Constrained particle swarm algorithms for optimizing coverage of large-scale camera networks with mobile nodes
Constrained particle swarm algorithms for optimizing coverage of large-scale camera networks with mobile nodes
复制标题
用于优化移动节点大规模摄像机网络覆盖范围的约束粒子群算法
DOI：
10.1007/s00500-012-0978-2
复制
发表时间：
2013-01
期刊：
影响因子：
4.1
通讯作者：
Emile A. Hendriks
中科院分区：
文献类型：
--
作者：
徐义春;雷帮军;Emile A. Hendriks
合理的传感器布局是大规模传感器网络可用性最大化的关键。特别是，传感器网络覆盖的总感测区域可以最大化，如果我们最佳地安排所有的传感器。为了解决这一覆盖优化问题，本文研究了一种典型的传感器网络-摄像机网络。在该网络中，摄像机的位置和方向都可以调整。一个有趣的约束是移动距离限制。它将优化问题转化为一个约束问题。为了解决这个问题，我们调查作为可能的解决方案的粒子群优化（PSO）算法，即吸收PSO，惩罚PSO和反射PSO的三个变化。它们是根据几个基准测试的。实验结果表明，粒子群算法可以有效地应用于约束摄像机网络的覆盖优化。该算法适用于一般传感器网络的覆盖优化。统计分析表明，上述三种算法的性能是由高到低的。结果进一步证明了吸收粒子群算法是提高上述传感器网络覆盖率的最优选择。
Proper sensor placement is crucial for maximizing the usability of large-scale sensor networks. Specially, the total sensible area covered by a sensor network can be maximized if we optimally arrange all sensors. To address this coverage optimization problem, this paper studies a typical sensor network—camera network. In this network, both locations and orientations of the cameras can be adjusted. An interesting constraint is the moving distance limitation. It transforms the optimization into a constrained problem. To tackle this problem, we investigate as possible solutions three variations of the particle swarm optimization (PSO) algorithm, namely the absorbing PSO, the penalty PSO, and the reflecting PSO. They are tested against several benchmarks. The experiments show that the PSO can be effectively applied on optimizing the coverage of the constrained camera network. And it can be easily adapted for coverage optimization of general sensor networks. The statistical analysis shows that the performances of the above three algorithms are in descending order. The results further prove that the absorbing PSO is an optimal choice for improving the coverage of the aforementioned sensor network.
登录
查看更多内容
DOI：
10.1145/2598394.2605342
发表时间：
2014-07
期刊：
Proceedings of the Companion Publication of the 2014 Annual Conference on Genetic and Evolutionary Computation
影响因子：
--
作者：
A. Engelbrecht
通讯作者：
A. Engelbrecht
DOI：
10.1016/b978-0-12-409547-2.14581-0
发表时间：
2020
期刊：
Comprehensive Chemometrics
影响因子：
--
作者：
Federico Marini;Beata Walczak
通讯作者：
Federico Marini;Beata Walczak
DOI：
10.1201/9781003206477-5
发表时间：
2021-08
期刊：
Evolutionary Optimization Algorithms
影响因子：
--
作者：
A. Badar
通讯作者：
A. Badar
DOI：
10.1201/9780429422614-20
发表时间：
2018-10
期刊：
Swarm Intelligence Algorithms
影响因子：
--
作者：
Adam Slowik
通讯作者：
Adam Slowik
DOI：
10.1016/j.eswa.2009.02.077
发表时间：
2009-09
期刊：
Expert Syst. Appl.
影响因子：
--
作者：
Y. Hsieh;Y. Lee;P. You;Ta-Cheng Chen
通讯作者：
Y. Hsieh;Y. Lee;P. You;Ta-Cheng Chen