基于蚁群粒子群算法的无线多媒体传感器网络覆盖优化

发布时间：2017-12-20 13:37

  本文关键词：基于蚁群粒子群算法的无线多媒体传感器网络覆盖优化　出处：《太原理工大学》2016年硕士论文　论文类型：学位论文

  更多相关文章： 无线多媒体传感器网络 有向感知模型 覆盖优化 蚁群算法 粒子群算法

【摘要】：无线多媒体传感器网络(Wireless Multimedia Sensor Networks,WMSN)具有感知信息丰富、网络服务质量高等优点,同时存在许多新的问题有待研究,其中网络覆盖能力体现了WMSN对外部信息的获取能力,精确的信息来源是进行其它研究的基础,直接影响到网络的服务质量(Quality of Service,Qo S),覆盖优化作为传感器网络的一个基本问题,是网络性能的重要评价指标,有效的覆盖优化策略能改善WMSN网络覆盖率,提升网络覆盖质量。在保障服务质量的前提下,为了延长网络生命周期,WMSN采用有向传感器节点,根据网络覆盖的要求调整节点的主感知方向和位置。通过随机部署的方式将有向传感器节点播撒在目标区域,会出现较多的覆盖重叠区和覆盖空洞,为解决这一问题,本文提出了基于蚁群粒子群的WMSN覆盖优化算法。蚁群算法(ACO)具有正反馈性、并行性、鲁棒性等优点,在解决复杂的组合优化问题中表现出优势,但是该算法求解时间长,收敛速度慢,容易陷入局部最优;粒子群算法(PSO)有较好的全局搜索能力、能够高效的进行并行计算,适用于处理连续优化以及多点搜索问题,但该算法局部寻优能力弱,容易陷入早熟收敛。本文将蚁群粒子群算法(ACO-PSO)运用到WMSN区域覆盖网络优化中,首先用粒子群算法优化蚁群算法参数,解决蚁群算法参数合理设置问题,然后利用优化参数后的蚁群算法进行局部搜索,在局部区域内寻找最优路径,更新粒子的个体最优与群体最优解,最后用粒子群算法进行全局搜索,经过比较得出全局最优解,根据信息素浓度调整覆盖网络中传感器位置和感知方向,从而实现无线多媒体传感器网络覆盖优化。在WMSN区域覆盖仿真实验中,对比ACO-PSO与单一蚁群算法、粒子群算法解决覆盖优化的能力,实验结果表明该算法较单一算法更具优越性,能有效提升WMSN覆盖率。
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP212.9;TN929.5;TP18

【相似文献】

中国期刊全文数据库 前10条

1 秦玉灵;孔宪仁;罗文波;;混沌量子粒子群算法在模型修正中的应用[J];计算机工程与应用;2010年02期

2 陈治明;;新型量子粒子群算法及其性能分析研究[J];福建电脑;2010年05期

3 牛永洁;;一种新型的混合粒子群算法[J];信息技术;2010年10期

4 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

5 刘衍民;赵庆祯;邵增珍;;一种改进的完全信息粒子群算法研究[J];曲阜师范大学学报(自然科学版);2011年01期

6 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[J];计算机工程与应用;2011年05期

7 熊智挺;谭阳红;易如方;陈赛华;;一种并行的自适应量子粒子群算法[J];计算机系统应用;2011年08期

8 孟纯青;;非线性粒子群算法[J];微计算机应用;2011年08期

9 任伟建;武璇;;一种动态改变学习因子的简化粒子群算法[J];自动化技术与应用;2012年10期

10 刘飞,孙明,李宁,孙德宝,邹彤;粒子群算法及其在布局优化中的应用[J];计算机工程与应用;2004年12期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 王芳;粒子群算法的研究[D];西南大学;2006年

2 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

3 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

8 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

9 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

，

本文编号：1312306