一种基于蚁群算法无线传感器网络负载均衡策略

为了提高室内定位无线传感器网络的生命周期,提出一种基于蚁群算法的网络负载均衡策略.将节点分成多个群集子网,以监测位置数据包为全局蚂蚁,在传递的同时实现信息素的全局更新,通过局部蚂蚁的信息素更新使节点了解邻居信息,以能量、距离、跳数构造启发函数,数据包依据信息素轨迹及启发信息自主选择下一跳节点,无需建立与维护路由表完成整网数据收集.仿真结果表明:该算法能有效均衡网络负载与能耗,网络能耗利用率达88.22%.     

基于WSN分布式聚类均衡路由算法的优化研究

有效减少网络能耗,从而提高整体网络寿命是无线传感网领域中的关键问题,LEACH和DEBR等分簇路由算法可以初步提高网络寿命和网络延展性.研究了簇头选择、簇的形成和数据路由3个阶段,提出了一种基于能量均衡的分布式聚类均衡路由算法,通过传感节点的剩余能量、邻居个数以及簇头能耗的混合权重来选择簇头和分簇,考虑每条路径的消耗来选择最佳路径,有效改进了LEACH随机选择簇头节点和DEBR传送延迟导致的网络分割和能耗不均等问题.仿真结果表明,该算法有效平衡并降低了节点能耗,使得网络中生存节点数在相同周期内有较大提升,从而延长了整个网络的生命周期.     

一种基于遗传算法的模糊聚类

对模糊c均值聚类算法（FCM算法）进行了讨论，说明FCM算法一般得不到全局最优分类，因此结合FCM算法提出了用遗传算法进行寻优求解，从而将遗传算法用于模糊聚类分析，最后的实例表明，遗传算法在处理多样本、多属性、多类别问题时，是一种有效的方法。     

一种应用于负载均衡的模拟退火遗传算法

提出了一种基于模拟退火遗传优化算法,求解流量工程中的网络负载均衡问题。这种新型算法不仅能够均衡网络业务流量,相对于其它遗传算法,还具有收敛速度快、简单高效的特点。通过理论分析详尽说明算法的设计思想和相对于现有算法的优越性。     

基于遗传算法的WSN谣传路由的改进

谣传算法是一种基于数据查询的无线传感器网络路由机制,它通过事件agent和查询agent形成的路径交叉生成一个路由,该算法存在着路径非最优化问题。为此,提出了一种基于遗传算法的谣传路由协议,它由谣传算法生成多条路径,利用遗传算法对此多条路径进行操作,将能量消耗作为评价指标,生成最优的路径。仿真表明,此算法能有效的降低节点的能量消耗,极大的延长了网络的生存时间。     

基于网络流的无线传感网负载均衡问题算法

在大规模无线传感器网络中,普通节点与有较大能源和计算能力的网关节点相连,由网关融合成员节点的数据并实现数据的长距离路由转发.网关节点负载均衡问题是无线传感器网络路由中的关键问题,Low给出了负载均衡问题一个近似度为3/2的算法,我们举出反例证明此算法的近似度不可能为3/2,并设计了一种新的近似度为2的基于网络流的算法.实验仿真表明,在节点数较多的大规模传感网络中,新算法的近似度更低.     

基于网络流的无线传感网负载均衡问题算法

在大规模无线传感器网络中,普通节点与有较大能源和计算能力的网关节点相连,由网关融合成员节点的数据并实现数据的长距离路由转发．网关节点负载均衡问题是无线传感器网络路由中的关键问题,Low给出了负载均衡问题一个近似度为3／2的算法,我们举出反例证明此算法的近似度不可能为3／2,并设计了一种新的近似度为2的基于网络流的算法．实验仿真表明,在节点数较多的大规模传感网络中,新算法的近似度更低．     

一种基于改进型遗传算法的模糊聚类

针对模糊C均值算法(FCM算法)难以达到全局最优解的问题,引入了具有全局搜索能力的遗传算法以解决聚类问题,并在标准遗传算法基础上进行了改进。将该算法运用于IR IS数据的聚类,实现了较好的聚类,从而验证了算法的有效性。     

一种基于遗传算法的混合聚类技术

模糊Ｃ－ 均值算法是一种比较有的数据聚类方法,然而在聚类数不能事先确定,或样本空间太大时,聚类非常困难。遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随行、自适应的搜索算法。将遗传算法与模糊聚类技术结合起来,提出一种混合聚类的方案。该方案能够快速正确的实现聚类,且不需事先认定聚类数。实验结果令人满意。     

无线传感器网络的一种负载均衡的组簇模型

为了保证无线传感器网络的簇头节点的能量有效、避免网络拥塞,提出了一种负载均衡的组簇模型 (load balanced join cluster model,LBJCM).在网络完成簇头节点的选举后,对属于多个簇头簇半径内的普通节点,根据LBJCM选择最终簇头加入.LBJCM综合考虑了簇头节点的局部密度和距离候选簇头的距离,使得属于多个簇范围的普通节点被合理地分配到各个簇头.仿真实验表明,与其他常用的组簇模型相比,利用LBJCM进行组簇能获得更好的簇间负载均衡性能.     

WSN中基于负载均衡的EAMCT-G优化算法

针对EAMCT-G算法中个别簇头因成员过多使其能量过早耗尽的问题,基于负载均衡的思想,通过引入能量和距离的综合权值,对簇成员加入簇的选择策略加以改进,改善了个别簇头负载压力过大的情况．又通过引入双优化阈值,避免优化后新的负载不均衡情况出现,保证各簇头负载比较均衡,能量在各个簇间均匀分布,从而延长了整个网络的生存期．     

基于模糊聚类的改进遗传算法

针对导致遗传算法早熟收敛的原因,提出一种基于模糊聚类的改进遗传算法(FMGA),给出了FMGA算法实施的详细步骤,并研究确定了算法控制参数的取值.最后,对FMGA进行了数值仿真,仿真结果表明,FMGA能有效避免早熟收敛,在较短时间内逼近全局最优解,运算结果较基本遗传算法的提高4个数量级,而且运算过程不存在震荡现象.     

一种基于WSN的协议改进算法分析

针对无线传感器网络(WSN)路由协议LEACH 算法中簇首分配不均以及簇首与Sink节点直接通信的问题,提出一种新的无线传感器网络LEACH路由算法.该算法通过节点能量分簇,并在簇首的数据发送过程中引入了改进的多跳路由算法.仿真结果表明,改进后的算法在网络生存时间和节省能量上比LEACH 算法有了很大提高.     

基于遗传算法的一种自动聚类方法

遗传算法(Genetic Algorithm,简称GA)是一类模拟生物界的进化规律(适者生存,优胜劣汰遗传机制)而形成的一种最适应全局优化概率搜索算法。针对常规动态聚类方法对初始聚类中心的敏感性以及聚类结果与样本输入次序有关等问题,本文提出了一种基于GA的动态聚类方法,并将它应用到数据库的数据分析中。计算结果表明,该方法是一个具有全局最优解的动态聚类方法,其结果明显好于K-均值聚类算法。     

基于遗传算法的Web集群负载均衡方法

Web集群技术解决了Web服务器系统的容量问题,其核心思想是负载均衡策略和算法。在此对Web集群中的负载均衡技术进行了分析和探讨,并提出一种混合遗传算法。仿真实验表明,这种算法能有效解决Web集群的负载均衡问题,并且能避免标准遗传算法的早熟收敛现象,同传统的负载均衡方法相比,降低了任务执行时间。     

基于量子遗传算法的WSNs能量均衡路由优化

针对无线传感器网络（WSNs）中传感器节点能量有限,以及单一的传输路径所带来的能量消耗不均衡的问题,引入量子遗传算法对其进行优化。充分利用量子遗传算法高效搜索和全局优化的能力,在综合考虑网络耗能和路径延迟的基础上全局优化路由;并对算法的一些环节如量子比特编码、适应度函数的设计以及量子变异进行了详细的分析与设计。仿真表明：与传统遗传算法相比,量子遗传算法在降低网络能耗,延长网络生命期方面有着优越性．     

基于改进遗传算法的模糊C均值聚类算法

针对传统模糊C均值聚类算法(FCM)的缺陷,提出了一种基于改进遗传算法的模糊聚类方法.利用改进遗传算法强大的全局寻优能力,这种算法较好地克服了FCM算法对初始化敏感、容易陷入局部最优的缺陷.仿真实验证明,该算法具有较强的全局寻优能力和较快的收敛速度.     

HCM聚类算法的改进-MHCM聚类算法

硬聚类算法HCM的求解结果通常是局部最优解,本文将遗传算法应用于HCM聚类算法,同时考虑到该算法实现时的效率和开销,最终提出了一种新的算法MHCM聚类算法。测试数据实验表明采用MHCM聚类算法的结果90%以上能够取得全局最优解,远远超出了采用HCM算法所取得全局最优解的次数,证明了本算法的可推广性。     

一种基于遗传算法的用户聚类模型的研究

本文提出了一种基于遗传算法,结合网站的拓扑结构,对网站用户进行聚类分析的模型,阐述了遗传算法在优化过程中染色体编码、遗传算子的设计等问题.实验证明能解决常规聚类算法不能有效处理局部极值、聚类结果对初始聚类中心的选取有着很大的敏感性的问题,是一种有实用价值的方法.     

一种改进的基于密度的DBSCAN聚类算法

主要讨论数据挖掘领域中一种基于密度的DBSCAN聚类算法,并对算法进行改进。利用取样技术缩小数据库的规模,减少算法的运行时间。利用遗传算法对聚类结果进行优化,保证聚类的质量。给出了一种基于取样的DBSCAN算法及其遗传优化。最后实验证明了算法的有效性。