Revista internacional de inteligencia de enjambre y computación evolutiva

Abstracto

Aprendizaje baldwiniano en algoritmos evolutivos cuánticos para resolver el problema de localización de grano fino en redes de sensores inalámbricos

Mahdi Aziz* y Mohammad Meybodi

Un procedimiento de búsqueda local (LS) es un facilitador de búsqueda que ayuda a los algoritmos meméticos a mejorar su capacidad de explotación, lo que da como resultado la convergencia hacia soluciones de mayor calidad. En este artículo, utilizando el procedimiento LS en forma de aprendizaje baldwiniano (BL), se propone un algoritmo evolutivo cuántico memético (QEA) para abordar el problema de localización de grano fino en redes de sensores inalámbricos (WSN). Dado que el QEA solo se puede utilizar para problemas de dominio binario como el problema de la mochila, utilizamos el procedimiento de mapeo binario a real para que sea adecuado para resolver el problema de localización en WSN. Para proporcionar buenas posiciones iniciales de los nodos de los sensores, el algoritmo emplea un procedimiento de multitrilateración (MT) en las mejores soluciones observadas. Para probar el algoritmo propuesto, primero se lo compara con sus dos derivados (el algoritmo propuesto sin el procedimiento MT y el algoritmo propuesto sin los procedimientos BL y MT) y luego se lo compara con seis algoritmos de optimización existentes en diez topologías de red generadas aleatoriamente con cuatro rangos de conectividad diferentes. Los resultados de la simulación sugieren que el algoritmo propuesto supera significativamente a los demás algoritmos en términos de estimación de las posiciones de los nodos de sensores en las redes inalámbricas de sensores. También señalan la eficacia de aplicar el procedimiento MT y el método BL al algoritmo propuesto para resolver el problema.