CN105187310B - 一种路径优化方法与系统 - Google Patents

一种路径优化方法与系统 Download PDF

Info

Publication number
CN105187310B
CN105187310B CN201510609432.7A CN201510609432A CN105187310B CN 105187310 B CN105187310 B CN 105187310B CN 201510609432 A CN201510609432 A CN 201510609432A CN 105187310 B CN105187310 B CN 105187310B
Authority
CN
China
Prior art keywords
pheromones
value
path
formula
parameter
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.)
Active
Application number
CN201510609432.7A
Other languages
English (en)
Other versions
CN105187310A (zh
Inventor
李革
樊宽刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University Shenzhen Graduate School
Original Assignee
Peking University Shenzhen Graduate School
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University Shenzhen Graduate School filed Critical Peking University Shenzhen Graduate School
Priority to CN201510609432.7A priority Critical patent/CN105187310B/zh
Publication of CN105187310A publication Critical patent/CN105187310A/zh
Application granted granted Critical
Publication of CN105187310B publication Critical patent/CN105187310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/12—Shortest path evaluation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明提供的路径优化方法及系统，包括：计算预设的起点到终点之间各路径的信息素浓度，息素浓度与信息素挥发参数ρ相关。根据各路径的信息素浓度以及预设的期望值，计算各节点的选择概率，并按照预设规则选取节点，节点的选取与信息素选择阈值α以及启发因子计算参数β相关。按照预设规则，优化所述信息素挥发参数ρ、信息素选择阈值α以及启发因子计算参数β。根据优化后的信息素挥发参数ρ、信息素选择阈值α以及启发因子参数β更新路径，可以缩短选择的路径，有效降低路径中的能量损耗，大大延长网络寿命，本发明不仅适用于井下节点布置，同时还适用于任何有障环境中的节点布置。

Description

一种路径优化方法与系统
技术领域
本申请涉及一种路径优化方法与系统。
背景技术
目前，对于矿井下有障环境中各种参数的监控，已经从有线的方式转变为无线，而无线传感器网络(Wireless Sensor Network，WSN)技术是目前最热门、前景最好的研究领域之一。无线传感器网络(WSNs)综合了嵌入式计算机技术、传感器技术、分布式信息处理技术，能协同感知和采集网络分布区域内检测对象的信息，并及时传送给观察者。在保证信息采集准确和数据传输质量的前提下，需要尽量降低网络内的能耗，延长无线传感器网络的整体寿命，
为了有效降低能耗，需要在有障环境中进行节点的合理部署，这就需要虑网络的路径优化问题。目前，雷霖等人提出了基于传统遗传算法的路径优化算法；Lin Y等人提出异类无线传感器网络蚁群路径优化算法，改进传统遗传算法的寻优效率；Luo J等人提出延长无线传感器网络路由生命周期的算法。但利用上述算法进行路径寻优时，需要所有节点遍历计算，速度慢，效率低。虽然蚁群算法具有较好的自组织性、较强的鲁棒性、正反馈性等优点，但是基本模型的计算量比较大，搜索时间长，有时候效果并不明显，而现有的启发式算法(模拟退火算法)收敛又比较慢。
发明内容
本申请提供一种路径优化方法与系统，可以缩短选择的路径，有效降低路径中的能量损耗，大大延长网络寿命。
根据本申请的第一方面，本申请提供一种路径优化方法，一种路径优化方法，包括：计算预设的起点到终点之间各路径(i，j)的信息素浓度，所述信息素浓度与信息素挥发参数ρ相关；根据所述各路径(i，j)的信息素浓度以及预设的期望值，计算各节点的选择概率，并按照预设规则选取节点，所述节点的选取与信息素选择阈值α以及启发因子计算参数β相关；按照预设规则，优化所述信息素挥发参数ρ、信息素选择阈值α以及启发因子计算参数β；根据优化后的所述信息素挥发参数ρ、信息素选择阈值α以及启发因子参数β更新路径。一个实施例，。
根据本申请的第二方面，本申请一种路径优化系统，一种路径优化系统，包括：计算单元，用于计算预设的起点到终点之间各路径(i，j)的信息素浓度，所述信息素浓度与信息素挥发参数ρ相关；节点选取单元，用于根据所述各路径(i，j)的信息素浓度以及预设的期望值，计算各节点的选择概率，并按照预设规则选取节点，所述节点的选取与信息素选择阈值α以及启发因子计算参数β相关；优化单元，用于按照预设规则，优化所述信息素挥发参数ρ、信息素选择阈值α以及启发因子计算参数β；路径更新单元，用于根据优化后的所述信息素挥发参数ρ、信息素选择阈值α以及启发因子计算参数β更新路径。
本发明提供的路径优化方法，包括：计算预设的起点到终点之间各路径的信息素浓度，息素浓度与信息素挥发参数ρ相关。根据各路径的信息素浓度以及预设的期望值，计算各节点的选择概率，并按照预设规则选取节点，节点的选取与信息素选择阈值α以及启发因子计算参数β相关。按照预设规则，优化所述信息素挥发参数ρ、信息素选择阈值α以及启发因子计算参数β。根据优化后的信息素挥发参数ρ、信息素选择阈值α以及启发因子参数β更新路径，可以缩短选择的路径，有效降低路径中的能量损耗，大大延长网络寿命，本发明不仅适用于井下节点布置，同时还适用于任何有障环境中的节点布置。
附图说明
图1为本申请的路径优化方法的流程图；
图2为本申请的路径优化方法的有障碍环境模拟图；
图3为本申请的路径优化方法的试验结果图；
图4为本申请的路径优化方法的试验结果图；
图5为本申请的路径优化系统的结构示意图。
具体实施方式
在本申请实施例中，提供一种路径优化方法及系统，可以缩短选择的路径，有效降低路径中的能量损耗，大大延长网络寿命。
下面通过具体实施方式结合附图对本发明作进一步详细说明。
实施例一：如图1所示，为本申请实施例的路径优化方法的流程图，本实施例方法可以包括以下步骤：
101、计算预设的起点到终点之间各路径(i，j)的信息素浓度，所述信息素浓度与信息素挥发参数ρ相关。其中，i和j分别表示所述路径的两边的端点。
102、根据所述各路径(i，j)的信息素浓度以及预设的期望值，计算各节点的选择概率，并按照预设规则选取节点，所述节点的选取与信息素选择阈值α以及启发因子计算参数β相关。
103、按照预设规则，优化所述信息素挥发参数ρ、信息素选择阈值α以及启发因子计算参数β。
104、根据优化后的所述信息素挥发参数ρ、信息素选择阈值α以及启发因子参数β更新路径。
本发明提供的路径优化方法，包括：计算预设的起点到终点之间各路径的信息素浓度，息素浓度与信息素挥发参数ρ相关。根据各路径的信息素浓度以及预设的期望值，计算各节点的选择概率，并按照预设规则选取节点，节点的选取与信息素选择阈值α以及启发因子计算参数β相关。按照预设规则，优化所述信息素挥发参数ρ、信息素选择阈值α以及启发因子计算参数β。根据优化后的信息素挥发参数ρ、信息素选择阈值α以及启发因子参数β更新路径，可以缩短选择的路径，有效降低路径中的能量损耗，大大延长网络寿命，本发明不仅适用于井下节点布置，同时还适用于任何有障环境中的节点布置。
下面举一实际例子，对本申请的路径优化方法的原理进一步阐述。
实施例二：
步骤一：建立矿井下区域障碍模型。
根据矿井下有障区域的实际应用场景，如图2所示，选取200(m)×200(m)的方形区域作为研究区域，在区域内设置四块不规则的多边形障碍物，用灰色阴影表示。
步骤二：推导信息素挥发参数ρ、信息素选择阈值α以及启发因子计算参数β与迭代的路径长度的关系式。设起始位置坐标S(20,180)，终点位置坐标T(160,90)，初始规划所经过节点，寻找S到T更短的路径。根据蚁群算法，在路径选取中需要依靠路径上的信息素浓度，路径上的信息素更新公式如公式(1)所示：
τij(t+1)＝(1-ρ)τij(t)+Δτij (1)
其中，τij(t+1)表示信息素在t+1时刻的量；ρ是信息素挥发参数；Δτij表示本次蚁群迭代中边(i,j)上信息素增加的量；表示第k只蚂蚁在这次搜索过程中在边(i,j)上释放的信息素的量。
由于节点的选取要根据一定的规则实现，一只位于节点i的蚂蚁通过应用下式给出的规则选择下一个将要移动到的节点j，其中η(i,j)表示期望值(启发函数)，如公式(2)所示。
其中，α为信息素选择阈值，在本算法中将q0与随机产生0-1的随机数q相比，若q≤q0，则选择向信息素最大处走，反之则选择其他路径，具有一定随机性，β是启发因子计算参数。
而S根据状态转移概率得到,如公式(3)所示。
其中：q是在[0,1]区间均匀分布的随机数；q0的大小决定了利用先验知识与探索新路径之间的相对重要性，此处定义q0的值为0.5。全局更新在完成路径优化后执行，使用公式(4)(5)对所建立的路径进行更新。
τ(r,s')←(1-α)·(r,s')+α·Δτ(r,s') (4)
其中：Lgb为到目前为止找到的全局最优路径。
通过公式(1)(2)(3)可以得知，信息素挥发参数ρ对信息素的多少具有重要作用，α信息素选择阈值和启发因子计算参数β对下一个移动节点选择具有重要作用。为得出最优路径，需要明确路径长度与三个重要参数的关系式，本文需要计算得出实验值，然后根据公式(6)、(7)取点。
其中：fi实验值，Fi预测值，是fi的平均值。
为避免进入过渡收敛、陷入停滞状态等情况的发生，作出如下要求：ρ∈[0,1]，取值间隔0.01，ρ要求标准差S'小于2，拟合优度R大于0.9，由于下一节点选取具有一定概率，所以在同一ρ值下需要对路径长度进行20次计算，取S＝minS1,S2,...,S20，否则舍弃该点。
通过公式(6)计算得ρ的均方根值S'为1.692。通过公式(7)得拟合优度R值为0.9992。通过满足以上条件选取的点，对取值进行拟合，通过实验验证，只有指数拟合方式能够满足上述指标，得到与迭代路径长度f的关系如公式(8)所示：
f(ρ)＝50e-30.5ρ+170e0.09ρ (8)
对参数α和β的要求为：α的取值[0，1]，间隔0.01，拟合的指标为均方根值S'小于1.5，拟合优度R大于0.9，取S＝minS1,S2,...,S20，否则舍弃该点。
β取值[0,50]间隔为0.5，取点要求为均方根值S'小于0.1，拟合优度R大于0.9，取否则舍弃该点。根据公式(6)、(7)，最后α实际拟合指标为RMSE为1.251，R-square为0.9993；β实际拟合指标：R-square为0.9999，RMSE:为0.05139，均满足所提要求。通过实验验证，只有指数拟合方式能够满足上述指标，得到拟合公式如公式(9)、(10)所示：
f(α)＝200e-0.12α+8.4×10-12e30α (10)
步骤三求解最优参数组合。通过对公式(8)、(9)、(10)分别求导后，得到最优参数组合为β＝6.32，α＝0.84，ρ＝0.16。
步骤四：最优参数组合为β＝6.32，α＝0.84，ρ＝0.16更新路径。
下面给出利用上述方法得到的更新路径的仿真结果。仿真结果如图3所示，其中8次迭代分别为：实线1为初始规划的路径，长度为231.04米，曲线2为蚁群算法每次迭代得的路径收敛曲线，长度为180.59米，曲线3为启发式算法的收敛曲线175.60，曲线4为利用本实施例方法优化路径的收敛曲线174.39，由图4可以分析得知，蚁群算法和启发式算法(退火算法)收敛效果很差，，用得到的最优参数组合仿真后，证实最短路径收敛速度与蚁群初始参数相比有了很大提高，都能在迭代25次之内收敛到最短路径。收敛性也有了很大改善，随着迭代次数的增加路径总是由次优向更优收敛，收敛到最短路径后不会有跳到非最短路径(即收敛曲线出现波动)的情况出现，可知利用本实施例方法得到的最短路径收敛性较为理想。5000次迭代的各种算法平均长度，均值变化较小。
通过HE-RC ROA算法寻找S到T更短的路径。通过仿真，搜寻从起点S到终点T的最短路径。寻找到的最短路径如图4所示。在仿真图像中，迪杰斯塔拉算法对路径进行规划后，所经过路径为S-V8-V7-V6-V12-V13-V11-T；启发式算法所经过路径为S--V7---V6--V11-T为实线；蚁群算法所经过路径为S-V1-V4-V12-V11-T为实线；本申请实施例算法得到最短路径如图4中点划线所示。
优化后的算法比优化前平均缩短约6.2米。优化前收敛到最短路径的平均次数(取100次试验结果平均)为119.67次，经参数优化后，收敛到最短路径的平均次数为24.6次。路径收敛速度得到显著提升，收敛质量也得到很大改善，取得很好的收敛效果。针对WSN的路径优化问题，HE-RC ROA算法可以很好地解决路径的优化问题，达到节点的优化部署，降低能耗，延长网络生命周期。
实施例三：
相应的，如图5所示，本申请一种路径优化系统包括：计算单元30，用于计算预设的起点到终点之间各路径(i，j)的信息素浓度，所述信息素浓度与信息素挥发参数ρ相关。
节点选取单元31，用于根据所述各路径(i，j)的信息素浓度以及预设的期望值，计算各节点的选择概率，并按照预设规则选取节点，所述节点的选取与信息素选择阈值α以及启发因子计算参数β相关；
优化单元32，用于按照预设规则，优化所述信息素挥发参数ρ、信息素选择阈值α以及启发因子计算参数β。
路径更新单元33，用于根据优化后的所述信息素挥发参数ρ、信息素选择阈值α以及启发因子计算参数β更新路径。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换。

Claims (6)

1.一种路径优化方法，其特征在于，包括：
计算预设的起点到终点之间各路径(i，j)的信息素浓度，其中，i和j分别表示所述路径的两边的端点，所述信息素浓度与信息素挥发参数ρ相关；
根据所述各路径(i，j)的信息素浓度以及预设的期望值，计算各节点的选择概率，并按照预设规则选取节点，所述节点的选取与信息素选择阈值α以及启发因子计算参数β相关；
计算在t+1时刻，预设的起点到终点之间路径(i，j)的信息素浓度时，按照下式进行计算：
τij(t+1)＝(1-ρ)τij(t)+Δτij
其中，τij(t+1)表示信息素在t+1时刻的量，m表示蚂蚁的个数，Δτij表示本次路径更新中，路径(i,j)上信息素增加的量，表示第k只蚂蚁在这次搜索过程中在边(i,j)上释放的信息素的量；
所述按照预设规则选取节点，按照下式进行计算：
其中，α为信息素选择阈值，β是启发因子计算参数；q是在[0,1]区间均匀分布的随机数；q0为预设值；将q0与q比较，若q≤q0，则选择向信息素最大处走，反之则选择其他路径，上式中，S根据状态转移概率得到,如下式所示：
通过上述公式以及公式(1)和公式(2)分别对ρ、α以及β进行取点：
其中，fi通过实验得到的经验值，Fi通过实验得到的预测值，是fi的平均值；S'为标准差，R为拟合优度，n为所述经验值fi的数量；ρ∈[0,1]，ρ的标准差小于2，拟合优度大于0.9；α的取值[0，1]，标准差小于1.5，拟合优度大于0.9；β取值[0,50]，标准差小于0.1，拟合优度大于0.9；
优化所述信息素挥发参数ρ、信息素选择阈值α以及启发因子计算参数β；
根据优化后的所述信息素挥发参数ρ、信息素选择阈值α以及启发因子参数β更新路径。
2.如权利要求1所述的路径优化方法，其特征在于，所述优化所述信息素挥发参数ρ包括：
对同一ρ值下需要对路径长度Sij进行20次计算，取Sij＝minS1,S2,...,S20，将Sij作为fi，代入所述公式(1)和公式(2)中计算，计算得到S'和R的值；其中，ρ取值间隔0.01；
判断S'是否小于2，R是否大于0.9，若是，则选取所述ρ值；
对所选取的ρ值进行线性拟合，得到信息素挥发参数ρ的拟合算式；
对所述信息素挥发参数ρ的拟合算式求导，得到ρ的最优值。
3.如权利要求1所述的路径优化方法，其特征在于，所述优化信息素选择阈值α包括：
对同一α值下需要对路径长度Sij'进行20次计算，取Sij'＝minS1,S2,...,S20，将Sij'作为fi，代入所述公式(1)和公式(2)中计算，计算得到S'和R的值；其中，α的取值区间为[0,1]，取值间隔0.01；
判断S'是否小于1.5，R是否大于0.9，若是，则选取所述α值；
对所选取的α值进行线性拟合，得到信息素选择阈值α的拟合算式；
对所述信息素选择阈值α的拟合算式求导，得到α的最优值。
4.如权利要求1所述的路径优化方法，其特征在于，所述优化启发因子计算参数β包括：
对同一β值下需要对路径长度Sij”进行20次计算，取Sij”＝minS1,S2,...,S20，将Sij”作为fi，代入所述公式(1)和公式(2)中计算，计算得到S'和R的值；其中，β的取值区间为[0,50]，取值间隔0.5；
判断S'是否小于0.1，R是否大于0.9，若是，则选取所述β值；
对所选取的β值进行线性拟合，得到发因子计算参数β的拟合算式；
对所述发因子计算参数β的拟合算式求导，得到β的最优值。
5.如权利要求1所述的路径优化方法，其特征在于，根据所述路径优化后的信息素优化所述路径根据以下公式(3)和公式(4)计算得到：
τ(r,s')←(1-α)·(r,s')+α·Δτ(r,s') (3)
其中，Lgb为到目前为止找到的全局最优路径。
6.一种路径优化系统，其特征在于，包括：
计算单元，用于计算预设的起点到终点之间各路径(i，j)的信息素浓度，其中，i和j分别表示所述路径的两边的端点，所述信息素浓度与信息素挥发参数ρ相关；
节点选取单元，用于根据所述各路径(i，j)的信息素浓度以及预设的期望值，计算各节点的选择概率，并按照预设规则选取节点，所述节点的选取与信息素选择阈值α以及启发因子计算参数β相关；
计算在t+1时刻，预设的起点到终点之间路径(i，j)的信息素浓度时，按照下式进行计算：
τij(t+1)＝(1-ρ)τij(t)+Δτij
其中，τij(t+1)表示信息素在t+1时刻的量，m表示蚂蚁的个数，Δτij表示本次路径更新中，路径(i,j)上信息素增加的量，表示第k只蚂蚁在这次搜索过程中在边(i,j)上释放的信息素的量；
所述按照预设规则选取节点，按照下式进行计算：
其中，α为信息素选择阈值，β是启发因子计算参数；q是在[0,1]区间均匀分布的随机数；q0为预设值；将q0与q比较，若q≤q0，则选择向信息素最大处走，反之则选择其他路径，上式中，S根据状态转移概率得到,如下式所示：
通过上述公式以及公式(1)和公式(2)分别对ρ、α以及β进行取点：
其中，fi通过实验得到的经验值，Fi通过实验得到的预测值，是fi的平均值；S'为标准差，R为拟合优度；ρ∈[0,1]，ρ的标准差小于2，拟合优度大于0.9；α的取值[0，1]，标准差小于1.5，拟合优度大于0.9；β取值[0,50]，标准差小于0.1，拟合优度大于0.9；
优化单元，用于优化所述信息素挥发参数ρ、信息素选择阈值α以及启发因子计算参数β；
路径更新单元，用于根据优化后的所述信息素挥发参数ρ、信息素选择阈值α以及启发因子计算参数β更新路径。
CN201510609432.7A 2015-09-22 2015-09-22 一种路径优化方法与系统 Active CN105187310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510609432.7A CN105187310B (zh) 2015-09-22 2015-09-22 一种路径优化方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510609432.7A CN105187310B (zh) 2015-09-22 2015-09-22 一种路径优化方法与系统

Publications (2)

Publication Number Publication Date
CN105187310A CN105187310A (zh) 2015-12-23
CN105187310B true CN105187310B (zh) 2019-04-02

Family

ID=54909161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510609432.7A Active CN105187310B (zh) 2015-09-22 2015-09-22 一种路径优化方法与系统

Country Status (1)

Country Link
CN (1) CN105187310B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111176284B (zh) * 2020-01-02 2022-09-23 东南大学 一种用于无人驾驶的车辆路径追踪自适应控制方法和系统
CN111299815B (zh) * 2020-02-13 2021-02-09 西安交通大学 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101677289A (zh) * 2008-09-17 2010-03-24 华为技术有限公司 一种优化路由的方法和装置
CN101835277A (zh) * 2010-02-09 2010-09-15 重庆理工大学 基于leach-ant算法的无线传感器网络拓扑控制方法
CN102158927A (zh) * 2011-05-20 2011-08-17 北京邮电大学 一种高能效的无线传感器网络非均匀分簇路由方法
CN103228023A (zh) * 2013-04-25 2013-07-31 青岛农业大学 基于粒子群蚁群优化的无线传感器网络分簇路由方法
CN103260264A (zh) * 2013-05-09 2013-08-21 哈尔滨工程大学 基于双融合节点蚁群优化的无线传感器网络数据融合方法
CN103327564A (zh) * 2013-05-30 2013-09-25 电子科技大学 基于蚁群算法的无线传感器网络路由方法
CN103596235A (zh) * 2013-01-22 2014-02-19 江苏大学 一种无线传感器网络路由蚁群算法的优化方法
CN104700251A (zh) * 2015-03-16 2015-06-10 华南师范大学 一种车辆调度问题的改进最大-最小蚁群优化方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7007102B2 (en) * 2002-04-29 2006-02-28 Harris Corporation Admission control in a mobile ad hoc network

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101677289A (zh) * 2008-09-17 2010-03-24 华为技术有限公司 一种优化路由的方法和装置
CN101835277A (zh) * 2010-02-09 2010-09-15 重庆理工大学 基于leach-ant算法的无线传感器网络拓扑控制方法
CN102158927A (zh) * 2011-05-20 2011-08-17 北京邮电大学 一种高能效的无线传感器网络非均匀分簇路由方法
CN103596235A (zh) * 2013-01-22 2014-02-19 江苏大学 一种无线传感器网络路由蚁群算法的优化方法
CN103228023A (zh) * 2013-04-25 2013-07-31 青岛农业大学 基于粒子群蚁群优化的无线传感器网络分簇路由方法
CN103260264A (zh) * 2013-05-09 2013-08-21 哈尔滨工程大学 基于双融合节点蚁群优化的无线传感器网络数据融合方法
CN103327564A (zh) * 2013-05-30 2013-09-25 电子科技大学 基于蚁群算法的无线传感器网络路由方法
CN104700251A (zh) * 2015-03-16 2015-06-10 华南师范大学 一种车辆调度问题的改进最大-最小蚁群优化方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于蚁群算法的WSNs节点有障环境中部署优化研究;樊宽，等.;《传感器与微系统》;20150531;第34卷(第5期);第0节，2-4节，图3

Also Published As

Publication number Publication date
CN105187310A (zh) 2015-12-23

Similar Documents

Publication Publication Date Title
CN108847037B (zh) 一种面向非全局信息的城市路网路径规划方法
CN104168620B (zh) 无线多跳回传网络中的路由建立方法
Brys et al. Distributed learning and multi-objectivity in traffic light control
Wang et al. A tree-based particle swarm optimization for multicast routing
CN104548598A (zh) 一种虚拟现实场景中寻路的方法
CN106779212A (zh) 一种基于改进蚁群算法的城市旅游路线规划方法
CN105208616A (zh) 车载自组织网络中基于道路拓扑的自适应多副本路由方法
CN109902203A (zh) 基于边的随机游走的网络表示学习方法和装置
CN109862532B (zh) 轨道交通状态监测多传感器节点布局优化方法及系统
Pham et al. Learning coordinated traffic light control
CN105976048A (zh) 一种基于改进人工蜂群算法的输电网扩展规划方法
CN108519737A (zh) 一种考虑能源补给的无人设备路径规划方法
US20230239037A1 (en) Space-air-ground integrated uav-assisted iot data collectioncollection method based on aoi
CN102867409A (zh) 一种可用于城市中心区域的道路交通协同控制方法
CN101854695A (zh) 基于能量和时延蚁群算法来确定无线传感网络路由的方法
CN102065446B (zh) 面向群组移动环境的拓扑控制系统及控制方法
CN104883676A (zh) 一种多无人机环境下协同安全通信方法
CN105187310B (zh) 一种路径优化方法与系统
CN106685745A (zh) 一种网络拓扑构建方法及装置
CN105025516B (zh) 高动态环境下的移动状态累积加权路由方法
Chai et al. An optimized on-ramp metering method for urban expressway based on reinforcement learning
Wen et al. Energy efficient data collection scheme in mobile wireless sensor networks
CN107835127B (zh) 一种基于网络熵的域内路由节能方法
Guo et al. Learning automata-based algorithms for solving the stochastic shortest path routing problems in 5G wireless communication
Qing et al. Efficient cluster routing design under the environment of internet of things based on location

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