CN105228159A - 基于网格化及改进粒子群算法的无线传感网覆盖增强算法 - Google Patents

Abstract

本发明涉及一种基于网格化及改进粒子群算法的无线传感网覆盖增强算法，在基于传统的PSO算法以及无线传感网络网格化的基础上，提出了一种改进型PSO算法，其特征在于，在传统粒子群优化算法基础上引入非线性惯性因子。相较于传统算法，改进PSO算法具有更好地收敛能力以及全局搜索能力，极大的减少了节点的计算量并与此同时给出了更优的节点部署策略，提升了覆盖率。可广泛应用于运用到无线传感器网络的在各个领域，如军事，环境监测，医疗健康等。

Description

基于网格化及改进粒子群算法的无线传感网覆盖增强算法

技术领域

本发明涉及一种无线传感网覆盖增强算法，尤其涉及一种基于网格化及改进粒子群算法的无线传感网覆盖增强算法。

背景技术

近年来，无线传感器网络(wirelesssensornetworks,WSN)广泛应用在各个领域，如军事，环境监测，医疗健康等。无线传感器是一种新型的无线网络，与传统的无线网络相比，它具有低成本、低功耗、多功能等优点。WSN的传感器节点不仅具备信息采集的能力，同时也具备数据处理和无线通信的能力，这些传感器节点被密集部署在指定的目标区域内，通过无线通信和自组织方式用来感知、采集和处理目标区域内各种数据信息，并将所感知和采集到的数据和信息传送给监控中心或终端用户，协作完成指定的任务。

在无线传感器网络中，节点存在以下限制：功率受限；通信半径有限；感知能力有限。基于这些限制在监测目标区域时常常达不到所需要的覆盖率，并且由于一般的部署传感器节点方式为随机布点，以上这些因素都会导致目标区域的覆盖空洞，时因而导致一些重要数据和信息无法被感知。传统的覆盖空洞解决办法是：增加目标区域里的传感器节点数量；更换性能更好也即是具有更强感知能力、通信能力、和电源功率的传感器。但以上办法均会导致部署开支增大以及资源的浪费。

通过上述描述，我们可以看到无线传感网里的覆盖问题其实就是节点部署问题，通过对传感器节点的合理部署达到对覆盖的最优化控制。

基于传统PSO算法和网格划分，本领域提出一种基于网格化及改进粒子群算法的无线传感网覆盖增强算法，将粒子群里的每个粒子都抽象为一个包含传感器节点最优部署位置的解，其中每个粒子都包含了节点位置信息，粒子的好坏由覆盖率的高低决定，每个粒子将在可行解空间中运动，由一个速度变量决定其方向和距离，并通过不断地向自我以及群体里的最优粒子学习经过驻代搜索后得到最优解。

传统PSO算法问题在于，其惯性权重是线性递减的，如公式所示：

$\mathrm{\ω}\left(t\right)={\mathrm{\ω}}_{\mathrm{start}}-\frac{{\mathrm{\ω}}_{\mathrm{start}}-{\mathrm{\ω}}_{\mathrm{end}}}{t_{\max }}*t$

这易导致收敛速度过慢并容易在非最优解上耗费过多的迭代次数导致从而导致节点计算量的增加，浪费有限的节点能量。并且前期的全局搜索能力也有限，使得粒子在后期没有良好的局部搜索性能，易陷入次最优解从而导致输出解不是节点最佳部署位置。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题就是如何提供一种合适的无线移动传感器网络覆盖增强方法，避免运用传统PSO算法时存在的收敛速度过慢、全局搜索能力太小的问题。

(二)技术方案

为了解决上述技术问题，本发明提供了一种基于网格化及改进粒子群算法的无线传感网覆盖增强算法，其特征在于，包括以下步骤：

步骤一：初始化粒子群规模、粒子初始速度、粒子坐标，初始化每个粒子维度；

步骤二：初始化区域目标大小，根据计算量确定合适的网格化程度；

步骤三：计算每个网格点被覆盖概率以及整个目标区域的覆盖率；

其中节点与网格点之间的距离为：

$d(c_i,l)=\sqrt{{(x-x_i)}^2+{(y-y_i)}^2}$

目标区域被覆盖的概率为：

$P_l=\left\{\begin{array}{cc}1& \mathrm{if\; d}(c_i,l)\≤R\\ 0& \mathrm{otherwise}\end{array}\right.$

因此目标区域的覆盖率为：

$\mathrm{CR}=\frac{\mathrm{\Σ}{P}_l}{A},l\∈A$

步骤四：开始整个粒子群的迭代过程，更新每个粒子的速度及位置；

其中，假设一个由M个粒子组成的群体在D维的搜索空间以一定的速度运动，D维的搜索空间是节点最佳部署的解维数；粒子i在第d维t时刻的状态属性设置如下：

v_id(t+1)＝ω(t)*v_id(t)+c₁r₁*(p_id(t)-x_id(t))+c₂r₂*(p_gd(t)-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

式中1≤d≤D；x_id(t)和v_id(t)代表粒子i在t时刻的位置和速度；ω为惯性权重，代表粒子对前一轮迭代的自我继承程度；r₁和r₂是均匀分布在(0,1)区间的随机数；c₁和c₂是学习因子，分别代表向自我以及最优粒子的学习程度；p_id(t)代表粒子i在t时刻经历过的最好位置；p_gd(t)代表群体所有微粒在t时刻经历过的最好位置；

$\mathrm{\ω}\left(t\right)={\mathrm{\ω}}_{\mathrm{end}}+({\mathrm{\ω}}_{\mathrm{start}}-{\mathrm{\ω}}_{\mathrm{end}})*\exp (-k*{\left(\frac{t}{t_{\max }}\right)}^2)$

ω_start和ω_end分别代表初始惯性权重以及终止惯性权重；k代表控制因子，控制ω与t变化曲线的平滑度；

步骤五：根据覆盖率筛选出最优粒子，每个粒子继续依照最佳粒子位置以及自我的最佳位置更新自己的速度及位置；

步骤六：判断迭代是否满足要求，不满足则继续从步骤三迭代更新粒子信息；

步骤七：完成迭代要求，结束流程。

优选地，k值为0.5。

(三)有益效果

本发明的一种基于网格化及改进粒子群算法的无线传感网覆盖增强算法，在基于传统的PSO算法以及无线传感网络网格化的基础上，提出了一种改进型PSO算法，其特征在于，在传统粒子群优化算法基础上引入非线性惯性因子。相较于传统算法，改进PSO算法具有更好地收敛能力以及全局搜索能力，极大的减少了节点的计算量并与此同时给出了更优的节点部署策略，提升了覆盖率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1：本发明提供的一种线移动传感器网络覆盖增强方法的流程示意图；

图2：目标区域网格化示意图；

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。

在无线传感器网络中，为了有效的计算覆盖率，填补覆盖空洞，将网络网格化如图2所示。

图2即是基于网格的网络覆盖模型。目标区域被定义为一个二维平面，面积大小为M*N，区域被分为l个网格点，网格点坐标为(x,y)，将节点随机部署在目标区域内后，假设任意一个传感器节点c_i的坐标为(xi,yi)，则节点与网格点之间的距离为：

$d(c_i,l)=\sqrt{{(x-x_i)}^2+{(y-y_i)}^2}---\left(1\right)$

目标区域被覆盖的概率为：

$P_l=\left\{\begin{array}{cc}1& \mathrm{if\; d}(c_i,l)\≤R\\ 0& \mathrm{otherwise}\end{array}\right.---\left(2\right)$

因此目标区域的覆盖率为：

$\mathrm{CR}=\frac{\mathrm{\Σ}{P}_l}{A},l\∈A---\left(3\right)$

其中A为目标区域所划分的网格点规模。

假设一个由M个粒子组成的群体在D维的搜索空间以一定的速度运动，D维的搜索空间是节点最佳部署的解维数；粒子i在第d维t时刻的状态属性设置如下：

v_id(t+1)＝ω(t)*v_id(t)+c₁r₁*(p_id(t)-x_id(t))+c₂r₂*(p_gd(t)-x_id(t))(4)

x_id(t+1)＝x_id(t)+v_id(t+1)(5)

式中1≤d≤D；x_id(t)和v_id(t)代表粒子i在t时刻的位置和速度；ω为惯性权重，代表粒子对前一轮迭代的自我继承程度；r₁和r₂是均匀分布在(0,1)区间的随机数；c₁和c₂是学习因子，分别代表向自我以及最优粒子的学习程度；p_id(t)代表粒子i在t时刻经历过的最好位置；p_gd(t)代表群体所有微粒在t时刻经历过的最好位置的索引号；

$\mathrm{\ω}\left(t\right)={\mathrm{\ω}}_{\mathrm{end}}+({\mathrm{\ω}}_{\mathrm{start}}-{\mathrm{\ω}}_{\mathrm{end}})*\exp (-k*{\left(\frac{t}{t_{\max }}\right)}^2)---\left(6\right)$

ω_start和ω_end分别代表初始惯性权重以及终止惯性权重；k代表控制因子，控制ω与t变化曲线的平滑度；k值取不同值时，惯性权重随迭代次数的变化曲线是不同的，我们为了确定k值的大小试验了在不同k值时网络覆盖率的表现，并最终选定k值取0.5。

综上述，本实施例实质是在传统PSO算法的基础上结合无线传感网的节点特性，提出一种非线性惯性权重的改进PSO算法(NonlinearInertialWeightParticleSwarmOptimization,NIW-PSO)在增强网络覆盖中的应用。

基于NIW-PSO算法以及目标区域网格化的增强覆盖方案流程为:

步骤一：初始化粒子群规模、粒子初始速度、粒子坐标，初始化每个粒子维度；

步骤二：初始化区域目标大小，根据计算量确定合适的网格化程度；

步骤三：根据公式(2)(3)计算每个网格点被覆盖概率以及整个区域的覆盖率；

步骤四：开始整个粒子群的迭代过程，根据公式(4)(5)(6)更新每个粒子的速度及位置；

步骤五：根据覆盖率筛选出最优粒子，每个粒子继续依照最佳粒子位置以及自我的最佳位置更新自己的速度及位置；

步骤六：判断迭代是否满足要求，不满足则继续从步骤三迭代更新粒子信息；

步骤七：完成迭代要求，结束流程。

其流程图如图1所示。

以上实施方式仅用于说明本发明，而非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种基于网格化及改进粒子群算法的无线传感网覆盖增强算法，其特征在于，包括以下步骤：

步骤一：初始化粒子群规模、粒子初始速度、粒子坐标，初始化每个粒子维度；

步骤二：初始化区域目标大小，根据计算量确定合适的网格化程度；

步骤三：计算每个网格点被覆盖概率以及整个目标区域的覆盖率；

其中节点与网格点之间的距离为：

$d(c_i,l)=\sqrt{{(x-x_i)}^2+{(y-y_i)}^2}$

目标区域被覆盖的概率为：

$P_l=\left\{\begin{array}{cc}1& \mathrm{if\; d}(c_i,l)\≤R\\ 0& \mathrm{otherwise}\end{array}\right.$

因此目标区域的覆盖率为：

$\mathrm{CR}=\frac{\mathrm{\Σ}{P}_l}{A},l\∈A$

步骤四：开始整个粒子群的迭代过程，更新每个粒子的速度及位置；

其中，假设一个由M个粒子组成的群体在D维的搜索空间以一定的速度运动，D维的搜索空间是节点最佳部署的解维数；粒子i在第d维t时刻的状态属性设置如下：

v_id(t+1)＝ω(t)*v_id(t)+c₁r₁*(p_id(t)-x_id(t))+c₂r₂*(p_gd(t)-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

式中1≤d≤D；x_id(t)和v_id(t)代表粒子i在t时刻的位置和速度；ω为惯性权重，代表粒子对前一轮迭代的自我继承程度；r₁和r₂是均匀分布在(0,1)区间的随机数；c₁和c₂是学习因子，分别代表向自我以及最优粒子的学习程度；p_id(t)代表粒子i在t时刻经历过的最好位置；p_gd(t)代表群体所有微粒在t时刻经历过的最好位置；

$\mathrm{\ω}\left(t\right)={\mathrm{\ω}}_{\mathrm{end}}+({\mathrm{\ω}}_{\mathrm{start}}-{\mathrm{\ω}}_{\mathrm{end}})*\exp (-k*{\left(\frac{t}{t_{\max }}\right)}^2)$

ω_start和ω_end分别代表初始惯性权重以及终止惯性权重；k代表控制因子，控制ω与t变化曲线的平滑度；

步骤五：根据覆盖率筛选出最优粒子，每个粒子继续依照最佳粒子位置以及自我的最佳位置更新自己的速度及位置；

步骤六：判断迭代是否满足要求，不满足则继续从步骤三迭代更新粒子信息；

步骤七：完成迭代要求，结束流程。

2.根据权利要求1所述的方法，其特征在于，k值为0.5。