CN104918264A - 基于并行分解型进化的无线传感器网络布局方法及其系统 - Google Patents

Abstract

本发明公开了一种基于并行分解型进化的无线传感器网络布局方法，包括：由MPI分布式进程级并行编程模型为计算机集群中每个节点分配一个进程号，在每个进程内初始化全局种群；在各自进程内进化全局种群中相应部分的子种群，进化时加入理想点通信；每个进程进化子种群时，利用OpenMP共享内存多线程并行编程模型加速；当问题规模较大时串行求解无线传感器网络布局需要花费大量时间，MPI结合OpenMP的混合并行模型由于对无线传感器节点布局问题使用MPI进行划分减少问题规模，同时又运用OpenMP加速，有效地节省了求解无线传感器网络节点布局问题的时间。本发明同时公开了一种基于并行分解型进化的无线传感器网络布局系统。

Description

基于并行分解型进化的无线传感器网络布局方法及其系统

技术领域

本发明涉及一种无线传感器网络布局方法，更具体地涉及一种基于并行分解型进化的无线传感器网络布局方法及其系统。

背景技术

无线传感器网络是由很多小的无线传感设备组成的监控网络，常用于军事、环境、地理等大面积区域的远程监控，具有自动化、相对易于实现、正常工作无需人工维护等优势；无线传感器网络布局问题就是要确定网络中每个节点的位置，以便在达到监视区域全覆盖的约束条件下最小化网络的能耗和节点数这两个最重要的目标；无线传感器网络布局这类多目标优化问题中由于多个目标往往相互制约，对其中一个目标的优化通常必须以另一个目标的退化作为代价，因此能使所有目标都同时达到最优的“理想最优解”一般是不存在的，只能先获得一组各目标有所取舍的Pareto最优代表解构成的集合，即Pareto前沿；决策者在获得目标空间所呈现的最优Pareto前沿总体轮廓之后，决策者再根据对目标之间偏好可较容易地选择其中一个最优代表解作为最终的解决方案；基于群体搜索的多目标进化技术可并发搜索多个解，因此在本质上非常适合于求解无线传感器网络布局这类复杂的多目标优化问题。目前最流行的多目标进化技术主要分为传统Pareto占优型和分解型两类。其中分解型多目标进化技术较好地结合了传统数学规划方法中的分解思想与进化技术，将多目标问题分解为一系列标量优化子问题，种群中的每个个体仅负责一个子问题的优化，运行效率与求解质量都明显优于传统Pareto占优型多目标进化技术。

虽然分解型多目标进化技术有很多优点，但是直接使用分解型多目标进化技术串行求解无线传感器网络布局问题仍有较大缺陷。比如，当优化问题规模较大时，无线传感器网络布局决策中涉及的能耗等目标值与覆盖率等约束条件的计算需要花费大量的时间成本，使用目前的串行多目标进化技术在短时间内求出无线传感器网络布局的高质量的解很难做到。而降低无线传感器网络布局方法时间成本的有潜力的途径就是对无线传感器网络布局方法进行并行设计。

因此，有必要提供一种基于并行分解型进化的无线传感器网络布局方法及其系统来高效地解决无线传感器网络布局的问题。

发明内容

本发明的目的在于提供一种基于并行分解型进化的无线传感器网络布局方法，该方法采用了并行的分解型多目标进化技术来解决无线传感器网络布局问题，不仅保证了求解的质量，同时大大节省了求解无线传感器网络布局的时间。

为实现上述目的，本发明提供了一种基于并行分解型进化的无线传感器网络布局方法，包括：

S1：由MPI(Message Passing Interface)分布式进程级并行编程模型根据计算机集群中节点的个数n分配n个进程，进程号从0到n-1依次排列；

S2：根据所述进程0到进程n-1，在各个进程内初始化全局种群和理想点，此时所有的进程内都保留有全局的种群；

S3：在所述进程内，不同的进程负责全局种群中特定子种群的进化，子种群中的每个个体负责无线传感器网络布局问题中的一个解；

S4：在所述进化中，当出现较优理想点时，将理想点向左右邻居进程进行传递，左右邻居进程接收到较优理想点时和本身理想点进行比较，如果比本身的理想点优，就用接收的较优理想点替换本身的理想点，否则忽略接收的较优理想点；

S5：根据所述进程，在各个进程内利用OpenMP(Open Multi-Processing)共享内存多线程并行编程模型进行加速；

S6：所述进化结束后，将各个进程内参与进化的子种群得出的部分Pareto前沿聚集起来得出全局种群的整体Pareto前沿。

较佳地，步骤S2中所述初始化全局种群和理想点具体包括：

S21，令EP(External population)＝Φ，根据种群规模N分配N个均匀分布的权重向量，每个权重向量对应一个个体，并对种群中的个体x¹依次到个体x^N和理想点z＝(z₁依次到z_m)赋初值；

S22，计算任意两个个体对应权重向量间的欧氏距离，并为每个个体xⁱ(i从1依次到N)找出T个权重向量距离最近的个体作为其邻居B(xⁱ),其中

其中，EP用来保存搜索过程中找到的非支配解，Φ为空集，N为全局种群中个体的数量，x¹为全局种群中的第1个个体，x^N为全局种群中的第N个个体，z为理想点，z₁为目标函数中第1个目标函数当前找到的最优值，z_m为目标函数中第m个目标函数当前找到的最优值，m为目标函数的个数，T为种群中个体的邻居数量，B(xⁱ)为个体xⁱ的邻居集合，为个体xⁱ的第1个邻居，为个体xⁱ的第T个邻居。

较佳地，步骤S3中所述全局种群中特定子种群具体包括：

全局种群中个体依次为x¹到x^N，整数d＝N/n，进程0负责进化的子种群中个体为x¹依次到x^d，进程i负责进化的子种群中个体为x^i*d+1依次到x^i*d+d，其中i从1依次到n-2，进程n-1负责进化的子种群中个体为x^i*d+1依次到x^N。

较佳地，步骤S3中所述进化具体包括：

S31更新，对每个个体xⁱ(i从1依次到N)，做S311，S312，S313，S314操作：

S311，繁殖：从中随机选出两个邻居进行遗传操作，产生一个新的解y；

S312，更新z：若z_j<f_j(y)，则z_j＝f_j(y)，其中j从1依次到m；

S313，更新邻居的解：如果产生的y新解Pareto占优x^j，则x^j＝y，其中j从1依次到m；

S314，更新EP：移出EP中所有被y支配的解，如果y不被EP中任意解支配，将y加入EP中；

S32，终止条件判定：如果满足终止条件，进化停止，输出EP，否则返回S31；

其中，f_j(y)(j从1依次到m)为新产生的解y的目标函数值，终止条件是指进化到设定的代数。

较佳地，步骤S4中所述左右邻居进程具体包括：

进程i的左邻居为进程i+1,右邻居为进程i-1，其中i从0依次到n-1，当进程为0时，右邻居进程为进程n-1,当进程为n-1时，左邻居进程为进程0。

相应的，本发明还提供了一种基于并行分解型进化的无线传感器网络布局系统，包括：

无线传感器网络配置模块，用于对无线传感器网络的布局进行配置操作；

进程分配模块，用于为计算机集群中的每个节点分配一个进程；

种群初始化模块，用于初始化各自进程内种群规模为N的全局种群；

种群进化模块，用于对各自进程内的种群进行进化操作，不同的进程仅负责各自进程中全局种群相应部分子种群的进化，同时，在进化时，当各进程发现有较优理想点时，将该较优理想点向左右邻居进程进行传递；

OpenMP共享内存多线程并行编程模型加速模块，对各自进程内的程序进行加速；

Pareto前沿聚集模块，用于进化结束后，将各进程内进化子种群得出的部分Pareto前沿聚集起来得出全局种群的整体Pareto前沿；

显示模块，根据用户需求对无线传感器网络布局中Pareto前沿中的某一解进行显示。

较佳地，所述无线传感器网络配置模块具体包括：

监控区域确定单元，用于确定监控区域为500*500的等分二维正方形网格并规定左下角为圆点(0,0)，无线传感器的位置必须布置在二维网格节点上；

覆盖率限定单元，用于限定无线传感器网络覆盖率为100％,无线传感器网络覆盖率coverage＝100*CoveredPoint/TotalPoint，同时确保无线传感器网络具有连通性；

启发函数计算单元，用于计算无线传感器网络启发函数,无线传感器网络启发函数Penalty(u)＝10000*u,其中u＝100-coverage；

染色体编码单元，用于将坐标向量结构作为染色体的编码方式；

评估函数计算单元，用于计算无线传感器网络节点评估函数f_nodes＝Size(x)；

能耗函数计算单元，用于计算无线传感器网络能耗函数f_energy＝Max{Energydepletion(x_i),i从1依次到n}，n为节点总数；

其中，coverage为无线传感器网络覆盖率，CoveredPoint为网格中节点已覆盖的面积，TotalPoint为网格的总面积，Penalty(u)为无线传感器网络启发函数，u为惩罚值。，f_nodes为无线传感器网络节点评估函数，Size(x)为无线传感器网格中所有无线传感器节点的个数，f_energy为无线传感器网络能耗计算函数，Max{Energy depletion(x_i),i从1依次到n}为无线传感器网格中所有节点中能耗最高的节点的能量。

较佳地，所述染色体编码单元中所述坐标向量结构作为染色体的编码具体包括：

在模拟监控区域为500*500的等分二维正方形网格中，规定左下角为坐标原点(0,0)，1为最小的单位，其中每一个点可以布置一个无线传感器节点，储存所有已放置无线传感器节点的位置作为染色体的编码，坐标向量染色体的数学表示为：

ind＝{(x₁,y₁)依次到(x_s,y_s)}

其中，ind指个体，s是无线传感器节点的个数，(x_i,y_i)为坐标点，其中i从1依次到s，坐标向量用于染色体编码，可以获得非常高的运行效率，随机取点优化也变得高效很多。

与现有技术相比，本发明提出了使用并行分解型多目标进化技术解决无线传感器网络布局问题，该并行方案首先对计算机集群中的每个节点分配一个进程，然后在各进程内初始化全局的种群，在进化的部分不同的进程负责全局种群中不同部分的子种群进行进化操作，同时当各进程有较优的理想点出现时，就将其较优的理想点传递给该进程相邻的邻居进程，同时接收相邻进程传递过来的较优理想点，在进化中又使用了OpenMP共享内存多线程并行编程模型进行加速，最后将各进程进化的结果聚集起来，就可以得出完整的全局种群的Pareto解集，由于该方案首先利用MPI分布式进程级并行编程模型将问题的规模大大减小，同时在问题规模减小的基础上又利用OpenMP共享内存多线程并行编程模型进行加速，使用MPI结合OpenMP混合的并行模型大大的减小了无线传感器网络布局的计算时间，起到了很好的加速比效果。

附图说明

图1为本发明基于并行分解型进化的无线传感器网络布局方法一实施例的流程图。

图2为图1中步骤S1和S2分配进程、初始化全局种群和理想点的示意图。

图3为图1中步骤S3各进程内子种群进化的示意图。

图4为图1中步骤S5内OpenMP共享内存多线程并行编程模型进化加速示意图。

图5为图1中步骤S6中Pareto前沿聚集示意图。

图6为本发明基于并行分解型进化的无线传感器网络布局系统一实施例的结构框图。

图7为图6中无线传感器网络配置模块一实施例的结构框图。

图8为本发明基于并行分解型进化的无线传感器网络布局系统以能耗最优得出的无线传感器节点布局。

图9为本发明基于并行分解型进化的无线传感器网络布局系统以节点数最优得出的无线传感器节点布局。

具体实施方式

以下结合附图和实例对本发明的实施作进一步说明。

本实施例以计算机集群中节点数等于4，种群规模N等于100为例，附图中类似的元件标号代表类似的元件。

请参考图1，本发明基于并行分解型进化的无线传感器网络布局方法包括以下步骤：

步骤S1，由MPI分布式进程级并行编程模型根据计算机集群中节点的个数分配相应数量的进程数，进程号为0，1，2，3；

步骤S2，在所有进程内初始化各自进程内的全局种群和理想点，如图2所示，其中图2中初始化全局种群根据计算机集群中节点的个数被分成4份，其中0，1，2，3分别代表全局种群中的子种群0、子种群1、子种群2和子种群3，在MPI分布式进程级并行编程模型的作用下，在每个进程内都初始化全局种群，同时每个全局种群也被分成4份，其中在节点0中，初始化全局种群0，在节点1中，初始化全局种群1，在节点2中，初始化全局种群2，在节点3中，初始化全局种群3；

步骤S3，不同的进程负责各自进程内全局种群中特定部分子种群的进化，如图3所示，在4个节点中，每个节点都包括了全局种群，在节点0中即进程0只负责进化全局种群0中的子种群0，其余部分不进化，即阴影部分不进化，节点1中即进程1只负责进化全局种群1中的子种群1，其余部分不进化，即阴影部分不进化，节点2和节点3与节点0和节点1类似；

步骤S4，进化中当发现有较优的理想点时，将理想点传递给相邻的左右邻居，如图3所示，在每个节点中当出现较优理想点时，将该理想点向相邻邻居进行传递，传递方向即图3中黑色箭头的方向，相邻邻居接收到较优理想点时和本身理想点进行比较，如果比本身的理想点优，就用接收的较优理想点替换本身的理想点，否则忽略接收的较优理想点；

步骤S5，在进化时，各自进程内利用OpenMP共享内存多线程并行编程模型进行加速，如图4所示，在OpenMP共享内存多线程并行编程模型加速时，主线程遇到需要并行的区域时，主线程fork出对应数量的子线程，此时并行执行这段代码，遇到join时，所有的结果再汇集到主线程，程序串行执行，直到再次遇到并行区域；

步骤S6，进化结束后，将各进程内负责进化部分的个体组成的Pareto前沿聚集起来组成全局种群的Pareto前沿，如图5所示，节点0将全局种群0中的子种群0进化的结果保留下来，节点1将全局种群1中的子种群1进化的结果保留下来，节点2和节点3类似，只保留进化部分的结果。

本发明基于并行的分解型多目标进化技术解决了无线传感器网络布局的问题，分解型多目标进化技术将传统的数学分解方法与多目标进化技术相结合，种群的整体进化转变为单个个体的进化，这就为使用并行的MPI结合OpenMP混合模型提供了可能性，分解型多目标进化技术运行效率与求解质量都明显优于传统Pareto占优型多目标进化技术，在此基础上，又对分解型多目标进化技术进行并行化来求解无线传感器网络布局问题，在保证解集质量的前提下，进一步提高了运行效率，在本实施例中，取得的加速比最优为7.85。

再请参考图6，本发明基于并行分解型进化的无线传感器网络布局系统包括：

无线传感器网络配置模块10，用于对无线传感器网络的布局进行配置操作；

进程分配模块11，用于对计算机集群中每个节点分配一个进程号；

种群初始化模块12，用于各自进程内初始化种群规模为N的全局种群；

种群进化模块13，用于在各自进程内对种群进行进化操作，在进化时，不同的进程只负责各自进程中全局种群相应部分子种群的进化，同时在进化时，当各进程发现有较优理想点时，将该较优理想点向左右邻居进程进行传递；

OpenMP共享内存多线程并行编程模型加速模块14，用于在各自进程内对程序进行加速；

Pareto前沿聚集模块15，用于进化结束后，将各进程内进化子种群得出的部分Pareto前沿聚集起来得出全局种群的整体Pareto前沿；以及

显示模块16，决策者在获得整体最优Pareto前沿总体轮廓之后，再根据决策者对目标之间的偏好选择其中一个最优代表解集作为最终的解决方案，然后将此解决方案进行显示，如图8为本发明基于并行分解型进化的无线传感器网络布局系统以能耗最优得出的无线传感器节点布局显示，图9为本发明基于并行分解型进化的无线传感器网络布局系统以节点最优得出的无线传感器节点布局显示。

具体的，请参考图7，为无线传感器网络配置模块10一实施例的结构框图。如图7所示，无线传感器网络配置模块10具体包括：

监控区域确定单元101，用于确定监控区域为500*500的等分二维正方形网格，并规定左下角为圆点(0,0)，无线传感器的位置必须布置在二维网格节点上；

覆盖率限定单元102，用于限定无线传感器网络覆盖率为100％，无线传感器网络覆盖率coverage＝100*CoveredPoint/TotalPoint，同时确保无线传感器网络具有连通性；

启发函数计算单元103，用于计算无线传感器网络启发函数，无线传感器网络启发函数Penalty(u)＝10000*u,其中u＝100-coverage；

染色体编码单元104，用于将坐标向量结构作为染色体的编码方式；

评估函数计算单元105，用于计算无线传感器网络节点评估函数f_nodes＝Size(x)；

能耗函数计算单元106，用于计算无线传感器网络能耗函数f_energy＝Max{Energy depletion(x_i),i从1依次到n}，n为节点总数。

其中，coverage为无线传感器网络覆盖率，CoveredPoint为网格中节点已覆盖的面积，TotalPoint为网格的总面积，Penalty(u)为无线传感器网络启发函数，u为惩罚值。，f_nodes为无线传感器网络节点评估函数，Size(x)为无线传感器网格中所有无线传感器节点的个数，f_energy为无线传感器网络能耗计算函数，Max{Energy depletion(x_i),i从1依次到n}为无线传感器网格中所有节点中能耗最高的节点的能量。

以上结合最佳实施例对本发明进行了描述，但本发明并不局限于以上揭示的实施例，而应当涵盖各种根据本发明的本质进行的修改、等效组合。

Claims (8)

1.一种基于并行分解型进化的无线传感器网络布局方法，其特征在于，包括如下步骤：

S1：由MPI分布式进程级并行编程模型根据计算机集群中节点的个数n分配n个进程，进程号从0到n-1依次排列；

S2：根据所述进程0依次到进程n-1，在各个进程内初始化全局种群和理想点，此时所有的进程内都保留有全局的种群；

S3：在所述进程内，不同的进程负责全局种群中特定子种群的进化，子种群中的每个个体负责无线传感器网络布局问题中的一个解；

S4：在所述进化中，当出现较优理想点时，将理想点向左右邻居进程进行传递，左右邻居进程接收到较优理想点时和本身理想点进行比较，如果比本身的理想点优，就用接收的较优理想点替换本身的理想点，否则忽略接收的较优理想点；

S5：根据所述进程，在各个进程内利用OpenMP共享内存多线程并行编程模型进行加速；

S6：所述进化结束后，将各个进程内参与进化的子种群得出的部分Pareto前沿聚集起来得出全局种群的整体Pareto前沿。

2.如权利要求1所述的基于并行分解型进化的无线传感器网络布局方法，其特征在于，步骤S2中所述初始化全局种群和理想点具体为：

S21，令EP＝Φ，根据种群规模N分配N个均匀分布的权重向量，每个权重向量对应一个个体，并对种群中的个体x¹依次到个体x^N和理想点z赋初值，z依次取z₁～z_m；

S22，计算任意两个个体对应权重向量间的欧氏距离，并为每个个体xⁱ找出T个权重向量距离最近的个体作为其邻居B(xⁱ),其中i的取值从1依次到N；

其中，EP用来保存搜索过程中找到的非支配解，Φ为空集，N为全局种群中个体的数量，x¹为全局种群中的第1个个体，x^N为全局种群中的第N个个体，z为理想点，z₁为目标函数中第1个目标函数当前找到的最优值，z_m为目标函数中第m个目标函数当前找到的最优值，m为目标函数的个数，T为种群中个体的邻居数量，B(xⁱ)为个体xⁱ的邻居集合，为个体xⁱ的第1个邻居，为个体xⁱ的第T个邻居。

3.如权利要求1所述的基于并行分解型进化的无线传感器网络布局方法，其特征在于，步骤S3中所述全局种群中特定子种群具体为：

全局种群中个体依次为x¹到x^N，整数d＝N/n，进程0负责进化的子种群中个体为x¹依次到x^d，进程i负责进化的子种群中个体为x^i*d+1依次到x^i*d+d，其中i从1依次到n-2，进程n-1负责进化的子种群中个体为依次到x^N。

4.如权利要求1所述的基于并行分解型进化的无线传感器网络布局方法，其特征在于，步骤S3中所述进化具体为：

S31更新，即对每个个体xⁱ，i为1依次到N，做S311，S312，S313，S314操作：

S311，繁殖：从中随机选出两个邻居进行遗传操作，产生一个新的解y；

S312，更新z：若z_j<f_j(y)，则z_j＝f_j(y)，其中j从1依次到m；

S313，更新邻居的解：如果产生的y新解Pareto占优x^j，则x^j＝y，其中j从1依次到m；

S314，更新EP：移出EP中所有被y支配的解，如果y不被EP中任意解支配，将y加入EP中；

S32，终止条件判定：如果满足终止条件，进化停止，输出EP，否则返回S31；

其中，f_j(y)为新产生的解y的目标函数值，终止条件是指进化到设定的代数，j取值从1依次到m。

5.如权利要求1所述的基于并行分解型进化的无线传感器网络布局方法，其特征在于，步骤S4中所述左右邻居进程具体为：进程i的左邻居为进程i+1,右邻居为进程i-1，其中i从0依次到n-1，当进程为0时，右邻居进程为进程n-1,当进程为n-1时，左邻居进程为进程0。

6.一种实现权利要求1-5任一项所述布局方法的基于并行分解型进化的无线传感器网络布局系统，其特征在于，包括：

无线传感器网络配置模块，用于对无线传感器网络的布局进行配置操作；

进程分配模块，用于为计算机集群中的每个节点分配一个进程；

种群初始化模块，用于初始化各自进程内种群规模为N的全局种群；

种群进化模块，用于对各自进程内的种群进行进化操作，不同的进程仅负责各自进程中全局种群相应部分子种群的进化，同时，在进化时，当各进程发现有较优理想点时，将该较优理想点向左右邻居进程进行传递；

OpenMP共享内存多线程并行编程模型加速模块，对各自进程内的程序进行加速；

Pareto前沿聚集模块，用于进化结束后，将各进程内进化子种群得出的部分Pareto前沿聚集起来得出全局种群的整体Pareto前沿；

显示模块，根据用户需求对无线传感器网络布局中Pareto前沿中的某一解进行显示。

7.如权利要求6所述的基于并行分解型进化的无线传感器网络布局系统，其特征在于，所述无线传感器网络配置模块具体包括：

监控区域确定单元，用于确定监控区域为500*500的等分二维正方形网格并规定左下角为圆点(0,0)，无线传感器的位置必须布置在二维网格节点上；

覆盖率限定单元，用于限定无线传感器网络覆盖率为100％,无线传感器网络覆盖率coverage＝100*CoveredPoint/TotalPoint，同时确保无线传感器网络具有连通性；

启发函数计算单元，用于计算无线传感器网络启发函数,无线传感器网络启发函数Penalty(u)＝10000*u,其中u＝100-coverage；

染色体编码单元，用于将坐标向量结构作为染色体的编码方式；

评估函数计算单元，用于计算无线传感器网络节点评估函数f_nodes＝Size(x)；

能耗函数计算单元，用于计算无线传感器网络能耗函数f_energy＝Max{Energydepletion(x_i),i从1依次到n}，n为节点总数；

其中，coverage为无线传感器网络覆盖率，CoveredPoint为网格中节点已覆盖的面积，TotalPoint为网格的总面积，Penalty(u)为无线传感器网络启发函数，u为惩罚值，f_nodes为无线传感器网络节点评估函数，Size(x)为无线传感器网格中所有无线传感器节点的个数，f_energy为无线传感器网络能耗计算函数，Max{Energy depletion(x_i),i取1依次到n}为无线传感器网格中所有节点中能耗最高的节点的能量。

8.如权利要求7所述的基于并行分解型进化的无线传感器网络布局系统，其特征在于，所述染色体编码单元中所述坐标向量结构作为染色体的编码具体为：

在模拟监控区域为500*500的等分二维正方形网格中，规定左下角为坐标原点(0,0)，1为最小的单位，其中每一个点可以布置一个无线传感器节点，储存所有已放置无线传感器节点的位置作为染色体的编码，坐标向量染色体的数学表示为：

ind＝{(x₁,y₁)依次到(x_s,y_s)}

其中，ind指个体，s是无线传感器节点的个数，(x_i,y_i)为坐标点，其中i从1依次到s，坐标向量用于染色体编码，可以获得非常高的运行效率，随机取点优化也变得高效很多。