基于改进骨干粒子群算法的无线传感器网络多目标优化

孟建军 ,  吕世隆 ,  孟高阳 ,  张同健 ,  李怡璇

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (10) :4382-4388

PDF (6051KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (10) :4382-4388 DOI: 10.12404/j.issn.1671-1815.2503304
交通运输

基于改进骨干粒子群算法的无线传感器网络多目标优化

作者信息 +

Multi-objective Optimized WSN Based on Improved Backbone Particle Swarm Optimization

Author information +
文章历史 +

摘要

为解决列车姿态测量系统的铁路监测场景中无线传感器网络的覆盖和能耗之间平衡优化难题,提出了一种基于自适应骨干粒子群算法。建立了面向铁路线性监测的三维优化模型:综合考虑了区域覆盖率、系统总能耗与关键监测点的覆盖需求,构建了更贴合工程实际的多目标优化模型。算法引入了动态惯性权重与骨干粒子数量调整机制,以平衡全局探索与局部开发能力;并采用ε-精英逐维反向学习策略提升跳出局部最优的概率。仿真结果表明,相较于传统PSO算法、APSO算法及BPSO算法,ABPSO算法能以更快的收敛速度和更低的能耗,实现更高的网络覆盖率与更优的能耗均衡性。在复杂场景中,能有效保障重点区域的监测质量,为铁路沿线无线传感器网络(wireless sensor network,WSN)部署提供了高效可靠的解决方案。

Abstract

Aiming at the challenge of balancing the optimization between coverage and energy consumption of wireless sensor networks in the railroad monitoring scenario of train attitude measurement system, an adaptive backbone particle swarm based algorithm was proposed. A three-dimensional optimisation model for railway line monitoring was established. By comprehensively considering regional coverage, total system energy consumption, and coverage requirements for critical monitoring points, a multi-objective optimisation model more closely aligned with engineering practice was constructed. A dynamic inertia weight and backbone particle number adjustment mechanism were incorporated to balance global exploration and local exploitation capabilities. An ε-elite dimension-wise backpropagation learning strategy was employed to enhance the probability of escaping local optima. Simulation results demonstrate that compared to traditional PSO, APSO, and BPSO algorithms, ABPSO achieves higher network coverage and superior energy balance with faster convergence and lower energy consumption. In complex scenarios, it effectively safeguards monitoring quality in critical areas, providing an efficient and reliable solution for WSN deployment along railway lines.

Graphical abstract

关键词

铁路环境监测 / 无线传感器网络 / 节点部署 / 多目标粒子群优化 / 均衡能耗

Key words

railway environmental monitoring / wireless sensor networks / node deployment / multi-objective particle swarm optimization / equalize energy consumption

引用本文

引用格式 ▾
孟建军, 吕世隆, 孟高阳, 张同健, 李怡璇. 基于改进骨干粒子群算法的无线传感器网络多目标优化[J]. 科学技术与工程, 2026, 26(10): 4382-4388 DOI:10.12404/j.issn.1671-1815.2503304
MENG Jian-jun, LÜ Shi-long, MENG Gao-yang, ZHANG Tong-jian, LI Yi-xuan. Multi-objective Optimized WSN Based on Improved Backbone Particle Swarm Optimization[J]. Science Technology and Engineering, 2026, 26(10): 4382-4388 DOI:10.12404/j.issn.1671-1815.2503304

登录浏览全文

4963

注册一个新账户 忘记密码

中国幅员辽阔,不同地区铁路运营环境千差万别。其中,沿海、高原以及山谷丛林等地区的复杂运行环境都将严重威胁高速列车的安全运营。近年来,无线传感器网络[1](wireless sensor network,WSN)在铁路轨道、河流流域、矿井环境等链状区域的环境中得到了广泛的应用[2-3]。随着中国铁路交通的日益发展,西部地区的铁路运营也在快速铺展开来,以兰新铁路的运行环境为参考,其穿行于河西走廊、戈壁荒漠及百里风区,环境恶劣且地质复杂。传统的固定式监测设备部署困难、维护成本极高[4]。在此类‘链状’延伸的铁路廊道中部署WSN,对关键点位(如风区监测点、桥梁支座、隧道出入口)的覆盖质量,以及设备在无市电条件下的长期能耗表现,共同构成了网络部署的核心挑战。本文的研究即是为了应对此类典型工程场景,旨在通过智能优化算法,在满足关键点位覆盖需求的前提下,最大限度地延长网络整体寿命。无线传感器网络凭借低成本、高灵活性的部署优势,在列车状态监测领域中发挥着基础性支撑作用[5]。无线传感网络在运行过程中普遍存在能耗分布不均问题,进而引发网络生命周期缩减。针对这一技术挑战,需解决以下核心问题:如何在提升网络覆盖范围的同时,优化各区域间的能耗均衡性以延长网络寿命,并有效控制部署成本[6-7]。
传感器节点的空间分布策略对监测区域的覆盖效能具有决定性影响,科学规划的节点布局不仅能降低能耗开支,更能有效提升网络运行效率[8]。在轨道交通监测场景中,考虑到轨道沿线地理环境的复杂性,工程实践中常采用随机布设方式,但这种粗放式部署往往引发双重覆盖问题:其一是覆盖盲区现象,这会造成监控数据缺失,严重影响监测质量;其二是节点过度重叠问题,具体表现为冗余节点产生的无效监测数据以及重复传输行为,这不仅仅加剧了能耗负担,更会缩短整个网络的生命周期[9-10]。这些年来,中外专家和学者团队就无线传感器网络覆盖优化的问题进行了各种方向的研究。Ou等[11]对于覆盖问题结合了Sobel序列、反向学习和镜像莱芜飞行的多策略灰狼优化器的算法。文献[2]提出将两种算法结合的解决方案,该研究通过构建遗传算法与鲸鱼优化算法的融合机制,协同发挥种群进化与仿生搜索优势,在提升全局寻优能力的同时有效抑制早熟收敛与局部极值陷阱,但当前模型尚未充分考量节点能耗约束对算法性能的影响。
介于以上这些问题,根据铁路轨道沿线线性WSN部署特点及应用相关需求,现提出一种基于自适应的骨干粒子群的多目标优化的WSN覆盖算法。通过自适应调整惯性权重、骨干传感器数量及动态权重分配,实现对铁路沿线环境的深入探索与开发的高效平衡,加快无线传感器网络的部署速度,确保网络能够迅速覆盖整个监测区域。同时,在保证高覆盖率的前提下,通过精细调控降低传感器的功耗,延长网络的使用寿命。此外,其内置的动态调整机制和随机扰动策略,使得传感器部署方案对铁路沿线的复杂地形、气候等初始条件以及监测区域的大小具有较强的适应性,确保无线传感器网络在各种环境下都能稳定发挥高性能,为铁路的安全运营提供有力的技术支撑。

1 模型构建与假设

1.1 节点覆盖模型

铁道线路自身存在不规则性与复杂性,像包含弯道、坡度变化的轨道,结构繁杂的道岔区域以及各异的桥梁、隧道等。采用基于区域面积的计算方式难以精准划分传感器节点覆盖区域,而离散点方式可在关键位置如道岔的转辙机动作杆、尖轨密贴处等设置,针对性评估关键部位监测情况。并且考虑到列车运行时的动态监测需求,在轨道沿线依间隔设离散点可更好监测列车运行参数变化,能依据离散点数据灵活判断监测覆盖率,而基于区域面积计算难以适应动态监测场景。

监测区域是二维的且随机抛洒的传感器节点为N个,每个传感器节点的位置坐标表示为zi=(xi,yi),i=1,2,…,N所有的传感器节点表示为集合Z={z1,z2,…,zN},传感器的感知半径为rs,通信半径为rc,且2rs=rc将监测区域划分为m×n个网格,其中每个格点的位置为sj=(xj,yj),传感器节点与网格点的位置可以表示为

d(zi,sj)=$\sqrt{({x}_{i}-{x}_{j}{)}^{2}+({y}_{i}-{y}_{j}{)}^{2}}$

传感器的感知模型采用布尔模型,参数p作为覆盖状态的二元判定参数,当取值为1时表征监测目标处于传感器节点的有效感知区域内;当赋值为0时则对应目标点P未被节点探测范围所覆盖的物理状态。

p(zi,sj)=$\left\{\begin{array}{ll}1,& d({z}_{i},{s}_{j})\le {r}_{\mathrm{s}}\\ 0,& d({z}_{i},{s}_{j})>{r}_{\mathrm{s}}\end{array}\right.$

则网格点sj被所有传感器节点覆盖的概率为

p(Z,sj)=${\cup }_{i=1}^{N}$p(Zi,sj)

监测区域的覆盖率定义为

pcov=$\frac{\stackrel{m\times n}{\sum _{j=1}}p(Z,{s}_{j})}{mn}$

1.2 节点能耗模型

设节点集合为{N1,N2,…,Nm},用Pbase表示每个节点的基本功耗且等于1,k表示通信距离的功耗因子且为0.1,总功耗为P。

先计算节点Ni与其他所有节点Nj之间的距离,其中(j=1,2,…,m且j≠i),距离的计算公式为

dij=$\sqrt{\stackrel{n}{\sum _{l=1}}({x}_{il}-{x}_{jl}{)}^{2}}$

式(5)中:xil为节点i在第l维上的坐标值;xjl为节点j在第l维上的坐标值。

然后,计算节点与其他所有节点通信产生的功耗,即

Pcom=k$\stackrel{m}{\sum _{j=1,j\ne i}}$dij

式(6)中:k为通信功耗的比例系数。

最后,将节点的基本功耗与通信功耗累加到总功耗中,即

P=Pbase+Pcom

式(7)中:P为所有节点总的功耗值。

1.3 目标函数

使用加权求和的方法,将覆盖率和功耗综合为单一目标函数。通过赋予权重将覆盖率wCov和功耗wPow这个多目标优化问题转换为单目标g优化。

g=wCov(1-pcov)+wPowP

2 相关理论及假设

2.1 最优部署理论

文献[12]在WSN覆盖优化领域建立了节点最优分布理论模型。如图1所示,三相邻节点通过正三角形结构实现空间最优配置,其顶点间距d等于$\sqrt{3}$倍传感半径,形成连续覆盖且存在探测交叠区的布局特征。该拓扑结构在保证探测连续性的前提下,既抑制了区域重复覆盖现象,又消除了监测盲区的产生。

2.2 相关假设

网络模型构建基于以下假设条件:传感单元在监测空间内服从随机概率分布;系统架构中消除节点异构特性,所有网络单元具备同构化特征,包括硬件配置、运算性能、通信模块及初始能量储备;为确保网络连通性,通信半径与感知半径保持C=2R的固定比例系数;各节点具备唯一性标识编码及自主定位功能,能够实现邻域节点拓扑关系的动态构建;全节点支持自主位置迁移,并能依据网络状态实时进行空间坐标优化。

3 改进算法求解问题

3.1 骨干粒子群算法

Clerc和Kennedy通过对粒子运动轨迹的分析,验证了粒子群优化过程中,各智能体会在迭代演进中持续逼近由个体历史最优解与群体协同最优解共同作用形成的动态平衡点,该收敛特性源于粒子运动轨迹受双重记忆效应的复合调控[13-14]。Zhang等[15]将基于种群精英保留机制的骨干粒子群算法拓展至多目标优化领域,验证了该算法在高维解空间的复杂系统优化场景中,相较于传统粒子群优化框架,在收敛精度和解集分布均匀度等关键指标上具有更明显的竞争优势。

相较于传统粒子群算法(particle swarm sptimization,PSO),骨干粒子群算法(bare-bones particle swarm optimization,BPSO)进行了参数精简:取消速度、惯性权重和加速系数。其粒子位置直接通过高斯分布更新参考式(9),即结合个体最优位置与群体全局最优位置进行概率采样。该设计不仅减少参数调整复杂度,还通过概率机制增强了算法的稳定性。

${x}_{id}^{t+1}$=N$\left(\frac{{p}_{id}^{t}+{p}_{gd}^{t}}{2},\left|{p}_{id}^{t}-{p}_{gd}^{t}\right|\right)$

式(9)中:N(·)为高斯分布函数;${p}_{id}^{t}$和${p}_{gd}^{t}$分别为第t次迭代个体最优解和全局最优解;t为粒子当前的迭代次数;${x}_{id}^{t}$为第i个粒子中第d维在第t次迭代的位置;$\left|{p}_{id}^{t}-{p}_{gd}^{t}\right|$为高斯分布的标准差。

通过解析BPSO的位置迭代模型可知,其算法架构摒弃了传统学习因子与惯性权重参数约束,这种去参数化特征显著降低算法迭代过程的运算开销。但该简化机制也伴随寻优策略调控能力的缺失,具体表现为算法缺乏对局部开发与全局探索行为的动态调节能力。因此,引入一种含动态惯性权重的随机更新方法。

3.1.1 骨干粒子引导

在优化算法架构中,通过引入精英保留机制筛选适应度表现优异的骨干粒子作为种群精英个体,构建基于信息共享的进化引导策略。具体而言,精英粒子通过位置坐标的概率传递作用,驱动普通粒子向优质解域迁移,这种协同机制不仅维持了种群多样性,更实现了全局勘探与局部开采的动态平衡。其速度和位置属性分别为

${v}_{id}^{t+1}$=ω${v}_{id}^{t}$+c1r1(${P}_{id,\mathrm{p}\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}^{t}$-${x}_{id}^{t}$)+

c2r2(${P}_{d,\mathrm{g}\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}^{t}$-${x}_{id}^{t}$)
${x}_{id}^{t+1}$=${x}_{id}^{t}$+${v}_{id}^{t+1}$

式中:${v}_{\mathrm{i}\mathrm{d}}^{t}$为第i个粒子第t代在第d维的速度;${x}_{id}^{t+1}$为第i个粒子第t+1代在第d维的速度;${x}_{id}^{t}$为第i个粒子第t代在第d维的位置;${x}_{id}^{t+1}$为第i个粒子第t+1代在第d维的位置;ω为惯性权重;c为学习因子;r为(0,1)上的随机数;Pid,pbest为第i个粒子在截至第t次迭代时,在第d维上的个体历史最优位置;Pd,gbest为整个粒子群体在截至第t次迭代时,在第d维上的全局历史最优位置。

3.1.2 更新加入者位置

为了适应解空间变化,使算法及时响应,对骨干粒子数量进行动态调整,既能避免早熟收敛,为粒子群提供新搜索方向,还能增强搜索多样性,全面覆盖解空间。

Bt={xi|rank[f(xi)]≤Nb}
${N}_{b}^{t}$=min$\left(3+\frac{t}{10},\frac{N}{3}\right)$

式中:Bt为第t代的骨干粒子集合;Nb为骨干粒子数量;rank[f(xi)]为粒子xi所处的排名;f(·)为适应度函数;Ntb为第t代时骨干粒子的数量。

3.1.3 ε-精英逐维反向学习策略

ε-精英逐维反向学习策略,逐维优化控制参数,快速响应临时限速约束,避免整体适应度掩盖单维度信息,通过ε阈值控制更新条件,前期增强全局搜索,后期聚焦局部开发。逐维反向解生成公式为

X'n,d=lbd+ubd-rXn,d

式(14)中:Xn,d为第n个个体在第d维的原始值;第n个个体在第d维生成的反向解;lbd和ubd为第d维的搜索边界。

适应度驱动更新规则为

${X}_{n,d}^{\mathrm{n}\mathrm{e}\mathrm{w}}$=$\left\{\begin{array}{ll}X\text{'}{}_{n,d}& \left[\right({X}_{n,1},\dots,X\text{'}{}_{n,d},\dots,X\text{'}{}_{n,D})<\epsilon f({X}_{n}\left)\right]\\ X\text{'}{}_{n,d},& 其他\end{array}\right.$

式(15)中:ε∈(0,1)为精英筛选阈值。

3.1.4 权重调整

对于多目标优化问题,目标函数之间往往是相互冲突的。比如,在节点覆盖算法优化中,减少能耗和节点覆盖率提升这两个目标很难同时达到最优。动态调整权重可以根据当前搜索状态,合理地平衡这些相互冲突的目标之间的关系。当发现某个目标已经得到较好的优化,而另一个目标还处于较劣状态时,通过调整权重,引导搜索过程向改善较差目标的方向进行,从而避免过度优化某一个目标而忽视其他目标,有助于找到更均衡的帕累托最优解。

wCov=wCov,0+α$\left(1-\frac{t}{T}\right)$
wPow=wPow,0+β$\frac{t}{T}$

式中:T为最大迭代次数;α和β为调整幅度,代码中取0.5;wCov:和wPow分别为当前代的覆盖率权重和功耗权重;wCov,0和wPow,0分别为覆盖率权重和功耗权重的初始值。

3.1.5 扰动机制

让粒子有可能跳出当前的搜索区域,去探索解空间中其他未被充分搜索的部分,这有助于避免算法过早陷入局部最优解,增加找到全局最优解的机会。

vi=vi+με, ε~N(0,σ2)

式(18)中:vi为第i个粒子的速度向量;μ为系数向量可用来调节随机项对速度更新的影响程度;ε为误差项向量,调节随机项对速度更新的影响程度,引导粒子向更好区域搜索。

3.2 ABPSO优化过程

图2为自适应骨干粒子群的优化流程图,首先完成参数与粒子状态的初始化;依次执行惯性权重的自适应调整、骨干粒子数的自适应调整、目标权重的动态调整操作;与此同时,计算粒子的目标函数值,更新粒子的个人最优位置与全局最优位置,同步记录相关数据并筛选骨干粒子,完成粒子速度与位置的更新;通过判断是否达到最大迭代次数实现流程控制:若未满足迭代终止条件,则重新调整惯性权重再步骤重复上述过程;若满足条件,则流程终止。

4 问题仿真验证与结果分析

4.1 仿真数据

为系统评估改进型ABPSO算法在WSN覆盖优化中的性能提升效果,基于MATLAB2021b数值计算平台构建了多算法对比实验框架。实验组设置包含经典PSO、自适应PSO(APSO)、骨干PSO(BPSO)及所提出的ABPSO。通过开展仿真对比实验系统评估不同算法的优化性能差异。核心参数配置遵循表1所示的标准化实验方案。

4.2 仿真结果

4.2.1 覆盖率优化

图3是对覆盖率这个单一目标进行优化,可知本文算法在覆盖率上明显优于其他3种算法。

若对覆盖率这个单一目标进行优化,由图4可得本文算法在覆盖率上明显优于其他3种算法。

当监测区域相同时,随着覆盖率的上升,功耗也必然不可避免地会增加。

4.2.2 覆盖率和能耗均衡

综合图5和图6中可以看到,所提出的混合算法ABPSO在收敛速度,覆盖率方面和能耗方面都有不错的表现,能够快速地以较低的功耗达到较高的覆盖率,并能保持长期的稳定结果。

改进算法功耗相较于其他算法能够在覆盖率和能耗之间快速找到平衡点。这表明改进后的算法ABPSO在寻找全局最优解方面具有更高的效率和准确性。

对覆盖率和能耗归一化处理后得到最终评分,最佳得分为目标函数的最小值。由图7可知,本文算法能够以较快地收敛次数得到最优的结果。

4.3 算法验证

为验证本文算法在WSN网络覆盖的实际控制效果,选取无障碍(图8)和有障碍(图9)两种场景进行仿真实验(100 m×100 m)。

设置5个重要监测点(红点),在工程实践中,无线传感网络的部署环境普遍存在地理约束条件,实际监测区域通常呈现非均匀地理特征。当监测空间存在地形障碍物时,会需要进行重点监测。这种现实约束条件使得针对复杂地物约束的覆盖优化模型具有更高的工程应用价值,仅需在评判标准公式(8)中加入约束即可。

g=wCov(1-pcov)+wPowP+λ$\stackrel{K}{\sum _{k=1}}$(1-δk)

式(19)中:g为目标;δk为第k个点是否被覆盖(0,1); λ为惩罚因子,可根据位置重要程度取值。

由图9可知,本文方法覆盖控制效果较好,并能够成功避开有障碍的地方,验证了算法的优越可靠性。

5 结论

(1)针对兰新铁路监测场景中无线传感器网络的覆盖与能耗均衡问题,建立了基于覆盖率和能耗,重要监测点为协同优化目标的三维评价体系,设计了多目标优化模型,更能满足铁路安全监测的需求。

(2)提出了一种基于自适应骨干粒子群算法(ABPSO)的多目标优化模型。通过动态调整惯性权重、骨干粒子数量及目标函数权重,并加入更新者和扰动项,增强了搜索的多样性。改善了BPSO算法在探索与开发间难以自适应平衡的缺陷,提升了复杂铁路环境下的网络部署效率与能效比。

(3)仿真实验表明,相较于传统粒子群算法(PSO)、自适应PSO(APSO)及骨干PSO(BPSO),ABPSO在覆盖率、能耗均衡性及收敛速度方面更具优势。在存在障碍物的复杂场景中,ABPSO成功监测到重点检测区域并降低冗余能耗。

(4)该算法为铁路沿线多变环境提供了可靠的节点部署方案,保障了列车姿态监测系统的长期稳定运行。可拓展至输电线巡检、管道监控等链状区域监测场景。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

余修武, 肖林, 刘永, 等. 融合测距修正和蜘蛛蜂优化的WSN定位算法[J]. 工程科学与技术, 2025, 57(5): 333-343.
[2]

Yu Xiuwu, Xiao Lin, Liu Yong, et al. A WSN positioning algorithm integrating range measurement correction and spider-inspired optimisation[J]. Engineering Science and Technology, 2025, 57(5): 333-343.
[3]

尹震宇, 李硕, 张飞青, 等. 基于虚拟力鲸鱼算法的船舶无线传感器网络覆盖优化方法[J/OL]. [2025-10-24]. 小型微型计算机系统. https://link.cnki.net/urlid/21.1106.TP.20250213.1801.022.

[4]

Yin Zhenyu, Li Shuo, Zhang Feiqing, et al. An optimisation method for coverage in shipboard wireless sensor networks based on the virtual force whale algorithm[J/OL]. [2025-10-24].Small and Micro Computer Systems. https://link.cnki.net/urlid/21.1106.TP.20250213.1801.022.

[5]

范新明. 一种改进灰狼优化算法的三维WSN覆盖优化研究[J]. 传感器与微系统, 2025, 44(8): 148-153.
[6]

Fan Xinming. Research on three-dimensional WSN coverage optimisation using an improved grey wolf optimisation algorithm[J]. Sensors and Microsystems, 2025, 44(8): 148-153.
[7]

丁红林, 张立文. 兰新铁路冻害分析与道床清筛整治冻害效果研究[J]. 山西建筑, 2025, 51(18): 114-118.
[8]

Ding Honglin, Zhang Liwen. Analysis of frost damage on the lanzhou-xinjiang railway and study on the effectiveness of ballast cleaning and screening in mitigating frost damage[J]. Shanxi Architecture, 2025, 51(18): 114-118.
[9]

雷丽婷, 蒋常升, 师光洲. 基于创新的混合算法在列车姿态测量系统中的应用研究[J]. 内燃机与配件, 2024(14): 22-24.
[10]

Lei Liting, Jiang Changsheng, Shi Guangzhou. Application research of an innovative hybrid algorithm in train attitude measurement systems[J]. Internal Combustion Engines and Accessories, 2024(14): 22-24.
[11]

余修武, 晋诗琪. 融合VFA和ISSA的多目标优化WSN覆盖算法[J]. 西安电子科技大学学报, 2024, 51(6): 60-72.
[12]

Yu Xiuwu, Jin Shiji. Multi-objective optimal WSN coverage algorithm incorporating VFA and ISSA[J]. Journal of Xi’an Electronic Science and Technology University, 2024, 51(6): 60-72.
[13]

尹博然. 无线传感器网络覆盖优化与节能算法研究[D]. 西宁: 青海师范大学, 2024.
[14]

Yin Boran. Research on coverage optimisation and energy saving algorithm for wireless sensor networks[D]. Xining: Qinghai Normal University, 2024.
[15]

孟建军, 周奇. 三线部署下高速铁路均匀簇首路由算法[J]. 铁道标准设计, 2024. DOI: 10.13238/j.issn.1004-2954.202408280002.
[16]

Meng Jianjun, Zhou Qi. Uniform cluster head routing algorithm for high-speed railway under three-line deployment[J]. Railway Stan-dard Design, 2024. DOI: 10.13238/j.issn.1004-2954.202408280002.
[17]

贾润亮, 张海玉. 改进群体智能算法的无线传感器网络覆盖优化[J]. 西南大学学报(自然科学版), 2024, 46(1): 155-166.
[18]

Jia Runliang, Zhang Haiyu. Improved population intelligence algorithm for wireless sensor network coverage optimisation[J]. Journal of Southwest University(Natural Science Edition), 2024, 46(1): 155-166.
[19]

Fang H, Zhou A, Zhang H. Information fusion in offspring genera-tion: a case study in DE and EDA[J]. Swarm and Evolutionary Computation, 2018, 42: 99-108.
[20]

Ou Y, Qin F, Zhou K Q, et al. An improved grey wolf optimizer with multi-strategies coverage in wireless sensor networks[J]. Symmetry, 2024, 16(3): 286-291.
[21]

Houssein E H, Saad M R, Hashim F A, et al. Lévy flight distribution: a new metaheuristic algorithm for solving engineering optimization problems[J]. Engineering Applications of Artificial Intelligence, 2020, 94.DOI: 10.3390/sym16030286.
[22]

Kennedy J. Bare bones particle swarms[C]// Proceedings of the 2003 IEEE Swarm Intelligence Symposium (SIS'03). Indianapolis: IEEE, 2003.DOI: 10.1109/SIS.2003.1202251.
[23]

Clerc M, Kennedy J. The particle swarm-explosion, stability, and convergence in a multidimensional complex space[J]. IEEE transactions on Evolutionary Computation, 2002, 6(1): 58-73.
[24]

Zhang Y, Gong D W, Ding Z. A bare-bones multi-objective particle swarm optimization algorithm for environmental/economic dispatch[J]. Infor-mation sciences, 2012, 192: 213-227.

基金资助

国家自然科学基金(62363021)

兰州市科技计划(2023-1-16)

PDF (6051KB)

42

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录