CN102625324A - 基于粒子群算法的无线光纤传感器网络部署方法 - Google Patents

Abstract

本发明涉及一种基于粒子群算法的无线光纤传感器网络部署方法，首先以最小化光纤传感器节点能耗和底层网络成本为目标，建立底层网络部署优化模型，采用基于离散二进制的多目标粒子群算法求解，得到底层网络部署方案，实现对监测区域分布式传感；然后在底层网络部署方案的基础上，以最小化上层网络成本为目标，以上层网络全连通为约束，建立上层网络部署优化模型，设计增大粒子差异性的适应函数，采用基于模拟退火的粒子群算法求解，得到上层网络部署方案，实现对传感数据的多跳传输。本方法不仅能降低光纤传感器节点的能耗，均衡管理节点的能耗，延长网络生命，还能在保证网络全连通的前提下，减少部署路由节点和管理节点的数目，降低网络成本。

Description

基于粒子群算法的无线光纤传感器网络部署方法

技术领域

本发明述及一种基于粒子群算法的无线光纤传感器网络部署方法，属于无线传感器网络技术和智能计算技术领域。

背景技术

无线光纤传感器网络由大量部署的光纤传感器节点组成，协作地传感、采集、处理监测区域的信息，并以无线多跳的方式传输给控制中心。无线光纤传感器网络融合了光纤传感器抗电磁干扰、防燃防爆等优点，和无线组网灵活、扩展性强、成本低、分布式计算等优点，适用于普通传感器不能胜任的易燃易爆、强腐蚀性、高电磁干扰等高危环境，具有非常重要的理论和实践意义。但是，由于光纤传感器具有光源昂贵、能耗大等缺点，如何延长网络寿命，同时降低网络成本是急需要解决的问题。

近年来，国内外学者针对无线传感器网络的寿命和成本问题，从节点软硬件设计、无线传输技术、协议、拓扑结构、节点部署等方面提出了很多解决方案。在无线传感器网络的具体应用中，当完成了节点的低功耗设计以后，节点部署是首先需要解决的问题，是网络正常工作的基础。无线传感器网络初期节点部署策略根据监测环境的复杂程度分为两种：随机播撒和有计划地放置。前者用于复杂易变的应用环境，如战场，后者用于环境已知的应用环境，如温室。在无线光纤传感器网络的一些具体应用中，对于一些环境已知的监测区域，需要监测的热点是预知的，并不要求对整个区域进行覆盖，因此只需将光纤传感器节点固定部署在热点附近。但是，由于节点通信距离的有限性，传感器节点间会出现不能通信的情况，导致组成的网络不连通，从而不能正常工作。如何对节点进行优化部署，既能保证网络的连通，又能最小化节点能耗和网络成本，是研究部署的关键技术之一。

通常情况下，无线传感器网络的部署属于NP完全问题，多数算法只能找到近似解。近年来，国内外学者提出了很多解决方案，但大多存在算法复杂的缺点，限制了这些方案的推广和使用。粒子群算法是一种群体智能进化算法，以粒子对解空间中最优粒子的追随进行解空间的搜索，具有算法简单易实现、速度快、解质量高、鲁棒性好等优点。本发明使用粒子群算法对无线传感器网络的部署进行优化，可以根据实际需要部署，既能保证网络的连通，又能减少节点数目，达到降低网络成本的目的。

发明内容

本发明的目的在于针对光纤传感器能耗大、节点成本高等问题，提供一种用于已知监测环境情况的无线光纤传感器网络部署方法。

为了达到上述目的，本发明的构思是：首先以最小化光纤传感器节点的能耗和最小化上层网络的成本为目标，建立底层网络部署优化模型，并采用基于离散二进制的多目标粒子群算法对模型进行求解，得到底层网络部署方案，实现对监测区域的分布式传感；然后在底层网络部署方案的基础上，以最小化上层网络成本为目标，以上层网络的全连通为约束，建立上层网络部署模型，并设计增大粒子差异性的适应函数，采用基于模拟退火的粒子群算法对模型进行求解，得到上层网络部署方案，实现对传感数据的多跳传输。

根据本发明构想，本发明采用下述技术方案：

一种基于粒子群算法的无线光纤传感器网络部署方法，其特征在于采用下述步骤实现：第一，部署由光纤传感器节点与管理节点组成的底层网络；第二，部署由管理节点与路由器节点组成的上层网络；

所述部署由光纤传感器节点与管理节点组成的底层网络包括如下步骤：

a）     根据特定监测环境构建底层网络的网络模型；根据Keenan-Motley模型构建节点通信模型；根据一阶无线电模型建立底层网络通信能耗模型；通过联合优化通信能耗和网络成本，建立底层网络部署优化模型；

b）  针对建立的底层网络部署优化模型，使用基于离散二进制随机粒子群多目标优化算法进行求解，求得一个非劣解集，根据实际应用情况，从中选取一个解，得到光纤传感器节点和管理节点的部署情况；

所述部署由管理节点与路由器节点组成的上层网络包括如下步骤：

）根据底层网络部署优化模型的求解结果，选出管理节点，构建上层网络的网络模型；构建上层网络成本模型；构建上层网络连通模型；以上层网络连通为约束，通过优化上层网络成本，建立上层网络部署优化模型；

）针对建立的上层网络部署优化模型，设计增大粒子间差异性的适应值函数，并使用基于模拟退火的粒子群算法进行求解，使在上层网络连通的情况下，网络成本最小。

具体说明如下：

（1）    底层网络的网络模型。

假设区域A内分布着

个热点需要被监测。有两种节点待部署，分别为：光纤传感器节点、管理节点。光纤传感器节点用于采集信息并发送至管理节点，管理节点用于信息采集和转发来自光纤传感器节点的传感信息。在每个热点上，仅需放置一个光纤传感器节点或者一个管理节点，就可以采集对应热点的信息。每个管理节点管理一个或多个光纤传感器节点，每个光纤传感器节点仅能由一个管理节点管理。

（2）    节点通信模型。

在实际应用环境中，由于多经、障碍物等因素，信号在传播过程中会产生损耗，根据Keenan-Motley模型，信号传播距离d后的路径损耗PL为：

其中，

是参考距离，

是传播的路径损耗，

是路径损耗系数，

是发射节点与接收节点之间第i类障碍物衰减因子，是发射机与接收机之间第i类障碍物个数。

节点i向节点j方向所发射的信号的最大衰落半径

为：

其中，

是最大路径损耗值。 

当节点i和节点j之间的距离

时，节点i和节点j能相互通信，其中，

，

是节点的位置坐标。

（3）    底层网络通信能耗模型。

设光纤传感器节点和管理节点的通信能耗模型为一阶无线电模型，其中发射器、接收器的功耗为

(nJ/bit)，发射放大器的功耗为

(nJ/bit)，在一个传感周期内，一个光纤传感器向距离为

(

)的管理节点发送的数据包的发送能耗

为：

一个传感周期内，一个管理节点的能耗

为：

其中，为管理节点接收其管辖内

个光纤传感器发送的传感信息数据包的能耗，

为管理节点发送传感信息数据包的能耗。

（4）    底层网络部署优化模型。

由于管理节点除了要完成传感信息的采集，还要收集转发管辖内光纤传感器传输过来的传感信息，因此必须考虑均衡管理节点通信能耗。以最小化光纤传感器通信能耗、最小化管理节点最大通信能耗和最小化网络成本为目标建立底层网络部署优化模型：

优化问题P1：

               

约束：

 

 

 

 

其中，

是所有热点的序号集合，

为离热点距离小于

的备选放置管理节点的热点集合，

为放置于热点i和热点j的光纤传感器节点与管理节点可相互通信的距离上限；

约束

规定为0-1变量，当其为1时，表示位于热点的光纤传感器节点由位于热点

的管理节点管理，否则为0；

为0-1变量，当其为1时，表示在热点

放置管理节点；

约束

保证每个光纤传感器节点只能由一个管理节点管理；

约束

保证光纤传感器节点只能和管理节点通信；

约束

保证光纤传感器节点和对应的管理节点能够通信；

（5）    采用基于离散二进制的多目标粒子群算法对底层网络部署优化模型求解，包括以下内容：

1）采用离散二进制对粒子进行编码，编码长度等于热点的数量

，第i个粒子的编码

为：

其中， 

表示在热点j放置管理节点，

表示在热点j放置光纤传感器节点；

2）    构造非劣解集分为初始非劣解集和更新非劣解集。初始非劣解是在初始化粒子以后，当一个粒子不受其它粒子支配时，将其放入非劣解集中，并在粒子更新之前从中随机选择一个粒子作为全局最优值；更新非劣解集时，当一个新粒子不受其它粒子的支配时，将其放入非劣解集中，并在粒子更新之前从中随机选择一个粒子作为全局最优值；

3）粒子的速度更新公式采用下式，且限制在[-4，4]之间；

其中，为当前粒子速度，

为更新后的粒子速度；

为当前粒子位置；

、是加速因子，分别用于调整粒子向局部最优和全局最优进化的步长；

是惯性因子，使算法在初期便于全局搜索，后期利于收敛至全局最优解，

是最大迭代次数；，

为[0,1]范围内的独立随机数；

是个体最优解；

是全局最优解。

4）粒子的位置更新公式采用下式：

其中，

为更新后的粒子位置；；

为[0,1]范围内的随机数；

（6）    根据底层网络部署优化方案，构建上层网络，首先建立上层网络的网络模型。

在区域A内，将底层网络中选出的

个管理节点视作固定节点，随机布撒

个可移动的路由节点，并将所有

个节点抽象为一个无向图G，其中路由节点仅用作转发传感信息；

（7）    上层网络成本模型。

在管理节点数量一定的情况下，上层网络成本与部署路由节点的数量有关。由于优化时会随机布撒数量较多的路由节点，当节点出现冗余时，部分节点的位置会出现重合，此时将多个重合的节点视作一个节点，进而把最小化路由节点数量问题转换为最大化重合路由节点数量问题。判断相距

任意两节点是否重合由重合度

来衡量，定义为：

其中，

，

为距离门限值，当两节点间的距离小于或等于

 时，两节点重合，此时

最大，值为1。越小，重合判断就越精细。

（8）    上层网络连通模型。

将整个网络看作一个无向图G(VV,EE)，所有节点看作无向图G的顶点VV，计算无向图G的邻接矩阵

，当满足

时，记，否则

。

对邻接矩阵

进行布尔运算得到道路矩阵

：

其中，

最终计算结果为下式所示：

当时，网络全连通。

（9）    上层网络部署优化模型。

根据上层网络网络模型、网络成本模型、网络连通模型，以网络连通为约束，以最小化网络成本为目标建立上层网络部署优化模型：

优化问题2： 

约束：

（10）采用基于模拟退火的粒子群算法对底层网络部署优化模型求解，包括以下内容：

1）采用路由节点坐标对粒子进行编码，编码长度为

，第i个粒子的编码为：

其中

、

分别为路由节点

的横纵坐标；

2）粒子的速度更新公式采用下式；

粒子的速度限制采用下式：

其中，

和

是监测区域的边界值。

3）粒子的位置更新公式采用下式：

当微粒离开搜索空间时，位置限制采用下式：

 4）为了增加粒子间的差异性，加速粒子往全局最优方向进化，采用两种判别标准来构建适应值函数： 

其中，

为无向图G中连通集合的数量，根据道路矩阵

，对无向图的顶点进行集合划分，若顶点之间连通，那么这些顶点属于一个集合。

为连通集合之间最短距离之和，当全网连通时，所有节点属于一个集合，

，此时设。

本发明与现有技术相比的有益效果是：

提供了一种有效的分层部署方案，来进行已知监测环境情况的无线光纤传感器网络的初始部署，满足对热点的监测要求。在底层网络部署中，以网络的能耗和成本为两个待优化目标，采用离散二进制对粒子进行编码，简化了算法，增加了粒子群的多样性，获得了较快的收敛速度和优化性能。在上层网络部署中，以网络成本为待优化目标，以全网的连通为约束，设计的增大粒子差异性的适应值函数加快了算法的收敛速度；基于模拟退火的粒子群算法有效地避免了搜索过程中陷入局部最优，得到了较好的优化性能。

附图说明

图1是本发明所述基于粒子群算法的无线光纤传感器网络部署优化方案流程图。

图2是本发明所述监测区域热点分布图。

图3是本发明所述底层网络部署优化非劣解分布图。

图4是本发明所述底层网络部署效果图。

图5是本发明所述上层网络路由节点随机布撒图。

图6是本发明所述上层网络部署优化过程中的适应值收敛曲线图。

图7是本发明所述上层网络部署效果图。

图8是本发明所述基于粒子群算法的无线光纤传感器网络部署效果图。

具体实施方式

下面根据图l至8给出本发明的基于粒子群算法的无线光纤传感器网络部署方法的一个实施例，要指出的是，所给出的实施例是为了说明本发明方法的技术特点和功能特点，使能更易于理解本发明，而不是用来限制本发明的范围。

本实施例应用于基于粒子群算法的无线光纤传感器网络节点部署阶段，如图1所示，其具体包含如下步骤：

（1）建立底层网络网络模型。

假设在监测区域A（ 100m×100m的矩形区域）内有40个待测热点（如图2所示)，有两种节点待部署，分别为：光纤传感器节点、管理节点。光纤传感器节点用于采集信息并发送至管理节点，管理节点用于信息采集和转发来自光纤传感器节点的传感信息。在每个热点上，仅需放置一个光纤传感器节点或者一个管理节点，就可以采集对应热点的信息。每个管理节点管理一个或多个光纤传感器节点，每个光纤传感器节点仅能由一个管理节点管理。

（2）建立节点通信模型。

在实际应用环境中，由于多经、障碍物等因素，信号在传播过程中会产生损耗，根据Keenan-Motley模型，信号传播距离d后的路径损耗PL为：

其中，是参考距离，是传播

的路径损耗，

是路径损耗系数，

是发射节点与接收节点之间第i类障碍物衰减因子，

是发射机与接收机之间第i类障碍物个数。

节点i向节点j方向所发射的信号的最大衰落半径

为：

其中，

是最大路径损耗值。 

当节点i和节点j之间的距离

时，节点i和节点j能相互通信，其中，

，

是节点的位置坐标。

（3）建立底层网络通信能耗模型。

设光纤传感器节点和管理节点的通信能耗模型为一阶通信模型，其中发射器、接收器的功耗为50nJ/bit，发射放大器的功耗为0.1nJ/bit，那么在一个传感周期内，一个光纤传感器向距离为(

)的管理节点发送10bit的数据包的发送能耗为：

一个传感周期内，一个管理节点的能耗

为：

（4）建立底层网络部署优化模型

由于管理节点除了要完成传感信息的采集，还要收集转发管辖内光纤传感器传输过来的传感信息，因此必须考虑均衡管理节点通信能耗。以最小化光纤传感器通信能耗、最小化管理节点最大通信能耗和最小化网络成本为目标建立底层网络优化模型：

优化问题P1：

               

约束：

其中，

是所有热点的序号集合，

为离热点

距离小于

的备选放置管理节点的热点集合，

为放置于热点i和热点j的光纤传感器节点与管理节点可相互通信的距离上限；

约束

规定为0-1变量，当其为1时，表示位于热点

的光纤传感器节点由位于热点

的管理节点管理，否则为0；

为0-1变量，当其为1时，表示在热点

放置管理节点；

约束保证每个光纤传感器节点只能由一个管理节点管理；

约束

保证光纤传感器节点只能和管理节点通信；

约束

保证光纤传感器节点和对应的管理节点能够通信；

（5）采用基于离散二进制的多目标粒子群算法对底层网络部署优化模型求解，其具体步骤如下：

1）初始化粒子位置，采用离散二进制对粒子进行编码，编码长度等于热点的数量40，第i个粒子的编码

为：

其中， 

表示在热点j放置管理节点，

表示在热点j放置光纤传感器节点；

2）初始化粒子速度，粒子速度限制在[-4,4];

3）粒子群适应值评价，将粒子代入目标函数

、中求解粒子群的两个优化目标：

4）根据3）中求得的目标函数值和底层网络优化模型约束

，初始化个体最优解，初始化非劣解集，当一个粒子不受其它粒子支配时，将其放入非劣解集中；

5）更新粒子速度，速度更新公式采用下式，且限制在[-4，4]之间；

其中，为当前粒子速度，

为更新后的粒子速度；

； 

，

；

,

为[0,1]范围内的独立随机数；

是个体最优解；

是全局最优解，从当前非劣解集中任意选取；

6）更新粒子位置，位置更新公式采用下式：

其中，

为更新后的粒子位置；

；

为[0,1]范围内的随机数；

7）粒子群适应值评价，将微粒代入目标函数

、

中求解粒子群的两个优化目标：

8）根据7）中求得的目标函数值和底层网络优化模型约束

，更新个体最优解，当一个新粒子不受其它粒子的支配，将其视作新的个体最优解；

9）根据8）中得到的成为个体最优解的新粒子，更新非劣解集，当一个新粒子不受非劣解集中解的支配时，将其放入非劣解集中，如果非劣解集中某个解受到新存入粒子的支配，则将这个解从非劣解集中删除；

10）循环执行5）到9）直到符合算法停止条件。

算法结束后，得到一个非劣解集，如图3所示，根据实际应用情况，选取适当的管理节点数，即能得到底层网络的部署优化方案；本实施例选取15个管理节点数，如图4所示。

（6）根据底层网络部署优化方案，构建上层网络，首先建立上层网络的网络模型。

在监测区域A内，将底层网络中选出的15个管理节点视作固定节点，随机布撒9个可移动的路由节点，如图5所示，并将所有24个节点抽象为一个无向图G，其中路由节点仅用作数据转发；

（7）建立上层网络成本模型。

把最小化网络成本问题转换为最大化重合路由节点数量问题。判断相距

任意两节点是否重合由重合度

来衡量，定义为：

其中，

，当两节点间的距离小于或等于0.1时，两节点重合，此时

最大，值为1。

（8）建立网络连通模型。

将整个网络看作一个无向图G(VV,EE)，所有节点看作无向图G的顶点VV，计算无向图G的邻接矩阵

，当满足

时，记

，否则。

对邻接矩阵

进行布尔运算得到道路矩阵

：

其中，

最后的计算结果为下式所示：

当

时，网络全连通。

（9）建立上层网络部署优化模型。

以网络连通为约束，以最小化网络成本为目标建立上层网络部署优化模型：

优化问题2：

约束：

（10）采用基于模拟退火的粒子群算法对底层网络部署优化模型求解，其具体步骤如下：

1）初始化粒子位置，采用路由节点坐标对粒子进行编码，编码长度为48，第

个粒子的编码为：

其中

、

分别为路由节点的横纵坐标；

2）初始化粒子速度；

3）根据下式计算粒子群适应值：

其中，

为无向图G中连通集合的数量，根据道路矩阵

，对无向图的顶点进行集合划分，若顶点之间连通，那么这些顶点属于一个集合。

为连通集合之间最短距离之和，当全网连通时，所有节点属于一个集合，

，此时设

；

4）根据3）中求得的适应值，初始化个体最优解，将当前各粒子的位置存储在个粒子的个体最优解

中；

5）初始化全局最优解，将

中的适应值最优个体存储于全局最优解

中；

6）根据下式初始化退火温度：

   7）根据下式确定当前温度下各粒子的适配值：

8）根据下式更新粒子速度：

速度限制采用下式：

其中，

，

，

，

,

为[0,1]范围内的独立随机数；

是个体最优解，

是全局最优解，

采用轮盘赌策略从当前

中选取全局最优值。

9）粒子的位置更新公式采用下式：

当微粒离开搜索空间时，位置限制采用下式：

   10）根据下式计算粒子群适应值： 

其中，

为无向图G中连通集合的数量，

为连通集合之间最短距离之和，当全网连通时，所有节点属于一个集合，

，此时设

。

11）根据10）中求得的适应值，更新个体最优解，将各粒子最优历史解存储在粒子的个体最优解

中；

12）更新全局最优解，将中的适应值最优个体存储于全局最优解

中；

13）根据下式进行退温操作：

   14）循环执行7）到13）直到符合算法停止条件。

算法结束后，得到上层网络部署优化过程中的适应值收敛曲线和上层网络部署结果，分别如图6和图7所示，本实施例中随机布撒9个路由器节点，优化后只需要6个路由器节点便能使网络连通。图8是本方法的最终部署效果图。

Claims (5)

1.一种基于粒子群算法的无线光纤传感器网络部署方法，其特征在于，该方法包括以下步骤：1）部署由光纤传感器节点与管理节点组成的底层网络；2）部署由管理节点与路由器节点组成的上层网络；

所述部署由光纤传感器节点与管理节点组成的底层网络包括如下步骤：

a、根据特定监测环境构建底层网络的网络模型；根据Keenan-Motley模型构建节点通信模型；根据一阶无线电模型建立底层网络通信能耗模型；通过联合优化通信能耗和网络成本，建立底层网络部署优化模型；

b、针对建立的底层网络部署优化模型，使用基于离散二进制随机粒子群多目标优化算法进行求解，求得一个非劣解集，根据实际应用情况，从中选取一个解，得到光纤传感器节点和管理节点的部署情况；

所述部署由管理节点与路由器节点组成的上层网络包括如下步骤：

i、根据底层网络部署优化模型的求解结果，选出管理节点，构建上层网络的网络模型；构建上层网络成本模型；构建上层网络连通模型；以上层网络连通为约束，通过优化上层网络成本，建立上层网络部署优化模型；

ii、针对建立的上层网络部署优化模型，设计增大粒子间差异性的适应值函数，并使用基于模拟退火的粒子群算法进行求解，使在上层网络连通的情况下，网络成本最小。

2.根据权利要求1所述的基于粒子群算法的无线光纤传感器网络部署方法，其特征在于，所述步骤a更进一步包含如下步骤：

建立底层网络网络模型：假设区域A内分布着                                                

个热点需要被监测，有两种节点待部署，分别为：光纤传感器节点、管理节点；光纤传感器节点用于采集信息并发送至管理节点，管理节点用于信息采集和转发来自光纤传感器节点的传感信息；在每个热点上，仅需放置一个光纤传感器节点或者一个管理节点，就可以采集对应热点的信息；每个管理节点管理一个或多个光纤传感器节点，每个光纤传感器节点仅能由一个管理节点管理；

建立节点通信模型：根据Keenan-Motley模型，信号传播距离d后的路径损耗PL为：

其中，是参考距离，

是传播

的路径损耗，是路径损耗系数，

是发射节点与接收节点之间第i类障碍物衰减因子，是发射机与接收机之间第i类障碍物个数；

节点i向节点j方向所发射的信号的最大衰落半径

为：

其中，

是最大路径损耗值；

当节点i和节点j之间的距离

时，节点i和节点j能相互通信，其中，

，

是节点的位置坐标；

建立底层网络通信能耗模型：设光纤传感器节点和管理节点的通信能耗模型为一阶无线电模型，其中发射器、接收器的功耗为(nJ/bit)，发射放大器的功耗为(nJ/bit)，在一个传感周期内，一个光纤传感器向距离为

(

)的管理节点发送

的数据包的发送能耗

为：

一个传感周期内，一个管理节点的能耗为：

其中，

为管理节点接收其管辖内

个光纤传感器发送的传感信息数据包的能耗，

为管理节点发送传感信息数据包的能耗；

以最小化光纤传感器通信能耗、最小化管理节点最大通信能耗和最小化网络成本为目标建立底层网络部署优化模型：

优化问题P1：

               

约束：

 

 

 

 

其中，

是所有热点的序号集合，

为离热点

距离小于

的备选放置管理节点的热点集合，

为放置于热点i和热点j的光纤传感器节点与管理节点可相互通信的距离上限；

约束

规定

为0-1变量，当其为1时，表示位于热点

的光纤传感器节点由位于热点

的管理节点管理，否则为0；为0-1变量，当其为1时，表示在热点放置管理节点；

约束

保证每个光纤传感器节点只能由一个管理节点管理；

约束

保证光纤传感器节点只能和管理节点通信；

约束

保证光纤传感器节点和对应的管理节点能够通信。

3.根据权利要求1所述的基于粒子群算法的无线光纤传感器网络部署方法，其特征在于，所述步骤b进一步包含以下内容：

1）采用离散二进制对粒子进行编码，编码长度等于热点的数量

，第i个粒子的编码为：

其中， 

表示在热点j放置管理节点，

表示在热点j放置光纤传感器节点；

构造非劣解集分为初始非劣解集和更新非劣解集：初始非劣解是在初始化粒子以后，当一个粒子不受其它粒子支配时，将其放入非劣解集中，并在粒子更新之前从中随机选择一个粒子作为全局最优值；更新非劣解集时，当一个新粒子不受其它粒子的支配时，将其放入非劣解集中，并在粒子更新之前从中随机选择一个粒子作为全局最优值；

粒子的速度更新公式采用下式，且限制在[-4，4]之间：

其中，

为当前粒子速度，为更新后的粒子速度；为当前粒子位置；

、

是加速因子，分别用于调整粒子向局部最优和全局最优进化的步长；

是惯性因子，使算法在初期便于全局搜索，后期利于收敛至全局最优解，是最大迭代次数；

，

为[0,1]范围内的独立随机数；

是个体最优解；

是全局最优解；

粒子的位置更新公式采用下式：

其中，

为更新后的粒子位置；

；

为[0,1]范围内的随机数。

4.根据权利要求1所述的基于粒子群算法的无线光纤传感器网络部署方法，其特征在于，所述步骤i更进一步包含如下步骤：

建立上层网络的网络模型：在区域A内，将底层网络中选出的

个管理节点视作固定节点，随机布撒个可移动的路由节点，并将所有

个节点抽象为一个无向图G，其中路由节点仅用作转发传感信息；

建立上层网络成本模型：在管理节点数量一定的情况下，上层网络成本与部署路由节点的数量有关；由于优化时会随机布撒数量较多的路由节点，当节点出现冗余时，部分节点的位置会出现重合，此时将多个重合的节点视作一个节点，进而把最小化路由节点数量问题转换为最大化重合路由节点数量问题；判断相距

任意两节点是否重合由重合度

来衡量，定义为：

其中，

，为距离门限值，当两节点间的距离小于或等于

 时，两节点重合，此时

最大，值为1；

越小，重合判断就越精细；

3）建立上层网络连通模型：将整个网络看作一个无向图G(VV,EE)，所有节点看作无向图G的顶点VV，计算无向图G的邻接矩阵

，当满足

时，记

，否则

；

对邻接矩阵进行布尔运算得到道路矩阵：

其中，

最终计算结果为下式所示：

当

时，网络全连通；

4）以网络连通为约束，以最小化网络成本为目标建立上层网络部署优化模型：

优化问题P2：

约束：

。

5.根据权利要求1所述的基于粒子群算法的无线光纤传感器网络部署方法，其特征在于，所述步骤进一步分为以下内容：

采用路由节点坐标对粒子进行编码，编码长度为

，第i个粒子的编码

为：

其中

、

分别为路由节点

的横纵坐标；

2）粒子的速度更新公式采用下式；

粒子的速度限制采用下式：

其中，

和

是监测区域的边界值；

3）粒子的位置更新公式采用下式：

当粒子离开搜索空间时，粒子的位置限制采用下式：

4）为了增加粒子间的差异性，加速粒子往全局最优方向进化，采用两种判别标准来构建适应值函数： 

其中，

为无向图G中连通集合的数量，

为连通集合之间最短距离之和；当全网连通时， 

，设

。

Images