CN105163325A - 异构有向传感器网络部署方法 - Google Patents
异构有向传感器网络部署方法 Download PDFInfo
- Publication number
- CN105163325A CN105163325A CN201510626129.8A CN201510626129A CN105163325A CN 105163325 A CN105163325 A CN 105163325A CN 201510626129 A CN201510626129 A CN 201510626129A CN 105163325 A CN105163325 A CN 105163325A
- Authority
- CN
- China
- Prior art keywords
- network
- solution
- sensor node
- individuality
- hmcr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种异构有向传感器网络部署方法,采用改进和声搜索算法,引入基于种群的概率模型的差分算法的变异机制,以最小化网络部署成本、最大化网络覆盖性能以及最大适应度为优化目标,求得新解,再将求得的新解与原最差解作比较,若新解优于原最差解就用新解替代最差解,循环计算,直至达到最大迭代次数,求解优化部署方案。有益效果:提出改进和声搜索算法,引入差分算法的变异机制,克服了原始和声搜索在解决离散变量优化时容易出现的早熟收敛和搜索能力不强的缺点,同时降低了网络部署的成本,增强了网络监测能力,提高网络服务质量。
Description
技术领域
本发明涉及现代智能控制系统中的无线传感器网络技术,具体的说是一种异构有向传感器网络部署方法。
背景技术
近年来,随着微机电技术的发展,视频传感器、超声波传感器和红外传感器等传感器价格越来越低廉,使得有向传感器网络的应用越来越广泛,被广泛应用在智能停车系统、远程医疗救助和海洋环境监测等场合。覆盖控制作为有向传感器网络的一个基本问题,是反映网络服务质量的重要指标,近年来受到越来越多研究者的重视。虽然对有向传感器网络覆盖问题进行研究,并取得了一定的成果,但所有研究成果均假定节点类型相同,节点各种参数比如感知半径和感知角度都完全一致的同构有向传感器网络,忽略了节点异构性对有向传感器网络覆盖性能的影响。
同时近年来出现了很多将智能算法与传感器网络节点覆盖算法相结合的算法,比如利用遗传算法、粒子群算法、差分算法等智能算法对传感器网络覆盖性能进行优化。可是,这些算法在解决离散变量优化时容易出现“早熟收敛”和陷入局部最小值的缺点,同时算法性能依赖于参数选择,并且随着节点部署规模的增加,其优化效率逐渐降低。
发明内容
针对上述问题,本发明提供了一种异构有向传感器网络部署方法,对异构有向传感器网络覆盖问题进行研究,提出改进和声搜索算法的求解方案,引入差分算法的变异机制,以单位覆盖成本最低为选择节点的标准,结合最大的网络覆盖的优化目标,加强和声搜索算法在多目标优化问题上的性能,解决异构有向传感器节点部署过程中的冗余部署问题,从而降低网络部署成本并提高网络服务质量。
为达到上述目的,本发明采用的具体技术方案如下:
一种异构有向传感器网络部署方法,其关键步骤在于包括以下步骤:
步骤1:网络初始化;
将预设区域视为二维平面,随机部署N个传感器节点其中i=1,2,…,N表示传感器的序号,j=1,2,…,M表示传感器的种类,利用N位二进制编码表示N个传感器节点的状态并将其作为种群优化的个体;
如果则表示传感器节点被选中,处于工作状态;如果则表示传感器节点未被选中,处于休眠状态;
步骤2:为了降低部署成本提高网络覆盖率,以网络部署成本和网络覆盖率作为评价指标,再计算出不同种类不同数量传感器节点组合的部署成本和网络覆盖率,并计算基于网络部署成本和网络覆盖率的个体适应度值;
步骤3:利用二进制和声搜索算法确定传感器节点作为最终的部署策略,克服遗传算法、粒子群算法、差分算法等智能算法容易出现“早熟收敛”和陷入最小值等缺陷,同时二进制和声搜索算法不会因为节点部署规模的增加,而造成优化率降低,该二进制和声搜索算法的具体方法为:
步骤3-1:参数及种群初始化;
从可行域随机产生H个和声初始解放入和声记忆库HM中,设定和声记忆保留概率HMCR的初始值HMCR(0)、和声记忆保留概率HMCR的最小值HMCRmin、最大迭代次数G、差分算法中的缩放因子F以及调整概率的参数b;
步骤3-2:按照公式(1)计算迭代次数为g+1时的和声记忆保留概率HMCR(g+1),g=0~G-1;
步骤3-3:以和声记忆保留概率HMCR(g+1)对第g次迭代后的和声记忆库HM中的每个解的分量进行保留,作为新解的分量,新解的剩余分量从问题的可行域中随机产生;
步骤3-4:为了提高离散和声搜索算法的性能,采用差分算法的变异机制对步骤3-3产生的新解进行扰动;
步骤3-5:按照步骤2计算每一个新解的适应度值,若新解优于和声记忆库HM内的最差解,则用新解替换最差解;
步骤3-6:判断是否达到最大迭代次数G,若达到,则选择第G次迭代后H个解中适应度最佳的个体作为全局最优解进行网络部署,否则,返回步骤3-3继续迭代。
进一步描述,步骤2中个体适应度值的计算步骤如下:
步骤2-1:为了降低部署成本,按照公式(2)计算网络部署成本:
当时,则表示的部署成本需要记入网络部署总成本中;当时,则不必计入网络部署成本中;
步骤2-2:为了使预设区域便于计算和规划,将预设区域视为二维平面后划分为栅格状,总栅格数目为K,被传感器覆盖的栅格数目为K',按照公式(3)计算网络覆盖率:
步骤2-3:按照公式(4)计算种群中各个个体的适应度值D;
其中: u1和l1分别为目标函数f1的上界和下界,F2=-f2,u2和l2分别为目标函数F2的上界和下界。
再进一步描述,设定传感器节点的感知半径为ri j,感知角度为感知方向在[0,2π]上均匀分布,则步骤2-2中,认定栅格被传感器覆盖应满足以下两个条件:
(1)传感器节点与覆盖点之间的距离小于或者等于传感节点的感知半径ri j;
(2)传感器节点到覆盖点的向量与传感器节点工作方向之间的夹角小于或等于其感知角度的一半。
再进一步描述,为了优化二进制和声搜索算法,提高离散和声搜索算法的性能,在二进制和声搜索算法中引入差分算法的变异机制,步骤3-4中采用差分算法的变异机制对步骤3-3产生的新解进行扰动的具体方法为:
步骤3-4-1:按照公式(5)计算迭代次数为g+1时,第h个个体的第i位的取值概率h=1~H,i=1,2,…,N;
其中,F为差分算法的缩放因子,b为调整因子,变量MO按照公式(6)计算;
公式(6)中表示第g次迭代时,H个个体中随机三个个体的第i位的取值,表示第g次迭代时,H个个体中适应度值最高个体的第i位的取值,表示第g次迭代时,个体h的第i位的取值;
步骤3-4-2:按照公式(7)确定第g+1次迭代时,个体h的第i位的取值;
其中,rand()表示区间(0,1)之间的随机数。
本发明显著效果是:提出了一种改进和声搜索算法解决异构有向传感器网络节点成本优化部署方法,通过引入差分算法中的变异机制,并且采用改进的适应度评价体系,将多目标优化求解问题转化为单目标求解问题,提高了算法在多目标求解问题方面的优化能力,降低了部署成本,提高了网络覆盖率。
附图说明
图1是本发明的算法流程图;
图2是有向传感器感知模型;
图3是不同算法传感器节点平均适应度对比图;
图4是不同算法传感器节点网络部署成本对比图;
图5是不同算法传感器节点网络覆盖率对比图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明:
如图1所示,一种异构有向传感器网络部署方法,按照以下步骤进行:
步骤1:网络初始化;
将预设区域视为二维平面,假设该二维平面为A,随机部署N个传感器节点其中i=1,2,…,N表示传感器的序号,j=1,2,…,M表示传感器的种类,利用N位二进制编码表示N个传感器节点的状态并将其作为种群优化的个体;
如果则表示传感器节点被选中,处于工作状态;如果则表示传感器节点未被选中,处于休眠状态;
在具体实施过程中,该二维平面A的大小为40×40,N=300,M=3,即采用300位二进制编码表示300个传感器节点的状态,传感器节点的其他参数如表1所示:
表1传感器参数设置
类型 | 感知半径 | 感知角度 | 部署成本 | 数量 |
1 | 6 | π/6 | 40 | 100 |
2 | 10 | π/4 | 60 | 100 |
3 | 15 | π/3 | 100 | 100 |
步骤2:为了降低部署成本提高网络覆盖率,以网络部署成本和网络覆盖率作为评价指标,并计算基于网络部署成本和网络覆盖率的个体适应度值;
步骤2-1:按照计算网络部署成本:
当时,则表示的部署成本需要记入网络部署总成本中;当时,则不必计入网络部署成本中;
步骤2-2:将预设区域视为二维平面后划分为栅格状,栅格的大小为1×1,二维平面A的大小为40×40,则总栅格数目为K=1600,设定传感器节点的感知半径为ri j,感知角度为感知方向在[0,2π]上均匀分布,具体参数见表1,而要认定栅格被传感器覆盖,需要传感器节点s(xs,ys)和被传感器节点覆盖的覆盖点p(x,y)之间满足以下两个条件,具体如图2所示:
(1)传感器节点s与覆盖点p之间的距离小于或者等于传感节点的感知半径ri j,其数学表达式为:
(2)传感器节点s到覆盖点p的向量与传感器节点工作方向之间的夹角小于或等于其感知角度的一半,其数学表达式为:
根据线性代数中两个向量内积的定义,可以得到结合 可以得到 由借助三角函数的单调性可知,整理上述几个式子可以得到,
根据上述两个条件关系,可以判断出被传感器覆盖的栅格,从而计算出被覆盖的栅格数目K',从而按照计算网络覆盖率;
步骤2-3:按照计算种群中各个个体的适应度值D;
其中: u1和l1分别为目标函数f1的上界和下界,F2=-f2,u2和l2分别为目标函数F2的上界和下界;
根据上述给出的数据计算可得到,l1=0,u2=20000,u2=0,max_coverGrid为所有节点都处于工作状态的时候覆盖的栅格数目;
步骤3:利用二进制和声搜索算法确定传感器节点作为最终的部署策略,具体为:
步骤3-1:参数及种群初始化;
从可行域随机产生H个和声初始解放入和声记忆库HM中,设定和声记忆保留概率HMCR的初始值HMCR(0)、和声记忆保留概率HMCR的最小值HMCRmin、最大迭代次数G、差分算法中的缩放因子F以及调整概率的参数b;
在本实施例中,初始化和声记忆保留概率HMCR的初始值HMCR(0)为区间[0.6,0.8]的随机数,本次取HMCR(0)=0.8,和声记忆保留概率HMCR的最小值HMCRmin=0.6,最大迭代次数G=200,HMS=50,差分算法中的缩放因子F=0.8,调整概率的参数b=8;
步骤3-2:按照 计算迭代次数为g+1时的和声记忆保留概率HMCR(g+1),g=0~G-1;
根据步骤3-1给出的具体数据得:HMCR(g+1)=HMCR(g)-0.0001
步骤3-3:以和声记忆保留概率HMCR(g+1)对第g次迭代后的和声记忆库HM中的每个解的分量进行保留,作为新解的分量,新解的剩余分量从问题的可行域中随机产生;
步骤3-4:为了提高离散和声搜索算法的性能,采用差分算法的变异机制,基于种群概率模型的算法,对步骤3-3产生的新解进行扰动的具体方法为:
步骤3-4-1:按照计算迭代次数为g+1时,第h个个体的第i位的取值概率
其中,F为差分算法的缩放因子,F=0.8,b为调整因子,b=8,变量MO按照下式计算;
上式中表示第g次迭代时,H个个体中随机三个个体的第i位的取值,表示第g次迭代时,H个个体中适应度值最高个体的第i位的取值,表示第g次迭代时,个体h的第i位的取值;
步骤3-4-2:按照确定第g+1次迭代时,个体h的第i位的取值;其中,rand()表示区间(0,1)之间的随机数;
步骤3-5:按照步骤2计算每一个新解的适应度值,若新解优于和声记忆库HM内的最差解,则用新解替换最差解;
步骤3-6:判断是否达到最大迭代次数G=200,若达到,则选择第200次迭代后H个解中适应度最佳的个体作为全局最优解进行网络部署,否则,返回步骤3-3继续迭代。
为了进一步体现本发明的技术效果,下面通过仿真实验与参考文献:Z.W.Geem,J.H.Kim,G.V.Loganathan.Anewheuristicoptimizationalgorithm:harmonysearch[J].Simulation2001,76(2):60-68.所提出的和声搜索算法进行对比。
通过图3可以看出,原始的和声搜索算法平均适应度要低于改进和声搜索算法平均适应度。
从图4可以看出,相同的部署节点数,改进和声搜索算法的部署成本都要比原始和声搜索算法的部署成本低,且原始和声搜索算法的部署成本随着部署节点数的增多而增加,但在改进和声搜索算法中,部署节点增加部署成本基本保持不变。
从图5可以看出,相同的部署节点数,改进和声搜索算法的覆盖率都要比原始和声搜索算法的覆盖率高,且改进和声搜索算法的覆盖率接近1或者等于1,网络覆盖较好。
Claims (4)
1.一种异构有向传感器网络部署方法,其特征在于包括以下步骤:
步骤1:网络初始化;
将预设区域视为二维平面,随机部署N个传感器节点其中i=1,2,…,N表示传感器的序号,j=1,2,…,M表示传感器的种类,利用N位二进制编码表示N个传感器节点的状态并将其作为种群优化的个体;
如果则表示传感器节点被选中,处于工作状态;如果则表示传感器节点未被选中,处于休眠状态;
步骤2:以网络部署成本和网络覆盖率作为评价指标,并计算基于网络部署成本和网络覆盖率的个体适应度值;
步骤3:利用二进制和声搜索算法确定传感器节点作为最终的部署策略,具体为:
步骤3-1:参数及种群初始化;
从可行域随机产生H个和声初始解放入和声记忆库HM中,设定和声记忆保留概率HMCR的初始值HMCR(0)、和声记忆保留概率HMCR的最小值HMCRmin、最大迭代次数G、差分算法中的缩放因子F以及调整概率的参数b;
步骤3-2:按照公式(1)计算迭代次数为g+1时的和声记忆保留概率HMCR(g+1),g=0~G-1;
步骤3-3:以和声记忆保留概率HMCR(g+1)对第g次迭代后的和声记忆库HM中的每个解的分量进行保留,作为新解的分量,新解的剩余分量从问题的可行域中随机产生;
步骤3-4:采用差分算法的变异机制对步骤3-3产生的新解进行扰动;
步骤3-5:按照步骤2计算每一个新解的适应度值,若新解优于和声记忆库HM内的最差解,则用新解替换最差解;
步骤3-6:判断是否达到最大迭代次数G,若达到,则选择第G次迭代后H个解中适应度最佳的个体作为全局最优解进行网络部署,否则,返回步骤3-3继续迭代。
2.根据权利要求1所述的异构有向传感器网络部署方法,其特征在于:步骤2中个体适应度值的计算步骤如下:
步骤2-1:按照公式(2)计算网络部署成本:
当时,则表示的部署成本需要记入网络部署总成本中;当时,则不必计入网络部署成本中;
步骤2-2:将预设区域视为二维平面后划分为栅格状,总栅格数目为K,被传感器覆盖的栅格数目为K',按照公式(3)计算网络覆盖率:
步骤2-3:按照公式(4)计算种群中各个个体的适应度值D;
其中: u1和l1分别为目标函数f1的上界和下界,F2=-f2,u2和l2分别为目标函数F2的上界和下界。
3.根据权利要求2所述的异构有向传感器网络部署方法,其特征在于:设定传感器节点的感知半径为ri j,感知角度为感知方向在[0,2π]上均匀分布,则步骤2-2中,认定栅格被传感器覆盖应满足以下两个条件:
(1)传感器节点与覆盖点之间的距离小于或者等于传感节点的感知半径ri j;
(2)传感器节点到覆盖点的向量与传感器节点工作方向之间的夹角小于或等于其感知角度的一半。
4.根据权利要求1所述的异构有向传感器网络部署方法,其特征在于:步骤3-4中采用差分算法的变异机制对步骤3-3产生的新解进行扰动的具体方法为:
步骤3-4-1:按照公式(5)计算迭代次数为g+1时,第h个个体的第i位的取值概率h=1~H,i=1,2,…,N;
其中,F为差分算法的缩放因子,b为调整因子,变量MO按照公式(6)计算;
公式(6)中表示第g次迭代时,H个个体中随机三个个体的第i位的取值,表示第g次迭代时,H个个体中适应度值最高个体的第i位的取值,表示第g次迭代时,个体h的第i位的取值;
步骤3-4-2:按照公式(7)确定第g+1次迭代时,个体h的第i位的取值;
其中,rand()表示区间(0,1)之间的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510626129.8A CN105163325B (zh) | 2015-09-25 | 2015-09-25 | 异构有向传感器网络部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510626129.8A CN105163325B (zh) | 2015-09-25 | 2015-09-25 | 异构有向传感器网络部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105163325A true CN105163325A (zh) | 2015-12-16 |
CN105163325B CN105163325B (zh) | 2018-03-13 |
Family
ID=54804058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510626129.8A Active CN105163325B (zh) | 2015-09-25 | 2015-09-25 | 异构有向传感器网络部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105163325B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105959912A (zh) * | 2016-02-23 | 2016-09-21 | 重庆工商大学 | 基于改进离散差分算法的汇聚节点定位方法 |
CN107396375A (zh) * | 2017-07-24 | 2017-11-24 | 哈尔滨工程大学 | 基于量子头脑风暴的异构传感器网络最佳目标覆盖方法 |
CN109862572A (zh) * | 2019-02-25 | 2019-06-07 | 全球能源互联网研究院有限公司 | 智能干扰分析系统的部署方法、评估方法及电子设备 |
CN110581777A (zh) * | 2019-07-30 | 2019-12-17 | 陕西派瑞智能科技有限公司 | 基于雪堆博弈变异搜索的复杂网络节点覆盖方法 |
CN111565372A (zh) * | 2020-04-27 | 2020-08-21 | 西安电子科技大学 | 有向传感器网络优化部署系统和方法 |
CN113569489A (zh) * | 2021-08-06 | 2021-10-29 | 中国特种设备检测研究院 | 基于和声遗传算法的起重机结构振动监测传感器布置方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098687A (zh) * | 2011-03-02 | 2011-06-15 | 上海大学 | 一种工业无线传感器网络多目标最优部署的方法 |
KR20140096711A (ko) * | 2013-01-29 | 2014-08-06 | 강원대학교산학협력단 | 무선 센서 네트워크에서 클러스터링 설계를 수행하는 방법 및 시스템 |
CN104168569A (zh) * | 2014-07-15 | 2014-11-26 | 哈尔滨工程大学 | 一种认知异构网络的动态频谱分配方法 |
CN104317721A (zh) * | 2014-11-12 | 2015-01-28 | 大连交通大学 | 一种基于改进和声搜索算法的回归测试用例选择方法 |
CN104749956A (zh) * | 2015-03-24 | 2015-07-01 | 北京理工大学 | 基于和声搜索算法的工业机器人结构优化方法 |
-
2015
- 2015-09-25 CN CN201510626129.8A patent/CN105163325B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098687A (zh) * | 2011-03-02 | 2011-06-15 | 上海大学 | 一种工业无线传感器网络多目标最优部署的方法 |
KR20140096711A (ko) * | 2013-01-29 | 2014-08-06 | 강원대학교산학협력단 | 무선 센서 네트워크에서 클러스터링 설계를 수행하는 방법 및 시스템 |
CN104168569A (zh) * | 2014-07-15 | 2014-11-26 | 哈尔滨工程大学 | 一种认知异构网络的动态频谱分配方法 |
CN104317721A (zh) * | 2014-11-12 | 2015-01-28 | 大连交通大学 | 一种基于改进和声搜索算法的回归测试用例选择方法 |
CN104749956A (zh) * | 2015-03-24 | 2015-07-01 | 北京理工大学 | 基于和声搜索算法的工业机器人结构优化方法 |
Non-Patent Citations (2)
Title |
---|
BING ZENG ET AL.: "An Energy Efficient Harmony Search Based Routing Algorithm for Small-Scale Wireless Sensor Networks", 《COMPUTATIONAL SCIENCE AND ENGINEERING (CSE), 2014 IEEE 17TH INTERNATIONAL CONFERENCE ON》 * |
李明等: "基于多目标和声搜索的无线传感器网络分簇路由算法", 《仪器仪表学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105959912A (zh) * | 2016-02-23 | 2016-09-21 | 重庆工商大学 | 基于改进离散差分算法的汇聚节点定位方法 |
CN105959912B (zh) * | 2016-02-23 | 2019-03-15 | 重庆工商大学 | 基于改进离散差分算法的汇聚节点定位方法 |
CN107396375A (zh) * | 2017-07-24 | 2017-11-24 | 哈尔滨工程大学 | 基于量子头脑风暴的异构传感器网络最佳目标覆盖方法 |
CN107396375B (zh) * | 2017-07-24 | 2020-12-22 | 哈尔滨工程大学 | 基于量子头脑风暴的异构传感器网络最佳目标覆盖方法 |
CN109862572A (zh) * | 2019-02-25 | 2019-06-07 | 全球能源互联网研究院有限公司 | 智能干扰分析系统的部署方法、评估方法及电子设备 |
CN110581777A (zh) * | 2019-07-30 | 2019-12-17 | 陕西派瑞智能科技有限公司 | 基于雪堆博弈变异搜索的复杂网络节点覆盖方法 |
CN111565372A (zh) * | 2020-04-27 | 2020-08-21 | 西安电子科技大学 | 有向传感器网络优化部署系统和方法 |
CN111565372B (zh) * | 2020-04-27 | 2022-03-22 | 西安电子科技大学 | 有向传感器网络优化部署系统和方法 |
CN113569489A (zh) * | 2021-08-06 | 2021-10-29 | 中国特种设备检测研究院 | 基于和声遗传算法的起重机结构振动监测传感器布置方法 |
CN113569489B (zh) * | 2021-08-06 | 2023-10-17 | 中国特种设备检测研究院 | 基于和声遗传算法的起重机结构振动监测传感器布置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105163325B (zh) | 2018-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105163325A (zh) | 异构有向传感器网络部署方法 | |
CN103401236B (zh) | 一种基于风电场流动相关性的风电场机组分组方法 | |
CN102984731B (zh) | 基于多重覆盖的异构无线传感器网络节点调度方法 | |
CN103945395A (zh) | 一种基于粒子群的无线网络传感器的快速优化部署方法 | |
CN107069776B (zh) | 一种平滑微网联络线功率的储能前瞻分布式控制方法 | |
CN104299035A (zh) | 基于聚类算法和神经网络的变压器故障诊断方法 | |
CN102547766B (zh) | 一种基于耦合模拟退火算法的无线网络覆盖优化方法 | |
CN102789493B (zh) | 自适应双子和声优化方法 | |
CN103297983A (zh) | 一种基于网络流的无线传感器网络节点动态部署方法 | |
CN109374986A (zh) | 一种基于聚类分析与网格搜索的雷电定位方法及系统 | |
CN106845623A (zh) | 一种基于人工鱼群算法的电力无线专网基站规划方法 | |
CN105704731A (zh) | 无线可充电传感网络的全向充电基站部署方法 | |
CN108649605A (zh) | 一种基于双层场景区间潮流的der并网准入容量规划方法 | |
CN102938562A (zh) | 一种区域内风电总功率的预测方法 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN115866621B (zh) | 一种基于鲸鱼算法的无线传感器网络覆盖方法 | |
CN105356500B (zh) | 一种多光伏区域电网电压稳定性裕度预测方法 | |
CN109978275A (zh) | 一种混合cfd和深度学习的极端大风风速预测方法及系统 | |
CN107870591A (zh) | 一种基于互联网的地下工程变形远程自动监控控制系统 | |
CN109511150A (zh) | 一种基于单对多充电技术的移动充电车路径规划算法 | |
CN109426901A (zh) | 一种中长期用电预测方法及装置 | |
CN102572859A (zh) | 基于自适应邻域csa算法的无线传感器网络节点布局方法 | |
CN110797889B (zh) | 一种解决潮流拥塞问题的储能电站布置方法 | |
CN109255948A (zh) | 一种基于卡尔曼滤波的分车道车流比例预测方法 | |
CN110113815B (zh) | 一种改进的基于iwo的无线传感器网络定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |