒ ｍｉ ｎ ｅ ｔ ｈ ｅ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｈ ｅ ａ ｄ
基于混合蛙跳算法的WSN路由优化算法
中 图分 类 号
无线传感 器 网络
Ｔ ３１ Ｐ ０
路 由优化
文 献标 识 码
蛙跳算法 多路径
Ａ
全局优化
ＡＮ ＴＩ Ｉ ｏＰ Ｍ ＺＥＤ Ｓ ＲｏＵＴＩ Ｗ Ｎ ＮＧ ＡＬＧｏＲＩ ＴＨＭ ＡＳ Ｂ ＥＤ ｏＮ
ＭＩ ＸＥＤ ＬＥＡＰＦＲｏＧ ＡＬＧｏＲＩ ＴＨＭ
Ｋｅ ｗ ｒ ｓ ｙ ｏｄ
Ｗｉ ｌ ｓ ｅｓｒ ｅｗ ｒ ＷＳ Ｒ ｕｅｏｔ ｉ ｔ ｎ ｅｐ ｏ ｌ ｒｈ Ｍｕｔｐｔ Ｇｏａ ｏｔ ｉ ｔｎ ｒ ｅ ｎｏ ｔｏｋ（ Ｎ） ｏｔ ｐｉ ｚ ｉ Ｌ ａｆ ｇａｇｉ ｍ ｅｓｓ ｎ ｍ ａｏ ｒ ｏｔ ｌ—ａ ｌｂｌ ｐｉ ｚ ｉ ｉ ｈ ｍ ａｏ
Ａｂ ｔ ａ ｔ ｓｒ ｃ Ｔ ｒｕ ｈ ｔｅ ｓｕ ｙ ｏ Ｓ ｏ ｏｏ ｙ ｓｒ ｃ ｕ ｅ ａ ｄ ｌ ａ ｆ ｇ ａｇ ｒｔ ｍ， ｃ ｎ ｉ ｅ ｉ ｇ ｔ ｅ ｓ ｏ ｔ ｌ ｅ ｃ ｃｅ ｐ ｏ ｌｍ ｆ ｅ ｅ ｇ ｈ ｏ ｇ ｈ ｔ ｄ ｎ Ｗ Ｎ ｔｐ ｌｇ ｔ ｔ ｒ ｎ ｅ ｐｒ ｌ ｏｉ ｕ ｏ ｈ ｏ ｓｄ ｒ ｈ ｈ ｒ ｉ ｙ ｌ ｒｂ ｅ ｏ ｎ ｒ ｙ ｎ ｆ
研究 工作 者们 提出了许多的 路 由算 法 ， 比如 Ｓ Ｉ （ 于 ＰＮ 基
周立朋 卡米力 ・ 木衣丁 何 迪 陈 琛
（ 新疆大学信息科学与工程学院 新疆 乌鲁木齐 ８０ ４ ３０ ６）
摘
要
通过 对无线传感器 网络的拓 扑结构和蛙跳算法的研 究， 针对能量受 限的无线传感器 网络生命周期较短的 问题 ， 出一种 提
基 于混合蛙 跳算法的 ＷＳ （ ｒｌ ｓ ｅ ｓｒ ｅ ｏｋ 路由优 化算法。该 算法在 生成青 蛙 时， Ｎ Ｗｉ ｅ ｎｏ ｔ ｒ ） ｅｓＳ Ｎｗ 考虑 了节点 的剩 余能量 ， 在局部 优 化过 程 中采 用选 择替 换和变异两种方法 ， 在全局优化 中引入 了多路径路 由思想 ， 并且充 分利 用 了基站的信 息资源和强大功能。仿 真结果 表 明， 该优化机制有效延长 了 ＷＳ Ｎ的生命周期 ， 改善 了网络性能 。
基于智能优化的WSN定位算法研究与改进
基于智能优化的WSN定位算法研究与改进基于智能优化的WSN定位算法研究与改进摘要：无线传感器网络（Wireless Sensor Network，WSN）是一种将多个分布式的传感器节点连接起来的网络，用于感知、采集、处理和传输环境中的信息。
其中一个重要的应用场景是定位，即通过部署在环境中的传感器节点获取目标节点的位置信息。
然而，传统的定位算法在精度、能耗和实时性等方面存在一定的局限性。
本文研究了基于智能优化的WSN定位算法，并提出了一种改进方案，以提高定位的精度和性能。
一、引言随着无线传感器网络技术的发展，WSN在物联网、智能城市等领域中得到了广泛的应用。
定位作为其关键技术之一，对于实现各种应用场景具有重要意义。
然而，传统的WSN定位算法存在定位精度低、能耗大以及实时性差等问题。
因此，研究和改进WSN定位算法具有重要的理论和实际意义。
二、传统的WSN定位算法（一）距离测量定位距离测量定位是一种常用的定位方法，通过测量目标节点与基站或其他节点之间的距离来计算目标节点的位置。
该方法通常采用全局定位系统（Global Positioning System，GPS）或基于接收信号强度指示（Received Signal Strength Indicator，RSSI）的测距技术。
然而，由于受到多径传播、信号衰减等因素的影响，距离测量存在定位误差较大的问题。
（二）迭代定位迭代定位是一种通过迭代计算来逐步优化节点位置的方法。
该方法通过节点之间的距离测量和多轮迭代计算，逐渐逼近目标节点的位置。
然而，迭代定位算法通常需要大量的计算和通信开销，且对于实时性要求较高的应用场景不太适用。
三、基于智能优化的WSN定位算法智能优化算法是指采用人工智能思想和方法，通过搜索和优化技术来解决复杂问题的一类算法。
在WSN定位中，智能优化算法的引入可以提高定位的精度和效率。
（一）粒子群优化算法（Particle Swarm Optimization，PSO）粒子群优化算法是一种模拟鸟群觅食行为的随机优化算法。
基于蛙跳算法的无线传感器网络节点定位
基于蛙跳算法的无线传感器网络节点定位葛宇;梁静;许波;余建平【期刊名称】《计算机工程与应用》【年(卷),期】2012(048)020【摘要】In order to reduce the impact of measurement error on wireless sensor network localization, shuffled frog leaping algorithm is applied to location calculation of rang-based localization. This paper proposes a shuffled frog leaping localization algorithm. This algorithm designs fitness function weighted according to anchor nodes, thereby reducing effect of measurement error on result. At the same time, this algorithm constructs initial solution set based on min-max method, which leads to enhancement efficiency of algorithm. In the simulation experiments, compared with maximum likelihood estimation algorithm and total-least square algorithm, the shuffled frog leaping localization algorithm reduces the impact of measurement error effectively and has high accuracy. Therefore, the shuffled frog leaping localization algorithm is a practical localization solution for the wireless sensor network.%为减小测距误差对无线传感器网络定位精度的影响,将蛙跳算法应用到距离式定位算法的位置计算阶段中,提出了蛙跳定位算法.该算法在适应度函数设计中,根据节点间的测距信息对锚节点进行了加权处理,以降低测距误差对定位结果的影响.结合最小最大法构造初始种群,使其包含更多可行解,从而提高算法效率.仿真结果表明,与采用极大似然估计法或总体最小二乘法来进行位置计算的距离式定位算法相比,该算法有效降低了距离误差对定位精度的影响,具有较高的定位精确度和稳定性,是一种实用的无线传感器网络节点定位方法.【总页数】6页(P126-130,186)【作者】葛宇;梁静;许波;余建平【作者单位】四川师范大学基础教学学院,成都610068;成都电子机械高等专科学校网络中心,成都610031;广东石油化工学院计算机科学与技术系,广东茂名525000;湖南师范大学数学与计算机科学学院,长沙410081【正文语种】中文【中图分类】TP393【相关文献】1.基于蛙跳改进算法的无线传感器网络定位* [J], 刘杰慧;谢萍;王颖;王茜2.基于DV-Hop算法的海洋无线传感器网络节点定位 [J], 曹立杰3.基于DV-Hop算法的海洋无线传感器网络节点定位 [J], 曹立杰4.基于改进樽海鞘群算法的无线传感器网络节点定位 [J], 田洪舟;陈思溢;黄辉先5.基于蛙跳算法的无线传感器网络节点重部署 [J], 徐逸夫;段隆振因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进的粒子群算法在WSN节点定位中的研究
基于改进的粒子群算法在WSN节点定位中的研究∗陈玲君【摘要】如何能够减小无线传感中的节点定位误差一直都是研究的热点。
提出一种基于改进的粒子群优化算法以修正DV-Hop误差的传感器节点定位方法，通过分析粒子间距离、双变异因子和权重设置改进了粒子群算法，改进后的粒子群算法减少了未知节点与锚节点间距离的估计误差。
仿真实验表明，相对于DV-HOP算法，本文的算法可以有效地提高传感器节点定位精度。
%How to reduce errors of positioning nodes in wireless sensing has always been the research hotspot. This paper proposes an improved particle swarm optimization algorithm to modify the DV-Hop error sensor node positioning methods, and improve the particle swarm algorithm through analyzing distance between particles, double mutation factors and weight setting. The improved particle swarm algorithm can reduce the estimated errors between unknown nodes and anchors, and simulation experiment shows that compared with DV-HOP algorithm, algorithm in this paper can effectively improve the efficiency of sensors in positioning nodes.【期刊名称】《微型机与应用》【年(卷),期】2016(035)024【总页数】4页(P70-72,76)【关键词】DV-Hop算法;定位精度;估计误差【作者】陈玲君【作者单位】绍兴职业技术学院，浙江绍兴312000【正文语种】中文【中图分类】TP393如何能够在无线传感网中进行节点定位一直都是研究的热点,目前大多数的研究都是基于通过锚节点来计算相关未知节点的定位研究[1-2]。
基于改进模型的无线传感器网络节点部署方法研究
基于改进模型的无线传感器网络节点部署方法研究无线传感器网络（Wireless Sensor Network，WSN）由大量的低成本、低功耗、分布式感知节点组成，可以实现在无人区等特殊环境下的数据采集、信号传输、决策与控制等任务。
因此WSN在能源监测、交通管理、农业温室监测等领域广泛应用，WSN节点的部署特别重要。
本文将基于改进模型研究WSN节点部署方法。
1. 研究背景目前，传统的WSN节点部署算法主要包括随机部署、均匀网格部署和覆盖模型部署等。
这些算法虽然简单，但在节点部署效率和成本方面存在问题。
在实际应用中，WSN节点往往需要考虑多种因素，如能耗平衡、网络覆盖率、传感器密度、网络延迟等。
因此，提出了基于改进模型的WSN节点部署方法，旨在提高WSN部署效率，减少成本，保证网络可靠性和稳定性。
2. 改进模型基于改进模型的WSN节点部署方法是通过建立多参数优化模型，综合考虑多种因素并进行权衡。
节点的选取取决于能源平衡、网络覆盖率和传感器密度等因素的权重分配。
模型中的语音公式为：$$F = \sum_{i=1}^{n} W_ie_{i} $$其中，$W$为各节点因素的权重，$e_{i}$为第$i$个节点的误差指标。
该模型在进行部署选择时，通过两个关键因素进行优化。
首先，对网络中每个节点的衡量指标进行评估。
然后，对节点的合理布置进行计算，并计算节点的误差指标。
最终，通过对误差指标的汇总评估，确定合理的节点部署方式。
3. 节点部署案例研究以下是一个基于改进模型的WSN节点部署实例：假设WSN要部署在一个面积为100\*100的农场中，以监测土壤中的湿度。
在实际操作中，除了平面均匀部署外，还应考虑防止丢失节点和降低能源消耗的因素。
节点衡量参数：节点密度、能量消耗和网络信号质量。
权重分配：0.3、0.4、0.3。
节点基于改进模型的部署方案：将30个可用的节点投放在农田中，使得各个节点间的距离大致相等，能量消耗均衡，并尽量保证网络信号质量良好。
基于惯性权重蛙跳算法的WSN布局优化
基于惯性权重蛙跳算法的WSN布局优化滕志军;张晓旭【摘要】针对传统混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)易陷入局部极值的问题,在青蛙最差个体的更新策略中引入反正切惯性权重加以修正,从而使该算法具有更强的全局搜索能力及局部搜索能力.将提出的改进型蛙跳算法应用到WSN (Wireless Sensor Network,WSN)覆盖优化问题中,通过理论数据分析及仿真结果证明,改进的蛙跳算法较传统的SFLA、PS0、WIS-SFLA对网络覆盖率有较大的提升,是一种较优的覆盖优化方法.【期刊名称】《东北电力大学学报》【年(卷),期】2015(035)006【总页数】4页(P66-69)【关键词】混合蛙跳算法;覆盖优化;无线传感器网络;布局【作者】滕志军;张晓旭【作者单位】东北电力大学信息工程学院,吉林吉林132012;东北电力大学信息工程学院,吉林吉林132012【正文语种】中文【中图分类】TN99无线传感器网络节点的合理部署能够有效提升网络覆盖率，降低网络能耗，延长网络生存周期，是实现无线传感器网络优化的核心问题[1-3]。
混合蛙跳算法(Shuffled Frog Leaping Algorithm，SFLA)是由Lansey及Eusuff于2003年提出的一种基于全局协同搜索的群智能优化算法[4]。
本文提出了一种基于混合蛙跳算法的无线传感器网络覆盖策略，并通过在青蛙个体的状态更新过程中引入反正切函数惯性权重来解决传统混合蛙跳算法的“早熟收敛”问题，改进后的蛙跳算法能够实现无线传感器网络的合理化布局，有效提高无线传感器网络的覆盖率。
混合蛙跳算法[5-7]是结合了基于遗传行为的模因算法及基于社会行为的粒子群算法的优点，通过模拟青蛙觅食过程而提出的一种新型仿生智能算法。
其基本原理为：在D维搜索空间下，随机初始化M只具有相同特性结构的青蛙，将每只青蛙的位置视为优化空间中的一个可行解。
一种改进的蛙跳算法的研究
收稿日期： 2017－08－03 作者简介： 周林锦（ 1982－） ，女，讲师，硕士，研究方向为算法优化。
第7期
周林锦． 一种改进的蛙跳算法的研究
179
个体，仿真结果说明改进的蛙跳算法的全局寻优能 力明显优于基本的混合蛙跳算法； 文献［7］提出一 种新的种群分割方法。该方法将代表潜在最优区域 的非支配个体集合通过聚类的方式划分族群，目的 是使不同族群在不同区域进行局部搜索，避免算法 早熟； 文献［8］提出一种改进的混合蛙跳算法，首先 借鉴分子动力学模拟思想，将正态云模型云滴的随 机性和稳定倾向性特点应用于比例积分微分（ PID） 控制器的参数整定中，最后利用 Velocity。Verlet 算 法和正态云发生器代替 SFLA 的更新策略，平衡了 搜索的高效性和种群的多样性； 文献［9］提出一种 改进算法。该算法利用变公比数列分析更新轨迹的 收敛性，并引入离散度和适应度方差作为指标，自适 应地调节数列公比取值范围，以平衡收敛精度和收 敛速度； 文献［10］提出了一种改进混合蛙跳算法， 其思想是改进算法在原算法基础上加入了变异算 子，利用模糊控制器对变异算子的变异尺度进行调 整，实现了 变 异 算 子 在 解 空 间 中 搜 索 范 围 的 动 态 调整。
第 34 卷 第 7 期 2018 年 7 月
科技通报
BULLETIN OF SCIENCE AND TECHNOLOGY
Vol．34 No．7 Jul． 2018
一种改进的蛙跳算法的研究
周林锦
（ 衡水学院，湖北 衡水 053000）
摘 要： 蛙跳算法是一种启发式的智能算法，在优化问题中具有广泛的应用，针对该算法求解精度低，收敛速度慢， 容易陷入局部的缺点，从 4 个方面提出了改进： （ 1） 引入 Tent 混沌来改进蛙跳的种群初始化； （ 2） 通过最大化搜索 策略提高局部搜索； （ 3） 最差个体中引入柯西因子进行优化； （ 4） 采用模式搜索来优化最优个体．通过 5 个测试函数 说明本文的算法能够有效的提高算法的性能． 关键词： 蛙跳算法； 种群初始化； 局部搜索； 最差个体； 最优个体
基于改进型蚁群算法的wsn路由算法的研究
基于改进型蚁群算法的wsn路由算法的研究摘要：无线传感器网络(WSN) 中的路由算法对于数据的有效传输至关重要。
传统蚁群算法在WSN 路由中存在搜索时间长、易陷入局部最优等问题。
本文提出了一种改进型蚁群算法，通过引入新的启发因子和调整信息素更新策略，提高了算法的性能。
实验结果表明，该算法在提高路由效率、降低能量消耗和延长网络寿命方面具有显著优势。
一、引言无线传感器网络(Wireless Sensor Network, WSN) 由大量部署在监测区域的传感器节点组成，用于收集和传输环境数据。
路由算法是WSN 中的关键技术之一，它决定了数据如何在节点之间传输。
蚁群算法作为一种启发式算法，已被应用于WSN 路由中，但其存在搜索时间长、易陷入局部最优等问题。
因此，需要对蚁群算法进行改进，以提高其在WSN 路由中的性能。
二、相关工作对蚁群算法的原理和发展进行了综述，并分析了其在WSN 路由中的应用现状。
三、改进型蚁群算法1. 引入新的启发因子：根据节点的剩余能量和距离目标节点的距离来计算启发因子，引导蚂蚁选择能量较高且距离目标节点较近的路径。
2. 调整信息素更新策略：根据路径的质量和长度来调整信息素的更新速度，使优质路径的信息素更快地积累。
3. 局部优化策略：在每次迭代中，对当前最优路径进行局部优化，以提高搜索效率。
四、实验结果与分析通过在不同规模和场景下的WSN 中进行实验，比较了改进型蚁群算法与传统蚁群算法的性能。
结果表明，改进型蚁群算法在路由效率、能量消耗和网络寿命方面具有明显优势。
五、结论本文提出的改进型蚁群算法能够有效提高WSN 路由的性能。
通过引入新的启发因子、调整信息素更新策略和采用局部优化策略，该算法在搜索效率、能量消耗和网络寿命方面取得了显著的改进。
未来的研究可以进一步探索其他优化方法，以进一步提高蚁群算法在WSN 路由中的应用效果。
WSN中基于改进自适应遗传算法的移动代理路由算法
总第254期2010年第12期计算机与数字工程C om put er＆D i gi t al Engi nee r i ngV01．38N o．124W SN中基于改进自适应遗传算法的移动代理路由算法。
方旺盛黎飞龙(f l Z西理工大学信息工程学院赣州341000)摘要文章针对无线传感器网络能量消耗和延时问题，结合移动代理路由策略，提出了一种改进型自适应遗传算法，利用此算法求出移动代理在网络中的最佳迁移节点序列，以达到优化网络效果。
通过仿真实验结果表明，与标准遗传算法相比，此算法具有更小的网络能量消耗和延时。
关键词无线传感器网络；自适应遗传算法；移动代理；路由算法中图分类号T P301．6M obi l e A ge nt R out i ng A l gor i t hmB as ed on I m pr oved A dapt i ve G enet i c A l gor i t hm i n W SNFang W angsheng L i Fei l ong(F a cul t y of I nf or m a t i on E ngi neer i ng，Ji a ngxi U ni ver s i t y of S c i e nce a nd Techno l ogy，G anzho u341000)A bst r act A f t e r c om bi ni ng w i t h t he m obi l e a ge nt r o ut i ng st r at eg y t h r ou gh w i r el e ss s e ns o r net w or ks ene r gy consum p—t i on and de l ays pr obl em，t hi s paper m ent i on s a n i m proved ada pt i ve gen et i c al gori t hm t O f i nd O u t t he opt i m a l node s’se que nc e f or m obi l e ag ent’S m i gr a t i on。
基于改进蚁群算法的WSN移动代理路由算法研究
基于改进蚁群算法的WSN移动代理路由算法研究
徐云剑;彭沛夫;郭艾寅;张桂芳
【期刊名称】《计算机工程与应用》
【年(卷),期】2009(45)4
【摘要】提出了基于改时蚁群算法的无线传感器网络移动代理路由算法,在改进算法中引入了传感节点的剩余能量值、数据处理能力等新的启发因素,从而均衡了网络负载,降低了网络能耗和延时;状态转换规则的改时和自适应全局信息素更新策略的采用克服了基本蚁群算法的不足.仿真实验表明,提出的算法在全局性和收敛速度上均优于其他传统算法.
【总页数】4页(P126-129)
【作者】徐云剑;彭沛夫;郭艾寅;张桂芳
【作者单位】湖南师范大学,物理与信息科学学院,长沙,410081;湖南涉外经济学院,长沙,410205;湖南师范大学,物理与信息科学学院,长沙,410081;湖南涉外经济学院,长沙,410205;湖南师范大学,数学与计算机科学学院,长沙,410081;湖南涉外经济学院,长沙,410205
【正文语种】中文
【中图分类】TP393
【相关文献】
1.WSN中基于冗余度的移动代理路由算法 [J], 党小超;徐月娇;郝占军
2.WSN中基于改进自适应遗传算法的移动代理路由算法 [J], 方旺盛;黎飞龙
3.遗传蚁群算法的WSN移动代理路由算法研究 [J], 张丽虹
4.基于混沌蚁群的WSN移动代理路由算法 [J], 李方宇; 葛斌; 张岩
5.基于混沌蚁群的WSN移动代理路由算法 [J], 李方宇;葛斌;张岩
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进蛙跳算法的WSNs路由协议
基于改进蛙跳算法的WSNs路由协议吴清;吴开军【摘要】在分析已有的各类分簇方法后,提出了一种改进蛙跳算法的无线传感器网络(WSNs)路由协议.将模拟退火(SA)算法的Metropolis判别准则引入到蛙跳算法中,改进蛙跳算法的局部搜索能力.该协议结合传感器节点本身剩余能量和位置建立适应度函数,通过改进蛙跳算法实现适应度函数的最优求解,从而获得合适的分簇,并在簇头节点数据传输时采用新的路由方式.仿真实验表明:该方法在降低网络能耗,延长网络的生存周期方面有明显的优势.【期刊名称】《传感器与微系统》【年(卷),期】2016(035)007【总页数】3页(P126-128)【关键词】无线传感器网络;模拟退火;蛙跳算法;分簇;生存周期【作者】吴清;吴开军【作者单位】上海海洋大学信息学院,上海201306;上海海洋大学信息学院,上海201306【正文语种】中文【中图分类】TP391为了降低无线传感器网络(WSNs)中传感器节点能量消耗，提高传感器节点的利用率，许多学者对传感器节点路由算法进行了大量研究，提出了许多有效的路由协议[1]。
其中，比较经典的协议有：LEACH路由协议[2～5]，EECS路由协议[6]，PEGASIS协议[7]等。
LEACH协议在簇头选举时是随机产生，没有考虑簇头节点的剩余能量跟位置，可能导致部分簇头节点过早死亡，从而导致整个网络死亡[8]。
本文提出改进蛙跳算法的分簇机制，通过改进的蛙跳算法寻求最优解，对WSNs分簇进行优化，使整个传感器节点能耗均衡，延长整个网络生存周期。
混合蛙跳算法[9](SFLA)是由美国学者Eusuff和Lansey于2003年提出一种结合粒子群优化(PSO)算法和模因演化算法的优点的一种新的群体算法。
该算法具有较好的通用性、灵活性、计算速度快且全局搜索能力强、易于实现等优点，SFLA已经在很多领域得到应用[10，11]。
蛙跳算法是一种模仿青蛙群体寻找食物的群体协同搜索算法，设青蛙的群体规模为N，初始种群X=(X1,X2,…,Xn)，计算每个个体适应度值f(xi)，根据计算出来的适应度值大小按递减顺序排序。
基于改进蛙跳算法的无线传感器网络覆盖优化
基于改进蛙跳算法的无线传感器网络覆盖优化
李响;郑瑞娟
【期刊名称】《计算机测量与控制》
【年(卷),期】2014(22)6
【摘要】针对传统算法在解决无线传感器网络覆盖优化上存在的覆盖率较低和节点分布不够均匀的问题,提出了一种改进的蛙跳算法;为了同时达到增加算法的种群多样性和加快算法收敛速度的目的,改进蛙跳算法分别增加了个体高斯学习机制和根据粒子群思想改进的更新策略,让族内最差个体在自身附近进行局部搜索,若无效,则使族内最差个体同时向族内最优个体和全局最优个体学习;在性能评估实验中,对改进的蛙跳算法分别进行了标准函数测试和无线传感器网络覆盖优化测试;测试结果表明,在6个标准测试函数中,改进的蛙跳算法与其他算法相比在4个测试函数上的收敛精度有了明显提高;在无线传感器网络覆盖优化中,改进的蛙跳算法也能够使节点分布更加均匀,使网络覆盖率达到了85.6％.
【总页数】4页(P1993-1995,1998)
【作者】李响;郑瑞娟
【作者单位】开封大学软件学院,河南开封475004;河南科技大学信息工程学院,河南洛阳471023
【正文语种】中文
【中图分类】TP398.1
【相关文献】
1.基于改进粒子群算法的无线传感器网络覆盖优化 [J], 梁俊卿
2.基于改进蚁群算法的无线传感器网络栅栏覆盖优化研究 [J], 毛科技;方凯;戴国勇;金洪波;邬锦彬;陈庆章
3.基于改进鱼群算法的无线传感器网络K重覆盖优化策略 [J], 秦俭
4.基于改进粒子群的无线传感器网络覆盖优化算法 [J], 林威建;郝泳涛
5.基于改进粒子群算法的无线传感器网络覆盖优化研究 [J], 许辉
因版权原因，仅展示原文概要，查看原文内容请购买。
WSN中一种改进的节点部署方案
WSN中一种改进的节点部署方案张凯【摘要】The sensor deployment is one of the fundamental problems in wireless sensor networks,which affects the sensing area of nodes and the quality of service of information transmission.The existing deployment algorithms require the extra detection and repair the covered holes on the boundary,so the cost of deployment is high and the distribution of nodes is uneven.To solve this problem,this paper proposes an improved scheme of sensor deployment,firstly,the scheme processes the border deployment in order to ensure the complete coverage and connectivity,then the new region is generated based on the new convex polygon generation algorithm,finally,the improved scheme is recursive called in the new region,until the entire sensing area of nodes is completely covered.The theoretical analysis and simulation results show that our scheme is better than the existing deployment schemes in terms of the number of nodes in the deployment and the scalability.%节点部署是无线传感器网络的基本问题之一,关系到网络的感知范围和信息传输服务质量。
基于改进混合蛙跳的移动传感网络拓扑结构优化研究
基于改进混合蛙跳的移动传感网络拓扑结构优化研究
蔡绍堂;乐英高;胡骏;麻硕琪;曹莉
【期刊名称】《自动化与仪表》
【年(卷),期】2018(33)8
【摘要】该文提出了一种基于改进混合蛙跳算法的移动传感网络拓扑结构优化设计.该改进算法重新设计了群组内更新策略,采用随机双向更新策略,采用同一概率周期性随机选择簇头.通过算法仿真和结果分析,改进混合蛙跳算法与混沌量子粒子群算法、混沌人工蜂群算法相比,在网络总能耗、负载均衡率、分组平均投递率、网络覆盖率、网络存活节点个数等方便表现其优越性,其中剩余平均能量比CQPSO、CABC提高了20％和9％.
【总页数】6页(P89-93,108)
【作者】蔡绍堂;乐英高;胡骏;麻硕琪;曹莉
【作者单位】四川理工学院人工智能四川省重点实验室,自贡 643000;四川理工学院人工智能四川省重点实验室,自贡 643000;四川理工学院材料腐蚀与防护四川省重点实验室,自贡 643000;四川理工学院人工智能四川省重点实验室,自贡 643000;四川理工学院机械工程学院,自贡 643000;四川理工学院人工智能四川省重点实验室,自贡 643000
【正文语种】中文
【中图分类】TP393
【相关文献】
1.改进混合蛙跳算法在无线传感网定位中的应用 [J], 冯晨;张玲华
2.改进的混合蛙跳算法在传感器配置优化中的应用 [J], 刘晓芹;黄考利;安幼林;吕晓明
3.基于改进混合蛙跳算法的移动机器人路径规划 [J], 潘桂彬;潘丰;刘国栋
4.改进的混合蛙跳移动机器人路径规划算法 [J], 潘桂彬;刘国栋;张世龙
5.基于离散混合蛙跳算法的RV减速器结构优化 [J], 张宇;赵转哲;赵帅帅;刘永明;何康
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｍ ｏ ｅ ｆ ｍｏ ｉ ｏ ｅ ｓ ｓ ｔｕ ｃ ｏ ｄ ｎ ｏ ｔ ｅ ｎ ｄｅ ｏ ａｉ ｎ ｏ ａ ｉ ｎ Ｓｉ ｌ ｔ ｎ ｒ ｓ ｌｓｓ ｏ ｔ ｔｔ ｍｐ ｏ ｅ ＦＬＡ ｓ ｓｒ ｎ ｅ ｌ ｂ ｌ ｄ ｌｏ ｂ ｌ ｎ ｄ ｓ ｉ ｅ ｐ ａ ｃ ｒ ｉ ｇ ｔ ｈ ｏ ｓ ｌ ｃ ｔ ｅ ｏｎ ｉ ｆ ｒ ｔｏ ． ｍｕ ａ ｉ ｅ ｕ ｔ ｈ ｗ ｍ ｏ ｈａ ｈｅ ｉ ｒ ｖ ｄ Ｓ ｈａ ｔｏ ｇ ｒ ｇ ｏ ａ
ＬＯＮＧ ｎｇ， ＵＮ ｉ， Ｔｅ Ｓ Ｈｕ ＺＨＡＯ ｉ２ Ｊａ
（． ｃ ｏ ｌ ｆＩ ｆｒ ｔ ｎＥｎ ｉｅ ｒｎ Ｎａ ｃ ａ ｇＨａ ｇ ｏ ｇＵｎｖ ｒｉ ， ｎ ｈ ｎ ３ ０ ３ Ｃｈｉａ １ Ｓ ｈ ｏ ｎｏ ｍａｉ ｇｎ ｅｉｇ， ｎ ｈ ｎ ｎ ｋ ｎ ｉｅｓｔ Ｎａ ｃ ａ ｇ３ ０ ６ ， ｏ ｏ ｙ ｎ，
Ｒｅ ｅ ｒ ｈ ０ ｏ ｉ ｄ ｐ ｏ ｍ ｅ ｔ ｎ Ｗ Ｓ ｓ ａ ｃ ｆ Ｍ ｂ ｌ Ｎｏ ｅＤｅ ｌ ｙ ｎ ｅ ｉ Ｎ Ｂａ ｅ ｎ Ｉ ｐ ｏ ｅ ｏ ａ ｉ ｇＡｌ ｏ ｉｈ ｓ ｄ ０ ｍ ｒ ｖ ｄ Ｆｒ ｇ Ｌｅ ｐ ｎ ｇ ｒ ｔ ｍ
［ ｓｒ ｃ］Ａｉ ｎ ｔｔｅｔ ｄｔ ｎ ｌ ｅ ｌｙ ｎ ￣ｏ ｓｏ ｂｌ ｎｄ ｓｉ Ｗｉ ｌｓ ｅ ｓｒＮ ｔ ｒ（ Ｓ ，ｈ ｒ ｒ ｏ ｒｂｅ ｉｅ Ａｂ ｔａ ｔ ｍｉｇａ ｒ ｉｏ ａ ｄｐｏ ｍｅ ｔ ｈ ａ ｉ ｍｅ ｄ ｆｍｏ ｉ ｏｅ ｎ ｒ ｅｓＳ ｎｏ ｅｗｏｋＷ Ｎ） ｔｅｅａｅｓｍｅｐｏ ｌｍｓｌ ｅ ｅ ｋ
中 圈分类号： Ｐ９ Ｔ ３
基 于 改进 蛙 跳 算 法 的 Ｗ Ｓ 移 动 节 点部 署研 究 Ｎ
龙 腾 ，孙 辉 ，赵 嘉
（． １ 南昌航空大 学信息工程 学院，南昌 ３ ０ ６ ；２ 南昌工程 学院信息工程 学院 ，南昌 ３ ０ ９ ） ３０ ３ ． ３０９
摘
要： 针对传统 无线传感移动 节点部署 方法存在节 点分布 不均匀 、覆盖不完全 等问题 ， 提出一种基于改进混合蛙跳算法（Ｆ Ａ 的移动节 ＳＬ ）
２ Ｓ ｈ ｏ ｏ ｆ ｒ ｔ ｎＥ ｇｎ ｅ ｎ ， ｎ ｈ ｎ ｓ ｔｔ ｏ ｅ ｈ ｏ ｏ ｙ Ｎａ ｃ ａ ｇ３ ０ ９ ， ｈｎ ） ． ｃ ｏ ｌ ｆ ｎｏ ｍａｉ ｎ ｉｅ ｒ ｇ Ｎａ ｃ ａ ｇＩ ｔ ｕｅ ｆ ｃ ｎ ｌｇ ， ｎ ｈ ｎ ３ ０ ９ Ｃ ｉ ａ Ｉ ｏ ｉ ｎｉ Ｔ
点部署方法 。根据节点位置信息建立部署模型 ，利 用改进 Ｓ Ｌ Ｆ Ａ算法求解该模 型，将得 到的解作为节 点最终位置 。仿真实验结果表 明 ， 相 对于微粒群 、虚 拟力 、基 本混合 蛙跳算法 ，改进 Ｓ Ｌ Ｆ Ａ算法可提高 网络覆盖率和降低移动节点能耗 。 关健诃 ：混合 蛙跳算法 ； 子群 优化算法 ；无线传感器 网络 ； 动节点部署 ；虚拟 力算法 粒 移
ｃ ｎ ｅｇ ｎ ｅａ ｉｔ ｈ ｎ Ｐ ｒ ｃｅ Ｓ ｒ Ｏ ｔ ｚ ｔ ｎ Ｐ Ｏ ， Ｆ Ａ， ｒ ａ Ｆ ｒｅ Ａｌｏ ｉ ｍ（ Ａ）ｉ ｈ ｐ ｌ ａ ｏ ｆｄ ｐｏ ｍｅ ｔｏ ｂｌ ｏ ｖ ｒｅ ｃ ｂｌ ｙ ｔ ａ ａ ｉｌ ｗａｍ ｐ ｉ ａｉ （ Ｓ ） Ｓ Ｌ Ｖｉｕ ｌ ｏｃ ｇ ｒ ｉ ｔ ｍｉ ｏ ｔ ｈ ｔ ＶＦ ｎ ｔｅ ａ ｐｉ ｔ ｎ ｏ ｅ ｌｙ ｎ ｆｍｏ ｉ ｃｉ ｅ
第３ ８卷 第 ５期
Ｖ０ ． １３８
・
计
算
机
工
程 Leabharlann ２１ ０ ２年 ３月 Ｍ ａ ｃ ２ ２ ｒ ｈ ０１
Ｎ Ｏ． ５
Ｃｏ ｐｕ ｅ ｇｉ ｅ ｉ ｍ ｔｒＥｎ ｎｅ ｒｎｇ
网络 与通信 ・
文章编号： ００ ３２（ １ ０－０９－ １ １０－ ４８ ０２ ５－０６－ 文 ２ ） －３ － ４ 献标识 Ａ 码：
ｎ ｅ ， ｎ ｄ ｃ ｓｔ ｅ ｗａ ｔｄ ｅ ｅ ｇ ｆｔ ｅｍ ｏ ｉ ｏ ｅ ｔ ｈ ａ ｉ ． ｏｄ ｓ ａ ｄ ｒ ｕ ｅ ｓｅ ｎ ｒ ｙ ｏ ｂ ｌ ｎ ｄ ｓ ａ ｅ ｓ ｍｅｔｍｅ ｅ ｈ ｈ ｅ ｔ
［ ｙｗｏ ｄ ］Ｓ ｕ ｅ ｒｇＬ ａｉｇＡｌｏｉ ｍ（Ｆ Ａ ； ａｔ ｌ Ｓ ｒ Ｏｐｉ ｚｔ ｎＰ Ｏ） ｌｏ ｔｍ； ｒｌｓ Ｓ ｎｏ ｔ ｒ（ Ｓ ； ｂｌ Ｋｅ ｒ ｓ ｈ ｆ ｄＦｏ ｅｐｎ ｇ ｒｈ Ｓ Ｌ ） Ｐ ｒｃｅ ｗａｍ ｔ ａｉ （ Ｓ ａｇ ｒｈ Ｗｉ ｅｓ ｅ ｓｒ ｗｏｋＷ Ｎ） ｍｏ ｉ ｌ ｔ ｉ ｍｉ ｏ ｉ ｅ Ｎｅ ｅ
ｂ ｓ ｄｏ ｒ ｖ ｄＳ ｕ ｅ ｒ ｇ Ｌ ａ ｉｇ Ａ ｇ ｒ ｈ Ｓ Ｌ ｉ ｐ ｅ ｅ ｔｄｆｏ ｔ ｅａ ｇｅ ｏ ｌ ｔｌｇ ｎ ｅ ａ ｏ ｉ ｍ． ｐｉ ｌ ｅ ｌｙ ｎ ａ ｅ ｎ ｉ ｏ ｅ ｈ ｆ ｄ Ｆ ｏ ｅ ｐｎ １ｏ ｎ ｍ（ Ｆ Ａ） ｓ ｒ ｓｎｅ ｍ ｎ ｌ ｆＳ ｒ ｉ ｅｌ ｅ ｃ ｌ ｒ ｈ Ａｎ ｏ ｔ ｐｏ ｍｅ ｔ ｍｐ ｌ ｒ ｈ ｗａ ｆ ｎ ｉ ｌ ｇ ｔ ｍａ ｄ