CN102572859A - 基于自适应邻域csa算法的无线传感器网络节点布局方法 - Google Patents

Abstract

本发明公开了一种基于自适应邻域CSA算法的无线传感器网络节点布局方法，对传感区域的节点不同布局构建不同初始点但通过接收概率函数相互耦合的搜索粒子，以搜索粒子的区域覆盖率为优化目标函数，每个粒子并行地进行模拟退火过程，在退火过程中分段地自适应调整状态的更新邻域大小，并借助Metropolis准则选择性地接受每个粒子的新状态，充分利用搜索过程粒子间的演化信息引导搜索群体跳出局部最优，从而大大提高了优化搜索效率和性能，避免算法早熟收敛，增强了算法的全局搜索能力，实现协同化和智能化地进行布局优化。

Description

基于自适应邻域CSA算法的无线传感器网络节点布局方法

技术领域

本发明涉及一种无线传感器网络节点布局方法，尤其是一种基于自适应邻域CSA(耦合模拟退火)算法的无线传感器网络节点布局方法，属于无线通信与智能的技术领域。

背景技术

网络节点布局是无线传感器网络的基本问题之一，其目的是通过网络传感器节点部署以及路由选择等手段，使无线传感器网络的各种资源得到优化分配，从而进一步改善感知、监视、传感、通信等各种服务质量。因此，为了保证测量数据的可靠性、减少资源浪费、延长网络寿命，需要对网络覆盖进行测量，了解监测区域的网络节点分布状况，以便重新调整传感器节点分布，把有限的节点覆盖到整个监测区域，以最大化网络性能。

为了实现预期的网络节点布局要求，传统的方法是大规模部署静态节点，过多的节点容易引起通信冲突。利用移动传感器节点可以克服这一缺点，但考虑到移动节点的成本问题，如何根据不同的应用环境需要，优化移动节点位置，并使用有限的节点到达最大的覆盖范围，就成了无线传感器网络中一个基本但亟待解决的问题。近年来，已涌现出许多将节点布局问题与优化算法结合的智能优化算法，如粒子群算法、遗传算法、模拟退火算法等，这些方法均能够提高网络覆盖率。但是，粒子群优化策略在空间搜索时，容易陷入“早熟”现象，影响覆盖优化效果，而且利用该算法时，搜索空间将随被优化向量维度的增加呈指数扩大；基于遗传算法的优化覆盖机制能获得较快的收敛速度，但增加了复杂度，故需要更强的信息处理能力；基本模拟退火算法尽管具有全局搜索能力，但对己试探的空间区域所知不多，不能利用己试探过的区域引导搜索，具有一定的局限性。此外，上述算法都缺乏对初始参数选取的鲁棒性，这些参数的选取是否恰当会极大地影响全局优化能力。

本发明技术将建立一种结构简单，充分利用搜索过程演化信息引导搜索方向，并能自适应调整搜索邻域大小，综合考虑计算复杂度、快速收敛性、高效搜索能力、全局性等方面的切实可行的无线传感器网络节点布局优化算法。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种基于自适应邻域CSA算法的无线传感器网络节点布局方法，其操作方便，计算复杂度低，具有高效搜索和全局搜索的能力，能达到实现最佳空间覆盖的效果。

按照本发明提供的技术方案，所述基于自适应邻域CSA算法的无线传感器网络节点布局方法，所述无线传感器网络节点布局方法包括如下步骤：

1、随机生成由q个粒子组成的初始搜索群体{S₁₀，L，S_q0}，每一个粒子代表一种N个传感节点位置分布方案；N个传感器节点分布于二维平面监测区域Q内，将二维平面监测区域数字离散化为a×b个格点；设第i个粒子对应的无线传感器网络节点初始分布为S_i0，设定初始温度为T₀、外循环迭代计数器初值t＝0、内循环的迭代次数K_max、邻域为m_new，初始邻域大小m_old，且m_new＝m_old；外循环退火开始；

2、设置内循环计数器初值k＝0；

3、利用公式R_i(S_ik)＝∑_jρ_j(S_ik)/(a×b)(j＝1，L，ab，i＝1，L，q)计算各个粒子的网络覆盖率，其中：

$d(s_i,A)=\sqrt{{(x_i-x)}^2+{(y_i-y)}^2};$

其中，(x_i，y_i，r)表示以节点s_i的坐标(x_i，y_i)为圆心，感知半径为r的圆；为格点A(x，y)与传感节点s_i之间的距离；x，y分别表示格点A在监测区域的横、纵坐标；

4、对每个粒子在邻域m_new范围内根据公式

更新当前粒子S_ij产生新网络分布

其中λ是在区间[-1，1]上的随机数，计算新网络覆盖率

以及

和R_i(S_ik)的差，记

5、根据Metropolis接受准则，如果Δ≥0，则接收新状态

否则，以概率

$P_A(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})=\mathrm{\α}{P}_B(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})+(1-\mathrm{\α})P_C(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})$

接收新状态

其中：α∈[0，1]用来调整

和

的权重，

$P_B(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})=\frac{\exp (-\frac{R_i\left({\hat{S}}_{\mathrm{ik}}\right)}{T_k})}{\exp (-\frac{R_i\left({\hat{S}}_{\mathrm{ik}}\right)}{T_k})+\underset{i\∈\{1,L,q\}}{\mathrm{\Σ}}\exp (-\frac{R_i\left(S_{\mathrm{ik}}\right)}{T_k})},$ $P_C(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})=\frac{\exp \left(\frac{R_i\left(S_{\mathrm{ik}}\right)}{T_k}\right)}{\underset{i\∈\{1,L,q\}}{\mathrm{\Σ}}\exp \left(\frac{R_i\left(S_{\mathrm{ik}}\right)}{T_k}\right)};$

6、若k＜K_max，则令k：＝k+1，转步骤3；否则，步骤7；

7、判断是否达到需要调整邻域大小的时间；如果达到调整邻域时间，则利用公式m_new＝m_old×g(p)进行自适应调整邻域大小，并重置m_old＝m_new，然后转到步骤8；否则，直接转到步骤8；

其中：

p是在给定退火时间内新状态接受转移次数与总转移次数的比值，c∈[0，1]表示乘子；

8、如果未达到冷却状态，则令t：＝t+1，采用T_t+1＝T₀/ln(t+1)降火策略，降低当前温度，转到步骤2；否则，输出当前最优解，停止。

所述初始邻域m_old＝1。

本发明与已有技术相比具有以下优点：本发明节点布局优化技术将耦合思想整合到模拟退火算法中，结合了自适应邻域的功能，并充分利用了搜索过程粒子间的演化信息，在搜索时既向“优化”方向搜索，又按一定的概率向“劣化”方向搜索，避免了算法早熟收敛，从而大大提高了优化搜索效率和性能，使搜索粒子能容易跳出局部最优，增强算法的全局搜索能力，并弥补了基本模拟退火算法对初始参数选取鲁棒性差的缺点，由于搜索粒子间的耦合作用，搜索过程中粒子之间能交互信息，从而能实现协同化和智能化地探索空间区域，尤其是当算法相关参数较差的情况下，接收概率函数中的耦合作用能帮助模拟退火算法更快地定位全局最优解区域，加快算法收敛速度，增强全局寻优能力。

附图说明

图1是基于本发明方法的无线传感器网络节点覆盖技术流程图。

图2是优化前随机投放的传感节点位置分布图。

图3是基于本发明算法优化后传感节点位置分布图。

图4是基本模拟退火算法和本发明算法分别进行100次优化的覆盖率箱形图比较。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

在使用本发明所涉及无线传感器网络节点布局技术时，考虑一个二维平面监测区域Q，将其数字离散化为a×b个格点，目标传感节点在该区域上参数相同的传感器节点数目为N，每个节点的坐标均已知，感知半径均为r。传感器节点集表示S＝{s₁，s₂，L，s_N}，格点A(x，y)(x，y分别表示点A在监测区域的横、纵坐标)被s_i所覆盖的事件发生的概率ρ(x，y，s_i)表示为

其中：(x_i，y_i，r)表示以节点s_i的坐标(x_i，y_i)为圆心，感知半径为r的圆；

为格点A(x，y)与节点s_i之间的距离。对于具体的二维平面区域覆盖问题，可以将目标区域离散为许多格点，用所有格点被传感器节点覆盖的覆盖率来代表目标区域的区域覆盖率，从而将区域覆盖率的问题转换为点覆盖问题。节点集S的区域覆盖率为R(S)＝∑_j ρ_j(S)/(a×b)(j＝1，L，ab)，即R(S)为节点集S的覆盖面积与监测区域Q的总面积之比，其中，ρ_j(S)为第j个格点对节点集的联合测量概率。

区域覆盖率的计算步骤如下：

(a)、计算第j个格点对每个传感器节点的覆盖率。

(b)、计算第j个格点对传感器节点集合S的联合覆盖率ρ_j(S)。

(c)、重复步骤(a)和(b)计算监测区域每一个格点对传感器节点集S的联合覆盖率。

(d)、根据式R(S)＝∑_j ρ_j(S)/(a×b)计算传感器节点集S的区域覆盖率R(S)，并将R(S)作为耦合模拟退火覆盖优化算法的优化目标函数。

本发明所涉及的自适应邻域CSA算法基本思想是：在传感监测区域随机构建q个搜索粒子，每个粒子并行地进行模拟退火过程，这些单个的模拟退火过程通过一个接收概率函数相互耦合，在同一退火温度和更新邻域下利用随机扰动产生不同的状态，利用Metropolis准则选择性地接受每个粒子的新状态，引导搜索群体跳出局部最优；在降温过程中，根据一定的退火时间间隔，利用Metropolis准则中的接受转移数和总转移数之间的比率来调整状态更新邻域的大小，以期更快找到所需的解；接收概率函数中的耦合参数与各粒子状态的目标函数有关，接收概率函数与耦合项的联合包含了全局优化趋势的信息，各粒子间的耦合使得每个粒子都能共享此信息，从而使得粒子群体能快速而近似全局地实现覆盖优化。

如图1所示：实现本发明无线传感器网络节点布局的方法包括如下步骤：

步骤1、随机生成由q个粒子组成的初始搜索群体{S₁₀，L，S_q0}，每一个粒子代表一种N个传感节点位置分布方案；N个传感器节点分布于二维平面监测区域Q内，将二维平面监测区域数字离散化为a×b个格点；设第i个粒子对应的无线传感器网络节点初始分布为S_i0，设定初始温度为T₀、外循环迭代计数器初值t＝0、内循环的迭代次数K_max、邻域为m_new，初始邻域大小m_old，且m_new＝m_old；

迭代次数K_max与初始温度T₀根据具体的监测区域Q的面积与传感器节点数目来灵活设置，初始温度T₀应选得足够高以使几乎产生的所有候选解都能被接收，从而避免算法陷入局部最优；一般地令K_max＝100，T₀＝100即可；q个搜索粒子的具体选择根据具体问题规模进行设定；邻域的大小不能太大也不能太小，需要有一个邻域调整区域，一般地令m_old＝1；降温过程为外循环，并令外循环退火开始；

步骤2、设置内循环计数器初值k＝0；

步骤3、利用公式R_i(S_ik)＝∑_jρ_j(S_ik)/(a×b)(j＝1，L，ab，i＝1，L，q)计算各个粒子的网络覆盖率，其中：

$d(s_i,A)=\sqrt{{(x_i-x)}^2+{(y_i-y)}^2};$

其中，(x_i，y_i，r)表示以节点s_i的坐标(x_i，y_i)为圆心，感知半径为r的圆；为格点A(x，y)与节点s_i之间的距离；x，y分别表示格点A在监测区域的横、纵坐标；

步骤4、对每个粒子在邻域m_new范围内根据公式

更新当前粒子S_ik产生新网络分布其中λ是在区间[-1，1]上的随机数，计算新网络覆盖率

以及

和R_i(S_ik)的差，记

步骤5、根据Metropolis接受准则，如果Δ≥0，则接收新状态

否则，以概率

$P_A(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})=\mathrm{\α}{P}_B(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})+(1-\mathrm{\α})P_C(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})$

接收新状态

其中：α∈[0，1]用来调整和的权重，

$P_B(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})=\frac{\exp (-\frac{R_i\left({\hat{S}}_{\mathrm{ik}}\right)}{T_k})}{\exp (-\frac{R_i\left({\hat{S}}_{\mathrm{ik}}\right)}{T_k})+\underset{i\∈\{1,L,q\}}{\mathrm{\Σ}}\exp (-\frac{R_i\left(S_{\mathrm{ik}}\right)}{T_k})},$ $P_C(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})=\frac{\exp \left(\frac{R_i\left(S_{\mathrm{ik}}\right)}{T_k}\right)}{\underset{i\∈\{1,L,q\}}{\mathrm{\Σ}}\exp \left(\frac{R_i\left(S_{\mathrm{ik}}\right)}{T_k}\right)};$

所采用的Metropolis准则与粒子状态的接收概率函数有关，该接收概率函数耦合了所有搜索粒子状态信息，从而既能保证接收好的优化解，又能根据粒子的全局搜索信息以一定概率接受恶化了的解；一般地，α确定后不再进行调整；

步骤6、若k＜K_max，则令k＝k+1，转步骤3；否则，步骤7；

步骤7、判断是否达到需要调整邻域大小的时间；如果达到调整邻域时间，则利用公式m_new＝m_old×g(p)进行自适应调整邻域大小，并重置m_old＝m_new，然后转到步骤8；否则，直接转到步骤8；

其中：

p是在给定退火时间内新状态接受转移次数与总转移次数的比值，c∈[0，1]表示乘子；一般地，相应邻域大小的调整时间设定没有固定的标准，但调整邻域时间也不能太短，一般是根据温度迭代数来选取，如温度降低的迭代次数要60次，那么可以隔10次温度迭代循环后就调整一下邻域大小；

步骤8、如果未达到冷却状态，则令t：＝t+1，采用T_t+1＝T₀/ln(t+1)降火策略，降低当前温度，转到步骤2；否则，输出当前最优解，停止。

下面通过一个仿真实验来说明本发明的具体实施方式，并对发明的算法进行测试。设传感节点监测区域Q为一个30m×30m的区域，随机投放N＝30个无线传感器，每个传感器的传感半径r＝3m。为了方便，将区域划分成a×b＝30×30的栅格，利用上述本发明提出的算法进行覆盖优化，其中，搜索粒子数q＝6，初始温度T₀＝100，内循环迭代总次数K_max＝100，结束温度为0.1，接收概率和

的调整权重α＝0.5，初始邻域大小m_old＝1，计算邻域大小公式中的乘子c＝0.5。图2和图3显示了覆盖优化结果。在优化过程第0代时，6个粒子中最好的网络覆盖率为56.1％，见图2所示；在优化算法结果时，网络覆盖率达到74.2％，见图3所示。另外，在利用基本模拟退火算法和本发明算法分别进行100次优化后，前者的网络节点优化覆盖率平均值为72.10％，后者的网络节点优化覆盖率平均值为78.74％，网络节点优化覆盖率的箱形图如图4所示。由此可见，本发明设计的算法要优于基本模拟退火算法，并且具有更好的鲁棒性。

Claims (2)

1.一种基于自适应邻域CSA算法的无线传感器网络节点布局方法，其特征是，所述无线传感器网络节点布局方法包括如下步骤：

(1)、随机生成由q个粒子组成的初始搜索群体{S₁₀，L，S_q0}，每一个粒子代表一种N个传感节点位置分布方案；N个传感器节点分布于二维平面监测区域Q内，将二维平面监测区域数字离散化为a×b个格点；设第i个粒子对应的无线传感器网络节点初始分布为S_i0，设定初始温度为T₀、外循环迭代计数器初值t＝0、内循环的迭代次数K_max、邻域为m_new，初始邻域大小m_old，且m_new＝m_old；外循环退火开始；

(2)、设置内循环计数器初值k＝0；

(3)、利用公式R_i(S_ik)＝∑_jρ_j(S_ik)/(a×b)(j＝1，L，ab，i＝1，L，q)计算各个粒子的网络覆盖率，其中：

$d(s_i,A)=\sqrt{{(x_i-x)}^2+{(y_i-y)}^2};$

其中，(x_i，y_i，r)表示以节点s_i的坐标(x_i，y_i)为圆心，感知半径为r的圆；为格点A(x，y)与节点s_i之间的距离；x，y分别表示格点A在监测区域的横、纵坐标；

(4)、对每个粒子在邻域m_new范围内根据公式

更新当前粒子S_ik产生新网络分布

其中λ是在区间[-1，1]上的随机数，计算新网络覆盖率以及

和

的差，记

(5)、根据Metropolis接受准则，如果Δ≥0，则接收新状态

否则，以概率

$P_A(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})=\mathrm{\α}{P}_B(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})+(1-\mathrm{\α})P_C(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})$

接收新状态

其中：α∈[0，1]用来调整

和

的权重，

$P_B(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})=\frac{\exp (-\frac{R_i\left({\hat{S}}_{\mathrm{ik}}\right)}{T_k})}{\exp (-\frac{R_i\left({\hat{S}}_{\mathrm{ik}}\right)}{T_k})+\underset{i\∈\{1,L,q\}}{\mathrm{\Σ}}\exp (-\frac{R_i\left(S_{\mathrm{ik}}\right)}{T_k})},$ $P_C(S_{\mathrm{ik}}\→{\hat{S}}_{\mathrm{ik}})=\frac{\exp \left(\frac{R_i\left(S_{\mathrm{ik}}\right)}{T_k}\right)}{\underset{i\∈\{1,L,q\}}{\mathrm{\Σ}}\exp \left(\frac{R_i\left(S_{\mathrm{ik}}\right)}{T_k}\right)};$

(6)、若k＜K_max，则令k＝k+1，转步骤(3)；否则，步骤(7)；

(7)、判断是否达到需要调整邻域大小的时间；如果达到调整邻域时间，则利用公式m_new＝m_old×g(p)进行自适应调整邻域大小，并重置m_old＝m_new，然后转到步骤(8)；否则，直接转到步骤(8)；

其中：

p是在给定退火时间内新状态接受转移次数与总转移次数的比值，c∈[0，1]表示乘子；

(8)、如果未达到冷却状态，则令t：＝t+1，采用T_t+1＝T₀/ln(t+1)降火策略，降低当前温度，转到步骤2；否则，输出当前最优解，停止。

2.根据权利要求1所述的基于自适应邻域CSA算法的无线传感器网络节点布局方法，其特征是：所述初始邻域m_old＝1。

Images