CN108770001A - 基于密母算法的无线可充电传感器网络优化方法 - Google Patents
基于密母算法的无线可充电传感器网络优化方法 Download PDFInfo
- Publication number
- CN108770001A CN108770001A CN201810362440.XA CN201810362440A CN108770001A CN 108770001 A CN108770001 A CN 108770001A CN 201810362440 A CN201810362440 A CN 201810362440A CN 108770001 A CN108770001 A CN 108770001A
- Authority
- CN
- China
- Prior art keywords
- individual
- sensor
- population
- wireless chargeable
- sensor network
- 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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)
- Arrangements For Transmission Of Measured Signals (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种基于密母算法的无线可充电传感器网络优化方法。主要解决无线可充电传感器网络优化速度慢、优化效果不理想的问题。其实现方案是:1)构建无线可充电传感器网络;2)设置密母算法参数;3)采用直接编码方式对种群中每个个体进行编码;4)对种群执行交叉操作和变异操作;5)在变异种群中选出最优个体组;6)对最优个体组进行冗余检测和空洞检测;7)选出最优个体并进行充电;8)判断当前密母算法的循环代数是否达到最大迭代次数,若是,则执行步骤9),反之,将密母算法的循环代数加1后,返回步骤4);9)输出无线可充电传感器网络的寿命。本发明提高了无线可充电传感器网络的优化速度,有效延长了网络工作寿命。
Description
技术领域
本发明属于通信技术领域,更进一步涉及无线可充电传感器网络的优化,具体为一种基于密母算法的无线可充电传感器网络优化方法,本发明可用于优化无线可充电传感器网络中无线传感器的分布及能量补给方式,最大化整个传感器网络的工作寿命。
背景技术
随着无线能量传输技术的重大突破,无线可充电传感器网络进入了社会生活之中。无线充电技术源于无线电能传输技术,是指通过电磁辐射、电磁感应以及电磁共振等方式将电量从一个设备传输到另一个设备的技术。由于充电器与用电装置之间以磁场传送能量,两者之间不用电线连接,因此充电器及用电装置都可以做到无导电接点外露。在工作区域中,通常由一个移动的充电器对传感器节点进行充电。移动充电器一般装置于智能小汽车或者机器人上,无线可充电传感器网络寿命最大化一般是指在保证工作区域完全覆盖的情况下,通过对传感器进行充电,使得整个无线传感器网络的工作时长最长。因此,在无线可充电传感器网络中如何设置无线传感器以及如何进行能量补给,使其在保证工作区域被完全覆盖的情况下工作时长最长,成为一个重要的技术问题。当用移动充电器对节点的能量进行补给时,由于充电器的充电容量固定,如果随机进行充电,会使得能量利用率过低,网络的工作寿命无法最大化。此时,需要有效的安排充电器对工作区域中的节点实施能量补给,从而使得整个网络的工作寿命最长。传统的优化方法只适用于传统无线传感器网络的寿命优化问题,不适用于无线可充电传感器网络的寿命优化。
Shu等人在其发表的论文“Joint Energy Replenishment and OperationScheduling in Wireless Rechargeable Sensor Networks.”(《IEEE Transactions onIndustrial Informatics》文章编号:1551-3203(2016))中公开了一种无线可充电传感器网络的工作调度与能量补给策略的方法。该方法在解决无线可充电传感器网络工作调度的基础上,加入了能量补给机制。然而,该方法仅适用于解决小规模的无线可充电传感器网络寿命优化问题,当传感器较多时,其优化速度过慢,优化效果不理想。
广东石油化工学院在其申请的专利“一种可充电传感器网络中睡眠调度来满足需求的方法”(申请号:201710669693.7,申请公布号:CN 107454559 A)中公开了一种利用可充电传感器网络中睡眠调度来满足需求的方法。该方法包括以下步骤:在网络区域中随机布置具有激活或睡眠的无线传感器节点,网络被划分成同等正方形网格,网格顶点布置无线充电点。各无线充电点获取能量同时传输给所在网格内的传感器节点,各传感器节点会根据能量情况选择进入激活或者睡眠状态,激活节点收集并上传数据到基站。该方法并未考虑到无线可充电传感器网络中的能量补给问题,不能使无线可充电传感器网络的寿命最大化。
发明内容
本发明的目的在于克服上述已有技术的不足,提供了一种基于密母算法的无线可充电传感器网络寿命优化方法,解决无线可充电传感器网络优化速度慢、优化效果不理想的问题,从而最大化无线可充电传感器网络的寿命。
本发明的思路是:首先,构建无线可充电传感器网络,设置密母算法参数;再利用直接编码方式对种群中每个个体进行编码,并对其执行交叉操作和变异操作;之后,在变异种群中选出最优个体组,对其进行冗余检测和空洞检测,选出最优个体并进行充电;最后,判断当前密母算法的循环代数是否达到最大迭代次数,若是,输出无线可充电传感器网络的寿命,反之,将密母算法的循环代数加1后,返回第二步再次进行交叉操作和变异操作。本发明提高了无线可充电传感器网络的优化速度,有效延长了网络工作寿命。
为实现上述目的,本发明的包括如下步骤:
(1)构建无线可充电传感器网络;
(2)设置密母算法参数:
2a)在[0,1]的范围内,设置变异概率Pm和交叉概率Pc;
2b)在[0,500]的范围内,设置最大迭代次数K;
2c)在[0,100]的范围内,设置种群大小M;
(3)采用直接编码的方式对种群中每个个体进行编码;
(4)对种群执行交叉操作:
生成一个[0,1]之间的随机数,若该随机数小于交叉概率Pc,则随机从种群中选择两个个体进行交叉,得到交叉种群;
(5)对交叉种群执行变异操作:
生成一个[0,1]之间的随机数,若该随机数小于变异概率Pm,则从种群中随机选择一个个体进行变异,得到变异种群;
(6)计算变异种群中每个个体的目标函数值,选出最优的M个个体作为最优个体组;
(7)对最优个体组执行冗余检测;
(8)对最优个体组执行空洞检测;
(9)计算最优个体组中每个个体的目标函数值,选出最优个体,判断最优个体是否需要充电,若是,则进行充电操作,否则执行步骤(10);
(10)判断当前密母算法的循环代数是否达到最大迭代次数K,若是,则执行步骤(11),否则,将密母算法的循环代数加1后,返回步骤(4)。
(11)输出无线可充电传感器网络的寿命。
本发明与现有技术相比具有如下优点:
第一,由于本发明采用密母算法,从而加快了对无线可充电传感器网络的优化速度,而且扩大了解的搜索空间,克服了现有技术中计算量大、优化速度慢的不足;因此,当无线传感器网络规模较大时,本发明仍然可以达到最优解。
第二,由于本发明在局部搜索中采用了冗余检测与空洞检测,有效利用了无线可充电传感器网络中的冗余传感器,提高了节点利用率,解决了现有技术中传感器间相互干扰、资源浪费的问题,有效延长了无线可充电传感器网络的工作寿命。
第三,由于本发明对传感器节点采用的能量补给方式为仅对网络中需要充电的传感器进行充电,从而有效利用了充电器的电量,大大提高了能量利用率,优化了无线可充电传感器网络的寿命。
附图说明
图1是本发明的实现流程图;
图2是本发明的仿真图,其中:
图2(a)是对最优个体组执行冗余检测时随机选择个体数K1的仿真结果图;
图2(b)是对最优个体组执行空洞检测时随机选择个体数K2的仿真结果图;
图2(c)是交叉概率Pc不同取值下的仿真结果图;
图2(d)是变异概率Pm不同取值下的仿真结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图及具体实施例对本发明做进一步描述。
参照图1,本发明的实现步骤具体如下:
步骤1,构建无线可充电传感器网络。
1a)设定无线可充电传感器网络的工作区域范围:
首先构建一个大小为H×W的矩形区域,该区域范围即为设定的无线传感器网络工作区域;
1b)设定无线可充电传感器的覆盖半径以及初始能量:
取N个无线可充电传感器,分别设置每个无线传感器的覆盖半径以及初始能量值;
1c)将无线可充电传感器随机散布在设定的工作区域之中,得到一个无线可充电传感器网络。
将N个无线可充电传感器随机均匀的散布在设定的工作区域之中,得到一个无线可充电传感器网络,其中,N的数量根据工作区域的大小确定。
步骤2,设置密母算法参数。
在[0,1]的范围内,设置变异概率Pm和交叉概率Pc;在[0,500]的范围内,设置最大迭代次数K;在[0,100]的范围内,设置种群大小M。
步骤3,采用直接编码的方式对种群中每个个体进行编码。
将无线可充电传感器网络中的每一个传感器的值设置为该传感器所属的工作状态,设置范围为{0,1},当值为0时,表示传感器处于休眠状态;当值为1时,表示传感器处于工作状态。
步骤4,对种群执行交叉操作:
首先生成一个[0,1]之间的随机数,若该随机数小于交叉概率Pc,则随机从种群中选择两个个体进行交叉,得到交叉种群;
步骤5,对交叉种群执行变异操作:
首先生成一个[0,1]之间的随机数,若该随机数小于变异概率Pm,则从种群中随机选择一个个体进行变异,得到变异种群;
步骤6,计算变异种群中每个个体的目标函数值,选出最优的M个个体作为最优个体组。
6.1)将变异种群中每个个体的无线可充电传感器网络的工作区域均匀划分成d×d个网格,d<min(H,W),H表示工作区域的长度,W表示工作区域的宽度,按照下式,
计算变异种群中每个个体的覆盖率:
其中,θi表示第i个个体的覆盖率,i=1,…,M,且i为自然数,M为种群的大小;N表示第i个个体在工作区域中覆盖的网格数目,b表示网格的边长;
6.2)统计出变异种群中每个个体的无线可充电传感器网络中有电且的传感器节点个数与有电且工作的传感器节点个数,按照下式,计算变异种群中每个个体的目标函数值Ei:
Ei=(θi/ni-(1-θi)*ε)*(ne/ns),
其中,Ei表示第i个个体的目标函数值;ne表示有电且工作的传感器节点个数,ns表示工作的传感器节点个数;ε为惩罚系数,且ε>0。
步骤7,对最优个体组执行冗余检测策略;
随机选择K1个个体,依次判断所选个体中每一个传感器是否冗余,若是,则将该传感器置为睡眠状态,否则,传感器状态保持不变。
步骤8,对最优个体组执行空洞检测策略;
随机选择K2个个体,依次判断所选个体中每一个传感器是否使所选个体的覆盖率增加,若是,则将该传感器置为工作状态,否则,传感器状态保持不变。
步骤9,计算最优个体组中每个个体的目标函数值。
9.1)将最优个体组中每个个体的无线可充电传感器网络的工作区域均匀划分成d×d个网格,d<min(H,W),H表示工作区域的长度,W表示工作区域的宽度,按照下式,计算最优个体组中每个个体的覆盖率:
其中,θ'i表示最优个体组第i个个体的覆盖率,i=1,…,M,且i为自然数,M为种群的大小;N'表示最优个体组第i个个体在工作区域中覆盖的网格数目,b表示网格的边长;
统计出最优个体组中每个个体的无线可充电传感器网络中有电且的传感器节点个数与有电且工作的传感器节点个数,按照下式,计算最优个体组中每个个体的目标函数值:
E'i=(θ'i/n'i-(1-θ'i)*ε)*(n'e/n's),
其中,E'i表示最优个体组第i个个体的目标函数值,n'e表示有电且工作的传感器节点个数,n's表示工作的传感器节点个数,ε为惩罚系数,ε>0;
选出最优个体,判断最优个体是否需要充电,若是,则进行充电操作,否则执行步骤(10);
步骤10,判断当前密母算法的循环代数是否达到最大迭代次数K,若是,则执行步骤(11),否则,将密母算法的循环代数加1后,返回步骤(4)。
步骤11,输出无线可充电传感器网络的寿命。
下面结合仿真结果对本发明的效果做进一步的描述。
1.仿真条件:
本发明的仿真实验是在计算机硬件配置为Intel Core(TM)i5-6500M CPU@3.20GHz、8.00GB RAM的硬件环境和计算机软件配置为Visual Studio 2013的软件环境下进行的。
2.仿真内容:
本发明的仿真实验是对区域覆盖问题采用本发明的方法优化无线可充电传感器网络的寿命。在对每组测试样例用本发明的方法优化无线传感器网络100次的基础上,再分别计算每组数据100次仿真后的无线传感器网络寿命均值、能量利用率和平均仿真时间。
仿真一,采用7组区域覆盖测试样例,用本发明与传统方法MA,对每组数据仿真100次后,计算得出的无线可充电传感器网络寿命的均值、能量利用率和平均仿真时间,结果如表1。
由表1可以看到,使用本发明优化后的网络寿命值均大于不充电的最大寿命,同时在7组测试样例中,本发明的能量利用率都比较大,说明本发明不仅可以有效的延长无线可充电传感器网络的工作寿命,还充分利用了移动充电器的电量。而传统方法MA的工作寿命均远远小于本发明优化后的网络寿命,也远远小于不充电时的最大寿命。从平均运行时间可以看到,虽然MA所需时间很短,但是解的质量太低,在能量利用率中,本发明的能量利用率在7组测试样例中,有6组测试样例均高于MA。说明了提出的局部搜索算子中冗余检测策略和空洞检测策略的有效性。总之,实验结果表明,本发明可以高效的最大化无线可充电传感器网络的寿命。
表1对7组测试样例的仿真结果
仿真2,采用测试样例1,进一步对算法中参数的取值进行仿真。
对最优个体组执行冗余检测策略时,随机选择K1个个体,依次判断所选个体中每一个传感器是否冗余,这里将K1的取值范围设置成[0,15],步长为1,分别计算每一个值在结果收敛时的运行时间,时间最小处所对应的值为K1的最佳取值。对最优个体组执行空洞检测策略时,随机选择K2个个体,依次判断所选个体中每一个传感器是否使所选个体的覆盖率增加,这里将K2的取值范围设置成[0,15],步长为1,分别计算每一个值在结果收敛时的运行时间,时间最小处所对应的值为K2的最佳取值。将交叉概率Pc的取值范围设置成[0,0.9],步长为0.1,分别计算每一个值在结果收敛时的运行时间,时间最小处所对应的值为Pc的最佳取值。将变异概率Pm的取值范围设置成[0,0.6],步长为0.1,分别计算每一个值在结果收敛时的运行时间,时间最小处所对应的值为Pm的最佳取值。
从图2(a)中可以看到,随着K1取值的逐渐增大,所用时间呈现波浪的形式,高低起伏,其中在取值为5时,所用时间最短,优化所读最快,说明K1的最佳取值为5。这表明,在冗余检测策略中,并不是K1的取值越大越好,取值应该适中。
从图2(b)中可以看出,随着K2取值的逐渐增大,所用时间呈现高低起伏的趋势,但基本趋于上升的状态。其中,在取值为9时,所用时间最短,优化速度最快,说明K2的最佳取值为9。
从图2(c)中可以看到,随着Pc取值的逐渐增大,优化时间先减小后增大,在取值为0.4时,优化速度最快,结果最好,说明Pc的最佳取值为0.4。
从图2(d)中可以看到,随着Pm取值的逐渐增大,优化时间同样是先减小后增大,可以明显看到,在取值为0.4时,优化速度最快,说明Pm的最佳取值为0.4。
本发明未详细说明部分属于本领域技术人员公知常识。
以上描述仅是本发明的一个具体实例,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修正和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (7)
1.一种基于密母算法的无线可充电传感器网络优化方法,其特征在于,包括如下步骤:
(1)构建无线可充电传感器网络;
(2)设置密母算法参数:
2a)在[0,1]的范围内,设置变异概率Pm和交叉概率Pc;
2b)在[0,500]的范围内,设置最大迭代次数K;
2c)在[0,100]的范围内,设置种群大小M;
(3)采用直接编码的方式对种群中每个个体进行编码;
(4)对种群执行交叉操作:
生成一个[0,1]之间的随机数,若该随机数小于交叉概率Pc,则随机从种群中选择两个个体进行交叉,得到交叉种群;
(5)对交叉种群执行变异操作:
生成一个[0,1]之间的随机数,若该随机数小于变异概率Pm,则从种群中随机选择一个个体进行变异,得到变异种群;
(6)计算变异种群中每个个体的目标函数值,选出最优的M个个体作为最优个体组;
(7)对最优个体组执行冗余检测;
(8)对最优个体组执行空洞检测;
(9)计算最优个体组中每个个体的目标函数值,选出最优个体,判断最优个体是否需要充电,若是,则进行充电操作,否则执行步骤(10);
(10)判断当前密母算法的循环代数是否达到最大迭代次数K,若是,则执行步骤(11),否则,将密母算法的循环代数加1后,返回步骤(4)。
(11)输出无线可充电传感器网络的寿命。
2.根据权利要求1所述的方法,步骤(1)中构建无线可充电传感器网络,其步骤如下:
1a)设定无线可充电传感器网络的工作区域范围;
1b)设定无线可充电传感器的覆盖半径以及初始能量;
1c)将无线可充电传感器随机散布在设定的工作区域之中,得到一个无线可充电传感器网络。
3.根据权利要求1所述的方法,其特征在于,步骤(3)中采用直接编码的方式对种群中每个个体进行编码,是将无线可充电传感器网络中的每一个传感器的值设置为该传感器所属的工作状态;设置范围为{0,1},当值为0时,表示传感器处于休眠状态;当值为1时,表示传感器处于工作状态。
4.根据权利要求1所述的方法,其特征在于,步骤(6)中计算变异种群中每个个体的目标函数值,按如下步骤进行:
6a)将无线可充电传感器网络的工作区域均匀划分成d×d个网格,d<min(H,W),H表示工作区域的长度,W表示工作区域的宽度;
6b)按照下式,计算变异种群中每个个体的覆盖率:
其中,θi表示第i个个体的覆盖率,i=1,…,M,且i为自然数,M为种群的大小;N表示第i个个体在工作区域中覆盖的网格数目,b表示网格的边长;
6c)按照下式,计算变异种群中每个个体的目标函数值:
Ei=(θi/ni-(1-θi)*ε)*(ne/ns),
其中,Ei表示第i个个体的目标函数值;ne表示有电且工作的传感器节点个数,ns表示工作的传感器节点个数;ε为惩罚系数,且ε>0。
5.根据权利要求1所述的方法,其特征在于,步骤(7)中对最优个体组执行冗余检测,是随机选择K1个个体,依次判断所选个体的传感器是否冗余,若是,则将该传感器置为睡眠状态,否则,传感器状态保持不变。
6.根据权利要求1所述的方法,其特征在于,步骤(8)中对最优个体组执行空洞检测,是随机选择K2个个体,依次判断所选个体的传感器是否使所选个体的覆盖率增加,若是,则将该传感器置为工作状态,否则,传感器状态保持不变。
7.根据权利要求1所述的方法,其特征在于,步骤(9)中计算最优个体组中每个个体的目标函数值,按如下步骤进行:
9a)将无线可充电传感器网络的工作区域均匀划分成d×d个网格,d<min(H,W),H表示工作区域的长度,W表示工作区域的宽度;
9b)按照下式,计算最优个体组中每个个体的覆盖率:
其中,θ′i表示最优个体组第i个个体的覆盖率,i=1,…,M,且i为自然数,M为种群的大小;N'表示最优个体组第i个个体在工作区域中覆盖的网格数目,b表示网格的边长;
9c)按照下式,计算最优个体组中每个个体的目标函数值:
E′i=(θ′i/n′i-(1-θ′i)*ε)*(n′e/n′s),
其中,E′i表示最优个体组第i个个体的目标函数值,n'e表示有电且工作的传感器节点个数,n's表示工作的传感器节点个数,ε为惩罚系数,ε>0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810362440.XA CN108770001B (zh) | 2018-04-20 | 2018-04-20 | 基于密母算法的无线可充电传感器网络优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810362440.XA CN108770001B (zh) | 2018-04-20 | 2018-04-20 | 基于密母算法的无线可充电传感器网络优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108770001A true CN108770001A (zh) | 2018-11-06 |
CN108770001B CN108770001B (zh) | 2021-02-12 |
Family
ID=64011198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810362440.XA Active CN108770001B (zh) | 2018-04-20 | 2018-04-20 | 基于密母算法的无线可充电传感器网络优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108770001B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110278567A (zh) * | 2019-05-21 | 2019-09-24 | 杭州电子科技大学 | 无线可充电传感网的k-栅栏构建与充电器优化部署方法 |
CN111818043A (zh) * | 2020-07-07 | 2020-10-23 | 西安电子科技大学 | 基于密母算法的双网耦合拓扑结构设计方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101873591A (zh) * | 2010-05-31 | 2010-10-27 | 西安电子科技大学 | 基于评价的无线传感器网络切换预认证方法 |
CN102013038A (zh) * | 2010-11-29 | 2011-04-13 | 中山大学 | 基于向前式编码策略的无线传感器网络寿命优化遗传算法 |
US20120130891A1 (en) * | 2010-11-18 | 2012-05-24 | Parkmobile USA | Method of processing a transaction for a parking session |
CN103249179A (zh) * | 2013-04-25 | 2013-08-14 | 中山大学 | 基于多目标觅母算法的无线传感器网络中继节点部署优化方法 |
CN103297983A (zh) * | 2013-05-06 | 2013-09-11 | 南京邮电大学 | 一种基于网络流的无线传感器网络节点动态部署方法 |
CN103368195A (zh) * | 2012-03-30 | 2013-10-23 | 中国电力科学研究院 | 基于遗传算法的电池储能电站功率控制方法及其系统 |
US20140269651A1 (en) * | 2013-03-13 | 2014-09-18 | Aliphcom | Media device configuration and ecosystem setup |
CN104822158A (zh) * | 2015-05-20 | 2015-08-05 | 武汉大学 | 一种射频充电无线传感器网络中基站的位置优化方法 |
US20160352419A1 (en) * | 2015-05-27 | 2016-12-01 | John P. Fonseka | Constrained interleaving for 5G wireless and optical transport networks |
US20160357510A1 (en) * | 2015-06-05 | 2016-12-08 | Apple Inc. | Changing companion communication device behavior based on status of wearable device |
CN106488482A (zh) * | 2016-09-12 | 2017-03-08 | 西安电子科技大学 | 基于多智能体进化算法的无线传感器网络优化方法 |
US20170251404A1 (en) * | 2010-11-05 | 2017-08-31 | Mark Cummings | Mobile base station network |
US20170270245A1 (en) * | 2016-01-11 | 2017-09-21 | Edico Genome, Corp. | Bioinformatics systems, apparatuses, and methods for performing secondary and/or tertiary processing |
CN107197476A (zh) * | 2017-05-12 | 2017-09-22 | 东北大学 | 一种无线体域网中WiFi和ZigBee节点避免冲突的方法 |
-
2018
- 2018-04-20 CN CN201810362440.XA patent/CN108770001B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101873591A (zh) * | 2010-05-31 | 2010-10-27 | 西安电子科技大学 | 基于评价的无线传感器网络切换预认证方法 |
US20170251404A1 (en) * | 2010-11-05 | 2017-08-31 | Mark Cummings | Mobile base station network |
US20120130891A1 (en) * | 2010-11-18 | 2012-05-24 | Parkmobile USA | Method of processing a transaction for a parking session |
CN102013038A (zh) * | 2010-11-29 | 2011-04-13 | 中山大学 | 基于向前式编码策略的无线传感器网络寿命优化遗传算法 |
CN103368195A (zh) * | 2012-03-30 | 2013-10-23 | 中国电力科学研究院 | 基于遗传算法的电池储能电站功率控制方法及其系统 |
US20140269651A1 (en) * | 2013-03-13 | 2014-09-18 | Aliphcom | Media device configuration and ecosystem setup |
CN103249179A (zh) * | 2013-04-25 | 2013-08-14 | 中山大学 | 基于多目标觅母算法的无线传感器网络中继节点部署优化方法 |
CN103297983A (zh) * | 2013-05-06 | 2013-09-11 | 南京邮电大学 | 一种基于网络流的无线传感器网络节点动态部署方法 |
CN104822158A (zh) * | 2015-05-20 | 2015-08-05 | 武汉大学 | 一种射频充电无线传感器网络中基站的位置优化方法 |
US20160352419A1 (en) * | 2015-05-27 | 2016-12-01 | John P. Fonseka | Constrained interleaving for 5G wireless and optical transport networks |
US20160357510A1 (en) * | 2015-06-05 | 2016-12-08 | Apple Inc. | Changing companion communication device behavior based on status of wearable device |
US20170270245A1 (en) * | 2016-01-11 | 2017-09-21 | Edico Genome, Corp. | Bioinformatics systems, apparatuses, and methods for performing secondary and/or tertiary processing |
CN106488482A (zh) * | 2016-09-12 | 2017-03-08 | 西安电子科技大学 | 基于多智能体进化算法的无线传感器网络优化方法 |
CN107197476A (zh) * | 2017-05-12 | 2017-09-22 | 东北大学 | 一种无线体域网中WiFi和ZigBee节点避免冲突的方法 |
Non-Patent Citations (3)
Title |
---|
ARIVUDAINAMBI: "Improved Memetic Algorithm for Energy Efficient Target Coverage in Wireless Sensor Networks", 《 IEEE INTERNATIONAL CONFERENCE ON NETWORKING SENSING AND CONTROL》 * |
孟祥伟; 张平; 李春锦: "到场飞机排序及调度问题的Memetic算法", 《西南交通大学学报》 * |
王婷婷: "无线传感器网络覆盖优化方法研究", 《信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110278567A (zh) * | 2019-05-21 | 2019-09-24 | 杭州电子科技大学 | 无线可充电传感网的k-栅栏构建与充电器优化部署方法 |
CN110278567B (zh) * | 2019-05-21 | 2021-12-07 | 杭州电子科技大学 | 无线可充电传感网的k-栅栏构建与充电器优化部署方法 |
CN111818043A (zh) * | 2020-07-07 | 2020-10-23 | 西安电子科技大学 | 基于密母算法的双网耦合拓扑结构设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108770001B (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | Centralized charging strategy and scheduling algorithm for electric vehicles under a battery swapping scenario | |
Cui et al. | Joint optimization of energy consumption and latency in mobile edge computing for Internet of Things | |
Ranganathan et al. | Self‐adaptive firefly algorithm based multi‐objectives for multi‐type FACTS placement | |
Tan et al. | Multi‐distributed generation planning using hybrid particle swarm optimisation‐gravitational search algorithm including voltage rise issue | |
Panigrahi et al. | Multiobjective fuzzy dominance based bacterial foraging algorithm to solve economic emission dispatch problem | |
Basu | Combined heat and power economic emission dispatch using nondominated sorting genetic algorithm-II | |
Chai et al. | Demand response management with multiple utility companies: A two-level game approach | |
Wang et al. | Balancing risk and cost in fuzzy economic dispatch including wind power penetration based on particle swarm optimization | |
CN110070292B (zh) | 基于交叉变异鲸鱼优化算法的微网经济调度方法 | |
Zhou et al. | Equilibrium-inspired multiple group search optimization with synergistic learning for multiobjective electric power dispatch | |
Mishra et al. | Line utilisation factor‐based optimal allocation of IPFC and sizing using firefly algorithm for congestion management | |
Raut et al. | A new Pareto multi-objective sine cosine algorithm for performance enhancement of radial distribution network by optimal allocation of distributed generators | |
CN105790266B (zh) | 一种微电网并行多目标鲁棒优化调度集成控制方法 | |
CN103985058B (zh) | 一种基于改进多中心校正内点法的可用输电能力计算方法 | |
CN106374513B (zh) | 一种基于主从博弈的多微网联络线功率优化方法 | |
CN104105193B (zh) | 一种异构网络中基于Starckelberg博弈的功率分配方法 | |
Jumaat et al. | PSO based technique for loss minimization considering voltage profile and cost function | |
Anwar et al. | Optimum capacity allocation of DG units based on unbalanced three-phase optimal power flow | |
CN108770001A (zh) | 基于密母算法的无线可充电传感器网络优化方法 | |
Ang et al. | Optimal placement and size of distributed generation in radial distribution system using whale optimization algorithm | |
Wang et al. | The improved least square support vector machine based on wolf pack algorithm and data inconsistency rate for cost prediction of substation projects | |
Kumrai et al. | Optimising operation management for multi‐micro‐grids control | |
Ma | Edge server placement for service offloading in internet of things | |
Ahmadnia et al. | Comparison of optimum wind–solar DG, STATCOM and capacitor placement and sizing based on voltage stability margin enhancement in microgrid with three different evolutionary algorithms | |
Zaki et al. | Optimal sizing and sitting of electric vehicle charging station by using Archimedes optimization algorithm technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |