论文部分内容阅读
群体智能算法是解决复杂优化问题的一种重要方式。该方法主要通过模拟自然界中的某些生物行为,在可行解空间通过逐步迭代的方式得出待优化问题的结果。相比梯度下降等传统优化算法,群体智能优化算法具有较强的鲁棒性,在实际应用中也十分容易实现。群体智能算法为解决复杂的参数优化问题提供了新的思路,受到了相关学者的广泛关注并成功解决了许多优化难题。果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)是近年来提出的一种新型群体智能算法,有着计算量低,收敛速度快,流程简单的特点。目前果蝇优化算法已经在科研和生产领域中得到了较为广泛的应用,然而在实际算法应用中FOA也存在着容易陷入局部最优,不能完整遍历可行域,搜索方式不灵活等问题,这些缺陷限制了FOA的应用范围,成为FOA算法研究中亟待解决的问题。本文通过研究FOA算法的寻优过程,针对FOA的缺陷提出了一种引入牵引机制的果蝇优化算法(Traction Fruit Fly Optimization Algorithm,TFOA),并对TFOA分别在离散和连续两种环境下进行了寻优能力测试,以验证算法的优化能力。同时,利用果蝇优化算法计算量低,寻优速度快的特点将改进之后的果蝇优化算法应用于无线传感器网络节点定位问题的研究,拓展了果蝇优化算法在无线传感器网络领域的应用范围。实验证明,相比传统定位算法,结合TFOA的定位算法定位精度更高,抗测距误差能力更强,相比粒子群算法和遗传算法,本文的定位算法收敛速度较快,定位效果更好。本文研究的主要内容总结如下。(1)从理论上证明了果蝇优化算法的缺陷并对算法的收敛性进行了详细的数学分析。针对FOA的缺陷在原始算法的基础上引入了牵引机制和新的搜索半径计算方式,解决了原有算法不能遍历实数域、容易陷入局部最优的问题。(2)为了验证算法改进之后的性能,首先将本文算法与四种改进的果蝇优化算法对12个标准测试函数进行极值求解以验证算法在连续环境下的寻优能力,然后通过对Web服务组合问题进行优化,进一步验证TFOA在离散环境下的有效性。(3)使用TFOA对无线传感器网络环境下的节点定位问题进行研究。通过将无线传感器网络节点定位问题转化为算法约束优化问题后,使用TFOA结合质心定位算法和最优解震荡策略对无线传感器网络节点进行定位,并在仿真环境下和传统基于测距的节点定位算法,粒子群算法以及遗传算法进行了对比实验,以验证本文算法的定位效果。