资源描述：
《无线传感器网络论文：基于量子遗传算法的无线传感器网络能量优化研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、无线传感器网络论文：基于量子遗传算法的无线传感器网络能量优化研究【中文摘要】无线传感器网络是由大量具有通信和计算能力的无线传感器节点组成的部署在目标区域完成指定任务的自组织、自治、自适应的多跳网络。传感器网络的可移动性决定了它应用的优越性和广泛性,但是又由于其可移动性,通常工作在野外且其能量主要由电池来提供,因此也导致了其能源供应的局限性。作为多跳网络且能量受限,因此无线传感器网络的路径搜索算法和能量优化成为了近年来广大学者的研究的两大热点问题。量子遗传算法是传统遗传算法与量子计算理论相结合而产生的新型随机搜索优化算法。它不但继承了传统遗传算法的高效并行的优点,还同时具有种群规模小、搜索
2、能力强、收敛速度快且最优解稳定性高等特点。因此其求解组合优化问题可以表现出优越的性能。论文首先从遗传算法出发分析其优缺点,介绍了量子计算相关理论,引出量子遗传算法并对量子比特编码和量子比特更新这两个关键内容进行了详细的描述,给出了量子遗传算法的突出特点。然后详细描述将量子遗传算法引入到无线传感器网络进行路由搜寻的具体实现,通过路由搜寻结果与粒子群优化算法比较分析该算法应用于网络路由查找的相关性能。基于此量子遗传算法进行传感器路由的模型,引入能量优化策略,平均化网络各节点的能量消耗速度,提高网络性能。在大规模传感器网络中,上述编码方式下的量子遗传算法由于网络规模扩大而导致算法复杂度过高,因
3、此本文采用一种改进的编解码思路,减短大规模传感器网络下量子染色体的编码长度,解决传统路由搜索算法无法满足大规模网络路由搜索和实时性的要求。论文利用VisualC++6.0为主要编程工具,并利用MATLAB作图,实现算法在无线传感器网络中的系统仿真实验。实验结果表明：(1)量子遗传算法应用于传感器网络进行路径搜索比粒子群优化算法具有更快的收敛速度和更优的路径搜索结果。(2)引入能量分级策略后,传感器网络融合中心处的各个节点的能量更为平均化,提高了网络的生存时间。并且分析了合理选择能量分级的级数,提高网络生存时间的同时也满足对路径搜索的实时性要求。(3)改进编码方式下的量子遗传算法成功解决了
4、大规模传感器网络最优路径搜索问题,结合能量优化策略,优化了传感器网络的能量效率,从而提高了无线传感器网络的性能。【英文摘要】Wirelesssensornetwork(WSN)iscomposedofalargenumberofwirelesssenornodeswhichcancommunicatewitheachotherandpossesscomputingcapabilities.Thesenodesaredeployedinthetargetareatocompletetheassignedtask.SotheWSNisaself-organizing,autonomous,a
5、daptivemulti-hopnetwork.BecauseoftheWSN’smobility,itenablesitssuperiorityandbroadapplication.Ontheotherhand,sinceWSNusuallyworksinthefieldanditsmainenergysourceisprovidedbythebattery,themobilityalsoledtothelimitationoftheenergysupplying.Becauseofthemulti-hopandenergylimitation,routingsearchalgori
6、thmsandenergyoptimizationaretwocurrenthotissuesinWSN.Quantumgeneticalgorithm(QGA)isanewrandomsearchoptimizationalgorithm,whichiscombinedbytraditionalgeneticalgorithmandquantumcomputingtheory.QGAdoesnotonlyinherittheadvantagesofparallelandhigh-performanceoftraditionalgeneticalgorithm,butalsohasasm
7、allpopulationsize,ahighsearchcapability,rapidconvergenceandahighstabilityoptimalsolution.ThereforeQGAcanshowsuperiorperformancetosolvecombinatorialoptimizationproblems.Firstly,theadvantagesanddisadvantagesofgeneticalgo
