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 PDFInfo
- 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
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
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。
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)
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)
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)
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 |
-
2015
- 2015-09-22 CN CN201510609432.7A patent/CN105187310B/zh active Active
Patent Citations (8)
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)
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 |