CN103945395A - 一种基于粒子群的无线网络传感器的快速优化部署方法 - Google Patents

Abstract

本发明公开了一种基于粒子群的无线网络传感器的快速优化部署方法，能够提高粒子群优化算法PSO的全局优化效果，减少粒子资源使用，大大加快了求解速度。该方法为：以无线网络传感器的每一种部署的可行解作为一个粒子，建立粒子群，初始化每个粒子的速度与位置，设定迭代次数，以粒子群优化算法PSO进行粒子的迭代搜索，其中在粒子的速度更新时，添加扰动项；迭代搜索进行至设定的迭代次数之后，获得最终的优化结果，实现粒子群优化；PSO以无线网络的有效覆盖率作为适应度；扰动项为扰动幅度与以标准正态分布选取的随机数的乘积，通过改变扰动幅度以增大或减小扰动项比重。本发明适用于PSO在粒子数很少的情况下得到比较满意的解。

Description

一种基于粒子群的无线网络传感器的快速优化部署方法

技术领域

本发明涉及无线传感器网络技术领域，具体涉及一种基于改进粒子群的无线网络传感器最优覆盖节点部署方法，特别适用于传感器数量大，需要快速部署的情况。

背景技术

无线传感器网络由一些微型廉价低功耗的传感器节点组成。可以在有限的距离内实现无线通讯。由于它在许多领域的潜在应用性，它目前成为研究热点。它被广泛运用于区域监视中。

然而，基于无线传感器网络的特点，现在存在一些挑战性问题。传感器有有限的通讯范围和生命周期。因此，传感器必须部署在一定通讯范围之内。网络覆盖问题是区域监视的热点问题。无线传感器探测区域覆盖表现了传感器部署的好坏。同时，部署算法得有一定的收敛速度来提高部署效率，满足部署要求。

在无线传感器网络覆盖问题中，传感器大多选用成本很低的，寿命短的。这些传感器探测范围一般很小。对于区域覆盖问题，通常考虑传感器的数量比较大。如果采用探测范围大的传感器，如果该种传感器受不明原因摧毁或者不能正常工作时，传感器网络的覆盖范围会大大减少。

对于无线传感器网络部署问题中，如果采用随机传感器部署方案，随之而来的问题是网络覆盖不均匀，部分区域重复探测次数较多，从而出现探测盲区，大大影响无线传感器网络覆盖效果。当环境信息，传感器信息发生改变时，部署方案同时需要改变。这种情况下，实现快速部署十分重要。

由于网络化无线传感器对区域探测问题中，考虑到有限的传感器数量，成本等问题，如何通过优化算法来部署传感器节点，使得充分发挥其探测能力，达到最优的覆盖效果显得尤其重要。

对于传感器优化部署方面，有很多学术研究，主要基于粒子群优化算法（PSO）来实现传感器的部署方案。

粒子群算法是基于模拟鸟群觅食行为的全局搜索算法。其中，每一个粒子代表一个可行解，通过多个粒子模拟鸟群觅食过程来得到最优解的。每个粒子运动向自身最优值和其他粒子群中最优值聚集，通过多次迭代得到最后的最优解。

上述传统的粒子群算法搜索空间有限，当网络中传感器数量较大时候，可能出现局部最优的情况。

发明内容

有鉴于此，本发明提供了一种基于粒子群算法的无线网络传感器的快速优化部署方法，能够提高全局优化效果，并且在粒子数很少的情况下得到比较满意的解，减少粒子资源使用，大大加快了求解速度。

本发明的方案为，以无线网络传感器的每一种部署的可行解作为一个粒子，建立粒子群，初始化每个粒子的速度与位置，设定迭代次数，以粒子群优化算法PSO进行粒子的迭代搜索，其中在粒子的速度更新时，添加扰动项；迭代搜索进行至设定的迭代次数之后，获得最终的优化结果，实现粒子群优化；

PSO以无线网络的有效覆盖率作为适应度；

扰动项为扰动幅度与以标准正态分布选取的随机数的乘积，通过改变扰动幅度以增大或减小扰动项比重。

优选地，该方法所针对的无线传感器网络中具有n个无线传感器，每个无线传感器的感知半径为r，均部署在2维空间，则该方法通过如下步骤实现：

步骤一、建立该无线传感器网络的粒子群，粒子群中具有M个2n维粒子；在当前时刻t时，针对第i个2n维粒子，i=1～M，随机产生一个2n维位置x_id(t)与速度v_id(t)作为该粒子的初始位置与初始速度，其中x_id(t)=(x₁,y₁,x₂,y₂,x₃,y₃,…,x_n,y_n)，(x₁,y₁)～(x_n,y_n)为第1～n个传感器的坐标值，v_id(t)=(v₁,v₂,…,v_2n)，v₁～v_2n为位置x_d(t)的每一维坐标的变化速度；

步骤二、计算当前时刻t每个粒子的覆盖率，获得每个粒子的自身位置作为自身最优位置p_ibest，同时以当前时刻t覆盖率最大的粒子的自身最优位置为粒子群的全局最优位置，即全局最优位置p_gbest；

以下面的步骤三～步骤五为一次迭代过程：

步骤三、以粒子群优化算法PSO对每个粒子进行速度和位置的更新，其中粒子i的下一时刻t+1时的速度v_id(t+1)和位置x_id(t+1)更新为：

v_id(t+1)＝c₀×randn()+c₁×rand()×(p_ibest+x_id(t))+c₂×rand()×(p_gbest+x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

其中，c₀为扰动的幅度，函数randn()为以标准正态分布选取的2n维随机数；c₁为自身最优的加速因子、c₂为全局最优的加速因子，rand()为[0,1]区间内以均匀分布选取的独立随机数；

步骤四、计算下一时刻t+1每个粒子所对应部署方案的覆盖率，获得每个粒子的自身最优位置p’_ibest，i=1～M，并获得粒子群的全局最优位置p’_gbest；

比较p’_ibest对应覆盖率与p_ibest对应覆盖率，若p’_ibest对应覆盖率大，则将p’_ibest的值赋给p_ibest；

比较p’_gbest对应覆盖率与p_gbest对应覆盖率，若p’_gbest对应覆盖率大，则将p’_gbest的值赋给p_gbest；

步骤五、判断是否达到迭代步数，若达到迭代步数则获得本次迭代的p_1best～p_Mbest以及p_gbest，以全局最优位置p_gbest作为最终的优化部署方案，否则返回步骤三，进行下一次迭代。

进一步地，步骤二和步骤四中计算每个粒子的覆盖率的方法具体包括如下步骤：

步骤一、在无线传感器网络中，第k个无线传感器的坐标为s_k(x_k,y_k)，探测半径为r_k，k为1～n中正整数；

将被探测区域划分为均匀的网格，共获得n_p个网格顶点，其中任选一网格顶点P(x_j,y_j)，计算第k个无线传感器对点P(x_j,y_j)的覆盖率

步骤二、计算点P(x_j,y_j)在n个无线传感器下的覆盖率为：

$C_{x_j,y_j}\left(\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{S}_k\right)=1-\underset{i=1}{\overset{n}{\mathrm{\Π}}}(1-C_{x_j,y_j}\left(S_k\right))$

步骤三、计算无线传感器网络有效覆盖率为

$R=\frac{\underset{j=1}{\overset{n_p}{\mathrm{\Σ}}}{C}_{x_j,y_j}\left(\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{S}_i\right)}{n_p}.$

有益效果：

1、本发明通过改进了粒子群算法，引入了扰动项，对传感器优化部署的结果提高了其全局优化效果，并且在粒子数很少的情况下得到比较满意的解，减少粒子资源使用，大大加快了求解速度。

2、本发明采用无线网络的有效覆盖率作为粒子群优化算法PSO的适应度函数，有效覆盖率能够很好地反映每一个部署方案的优劣，同时本发明采用将探测区域划分为均匀网格的方法计算有效覆盖率，简化了运算，提高了优化速度。

附图说明

图1为本发明使用改进的粒子群算法d-PSO进行无线网络传感器的快速优化部署流程图；

图2为本发明改进的粒子群算法d-PSO和传统粒子群算法PSO搜索能力的比较，图(a)为传统粒子群算法PSO的搜索能力示意图；图(b)为本发明改进的粒子群算法d-PSO的搜索能力示意图；

图3为本发明改进的粒子群算法d-PSO与传统粒子群算法PSO性能比较；

图4为本发明改进的粒子群算法d-PSO与传统粒子群算法PSO在不同粒子种群数下性能比较。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明通过对传统的粒子群算法进行改进，针对求解多个传感器网络覆盖问题，提出了一种对无线网络传感器进行快速优化部署的方法。

本发明的基本思想为：以无线网络传感器的每一种部署的可行解作为一个粒子，建立粒子群，初始化每个粒子的速度与位置，设定迭代次数，以粒子群优化算法PSO进行粒子的迭代搜索，其中在粒子的速度更新时，添加扰动项；迭代搜索进行至设定的迭代次数之后，获得最终的优化结果，实现粒子群优化。

其中PSO以无线网络的有效覆盖率作为适应度。

扰动项为扰动幅度与以标准正态分布选取的随机数的乘积，通过改变扰动幅度以增大或减小扰动项比重。

实施例1、

针对上述基本思想，本实施例所针对的无线传感器网络具体为：该无线传感器网络中具有n个无线传感器，每个无线传感器的感知半径为r，均部署在2维空间，则针对该种具体的无线传感器网络，该方法的流程如图1所示，可以通过如下步骤实现：

步骤一、建立该无线传感器网络的粒子群，粒子群中具有M个2n维粒子；在当前时刻t时，针对第i个2n维粒子，i=1～M，随机产生一个2n维位置x_id(t)与速度v_id(t)作为该粒子的初始位置与初始速度，其中x_id(t)=(x₁,y₁,x₂,y₂,x₃,y₃,…,x_n,y_n)，(x₁,y₁)～(x_n,y_n)为第1～n个传感器的坐标值，v_id(t)=(v₁,v₂,…,v_2n)，v₁～v_2n为位置x_d(t)的每一维坐标的变化速度；。

步骤二、计算当前时刻t每个粒子的覆盖率，获得每个粒子的自身最优位置作为自身最优位置p_ibest，i=1～M，同时以当前时刻t覆盖率最大值粒子位置为粒子群的全局最优位置，即为全局最优位置p_gbest；

传感器覆盖率计算主要通过计算每个被探测区域的探测概率来得到。通过概率模型来判断被探测区域内点对于每个传感器的探测概率。考虑n个传感器中，第k个传感器的坐标为(x_k,y_k)，探测半径为r_k，k为1～n中任一正整数。

对于被探测区域，由于其不规则性和传感器部署位置不规则性，直接计算全部传感器覆盖率比较困难。因此，可以通过将被探测区域网格化，通过均匀分布的网格点，分别计算每个网格点的覆盖率，再通过全部网格顶点，计算该区域的覆盖率。这样，传感器对于被探测区域的覆盖率可以有效的通过计算被探测区域中每个网格点的探测概率来得到。具体方案如下：

步骤一、在无线传感器网络中，第k个无线传感器的坐标为s_k(x_k,y_k)，探测半径为r_k，k为1～n中任一正整数；

将被探测区域划分为均匀的网格，共获得n_p个网格顶点，其中任选一网格顶点P(x_j,y_j)，计算第k个无线传感器对点P(x_j,y_j)的覆盖率

在计算无线传感器对于点的覆盖率时，可以采用如下的探测概率模型：

$C_{x_j,y_j}=\left\{\begin{array}{c}0,r_k+r_e\&le;d\\ e^{(-{\mathrm{\&alpha;}}_1{{\mathrm{\&lambda;}}_1}^{\mathrm{\&beta;}1}/{{\mathrm{\&lambda;}}_2}^{\mathrm{\&beta;}2}+{\mathrm{\&alpha;}}_2)},r_k-r_e<d<r_k+r_e\\ 1,r_k-r_e\&GreaterEqual;d\end{array}\right.$

其中d为第k个无线传感器与点P(x_j,y_j)之间的直接距离，r_e为第k个无线传感器探测的不确定距离；λ₁=r_e-r_k+d；λ₂=r_e+r_k-d；α₁,α₂,β₁,β₂为探测概率模型参数；取决于第i个无线传感器的种类和特性。

步骤二、针对n个传感器，考虑计算联合概率，计算点P(x_j,y_j)在n个无线传感器下的覆盖率为：

$C_{x_j,y_j}\left(\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{S}_k\right)=1-\underset{i=1}{\overset{n}{\mathrm{\&Pi;}}}(1-C_{x_j,y_j}\left(S_k\right))$

步骤三、计算无线传感器网络有效覆盖率为：

$R=\frac{\underset{j=1}{\overset{n_p}{\mathrm{\&Sigma;}}}{C}_{x_j,y_j}\left(\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{S}_i\right)}{n_p}.$

该覆盖率便为改进粒子群算法（d-PSO）的适应度函数。

以下面的步骤三～步骤五为一次迭代过程：

步骤三、以粒子群优化算法PSO对每个粒子进行速度和位置的更新，其中粒子的下一时刻t+1时的速度v_id(t+1)和位置x_id(t+1)更新为：

v_id(t+1)＝c₀×randn()+c₁×rand()×(p_ibest-x_id)+c₂×rand()×(p_gbest-x_id)

x_id(t+1)＝x_id(t)+v_id(t+1)

其中，v_id(t)为当前时刻速度，v_id(t+1)为下一时刻速度；x_id(t)为当前时刻位置，x_id(t+1)为下一时刻位置；c₀描述扰动的幅度，函数randn()表示以标准正态分布选取随机数；c₁和c₂为加速因子，分别用于调整粒子向自身最优和全局最优进化的步长，rand()为[0,1]区间内以均匀分布选取的独立随机数。

步骤四、计算下一时刻t+1每个粒子对应部署方案的覆盖率，获得每个粒子的自身最优位置p’_ibest，同时计算下一时刻t+1粒子群的全局覆盖率，获得粒子群的全局最优位置p’_gbest；

比较p’_ibest对应覆盖率与p_ibest对应覆盖率，若p’_ibest对应覆盖率大，则将p’_ibest的值赋给p_ibest；

比较p’_gbest对应覆盖率与p_gbest对应覆盖率，若p’_gbest对应覆盖率大，则将p’_gbest的值赋给p_gbest。

步骤五、判断是否达到迭代步数，若达到迭代步数则获得本次迭代的p_1best～p_Mbest以及p_gbest，以全局最优位置p_gbest作为最终的优化部署方案，否则返回步骤三，进行下一次迭代。

该算法将无线传感器网络中传感器位置作为优化算法的输入变量，考虑传感器网络对于被覆盖区域的覆盖率为优化适应度函数，通过最大化该函数，获得理想的部署方法。在传统粒子群算法的基础上，通过改进了速度更新方程中的之前速度项，将这项改成一个随机函数描述的扰动项，大大提高了粒子的搜索能力，图2中描述了改进的粒子群算法和传统粒子群算法搜索能力的比较，改进的方法大大提高了搜索到空间，提高了搜索能力，避免了在传感器数量较大时候，传统粒子群可能出现的局部最优的情况。

实施例2、

为了进一步说明上述问题，对本发明使用的改进粒子群算法与传统粒子群算法在无线传感器网络覆盖问题进行仿真。考虑20个传感器部署在面积为40×40m²的区域中。粒子种群大小为20，传感器探测范围r=5m，对于概率探测模型，参数为r_e=0.1r,α₁=1,α₂=0,β₁=1,β₂=0。设定的粒子群算法参数为c₀=0.4,c₁=c₂=1.496，迭代次数为1000次，此处所设定的迭代次数。网格大小考虑为1×1m²，即有1600个网格点用于计算覆盖率。

考虑50次随机实验，算法的性能如图3和表1所示。结果表明，改进粒子群算法（d-PSO）收敛速度更快，而且优化效果明显。平均覆盖率d-PSO为85.49%，PSO为74.56%。而且相对于PSO，改进粒子群算法更稳定。

表1本发明添加了扰动项的粒子群算法（d-PSO）和传统粒子群算法（PSO）比较

考虑不同粒子种群大小对算法的影响，考虑了粒子数范围从1到40情况下，PSO与d-PSO算法的比较，如图4所示。结果表明，d-PSO在粒子数量很少的情况下得到了满意度解，而PSO在粒子数量越来越大解答效果才能更好。通过d-PSO算法，可以采用少量粒子种群个数来减少算法执行时间。因此，改进的粒子群算法（d-PSO）部署效果好，速度快，非常适用于快速部署的情况。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于粒子群的无线网络传感器的快速优化部署方法，其特征在于，以所述无线网络传感器的每一种部署的可行解作为一个粒子，建立粒子群，初始化每个粒子的速度与位置，设定迭代次数，以粒子群优化算法PSO进行粒子的迭代搜索，其中在粒子的速度更新时，添加扰动项；迭代搜索进行至设定的迭代次数之后，获得最终的优化结果，实现粒子群优化；

所述PSO以无线网络的有效覆盖率作为适应度；

所述扰动项为扰动幅度与以标准正态分布选取的随机数的乘积，通过改变扰动幅度以增大或减小扰动项比重。

2.如权利要求1所述的一种基于粒子群的无线网络传感器的快速优化部署方法，其特征在于，该方法所针对的无线传感器网络中具有n个无线传感器，每个无线传感器的感知半径为r，均部署在2维空间，则该方法通过如下步骤实现：

步骤一、建立该无线传感器网络的粒子群，所述粒子群中具有M个2n维粒子；在当前时刻t时，针对第i个2n维粒子，i=1～M，随机产生一个2n维位置x_id(t)与速度v_id(t)作为该粒子的初始位置与初始速度，其中x_id(t)=(x₁,y₁,x₂,y₂,x₃,y₃,…,x_n,y_n)，(x₁,y₁)～(x_n,y_n)为第1～n个传感器的坐标值，v_id(t)=(v₁,v₂,…,v_2n)，v₁～v_2n为位置x_d(t)的每一维坐标的变化速度；

步骤二、计算当前时刻t每个粒子的覆盖率，获得每个粒子的自身位置作为自身最优位置p_ibest，同时以当前时刻t覆盖率最大的粒子的自身最优位置为粒子群的全局最优位置，即全局最优位置p_gbest；

以下面的步骤三～步骤五为一次迭代过程：

步骤三、以粒子群优化算法PSO对每个粒子进行速度和位置的更新，其中粒子i的下一时刻t+1时的速度v_id(t+1)和位置x_id(t+1)更新为：

v_id(t+1)＝c₀×randn()+c₁×rand()×(p_ibest+x_id(t))+c₂×rand()×(p_gbest+x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

其中，c₀为扰动的幅度，函数randn()为以标准正态分布选取的2n维随机数；c₁为自身最优的加速因子、c₂为全局最优的加速因子，rand()为[0,1]区间内以均匀分布选取的独立随机数；

步骤四、计算下一时刻t+1每个粒子所对应部署方案的覆盖率，获得每个粒子的自身最优位置p’_ibest，i=1～M，并获得粒子群的全局最优位置p’_gbest；

比较p’_ibest对应覆盖率与p_ibest对应覆盖率，若p’_ibest对应覆盖率大，则将p’_ibest的值赋给p_ibest；

比较p’_gbest对应覆盖率与p_gbest对应覆盖率，若p’_gbest对应覆盖率大，则将p’_gbest的值赋给p_gbest；

步骤五、判断是否达到迭代步数，若达到迭代步数则获得本次迭代的p_1best～p_Mbest以及p_gbest，以全局最优位置p_gbest作为最终的优化部署方案，否则返回步骤三，进行下一次迭代。

3.如权利要求2所述的一种基于粒子群的无线网络传感器的快速优化部署方法，其特征在于，所述步骤二和步骤四中计算每个粒子的覆盖率的方法具体包括如下步骤：

步骤一、在所述无线传感器网络中，第k个无线传感器的坐标为s_k(x_k,y_k)，探测半径为r_k，k为1～n中正整数；

将被探测区域划分为均匀的网格，共获得n_p个网格顶点，其中任选一网格顶点P(x_j,y_j)，计算第k个无线传感器对点P(x_j,y_j)的覆盖率

步骤二、计算点P(x_j,y_j)在n个无线传感器下的覆盖率为：

$C_{x_j,y_j}\left(\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{S}_k\right)=1-\underset{i=1}{\overset{n}{\mathrm{\&Pi;}}}(1-C_{x_j,y_j}\left(S_k\right))$

步骤三、计算无线传感器网络有效覆盖率为

$R=\frac{\underset{j=1}{\overset{n_p}{\mathrm{\&Sigma;}}}{C}_{x_j,y_j}\left(\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{S}_i\right)}{n_p}.$