改进粒子群算法及其在传感器网络定位中的应用

摘要

粒子群优化算法（PSO）是一种群集智能搜索算法，来源于对鸟类捕食的行为模拟和其模型构建。因其定义简单，为解决复杂优化问题另辟蹊径且十分有效，因此，许多学者对其十分关注，且经过研究，该算法已在众多领域得以广泛应用。但由于其理论还很不完善，还存在过早收敛的问题。到目前为止，为改善这些不足，许许多多的改进算法被提出。本文在此基础上，以提高算法性能为最终目的，也深入研究了关于PSO的改进方法，并将此方法成功应用于传感器网络的节点定位中。
　　本文先是通过对粒子轨迹和算法收敛性的分析，分别对简化PSO系统和一般化PSO系统进行研究分析。另外对无约束的轨迹实例分析，更直观的描述了粒子的收敛性、周期性和离散性。基于此前分析找出致使过早收敛的成分和对其的解决方式。经过研究分析，得出算法的全局收敛条件和局部收敛条件。本文通过对基于惯性权重、学习因子、收缩因子、混合算法的改进PSO算法的研究，以传感器的节点定位为研究背景，充分利用混沌映射的优势，并结合PSO，提出了新的改进算法，仿真研究证实，该算法确实可以优化传感器网络的节点定位问题，并使其定位精度得以提高，定位速度得以加快，在传感器节点定位问题上是一种确实可行的解决途径。

目录

声明

致谢

摘要

1 绪论

1．1 论文选题依据与意义

1．2 课题国内外研究发展现状

1．2．1 粒子群优化算法研究进展

1．2．2 粒子群优化算法的应用

1．3 论文的主要工作及内容安排

2 粒子群优化算法

2．1 标准粒子群优化算法

2．1．1 标准粒子群优化算法的原理

2．1．2 粒子群优化算法参数的选择

2．1．3 算法的设计步骤

2．2 粒子群优化算法的早熟收敛及判定方法

2．3 本章小结

3 粒子轨迹与收敛性的分析

3．1 粒子轨迹

3．1．1 简化的PSO系统的分析

3．1．2 一般化的PSO系统的分析

3．2 无约束的粒子轨迹

3．2．1 无约束的粒子轨迹分析

3．2．2 轨迹实例

3．2．3 收敛轨迹的参数选择

3．3 算法的收敛性分析

3．3．1 PSO的局部收敛性

3．3．2 PSO的全局收敛性

3．4 本章小结

4 改进的粒子群优化算法

4．1 粒子群优化算法与其他进化算法的区别

4．2 粒子群优化算法的改进策略

4．2．1 调整惯性权重

4．2．2 引入收缩因子

4．2．3 引入变异因子

4．2．4 与其他算法的融合

4．2．5 其他改进方案

4．3 本章小结

5 改进的粒子群优化算法在传感器网络中的应用

5．1 无线传感器网络

5．2 粒子群优化算法的改进

5．2．1 混沌映射

5．2．2 惯性权重的改进

5．2．3 节点定位模型

5．2．4 算法步骤

5．2．5 实验仿真及结果分析

5．3 本章小结

结论

参考文献

作者简历

学位论文数据集