1、群集智能是在自然界社會性群居動物所表現(xiàn)出智能現(xiàn)象的啟發(fā)下提出的人工智能模式，是對生物群體協(xié)作所產(chǎn)生的復(fù)雜行為的模擬。由于其所具有的分布式控制、全局性信息傳播、自組織等特點，群集智能已經(jīng)成為智能計算的一個重要分支和研究熱點，并且在計算機科學(xué)、智能控制、網(wǎng)絡(luò)通信、機器人等領(lǐng)域得到廣泛應(yīng)用。本文研究一種新的群集智能優(yōu)化算法——自由搜索算法(FreeSearch，F(xiàn)S)，并將研究成果應(yīng)用于傳感器網(wǎng)絡(luò)的定位估計和覆蓋控制，主要研究工作如下。

2、>　　 (1)在探討群集智能思想起源、運行機理和數(shù)學(xué)模型的基礎(chǔ)上，對自由搜索算法展開深入研究，研究該算法的工作機理、算法模型和算法實現(xiàn)，并通過仿真實驗驗證了該算法的有效性。另外，從生物學(xué)背景、搜索機制、仿真結(jié)果等方面對自由搜索算法和微粒群算法進行深入比較。進而，闡述了自由搜索算法的研究方向。
　　 (2)針對基本自由搜索算法存在的不足，特別是該算法對個體鄰域搜索半徑敏感的問題，探討了算法的自適應(yīng)策略，提出了兩種改進算法:自由搜

3、索算法的改進和自適應(yīng)搜索算法。其目的是提高算法對環(huán)境的適應(yīng)性和魯棒性，兼顧全局搜索和局部搜索。實驗結(jié)果表明，兩種改進算法不僅能有效地克服原算法的不足，很好地避免搜索陷入局部次優(yōu)，而且比原算法具有更高的收斂速度、收斂精度和尋優(yōu)成功率。
　　 (3)在深入研究混合策略的基礎(chǔ)上，提出了基于遺傳算法(GA)和自由搜索算法(FS)的混合算法——粗細粒交叉搜索算法(GAFS)。在GAFS算法中，設(shè)計了粗粒交叉和細粒交叉兩種算子，通過個體之間

4、的粗粒交叉提高算法的全局搜索能力，同時在個體搜索半徑內(nèi)部進行的細粒交叉提高其收斂速度，從而實現(xiàn)了算法在“探索”與“開發(fā)”之間的動態(tài)平衡。
　　 (4)為了進一步探索混合策略的作用，有針對性地設(shè)計了粗粒交叉和克隆變異兩種算子，提出了一種新的遺傳微粒群算法(GAPSO)。通過粗粒交叉克服微粒群算法在尋優(yōu)過程中的微粒聚集現(xiàn)象，使其有效地跳出局部次優(yōu)，提高搜索成功率，同時利用克隆變異解決PSO算法在進化后期收斂速度變慢、收斂精度不高的問

5、題，從而有效地提高了算法搜索能力和搜索效率。
　　 (5)在給出基于精英策略的多目標進化模型，探討多目標進化中的種群多樣性、支配隊列和適應(yīng)值分配等策略的基礎(chǔ)上，拓展自由搜索算法的適用領(lǐng)域，構(gòu)建了多目標自由搜索算法(MultiobjectiveFreeSearchAlgorithm，MOFS)。在設(shè)計MOFS算法的過程中，針對多目標優(yōu)化的特點:提出了一種新的適應(yīng)值定義方法;重新定義靈敏度和信息素，構(gòu)建了新的搜索機制;設(shè)計了算法的自

6、適應(yīng)策略;建立了外存檔案，采用基于網(wǎng)格的多樣性保持策略。并且，通過數(shù)值仿真驗證了MOFS算法的正確性和高效性。
　　 (6)將自由搜索算法和多目標自由搜索算法分別應(yīng)用于無線傳感器網(wǎng)絡(luò)(WSN)的節(jié)點定位和覆蓋控制。節(jié)點定位是完成部署后WSN面臨的首要問題，因為沒有位置條件的信息毫無意義。將FS算法引入傳感器網(wǎng)絡(luò)的節(jié)點定位問題，提出了基于FS優(yōu)化的智能估計節(jié)點定位算法，利用FS尋優(yōu)獲得未知節(jié)點坐標的最優(yōu)估計。覆蓋是WSN應(yīng)用中的基

7、本問題，采用合適的覆蓋控制策略，可以改善WSN感知監(jiān)視的服務(wù)質(zhì)量(QualityofService，QoS)，同時延長網(wǎng)絡(luò)的生命周期。本文以傳感器網(wǎng)絡(luò)的覆蓋率和生命周期為目標，提出了WSN覆蓋控制的多目標優(yōu)化模型，將WSN的覆蓋控制轉(zhuǎn)化為多目標優(yōu)化問題。在傳感器網(wǎng)絡(luò)的運行過程中，利用MOFS算法對其進行實時覆蓋控制，并且在覆蓋控制中兼顧網(wǎng)絡(luò)能耗的區(qū)域平衡以提高網(wǎng)絡(luò)的覆蓋質(zhì)量，從而保證WSN在整個監(jiān)視區(qū)域中保持高覆蓋率的同時，延長其生命周