径向电力系统分布式发电机组优化配置的改进粒子群算法

摘要

本文提出了一种改进的粒子群优化算法（PSO）提出了在电力系统中优化DG单元的尺寸和位置，以改善系统的电压分布和降低系统的有功功率损耗。以IEEE 34配电母线系统为例进行了研究。提出了一个新的权重惯性方程，以改进PSO传统算法的性能通过控制惯性权重（影响算法中粒子的更新速度）完成此开发。针对自适应电力系统和改进的PSO算法开发了Matlab代码。结果表明，所提出的PSO算法成功地找到了所需DG单元的最佳尺寸和位置容量为1.6722 母线编号10处的MW。这使得所选母线的电压幅值等于1.0055 pu和改善了电力系统的总体状况。使用应用算法的适应度损失最小值为0.0.0406，而平均运行时间为62.2325 s、 此外，与基于线性惯性权重方程的传统PSO算法相比，所提出的PSO算法将有功损耗降低了31.6%，这意味着使用所提出的PSO算法的平均运行时间减少了21%。

1.介绍

目前，电力需求增加了，这反过来又增加了电力生产几乎达到其容量极限。电力需求的快速增长使输电系统达到了最大容量。因此，负责电网的公用事业公司必须投资更多的钱来扩大他们的能力，以满足需求的电力和防止任何电力中断[1］.接着，提出了许多解决问题的方法。其中一个解决方案是分布式发电(DG) [2］.DG机组是位于客户附近的并网机组，不论其容量或类型，均可向电网供电。一般来说，电力系统的运行依赖于集中式发电厂，而能量从发电到配电都是单向流动的。同时，DG的引入使电力系统由无源网络向有源网络转变。由于沿网分布的资源，有源电网意味着电力流动是双向的[3.]。分布式发电可带来若干好处，如电压支持、改善电能质量、降低损耗、输电和配电基础设施支持以及提高系统可靠性。

在电力系统中安装dg可能依赖于最弱的母线，但这不是最佳解决方案，因为它可能会对电力系统造成更高的功率损耗、电压波动问题、降低系统的稳定性等负面影响。此外，dg可能存在一些缺点，如不希望的反向潮流、电能质量问题和可靠性问题，特别是当使用可再生资源作为dg时[2］.因此，在电力系统中安装DG单元之前，需要进行适当的规划。在此优化过程中必须考虑几个方面，如DG单元的数量、容量和位置[2］.一般而言，该优化过程的目标函数包括系统总功率损耗最小化、能量损耗最小化、系统平均中断时间指标最小化、成本最小化、电压偏差最小化、DG容量最大化、利润最大化、效益/成本比最大化，电压极限负载能力最大化[4］.

有许多优化方法在基础、计算时间和可用于此目的的应用程序方面存在差异[5，6］.最有效的方法是基于启发式的方法。启发式方法采用迭代生成过程作为其下属启发式的先导，以找到优化问题的最优或接近最优解。这些方法结合了来自人工智能(如遗传算法)的概念[7]、禁忌搜索(TS) [8，粒子群优化算法[9]，蚁群系统算法[10]、人工蜂群(ABC) [11]、差异进化(DE) [12]、和声搜查(HS) [13和实用启发式算法[14］.

具体地说，粒子群算法已经在文献中多次被用于电力系统中DG的优化选型和布局。在[15]、粒子群算法(PSO)、重力搜索算法(GSA)和改进重力搜索算法(IGSA)在IEEE 69总线径向配电系统的基础上，确定了DG单元的最优尺寸和位置。提出的目标函数以最小化实际功率损耗、电压偏差、平均电压总谐波失真(THDv)和系统平均电压跌落幅度(SAVDM)为目标。根据实验结果，利用粒子群算法，得到了总损耗最小值。同样,在16]，在考虑电压水平最大化和功率损耗最小化的情况下，提出了粒子群算法来优化DG的布置。此外，本文还对粒子群算法与其他方法进行了比较。通过本研究发现，PSO在性能上优于其他两种方法。除此之外，在[17]，粒子优化方法用于多dg布置，以降低损耗和改善电压分布。因此，粒子群算法降低了功耗损耗，改善了系统的电压分布。

另一方面，在[18]，采用改进的粒子群算法对分布式能源进行优化分配。通过提出LEA和GSA算法，提高了PSO算法的性能。在本研究中，LEA利用粒子群算法固有的无能来处理连续决策变量，从而避免了一些局部陷阱。同时，GSA实质上压缩了问题的搜索空间，以保持足够的多样性。结果表明，该算法的性能优于传统的粒子群算法。同时，在…19]，提出了一种新的多目标定位算法PFDE。将电压稳定指标、有功损耗和电压分布作为需要优化的目标函数。将新算法的结果与GA/PSO、GA和PSO中使用单一目标加权和法的结果进行了比较。结果表明，与GA/PSO、GA和PSO相比，PFDE具有更高的收敛速度。

在此基础上，提出了一种基于粒子群优化算法的电力系统DG优化配置方法。然而，粒子群算法的性能可以通过修改算法本身或与其他优化算法杂交来提高。因此，在本研究中，提出了一种改进的PSO算法，通过对算法的搜索方法进行改进，提出了一种新的权重惯性非线性方程。

2.使用改进的PSO优化分布式发电的规模和布局

最有效的元启发式优化方法之一是粒子群算法(PSO)。PSO可以被认为是一种计算方法，它通过依赖某些约束迭代更新解来达到问题的最优解[20.］.PSO是Kennedy于1997年提出的一种基于随机种群的优化方法[21］.它的主要思想取决于寻找食物的鸟类、鱼类和昆虫的食物搜索行为，它们没有领导者[22］.

探索和开发是代表优化过程运行的两个术语。当搜索算法试图在搜索空间中探索不同区域以获得最优位置时，这个过程称为探索。另一方面，当搜索算法试图集中于特定区域以细化候选解时，这个过程称为开发。利用这两个概念，群中的粒子通过存储自己的最佳位置和整个群的全局最佳位置等数据，借助它们的记忆来寻找最优解[23］.

在粒子群算法中，搜索空间中的每个粒子都有解和适应度、速度、自己的最优位置和全局最优位置。蜂群中的单个成员被称为粒子。每个粒子都有自己的空间坐标位置，粒子进行群运算。适应度是一个函数(目标函数)，它是最优问题和物理问题之间的接口，决定了解的准确性。在搜索空间中，每次迭代都会更新两个术语。第一个是适应度函数在搜索空间中返回的特定位置的最佳位置 ．其次是适应度函数在搜索空间中返回的对整个群体最优的位置 ．同时，可以将搜索空间中粒子运动速度的上下界视为约束条件和［24］.

在粒子群算法中，每个粒子都表示在一个d维空间中， ，而 表示的位置和速度粒子,分别。

在每次迭代时，更新速度并使用速度更新位置，如下式所示: 在哪里r₁和r₂是两个在0到1范围内的随机变量，c₁和c₂是正常数，决定粒子群优化粒子的距离和 ，ω为惯性权重，是保持粒子运动方向一致的惯性，是改善个人的个人影响，和是使粒子向最佳邻居方向运动的社会影响。

利用方程(1)，每个粒子的位置可以更新如下：

算法的收敛性由惯性权值(ω)以适当的方式选择，以便在全球勘探和局部勘探之间取得良好的平衡。这里,如果ω≥1时，速度随时间增加而增大，粒子群算法发散，当≥1 >时ω> 0, PSO收敛。惯性的重量ω在提供勘探和开发过程的平衡过程中起着关键作用。另外，它还确定了每个粒子先前的速度对当前速度的贡献。传统粒子群算法没有惯性常数[25］.随后，由[引入惯量权的概念作为常数值。26］.在[26]，作者指出较大的惯性权重有利于全局搜索，而较小的惯性权重有利于局部搜索[26，27]它对优化性能也有很大的影响ω对提高算法的收敛速度有帮助，而低ω提高算法的收敛精度[26］.常规粒子群算法中惯量权的线性方程可描述为[28]： 在哪里是最大重量，为最小权重，是当前迭代，最大迭代次数，和ω是常数重量。

PSO在电力系统中优化布置DG单元的优化过程可归纳为以下步骤[25]：(我)初始化:这一阶段引入了不同的配置，如分布式网络的配置，DG规模和位置的候选，随机建立的初始种群，迭代次数，最后是目标函数。此外，在这一阶段，速度和位置的随机值是被禁止的。(2)计算适应度函数(f（x):在搜索空间开始搜索后，适应度函数计算每个粒子的和。(3)在那之后,和对所有种群的计算在每次迭代。调用当前迭代的较低适应度值 ．同时，适合度最低与之前的迭代进行比较并记录为 ．(iv)新的速度和位置用公式(1)和(2)用于下一个迭代。然后，新的位置再次更新。在这里，如果条件不满足指定的精度，则算法返回到步骤2。(v)最后，将最优值或期望输出设置为 ．

根据文献，粒子群优化算法由于粒子被困在局部最优解而不是全局最优解而无法解决一些问题。此外，粒子群优化算法有三个主要的主导常数，即惯性权重ω，c₁,c₂然而，这三个常数的任何变化都会影响算法的性能。需要对这些参数进行优化调整，因为如果调整不准确，会导致解发散。

为了改进PSO算法，许多研究人员引入了时变惯性权值，帮助从速度变得停滞的区域快速出来[28］.

有很多不同的策略被提出来改变惯性权重，可以分为两类，线性策略[29]非线性策略[30.］.线性策略表明，惯性权值随迭代次数的增加可线性递减，如式(3.)，这可以确保早期更大的ω值，以加速收敛，且值较小ω从而避免陷入局部最优点。同时，非线性策略不仅建议ω在初始阶段以更好的方式，但它们也减少了获得最佳解决方案所需的时间。利用非线性惯性策略，可以将所有粒子快速分散到整个搜索空间，从而确定全局极值的近似范围。因此，非线性策略可能比线性策略具有更好的性能[27］.

具体来说，许多研究人员提出了不同的权重惯性方程来改进PSO算法以优化DG在电力系统中的尺寸和布局[31- - - - - -35]根据这些研究，推导重量惯量的最佳变化方程没有具体作用。通常，该惯性权重随时间线性减小。通常，对于搜索过程的初始阶段，建议使用较大的惯性权重来增强全局搜索（搜索新区域），而对于最后阶段，则减少惯性权重以进行局部搜索（微调当前搜索区域）。在此基础上，本研究提出了一种非线性策略（方程）(4))作为随时间呈指数递减的时变惯性权值。指数惯性权值从最大权值到最小权值，减少了粒子群算法的计算时间，提高了算法的收敛性: 在哪里是最大重量，为最小权重，是当前迭代，并且为最大迭代次数。

另一方面，为了确定最优DG规模，考虑了电力系统损耗最小化问题。普洛斯的单位为kW，归一化方程为:

DG分级的目标函数的数学方程为 在哪里 ，在哪里我_我和R_我母线上是否有电流和电阻我,分别。

优化问题中考虑的技术约束是DG、电压和潮流约束。DG受到任何给定位置可用电源的限制。因此，有必要将容量限制在其最大有功功率和最小有功功率之间

系统运行应保持在电压偏差的±5%以内，电压约束为

3.结果与讨论

本文提出了一种改进的粒子群优化算法，用于电力系统中发电机的优化配置和选型。本文以IEEE 34总线网络为例进行了研究。利用潮流分析的方法，研究了布置最佳规模DG机组前后所采用的电力系统的性能。因此，本节将基于传统的粒子群算法和本文提出的粒子群算法，对采用的有DG单元和无DG单元布置和定标的系统进行潮流分析。

采用的电网由34条母线和1代母线、29条负荷母线和33条支路组成。ieee34总线网络的径向结构如图所示1．

电网总发电量为5.89 MW ( ）和3.52 MVAr ( ).同时，电网总负荷为5.56 MW (P_d)和3.42 MVAr(问_d)分配超过29条负载总线。

数字2显示了根据电压幅值和角度进行的潮流分析的结果。

从图中可以看出，远离电源的母线比靠近电源的母线电压低。与其他母线相比，在母线19至27的范围内的母线具有最低的电压幅度。所有这些母线的电压值都低于0.95 pu。所有公共汽车的相位角似乎都很好，没有不稳定的问题。无论如何，我们假设在19到27号公交车上放置任何DG都能以积极的方式支持这个电力系统。

通过潮流分析确定有功损耗和无功损耗。数字3.显示每个支路的有功功率和无功功率损耗的总结。全网总损耗0.329 MW (P_损失)，占总有功功率的5.58%，无功功率损耗为0.10 MVAr (问_损失)，占无功总发电量的2.84%。

在本研究中，考虑了传统粒子群优化算法的线性惯性权方程，对DG进行了优化。然后，提出惯性权重方程(式(4)与粒子群算法相结合，以提高算法的性能。

在使用的PSO代码中，生成50个粒子来确定一个三维DG单元的大小和位置。另外，使用常数来更新算法的速度，如惯性权值，最大值为0.9，最小值为0.4，推荐值为[30.］.此外,c₁和c₂是算法中使用的正常数，而假设这些常数等于2，根据[的建议21］.

假定应用的DG仅提供有功功率，而允许的最大穿透水平假定为总发电量的41.15%[36］.假设DG的容量在1.2-2 MW范围内。位于总线2和34之间的总线被认为是DG单元的可能位置。假设母线电压幅值的限制在0.9 pu和1.05 pu之间。

数据4和5给出了基于新的非线性方程的新算法的结果。

从图中可以看出，位于母线处的电压幅值变为1.0055 pu，总体上改善了电力系统的状态。此外，应用粒子群优化算法将有功功率损耗降低了31.6%。表格1显示在采用的电力系统中安装DG所取得的改善的摘要。

比较了传统的粒子群优化算法和改进的粒子群优化算法的运行时间2中与传统PSO算法的比较36]和所提出的粒子群算法。从表中可以看出，新提出的算法提高了算法的性能，因为使用它可以获得最低的运行时间。

为了突出DG机组的安装对测试系统运行参数的影响，简要讨论了该方案的成本。根据(34]，大规模分布式发电1 kWp的总成本约为1200美元/Wp。这种系统的生命周期为25年。同时，通过分布式发电整个生命周期的总千瓦时的成本，可以对实际的电能损耗进行财务评估。在本研究中，假设千瓦时的成本为0.14美元。同时，可以根据网络的状态来估计无功损耗的代价，这是由网络的功率因数表示的。考虑到相对较低的功率因素，本研究假设kVArh为0.2 USD。

结果表明，在24号母线(1.6115 MW)上安装DG的最佳位置和容量是损耗最小的。在这种情况下，建议的DG的成本是1933.800美元，而电力损失减少了0.104 MW。考虑到所安装的DG系统的性质(仅产生实际功率)，忽略了无功功率的节省。随后，估计这种做法在DG系统的生命周期内节省了3188640美元。这说明安装DG单元可以显著降低总成本和电力损耗。然而，这并不是安装DG的唯一好处，因为它对系统的电压和稳定性有积极的影响。

4.结论

本文提出了一种改进的粒子群优化算法(IPSO)，以确定IEEE 34母线电力系统中分布式发电单元的最优尺寸和位置，以改善电压分布和降低损耗。为了提高粒子群算法的性能，提出了一种新的权重惯性方程。这是通过控制算法中影响粒子更新速度的惯性权值来实现的。这种发展对基于线性惯性权重方程的传统粒子群算法的性能产生了重大影响。结果表明，在电力系统安装DG机组之前，有5.58%的有功功率被消耗为有功损耗。同时，在电力系统安装DG之前，有2.84%的无功功率作为损耗消耗。此外，结果显示，在系统安装DG机组之前，位于19和27母线范围内的母线电压幅值最低(低于0.95)。在此基础上，应用改进的PSO算法，成功地确定了10号母线容量为1.6722 MW的理想DG机组的最优尺寸和位置。这使得位于母线的电压值等于1.0055 pu，并改善了电力系统的总体状态。应用该算法得到的适应度损失最小值为0.0.0406，平均流逝时间为78.6212 s。 In addition to that, the applied PSO optimization algorithm reduced the active power losses by 31.6%. In order to show the significance of the proposed algorithm, a comparison is conducted with the conventional PSO algorithm for the same case. As a result, the conventional PSO algorithm that is based on liner inertia weight equation consumed 78.6212 s to provide the optimum solution. In the meanwhile, the proposed algorithm consumed 62.2325 s to provide the optimum solution. In conclusion, it was found that installing the DG unit at the optimum bus with optimum size reduced active power losses and improved voltage profile better than installing DG unit at the farthest buses or weakest buses based on the current role of thumps in the literature.

数据可用性

用于支持本研究发现的数据可由通讯作者要求提供。

的利益冲突

作者声明没有利益冲突。

参考文献

1. M.博伦和F.哈桑，分布式发电在电力系统中的集成， John Wiley & Sons，霍博肯，新泽西州，美国，2011。
2. B. Singh和J. Sharma，《分布式发电规划综述》，可再生和可持续能源评论，第76卷，第529-544页，2017。视图:出版商的网站|谷歌学者
3. C. L. Master，《电压升高:嵌入式发电与长11千伏架空线路连接时的大问题》电力工程杂志，第16卷，第5期。1，页5-12,2002。视图:出版商的网站|谷歌学者
4. P. S. Georgilakis和N. D. Hatziargyriou，“配电网络中的最优分布式发电配置:模型、方法和未来研究”，IEEE电力系统汇刊第28卷第2期3, pp. 3420-2428, 2013。视图:出版商的网站|谷歌学者
5. V. a . Evangelopoulos, P. S. Georgilakis, N. D. Hatziargyriou，“智能配电网的优化运行:模型、方法和未来研究综述”，电力系统研究，第140卷，第95-106页，2016。视图:出版商的网站|谷歌学者
6. W. L. Theo, J. S. Lim, W. S. Ho, H. Hashim, and C. T. Lee，“分布式发电系统规划和优化技术综述:数值和数学建模方法的比较，”可再生和可持续能源评论， vol. 67, pp. 531-573, 2017。视图:出版商的网站|谷歌学者
7. J. Kim, S. Nam, S. Park, C. Singh，“使用改进的Hereford牧场算法的分散发电规划”，电力系统研究，第47卷，第47期。1, 1998。视图:出版商的网站|谷歌学者
8. K.奈良，Y. Hayashi, K. Ikeda, T. Ashizawa，“禁忌搜索在分布式发电机优化布局中的应用”，刊于2001年IEEE电力工程学会冬季会议论文集，第918-923页，俄亥俄州哥伦布，美国，2001年1月。视图:出版商的网站|谷歌学者
9. A.M.El Zonkoly，“使用粒子群优化的多分布式发电机组的优化布置，包括不同的负荷模型，”发电、输配电，第5卷，第5期。7, pp. 760-771, 2011。视图:出版商的网站|谷歌学者
10. L.Wang和C.Singh，“使用蚁群算法的配电网中重合器和分布式发电机的可靠性约束优化布置，”IEEE系统、人与控制论汇刊，C部分(应用与评论)，第38卷，第6期，第757-764页，2008年。视图:出版商的网站|谷歌学者
11. F. Abu-Mouti和M. El-Hawary，“通过人工蜂群算法在分配系统中的最优分布式发电分配和规模”，IEEE电力传输汇刊第26卷第2期4, pp. 2090-2101, 2011。视图:出版商的网站|谷歌学者
12. L. D. Arya, A. Koshti，和S. C. Choube，“使用差分进化计算电压稳定性的分布式发电计划”，国际电力与能源系统杂志，第42卷，第2期1, pp. 196-207, 2012。视图:出版商的网站|谷歌学者
13. R. Rao, K. Ravindra, K. Satish, S. Narasimham，“分布式发电中使用网络重构的配电系统的功率损耗最小化”，IEEE电力系统汇刊第28卷第2期1, pp. 317-325, 2013。视图:出版商的网站|谷歌学者
14. H.Hamedi和M.Gandomkar，“通过DG布置和评估与负荷随时间变化相关的电能质量，将未供电的能量和功率损失降至最低的简单方法，”国际电力与能源系统杂志第35期1, pp. 93-96, 2012。视图:出版商的网站|谷歌学者
15. S. Daud, A. F. A. Kadir, C. K. Gan, A. Mohamed，和T. Khatib，“在配电系统中优化光伏分布式发电布局和规模的启发式优化技术的比较，”太阳能，第140卷，第219-226页，2016。视图:出版商的网站|谷歌学者
16. M. M. Aman, G. B. Jasmon, A. H. A. Bakar，和H. Mokhlis，“基于电压稳定最大化和功率损耗最小化的最佳DG布置和尺寸的新方法，”能源转换与管理， vol. 70, pp. 202-210, 2013。视图:出版商的网站|谷歌学者
17. D. B. Prakash和C. Lakshminarayana，“利用粒子群算法降低功率损耗的配电系统中多个dg的放置”，Procedia技术，第25卷，第785-792页，2016。视图:出版商的网站|谷歌学者
18. N. Kanwar, N. Gupta, K. R. Niazi, A. Swarnkar，和R. C. Bansal，“使用改进粒子群优化的分布式能源同步分配”，应用能源， vol. 185, pp. 1684-1693, 2017。视图:出版商的网站|谷歌学者
19. M. H. Moradi, S. M. Reza Tousi, M. Abedini，“多目标PFDE算法解决多个DG源的最优选址和规模问题”，国际电力与能源系统杂志，第56卷，第117-126页，2014。视图:出版商的网站|谷歌学者
20. M. Pesaran, P. Huy，和V. Ramachandaramurthy，“分布式发电的优化分配综述:目标、约束、方法和算法，”可再生和可持续能源评论，第75卷，第293-312页，2017年。视图:出版商的网站|谷歌学者
21. J. Kennedy，《粒子群:知识的社会适应》IEEE进化计算国际会议论文集(ICEC’97)，第303-308页，印第安纳波利斯，美国，1997年4月。视图:出版商的网站|谷歌学者
22. D. P. Rini, S. Shamsuddin, S. Yuhaniz，“粒子群优化:技术、系统和挑战”，国际计算机应用杂志， vol. 1, no. 11，页19-27,2011。视图:出版商的网站|谷歌学者
23. M. B. Ghalia，“改进的探索-开发平衡的粒子群优化”，刊于2008年第51届中西部电路与系统研讨会论文集2008年8月，诺克斯维尔，美国TN。视图:出版商的网站|谷歌学者
24. J. abgri和M. Karam，“配电网损耗最小化的粒子群优化”，载2015年第12届国际信息技术新一代会议论文集2015年4月，美国拉斯维加斯。视图:出版商的网站|谷歌学者
25. J. Kennedy和R. C. Eberhart，“粒子群优化”，刊于IEEE国际神经网络会议论文集，第1942-1948页，澳大利亚珀斯，1995年11月。视图:出版商的网站|谷歌学者
26. Y.Shi和R.Eberhart，“改进的粒子群优化器”，在IEEE世界计算智能大会论文集，第69-73页，安克雷奇，AK，美国，1998年5月。视图:出版商的网站|谷歌学者
27. Liang h, Kang F. H.，“具有动态非线性变惯性权值的自适应变异粒子群算法”，国际光电子光学杂志，第127卷，第127期19, pp. 8036-8042, 2016。视图:出版商的网站|谷歌学者
28. D.Falco、A.Cioppa和E.Tarantino，“面对粒子群优化的分类问题，”应用软计算，第7卷，第5期3，页652-658,2007。视图:出版商的网站|谷歌学者
29. “粒子群优化的实证研究”，刊于1999年进化计算大会会议记录-CEC99，第1945-1950页，美国华盛顿特区，1999年7月。视图:出版商的网站|谷歌学者
30. “模糊自适应粒子群优化算法”，刊于2001年进化计算大会论文集，第101-106页，韩国首尔，2001年5月。视图:出版商的网站|谷歌学者
31. M. A. Abido，“环境/经济调度问题的多目标粒子群优化”，硕士论文，电力系统研究，第79卷，第5期。7, pp. 1105-1113, 2009。视图:出版商的网站|谷歌学者
32. P. Umapathy, C. Venkataseshaiah，和M. Senthil Arumugam，“具有各种惯性权重变量的粒子群优化最优潮流解决方案”，自然界和社会中的离散动力学， vol. 2010, Article ID 462145, 15页，2010。视图:出版商的网站|谷歌学者
33. 王磊，“基于改进粒子群算法的随机经济排放负荷分配”，电力系统研究第78期8，第1466-1476页，2008。视图:出版商的网站|谷歌学者
34. A. F. Abdul Kadir, T. Khatib，和W. Elmenreich，“在电力系统中集成光伏系统:电力质量影响和优化规划挑战”，国际光能杂志文章编号321826,8页，2014。视图:出版商的网站|谷歌学者
35. R. Ojha和M. Das，“一种使用粒子群优化修改惯性权重的自适应方法”，国际计算机科学期刊， vol. 9, pp. 105-111, 2012。视图:谷歌学者
36. M.Obaidy和A.Ayesh，“节能动态adhoc无线传感器网络优化算法的实现”，年第四届国际工程应用先进计算研讨会论文集，页17-23，英国，2008。视图:谷歌学者

版权

版权所有©2020 Neda Hantash等人。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。