CN105163325A - 异构有向传感器网络部署方法 - Google Patents

Abstract

本发明公开了一种异构有向传感器网络部署方法，采用改进和声搜索算法，引入基于种群的概率模型的差分算法的变异机制，以最小化网络部署成本、最大化网络覆盖性能以及最大适应度为优化目标，求得新解，再将求得的新解与原最差解作比较，若新解优于原最差解就用新解替代最差解，循环计算，直至达到最大迭代次数，求解优化部署方案。有益效果：提出改进和声搜索算法，引入差分算法的变异机制，克服了原始和声搜索在解决离散变量优化时容易出现的早熟收敛和搜索能力不强的缺点，同时降低了网络部署的成本，增强了网络监测能力，提高网络服务质量。

Description

异构有向传感器网络部署方法

技术领域

本发明涉及现代智能控制系统中的无线传感器网络技术，具体的说是一种异构有向传感器网络部署方法。

背景技术

近年来，随着微机电技术的发展，视频传感器、超声波传感器和红外传感器等传感器价格越来越低廉，使得有向传感器网络的应用越来越广泛，被广泛应用在智能停车系统、远程医疗救助和海洋环境监测等场合。覆盖控制作为有向传感器网络的一个基本问题，是反映网络服务质量的重要指标，近年来受到越来越多研究者的重视。虽然对有向传感器网络覆盖问题进行研究，并取得了一定的成果，但所有研究成果均假定节点类型相同，节点各种参数比如感知半径和感知角度都完全一致的同构有向传感器网络，忽略了节点异构性对有向传感器网络覆盖性能的影响。

同时近年来出现了很多将智能算法与传感器网络节点覆盖算法相结合的算法，比如利用遗传算法、粒子群算法、差分算法等智能算法对传感器网络覆盖性能进行优化。可是，这些算法在解决离散变量优化时容易出现“早熟收敛”和陷入局部最小值的缺点，同时算法性能依赖于参数选择，并且随着节点部署规模的增加，其优化效率逐渐降低。

发明内容

针对上述问题，本发明提供了一种异构有向传感器网络部署方法，对异构有向传感器网络覆盖问题进行研究，提出改进和声搜索算法的求解方案，引入差分算法的变异机制，以单位覆盖成本最低为选择节点的标准,结合最大的网络覆盖的优化目标，加强和声搜索算法在多目标优化问题上的性能，解决异构有向传感器节点部署过程中的冗余部署问题，从而降低网络部署成本并提高网络服务质量。

为达到上述目的，本发明采用的具体技术方案如下：

一种异构有向传感器网络部署方法，其关键步骤在于包括以下步骤：

步骤1：网络初始化；

将预设区域视为二维平面，随机部署N个传感器节点其中i＝1,2,…,N表示传感器的序号，j＝1,2,…,M表示传感器的种类，利用N位二进制编码表示N个传感器节点的状态并将其作为种群优化的个体；

如果则表示传感器节点被选中，处于工作状态；如果则表示传感器节点未被选中，处于休眠状态；

步骤2：为了降低部署成本提高网络覆盖率，以网络部署成本和网络覆盖率作为评价指标，再计算出不同种类不同数量传感器节点组合的部署成本和网络覆盖率，并计算基于网络部署成本和网络覆盖率的个体适应度值；

步骤3：利用二进制和声搜索算法确定传感器节点作为最终的部署策略，克服遗传算法、粒子群算法、差分算法等智能算法容易出现“早熟收敛”和陷入最小值等缺陷，同时二进制和声搜索算法不会因为节点部署规模的增加，而造成优化率降低，该二进制和声搜索算法的具体方法为：

步骤3-1：参数及种群初始化；

从可行域随机产生H个和声初始解放入和声记忆库HM中，设定和声记忆保留概率HMCR的初始值HMCR(0)、和声记忆保留概率HMCR的最小值HMCR_min、最大迭代次数G、差分算法中的缩放因子F以及调整概率的参数b；

步骤3-2：按照公式(1)计算迭代次数为g+1时的和声记忆保留概率HMCR(g+1)，g＝0～G-1；

$HMCR(g+1)=HMCR\left(g\right)-\frac{HMCR\left(0\right)-{\mathrm{HMCR}}_{min}}{G}---\left(1\right)$

步骤3-3：以和声记忆保留概率HMCR(g+1)对第g次迭代后的和声记忆库HM中的每个解的分量进行保留，作为新解的分量，新解的剩余分量从问题的可行域中随机产生；

步骤3-4：为了提高离散和声搜索算法的性能，采用差分算法的变异机制对步骤3-3产生的新解进行扰动；

步骤3-5：按照步骤2计算每一个新解的适应度值，若新解优于和声记忆库HM内的最差解，则用新解替换最差解；

步骤3-6：判断是否达到最大迭代次数G，若达到，则选择第G次迭代后H个解中适应度最佳的个体作为全局最优解进行网络部署，否则，返回步骤3-3继续迭代。

进一步描述，步骤2中个体适应度值的计算步骤如下：

步骤2-1：为了降低部署成本，按照公式(2)计算网络部署成本：

$f_1=\underset{i=1}{\overset{N}{\Σ}}{c}_i^j{x}_i^j---\left(2\right)$

当时，则表示的部署成本需要记入网络部署总成本中；当时，则不必计入网络部署成本中；

步骤2-2：为了使预设区域便于计算和规划，将预设区域视为二维平面后划分为栅格状，总栅格数目为K，被传感器覆盖的栅格数目为K'，按照公式(3)计算网络覆盖率：

$f_2=\frac{K^{\′}}{K}---\left(3\right)$

步骤2-3：按照公式(4)计算种群中各个个体的适应度值D；

$D=\sqrt{d_1\×d_2}---\left(4\right)$

其中： $\left\{\begin{array}{cc}{d}_1=\frac{u_1-f_1}{u_1-l_1}& 0\≤d_1\≤1\\ d_2=\frac{u_2-F_2}{u_2-l_2}& 0\≤d_2\≤1\end{array}\right.;$ u₁和l₁分别为目标函数f₁的上界和下界，F₂＝-f₂，u₂和l₂分别为目标函数F₂的上界和下界。

再进一步描述，设定传感器节点的感知半径为r_i ^j，感知角度为感知方向在[0,2π]上均匀分布，则步骤2-2中，认定栅格被传感器覆盖应满足以下两个条件：

(1)传感器节点与覆盖点之间的距离小于或者等于传感节点的感知半径r_i ^j；

(2)传感器节点到覆盖点的向量与传感器节点工作方向之间的夹角小于或等于其感知角度的一半。

再进一步描述，为了优化二进制和声搜索算法，提高离散和声搜索算法的性能，在二进制和声搜索算法中引入差分算法的变异机制，步骤3-4中采用差分算法的变异机制对步骤3-3产生的新解进行扰动的具体方法为：

步骤3-4-1：按照公式(5)计算迭代次数为g+1时，第h个个体的第i位的取值概率h＝1～H，i＝1,2,…,N；

$P\left(x_{h,i}^{g+1}\right)=1/\[1+e^{-2b(MO-0.5)/(1+2F)}\]---\left(5\right)$

其中，F为差分算法的缩放因子，b为调整因子，变量MO按照公式(6)计算；

$MO=x_{h_1,i}^g+F*(x_{best,i}^g-x_{h,i}^g)+F*(x_{h_2,i}^g-x_{h_3,i}^g)h_1\≠h_2\≠h_3---\left(6\right)$

公式(6)中表示第g次迭代时，H个个体中随机三个个体的第i位的取值，表示第g次迭代时，H个个体中适应度值最高个体的第i位的取值，表示第g次迭代时，个体h的第i位的取值；

步骤3-4-2：按照公式(7)确定第g+1次迭代时，个体h的第i位的取值；

其中，rand()表示区间(0，1)之间的随机数。

本发明显著效果是：提出了一种改进和声搜索算法解决异构有向传感器网络节点成本优化部署方法，通过引入差分算法中的变异机制，并且采用改进的适应度评价体系，将多目标优化求解问题转化为单目标求解问题，提高了算法在多目标求解问题方面的优化能力，降低了部署成本，提高了网络覆盖率。

附图说明

图1是本发明的算法流程图；

图2是有向传感器感知模型；

图3是不同算法传感器节点平均适应度对比图；

图4是不同算法传感器节点网络部署成本对比图；

图5是不同算法传感器节点网络覆盖率对比图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明：

如图1所示，一种异构有向传感器网络部署方法，按照以下步骤进行：

步骤1：网络初始化；

将预设区域视为二维平面，假设该二维平面为A，随机部署N个传感器节点其中i＝1,2,…,N表示传感器的序号，j＝1,2,…,M表示传感器的种类，利用N位二进制编码表示N个传感器节点的状态并将其作为种群优化的个体；

如果则表示传感器节点被选中，处于工作状态；如果则表示传感器节点未被选中，处于休眠状态；

在具体实施过程中，该二维平面A的大小为40×40，N＝300，M＝3，即采用300位二进制编码表示300个传感器节点的状态，传感器节点的其他参数如表1所示：

表1传感器参数设置

类型	感知半径	感知角度	部署成本	数量
					1	6	π/6	40	100
2	10	π/4	60	100
					3	15	π/3	100	100

步骤2：为了降低部署成本提高网络覆盖率，以网络部署成本和网络覆盖率作为评价指标，并计算基于网络部署成本和网络覆盖率的个体适应度值；

步骤2-1：按照计算网络部署成本：

当时，则表示的部署成本需要记入网络部署总成本中；当时，则不必计入网络部署成本中；

步骤2-2：将预设区域视为二维平面后划分为栅格状，栅格的大小为1×1，二维平面A的大小为40×40，则总栅格数目为K＝1600，设定传感器节点的感知半径为r_i ^j，感知角度为感知方向在[0,2π]上均匀分布，具体参数见表1，而要认定栅格被传感器覆盖，需要传感器节点s(x_s,y_s)和被传感器节点覆盖的覆盖点p(x,y)之间满足以下两个条件，具体如图2所示：

(1)传感器节点s与覆盖点p之间的距离小于或者等于传感节点的感知半径r_i ^j，其数学表达式为：

(2)传感器节点s到覆盖点p的向量与传感器节点工作方向之间的夹角小于或等于其感知角度的一半，其数学表达式为： $\mathrm{\β}\≤\frac{{\mathrm{\α}}_i^j}{2};$

根据线性代数中两个向量内积的定义，可以得到结合 $\stackrel{\&RightArrow;}{sp}=<x-x_s,y-y_s>,\stackrel{\&RightArrow;}{\mathrm{\&omega;}}=<cos\mathrm{\&theta;},sin\mathrm{\&theta;}>,\left|\stackrel{\&RightArrow;}{\mathrm{\&omega;}}\right|=1$ 可以得到 $(x-x_s)cos\mathrm{\&theta;}+(y-y_s)sin\mathrm{\&theta;}=\sqrt{{(x-x_s)}^2-{(y-y_s)}^2}cos\mathrm{\&beta;},$ 由借助三角函数的单调性可知，整理上述几个式子可以得到， $(x-x_s)cos\mathrm{\&theta;}+(y-y_s)\sin \mathrm{\&theta;}\&GreaterEqual;\sqrt{{(x-x_s)}^2-{(y-y_s)}^2}cos\left(\frac{{\mathrm{\&alpha;}}_i^j}{2}\right);$

根据上述两个条件关系，可以判断出被传感器覆盖的栅格，从而计算出被覆盖的栅格数目K'，从而按照计算网络覆盖率；

步骤2-3：按照计算种群中各个个体的适应度值D；

其中： $\left\{\begin{array}{cc}{d}_1=\frac{u_1-f_1}{u_1-l_1}& 0\&le;d_1\&le;1\\ d_2=\frac{u_2-F_2}{u_2-l_2}& 0\&le;d_2\&le;1\end{array}\right.;$ u₁和l₁分别为目标函数f₁的上界和下界，F₂＝-f₂，u₂和l₂分别为目标函数F₂的上界和下界；

根据上述给出的数据计算可得到，l₁＝0，u₂＝20000，u₂＝0，max_coverGrid为所有节点都处于工作状态的时候覆盖的栅格数目；

步骤3：利用二进制和声搜索算法确定传感器节点作为最终的部署策略，具体为：

步骤3-1：参数及种群初始化；

从可行域随机产生H个和声初始解放入和声记忆库HM中，设定和声记忆保留概率HMCR的初始值HMCR(0)、和声记忆保留概率HMCR的最小值HMCR_min、最大迭代次数G、差分算法中的缩放因子F以及调整概率的参数b；

在本实施例中，初始化和声记忆保留概率HMCR的初始值HMCR(0)为区间[0.6,0.8]的随机数，本次取HMCR(0)＝0.8，和声记忆保留概率HMCR的最小值HMCR_min＝0.6，最大迭代次数G＝200，HMS＝50，差分算法中的缩放因子F＝0.8，调整概率的参数b＝8；

步骤3-2：按照 $HMCR(g+1)=HMCR\left(g\right)-\frac{HMCR\left(0\right)-{\mathrm{HMCR}}_{min}}{G}$ 计算迭代次数为g+1时的和声记忆保留概率HMCR(g+1)，g＝0～G-1；

根据步骤3-1给出的具体数据得：HMCR(g+1)＝HMCR(g)-0.0001

步骤3-3：以和声记忆保留概率HMCR(g+1)对第g次迭代后的和声记忆库HM中的每个解的分量进行保留，作为新解的分量，新解的剩余分量从问题的可行域中随机产生；

步骤3-4：为了提高离散和声搜索算法的性能，采用差分算法的变异机制，基于种群概率模型的算法，对步骤3-3产生的新解进行扰动的具体方法为：

步骤3-4-1：按照计算迭代次数为g+1时，第h个个体的第i位的取值概率

其中，F为差分算法的缩放因子，F＝0.8，b为调整因子，b＝8，变量MO按照下式计算；

$MO=x_{h_1,i}^g+F*(x_{best,i}^g-x_{h,i}^g)+F*(x_{h_2,i}^g-x_{h_3,i}^g)h_1\&NotEqual;h_2\&NotEqual;h_3$

上式中表示第g次迭代时，H个个体中随机三个个体的第i位的取值，表示第g次迭代时，H个个体中适应度值最高个体的第i位的取值，表示第g次迭代时，个体h的第i位的取值；

步骤3-4-2：按照确定第g+1次迭代时，个体h的第i位的取值；其中，rand()表示区间(0，1)之间的随机数；

步骤3-5：按照步骤2计算每一个新解的适应度值，若新解优于和声记忆库HM内的最差解，则用新解替换最差解；

步骤3-6：判断是否达到最大迭代次数G＝200，若达到，则选择第200次迭代后H个解中适应度最佳的个体作为全局最优解进行网络部署，否则，返回步骤3-3继续迭代。

为了进一步体现本发明的技术效果，下面通过仿真实验与参考文献：Z.W.Geem,J.H.Kim,G.V.Loganathan.Anewheuristicoptimizationalgorithm:harmonysearch[J].Simulation2001,76(2):60-68.所提出的和声搜索算法进行对比。

通过图3可以看出，原始的和声搜索算法平均适应度要低于改进和声搜索算法平均适应度。

从图4可以看出，相同的部署节点数，改进和声搜索算法的部署成本都要比原始和声搜索算法的部署成本低，且原始和声搜索算法的部署成本随着部署节点数的增多而增加，但在改进和声搜索算法中，部署节点增加部署成本基本保持不变。

从图5可以看出，相同的部署节点数，改进和声搜索算法的覆盖率都要比原始和声搜索算法的覆盖率高，且改进和声搜索算法的覆盖率接近1或者等于1，网络覆盖较好。

Claims (4)

1.一种异构有向传感器网络部署方法，其特征在于包括以下步骤：

步骤1：网络初始化；

将预设区域视为二维平面，随机部署N个传感器节点其中i＝1,2,…,N表示传感器的序号，j＝1,2,…,M表示传感器的种类，利用N位二进制编码表示N个传感器节点的状态并将其作为种群优化的个体；

如果则表示传感器节点被选中，处于工作状态；如果则表示传感器节点未被选中，处于休眠状态；

步骤2：以网络部署成本和网络覆盖率作为评价指标，并计算基于网络部署成本和网络覆盖率的个体适应度值；

步骤3：利用二进制和声搜索算法确定传感器节点作为最终的部署策略，具体为：

步骤3-1：参数及种群初始化；

从可行域随机产生H个和声初始解放入和声记忆库HM中，设定和声记忆保留概率HMCR的初始值HMCR(0)、和声记忆保留概率HMCR的最小值HMCR_min、最大迭代次数G、差分算法中的缩放因子F以及调整概率的参数b；

步骤3-2：按照公式(1)计算迭代次数为g+1时的和声记忆保留概率HMCR(g+1)，g＝0～G-1；

$HMCR(g+1)=HMCR\left(g\right)-\frac{HMCR\left(0\right)-{\mathrm{HMCR}}_{min}}{G}---\left(1\right)$

步骤3-3：以和声记忆保留概率HMCR(g+1)对第g次迭代后的和声记忆库HM中的每个解的分量进行保留，作为新解的分量，新解的剩余分量从问题的可行域中随机产生；

步骤3-4：采用差分算法的变异机制对步骤3-3产生的新解进行扰动；

步骤3-5：按照步骤2计算每一个新解的适应度值，若新解优于和声记忆库HM内的最差解，则用新解替换最差解；

步骤3-6：判断是否达到最大迭代次数G，若达到，则选择第G次迭代后H个解中适应度最佳的个体作为全局最优解进行网络部署，否则，返回步骤3-3继续迭代。

2.根据权利要求1所述的异构有向传感器网络部署方法，其特征在于：步骤2中个体适应度值的计算步骤如下：

步骤2-1：按照公式(2)计算网络部署成本：

$f_1=\underset{i=1}{\overset{N}{\&Sigma;}}{c}_i^j{x}_i^j---\left(2\right)$

当时，则表示的部署成本需要记入网络部署总成本中；当时，则不必计入网络部署成本中；

步骤2-2：将预设区域视为二维平面后划分为栅格状，总栅格数目为K，被传感器覆盖的栅格数目为K'，按照公式(3)计算网络覆盖率：

$f_2=\frac{K^{\&prime;}}{K}---\left(3\right)$

步骤2-3：按照公式(4)计算种群中各个个体的适应度值D；

$D=\sqrt{d_1\&times;d_2}---\left(4\right)$

其中： $\{\begin{array}{cc}{d}_1=\frac{u_1-f_1}{u_1-l_1}& 0\&le;d_1\&le;1\\ d_2=\frac{u_2-F_2}{u_2-l_2}& 0\&le;d_2\&le;1\end{array};$ u₁和l₁分别为目标函数f₁的上界和下界，F₂＝-f₂，u₂和l₂分别为目标函数F₂的上界和下界。

3.根据权利要求2所述的异构有向传感器网络部署方法，其特征在于：设定传感器节点的感知半径为r_i ^j，感知角度为感知方向在[0,2π]上均匀分布，则步骤2-2中，认定栅格被传感器覆盖应满足以下两个条件：

(1)传感器节点与覆盖点之间的距离小于或者等于传感节点的感知半径r_i ^j；

(2)传感器节点到覆盖点的向量与传感器节点工作方向之间的夹角小于或等于其感知角度的一半。

4.根据权利要求1所述的异构有向传感器网络部署方法，其特征在于：步骤3-4中采用差分算法的变异机制对步骤3-3产生的新解进行扰动的具体方法为：

步骤3-4-1：按照公式(5)计算迭代次数为g+1时，第h个个体的第i位的取值概率h＝1～H，i＝1,2,…,N；

$P\left(x_{h,i}^{g+1}\right)=1/\&lsqb;1+e^{-2b(MO-0.5)/(1+2F)}\&rsqb;---\left(5\right)$

其中，F为差分算法的缩放因子，b为调整因子，变量MO按照公式(6)计算；

$MO=x_{h_1,i}^g+F*(x_{best,i}^g-x_{h,i}^g)+F*(x_{h_2,i}^g-x_{h_3,i}^g)h\&NotEqual;h_2\&NotEqual;h_3---\left(6\right)$

公式(6)中表示第g次迭代时，H个个体中随机三个个体的第i位的取值，表示第g次迭代时，H个个体中适应度值最高个体的第i位的取值，表示第g次迭代时，个体h的第i位的取值；

步骤3-4-2：按照公式(7)确定第g+1次迭代时，个体h的第i位的取值；

其中，rand()表示区间(0，1)之间的随机数。