CN102013038A - 基于向前式编码策略的无线传感器网络寿命优化遗传算法 - Google Patents

Abstract

本发明公开了一种基于向前式编码策略的无线传感器网络寿命优化遗传算法。在传统遗传算法的基础上引入向前式编码策略，并将杂交基因遗传运算与三种调度转换方式相结合，使无线传感器网络中的全覆盖子网络数量能够随着运算质量的提高而不断增加，从而达到优化无线传感器网络的寿命的目的。向前式编码策略能够反映出最优的调度方案的结构特征，并能够为调度方案的进一步优化提供指引。基于这种编码策略的三种调度转换策略与遗传算法相结合，能够通过调度冗余传感器，使那些不能完全覆盖的传感器子网络完善成为一个全覆盖的网络，同时又不会影响到其它已满足全覆盖的子网络的覆盖率。

Description

基于向前式编码策略的无线传感器网络寿命优化遗传算法

技术领域：

本发明涉及无线传感器网络和智能计算两大领域，主要涉及一种基于向前式编码策略的遗传算法优化无线传感器网络寿命的方法。

背景技术：

无线传感器网络通过在目标区域内布置大量的无线传感器来进行监测工作，如环境监测、军事监测、动物行为跟踪等。而无线传感器自身的能量供给有限，其它能量来源如太阳能或风能等又缺乏可靠性，因此如何通过减少传感器的能量损耗、提高无线传感器网络的寿命，是智能计算研究中的一个重要课题。该类型研究的基本目标通过调度控制不同传感器的工作方式，比如某个时刻只让能够满足覆盖目标区域的传感器进入工作模式，而其他传感器进入休眠模式节省耗能，以达到减少损耗，提高无线传感器网络寿命的目的。

在如何调度传感器的工作与休眠状态的问题上，已有的研究提出了不同的方法：在现有的无线传感器网络应用中，一般由传感器周期性地对自己附近的传感器进行探测，从而判断是否要改变工作状态，但在这种情况下，该无线传感器网络的寿命就得不到保证。还有些方法为了达到节省能耗的目的，只注重每次如何选择最少能耗的传感器子网络来完成监测任务，却忽略了整个无线传感器网络寿命的问题，而且如果选择出来的子网络中启动了较多监测薄弱区域中的传感器，那么一旦这些位于薄弱区域中的传感器的能量耗尽，即使其他区域中仍有大量能量充足的传感器，也会使整个无线传感器网络失效。因此，在保证覆盖监测目标的前提下，特别处理位于监测薄弱区域的传感器，找出并利用冗余的传感器，把它们安排在同一个优化的工作/休眠调度计划内，才是优化无线传感器网络寿命的最佳方式。

对于这个问题，学界提出了不同的计算方式，但都存在某种缺陷，比如计算时间会随着传感器数量的增多而显著增大；或者虽然能够保持较快的计算速度解决具有大量传感器的情况，但是计算出的传感器调度解质量不高；还有其它一些算法，则是牺牲了目标监测区域的覆盖率来达到延长无线传感器网络寿命的目的。另一方面，遗传算法也被应用到其中，相比起其它算法，它能更高效地运作。比如有人把传感器看作基因进行编码，把传感器子网络看作一条条独立的染色体，虽然取得一定的改进，但都没有考虑到把染色体中冗余的传感器分离出来，使其形成新的、能够全覆盖监控区域的传感器子网络，因此该方法只适用于传感器数量较少，待覆盖的目标较少的情况。

发明内容：

为了克服既有的计算方式在计算速率不够高、调度质量不佳、缺乏对冗余传感器的考虑等方面的问题，本发明提出一种能够高效调度传感器，有效优化无线传感器网络寿命，并能同时适用于点覆盖与区域覆盖的新型智能计算算法，用于提高无线传感器网络的寿命，并将发明的算法称为基于向前式编码策略的无线传感器网络寿命优化遗传算法。

本发明解决其技术问题所采用的技术方案是：

(1)把向前式编码策略引入遗传算法的染色体表达中，使染色体中除了值最大的基因外，其它拥有相同值的基因能各自形成一个全覆盖的传感器子网络：假设一批无线传感器S＝{s₁，s₂，...，s₃}被布署于一个L×W区域中，那么计算的目标就是找出这批传感器中能够全覆盖目标区域的传感器子网络的最大数量T，及其对应的子集S_i。这里的S_i是属于S的子网络，并能实现对区域的全覆盖，而|S_i|的值就是在第i次调度安排中被激活处于工作状态的传感器数量，i＝1，2，...，T，并且规定每个传感器不能归属于多于1个子网络。对这种编码方式的利用是本发明的特色，通过发明中设计的操作展现其优点。

(2)基于向前式编码策略的遗传算法，在计算过程中主要通过遗传基因操作与调度转换操作两大块的运算，寻找出最优的调度安排方案。遗传基因操作包括两个步骤：第一，杂交和选择创造出新种群——通过染色体之间的杂交和选择组合，产生更优秀的子代；第二，变异——增加种群多样性，避免搜索陷入局部最优。而调度转换由三种方式相互协作：第一，混合调度转换——将冗余传感器从所属子网络调度到另一个子网络；第二，向前调度转换——将冗余传感器调度到非全覆盖子网络中以增加其覆盖率；第三，关键调度转换——保证关键覆盖薄弱区域能够被非全覆盖子网络覆盖。

本发明的有益效果是：基于向前式编码策略，随着全覆盖的无线传感器子网络个数的增加与计算质量的不断提高，使每条染色体的最大基因值不断增加，即可用的全覆盖传感器子网络数量增加。而且向前式编码策略能够反映出最优调度方案的结构特征，并能够为调度方案的进一步优化提供指引。基于这种策略的遗传算法和调度转换程序，能够通过调度冗余传感器，使那些不能完全覆盖的传感器子网络完善成为一个全覆盖的网络，同时又不会影响到其它全覆盖子网络的覆盖率。在点覆盖和区域覆盖的实际测试中，该方法被证明无论在优化速度与计算质量上都优于其它方法。

附图说明：

图1传感器覆盖产生区域分割示意图

图2完全覆盖L×W区域示意图

图3基于向前式编码策略的无线传感器网络寿命优化遗传算法整体流程图

图4杂交和选择方法示意图

图5混合调度转换方法示意图

图6向前调度转换方法示意图

具体实施方式：

下面结合附图对本发明的方法作进一步的描述。

传感器散布在监测区域内，当所有传感器都启动进行感应工作时形成对监测区域的全覆盖。分析这些传感器对区域覆盖时能形成的最多全覆盖子网络数量，并以此作为优化的上限值。具体方法是统计传感器覆盖对监测区域得到的区域分割(如图1所示)中，每个分割区被覆盖的传感器个数，从而得出最少覆盖区域，即关键的覆盖薄弱区域。如果存在不能被覆盖的区域，则表明传感器区域部署不当，这种情况下无法完成监测任务，不是本发明的方法处理的内容。本发明的方法用于处理当覆盖薄弱区域的最少被覆盖次数不少于1次的情况。图2给出了一个全覆盖子网络的例子，问题优化的目标就是找出尽可能多的满足全覆盖的子网络。

图3给出了本发明算法的整体流程图。下面就流程图的内容分步描述整个算法的具体实施方式：

1、初始化

按照遗传算法的种群定义，种群中的每一个染色体对应覆盖问题的一个解。染色体中的每一个基因对应一个传感器，基因值代表该传感器被激活的调度序号。具体来说，种群中每条染色体C_i表示为C_i＝(g_i1，g_i2，...，g_iN)，g_ij表示传感器S_j的调度号码；i＝1，2，...，m，m是种群中染色体的总数；j＝1，2，...，N，N代表目标区域的传感器总数。根据本发明提出的向前式编码策略，拥有相同调度号码，且其数值小于该染色体中基因的最大序号的传感器，即小于g_imax＝max(g_i1，g_i2，...，g_iN)的，各自能组成独立的全覆盖传感器子网络——也就是说，调度序号1至g_imax-1(如果g_imax＞1)对应的传感器一共组成g_imax-1个全覆盖子网络。而具有g_imax调度序号的传感器是否也能成构成全覆盖子网络，则取决于这些传感器对监控区域的覆盖率，如果它们不能达到全覆盖，那么染色体C_i对应的独立全覆盖传感器子网络数量是c_i＝g_imax-1，否则为c_i＝g_imax。

从上面的描述中可以看到，种群内总共有m条染色体。对该种群实现初始化的方式如下：最初将所有传感器置于激活状态，方法是设置所有基因的值为1，即C_i＝(1，1，...，1)，i＝1，2，...，m，那么此时子网络数量只有1个。然后依次从每个染色体中随机选取K_i个基因，这里K_i为预定义参数。如果选取的基因属于冗余传感器(冗余传感器能够被置为休眠状态而又不会影响该子网络的覆盖率)，那么该传感器对应的基因值增加1，表示它们不在本轮调度中激活，而是处于休眠状态，将会在下一轮调度安排中被激活。按照这种方法随机将每一条染色体的基因值重置后，就产生了具有不同调度方式的初始种群C₁，C₂，...C_m。

2、评估种群

染色体C_i的适应度值评估采用如下函数进行计算，适应度值越高，表明该染色体越优，越有机会进入到下一子代中。

f_i＝ω₁c_i+ω₂p_ci+1    (1)

其中c_i(c_i≥1)表示全覆盖子网络S₁，S₂，...，S_ci的总数量，P_ci+1(p_ci+1∈[0，1))表示第c_i+1个子网络的覆盖率(该子网络为非全覆盖)，i＝1，2，...，m。参数ω₁与ω₂分别代表对c_i与p_ci+1值的权重调整参数，目的是使得计算得到的适应度值能反映各个覆盖调度解的优劣。在本发明中ω₁与ω₂的值均设为1。根据上述函数可知，c_i的值越大，染色体C_i中符合全覆盖的子网络个数越多；如果两条染色体C_i与C_j中的c_i和c_j数值相等，那么非全覆盖子网络的覆盖率高的染色体更优胜。

3、杂交和选择创造新种群

本发明中的杂交和选择创造新种群的方式可以产生出更优秀的下一代，达到优化种群的目的。具体步骤是：首先，在种群C₁，C₂，...，C_m中随机选择两条染色体C_i和C_j，然后在这两条染色体中以同样的概率选择基因并将其合成为一个新的子代染色体C_k

其中q₀是一个处于[0，1)区间的随机数；k是产生的新子代染色体的序号，k＝m+1，m+2，...，2m；l＝1，2，...，N；i，j∈{1，2，...，m}。该过程的例子如图4所示。进行杂交之后，新生成的子代染色体C_k将接受种群评估步骤中的(1)公式进行评估。只有不比父代差的子代染色体才会被加入新的种群内，否则该子代染色体将会被比其更优的父代所替代。这个杂交过程重复m次之后，便产生了新种群C_m+1，C_m+2，...，C_2m。具体运算过程伪代码如下：

4、每G_m代进行一次变异

变异的操作将非全覆盖子网络中的传感器重新放回全覆盖子网络中。注意在本发明所基于的向前式编码策略中，只有调度号码最大的子网络才是非全覆盖子网络。虽然这项操作只影响非全覆盖子网络的覆盖率，而不会影响其余的全覆盖子网络，但是如公式(1)所示，变异步骤将影响到染色体的覆盖质量，因此每G_m代才执行一次。

在当前种群中的最优染色体C_i中，如果它的第g_imax个子网络是非全覆盖的，那么这个非全覆盖子网络中的每个基因g_ij将以变异率μ进行变异；反之，如果第g_imax个子网络是全覆盖的，那么将不会执行变异操作。如果q₁＜μ，那么在非全覆盖的子网络中被选中的基因g_ij变异后的值为：

其中q₁和q₂是[0，1)区间内的随机数，

表示小于或等于c_iq₂的最大整数。该变异过程对于保持种群多样性、增强种群在不同环境的适应性具有重要作用。变异的运算过程伪代码如下：

5、混合调度转换操作

混合调度转换操作通过调度传感器子网络中的冗余传感器到其他覆盖子网络中，调整每个覆盖子网络中的冗余传感器，可能的调度方向如图5所示。本操作对每个染色体依次进行，具体做法是：首先在每一条染色体C_i(i＝m+1，m+2，...，2m)中，随机选取染色体中的一个基因，如果该基因对应的传感器是所属子网络中的冗余传感器，那么将其安排到另一个随机选择出来的全覆盖子网络中。如果该冗余传感器的随机调度数值与选择出的子网络数值相同，那么该冗余传感器将被安排入非全覆盖子网络中，即基因值取值为非全覆盖子网络对应的序号。每个染色体执行混合调度转换K₂次，K₂是一个预定义的参数。在调度转换过程中，只有冗余的传感器才会被调度转换，因此不会影响到染色体的适应度值。

6、向前调度转换操作

向前调度转换操作的目标是提高非全覆盖子网络的覆盖率，因此在对冗余传感器完成混合调度转换步骤之后，向前调度转换操作随机将某些全覆盖子网络中的冗余传感器安排进非全覆盖子网络中，可能的调度方向如图6所示。本操作对每个染色体依次进行，具体实现方式是：在每一条染色体C_i(i＝m+1，m+2，...，2m)中，选取K1个基因，如果基因所代表的传感器是冗余的，则将它们调度到S_i，ci+1子网络(即未全覆盖子网络)中。本操作完成之后，非全覆盖子网络S_i，ci+1的覆盖率有望得到提升，从而提高染色体的适应度值。

7、关键调度转换操作

由于在实际传感器网络布署中，某些区域中的传感器数量较稀少，进而限制了全覆盖子网络的数量，因此把那些被最少传感器所覆盖的区域定义为关键覆盖薄弱区域，简称关键区域。关键调度转换操作的作用，就是让非全覆盖子网络能够覆盖关键区域。本操作对每个染色体依次进行，具体实现方式是：检查每一条染色体中的非全覆盖子网络是否已经覆盖关键区域，如果没有，就从全覆盖子网络中随机选择一个能够覆盖该关键区域的冗余传感器，并将其调度到非全覆盖子网络中。对于非全覆盖，一旦关键区域被覆盖上，往后的操作将大大提高其实现全覆盖的成功率。

8、再次评估种群

在完成了以上的三种调度转换操作后，再次评估种群。如果优化达到停止条件，比如达到预定义的最大迭代次数或者找到满足全覆盖次数上限的解，则终止整个算法并得到最优解。否则，返回第3步继续优化种群。

本发明中的向前式编码策略比起传统的基因算法，不仅能清楚指示出染色体中的全覆盖子网络数，还能为进一步将具有最大基因值对应的传感器组成的唯一一个未达到完全覆盖的子网络组成一个新的全覆盖子网络提供指引，也就是说对提高整个网络中的全覆盖子网络的个数起到推动的作用，从而最大化无线传感器网络的寿命。

Claims (4)

1.一种基于向前式编码策略的无线传感器网络寿命优化遗传算法，其特征是：把向前式编码策略引入遗传算法的染色体表达中，使染色体中除了值最大的基因外，其它拥有相同值的基因能各自形成一个全覆盖的传感器子网络，并包括以下步骤和操作：

(1)基于向前式编码策略，对种群中的染色体进行初始化，规定拥有相同调度号码，且其数值小于该染色体中基因的最大序号的传感器，各自能组成独立的全覆盖传感器子网络，而具有最大基因值的传感器是否也能成构成全覆盖子网络，则取决于这些传感器对监控区域的覆盖率；

(2)染色体Ci的适应度值评估采用如下函数进行计算

f_i＝ω₁c_i+ω₂p_ci+1

其中c_i(c_i≥1)表示全覆盖子网络的总数量，p_ci+1(p_ci+1∈[0，1))表示第c_i+1个子网络的覆盖率(该子网络为非全覆盖)，i＝1，2，...，m，参数ω₁与ω₂分别代表对c_i与p_ci+1值的权重调整参数；

(3)杂交和选择创造新种群，首先在种群C₁，C₂，...，C_m中随机选择两条染色体C_i和C_j，然后在这两条染色体中以同样的概率按均匀杂交的方式选择基因并将其合成为一个新的子代染色体C_k，新生成的子代染色体C_k将接受种群评估步骤中的公式进行评估，只有不比父代差的子代染色体才会被加入新的种群内，否则该子代染色体将会被比其更优的父代所替代，这个杂交过程重复m次之后，产生新种群C_m+1，C_m+2，...，C_2m；

(4)每G_m代进行一次变异，在当前种群中的最优染色体C_i中，如果它的最大基因值对应的子网络是非全覆盖的，那么这个非全覆盖子网络中的每个基因g_ij将以变异率μ进行变异，在非全覆盖的子网络中被选中的基因g_ij对应的传感器随机变异到另一个全覆盖子网络中；

(5)混合调度转换操作对每个染色体依次进行，首先在每一条染色体C_i(i＝m+1，m+2，...，2m)中，随机选取染色体中的一个基因，如果该基因对应的传感器是所属子网络中的冗余传感器，那么将其安排到另一个随机选择出来的全覆盖子网络中；如果该冗余传感器的随机调度数值与选择出的子网络数值相同，那么该冗余传感器将被安排入非全覆盖子网络中，即基因值取值为非全覆盖子网络对应的序号，每个染色体执行混合调度转换K₂次；

(6)向前调度转换操作对每个染色体依次进行，在每一条染色体C_i(i＝m+1，m+2，...，2m)中，选取K₁个基因，如果基因所代表的传感器是冗余的，则将它们调度到S_i，ci+1子网络(即未全覆盖子网络)中；

(7)关键调度转换操作对每个染色体依次进行，检查每一条染色体中的非全覆盖子网络是否已经覆盖关键区域，如果没有，就从全覆盖子网络中随机选择一个能够覆盖该关键区域的冗余传感器，并将其调度到非全覆盖子网络中；

(8)评估种群，如果优化达到停止条件，则终止整个算法并得到最优解；否则，返回第(3)步继续优化种群。

2.根据权利要求1所述的基于向前式编码策略的遗传算法，其特征是：染色体中每个基因对应一个传感器，除了值最大的基因外，其它拥有相同值的基因能各自对应一个全覆盖的传感器子网络，染色体中最多只对应一个非完全覆盖的传感器子网络，而且该非全覆盖子网络必须为由具有最大基因值对应的传感器组成。

3.根据权利要求1所述的基于向前式编码策略的遗传算法，其特征是：杂交和选择步骤基于向前式编码策略，按照权利要求1所述的方式采用均匀杂交的方式生成新种群，并只有在子代不比父代差时才加入到新种群中。

4.根据权利要求1所述的基于向前式编码策略的遗传算法，其特征是：变异操作、混合调度转换操作、向前调度转换操作、关键调度转换操作均基于向前式编码策略，按照权利要求1所述的方式优化得到更优的解。

Images