声明
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 粒子群算法
1.2.2 狼群算法
1.2.3 混合群智能优化算法
1.3 本文主要研究内容
1.4 本文结构安排
2 标准粒子群算法和狼群算法
2.1 标准粒子群算法
2.1.1 标准粒子群算法起源
2.1.2 标准粒子群算法基本思想
2.1.3 标准粒子群算法基本流程
2.2 狼群算法
2.2.1 狼群算法起源
2.2.2 狼群算法中基本概念
2.2.3 狼群算法基本思想
2.2.4 狼群算法基本流程
2.3 算法混合的必要性
2.4 小结
3 基于狼群更新机制和围攻狼奔走的个体历史最优位置系数
3.1 加入个体历史最优位置系数的粒子群算法
3.1.1 个体历史最优位置递减系数
3.1.2 仿真实验
3.2 基于狼群更新机制和围攻狼奔走的个体历史最优位置系数粒子群算法(S-λPSO)
3.2.1 融入狼群更新机制
3.2.2 加入围攻狼奔走搜索算子
3.2.3 仿真实验
3.3 小结
4 基于狼群更新机制和围攻狼奔走的个体历史最优位置系数
4.1 多目标优化问题描述
4.1.1 多目标优化理论
4.1.2 多目标优化问题数学模型
4.1.3 多目标优化问题基本概念
4.1.4 多目标优化问题的特点
4.2 基于狼群更新机制和围攻狼奔走的个体历史最优位置系数多目标粒子群算法(S-λMOPSO)
4.3 仿真实验
4.3.1 测试函数的选取
4.3.2 算法性能评价指标
4.3.3 仿真实验结果
4.4 小结
5 共享优质个体的粒子群和狼群混合算法(W-PSO)及其在WSN网络覆盖率优化中的应用
5.1 共享优质个体的粒子群和狼群混合算法(W-PSO)
5.1.1 W-PSO算法原理
5.1.2 W-PSO算法基本流程
5.2 无线传感网络中的网络覆盖问题描述
5.2.1 无线传感器网络模型
5.2.2 概率监测模型
5.2.3 网络覆盖模型
5.3 W-PSO在WSN网络覆盖率优化问题应用
5.3.1 仿真实验参数设置
5.3.2 仿真实验结果
5.4 小结
6 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
在攻读学位期间取得的科研成果
东华理工大学;