Internationale Zeitschrift für Schwarmintelligenz und Evolutionsberechnung

Abstrakt

Baldwinsches Lernen in Quantenevolutionsalgorithmen zur Lösung des feinkörnigen Lokalisierungsproblems in drahtlosen Sensornetzwerken

Mahdi Aziz* und Mohammad Meybodi

Ein Verfahren zur lokalen Suche (LS) ist ein Sucherleichterer, der memetischen Algorithmen hilft, ihre Nutzungsfähigkeit zu verbessern, was zu einer Konvergenz zu qualitativ hochwertigeren Lösungen führt. In diesem Artikel wird unter Verwendung des LS-Verfahrens in Form von Baldwinian Learning (BL) ein memetischer Quantenevolutionsalgorithmus (QEA) vorgeschlagen, um das feinkörnige Lokalisierungsproblem in drahtlosen Sensornetzwerken (WSNs) anzugehen. Da der QEA nur für binäre Domänenprobleme wie das Rucksackproblem verwendet werden kann, verwenden wir das Binär-zu-Real-Abbildungsverfahren, um es für die Lösung des Lokalisierungsproblems in WSNs geeignet zu machen. Um gute Anfangspositionen der Sensorknoten bereitzustellen, verwendet der Algorithmus ein Multi-Trilaterationsverfahren (MT) für die besten beobachteten Lösungen. Um den vorgeschlagenen Algorithmus zu testen, wird er zunächst mit seinen beiden Spin-offs (dem vorgeschlagenen Algorithmus ohne das MT-Verfahren und dem vorgeschlagenen Algorithmus ohne die BL- und MT-Verfahren) und dann mit sechs vorhandenen Optimierungsalgorithmen an zehn zufällig generierten Netzwerktopologien mit vier verschiedenen Konnektivitätsbereichen verglichen. Die Simulationsergebnisse deuten darauf hin, dass der vorgeschlagene Algorithmus bei der Schätzung der Positionen von Sensorknoten in WSNs die anderen Algorithmen deutlich übertrifft. Sie zeigen auch, wie effektiv die Anwendung des MT-Verfahrens und der BL-Methode auf den vorgeschlagenen Algorithmus bei der Lösung des Problems ist.