CN112654050A - 一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案 - Google Patents
一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案 Download PDFInfo
- Publication number
- CN112654050A CN112654050A CN202011522803.5A CN202011522803A CN112654050A CN 112654050 A CN112654050 A CN 112654050A CN 202011522803 A CN202011522803 A CN 202011522803A CN 112654050 A CN112654050 A CN 112654050A
- Authority
- CN
- China
- Prior art keywords
- node
- sparrows
- value
- wireless sensor
- 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
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及无线传感器网络技术领域,具体涉及一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案,包括麻雀、探索者和追随者,在无线传感器网络中,感知半径及通信半径分别为R和Rc,为保证无线传感器网络的连通性,节点的通信半径设置为大于或者等于节点感知半径的2倍,每个传感器节点都具有相同的感知半径R及通信半径Rc,节点集合可表示为S={s1,s2,s3,…,sn},监测区域节点的集合分别对应集合中si、mj的二维空间坐标。该增强型麻雀搜索算法的无线传感器网络优化覆盖方案有效提高了无线传感器网络的节点覆盖率,通过引入非线性收敛因子,平衡算法全局寻优和局部探索能力,使麻雀个体受局部极值点约束力下降,能够快速跳出局部最优。
Description
技术领域
本发明涉及无线传感器网络技术领域,具体涉及一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案。
背景技术
随着互联网技术,人工智能和5G技术的不断发展,物联网已经成为当下科技领域热门的研究对象,而无线传感器网络作为物联网的核心支撑技术之一,对物联网起到支撑作用,无线传感器网络WSN(Wireless Sensor Network)是由大量的静止或移动的传感器以自组织和多跳的方式构成无线网络,以协作的感知、采集、处理和传输网络覆盖地理区域内被感知对象的信息,并最终把这些信息发送给网络的所有者,因为无线传感器网络技术能够满足快速移动、自组织和方便快捷等需求,且无线传感器网络技术发展也日渐成熟,因此,无线传感器网络被广泛的应用到军事、航空、救灾、环境、医疗、保健、工业、商业等领域,近年来提出的智慧交通,智能家居,智慧城市等领域,同样取得了很大规模的应用,但是随着无线传感器网络的普及,无线传感器网络自身的不足开始被逐渐重视,尤其是网络服务质量和网络应用的稳定性方面,而对于解决这两个问题来说,覆盖优化问题又是一个必须先解决的基本问题,WSN的覆盖优化问题可描述为在规定监测区域内,保证传感器网络连通情况下的节点部署问题,为了满足覆盖要求,人们通常直接随机抛洒大量传感器节点,由于受到传感器节点电量和稳定性等性能约束,往往会造成比较大的覆盖盲区或者节点冗余现象,进而缩短网络使用寿命,降低网络可靠性,在能耗与成本上造成大量的资源浪费,因此需要对无线传感器网络中传感器节点进行自适应的调整部署,使其在检测区域分布更加均匀,覆盖率更高,从而增长网络使用寿命,提高网络可靠性,因此,设计出一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案,对于目前无线传感器网络技术领域来说是迫切需要的。
发明内容
本发明提供一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案,以解决现有技术存在的问题。
为了实现上述目的,本发明实施例提供如下技术方案:
根据本发明的实施例,一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案,包括麻雀、探索者和追随者,在无线传感器网络中,感知半径及通信半径分别为R和Rc,为保证无线传感器网络的连通性,节点的通信半径设置为大于或者等于节点感知半径的2倍,假设有N个同构传感器节点,每个传感器节点都具有相同的感知半径R及通信半径Rc,节点集合可表示为S={s1,s2,s3,…,sn},监测区域节点的集合M={m1,m2,m3,…,mn},(xi,yi)与(xj,yj)分别对应集合中si、mj的二维空间坐标,采用布尔模型作为节点感知模型,只要监测区域处于节点感知范围则视为覆盖该节点,传感器节点与检测区域节点之间的欧氏距离为:
监测点mj被节点si感知的概率为:
所有传感器节点对点mj的联合感知概率为:
式中Sall为监测区域内的所有无线传感器节点,假设监测区域为矩形,面积为L·Wm2,为便于计算,将该矩形划分为L·W个面积相等的网格,监测节点m位于网格的中心点位置,通过上式(3)计算出所有监测点的联合感知概率,累加之和即为覆盖面积,覆盖率Cr可表示如下:
所求问题描述如下:
f(I);Max(Cr(I))#(5)
假设2R=Rc,建立有向图邻接矩阵向量Mv,其用于存储任意两节点的连通情况,Mv[i][j]=1表示第i个节点可向第j个节点传送信息(即单向连通),当其值为0表示不连通:
Sv=Mv+Mv 2+Mv 3…+Mv n-1#(7)
其中n为传感器节点数目,若Sv中存在元素为0,网络不连通;反之则连通,所述麻雀的位置可以用以下矩阵表示:
其中n是麻雀的数量,d表示要优化的变量的维数,然后,所有麻雀的适应度值可以用以下向量表示:
其中n表示麻雀的数量,Fx中每行的值表示个体的适应值,在SSA中,具有较好适应度值的探索者在搜索过程中优先获得食物,此外,因为探索者负责寻找食物和引导整个种群的流动,所以,探索者可以在更广泛的地方寻找食物,根据规则(1)和(2),在每次迭代过程中,探索者的位置更新如下:
其中,t代表当前迭代数,itermax是一个常数,表示最大的迭代次数,Xi,j表示第i个麻雀在第j维中的位置信息,α∈(0,1]是一个随机数,R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值,Q是服从正态分布的随机数,L表示一个1×d的矩阵,其中该矩阵内每个元素全部为1,当R2<ST时,这意味着此时的觅食环境周围没有捕食者,探索者可以执行广泛的搜索操作,当R2≥ST时,这表示种群中的一些麻雀已经发现了捕食者,并向种群中其它麻雀发出了警报,此时所有麻雀都需要迅速飞到其它安全的地方进行觅食,追随者的位置更新描述如下:
其中,XP是目前探索者所占据的最优位置,Xworse则表示当前全局最差的位置,A表示一个1×d的矩阵,其中每个元素随机赋值为1或-1,并且A+=AT(AAT)-1,当i>n/2时,这表明,适应度值较低的第i个追随者获得很少食物,处于十分饥饿的状态,此时需要飞往其它地方觅食,以获得更多的能量,当意识到危险时,麻雀种群会做出反捕食行为,其数学表达式如下:
其中,Xbest是当前的全局最优位置,β作为步长控制参数,是服从均值为0,方差为1的正态分布的随机数,K∈[-1,1]是一个随机数,fi则是当前麻雀个体的适应度值,fs和fw分别是当前全局最佳和最差的适应度值,ε是最小的常数,以避免分母出现零,当fi>fg表示此时的麻雀正处于种群的边缘,极其容易受到捕食者的攻击,fi=fg时,这表明处于种群中间的麻雀意识到了危险,需要靠近其它的麻雀以此尽量减少它们被捕食的风险,K表示麻雀移动的方向同时也是步长控制参数。
进一步地,所述探索者的比例因子pd是一个固定值,其值为0.2,这与算法的早期和后期策略相同,因此不灵活,导致算法收敛速度慢,为了提高算法的搜索效率,提出了一个收敛因子α来约束原比例因子,其数学描述如下:
其中,T是最大迭代次数,t是当前迭代次数,∝的值从1非线性减小到0,在迭代的早期,α值较大,即探索者个数较多,有利于全局优化搜索,加快算法的收敛速度,在迭代的后期,∝值较小,即探索者个数较少,集中于理论最优值附近,有利于局部寻优,从而提高解的精度。
本发明具有如下优点:
该增强型麻雀搜索算法的无线传感器网络优化覆盖方案有效提高了无线传感器网络的节点覆盖率,通过引入非线性收敛因子,平衡算法全局寻优和局部探索能力,使麻雀个体受局部极值点约束力下降,能够快速跳出局部最优,采用一种新颖的越界处理方法,更加合理的处理麻雀个体越界重定位问题,该算法在无线传感器网络覆盖优化中,有效提高了网络覆盖率,有效减少了节点冗余,优化节点分布更加均匀。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
本发明提供一种技术方案:
一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案,包括麻雀、探索者和追随者,在无线传感器网络中,感知半径及通信半径分别为R和Rc,为保证无线传感器网络的连通性,节点的通信半径设置为大于或者等于节点感知半径的2倍,假设有N个同构传感器节点,每个传感器节点都具有相同的感知半径R及通信半径Rc,节点集合可表示为S={s1,s2,s3,…,sn},监测区域节点的集合M={m1,m2,m3,…,mn},(xi,yi)与(xj,yj)分别对应集合中si、mj的二维空间坐标,采用布尔模型作为节点感知模型,只要监测区域处于节点感知范围则视为覆盖该节点,传感器节点与检测区域节点之间的欧氏距离为:
监测点mj被节点si感知的概率为:
所有传感器节点对点mj的联合感知概率为:
式中Sall为监测区域内的所有无线传感器节点,假设监测区域为矩形,面积为L·Wm2,为便于计算,将该矩形划分为L·W个面积相等的网格,监测节点m位于网格的中心点位置,通过上式(3)计算出所有监测点的联合感知概率,累加之和即为覆盖面积,覆盖率Cr可表示如下:
所求问题描述如下:
f(I)=Max(Cr(I))#(5)
假设2R=Rc,建立有向图邻接矩阵向量Mv,其用于存储任意两节点的连通情况,Mv[i][j]=1表示第i个节点可向第j个节点传送信息(即单向连通),当其值为0表示不连通:
Sv=Mv+Mv 2+Mv 3…+Mv n-1#(7)
其中n为传感器节点数目,若Sv中存在元素为0,网络不连通;反之则连通,所述麻雀的位置可以用以下矩阵表示:
其中n是麻雀的数量,d表示要优化的变量的维数,然后,所有麻雀的适应度值可以用以下向量表示:
其中n表示麻雀的数量,Fx中每行的值表示个体的适应值,在SSA中,具有较好适应度值的探索者在搜索过程中优先获得食物,此外,因为探索者负责寻找食物和引导整个种群的流动,所以,探索者可以在更广泛的地方寻找食物,根据规则(1)和(2),在每次迭代过程中,探索者的位置更新如下:
其中,t代表当前迭代数,itermax是一个常数,表示最大的迭代次数,Xi,j表示第i个麻雀在第j维中的位置信息,α∈(0,1]是一个随机数,R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值,Q是服从正态分布的随机数,L表示一个1×d的矩阵,其中该矩阵内每个元素全部为1,当R2<ST时,这意味着此时的觅食环境周围没有捕食者,探索者可以执行广泛的搜索操作,当R2≥ST时,这表示种群中的一些麻雀已经发现了捕食者,并向种群中其它麻雀发出了警报,此时所有麻雀都需要迅速飞到其它安全的地方进行觅食,追随者的位置更新描述如下:
其中,XP是目前探索者所占据的最优位置,Xworse则表示当前全局最差的位置,A表示一个1×d的矩阵,其中每个元素随机赋值为1或-1,并且A+=AT(AAT)-1,当i>n/2时,这表明,适应度值较低的第i个追随者获得很少食物,处于十分饥饿的状态,此时需要飞往其它地方觅食,以获得更多的能量,当意识到危险时,麻雀种群会做出反捕食行为,其数学表达式如下:
其中,Xbest是当前的全局最优位置,β作为步长控制参数,是服从均值为0,方差为1的正态分布的随机数,K∈[-1,1]是一个随机数,fi则是当前麻雀个体的适应度值,fs和fw分别是当前全局最佳和最差的适应度值,ε是最小的常数,以避免分母出现零,当fi>fg表示此时的麻雀正处于种群的边缘,极其容易受到捕食者的攻击,fi=fg时,这表明处于种群中间的麻雀意识到了危险,需要靠近其它的麻雀以此尽量减少它们被捕食的风险,K表示麻雀移动的方向同时也是步长控制参数。
本发明中:所述探索者的比例因子pd是一个固定值,其值为0.2,这与算法的早期和后期策略相同,因此不灵活,导致算法收敛速度慢,为了提高算法的搜索效率,提出了一个收敛因子α来约束原比例因子,其数学描述如下:
其中,T是最大迭代次数,t是当前迭代次数,α的值从1非线性减小到0,在迭代的早期,α值较大,即探索者个数较多,有利于全局优化搜索,加快算法的收敛速度,在迭代的后期,∝值较小,即探索者个数较少,集中于理论最优值附近,有利于局部寻优,从而提高解的精度。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (2)
1.一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案,包括麻雀、探索者和追随者,其特征在于:在无线传感器网络中,感知半径及通信半径分别为R和Rc,为保证无线传感器网络的连通性,节点的通信半径设置为大于或者等于节点感知半径的2倍,假设有N个同构传感器节点,每个传感器节点都具有相同的感知半径R及通信半径Rc,节点集合可表示为S={s1,s2,s3,…,sn},监测区域节点的集合M={m1,m2,m3,...,mn},(xi,yi)与(xj,yj)分别对应集合中si、mj的二维空间坐标,采用布尔模型作为节点感知模型,只要监测区域处于节点感知范围则视为覆盖该节点,传感器节点与检测区域节点之间的欧氏距离为:
监测点mj被节点si感知的概率为:
所有传感器节点对点mj的联合感知概率为:
式中Sall为监测区域内的所有无线传感器节点,假设监测区域为矩形,面积为L·Wm2为便于计算,将该矩形划分为L·W个面积相等的网格,监测节点m位于网格的中心点位置,通过上式(3)计算出所有监测点的联合感知概率,累加之和即为覆盖面积,覆盖率Cr可表示如下:
所求问题描述如下:
f(I)=Max(Cr(I))#(5)
假设2R=Rc,建立有向图邻接矩阵向量Mv,其用于存储任意两节点的连通情况,Mv[i][j]=1表示第i个节点可向第j个节点传送信息(即单向连通),当其值为0表示不连通:
Sv=Mv+Mv 2+Mv 3…+Mv n-1#(7)
其中n为传感器节点数目,若Sv中存在元素为0,网络不连通;反之则连通,所述麻雀的位置可以用以下矩阵表示:
其中n是麻雀的数量,d表示要优化的变量的维数,然后,所有麻雀的适应度值可以用以下向量表示:
其中n表示麻雀的数量,Fx中每行的值表示个体的适应值,在SSA中,具有较好适应度值的探索者在搜索过程中优先获得食物,此外,因为探索者负责寻找食物和引导整个种群的流动,所以,探索者可以在更广泛的地方寻找食物,根据规则(1)和(2),在每次迭代过程中,探索者的位置更新如下:
其中,t代表当前迭代数,itermax是一个常数,表示最大的迭代次数,Xi,j表示第i个麻雀在第j维中的位置信息,α∈(0,1]是一个随机数,R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值,Q是服从正态分布的随机数,L表示一个1×d的矩阵,其中该矩阵内每个元素全部为1,当R2<ST时,这意味着此时的觅食环境周围没有捕食者,探索者可以执行广泛的搜索操作,当R2≥ST时,这表示种群中的一些麻雀已经发现了捕食者,并向种群中其它麻雀发出了警报,此时所有麻雀都需要迅速飞到其它安全的地方进行觅食,追随者的位置更新描述如下:
其中,XP是目前探索者所占据的最优位置,Xworse则表示当前全局最差的位置,A表示一个1×d的矩阵,其中每个元素随机赋值为1或-1,并且A+=AT(AAT)-1,当i>n/2时,这表明,适应度值较低的第i个追随者获得很少食物,处于十分饥饿的状态,此时需要飞往其它地方觅食,以获得更多的能量,当意识到危险时,麻雀种群会做出反捕食行为,其数学表达式如下:
其中,Xbest是当前的全局最优位置,β作为步长控制参数,是服从均值为0,方差为1的正态分布的随机数,K∈[-1,1]是一个随机数,fi则是当前麻雀个体的适应度值,fi和fw分别是当前全局最佳和最差的适应度值,ε是最小的常数,以避免分母出现零,当fi>fg表示此时的麻雀正处于种群的边缘,极其容易受到捕食者的攻击,fi=fg时,这表明处于种群中间的麻雀意识到了危险,需要靠近其它的麻雀以此尽量减少它们被捕食的风险,K表示麻雀移动的方向同时也是步长控制参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011522803.5A CN112654050B (zh) | 2020-12-21 | 2020-12-21 | 一种增强型麻雀搜索算法的无线传感器网络优化覆盖方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011522803.5A CN112654050B (zh) | 2020-12-21 | 2020-12-21 | 一种增强型麻雀搜索算法的无线传感器网络优化覆盖方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112654050A true CN112654050A (zh) | 2021-04-13 |
CN112654050B CN112654050B (zh) | 2022-07-05 |
Family
ID=75358771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011522803.5A Active CN112654050B (zh) | 2020-12-21 | 2020-12-21 | 一种增强型麻雀搜索算法的无线传感器网络优化覆盖方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112654050B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113115342A (zh) * | 2021-04-15 | 2021-07-13 | 西安邮电大学 | 一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统 |
CN113472573A (zh) * | 2021-06-30 | 2021-10-01 | 三峡大学 | 用于无线传感器网络资源调度的高维多目标协同优化方法 |
CN113490179A (zh) * | 2021-07-19 | 2021-10-08 | 北京信息科技大学 | 一种基于信干噪比概率感知的无人机覆盖优化方法 |
CN113805060A (zh) * | 2021-05-21 | 2021-12-17 | 电子科技大学 | 基于相关向量回归的锂电池剩余寿命检测方法 |
CN114339832A (zh) * | 2021-12-23 | 2022-04-12 | 深圳大学 | 一种无线传感器网络的确定方法及装置 |
CN115484612A (zh) * | 2022-10-27 | 2022-12-16 | 长安大学 | 一种无线传感器网络定位覆盖定位方法及系统 |
CN117973218A (zh) * | 2024-02-26 | 2024-05-03 | 太原科技大学 | 一种基于多策略改进蜣螂算法的减速器设计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950505A (zh) * | 2020-08-24 | 2020-11-17 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
CN112000096A (zh) * | 2020-08-12 | 2020-11-27 | 中国计量大学 | 一种基于麻雀搜索算法的差速agv轨迹跟踪控制方法 |
CN112016624A (zh) * | 2020-08-28 | 2020-12-01 | 西北农林科技大学 | 一种基于麻雀搜索算法优化核独立分量的光谱数据降维方法 |
-
2020
- 2020-12-21 CN CN202011522803.5A patent/CN112654050B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000096A (zh) * | 2020-08-12 | 2020-11-27 | 中国计量大学 | 一种基于麻雀搜索算法的差速agv轨迹跟踪控制方法 |
CN111950505A (zh) * | 2020-08-24 | 2020-11-17 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
CN112016624A (zh) * | 2020-08-28 | 2020-12-01 | 西北农林科技大学 | 一种基于麻雀搜索算法优化核独立分量的光谱数据降维方法 |
Non-Patent Citations (2)
Title |
---|
李雅丽等: "若干新型群智能优化算法的对比研究", 《计算机工程与应用》 * |
汤安迪等: "基于混沌麻雀搜索算法的无人机航迹规划方法", 《计算机应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113115342A (zh) * | 2021-04-15 | 2021-07-13 | 西安邮电大学 | 一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统 |
CN113805060A (zh) * | 2021-05-21 | 2021-12-17 | 电子科技大学 | 基于相关向量回归的锂电池剩余寿命检测方法 |
CN113805060B (zh) * | 2021-05-21 | 2022-11-04 | 电子科技大学 | 基于相关向量回归的锂电池剩余寿命检测方法 |
CN113472573A (zh) * | 2021-06-30 | 2021-10-01 | 三峡大学 | 用于无线传感器网络资源调度的高维多目标协同优化方法 |
CN113490179A (zh) * | 2021-07-19 | 2021-10-08 | 北京信息科技大学 | 一种基于信干噪比概率感知的无人机覆盖优化方法 |
CN114339832A (zh) * | 2021-12-23 | 2022-04-12 | 深圳大学 | 一种无线传感器网络的确定方法及装置 |
CN114339832B (zh) * | 2021-12-23 | 2023-12-22 | 深圳大学 | 一种无线传感器网络的确定方法及装置 |
CN115484612A (zh) * | 2022-10-27 | 2022-12-16 | 长安大学 | 一种无线传感器网络定位覆盖定位方法及系统 |
CN115484612B (zh) * | 2022-10-27 | 2024-05-28 | 长安大学 | 一种无线传感器网络定位覆盖定位方法及系统 |
CN117973218A (zh) * | 2024-02-26 | 2024-05-03 | 太原科技大学 | 一种基于多策略改进蜣螂算法的减速器设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112654050B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112654050B (zh) | 一种增强型麻雀搜索算法的无线传感器网络优化覆盖方法 | |
Sarkar et al. | Cluster head selection for energy efficient and delay-less routing in wireless sensor network | |
Shyjith et al. | Optimized and dynamic selection of cluster head using energy efficient routing protocol in WSN | |
CN105959987B (zh) | 一种提高无线传感器网络能量利用率和服务性能的数据融合算法 | |
Nagarajan et al. | Hybrid grey wolf sunflower optimisation algorithm for energy‐efficient cluster head selection in wireless sensor networks for lifetime enhancement | |
Arikumar et al. | EELTM: An energy efficient LifeTime maximization approach for WSN by PSO and fuzzy-based unequal clustering | |
CN104378771B (zh) | 盲点预测农田时变异构网络节点部署与交互调度方法 | |
CN108376282A (zh) | 一种模拟狼群行为的计算智能优化方法 | |
CN110072206B (zh) | 一种基于最佳能量效率的无人机-物联网数据采集方法和系统 | |
CN110430547A (zh) | UASNs中基于Q-learning的多AUV协作数据收集算法 | |
Mehto et al. | Optimal rendezvous points selection to reliably acquire data from wireless sensor networks using mobile sink | |
Mittal et al. | Quality of services provisioning in wireless sensor networks using artificial neural network: a survey | |
CN107222900A (zh) | 一种基于动态链的无线传感器网络节点协作方法 | |
CN110225539B (zh) | 一种基于无线传感网络的分布式估计的节能方法 | |
Pei et al. | UAV-assisted connectivity enhancement algorithms for multiple isolated sensor networks in agricultural Internet of Things | |
CN108307399A (zh) | 红树林生长环境无线监测系统 | |
CN113115342B (zh) | 一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统 | |
Taşdemir et al. | Performance investigation of immune plasma algorithm on solving wireless sensor deployment problem | |
Amutha et al. | Node clustering and data aggregation in wireless sensor network using sailfish optimization | |
Swapna et al. | Performance analysis of ant-lion optimization based routing algorithm for wireless sensor networks | |
CN113163429B (zh) | 一种移动无线自组网覆盖连通方法 | |
CN115545106A (zh) | 一种多无人机中的AoI敏感的数据收集方法及系统 | |
Zhang | A deployment and coverage optimization algorithm for self-powered wireless sensor networks based on hybrid swarm intelligence | |
JPWO2019235311A1 (ja) | 情報処理装置、情報処理方法、プログラム及びIoTデバイス | |
Ghotra | Optimizing inter cluster ant colony optimization data aggregation algorithm with rendezvous nodes and mobile sink |
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 |