CN105246121A - 一种移动sink信息收集路径的可变维粒子群构建方法 - Google Patents

Abstract

本发明公开了一种移动sink信息收集路径的可变维粒子群构建方法，属于通信领域。所述发明包括生成可变维粒子群，使用最近维度跟踪策略对可变维粒子群中粒子的维度进行更新，根据模拟退火策略对是否将可变维粒子群中的粒子实施替换进行判定，并对粒子维度进行合并、以及对粒子进行倒序处理，最终选取符合预设条件的最优解作为移动sink节点的最佳路径。通过在移动sink节点的路径规划中引入可变维粒子群的概念，以对可变维粒子群进行迭代优化的方式获取sink节点的信息收集路径，避免了现有技术中无法快速确定最优路径这一缺陷的发生，提高了移动sink节点在信息收集过程中的效率。

Description

一种移动sink信息收集路径的可变维粒子群构建方法

技术领域

本发明属于通信领域，特别涉及一种移动sink信息收集路径的可变维粒子群构建方法。

背景技术

WSN是由大量简单传感器通过无线方式连接起来的一种网络，数据采集是其最常用的功能之一。如：在环境检测的WSN场景中布置大量的传感器节点，对检测环境的温度、湿度、图像等因素进行监控。

为了完成传感器节点的数据采集工作，现有的技术方案是设置一个移动sink节点，令其沿着一个经过所有传感器节点的路径进行数据采集，当该移动sink节点移动至某个传感器节点时，令该传感器节点向移动sink发送数据，移动sink节点完成该传感器节点的数据接收后，沿预设的路径移动至下一个传感器节点，继续进行数据接收。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

现有的规划算法较为简单，根据现有的对移动sink节点在信息收集过程中路径的规划算法上，无法快速获取最优路径，即根据现有的路径规划算法，移动sink节点无法进行高效率的信息收集，从而对整个无线传感器网络的信息收集工作造成影响。

发明内容

为了解决现有技术的问题，本发明提供了一种移动sink信息收集路径的可变维粒子群构建方法，所述移动sink信息收集路径的可变维粒子群构建方法，包括：

步骤一，生成可变维粒子群，对所述可变维粒子群进行初始化，获取所述可变维粒子群中每个粒子的维度；

步骤二，获取所述可变维粒子群中每个所述粒子的适应值，根据所述适应值的数值大小，确定每个所述粒子的最优解以及所述可变维粒子群的历史最优解；

步骤三，使用最近维度跟踪策略对所述可变维粒子群中每个所述粒子的所述维度进行更新，获取到已更新可变维粒子群；

步骤四，根据模拟退火策略，对是否将所述可变维粒子群中的所述粒子替换为所述已更新可变维粒子群中的粒子进行判定，如果确定替换，则使用所述已更新可变维粒子群中的粒子替换所述可变维粒子群中对应位置的所述粒子，并获取所述对应位置粒子的适应值，更新所述对应位置粒子的最优解，如果确定不更换，则继续使用所述可变维粒子群中在所述对应位置的粒子，得到替换完成的第一可变维粒子群；

步骤五，从所述第一可变维粒子群中选取粒子间距小于预设间距阈值的粒子，对所述粒子的维度进行合并，得到已合并可变维粒子群，对所述已合并可变维粒子群进行如步骤四所示的处理，得到第二可变维粒子群；

步骤六，根据预设的倒序概率，对所述第二可变维粒子群中的粒子进行倒序处理，得到已倒序可变维粒子群，对所述已倒序可变维粒子群进行如所述步骤四所示的处理，得到第三可变维粒子群，确定所述第三可变维粒子群的所述历史最优解；

步骤七，如果所述第三可变维粒子群的所述历史最优解中粒子适应度的变化量小于预设适应度阈值或此时迭代次数大于预设迭代阈值，则将所述第三粒子群的所述历史最优解对应的粒子作为移动sink信息收集路径的最佳路径，否则对当前迭代次数加一，并重复所述步骤二至所述步骤六所示的处理，直至满足所述第三可变维粒子群的所述历史最优解中粒子适应度的变化量小于预设适应度阈值或迭代次数大于所述预设迭代阈值为止，将截止时的所述第三粒子群的所述历史最优解对应的粒子作为所述移动sink信息收集路径的最佳路径。

可选的，所述使用最近维度跟踪策略对所述可变维粒子群中每个所述粒子的所述维度进行更新，获取到已更新可变维粒子群，包括：

提取所述可变维粒子群中每个所述粒子的最优解以及所述可变维粒子群的历史最优解；

从所述每个所述粒子的历史最优解中选取与所述可变维粒子群中待更新粒子当前维度最接近的维度，从所述可变维粒子群的所述历史最优解中选取与所述可变维粒子群中待更新粒子当前维度最接近的维度；

根据预设公式，结合从所述粒子的历史最优解中选取的最接近的维度以及从所述可变维粒子群历史最优解中选取的最接近的维度，对所述可变维粒子群中待更新粒子的所述维度进行更新，获取到已更新可变维粒子群。

可选的，所述根据模拟退火策略，对是否将所述可变维粒子群中的所述粒子替换为所述已更新可变维粒子群中的粒子进行判定，包括：

从所述可变维粒子群中提取原始粒子，从所述已更新可变维粒子群中提取与所述样本粒子位置对应的样本粒子；

获取所述原始粒子的适应值以及所述样本粒子的适应值；

如果所述样本粒子的适应值小于所述原始粒子的适应值，则使用所述样本粒子替换所述原始粒子，如果所述样本粒子的适应值不小于所述原始粒子的适应值，则根据替换概率公式获取替换概率数值，并根据所述替换概率数值使用所述样本粒子替换所述原始粒子。

可选的，所述从所述第一可变维粒子群中选取粒子间距小于预设间距阈值的粒子，对所述粒子的维度进行合并，得到已合并可变维粒子群，包括：

从所述第一可变维粒子群中选取粒子间距小于预设间距阈值的两个粒子；

根据所述两个粒子的维度，在所述两个粒子之间确定中间粒子；

将所述两个粒子替换为所述中间粒子，得到已合并可变维粒子群。

可选的，根据预设的倒序概率，对所述第二可变维粒子群中的粒子进行倒序处理，得到已倒序可变维粒子群，包括：

提取所述第二可变维粒子群中的粒子，随机的生成第一位置和第二位置；

将位于所述第一位置和所述第二位置之间的所述粒子的维度数据进行倒置处理；

对第二可变维粒子群中的全部粒子所述将进行所述倒置处理，得到由所述倒置处理后的粒子构成的已倒序可变维粒子群。

本发明提供的技术方案带来的有益效果是：

通过在移动sink节点的路径规划中引入可变维粒子群的概念，以对可变维粒子群进行迭代优化的方式获取sink节点的信息收集路径，避免了现有技术中无法确定最优路径这一缺陷的发生，提高了移动sink节点在信息收集过程中的效率，降低了路径选择对整个无线传感器网络的信息收集工作造成影响。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例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是本发明提供的一种移动sink信息收集路径的可变维粒子群构建方法的流程示意图；

图2是本发明提供的一种移动sink信息收集路径的可变维粒子群构建方法的进行维度选取的过程以及对选取的维度求解矢量和的示意图；

图3是本发明提供的一种移动sink信息收集路径的可变维粒子群构建方法的维度合并策略的面积重合示意图；

图4是本发明提供的一种移动sink信息收集路径的可变维粒子群构建方法的典型实现方法的流程示意图；

图5是本发明提供的一种移动sink信息收集路径的可变维粒子群构建方法的仿真实验的效果对比示意图一；

图6是本发明提供的一种移动sink信息收集路径的可变维粒子群构建方法的仿真实验的效果对比示意图二。

具体实施方式

为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。

实施例一

本发明提供了一种移动sink信息收集路径的可变维粒子群构建方法，所述移动sink信息收集路径的可变维粒子群构建方法，包括：

步骤一，生成可变维粒子群，对所述可变维粒子群进行初始化，获取所述可变维粒子群中每个粒子的维度；

步骤二，获取所述可变维粒子群中每个所述粒子的适应值，根据所述适应值的数值大小，确定每个所述粒子的最优解以及所述可变维粒子群的历史最优解；

步骤三，使用最近维度跟踪策略对所述可变维粒子群中每个所述粒子的所述维度进行更新，获取到已更新可变维粒子群；

步骤四，根据模拟退火策略，对是否将所述可变维粒子群中的所述粒子替换为所述已更新可变维粒子群中的粒子进行判定，如果确定替换，则使用所述已更新可变维粒子群中的粒子替换所述可变维粒子群中对应位置的所述粒子，并获取所述对应位置粒子的适应值，更新所述对应位置粒子的最优解，如果确定不更换，则继续使用所述可变维粒子群中在所述对应位置的粒子，得到替换完成的第一可变维粒子群；

步骤五，从所述第一可变维粒子群中选取粒子间距小于预设间距阈值的粒子，对所述粒子的维度进行合并，得到已合并可变维粒子群，对所述已合并可变维粒子群进行如步骤四所示的处理，得到第二可变维粒子群；

步骤六，根据预设的倒序概率，对所述第二可变维粒子群中的粒子进行倒序处理，得到已倒序可变维粒子群，对所述已倒序可变维粒子群进行如所述步骤四所示的处理，得到第三可变维粒子群，确定所述第三可变维粒子群的所述历史最优解；

步骤七，如果所述第三可变维粒子群的所述历史最优解中粒子适应度的变化量小于预设适应度阈值或此时迭代次数大于预设迭代阈值，则将所述第三粒子群的所述历史最优解对应的粒子作为移动sink信息收集路径的最佳路径，否则对当前迭代次数加一，并重复所述步骤二至所述步骤六所示的处理，直至满足所述第三可变维粒子群的所述历史最优解中粒子适应度的变化量小于预设适应度阈值或迭代次数大于所述预设迭代阈值为止，将截止时的所述第三粒子群的所述历史最优解对应的粒子作为所述移动sink信息收集路径的最佳路径。

在实施中，为了解决现有技术中使用sink节点进行节点信息收集时，如何选取最优路径的问题，本发明将其转换为获取粒子群最优解的数学模型。如图1所示，本发明具体包括步骤一至步骤七共七个步骤。

步骤一，生成可变维粒子群，以便于根据该可变维粒子群进行后续迭代优化从而获取移动sink节点的最优信息收集路径。

步骤二，获取所述可变维粒子群中每个所述粒子的适应值，确定每个所述粒子的最优解以及所述可变维粒子群的历史最优解。这里的适应值以及两类最优解用于后续步骤中使用最近维度跟踪策略和模拟退火策略对可变维粒子群进行优化迭代。

步骤三，使用最近维度跟踪策略对所述可变维粒子群中每个所述粒子的所述维度进行更新，这里使用最近维度跟踪策略解决局部最优解与全局最优解的跟踪问题。

步骤四，根据模拟退火策略，对是否将所述可变维粒子群中的所述粒子替换为所述已更新可变维粒子群中的粒子进行判定，使用模拟退火的思想对粒子进行筛选以提高算法跳出局部解的性能。

步骤五，对所述粒子的维度进行合并，用于优化对应的信息收集路径长度。

步骤六，根据预设的倒序概率，对所述第二可变维粒子群中的粒子进行倒序处理，用于加速最佳路线的优化过程。

步骤七，根据预设条件，判定是否需要停止进行迭代，以及选取何值作为移动sink节点的最优路径方案

简要的来说，本发明为了求得无线传感器网络中移动sink节点在进行信息收集时需要获取的最佳路径，将其转换为对可变维粒子群进行迭代优化的过程，在该可变维粒子群中，每个粒子都代表着移动sink的一个可行路径解，粒子的每个维度则是移动sink收集信息的收集点位置坐标。通过对在开始阶段生成的可变维粒子群中的粒子的维度进行更新、合并的迭代，以及对粒子维度数据进行适当的倒序处理，都是为了尽快获取到满足预设条件的可变维粒子群的最优解对应的粒子，即将该粒子的维度数据对应的收集点位置顺序坐标作为移动sink节点在进行信息收集时需要获取的最佳路径，从而避免现有技术中存在的无法获取最优路径的缺陷，以便于获取移动sink的最优路径，提高整个无线传感器网络的信息收集工作的效率。

为了便于理解，下面对引入的粒子群以及相关优化算法进行简要说明。

粒子群优化算法(particleswarmoptimization，PSO)是一种基于群体智能的优化算法。粒子群算法的基本原理是粒子通过向自身经验和群体经验不断学习在解空间中逐步寻优。在算法的运行过程中，每个粒子同时追踪两个极值，即粒子本身迄今找到的最优解和群体中迄今找到的最优解。

通过上述对PSO算法的介绍，虽然该算法具有收敛速度快、算法简单等优点，但基本的粒子群算法还不能直接用以解决移动sink的最佳信息收集路径问题。在本发明的讨论范围中，最优信息收集路径问题即获得一个路径，移动sink节点沿该路径在网络中运行，每当到达一个信息采集点的时候则开机收集该采集点范围之内传感器节点的信息，最终回到开始点位置。在使用PSO来解决移动sink的最佳信息收集路径的时候，第一个核心问题是如何使用PSO的粒子表示路径的可行解。由于TSPN问题的复杂性，为了表示可行解(即移动sink节点的移动路径)、可变维粒子群中粒子的维度(实际移动sink节点需要获取的信息收集点的数量)可能会不相同，这也就意味着可行解的维度会出现变化。这种情况直接导致在求解最佳信息收集路径问题中标准PSO算法中速度与位置的更新公式都将无法使用。因此为了使用PSO算法的思想解决TSPN问题需要首先解决以下问题：

(1)如何使用PSO粒子表示TSPN可行解的问题。

(2)由于每个可行解的维度不同，那么如何更新粒子的速度和位置的问题。

(3)由于WSN中节点众多、分布多变，因此PSO算法需要对多重维度的解空间进行搜索，那么该如何加快算法的运行速度，提高算法的效率的问题。

为了解决上述三个问题，本发明分别引入“最近采集点跟踪机制”、“采集点(维度)合并策略”、“模拟退火”三种思想来实现整体方案的优化。

由于上述三种引入的思想内容较为繁杂，因此在下文中对其进行详细论述，此处不展开讨论。

本发明提供了一种移动sink信息收集路径的可变维粒子群构建方法，包括生成可变维粒子群，使用最近维度跟踪策略对可变维粒子群中粒子的维度进行更新，根据模拟退火策略对是否将可变维粒子群中的粒子实施替换进行判定，进而进行粒子维度进行合并、以及对粒子进行倒序处理，最终选取符合预设条件的最优解作为移动sink节点的最佳路径。通过在移动sink节点的路径规划中引入可变维粒子群的概念，以对可变维粒子群进行迭代优化的方式获取sink节点的信息收集路径，避免了现有技术中无法确定最优路径这一缺陷的发生，提高了移动sink节点在信息收集过程中的效率，降低了路径选择对整个无线传感器网络的信息收集工作造成影响。

可选的，所述使用最近维度跟踪策略对所述可变维粒子群中每个所述粒子的所述维度进行更新，获取到已更新可变维粒子群，包括：

提取所述可变维粒子群中每个所述粒子的最优解以及所述可变维粒子群的历史最优解；

从所述每个所述粒子的历史最优解中选取与所述可变维粒子群中待更新粒子当前维度最接近的维度，从所述可变维粒子群的所述历史最优解中选取与所述可变维粒子群中待更新粒子当前维度最接近的维度；

根据预设公式，结合从所述粒子的历史最优解中选取的最接近的维度以及从所述可变维粒子群历史最优解中选取的最接近的维度，对所述可变维粒子群中待更新粒子的所述维度进行更新，获取到已更新可变维粒子群。

在实施中，基于前文中提及到的粒子群，在本发明中一条信息收集路径可以看作是由直线段连接起来的若干采集点的有序集合，所以设表示路径上第_i个采集点的位置坐标，那么可以用有序点集合T(k,n_k):<v_k1,v_k2…v_knk>来表示第k条信息收集路径，其中n_k为第k条路径中采集点的个数。由于每条路径上采集点的数量可能不同，所以对于每一个粒子来说n_k不一定相同，因此相较于传统的PSO算法，在本发明中的粒子是可变维度的，可行解中的采集点(位置坐标)数代表该可行解的维度数。

在粒子群算法的运行过程中，每一个粒子(可行解)都同时跟踪每个粒子(可行解)所经过的最佳位置即每个粒子的最优解(pbest)和可变维粒子群体至今发现的最佳位置即历史最优解(gbest)。虽然在基本的PSO中可行解的维度是相同的，但在移动sink的最佳信息收集路径的规划过程中，每个粒子所表示的路径中采集点的数目是不一定相同的，所以无法采用通常的粒子群算法中速度与位置的更新方法来更行可变维度粒子的速度与位置。因此，在这里提出了一种最近维度跟踪策略用于解决本发明中变维粒子的更新问题。由于在本发明中粒子的一个维度即是一个采集点坐标，那么在该粒子的某个维度需要更新其速度和位置的时候，首先在该粒子的最优解解(pbest)中搜索距离该粒子当前维度(位置坐标)最近的维度坐标，以及当前历史最优解解(gbest)中距离该维度位置最近的维度(位置坐标)，通过这三个位置坐标按照矢量和的方式来更新该粒子的当前维度。

前文中已经提出，该部分内容是使用最近维度跟踪策略更新粒子的速度与位置，下面结合具体示例对上述机制进行说明。

假设第m个粒子T(m,n_a)的第j维(位置)需要更新其速度和位置，该粒子的至今最佳解为pbest(_m,nb)，搜索pbest(_m,nb)的各个维度(位置)找到其中距离粒子T(m,n_a)的第j维(位置)最近的维度,设其为k。进一步，设群体的当前最佳解为gbest(_nc)，搜索gbest(_nc)的各个维度(位置)找到其中距离粒子T(m,n_a)的第j维(位置)最近的维度,设为l。找到k和l后根据以下预设公式中的公式(1)和公式(2)更新粒子m的位置和速度。

$v_{mj}^{i+1}=\mathrm{\&omega;}\&times;v_{mj}^{i+1}+c_1\&times;r_1\&times;({\mathrm{pbest}}_{mk}^i-x_{mj}^i)+c_2\&times;r_2\&times;({\mathrm{gbest}}_i^i-x_{mj}^i),---\left(1\right)$

$x_{mj}^{i+1}=x_{mj}^i+v_{mj}^i,---\left(2\right)$

表示第i时刻粒子m中第j维上的位置值，表示第i时刻第m个粒子中第j维上的速度值，为惯性权值，c₁是调节粒子飞向自身所经历最好位置方向的步长系数，c₂是调节粒子向全局最好位置飞行的步长系数，r₁和r₂为[0，1]之间均匀分布的随机数，另外可以设置粒子的速度区间[V_min,V_max]和位置范围[x_min,x_max]对粒子的移动加以限制。

上述进行维度选取的过程以及对选取的维度求解矢量和的示意图如图2所示。

本步骤在粒子群的演化过程中，使用最近维度跟踪策略解决局部最优解与全局最优解的跟踪问题。

可选的，所述根据模拟退火策略，对是否将所述可变维粒子群中的所述粒子替换为所述已更新可变维粒子群中的粒子进行判定，包括：

从所述可变维粒子群中提取原始粒子，从所述已更新可变维粒子群中提取与所述样本粒子位置对应的样本粒子；

获取所述原始粒子的适应值以及所述样本粒子的适应值；

如果所述样本粒子的适应值小于所述原始粒子的适应值，则使用所述样本粒子替换所述原始粒子，如果所述样本粒子的适应值不小于所述原始粒子的适应值，则根据替换概率公式获取替换概率数值，并根据所述替换概率数值使用所述样本粒子替换所述原始粒子。

在实施中，在PSO算法中，粒子在初期收敛的速度较快，能够快速趋于最优解。但是在迭代后期，由于粒子间距离的逐步缩短，算法收敛度将逐渐减慢，并容易陷入局部最优解。为了加强粒子的搜索能力，同时增强粒子跳出局部最优解的能力，在本算法的迭代过程中引入模拟退火策略的思想，即以一定概率接受一个较差的不良解，以增强跳出局部最优解的能力。在本算法中，每个粒子在进行完最邻近采集点跟踪和采集点合并策略之后都需要对新生成的粒子进行评价，并结合公式(3)和公式(4)以概率接受一定比例的不良解。

$p=\left\{\begin{array}{c}1\\ \begin{array}{cc}\exp (-\frac{E\left(T{(m,n_m)}_{new}\right)-E\left(T{(m,n_m)}_{old}\right)}{T\left(t\right)}),& \begin{array}{cc}if& E\left(T{(m,n_m)}_{new}\right)<E\left(T{(m,n_m)}_{old}\right)\\ if& E\left(T{(m,n_m)}_{new}\right)\&GreaterEqual;E\left(T{(m,n_m)}_{old}\right)\end{array}\end{array}\end{array}\right.---\left(3\right)$

T(t+1)＝k·T(t)，(4)

式(3)中，T(m,n_m)_new、T(m,n_m)_old分别表示已更新可变维粒子群中的样本粒子和可变维粒子群中的原始粒子；E(T(m,n_m)_new)、E(T(m,n_m)_old)则表示与样本粒子、原始粒子相对应的适应值；p表示以样本粒子替换原始粒子的概率；T(t)为第t次迭代的当前温度。

根据本步骤的内容，如果样本粒子的适应值小于原始粒子的适应值，那么以概率1用样本粒子替换原始粒子，即一定将原始粒子替换为对应位置的样本粒子；如果样本粒子的适应值大于原始粒子的适应值，则以概率公式(3)中求取的替换概率数值p的概率替换原始粒子。

式(4)为模拟退火算法的当前温度的确定公式。在迭代开始时一般设置一个较大的初温T(t₀)，k为一个略小于1的正数。随着迭代的进行，温度T逐渐降低。因此当样本粒子比原始粒子差时替换概率逐步降低。在迭代后期，由于温度已经很低，样本粒子比原始粒子差时，替换的概率几乎趋于0。

本步骤使用模拟退火的思想对粒子进行筛选以提高算法跳出局部解的性能。

可选的，所述从所述第一可变维粒子群中选取粒子间距小于预设间距阈值的粒子，对所述粒子的维度进行合并，得到已合并可变维粒子群，包括：

从所述第一可变维粒子群中选取粒子间距小于预设间距阈值的两个粒子；

根据所述两个粒子的维度，在所述两个粒子之间确定中间粒子；

将所述两个粒子替换为所述中间粒子，得到已合并可变维粒子群。

在实施中，在VD-PSO算法中的运行过程中，通过前文公式(1)和(2)所示的更新公式，可变维粒子群每个粒子即可在不同维度的解空间中进行搜索。但是随着粒子的逐步更新，代表粒子的有序位置序列会逐渐向全局最佳粒子代表的有序位置序列靠近。这种粒子维度间逐渐靠近的情况表现了粒子在多重空间中通过搜索逐渐趋于最佳的解的空间维度的优化降维过程。同时也显示了TSPN的最优解更倾向于更少的维度。粒子的维度越少，其对应的TSP路径长度的下限就越低，从而就越有可能找到更好的最佳路径。

基于以上论述，在VD-PSO算法中粒子的各维度(坐标)之间可能会逐步接近，从而出现粒子代表的路径在很小的范围内出现多个采集点(坐标)的现象。仿真结果同样也显示了这种情况的发生，并且在有些场景设置下这种情况还会频繁发生。

但就另一个方面来讲，在实际的环境中为了降低能量消耗，移动sink节点并不是一直保持接收机开机接收信息的。在多个收集节点间进行移动的过程中，移动sink节点通常关闭接收机，等到达了收集点附近的位置时才会开机进行信息收集。在这种情况下，如果收集点位置过于靠近的话，移动sink节点的接收机就会在很短的时间内频繁进行开关机操作，导致移动sink节点功耗的增加。因此，过于靠近的收集点不利于信息收集过程的节能。

为了减少这种现象的发生，本发明提出了一种粒子维度合并策略来解决这个问题。通过观察发现如果相互邻近的采集点过于靠近，那么移动sink节点分别在这些采集点上采集信息，其覆盖范围其会有很大程度的重叠。也就是如果两个采集点i、j过于靠近，那么在点i上收集的信息或覆盖的sensor节点集合与在点j上的会有很多重复。这样不利于信息采集效率的提高与节能。因此可以考虑在这两个接近的采集点坐标连线的线段中寻找一个折中的位置作为新的采集点，替换这两个过于靠近的采集点。由于原先的两个采集点非常靠近，因此选择折中点替换原来的两个采集点之后，在折中点上所覆盖的sensor点集在很大程度上会与原先两个采集点所共同覆盖的sensor点集存在很大的交集。这样就可以用一个采集点替换原来的两个采集点，这种方式不但可以简化sink的控制流程，提高了能效，同时会稍许缩短路径长度。前文中已经提出，该部分内容是使用粒子维度合并策略提高解空间的搜索速度，下面结合具体示例对上述机制进行说明。

从图3中可以看到v_i和v_j是两个非常靠近的采集点的位置坐标。通常情况下可以假设移动sink的通信范围一致且稳定，因此采集点的范围可以看作是一个半径为R的圆形区域。设在采集点v_i和v_j位置上收集信息的覆盖范围分别为C(v_i)和C(v_j)，可见C(v_i)和C(v_j)的重叠范围非常多。在采集点v_i和v_j间的连线上找出一个用于替代它们的折中点v_k，这里为了简化算法直接选择v_i和v_j线段的中点。设在v_k点上的覆盖范围为C(v_k)。由图可见C(v_k)可以覆盖C(v_i)和C(v_j)的并集中的大部分区域。因此，仅以v_k为采集点时能够覆盖的传感器节点集合可以大概率包含v_i和v_j作为采集点能够覆盖的传感器集合，若v_k与v_i和v_j可以达到相同的覆盖效果，也就可以使用v_k代替v_i和v_j。对第一可变维粒子群中的全部粒子进行上述处理，得到已合并可变维粒子群。

本步骤在粒子维度代表的坐标靠近到一定范围之内时通过维度合并策略降低粒子的维度，优化对应的信息收集路径长度。

可选的，根据预设的倒序概率，对所述第二可变维粒子群中的粒子进行倒序处理，得到已倒序可变维粒子群，包括：

提取所述第二可变维粒子群中的粒子，随机的生成第一位置和第二位置；

将位于所述第一位置和所述第二位置之间的所述粒子的维度数据进行倒置处理；

对第二可变维粒子群中的全部粒子所述将进行所述倒置处理，得到由所述倒置处理后的粒子构成的已倒序可变维粒子群。

在实施中，在基本PSO算法中，为了提高粒子的搜索精度，一般对粒子的速度加以限制。通常采用的方法是将粒子的速度限制在[V_min,V_max]之间。但是同时这种限制策略同样也限制了粒子的搜索范围。在TPSN问题的求解过程中，仿真初期为了增加搜索范围，粒子的初始值(路径)会尽量随机生成。由于TSPN问题的解空间维数多、结构复杂，因此随机生成的初始路径一般难有很好的适应值。这就导致如果对粒子的速度加以限制，那么粒子需要花费非常长的时间才能逐渐趋于最佳路径。但是如果为了加快搜索的速度而不对粒子的速度加以限制，那么会致使算法搜索精度下降，最终导致很容易陷入局部最优。

为了加快粒子的搜索速度，同时又不影响算法的搜索精度，在VD-PSO中引入了单亲遗传算法中的“倒序”策略。每次迭代中每个粒子通过“倒序”，对自身相关数据进行局部微调。

本发明中“倒序”指的是在某个粒子的原始维度数据按照一定的概率p把一些维度数据子串倒置次序的过程。该类型的“倒序”可以分为单点倒序和多点倒序两种方式。在本文中采用单点倒序的方式。即首先在某个长度为的粒子T(m,n_a)中随机产生两个整数n_i和n_j代表第一位置和第二位置_，然后将一个粒子的位于n_i和n_j之间的维度数据顺序进行颠倒放置，从而生成一个新的粒子。基于该方法，将第二可变维粒子群中的全部粒子所述将进行所述倒置处理，得到由所述倒置处理后的粒子构成的已倒序可变维粒子群。

本步骤通过“倒序”的方法加速最佳路线的优化过程。仿真结果表明，“倒序”策略的加入减少了大约三分之一的算法迭代次数，极大提高了粒子的搜索效率，进而减少了算法的运行时间。

本发明提供了一种移动sink信息收集路径的可变维粒子群构建方法，包括生成可变维粒子群，使用最近维度跟踪策略对可变维粒子群中粒子的维度进行更新，根据模拟退火策略对是否将可变维粒子群中的粒子实施替换进行判定，进而进行粒子维度进行合并、以及对粒子进行倒序处理，最终选取符合预设条件的最优解作为移动sink节点的最佳路径。通过在移动sink节点的路径规划中引入可变维粒子群的概念，以对可变维粒子群进行迭代优化的方式获取sink节点的信息收集路径，避免了现有技术中无法确定最优路径这一缺陷的发生，提高了移动sink节点在信息收集过程中的效率，降低了路径选择对整个无线传感器网络的信息收集工作造成影响。

基于上述内容，这里提供一种移动sink信息收集路径的可变维粒子群构建方法的典型方案，具体的如图4所示。

仿真分析

1、仿真场景

设置WSN网络的仿真区域为500m*500m的一个正方形区域。移动sink的起始点坐标设为(250,250)，假设移动sink节点的通信半径为20至100之内变化，在监测区域内随机布设50至100个传感器节点，在每个传感器节点数下分别仿真50次，获得的结果进行平均。

2、仿真结果分析

为了对本发明的性能进行评估，主要通过“路径长度”这一参数对方法进行评估。定义“路径长度”为：移动sink节点从某起始点出发经由算法获得的路径收集网络中每一个节点的信息后返回起始点位置所经过的路径的长度。算法获得的路径长度越短，代表着该算法可以在更少的时间内获得全网的信息，即表示信息获取时延更低；同时，路径长度更短，相应移动sink的运行能耗就更少、节能性更佳、系统可维护性更好；因此，路径长度是评价最佳信息收集路径问题性能的一个重要指标。

基于以上论述，从两个方面对本文算法进行评价：

(1)固定移动Sink的通信半径，然后在仿真区域中部署不同数量的传感器节点；

(2)固定部署的节点数不变，移动Sink的通信半径逐渐增长。在仿真中对3种算法的性能进行对比，“TSP”表示移动Sink的信息收集路径上的收集点位置为传感器节点的位置坐标；“COM”算法为CombinationAlgorithm算法；“VD-PSO”代表本发明提出的方法。

首先，固定移动Sink和传感器节点的通信半径为50m，在500m*500m的仿真区域中部署的节点数由50到100逐级递增，观察随着节点密度的增加本发明的算法与对比算法所产生的路径长度的变化情况。如图5所示，随着仿真场景中节点数的增加，3种算法所获得的路径长度都有相应的增长。其中TSP算法的路径长度最大，这是由于TSP算法不考虑移动Sink的通信半径，移动Sink必须要途径每一个sensor节点的位置，因此随着sensor节点数的增多，TSP的路径必然显著增长；而COM算法性能相较于TSP有了较大改进，因为COM算法考虑了移动Sink的通信半径，并且通过合并机制减少了信息收集点的数目，所以算法性能有了较大改进；从图5可以看出本发明提出的VD-PSO算法的性能优良，远强于以上两种对比算法。

其次，在相同的仿真区域中，固定部署50个sensor节点，但移动Sink的通信半径由20m逐级递增到100m。在这种设定下从图6中可以看出：显而易见由于TSP算法不考虑移动Sink节点的通信半径，此时场景中节点数不变，那么TSP算法获得的路径长度就不随节点通信半径而变化；COM算法由于考虑移动Sink的通信半径，并且随着通信半径的增大，Sink节点覆盖的面积随着增加，因此可以在合并过程中合并更多的信息收集节点，所以可以获得更好的性能；与以上2种算法相比，本发明提出的VD-PSO算法可以获得更加优秀的性能。从图6可以看出在通信半径为50m时，VD-PSO方法获得的路径长度只相当于COM结果的80％；在通信半径为100m时，VD-PSO方法获得的路径长度更只有COM算法的57％。从仿真结果可见VD-PSO方法可以获得非常优良的信息收集路径，并且在不同的场景中能够保持着相对稳定的性能优势，因此具有更加优良的性能。

上述仿真结果表明，本发明提出的方法可以有效求解WSN中的最佳信息收集路径问题，收敛速度快且稳定性良好。因此对于大规模无线传感器网络中海量节点数据采集带来的移动sink路径规划，以及对于需要多次部署的传感器网络中的移动sink路径重规划等实际问题都有着重大实践意义。

需要说明的是：上述实施例提供的一种移动sink信息收集路径的可变维粒子群构建方法进行sink节点最优路径选择的实施例，仅作为该可变维粒子群构建方法在实际应用中的说明，还可以根据实际需要而将上述可变维粒子群构建方法在其他应用场景中使用，其具体实现过程类似于上述实施例，这里不再赘述。

上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。

以上所述仅为本发明的实施例，并不用以限制本发明，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 (5)

1.一种移动sink信息收集路径的可变维粒子群构建方法，其特征在于，所述移动sink信息收集路径的可变维粒子群构建方法，包括：

步骤一，生成可变维粒子群，对所述可变维粒子群进行初始化，获取所述可变维粒子群中每个粒子的维度；

步骤二，获取所述可变维粒子群中每个所述粒子的适应值，根据所述适应值的数值大小，确定每个所述粒子的最优解以及所述可变维粒子群的历史最优解；

步骤三，使用最近维度跟踪策略对所述可变维粒子群中每个所述粒子的所述维度进行更新，获取到已更新可变维粒子群；

步骤四，根据模拟退火策略，对是否将所述可变维粒子群中的所述粒子替换为所述已更新可变维粒子群中的粒子进行判定，如果确定替换，则使用所述已更新可变维粒子群中的粒子替换所述可变维粒子群中对应位置的所述粒子，并获取所述对应位置粒子的适应值，更新所述对应位置粒子的最优解，如果确定不更换，则继续使用所述可变维粒子群中在所述对应位置的粒子，得到替换完成的第一可变维粒子群；

步骤五，从所述第一可变维粒子群中选取粒子间距小于预设间距阈值的粒子，对所述粒子的维度进行合并，得到已合并可变维粒子群，对所述已合并可变维粒子群进行如步骤四所示的处理，得到第二可变维粒子群；

步骤六，根据预设的倒序概率，对所述第二可变维粒子群中的粒子进行倒序处理，得到已倒序可变维粒子群，对所述已倒序可变维粒子群进行如所述步骤四所示的处理，得到第三可变维粒子群，确定所述第三可变维粒子群的所述历史最优解；

步骤七，如果所述第三可变维粒子群的所述历史最优解中粒子适应度的变化量小于预设适应度阈值或此时迭代次数大于预设迭代阈值，则将所述第三粒子群的所述历史最优解对应的粒子作为移动sink信息收集路径的最佳路径，否则对当前迭代次数加一，并重复所述步骤二至所述步骤六所示的处理，直至满足所述第三可变维粒子群的所述历史最优解中粒子适应度的变化量小于预设适应度阈值或迭代次数大于所述预设迭代阈值为止，将截止时的所述第三粒子群的所述历史最优解对应的粒子作为所述移动sink信息收集路径的最佳路径。

2.根据权利要求1所述的移动sink信息收集路径的可变维粒子群构建方法，其特征在于，所述使用最近维度跟踪策略对所述可变维粒子群中每个所述粒子的所述维度进行更新，获取到已更新可变维粒子群，包括：

提取所述可变维粒子群中每个所述粒子的最优解以及所述可变维粒子群的历史最优解；

从所述每个所述粒子的历史最优解中选取与所述可变维粒子群中待更新粒子当前维度最接近的维度，从所述可变维粒子群的所述历史最优解中选取与所述可变维粒子群中待更新粒子当前维度最接近的维度；

根据预设公式，结合从所述粒子的历史最优解中选取的最接近的维度以及从所述可变维粒子群历史最优解中选取的最接近的维度，对所述可变维粒子群中待更新粒子的所述维度进行更新，获取到已更新可变维粒子群。

3.根据权利要求1所述的移动sink信息收集路径的可变维粒子群构建方法，其特征在于，所述根据模拟退火策略，对是否将所述可变维粒子群中的所述粒子替换为所述已更新可变维粒子群中的粒子进行判定，包括：

从所述可变维粒子群中提取原始粒子，从所述已更新可变维粒子群中提取与所述样本粒子位置对应的样本粒子；

获取所述原始粒子的适应值以及所述样本粒子的适应值；

如果所述样本粒子的适应值小于所述原始粒子的适应值，则使用所述样本粒子替换所述原始粒子，如果所述样本粒子的适应值不小于所述原始粒子的适应值，则根据替换概率公式获取替换概率数值，并根据所述替换概率数值使用所述样本粒子替换所述原始粒子。

4.根据权利要求1所述的移动sink信息收集路径的可变维粒子群构建方法，其特征在于，所述从所述第一可变维粒子群中选取粒子间距小于预设间距阈值的粒子，对所述粒子的维度进行合并，得到已合并可变维粒子群，包括：

从所述第一可变维粒子群中选取粒子间距小于预设间距阈值的两个粒子；

根据所述两个粒子的维度，在所述两个粒子之间确定中间粒子；

将所述两个粒子替换为所述中间粒子，得到已合并可变维粒子群。

5.根据权利要求1所述的移动sink信息收集路径的可变维粒子群构建方法，其特征在于，根据预设的倒序概率，对所述第二可变维粒子群中的粒子进行倒序处理，得到已倒序可变维粒子群，包括：

提取所述第二可变维粒子群中的粒子，随机的生成第一位置和第二位置；

将位于所述第一位置和所述第二位置之间的所述粒子的维度数据进行倒置处理；

对第二可变维粒子群中的全部粒子所述将进行所述倒置处理，得到由所述倒置处理后的粒子构成的已倒序可变维粒子群。