CN104270773A - 基于遗传算法多目标优化的流域传感器覆盖网优化方法 - Google Patents

Abstract

本发明提供一种基于遗传算法多目标优化的流域传感器覆盖网优化方法，其使用遗传算法多目标优化将河流流域传感器覆盖网优化问题转化为0/1多目标规划问题，通过染色体的遗传、交叉及变异等遗传算法操作，并通过监测传感器覆盖网适应度值的比较最终实现监测传感器覆盖网的合理优化选取。另外，本发明的算法采用了多个评估指标对监测传感器覆盖网适应度进行加权评估，分别是“监测节点流域特征系数”，“监测节点传感器网络传输范围系数”，“监测节点传感器使用费用系数”和“监测节点环境干扰系数”，这可以供决策者根据河流流域传感器覆盖网布局的需要，灵活调整指标权重，从而提升算法的适应性。

Description

基于遗传算法多目标优化的流域传感器覆盖网优化方法

技术领域

本发明涉及一种基于遗传算法多目标优化的流域传感器覆盖网优化方法。

背景技术

我国幅员辽阔、环境复杂、江河众多、南北差异较大，对河流流域水文数据进行采集和管理是一项非常重要的基础性工作，各江河管理部门每年都投入了大量人力、物力以完成水文数据的采集和整理工作。尤其是近年来随着经济的发展，自然环境遭受了极大程度的破坏，水污染日益严重，采取现代化监测手段构建流域传感器覆盖网以完成水文数据的实时采集和汇总，已十分重要。

目前对于流域水文数据采集，比较常见的方法是在流域内特定位置设置人工监测或设备监测点，并定期收集水文监测数据，然后再集中进行存储、分析和管理利用。近年来，随着检测技术的发展，已经推出了若干可以对流域水文数据进行实时在线监测的电子设备，并且借助通信技术，通过构建传感器通信网络可以实现对流域水文监测数据的远程传输。然而，就目前流域水文数据采集监测点的设置方法，其对于水文数据采集监测点的设置仍然是根据历史经验进行点状分散式布置的，并没有依据监测点流域特征以及监测点设备运行成本、环境干扰等其它因素进行综合分析而形成合理、科学、完备的流域传感器覆盖网。因此为了进一步提高流域水文数据的监测和覆盖能力，需要建立一种能够覆盖河流流域的流域传感器覆盖网。考虑到流域水文环境复杂，还需要根据监测点流域特征、监测点传感器网络数据传输范围、各种监测传感器使用成本以及可能存在的干扰因素等进行综合分析，对流域传感器覆盖网分布进行合理优化。

目前，通过公开文献可以查阅到关于传感器覆盖网优化方法相关的专利申请以及学术期刊论文，包括公开号为CN101459915A的发明专利“基于遗传算法的无线传感器网络节点覆盖优化方法”、公开号为CN103237312A的发明专利“一种无线传感器网络节点覆盖优化算法”，刘玉英等发表于《传感技术学报》2009年第6期的“一种基于遗传算法的无线传感器网络节点优化方法”，张石等发表于《东北大学学报(自然科学版)》2007年第4期的“无线传感器网络中移动节点的分布优化问题”，雷霖等发表于《电子科技大学学报》2009年第2期的“基于遗传算法的无线传感器网络路径优化”，以及吕广辉等发表于《微型机及应用》2010年第15期的“一种基于遗传算法的无线传感器网络覆盖模型”。

虽然上述两项专利申请及四篇公开期刊文献提出了有关无线传感器网络节点覆盖优化方法以及网络路径优化方法，但就该方法本身其旨在如何解决在一定范围内部署无线传感器时的网络覆盖及路径优化问题，评判方法优劣的标准为是否实现了对要部署区域的覆盖率，或是在区域内是否实现了无线传感器网络传输路由。其所涉及的研究及发明内容并没有涉及到如何利用监测点流域特征、监测点传感器网络传输范围、各种监测传感器使用成本以及可能存在的干扰因素等进行传感器覆盖网的综合分析、优化，因此上述研究成果及发明内容并不能应用于流域传感器覆盖网的综合分析、优化工作。

虽然上述专利申请及公开文献给出了一种在一定区域内进行无线传感器布局覆盖优化方法，但就流域传感器覆盖网而言，由于流域水文环境复杂，传感器覆盖网优化更多考量的是流域内不同监测点的不同流域特征、监测点传感器网络数据传输范围、各种监测传感器使用成本差异，以及可能存在的不同程度的干扰因素等，与上述两项发明专利申请所专注的重点是不一致的，并且目前在流域水文监测领域尚未出现有关传感器覆盖网优化方法的发明报道。

本发明人专注于数字流域条件下物联网应用示范研究，已经提交“一种基于遗传算法的河流局域监测节点分布优化方法”(申请号：201410202917.X)国家发明专利，该专利根据上述河流排污口等河流局部区域水文数据监测的需要，考虑到局部水文环境过于复杂，并且在监测节点小范围内，水文数据具有一致性的特点，以及监测节点所监测采集到的数据要能反映河流局部区域水文环境的全貌，各监测节点所采集到的数据要具有典型性的要求，提供了一种基于遗传算法的河流局域监测节点分布优化方法。但是，由于流域下垫面、河道水文条件的复杂性，在传感器布设中可能遇到各种具体情况的干扰(如航标、现有水文监测设施等)，导致实际工作中某些优化点位难以布设到位，使得这一专利试图达到的最优化方案无法完成，这就成为这一专利所无法解决的关键性难题。

发明内容

本发明的目的在于根据上述河流流域水文数据监测传感器覆盖网优化的需要，基于流域水文环境复杂的事实，根据流域不同监测点的不同流域特征、监测点传感器网络数据传输范围、各种监测传感器使用成本，特别是可能存在的环境干扰因素等进行综合分析、优化选择，提供了一种基于遗传算法多目标优化的流域传感器覆盖网优化方法。

本发明采用如下技术方案实现：

一种基于遗传算法多目标优化的流域传感器覆盖网优化方法，包括如下步骤：

(1)优化问题描述，针对河流流域传感器覆盖网布局的需要，假设在流域内均匀分布N个水文数据传感器采集节点，构成流域传感器覆盖网；

(2)遗传算法参数初始化，并对染色体进行第一代编码，这里采用二进制随机编码方式，0表示不使用水文数据传感器采集节点，1表示使用水文数据传感器采集节点，则对于N个采集节点生成长度为N的二进制串，如下式所示：

X＝[x₁,x₂,…,x_N] x_i＝{0,1}

(3)计算每个染色体所对应的监测覆盖网适应度，监测覆盖网适应度函数为：

f(X)＝w₁f₁(X)+w₂f₂(X)-w₃f₃(X)-w₄f₄(X)

$f_1\left(X\right)=\frac{1}{N\left(S^{*}\right)}\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{(v_{S_j}-{\stackrel{\‾}{v}}_{S^{*}})}^2+\frac{1}{N\left(S^{*}\right)}\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{(h_{S_j}-{\stackrel{\‾}{h}}_{S^{*}})}^2+\frac{1}{N\left(S^{*}\right)}\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{(p_{S_j}-{\stackrel{\‾}{p}}_{S^{*}})}^2$

$f_2\left(X\right)=\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{s}_{S_j}/\underset{S_j\∈S}{\mathrm{\Σ}}{s}_{S_j}$

$f_3\left(X\right)=\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{c}_{S_j}/\underset{S_j\∈S}{\mathrm{\Σ}}{c}_{S_j}$

$f_4\left(X\right)=\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{\mathrm{\α}}_{S_j}/\underset{S_j\∈S}{\mathrm{\Σ}}{\mathrm{\α}}_{S_j}$

其中，f₁表示监测节点流域特征系数，f₂表示监测节点传感器网络传输范围系数，f₃表示监测节点传感器使用费用系数，f₄表示监测节点环境干扰系数，S＝{S₁,S₂,…,S_N}表示监测传感器节点集合，S^*＝{S_j,|x_j＝1}表示S的子集，N(S^*)表示S^*的大小，分别表示对应监测节点位置的河流流速、水位和水质，分别表示包括所有监测节点的河流平均流速、平均水位流速和平均水质，水质包括水温、PH值、电导率、溶解氧、叶绿素浓度和浊度，表示监测节点网络数据传输范围，表示监测节点传感器使用费用，表示监测节点环境干扰，w₁、w₂、w₃和w₄分别表示f₁、f₂、f₃和f₄的权重；

(4)对计算后监测覆盖网适应度进行排序，并按比例选取最优解；

(5)按照轮盘赌方法，选择染色体到下一代染色体群体；

(6)对下一代染色体群体执行交叉、变异操作；

(7)如果满足终止条件，则结束，否则回到步骤3)继续进行计算，当计算结束时，其所得到的最优解为长度为N的二进制串，该串中的1的位置序号表示经过分布优化计算后所确定的需要使用的监测节点序号，通过其即可获知对于河流局部区域监测所需要采用的监测节点。

其中，所述步骤(6)对下一代染色体群体执行多点交叉和均匀变异操作。

本发明使用遗传算法多目标优化将河流流域传感器覆盖网优化问题转化为0/1多目标规划问题，通过染色体的遗传、交叉及变异等遗传算法操作，并通过监测传感器覆盖网适应度值的比较最终实现监测传感器覆盖网的合理优化选取。另外，本发明的算法采用了多个评估指标对监测传感器覆盖网适应度进行加权评估，分别是“监测节点流域特征系数”，“监测节点传感器网络传输范围系数”，“监测节点传感器使用费用系数”和“监测节点环境干扰系数”，这可以供决策者根据河流流域传感器覆盖网布局的需要，灵活调整指标权重，从而提升算法的适应性。

本发明特别强调排除不利条件的干扰，在综合考虑流域不同监测点的不同流域特征、监测点传感器网络数据传输范围、各种监测传感器使用成本等条件下，如果遇到“最优”点位无法达到时，如何优化地选择“次优”点位进行布设，较好地完成多目标优化布局的目的。

附图说明

图1是本发明基于遗传算法多目标优化的流域传感器覆盖网优化方法的的流程图；

图2是采用本发明方法进行算例测算时，监测覆盖网适应度值随迭代次数变化的优化效果示意图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。

对于河流流域，由于河流流域水文环境十分复杂，因此流域传感器覆盖网优化需要根据不同监测点的不同流域特征、监测点传感器网络数据传输范围、各种监测传感器使用成本以及可能存在的干扰因素等进行综合分析、优化。

一般情况下，流域传感器覆盖网优化模型的问题描述如下：假设在河流流域均匀分布N个水文数据传感器采集节点，构成流域传感器覆盖网，监测传感器节点集合为S＝{S₁,S₂,…,S_N}，这里可以采用分别计算在开启或者关闭该传感器采集节点的情况下，对所有开启的采集节点所构成的流域传感器覆盖网，依据覆盖网内各监测点的流域特征、各监测点传感器网络数据传输范围、各监测点传感器使用成本，特别是可能存在的环境干扰因素等进行多目标优化优化评估，选取最能反映河流流域水文环境全貌的监测传感器覆盖网作为最优覆盖网。

本发明采用遗传算法作为工具，对河流流域传感器覆盖网优化问题进行智能计算求解，并将覆盖网优化问题转化为一个0/1多目标规划问题，以求得在假设均匀分布的众多监测传感器节点中实际选择哪一些，在保证能够反映河流流域水文环境全貌的情况下，只需要在若干位置布置最少的监测传感器节点构成最优监测传感器覆盖网。

在本发明中，将河流流域均匀分布N个水文数据传感器采集节点构成的监测传感器覆盖网按照遗传算法基本理论，进行二进制染色体编码，即N个节点编码为长度为N的二进制串，如下式所示：

X＝[x₁,x₂,…,x_N] x_i＝{0,1}

其中，x_i＝0表示不使用该监测传感器节点，x_i＝1表示使用该监测传感器节点。

分别计算每个染色体编码的监测覆盖网适应度函数值来评价群体中的每个染色体的监测覆盖网适应值。在河流流域传感器覆盖网优化问题中，采用了“监测节点流域特征系数”，“监测节点传感器网络传输范围系数”，“监测节点传感器使用费用系数”和“监测节点环境干扰系数”四个指标，分别反映了河流流域内各监测节点流域特征，监测节点传输范围、监测节点使用费用以及存在的环境干扰因素。流域特征越明显(即监测节点流域特征系数越大)、传输范围越远(即监测节点传感器网络传输范围系数越大)、使用费用越低(即监测节点传感器使用费用系数越小)、环境干扰越小(即监测节点环境干扰系数越小)，则对应的监测传感器覆盖网越好。

在本发明中，采用f₁表示监测节点流域特征系数，f₂表示监测节点传感器网络传输范围系数，f₃表示监测节点传感器使用费用系数，f₄表示监测节点环境干扰系数。对于传感器节点集合S＝{S₁,S₂,…,S_N}，S^*＝{S_j,|x_j＝1}表示S的子集情况下，f₁、f₂、f₃和f₄的定义式分别为：

$f_1\left(X\right)=\frac{1}{N\left(S^{*}\right)}\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{(v_{S_j}-{\stackrel{\‾}{v}}_{S^{*}})}^2+\frac{1}{N\left(S^{*}\right)}\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{(h_{S_j}-{\stackrel{\‾}{h}}_{S^{*}})}^2+\frac{1}{N\left(S^{*}\right)}\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{(p_{S_j}-{\stackrel{\‾}{p}}_{S^{*}})}^2$

$f_2\left(X\right)=\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{s}_{S_j}/\underset{S_j\∈S}{\mathrm{\Σ}}{s}_{S_j}$

$f_3\left(X\right)=\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{c}_{S_j}/\underset{S_j\∈S}{\mathrm{\Σ}}{c}_{S_j}$

$f_4\left(X\right)=\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{\mathrm{\α}}_{S_j}/\underset{S_j\∈S}{\mathrm{\Σ}}{\mathrm{\α}}_{S_j}$

其中，N(S^*)表示S^*的大小，分别表示对应监测节点位置的河流流速、水位和水质，分别表示包括所有监测节点的河流平均流速、平均水位流速和平均水质，水质包括水温、PH值、电导率、溶解氧、叶绿素浓度和浊度。表示监测节点网络数据传输范围，表示监测节点传感器使用费用，表示监测节点环境干扰，w₁、w₂、w₃和w₄分别表示f₁、f₂、f₃和f₄的权重。通过分别计算f₁、f₂、f₃和f₄，可以计算染色体最终的监测覆盖网适应度值为：

f(X)＝w₁f₁(X)+w₂f₂(X)-w₃f₃(X)-w₄f₄(X)

其中w₁、w₂、w₃和w₄分别表示f₁、f₂、f₃和f₄的权重，并且w₁+w₂+w₃+w₄＝1。另外，由于的量纲不同，这里在计算过程中需要将其进行归一化操作，即转化到[0,1]区间。经过上述运算即可以得到最终的监测覆盖网适应度f，该值越大，表示所对应的监测传感器覆盖网方案越优。

在本发明中，采用轮盘赌选择下一子代群体，并采用多点交叉和均匀变异算法对群体中的染色体进行改变。

轮盘赌即选择染色体i的概率和染色体的适应度值成正比，适应度较高的染色体被选择的可能性较高，并能够在下一子代中重复出现。

多点交叉的做法是，产生长度为N的随机二进制序列，基于该随机二进制序列选择交叉点，为1的位置上交叉，为0的位置不交叉。假设N的大小为20，并且交叉之前的两个染色体分别为：

$X_1=[x_1^1,x_2^1,\·\·\·,x_{20}^1]$

$X_2=[x_1^2,x_2^2,\·\·\·,x_{20}^2]$

产生的随机二进制序列为[00101100010101110100]，则交叉产生的两个新染色体为：

$X_1^{\′}=[x_1^1,x_2^1,x_3^2,x_4^1,x_5^2,x_6^2,x_7^1,x_8^1,x_9^1,x_{10}^2,x_{11}^1,x_{12}^2,x_{13}^1,x_{14}^2,x_{15}^2,x_{16}^2,x_{17}^1,x_{18}^2,x_{19}^1,x_{20}^1]$

$X_2^{\′}=[x_1^2,x_2^2,x_3^1,x_4^2,x_5^1,x_6^1,x_7^2,x_8^2,x_9^2,x_{10}^1,x_{11}^2,x_{12}^1,x_{13}^2,x_{14}^1,x_{15}^1,x_{16}^1,x_{17}^2,x_{18}^1,x_{19}^2,x_{20}^2]$

均匀变异的做法是，为群体中的每个染色体中的每个基因产生一个随机数ρ∈[0,1]，如果该随机数小于变异概率ρ_m，则选择该染色体的基因进行变异。假设要变异的染色体为：

$X_1=[x_1^1,x_2^1,\·\·\·,x_N^1]$

变异算子选择该染色体的第2、8位的基因进行变异，则新产生的染色体为：

$X_1^{\′}=[x_1^1,x_2^{\′1},\·\·\·,x_8^{\′1},\·\·\·,x_N^1]$

其中为新生成的0/1随机数。

为了进一步说明本发明的具体实施过程，这里基于某河流流域水文数据监测需要给出采用本发明算法进行监测传感器覆盖网优化的测试算例。在此算例中，以河流流域中心为边界中心，划定30km×10km的监测区域。假定均匀设定300个监测传感器节点构成监测传感器覆盖网，这里使用本发明的优化算法对监测传感器覆盖网做优化选择。遗传算法的参数设定为：群体规模为100，变异概率ρ_m＝0.05，进化迭代数为150代，“监测节点流域特征系数”，“监测节点传感器网络传输范围系数”，“监测节点传感器使用费用系数”和“监测节点环境干扰系数”的权重分别为w₁＝0.4、w₂＝0.3、w₃＝0.25和w₃＝0.05。20次优化计算的平均适应度值为0.9387，平均需要的传感器数量为75.6。图2是本算例中的流域监测覆盖网适应度值(差异性值)变化曲线。如该图所示，随着迭代次数的增加，其平均适应度值(差异性值)不断增大，表明迭代计算后的节点分布方案越优。当迭代次数达到120代时，其平均适应度值(差异性值)已达最大值；而迭代次数在120至150代时，其平均适应度值(差异性值)基本保持不变，表明迭代次数达到120代时，节点分布方案达到最优状态。

从优化测算结果可以看出，采用本发明方法进行监测传感器覆盖网优化选择，依据“监测节点流域特征系数”，“监测节点传感器网络传输范围系数”，“监测节点传感器使用费用系数”和“监测节点环境干扰系数”作为监测传感器覆盖网多目标优化判据，可以很好地实现河流流域检测传感器覆盖网优化的设计。

Claims (2)

1.一种基于遗传算法多目标优化的流域传感器覆盖网优化方法，其特征在于包括如下步骤：

(1)优化问题描述，针对河流流域传感器覆盖网布局的需要，假设在流域内均匀分布N个水文数据传感器采集节点，构成流域传感器覆盖网；

(2)遗传算法参数初始化，并对染色体进行第一代编码，这里采用二进制随机编码方式，0表示不使用水文数据传感器采集节点，1表示使用水文数据传感器采集节点，则对于N个采集节点生成长度为N的二进制串，如下式所示：

X＝[x₁,x₂,…,x_N]x_i＝{0,1}

(3)计算每个染色体所对应的监测覆盖网适应度，监测覆盖网适应度函数为：

f(X)＝w₁f₁(X)+w₂f₂(X)-w₃f₃(X)-w₄f₄(X)

$f_1\left(X\right)=\frac{1}{N\left(S^{*}\right)}\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{(v_{S_j}-{\stackrel{\‾}{v}}_{S^{*}})}^2+\frac{1}{N\left(S^{*}\right)}\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{(h_{S_j}-{\stackrel{\‾}{h}}_{S^{*}})}^2+\frac{1}{N\left(S^{*}\right)}\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{(p_{S_j}-{\stackrel{\‾}{p}}_{S^{*}})}^2$

$f_2\left(X\right)=\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{s}_{S_j}/\underset{S_j\∈S}{\mathrm{\Σ}}{s}_{S_j}$

$f_3\left(X\right)=\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{c}_{S_j}/\underset{S_j\∈S}{\mathrm{\Σ}}{c}_{S_j}$

$f_4\left(X\right)=\underset{S_j\∈S^{*}}{\mathrm{\Σ}}{\mathrm{\α}}_{S_j}/\underset{S_j\∈S}{\mathrm{\Σ}}{\mathrm{\α}}_{S_j}$

其中，f₁表示监测节点流域特征系数，f₂表示监测节点传感器网络传输范围系数，f₃表示监测节点传感器使用费用系数，f₄表示监测节点环境干扰系数，S＝{S₁,S₂,…,S_N}表示监测传感器节点集合，S^*＝{S_j,|x_j＝1}表示S的子集，N(S^*)表示S^*的大小，分别表示对应监测节点位置的河流流速、水位和水质，分别表示包括所有监测节点的河流平均流速、平均水位流速和平均水质，水质包括水温、PH值、电导率、溶解氧、叶绿素浓度和浊度。表示监测节点网络数据传输范围，表示监测节点传感器使用费用，表示监测节点环境干扰，w₁、w₂、w₃和w₄分别表示f₁、f₂、f₃和f₄的权重；

(4)对计算后监测覆盖网适应度进行排序，并按比例选取最优解；

(5)按照轮盘赌方法，选择染色体到下一代染色体群体；

(6)对下一代染色体群体执行交叉、变异操作；

(7)如果满足终止条件，则结束，否则回到步骤3)继续进行计算，当计算结束时，其所得到的最优解为长度为N的二进制串，该串中的1的位置序号表示经过分布优化计算后所确定的需要使用的监测节点序号，通过其即可获知对于河流局部区域监测所需要采用的监测节点。

2.如权利要求1所述的基于遗传算法多目标优化的流域传感器覆盖网优化方法，其特征在于：所述步骤(6)对下一代染色体群体执行多点交叉和均匀变异操作。