混沌优化细菌觅食算法的传感器节点部署策略
基于混沌人工蜂群算法的无线传感器网络覆盖优化
基于混沌人工蜂群算法的无线传感器网络覆盖优化
文政颖;翟红生
【期刊名称】《计算机测量与控制》
【年(卷),期】2014(22)5
【摘要】针对无线传感器网络随机播撤的节点严重冗余并且导致网络寿命短、覆盖效率不高等缺陷,提出了一种混沌人工蜂群算法的无线传感器网络覆盖优化算法;将节点的利用率和覆盖率作为优化目标函数,建立与之对应的数学模型,之后用混沌人工蜂群算法改善人工蜂群算法陷入局部最优、收敛慢等问题,提高算法收敛速度和精度,对节点覆盖模型进行求解,得出网络最优覆盖方案;通过实验仿真,提出的算法提高了无线传感器网络的覆盖率,覆盖率可达93.48％以上,减少了网络节点冗余,提高了网络寿命,降低了网络成本.
【总页数】4页(P1609-1612)
【作者】文政颖;翟红生
【作者单位】河南工程学院计算机学院,郑州 451191;河南工程学院计算机学院,郑州 451191
【正文语种】中文
【中图分类】TP393
【相关文献】
1.改进人工蜂群算法的无线传感器网络覆盖优化 [J], 李华;卢静
2.基于混沌量子粒子群算法的无线传感器网络覆盖优化 [J], 王伟;朱娟娟;万家山;
乔焰;李旸
3.基于改进人工蜂群算法的WSNs覆盖优化 [J], 王鑫;谭华忠;蒋华
4.基于混沌粒子群算法的无线传感器网络覆盖优化 [J], 刘维亭;范洲远
5.基于人工蜂群算法的WSN覆盖优化研究 [J], 张洁;苏倩;韩忠泰
因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传-细菌觅食组合算法的非线性模型优化
基于遗传-细菌觅食组合算法的非线性模型优化李亚品;邹德旋;段纳【摘要】文中提出一种遗传-细菌觅食组合优化算法以解决非线性模型优化问题.该方法先使用遗传算法进行全局搜索,并缩小最优解的搜索范围;再使用细菌觅食优化算法在该局部范围内执行局部搜索.这种组合搜索策略可以增强算法的收敛性,并能有效地均衡全局搜索和局部搜索.文中利用单峰、多峰和复杂多峰等非线性函数模型验证所提算法的性能.实验结果表明,组合算法的计算精度和效率分别比遗传算法和细菌觅食优化算法提高了30％和50％,表明该组合算法具有更快的收敛速度,更高的求解精度,适用于大规模多极值的非线性问题.【期刊名称】《电子科技》【年(卷),期】2019(032)005【总页数】5页(P16-20)【关键词】遗传优化;细菌觅食优化;组合算法;全局搜索;局部搜索;非线性模型【作者】李亚品;邹德旋;段纳【作者单位】江苏师范大学电气工程及自动化学院,江苏徐州221116;江苏师范大学电气工程及自动化学院,江苏徐州221116;江苏师范大学电气工程及自动化学院,江苏徐州221116【正文语种】中文【中图分类】TP18;TP301遗传算法(Genetic Algorithm，GA)是一类借鉴生物界进化规律演化而来的随机化搜索方法，已经广泛应用于各行各业。
细菌觅食优化(Bacterial Foraging Optimization，BFO)算法是Passino教授在2002年通过模拟大肠杆菌觅食这一仿生学行为所建立的一种优化算法[1]，距今只有十几年时间，研究成果与应用案例较少，国内外对其研究尚处于初始阶段。
对于大型多极值的非线性优化问题，采用遗传算法通常计算速度较慢，计算结果不够精确。
学者们针对这些缺陷进行了广泛的研究，提出了很多改进措施。
邹彦艳等引入了分裂算子来避免遗传算法在寻优过程中陷入局部最优解[2]；王婷等对适应度作了标定，解决了异构多无人机任务分配问题[3]；祝慧灵等基于改进的遗传算法建立了集装箱船舶全航线配载优化模型[4]；雷伟军等基于数控加工问题的特点，提出了一种适用于多模型加工路径规划问题的遗传算法[5]；任乃飞等在标准遗传算法的基础上引入模拟退火算法的Boltzmann 生存机制，将混合遗传算法用于协同制造系统的调度问题[6]；王丽萍等提出了均匀自组织映射遗传算法，弥补了其抽样过于随机的问题[7]；王飞平等改进遗传算法编码、初始种群生成、突变步骤来优化 TTCAN 系统矩阵[8]；郑史雄等在传统遗传算法的基础上引入最小二乘的思想，解决了二维耦合颤振问题[9]。
基于混沌克隆遗传算法的无线传感器网络低能耗分簇方法
基于混沌克隆遗传算法的无线传感器网络低能耗分簇方法杨瑞;周杰
【期刊名称】《石河子大学学报:自然科学版》
【年(卷),期】2022(40)5
【摘要】合理的低能耗分簇是无线传感器网络中的重要问题之一。
为了降低无线传感器网络通信能耗,提升能量利用效率,本文提出一种混沌克隆遗传算法,设计了分簇模型,提出了目标函数用于计算无线传感器网络通信能耗;设计了新的分簇编码方式,以改进低能耗分簇的性能。
设计了新的混沌算子和克隆算子,提升了算法的收敛速度,避免了算法陷入早熟收敛。
实验结果显示,当传感器节点数量增至250时,混沌克隆遗传算法优化后的网络能耗相比常用的粒子群算法和混合蛙跳算法分别降低了0.22%和0.30%,即所提方案降低了无线传感器网络通信能耗,提升了网络能量利用效率。
【总页数】6页(P655-660)
【作者】杨瑞;周杰
【作者单位】石河子大学信息科学与技术学院
【正文语种】中文
【中图分类】TN925
【相关文献】
1.基于混沌粒子群优化的无线传感器网络分簇协议
2.一种基于混沌策略的无线传感器网络分簇路由协议
3.基于混沌小生境狼群算法的高密度无线传感器网络高能效
分簇方法4.基于遗传算法的异构无线传感器网络分簇算法5.基于遗传算法的无线传感器网络非均匀分簇路由协议
因版权原因，仅展示原文概要，查看原文内容请购买。
无线传感器网络节点定位的混沌粒子群优化算法
无线传感器网络节点定位的混沌粒子群优化算法
史洪宇;燕莎;曹建忠
【期刊名称】《探测与控制学报》
【年(卷),期】2010(032)005
【摘要】针对粒子群优化算法收敛速度慢且稳定度不高的问题,把混沌寻优思想引入到粒子群优化算法中,提出一种基于混沌粒子群优化算法的无线传感器网络节点定位算法.该算法首先对当前粒子群中的最优粒子进行混沌寻优, 然后用混沌寻优的结果随机替换粒子群体中的一个粒子,通过迭代搜索最佳坐标.仿真结果表明,在参数合理设置的前提下,该算法性能稳定,并且具有较快的定位速度和较高的定位精度.【总页数】4页(P46-49)
【作者】史洪宇;燕莎;曹建忠
【作者单位】惠州学院,广东,惠州,516007;西安理工大学,陕西,西安,710082;惠州学院,广东,惠州,516007
【正文语种】中文
【中图分类】TP393
【相关文献】
1.一种降低定位误差的无线传感器网络节点定位改进算法 [J], 刘林;范平志
2.基于量子粒子群优化算法的无线传感器网络节点优化 [J], 王艳萍;张惠敏;刘新贵
3.有向异构无线传感器网络节点覆盖率优化算法 [J], 徐忠明;谭励;杨朝玉;唐小江
4.基于蝙蝠优化算法的无线传感器网络节点定位研究 [J], 赖锦辉
5.水下无线传感器网络节点混合定位与优化算法 [J], HOU Senlin;DU Xiujuan;LI Meiju;HUANG Kejun
因版权原因，仅展示原文概要，查看原文内容请购买。
一种优化的细菌觅食算法用以解决全局最优化问题
＝ ｆ Ｌ ＝ １ △， １ 童 １ ～ ， ｒ
此处 ｆ 为０ 或者 １ 的随机定值 ， △ ｚ 为 而 （， ）
／ 、Ａ
‘ ｊ
（） ４
△ｍ ）ｚ・一 ｌ （， ＝唧 ｆ ｌ
此处 随机取 ０ 或者 ｌｚ ，为最 大菌群代数 。
２ 趋化 步长与次数取值 ． ３ 趋化步长 Ｃ是细菌移动 每一步的距离 。步长单位 Ｃ控制菌群的多 样性和收敛性 。一般来说 ， 不应 小于某一特定值 ， Ｃ 这样 能够有效地避 免算法过早 收敛 ， 加算法逃离 局部最小值 的能力 ； 增 然而 ， 过 大时会 ｃ 降低算法 的收敛速度 ， 比如 ， 当最优解位 于一 个狭长 的波谷 中 ， 步长过 长时算法可 能会跳过这个 波谷进行搜索 ， 而丢失寻找 到最优解的机 从
（） １
公式 １ （Ｉ 表示第ｙ 中 ． ） 『 ， 个细菌第 ｆ 次趋化， 第 次复制和第ｚ
如果在 （ １ ， 上的适应度优于在 （，， 上的， ， ） ７ ） 保持
不变进行直 向运动 ， 至找到适应度最佳 的位置 ， 直 或者达到趋化步数 临 界值 。否则产生新 的 ， 进行下一次翻转运动。 １ 复制 ． ２ 细菌周期完成 ， 即达到临界趋化次数时 ， 细菌进行繁衍 。在细菌繁 殖前 ， 每个 细菌个体进行健康度评定 。保 留健康度较好 的半数细菌 ， 对 这些细菌进行一分 为二 的分裂复制 ， 复制后保 留母 细菌原有 的特性 ， 具 有和母细菌 同样的趋化步长与位置等特性。 １ 消除一 ． ３ 驱散 在细菌完成复制操作后 ， 进行消除一 驱散操作 。去 除掉在 复制操作 过程 中健康度较差 的另外半数细菌 ， 以某一概率选 取经过复制操作 再 的细 菌 ， 将其驱 散到其 他位置 。这样 ， 被驱散的细菌具 有了新的位置 ， 也 就有 了不 同 的觅食 能力 。这样可 以增加 菌群跳 出局部最优 的可能 性， 但是此操作也驱散 了已经接近全 局最优 的一些 细菌 ， 了优化进 减缓
连续优化问题的细菌觅食改进算法
连续优化问题的细菌觅食改进算法戴秋萍;马良;郗莹【摘要】为更有效解决连续优化问题,提出了一种基于群体搜索的群智能优化算法——细菌觅食算法.该算法模拟了细菌觅食全过程,并对细菌个体的初始化、趋化操作中的搜索步长和搜索方向进行了改进.改进后的算法有效避免了算法陷入局部最优,而算法中采用的搜索步长,进一步提高了优化的收敛速度.经大量实验仿真表明,细菌觅食算法能够有效地求解连续优化问题.将仿真结果与其它算法对比,证明了细菌觅食算法的搜索质量优于其它算法.【期刊名称】《上海理工大学学报》【年(卷),期】2013(035)002【总页数】4页(P103-106)【关键词】连续优化问题;细菌觅食;局部优化【作者】戴秋萍;马良;郗莹【作者单位】上海理工大学管理学院,上海200093;上海理工大学管理学院,上海200093;上海理工大学管理学院,上海200093【正文语种】中文【中图分类】N945.15经典的优化算法在函数优化问题中，常常要求函数连续可微，因此在求解过程中需要借助一些基于梯度信息的数学技巧，并且在接近最优解时容易出现锯齿现象，造成收敛速度缓慢［1］.20世纪50年代中期，人们从生物进化的机理中得到启发，创立了仿生学，并提出了许多解决复杂优化问题的智能方法，如神经网络、遗传算法［2］、进化策略、蚂蚁算法［3］等，这些方法在连续函数优化问题中取得了较好的结果.本文提出了一种新的智能优化算法——细菌觅食算法对连续函数优化问题进行求解.细菌觅食算法（bacterial foraging optimization，BFO）是由Passino［4］于2002年提出来的一种仿生随机搜索算法，该算法具有群体智能性，并可进行并行搜索.目前，BFO已被用于车间调度问题、自适应控制领域、噪声干扰下的谐波估计问题和PID（proportional integral derivative）控制器的设计等方面，并获得了较好的效果［5-6］.本文对细菌觅食算法操作步骤进行了改进，有效地改善了该算法极易陷入局部最优的缺点，使其在解决复杂连续优化问题时，全局搜索能力大大增强.另外，通过大量仿真实验验证了该算法的有效性.细菌觅食算法是基于大肠杆菌在觅食过程中体现出来的智能行为的一种新型仿生优化算法，其具有群体智能性、并行性等特点.细菌觅食算法包括趋化操作（chemotaxis）、复制操作（reproduction）和迁徙（elimination and dispersal）操作.这3种操作方式是模仿细菌觅食的趋向行为、复制行为和迁移行为的抽象［7-8］.a.趋化操作大肠杆菌在寻找食物源的过程中，其运动是通过表层的鞭毛实现的.当鞭毛全部逆时针摆动时，大肠杆菌将会向前行；当鞭毛全部顺时针摆动时，它会减速至停止.鞭毛的摆动对应着细菌个体对当前适应值的判断，并决定是否对其位置进行调整和确定调整的方向和力度.趋化操作模拟了大肠杆菌的这个运动过程，包括游动和翻转两个操作.设pi（j，k，l）表示细菌个体i的当前位置，j表示第j次趋化行为，k表示第k 次复制行为，l表示第l次迁徙行为.则其中，φ（j）表示游动的方向；C（i）表示前进步长.b.复制操作设群体规模为S，在完成设定次数的趋向操作之后，将群体中的个体按照其适应度值进行排序，将排在后面S／2的个体删除，剩下的个体进行自我复制，保证群体规模的稳定性.c.迁徙操作迁徙操作按照预先设定的一个概率发生，若某一个个体满足迁徙操作发生的条件，那么即将此个体删除，并生成一个新的个体代替.相当于将原来个体重新分配到一个新的位置，即以一定的概率将个体随机驱散到搜索空间.2.1 初始化操作改进在细菌觅食算法中，细菌种群的大小直接影响细菌寻求最优解的能力.种群数量越大，其初始覆盖区域越大，靠近最优解的概率就越大，能避免算法陷入局部极值，但同时增加了算法的计算量.因此，本文将初始化操作进行了改进.改进后，在细菌规模较小的情况下，能比较有效地改善初始化后细菌群体的覆盖范围（见图1、图2）.确定群体规模S之后，将群体搜索的空间分成S个区域，每个细菌个体的初始位置为S个区域的中心点，随即细菌将在各自区域内搜索.由图1可知，细菌个体随机生成时，菌群可能在搜索空间内分布不均，在搜索最优解过程中，极有可能在限定的游动步长内无法找到最优解而陷入局部最优.2.2 趋化操作改进细菌觅食算法中，趋化操作是细菌觅食过程中最重要的一个步骤.基本细菌觅食算法在进行趋化操作时，细菌个体是根据历史信息按固定步长朝着食物源方向游动.在解决连续函数优化问题，尤其是多峰函数优化问题时，传统的操作方式易使得细菌个体错过最优解，本文对趋化搜索方式进行了改进.将细菌个体所在区域切分为n×n块，每个细菌在进行翻转操作时，仅在细菌周围的8个方向中随机选取，游动过程中每游动一次前进步长缩短为原来步长的0.8倍，C（i）=0.8C（i）.当细菌个体游动次数并未达到设定游动次数时，细菌将再进行一次翻转操作.趋化操作步骤：a.确定细菌个体i，确定游动方向φ（j）.b.细菌游动pi（j+1，k，l）=pi（j，k，l）+ C（i）φ（j）.c.判断当前位置是否更优，是则个体i被新个体取代，继续步骤b，步长C（i）变为0.8C（i）.d.判断是否达到设定游动次数，未达到转步骤a，达到游动次数细菌个体i趋化操作结束.2.3 复制操作改进细菌觅食过程中，一段时间后，细菌会根据个体位置的适应度值进行优劣排序.排在后面的S／2个细菌死亡，而排在前面的S／2个细菌进行自我复制，随即细菌往较小范围聚集.在求解多峰连续优化问题时，菌群极有可能跳过最优解而陷入局部最优.本算法将细菌个体首先随机与邻域周围的一个细菌进行交叉变异，变异后的细菌个体适应度值若优于原个体，原个体将被替代.通过一次改进后的复制操作后，整个菌群完成一次更新，菌群规模不变，每个细菌个体仅在各自区域及邻域内进行变异和适应度值比较，从而有效地防止了菌群向较小范围内聚集.改进后的复制操作不再只是觅食能力强的细菌个体单纯的自我繁殖过程，整个菌群群体都朝着更优的方向游动，提高了菌群整体的寻优能力.改进后复制操作过程如图3所示.前述细菌觅食算法采用Matlab 7予以实现，在PC系列机的Windows 7系统环境下运行通过.本文通过大量实例验证了此改进算法的有效性，下面给出4个算例及求解结果分析（见图4～7，图5～7见下页）.算法相关参数设定：细菌规模为225，趋向操作数为10，复制操作数为4，迁徙操作数为2.算例1由函数示意图可知，该函数最优解处于中间区域，周围有很多局部极值围绕着最优解，用传统的细菌觅食算法陷入局部最优的可能性非常大.元胞蚁群算法、混沌算法均可得到最优解1，LINGO软件得到的最优解为0.646 848 8，Matlab优化工具得到的结果为0.990 3.算例2该问题的最优解被最差解包围，4个局部值点为（-5.12，5.12）、（-5.12，-5.12）、（5.12，5.12）、（5.12，-5.12），函数值均为2 748.78.运行改进后的细菌觅食算法求解该问题能够有效地获得最优解.算例3该函数在（1，1）处有最小值0，且在最优解附近存在病态，用常规方法容易陷入局部最优，难以搜索到最优解.算例4该算例可看出是典型的多峰函数，运用传统算法求解最优解相当困难.遗传算法目前所求最优解为38.827 533，运行LINGO软件与Matlab得到的解均小于38. 表1为该算法求解上述函数运行30次后的结果分析.其中平均偏差率为算法运行30次解的平均值与最优解的比值.首先对细菌初始化操作进行了改进，改变了传统的细菌觅食算法中的初始方式，使得菌群规模较小的情况下，能有较大的覆盖面.此外，本算法对细菌个体的搜索方式也进行了适当改进，增强了个体的局部搜索能力.为防止菌群在复制操作中过快地向小范围聚集而陷入局部最优，菌群进行变异性复制，不仅保证了菌群整体朝更优方向游动，同时大大提高了此算法的全局搜索能力.通过实验表明，改进后的细菌觅食算法在求解连续优化问题时，稳定性好，能够快速有效地找到最优解.通过与其它算法相比可得出以下结论：a.改进后的细菌觅食算法改进了传统细菌觅食算法的缺点，有效地改善了传统算法的收敛速度和全局寻优能力，所获最优解质量得到改善.b.改进后的细菌觅食算法能够有效解决连续优化问题，为连续优化问题提供一种新的解决方法.【相关文献】［1］马良，朱刚，宁爱兵.蚁群优化算法［M］.北京：科学出版社，2008.［2］张惠珍，马良.基于变尺度混沌优化策略的混合遗传算法及在神经网络中的应用［J］.上海理工大学学报，2007，29（3）：215-219.［3］邱模杰，马良.约束平面选址问题的蚂蚁算法［J］.上海理工大学学报，2000，22（9）：61-62.［4］ Passino K M.Biomimicry of bacterial foraging for distributed optimization and control［J］.IEEE Control Systems Magazine，2002，22（3）：52-67.［5］梁艳春，吴春国，时小虎，等.群体智能优化算法理论与应用［M］.北京：科学出版社，2009.［6］张娜.细菌觅食优化算法求解车间调度问题的研究［D］.吉林：吉林大学，2007.［7］胡海波，黄友锐.混合粒子群算法优化分数阶P／D控制参数研究［J］.计算机应用，2009，29（9）：2483 -2486.［8］李亚楠.菌群优化算法的研究［D］.哈尔滨：哈尔滨工业大学，2009.。
《2024年基于细菌群觅食优化算法的电液位置系统PID参数寻优研究》范文
《基于细菌群觅食优化算法的电液位置系统PID参数寻优研究》篇一一、引言在工业自动化和机器人技术中，电液位置系统作为重要的执行机构，其性能优化显得尤为重要。
PID（比例-积分-微分）控制器因其简单、稳定和响应快速的特点，广泛应用于电液位置系统的控制中。
然而，PID参数的合理配置一直是控制领域的重要问题。
传统的方法往往依赖于试错法或经验调整，这不仅效率低下，而且难以保证最佳的控制效果。
近年来，随着智能优化算法的发展，越来越多的研究者开始尝试利用这些算法对PID参数进行优化。
其中，细菌群觅食优化算法（Bacterial Foraging Optimization Algorithm, BFOA）以其优秀的全局搜索能力和较强的鲁棒性脱颖而出。
本文旨在研究基于细菌群觅食优化算法的电液位置系统PID参数寻优。
二、电液位置系统概述电液位置系统主要由液压执行机构、传感器和控制器等部分组成。
其工作原理是通过控制器对液压执行机构发出指令，驱动其按照预设的轨迹运动，从而实现位置控制。
PID控制器作为电液位置系统的核心控制部分，其参数的配置直接影响到系统的性能。
因此，对PID参数的优化对于提高电液位置系统的性能具有重要意义。
三、细菌群觅食优化算法细菌群觅食优化算法是一种模拟自然界中细菌觅食行为的智能优化算法。
它通过模拟细菌的趋化性、繁殖和扩散等行为，实现对问题的全局搜索和优化。
BFOA具有强大的全局搜索能力和较好的鲁棒性，可以有效地解决复杂非线性系统的优化问题。
在PID参数寻优中，我们可以将BFOA看作是一种“智能试探”过程，通过不断地试探和调整PID参数，寻找最优的参数组合。
四、基于BFOA的电液位置系统PID参数寻优本部分主要介绍如何将BFOA应用于电液位置系统的PID参数寻优中。
首先，建立电液位置系统的数学模型，并将PID控制器的参数作为优化对象。
然后，利用BFOA对PID参数进行智能试探和调整，通过不断迭代和优化，寻找最优的PID参数组合。
混沌系统控制与同步的细菌觅食和差分进化混合算法
第27卷第6期2010年11月计算物理CHINESE JOURNAL OF COMPUTATIONAL PHYSICSVol.27，No.6Nov.，2010文章编号：1001-246X （2010）06-0933-07收稿日期：2009－09－07；修回日期：2010－03－04基金项目：国家自然科学基金（编号：60974082）资助项目作者简介：姜飞（1984－），女，河北保定，硕士生，主要从事最优理论与方法、决策分析及网格算法的研究.混沌系统控制与同步的细菌觅食和差分进化混合算法姜飞1，刘三阳1，张建科1，2，高卫峰1（1.西安电子科技大学理学院，陕西西安710071； 2.西安邮电学院应用数理系，陕西西安710121）摘要：将混沌系统的控制与同步问题转化为函数优化问题，提出CDEM 算法.把差分进化算法与细菌觅食算法相融合，提高DE 算法的收敛性，并利用遗传变异算子保持种群多样性；利用CDEM 算法求解混沌系统的控制与同步问题.以典型的离散混沌系统Hénon Map 为例进行数值试验，结果表明算法有效、稳定，并分析各个参数对该算法的影响.关键词：混沌系统；差分进化；细菌觅食；变异算子中图分类号：TP271文献标识码：A0引言混沌系统的控制与同步已经成为非线性科学中重要的研究方向之一，在保密通信、工程技术、电子学、生物医学、化学等方面都有极其重要的应用潜力和发展前景［1－6］.近年来，人们提出了许多混沌控制与同步方法，如OGY 方法、迟延反馈控制法、线性和非线性反馈法、PC 法、自适应法等［7－11］.混沌系统的控制与同步问题也可以转化为数值优化问题，故可采用智能优化算法［12－14］，但现有的智能方法搜索效率很低，有待进一步提高.本文利用改进的CDE 算法［15］求解该问题.CDE 算法将细菌觅食算法（Bacteria Foraging OptimizationAlgorithm ：BFOA ）中的趋化算子融入到差分进化（Differential Evolution ：DE ）算法中，具有很强的搜索能力，但当搜索范围比较小时，易出现早熟现象.为克服这一缺点，增强种群的多样性，本文在CDE 算法的基础上结合变异算子，提出了一种新的算法———CDEM 算法.利用CDEM 算法求解混沌动态系统的控制与同步问题，以典型Hénon Map 系统为例进行仿真，验证了CDEM 算法的有效性与稳定性，并分析了各个参数对该算法的影响.1问题描述混沌系统的控制问题，即通过增加一个小而有界的扰动引导离散动态混沌系统进入预定的目标区域，该问题可以转化为在线的轨道引导问题.本文以典型的Hénon Map 离散混沌系统为例进行研究.1.1混沌系统的控制问题Hénon Map 系统中增加小的扰动u （k ）∈R n 可用x （k +1）=f （x （k ））+u （k ），k =0，1，2，…，N －1（1）表示，其中x （k ）∈R n ，f ：R n →R n 连续可微，‖u （k ）‖<μ，μ>0且为常数.不失一般性，假设u （k ）只作用在f 的第一个元素，则Hénon Map 系统的控制问题可以描述为（P1）：min ‖x （N ）－x t ‖，s.t.x 1（k +1）=f 1（x （k ））+u （k ），x i （k +1）=f i （x （k ）），i =0，1，2，…，N －1{，|u （k ）|≤μ，计算物理第27卷x （0）=x 0.1.2混沌系统的同步问题反馈的混沌系统的同步，即选择一个反馈矩阵K （k ）∈R n ˑn，使得‖x （N ）－y （N ）‖→0，其中x （0）=x 0≠y （0）=y 0，x （k +1）=f （x （k ）），y （k +1）=f （y （k ））+K （k ）（y （k ）－x （k ））{.（2）混沌同步也可用式（2）描述［16］.同混沌系统的控制问题类似，可假设反馈矩阵只作用在第一个元素，即K 11（k ）≠0，K （k ）的其余元素均为零.为简化运算，令K 11（k ）=K （k ）.则Hénon Map 系统的同步问题可描述为（P2）：min ‖x （N ）－y （N ）‖，s.t.x （k +1）=f （x （k ）），y 1（k +1）=f 1（y （k ））+K （k ）（y 1（k ）－x 1（k ）），y i （k +1）=f i （y （k ）），i =0，1，2，…，N －1{，|K （k ）|≤κ，x （0）=x 0≠y （0）=y 0.但（P2）并不完全等价于系统的同步问题.由于混沌系统对初始状态敏感，当x （N ）≠y （N ）时最终将导致两个系统彼此分离，所以应在线处理（P2）：如果在第kᶄ步，有‖x （kᶄ）－y （kᶄ）‖大于给定的δ，则令x 0=x （kᶄ），y 0=y （kᶄ），重新开始.上述两个问题，需要确定合适的u （k ）和K （k ）使得目标函数值最小.从优化的观点来看，（P1）和（P2）均为带约束的数值优化问题.2CDE 算法和CDEM 算法2.1CDE 算法CDE 算法［15］将自适应的趋化算子融入到DE 算法中，显著提高了DE 算法的收敛性质.在CDE 算法中，首先将测试向量看作细菌，运行趋化算子，进行局部搜索；之后，整个种群进入DE 循环.重复上述操作求得最优解.2.1.1自适应的趋化算子记θ（i ，j ，t ）为第i 个细菌在第j 次趋化第t 次变异时的位置，J （i ，j ，t ）为θ（i ，j ，t ）的目标函数值.N s 为允许细菌做趋化移动的最大次数（本文设N s =4），m 记录细菌做趋化移动的次数（初始值为0）。
细菌觅食优化算法求解物流网络问题
细菌觅食优化算法求解物流网络问题细菌觅食优化算法求解物流网络问题随着全球化和电子商务的迅速发展，物流网络的建设和优化是一个愈发重要的问题。
物流网络的优化不仅可以降低物流成本，提高效率，还可以减少环境污染，提高资源利用率。
然而，物流网络的优化是一个复杂而且多变的问题，需要考虑到货物的运输距离、交通状况、人力资源等众多因素。
传统的物流网络优化方法往往依赖于数学建模和复杂的计算，但这些方法的计算复杂度往往很高，很难在实际应用中得到有效的解决。
为了克服这些问题，研究者们开始寻找新的优化方法，其中一种被广泛应用的方法就是基于生物学的算法。
细菌觅食优化算法就是其中一种。
细菌觅食优化算法是由模拟细菌觅食行为而来的一种算法，它的基本原理是通过模拟细菌在食物中寻找最佳位置的行为来解决实际问题。
在细菌觅食优化算法中，将解空间中的解视作食物，并通过计算每个解的适应度来模拟细菌的感知能力。
根据每个解的适应度，细菌将调整自身的位置，以寻找更适合的食物。
通过不断迭代和更新，最终能够找到问题的最优解。
在物流网络问题中，细菌觅食优化算法可以应用于优化货物的调度和路径选择。
首先，将物流网络表示为图结构，以节点表示仓库和配送点，边表示路径。
然后，通过计算每个路径的适应度来模拟细菌的感知能力。
适应度可以根据路径的长度、运输成本、交通状况等因素来确定。
根据每个路径的适应度，细菌将调整自身的位置，即调整路径的选择和货物的调度计划。
经过多次迭代和更新，细菌觅食优化算法能够找到最优的路径和货物调度方案，从而实现物流网络的优化。
与传统的物流网络优化方法相比，细菌觅食优化算法具有以下几个优点。
首先，细菌觅食优化算法是一种自适应的算法，能够自动地调整路径和货物调度方案。
其次，细菌觅食优化算法具有较高的计算效率，能够在较短的时间内得到较好的解决方案。
再次，细菌觅食优化算法不依赖于复杂的数学建模，更加符合实际应用的需求。
然而，细菌觅食优化算法也存在一些局限性。
物联网中传感器网络的部署与优化方法
物联网中传感器网络的部署与优化方法随着物联网的快速发展，传感器网络在其中起到了关键的作用。
传感器网络是由大量的节点组成的，这些节点通过无线通信相互连接，并将收集到的数据传输给中央服务器。
在物联网中，传感器网络的部署和优化对于系统性能和能源效率至关重要。
本文将探讨物联网中传感器网络的部署和优化方法，以提高系统的性能和能源利用效率。
1. 传感器网络的部署方法传感器网络的部署决定了网络的覆盖范围和数据采集质量。
传感器网络的部署方法可以采用以下几种方式：1.1 均匀部署方法均匀部署方法是指将传感器节点按照一定间距均匀地分布在感兴趣区域内。
这种方法可以提供全方位的覆盖，但可能导致一些区域过度覆盖，从而增加了能源的浪费。
因此，在使用均匀部署方法时，需要合理设置传感器节点之间的间距，以避免过度覆盖。
1.2 簇状部署方法簇状部署方法将传感器网络划分为多个簇，每个簇都有一个簇头节点负责数据的收集和传输。
这种方法可以减少节点之间的通信量，降低能源消耗，并提高数据传输的效率。
在选择簇头节点时，可以考虑节点的能量水平和传输距离，以实现能量均衡和覆盖范围最大化。
1.3 动态部署方法动态部署方法是根据实际需求和环境变化来部署传感器节点。
通过监测环境参数和节点的能量消耗情况，及时调整传感器节点的位置和数量。
这种方法可以根据实际情况进行灵活的调整，提高网络的适应性和灵活性。
2. 传感器网络的优化方法为了提高传感器网络的性能和能源利用效率，可以采用以下几种优化方法：2.1 路由优化方法路由优化方法是通过合理选择传感器节点之间的路径，减少数据传输的距离和能量消耗。
常用的路由优化方法包括最短路径算法、集群路由算法和多路径路由算法等。
这些算法可以根据不同的网络架构和需求选择，以实现高效的数据传输。
2.2 能量管理方法能量管理方法是通过合理利用节点的能量资源，延长网络的生命周期。
常用的能量管理方法包括动态能量分配、能量平衡和能量回收等。
《2024年度基于细菌群觅食优化算法的电液位置系统PID参数寻优研究》范文
《基于细菌群觅食优化算法的电液位置系统PID参数寻优研究》篇一一、引言在工业控制系统中，电液位置系统因其高精度、高响应速度和良好的稳定性而得到广泛应用。
然而，如何优化电液位置系统的控制性能，特别是PID（比例-积分-微分）控制器的参数调整，一直是工业控制领域的重要研究方向。
传统的方法往往依赖于经验丰富的工程师手动调整或采用简单的优化算法，这些方法在处理复杂系统和多变的环境时存在诸多局限。
因此，寻求更高效的参数寻优方法成为了当务之急。
近年来，细菌群觅食优化算法（Bacterial Foraging Optimization Algorithm, BFOA）因其在寻优过程中的优异表现受到了广泛关注。
本文提出将细菌群觅食优化算法应用于电液位置系统的PID参数寻优，旨在提高系统的控制性能和稳定性。
二、细菌群觅食优化算法概述细菌群觅食优化算法是一种模拟自然界中细菌觅食行为的优化算法。
该算法通过模拟细菌的趋化性、繁殖和随机游走等行为，在搜索空间中寻找最优解。
BFOA具有以下优点：一是具有较强的全局搜索能力，能够快速找到最优解的大致范围；二是局部搜索精度高，能够在找到大致范围后进行精细搜索；三是算法简单易实现，适用于各种复杂系统和多变的环境。
三、电液位置系统PID参数寻优研究本文将BFOA应用于电液位置系统的PID参数寻优。
首先，根据电液位置系统的特点和控制要求，确定PID控制器的三个参数：比例系数Kp、积分系数Ki和微分系数Kd。
然后，将BFOA 应用于这三个参数的寻优过程。
具体步骤如下：1. 初始化：设定BFOA的参数，如细菌种群数量、游走步长、趋化性规则等。
同时，设定PID控制器的初始参数值。
2. 评价函数设计：根据电液位置系统的性能指标（如位置误差、响应时间等），设计评价函数。
评价函数用于衡量PID参数的优劣，是BFOA寻优过程的关键。
3. 模拟细菌觅食行为：根据BFOA的规则，模拟细菌的趋化性、繁殖和随机游走等行为。
细菌觅食优化算法的研究与改进
细菌觅食优化算法的研究与改进细菌觅食优化算法的研究与改进随着计算机科学和生物学的不断发展，人们开始探索将生物现象与计算机算法相结合，以寻找新的问题解决方法。
在这个过程中，细菌觅食优化算法应运而生。
细菌觅食优化算法模拟了细菌在寻找食物的过程，通过模仿细菌的行为，通过进化算法来优化问题的解决方案。
本文将探索细菌觅食优化算法的研究与改进，以及其在实际问题中的应用。
一、细菌觅食优化算法的基本原理细菌觅食优化算法灵感来源于真实世界中细菌的群体觅食行为。
细菌觅食过程主要包括趋化运动、荧光成像和滞留趋化三个阶段。
在趋化运动阶段，细菌通过运动来寻找食物。
荧光成像阶段主要是细菌根据环境中剩余食物的浓度情况进行判断，以便向食物浓度高的区域聚集。
在滞留趋化阶段，细菌会在食物附近停留，直到找到食物。
细菌觅食优化算法主要包括三个步骤：初始化种群、选择操作和更新种群。
首先，根据问题的维度和范围，初始化一定数量的细菌个体。
每个细菌个体都有一个状态向量和一个适应度值。
然后，根据每个细菌的适应度值，选择一定数量的细菌进行进化。
进化的过程包括变异和交叉操作，以获得新的细菌个体。
最后，根据进化后的细菌个体来更新种群，并继续下一轮的进化。
通过多轮的进化，细菌个体的适应度值逐渐提高，找到最优解的几率也会增加。
二、细菌觅食优化算法的改进方向尽管细菌觅食优化算法在一些问题上取得了不错的结果，但在一些复杂问题上仍然存在一些局限性。
为了进一步提高算法的性能，需要对算法进行改进。
以下是几个改进方向：1. 改进选择操作目前细菌觅食优化算法中的选择操作通常是基于轮盘赌选择，即根据细菌的适应度值来进行选择。
但这种方法可能导致一些细菌个体被选择过多或过少，从而影响算法的进化效果。
因此，可以考虑引入其他选择操作，如锦标赛选择、随机选择等，通过不同的选择策略来增加算法的多样性。
2. 引入多种变异操作目前细菌觅食优化算法的变异操作通常是随机生成一个新的状态向量。
基于细菌觅食优化算法的WSNs节点部署策略
基于细菌觅食优化算法的WSNs节点部署策略
朱瑞金;王联国
【期刊名称】《传感器与微系统》
【年(卷),期】2014(033)009
【摘要】为了提高传感器节点的有效覆盖率,提出了一种基于细菌觅食优化(BFO)算法的节点部署策略.以网络覆盖率为目标函数,在细菌觅食算法的趋向操作过程中,引入碰壁策略,对细菌初始位置进行优化,从而提高算法的收敛速度.算法中的每个细菌都代表一只传感器,多个细菌组成的一个菌落代表一种传感器的部署方案.算法以菌落为单位做复制操作和迁徙操作,按照菌落适应度值大小选出较为优越的部署方案.通过仿真实验,分析了参数对算法性能的影响,并与其他方法的优化结果进行比较,结果表明:该算法有效地提高了传感器节点覆盖率.
【总页数】4页(P128-131)
【作者】朱瑞金;王联国
【作者单位】甘肃农业大学工学院,甘肃兰州730070;甘肃农业大学信息科学技术学院,甘肃兰州730070
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于人工鱼群和微粒群混合算法的WSN节点部署策略 [J], 孙伟;朱正礼;郑磊;侯迎坤
2.基于改进的微粒群算法的WSN节点部署策略 [J], 郑磊;朱正礼;侯迎坤
3.基于WSN的井下定位锚节点部署策略研究 [J], 安超; 魏长军
4.山地农业中WSN确定节点部署策略 [J], 司永洁
5.一种基于数据融合的WSN节点部署策略 [J], 石婷婷;杨云;陈拥军;陈洁;张赟因版权原因，仅展示原文概要，查看原文内容请购买。
基于混沌猴群算法的传感器优化布置
基于混沌猴群算法的传感器优化布置彭珍瑞;赵宇;殷红;彭宝瑞【摘要】针对猴群算法收敛速度慢,易陷入局部最优等缺点,将混沌搜索策略引入猴群算法,提出了一种求解桥梁传感器优化布置问题的混沌猴群算法.该算法利用混沌变量产生初始猴群,并按照混沌原理加以扰动来增强猴群的多样性,提高算法全局搜索能力.对一座悬索桥进行传感器优化布置,结果表明:混沌猴群算法可以解决桥梁传感器优化布置问题,且较猴群算法寻优能力强.【期刊名称】《传感器与微系统》【年(卷),期】2014(033)010【总页数】4页(P104-107)【关键词】桥梁;传感器优化布置;猴群算法;混沌【作者】彭珍瑞;赵宇;殷红;彭宝瑞【作者单位】兰州交通大学机电工程学院,甘肃兰州730070;兰州交通大学机电工程学院,甘肃兰州730070;兰州交通大学机电工程学院,甘肃兰州730070;兰州大学土木工程与力学学院,甘肃兰州730000【正文语种】中文【中图分类】TU973;O329传感器优化布置问题是整个桥梁结构健康监测系统需要解决的问题之一，即如何用有限数量的传感器从被噪声污染的信号中采集到最充分和最有价值的反映桥梁健康状况的信息。
将最少的传感器布置在最合理的位置获取最全面的信息是典型的组合优化问题。
目前文献中出现的传感器优化布置方法种类繁多，很难将其毫无遗漏地归纳分类[1]。
大致可将传感器的优化布置方法可分为传统优化方法和非传统优化方法。
传统优化方法，如有效独立法(EFI)、运动能量法(KEM)、Guyan模型缩减法等。
非传统算法主要是基于现代智能优化算法，有遗传算法、模拟退火算法、微粒群算法等，这些非传统算法能较好地解决组合优化问题，但是，单纯地利用某一种算法易早熟、陷入局部最优。
新近出现的猴群算法(monkey algorithm，MA)是一种模仿猴群爬山行为的智能优化算法，模拟猴子爬山过程中的爬、望、跳等动作实现最优解的搜索[2]。
王靖然等人设计了能够求解离散变量优化问题的离散猴群算法(discrete monkey algorithm，DMA)，并将其应用于输电网扩展规划问题中达到了较好的计算结果[3]。
群体智能优化算法-细菌觅食算法
第十四章 细菌觅食优化算法14.1 介绍Passino 等人[1]于2002年通过模拟人体内大肠杆菌的觅食行为，提出了一种新型智能优化算法：细菌觅食优化算法(Bacterial Foraging Optimization Algorithm ，BFOA)。
细菌觅食优化算法通过细菌群体之间的竞争与协作实现优化，是一种基于细菌群体的搜索技术。
在群智能算法中，GA 、ACO 、PSO 、AFSA 都是基于高等生物作为启发对象，而BFOA 算法则是模拟微生物的行为而形成的一种较新的优化方法。
14.2 BFOA 的基本原理与流程BFOA 算法是一种全局随机搜索的算法，其具有简单、收敛速度快，并且在优化过程中无需优化对象的梯度信息的特点。
BFOA 模拟细菌群体的过程包括趋向性（Chemotaxis ）、复制（Reproduction ）、迁徙（Elimination-dispersal ）三个步骤。
14.2.1 趋向性操作细菌向有利于自身环境的区域移动称为趋向运动，其中，一次趋向性操作包括翻转运动和游动运动。
细菌向任意方向移动单位步长称为旋转运动；细菌沿着上一步的运动放向移动单位步长称为游动运动。
通常，细菌在环境差的区域（如：有毒区域）会较频繁地旋转，在环境好的区域（如：食物丰富的区域）会较多地游动。
大肠杆菌的整个生命周期就是在游动和旋转这两种基本运动之间进行变换，游动和旋转的目的是寻找食物并避开有毒物质。
设细菌种群大小为S ，细菌所在的位置标示问题的一个候选解，细菌i 的信息用D维向量标示为12,,,i i i iD θθθθ⎡⎤=⎣⎦L ，i =1,2,...,S ，θi (j ,k ,l )表示细菌i 在第j 次趋向性操作、第k 次复制操作和第l 次迁徙操作后的位置。
细菌i 通过式（1）更新其每一步趋向性操作后的位置。
(1,,)(,,)()()i i j k l j k l C i j θθ+=+Φ（1）其中C(i )>0表示向前游动的步长，Φ(j )表示旋转后随机选择的单位方向向量。
细菌觅食优化算法的研究与改进
Ｂ ｉ ｓ ｗ ａ ｓ ， Ｋ ｉ ｍ等人组成 的研究 团队对 Ｂ Ｆ Ｏ算法进行 了一系列
ｏ ｐｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ． Ｔｏ ｃ ｏ ｒ ｒ ｅ ｃ ｔ ｔ ｈｅ ｄ ｅ ｆ ｅ ｃ ｔ ｓ ｓ ｕ ｃ ｈ ａ ｓ ｔ ｈ ｅ ｓ ｌ ｏ ｗｅ ｒ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ｓ ｐ ｅ ｅ ｄ，ｔ ｈ ｅ ｐ ｏ ｏ ｒ ａ ｃ ｃ ｕｒ ａ ｃ ｙ，ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ
ａ ｃ ｃ ｕｒ ａ ｃ ｙ・
Ｋ Ｅ ＹＷＯＲＤ Ｓ： Ｓ ｗ ａ ｒ ｍ ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｃ ｅ ；Ｂ ａ ｃ ｔ ｅ ｒ ｉ ａ ｌ ｆ ｏ ｒ ａ ｇ ｉ ｎ ｇ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ （Ｂ Ｆ Ｏ） ；Ｒ ｅ ｐ ｒ ｏ ｄ ｕ ｃ ｔ ｉ ｏ ｎ ；Ｅ ｌ ｉ ｍ ｉ ｎ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ
Ｏｐｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ
Ｌ Ｉ Ｊ ｕ ｎ，Ｄ ＡＮＧ Ｊ ｉ ａ ｎ—Ｗ Ｈ， Ｂ Ｕ Ｆ ｅ ｎ ｇ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ａ ｎ ｄ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｉ ｒ ｎ ｇ ， Ｌ ａ ｎ ｚ ｈ ｏ ｕ Ｊ ｉ ａ ｏ ｔ ｏ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｌ ａ ｎ Ｚ ｈ ｏ ｕ ７ ３ ０ ０ ７ ０ ， Ｃ ｈ ｉ ｎ ａ ） ＡＢ Ｓ Ｔ Ｒ ＡＣ Ｔ： Ｂ ａ ｃ ｔ ｅ ｉ ｒ ａ Ｆ ｏ ｒ ａ ｇ ｉ ｎ ｇ Ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ Ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ（ Ｂ Ｆ Ｏ Ａ）ｉ ｓ ａ ｎ ｅ ｗ ｃ ｏ ｍ ｅ ｒ ｔ ｏ ｔ ｈ ｅ ｆ ａ ｍ ｉ ｌ ｙ ｏ ｆ ｓ ｗ ａ ｍ ｒ ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｃ ｅ
基于细菌觅食算法的故障指示器优化配置研究
基于细菌觅食算法的故障指示器优化配置研究孔涛;贾明娜;怀浩;邱炜;陈羽【摘要】提出了一种配网故障指示器的优化配置方法,通过合理规划故障指示器的数量和位置,使得在保证供电可靠性的前提下最大的降低成本.综合考虑设备投资成本、运行维护费用以及停电损失等因素建立数学模型,并用细菌觅食算法进行求解.针对细菌觅食算法在解决离散域问题时存在的缺陷,通过定义进化域的方法确定细菌的前进方向,改进了其趋化算子,使得算法能很好的解决0~1规划问题,并通过设立电子公告板避免了迁徙算子有一定几率删除最优解的可能性.通过对IEEE 33系统进行仿真证明了该方案的有效性及科学性.%This paper proposes a method of the optimal configuration of fault indicator in distribution network, which is the maximum to reduce costs under the premise of ensuring the power supply reliability, through reasonable planning the number and installation location of fault indicator.With the consideration of equipment investment costs, operation maintenance costs and interruption costs, the mathematical model is solved by bacterial foraging algorithm (BFA).In view of the BFA existed in solving discrete domain, by defining the evolution domain to determine the direction of bacteria to promote chemotaxis solution, which can make it to solve 0~1 programming problem well, and through setting up electronic bulletin board to avoid the migration operator, we have a chance to remove the possibility of the optimal solution.Based on IEEE33 system simulation, the results prove the effectiveness and scientificity of the scheme.【期刊名称】《电测与仪表》【年(卷),期】2017(054)006【总页数】6页(P1-6)【关键词】故障指示器;优化配置;细菌觅食算法;配电网【作者】孔涛;贾明娜;怀浩;邱炜;陈羽【作者单位】山东理工大学电气与电子工程学院, 山东淄博 255049;山东科汇电力自动化股份有限公司,山东淄博 255031;山东理工大学计算机科学与技术学院,山东淄博 255049;山东理工大学电气与电子工程学院, 山东淄博 255049;山东理工大学电气与电子工程学院, 山东淄博 255049【正文语种】中文【中图分类】TM710 引言智能电网已成为目前我国电力行业研究的重中之重，是人们为未来电力系统设定的理想解决方案［1］。
- 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)。
ＥＥＡＣＣ：７２３０
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００４－１６９９．２０１８．０１．０１９
混 沌 优 化 细菌 觅食 算 法 的传 感 器 节 点部 署 策 略 木
王振东 ，陈峨霖 ，胡 中栋
（江西理工大学信 息工 程学院 ，江西 赣州 ３４１０００）
摘 要 ：为了增加节点的有效覆盖率，设计一种混沌优化细菌觅食的节点部署策略。首先使用节点有效覆盖率、节点闲置率
第 ３ｌ卷 第 １期 ２０１８年 １月
传 感 技 术 学 报
ＣＨＩＮＥＳＥ ＪＯＵＲＮＡＬ ＯＦ ＳＥＮＳＯＲＳ ＡＮＤ ＡＣＴＵＡＴＯＲＳ
Ｖ０１．３１ Ｎｏ．１ Ｊａｎ．２０１８
Ｓｅｎｓｏｒ Ｎｏｄｅ Ｄｅｐｌｏｙｍ ｅｎｔ Ｓｔｒａｔｅｇｙ ｏｆ Ｃｈａｏｔｉｃ Ｏｐｔｉｍ ｉｚａｔｉｏｎ ｏｆ Ｂａｃｔｅｒｉａｌ Ｆｏｒａｇｉｎｇ Ａｌｇｏｒｉｔｈｍ
ｎｏｄｅｓ ｃｏｖｅｒａｇｅ ｅｆｆｅｃｔｉｖｅｌｙ ａｎｄ ｈａｓ ｈｉｇｈｅｒ ｎｅｔｗｏｒｋ ｃｏｍ ｐｒｅｈｅｎｓｉｖｅ ｕｔｉｌｉｚａｔｉｏｎ ｒａｔｅ ａｎｄ ｐｒｏｌｏｎｇ ｔｈｅ ｍｏｎｉｔｏｒｉｎｇ ｌｉｆｅ．
Ｋｅｙ ｗｏｒｄｓ：ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋｓ；ｎｏｄｅ ｄｅｐｌｏｙｍｅｎｔ；ｂａｃｔｅｒｉａｌ ｆｏｒａｇｉｎｇ ａｌｇｏｒ ｉｔｈｍ ；ｃｏｖｅｒａｇｅ ｏｐｔｉｍｉｚａｔｉｏｎ
具有更高的网络综合利用率及更长 的监测寿命 。
关 键 词 ：无 线传 感器网络 ；节点部署 ；细菌觅食算法 ；覆盖优化
中 图分类 号 ：ＴＰ３Ｏ１．６
文献标 识 码 ：Ａ
文章 编 号 ：１００４－１６９９（２０１８）０１－０１１０－０９
广泛应用 于地质监测 、环境保护等领 域 的 自组织 多跳无线 传感器 网络 ＷＳＮ（Ｗｉｒｅｌｅｓｓ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋ） 具有部署灵 活 、成本低廉 、覆盖范 围广等 优点 ｜１ｊ，但监 测 区域 的大范 围随机 部署 会 带来 节点 分 布不 均 匀 问 题 ｌ２］，针对该 问题 ，众 多 学者 运用 群智 能 仿生 算 法进 行优化 处理 ｌ３］。文 献 『４］基 于人 工 鱼 群 算 法 构 建 网 络覆盖 模 型 ．通 过模 型求 解 来 优 化 网络 覆 盖 。文献 ［５］利用概 率 感 知模 型将 遗 传算 法 与 粒 子群 算 法 相 结合来优 化 网络 覆 盖 。文献 ［６］提 出使 用 有 效 质 心 和重 叠质心改 进虚 拟力 计算 公 式 和节 点往 复运 动 优 化 网络节点部 署 。为 了克服 粒子 群算 法 容 易 陷入 局 部最 优等 ，后期 收敛速度慢等 缺点 ，文献 ［７］采用混 沌
ＷＡＮＧ Ｚｈｅｎｄｏｎｇ ，ＣＨＥＮ Ｅｌｉｎ，Ｈ Ｕ Ｚｈｏｎｇｄｏｎｇ
（Ｃｏｌｌｅｇｅ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｊｉａｎｇｘｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＳｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｇａｎｚｈｏｕ Ｊｉａｎｇｘｉ ３４１０００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｅｆｆｅｃｔｉｖｅ ｃｏｖｅｒａｇｅ ｒａｔｅ ｏｆ ｓｅｎｓｏｒ ｎｏｄｅｓ，ａ ｎｏｄｅ ｄｅｐｌｏｙｍ ｅｎｔ ｓｔｒａｔｅｇｙ ｂａｓｅｄ ｏｎ Ｃｈａｏｔｉｃ
ｃｏｌｏｎｙ ｃｒｏｓｓｏｖｅｒ ａｎｄ ｍｕｔａｔｉｏｎ ｏｐｅｒａｔｏｒｓ ａｎｄ ｄｙｎａｍｉｃ ｍｉｇｒａｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｂａｃｔｅｒｉａ ｔｏ ｉｍｐｒｏｖｅｄ ｔｈｅ ｂａｃｔｅｒｉａｌ ｆｏｒａ—
ｇｉｎｇ ａｌｇｏｒ ｉｔｈｍ ｆｏｒ ｐｒｏｍｏｔｉｎｇ ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｅｆ ｉ ｃｉｅｎｃｙ．Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ａｌｇｏｒ ｉｔｈｍ ｃａｎ ｏｐｔｉｍｉｚｅｄ
ｆｕｎｃｔｉｏｎ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｏｄｅ１．Ｄｕｒｉｎｇ ｔｈｅ ｏｐｔｉｍ ｉｚａｔｉｏｎ ｐｈａｓｅ，ｓｅｔｔｉｎｇ ｔｈｅ ｂａｃｔｅｒｉａ ｄｅｎｓｉｔｙ ｆａｃｔｏｒ，ｔｈｅ ｂａｃ— ｔｅｒｉａ ｒｅｂｏｕｎｄ ｆａｃｔｏｒ，ｔｈｅ ｔｅｎｄｅｎｃｙ ｓｅｑｕｅｎｃｅ ｏｆ ｃｈａｏｔｉｃ ｄｉｓｔｕｒｂａｎｃｅｓ，ｔｈｅ ｄｙｎａｍｉｃ ｃｈｅｍｏｔａｃｔｉｃ ｓｔｅｐ—ｓｉｚｅ，ｔｈｅ ｂａｃｔｅｒｉａｌ
和剩余能量均衡 函数作为优化 因子构造 目标 函数综 合优化 模型 。在 优化阶段 ，设 置菌群 密度 函数 因子 、细菌碰 壁反 弹因子 、
混沌 扰动的趋向序列 、动 态趋 向步长、菌群交叉和变异算 子及动 态细 菌迁徙概率 等机 制改进细 菌觅食算 法 以提 升优化 效率 。
仿真实验表 明．使用 改进 后的混沌细菌觅食优化策略能够有效优化无线传感器 网络的节点覆 盖 ，使优 化后 的无线 传感器 网络
Ｏｐｔｉｍｉｚａｔｉｏｎ Ｂａｃｔｅｒｉａｌ Ｆｏｒａｇｉｎｇ Ａｌｇｏｒｉｔｈｍ ｉｓ ｐｒｏｐｏｓｅｒａｇｅ ｒａｔｅ ｏｆ ｓｅｎｓｏｒ ｎｏｄｅｓ，ｔｈｅ ｎｏｄｅ ｖａ—
ｃａｎｃｙ ｒａｔｅ ａｎｄ ｔｈｅ ｒｅｓｉｄｕａｌ ｅｎｅｒｇｙ ｅｑｕａｌｉｚａｔｉｏｎ ｆｕｎｃｔｉｏｎ ａｒｅ ｕｓｅｄ ａｓ ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｆａｃｔｏｒｓ ｔｏ ｃｏｎｓｔｒｕｃｔ ｔｈｅ ｏｂｊｅｃｔｉｖｅ
运 动对原始算 法 进 行 了优 化 。文 献 ［８］提 出一 种 在 不 同网络规模 及 连通度 都 可 以明显 提 高传感 器 网络 的节点定位 准确 度 及 网络覆 盖 率 的算 法 。文献 ［９］ 采用 改进蚁群算 法 的方 式优 化 离散 监测 区域 的 网络 覆盖率 。上述群 智能算法在 ＷＳＮ覆盖优化 问题上 取 得 了较大成效 ，但也 存在 诸 如求 解 复杂 度 高 、收 敛 速 度慢 、收敛精度 低 、运算成本大 等问题 。