基于微分进化算法的无线传感器网络若干优化问题研究

发布时间：2021-03-26 14:22

　　物联网、大数据、云计算是未来科技的发展趋势和研究热点,无线传感器网络（WSN）是物联网和大数据的基础设施,也称为物联网的雏形,它由大量具有无线通信与计算能力的无线传感器节点组成,具备信息采集、传送、处理于一体的分布式网络系统,并具有灵活性、自组织、动态性、以数据为中心的特点。WSN的这些特点与物联网、大数据的特点非常相似,因此对WSN的研究具有较强的实际意义和广阔的发展前景。无线传感器网络的部署实施需要考虑节能性和覆盖性,这些需求使得WSN中存在诸多复杂优化问题,例如WSN最长生存时间问题、覆盖问题、最优路径问题等。这些优化问题多数为NP难题,为解决此类复杂优化问题,研究人员发现用大自然为蓝本的模型和象征,以达尔文进化论为基础的进化算法在求解此类问题时表现出较好的效果。微分进化属于进化算法的新兴分支,是一种基于种群的并行迭代优化算法,其性能主要由变异因子,交叉概率因子和种群规模等决定,具有结构简单、收敛迅速、鲁棒性强等优点而受到了广泛的关注和研究,并已应用于模式识别、生物信息、工程优化、组合优化等问题。但是,标准微分进化存在早熟收敛和搜索停滞的缺陷,因此需要对其研究和改进。本文主要研究... 

【文章来源】：东华大学上海市 211工程院校 教育部直属院校

【文章页数】：140 页

【学位级别】：博士

【部分图文】：

优劣交叉示意图Fig.2-1Superior-inferiorcrossoverscheme

东华大学工学博士学位论文图2-2 r的概率密度函数Fig.2-2 Probability density function of r限制。在这种情况下，Cr等于Um= Vm事件的概率。从图2-2可以看出，此事件的概率是（正方形内虚线左边的区域）：r ≤ Cr= P (r ≤ Cr) = Cr众所周知r≤Cr和r>Cr是互斥事件，因此P(r>Cr) = 1 P(r ≤ Cr) = 1 Cr因此，试验向量Um的期望与对应目标向量Xm和变异向量Vm关系可用E (Um)来表示。E(Um) = P(r > Cr) · Xm+ P(r ≤ Cr) · Vm那么U2m的期望也可以得到：E(U2m) = P(r > Cr) · X2m+ P(r ≤ Cr) · V2m基于E (Um) 和 E( U2m) ，可计算Um

定定理理 1 证证明明：：反证法，如图3-2和3-3已知：种群中所有个体横坐标x的取值的最小值为xmin，个体a的坐标为a(xmin,ay)，那么种群中不存在个体k，使得k的横坐标kx＜xmin。假设，存在个体k，使得个体k(kx,ky)支配个体a(xmin,ay)。那么，依据帕累托理论，有kx＜xmin且ky＜ay

【参考文献】：
期刊论文
[1]微分进化求解无线传感器网络中的覆盖问题[J]. 许玉龙,方建安,赵灵冬,崔文霞.  计算机工程与设计. 2014(09)
[2]基于非支配解排序的快速多目标微分进化算法[J]. 许玉龙,方建安,张晗,王晓鹏.  计算机应用. 2014(09)
[3]泊松分布下无线传感器网络多目标覆盖控制[J]. 徐奕昕,白焰,赵天阳,王仁书.  计算机应用. 2013(07)
[4]无线传感器网络中Dv-Hop定位算法的改进[J]. 金纯,叶诚,韩志斌,韩刚,周晓军.  计算机工程与设计. 2013(02)
[5]无线传感器网络的多目标覆盖控制策略[J]. 梁天,周晖,谢静,王坤赤.  传感技术学报. 2010(07)
[6]基于遗传算法的无线传感器网络覆盖问题的多目标优化[J]. 赵永,钟声.  咸宁学院学报. 2010(06)
[7]无线传感器网络技术环境应用进展[J]. 宫鹏.  遥感学报. 2010(02)
[8]基于粒子群算法的WSN路径优化[J]. 袁浩.  计算机工程. 2010(04)
[9]基于遗传算法的无线传感器网络路径优化[J]. 雷霖,李伟峰,王厚军.  电子科技大学学报. 2009(02)
[10]进化多目标优化算法研究[J]. 公茂果,焦李成,杨咚咚,马文萍.  软件学报. 2009(02)

博士论文
[1]基于种群自适应策略的差分演化算法及其应用研究[D]. 朱武.东华大学 2013
[2]改进自适应差分进化算法及其应用研究[D]. 陈亮.东华大学 2012
[3]多目标进化算法及其应用研究[D]. 孟红云.西安电子科技大学 2005



本文编号：3101732