CN105578472A - 一种基于免疫原理的无线传感网络性能在线优化规划方法 - Google Patents

Abstract

本发明公开的一种基于免疫原理的无线传感网络性能在线优化规划方法，在一个完整的无线传感网络中，用免疫原理算法获得当前无线传感网络的最优资源配置，检测无线传感网络性能是否达到最优。在对抗体进行编码后，当无线传感网络性能降低时，对无线传感网络的网络资源配置进行检测，并采用免疫原理优化算法对无线传感网络的所有资源配置进行在线优化。优化中采用抗体克隆、抗体变异、抗体优秀学习、克隆选择、抗体压缩选择和相似度过滤、抗体种群招募、抗体训练收敛使得无线传感网络获得新的资源配置，并在新的资源配置下进行工作，实现通信资源的优化分配，减小由于资源配置带来的无线传感网络性能的下降。

Description

一种基于免疫原理的无线传感网络性能在线优化规划方法

技术领域

本发明公开了一种基于免疫原理的无线传感网络性能在线优化规划方法，属于无线传感网络的技术领域。

背景技术

人工智能算法，特别是一些智能仿生算法经过几十年的发展，无论是理论上，还是工程应用方面都取得了大量的成果。目前，生物的脑神经系统、基因遗传系统、免疫系统和内分泌系统四大信息处理系统已得到学者们越来越多的关注。基于脑神经系统的人工神经网络(ArtificialNeuxalNetvsrork,ANN)和基于基因遗传系统的进化算法(EvolutionaryAlgorithm)已经得到了较深入的理论研究和工程应用。而基于生物免疫原理和机制的算法理论研究和工程应用实践尚处于发展阶段。

随着待求解的优化问题本身复杂性的不断提高，以模拟退火、遗传算法等为代表的传统人工智能优化算法由于其自身所固有的结构问题、收敛速度慢和易早熟等问题，使得其越来越难以适应一些大规模的、复杂的优化问题的要求。在这样的背景下，人们开始尝试将生物的免疫机理运用到算法中。1974年，诺贝尔奖获得者Jeme提出了免疫网络理论，为免疫计算奠定了基础。1986年，PerelsonA.S和FamerJ.D首次给出了免疫网络的数学模型，并提出了一些算法构想。1994年，美国学者Forrest等人提出了否定选择算法，并将其运用到计算机网络入侵检测和异常检测。这些学者对免疫原理算法的早期研究为如今免疫原理系统理论和工程应用的快速发展做出了不可估量的贡献。从1997年开始，IEEESystem,ManandCybernetics国际会议每年组织专门的免疫原理系统研讨会。还有GECCO(GeneticandEvolutionaryComputationConference)，CEC(CongressonEvolutionaryComputation)等国际会议也将免疫原理系统作为讨论的主题之一。许多国际期刊，如EvolutionaryComputation,IEEETransactiononEvolutionaryComputation等都将免疫原理系统作为重要议题。在2001年和2002年IEEETransactiononEvolutionaryComputation还相继出版了免疫原理系统专辑。2002年9月在英国Kent大学成功召开了第一届免疫原理系统国际学术会议ICARIS(InternationalConferenceonArtificialImmuneSystems)标志着免疫原理系统的研究发展进入了一个新的快速发展阶段。在工程应用中，在搭建无线传感网络时，用户不确定无线传感节点的采样频率大小、采样通道个数，数据包包长、节点安全时隙时间使得网络的吞吐量和有效数据的传输吞吐量达到一个均衡状态是未知的。

发明内容

本发明要解决的问题是面对大规模无线传感器网络优化这种复杂的优化组网问题尝试用免疫原理，提供了一种基于免疫原理的无线传感网络性能在线优化规划方法，实现了无线传感性能优化模型参数的快速建立。

本发明为实现上述发明目的采用如下基于免疫原理的无线传感网络性能在线优化规划方法。在一个完整的无线传感网络中，采用免疫原理算法获得当前无线传感网络的最优资源配置(数据包长、采样频率、采样通道、安全发送间隙时间)分配方案，检测无线传感网络性能(吞吐量)是否达到最优。在对抗体编码后，当无线传感网络性能降低时，对无线传感网络的网络资源配置进行检测，并采用免疫原理优化算法对无线传感网络的所有资源配置进行在线优化。优化中采用抗体克隆、抗体变异、抗体优秀学习、克隆选择、抗体压缩选择和相似度过滤、抗体种群招募、抗体训练收敛使得无线传感网络获得新的资源配置，并在新的资源配置下进行工作，实现通信资源的优化分配，减小由于资源配置带来的无线传感网络性能的下降。

一种基于免疫原理的无线传感网络性能在线优化规划方法，包括如下步骤：

A、建立免疫系统与无线传感网络的映射关系：将B细胞或T细胞映射为传感器节点，将抗体映射为传感器节点待优化参数的组合，将病原体映射为事件信息源，将抗原映射为网络吞吐量；

B、管理节点将初始化后的抗体并封装到启动命令中发给叶子节点，各信道基站启动网络所有节点并下发每种抗体以配置叶子节点；

C、各信道基站统计每种抗体的亲和度至上位机，归一化亲和度后停止所有叶子节点的工作；

D、采用考虑了抗体克隆基数的克隆方程对亲和度较高抗体以及亲和度较低抗体进行动态克隆；

E、对克隆形成的各抗体群进行变异进化操作；

F、管理节点将变异进化后的抗体群并封装到启动命令中循环发送给叶子节点；

G、多信道基站再次启动网络并陆续下发各种抗体群中的各个抗体以配置叶子节点；

H、多信道基站统计每种抗体群中每个抗体的亲和度至上位机；

I、提取各种抗体群中与抗原亲和度最大的抗体组成新抗体群；

J、对新抗体群进行压缩选择和相似度过滤处理；

K、以步骤J处理得到的抗体群以及从步骤E变异操作后抗体群中招募的样本作为下一轮变异样本，返回步骤C，下一轮变异样本中抗体群数目不超过克隆种群数的设定值。

作为所述一种基于免疫原理的无线传感网络性能在线优化规划方法的进一步优化方案，传感器节点待优化参数的组合包括如下参数：数据包包长、安全发送间隙时间、采样通道、采样频率。

进一步的，所述一种基于免疫原理的无线传感网络性能在线优化规划方法中，步骤D中所述考虑了抗体克隆基数的克隆方程为： $\left\{\begin{array}{c}{g}_i\left(t\right)=norm\left(Aff\right(A{b}_i\left(t\right)\left)\right)\\ N{c}_i(t+1)=r_1*N{c}_{\max }*g_i^n\left(t\right)+N{c}_0\end{array}\right.,$

其中，g_i(t)是第t次迭代中第i个抗体的亲和度归一化函数值，norm(·)是归一化函数，Aff(·)是亲和度函数，Ab_i(t)是第t次迭代中的第i个抗体，第t次迭代中第i个抗体Ab_i(t)以编码格式Ab_i(P,T,N,f)记录了包含：数据包包长P、安全发送间隙时间T、采样通道N、采样频率f的待优化参数组合，Nc_i(t+1)为第t次迭代中第i个抗体Ab_i(t)的克隆数，r₁是[0,1]内的随机数，Nc_max是抗体的最大克隆数，是抗体克隆因子，n是幂函数的指数，Nc₀是抗体的克隆基数。

再进一步的，所述一种基于免疫原理的无线传感网络性能在线优化规划方法中，步骤E中采用基于亲和度的受控高斯函数调节变异水平以实现对克隆形成的各抗体群进行变异操作，变异方程为：ΔAb_i(t+1)是父抗体与子抗体之间的变异值，γ是变异倍数，η是控制因子。

更进一步的，所述一种基于免疫原理的无线传感网络性能在线优化规划方法中，步骤E采用基于抗体亲和度的学习策略进化抗体：

当第t次迭代中第i个抗体Ab_i(t)是全局最佳抗体Ab_g(t)时，Ab_i(t+1)＝Ab_i(t)+[ΔAb_i(t+1)]；

否则，Ab_i(t+1)＝Ab_i(t)+[c₁ΔAb_i(t+1)]+[c₂ΔAb_i ^*(t+1)]；

其中，Ab_i(t+1)是第t+1次迭代中第i个抗体，是第t+1次迭代中第i个抗体的学习信息，c₁和c₂分别是亲和度学习因子和优秀学习因子，c₁+c₂＝1，[·]表示取整运算。

作为所述一种基于免疫原理的无线传感网络性能在线优化规划方法的进一步优化方案，步骤J所述压缩选择和相似度过滤处理具体为：以淘汰P_s％相似抗体为目标设定抑制阀值Th_s：Th_s＝min{D_ij,i≠j}+P_s％*(max{D_ij,i≠j}-min{D_ij,i≠j})，D_ij为第t次迭代中第i个抗体Ab_i(t)和第j个抗体Ab_j(t)之间的欧氏距离。

作为所述一种基于免疫原理的无线传感网络性能在线优化规划方法的进一步优化方案，当整个迭代过程中亲和度到达根据亲和度最大值设定的阈值时，结束迭代。

本发明采用上述技术方案，具有以下有益效果：

(1)采用本发明公开的无线传感网络性能在线优化规划方法，可以快速建立无线传感在线性能优化学习模型的参数，实现通信资源的优化分配，减小由于资源配置带来的无线传感网络性能的下降；

(2)用户在不确定一个网络中节点的采样频率大小、采样通道个数、数据包包长、安全发送间隙时间的情况下，通过本发明公开的方法优化出以上四个参数的最优配置，使得网络在某个应用场景下的吞吐量和有效数据的传输吞吐量达到一个最佳状态。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1为基于免疫原理的无线传感网络性能在线优化规划系统框图；

图2为基于免疫原理的无线传感网络性能在线优化规划抗体编码格式示意图；

图3为节点之间数据安全发送间隙时间示意图；

图4为基于免疫原理的无线传感网络性能在线优化规划算法流程图；

图5为无线传感网络在线优化嵌入算法流程图；

图6为网络吞吐量与信道个数关系图；

图7为网络吞吐量与数据包长关系图；

图8为网络吞吐量与采样频率的关系图。

具体实施方式

下面详细描述本发明的实施方式，下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本领域的技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有本发明所属技术领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

1、在一个完整的无线传感网络中，根据节点的采样频率、节点的采集通道、节点之间的安全发送间隙时间、数据包包长等数据信息，利用免疫优化算法可获得当前无线传感网络系统的最优资源分配方案，即确定每个节点特定的采样频率、采集通道、安全发送间隙时间(即为图1中节点间安全时隙)、数据包包长(即为图1中采样包长)。无线传感网络中的基站将资源分配方案通过通信资源分配到每个节点上，每个节点在获得资源分配方案后将方案参数配置给自身。当无线传感网络性能降低时，算法对无线传感网络的网络资源配置进行检测，并采用免疫原理优化算法对无线传感网络的所有资源配置进行在线优化，使得无线传感网络获得新的资源配置，并在新的资源配置下进行工作，实现通信资源的优化分配，减小由于资源配置带来的无线传感网络性能的下降，如图1所示。

2、采用免疫原理算法获得当前无线传感网络的最优资源配置之前，建立免疫原理算法和无线传感网络的映射关系如表1所示，B或T细胞映射为传感器节点，抗体映射为采样通道、采样频率，节点个数、数据包长组合，病原体映射为事件信息源，抗原映射为网络吞吐量，抗体死亡映射为网络吞吐量过低，亲和度映射为网络吞吐量上升。

免疫系统	无线传感网络
		B或T细胞	传感器节点
抗体	采样通道、采样频率，节点个数、数据包长
		病原体	事件信息源
抗原	网络吞吐量
		抗体死亡	网络吞吐量过低
亲和度	网络吞吐量上升

表1

3、在无线传感网络性能优化规划方案中，免疫算法可作为智能优化工具对无线传感网络的资源配置参数进行规划调度。在利用免疫算法解决无线传感网络的资源配置过程中，可对无线传感网络待优化的参数(采样频率、采集通道、安全发送间隙时间、数据包包长)进行抗体编码，具体的抗体编码格式如图2所示。在图2中，P为数据包包长，T为安全发送时隙时间，N为采集通道，f为采样频率经过抗体初始化后，测试出每个抗体的亲和度并进行排序，得到最大的亲和度。在免疫算法中，抗体主要经历几个操作，即克隆、变异、优秀学习。其中多个节点之间发送数据到基站，为了防止数据包冲突，每个节点之间需要一定的安全发送间隙时间，如图3所示。

4、在抗体的克隆操作中，亲和度较高的抗体个体将参与克隆运算。这里采用基于亲和力的克隆，幂函数用来控制抗体的克隆水平。为了鼓励亲和力较低的抗体参与克隆,特别地增加一个克隆基数。因此，完整的抗体克隆方程可描述如下：

$\left\{\begin{array}{c}{g}_i\left(t\right)=norm\left(Aff\right({\mathrm{Ab}}_i\left(t\right)\left)\right)\\ {\mathrm{Nc}}_i(t+1)=r_1*{\mathrm{Nc}}_{\max }*g_i^n\left(t\right)+{\mathrm{Nc}}_0\end{array}\right.---\left(1\right),$

式(1)中，g_i(t)是第t次迭代中第i个抗体的亲和度归一化函数值，norm(·)是归一化函数，Aff(·)是亲和度函数，Ab_i(t)是第t次迭代中的第i个抗体，第t次迭代中第i个抗体Ab_i(t)以编码格式Ab_i(P,T,N,f)记录了包含：数据包包长P、安全发送间隙时间T、采样通道N、采样频率f的待优化参数组合，Nc_max是抗体的最大克隆数，r₁是[0,1]内的随机数，n是幂函数的指数，Nc₀是抗体的克隆基数，Nc_i(t+1)是抗体Ab_i(t)的克隆数，为抗体克隆因子。

5、在抗体的变异操作中，使用基于亲和力的高斯函数exp(-aff)/β来调节抗体的变异水平，如图4所示。当亲和力值较大时，变异效果不是很明显，本申请将选用基于亲和力的受控高斯函数来调节抗体变异。定义抗体变异方程为：

${\mathrm{\ΔAb}}_i(t+1)=\mathrm{\γ}*\exp (-\frac{g_i\left(t\right)}{\mathrm{\η}})---\left(2\right),$

式(2)中，η是控制因子，γ是变异倍数，ΔAb_i(t+1)是父抗体与子抗体之间的变异值。若η越大，则变异水平越高，控制因子η的选择对免疫算法的进化效率有很大影响。

6、在抗体的优秀学习中，一个进化后的子抗体，不仅承载有来自父抗体的变异信息，还注重向群体中最佳抗体学习信息，即：

${\mathrm{\ΔAb}}_i^{*}(t+1)={\mathrm{Ab}}_g\left(t\right)-{\mathrm{Ab}}_i\left(t\right)={\mathrm{Ab}}_g(P,T,N,f)-{\mathrm{Ab}}_i(P,T,N,f)---\left(3\right),$

式(3)中，Ab_g(t)是全局最佳抗体，是第t+1代中第i个抗体的学习信息，如图4所示。在变异操作中，优秀抗体和非优秀抗体需要区别对待。对于优秀抗体，根据亲和力执行优秀保持及亲和力学习策略；而对于非优秀抗体，除了执行优秀保留及亲和力学习策略外，还要执行优秀学习策略。因而，抗体的进化可按下式进行：

当Ab_g(t)＝Ab_i(t)时，

Ab_i(t+1)＝Ab_i(t)+[ΔAb_i(t+1)](4)，

当Ab_g(t)≠Ab_i(t)时，

Ab_i(t+1)＝Ab_i(t)+[c₁ΔAb_i(t+1)]+[c₂ΔAb_i ^*(t+1)](5)，

式(4)和式(5)中，权重系数c₁和c₂分别用来平衡ΔAb_i(t+1)和ΔAb_i ^*(t+1)对抗体进化的贡献，[·]表示取整，Ab_g(t)是当前拥有全局最大亲和力的抗体，Ab_i(t+1)是抗体Ab_i(t)的子抗体，c₁和c₂是加权因子，即亲和力学习因子和优秀学习因子，满足约束条件：c₁+c₂＝1。

从公式可知，新的候选抗体由三部分组成：父抗体信息，亲和力学习信息，优秀学习信息。为了加快算法的搜索速度，需要在加大c₂而减小c₁之间掌握好平衡。优秀学习后，再将每种抗体的亲和度计算出来重新进行排序。

7、在克隆选择操作中，找到所有抗体群中与抗原的亲和度最大的抗体并提取出来，这样会形成一个新的抗体群，如图4所示，新的抗体群为：

S＝{Ab′₁,Ab′₂,...,Ab′_N}(6)。

8、在抗体压缩选择和相似度过滤中，压缩抑制阀值与抗体群的相似度成正比例，其目标是淘汰P_s％的相似抗体，如图4所示。设Th_s是抑制阀值，当采用欧式距离D_ij表示第t次迭代中第i个抗体Ab_i(t)和第j个抗体Ab_j(t)之间的距离，抑制阀值Th_s可表示为：

Th_s＝min{D_ij,i≠j}+P_s％*(max{D_ij,i≠j}-min{D_ij,i≠j})(7)，

该抑制阀值将将随着抗体群的相似程度而动态地调整，从而可以避免定值阀值的机械性，增强算法对问题的适应性。

9、在抗体种群招募中，经过压缩选择后的抗体群作为下一轮变异样本，同时将变异的N_ini种变异抗体群中再招募P_N％样本也加入下一轮到样本训练中，P_N％的大小和克隆后种群个数有关，克隆后的种群个数是固定的，以后招募的抗体群个数加上原有的抗体群个数不能超过原有设定的克隆的种群个数，如图3所示。

10、在抗体训练中，设置一个迭代变异阈值，整个迭代过程中亲和度到达max{Aff(Ab_t(P,T,N,f)}的某个百分比阈值时，算法结束，如图4所示。

无线传感网络在线优化嵌入算法流程图如图5所示。系统产生N_ini个抗体，将抗体输入到管理节点中。管理节点将N_ini个抗体都输入到叶子节点中然后启动网络所有节点，每种抗体下多信道基站会统计网络吞吐量给上位机，每个抗体的吞吐量就是抗体亲和度大小，再将亲和度进行归一化并停止所有网络节点工作。上位机根据式(1)所示克隆方程选择每个抗体的克隆个数，然后上位机采用式(4)及式(5)所示精英学习方程和式(2)所示抗体变异方程对每个克隆后的抗体进行变异操作，然后上位机将变异后的抗体循环输入到多信道基站。多信道基站再一次启动网络并陆续下发所有抗体配置到网络节点中，把每一次抗体配置到网络并统计网络的亲和度大小。网络将每种抗体群中所有的抗体的亲和度的统计到上位机中。上位机根据亲和度大小找到每种抗体群中与抗原的亲和度最大的抗体，并筛选出来形成一个式(6)所示新的抗体群，然后计算抗体群中所有抗体的欧式距离，得到最大的欧式距离和最小的欧式距离，然后根据式(7)所示抗体压缩选择和相似度过滤原则淘汰掉相似抗体。上位机经过压缩选择后的抗体群作为下一轮变异样本，同时在变异抗体群中再招募新的样本也加入到下一轮样本训练中，然后进行循环迭代。当整个迭代过程到达max{Aff(Ab_t(P,T,N,f)}的某个百分比阈值时，算法结束，并停止所有节点工作。

图6给出了采用该机制的网络吞吐量特性与信道个数的关系图，图7给出了采用该机制的网络吞吐量特性与数据包长的关系图，图8给出了采用该机制的网络吞吐量特性与节点采样频率的关系图。可见，用户在不确定一个网络中节点的采样频率大小、采样通道个数、数据包包长、安全发送间隙时间的情况下，通过本发明公开的方法优化出以上四个参数的最优配置，使得网络在某个应用场景下的吞吐量和有效数据的传输吞吐量达到一个最佳状态。

Claims (7)

1.一种基于免疫原理的无线传感网络性能在线优化规划方法，其特征在于，包括如下步骤：

A、建立免疫系统与无线传感网络的映射关系：将B细胞或T细胞映射为传感器节点，将抗体映射为传感器节点待优化参数的组合，将病原体映射为事件信息源，将抗原映射为网络吞吐量；

B、管理节点将初始化后的抗体并封装到启动命令中发给叶子节点，各信道基站启动网络所有节点并下发每种抗体以配置叶子节点；

C、各信道基站统计每种抗体的亲和度至上位机，归一化亲和度后停止所有叶子节点的工作；

D、采用考虑了抗体克隆基数的克隆方程对亲和度较高抗体以及亲和度较低抗体进行动态克隆；

E、对克隆形成的各抗体群进行变异进化操作；

F、管理节点将变异进化后的抗体群并封装到启动命令中循环发送给叶子节点；

G、多信道基站再次启动网络并陆续下发各种抗体群中的各个抗体以配置叶子节点；

H、多信道基站统计每种抗体群中每个抗体的亲和度至上位机；

I、提取各种抗体群中与抗原亲和度最大的抗体组成新抗体群；

J、对新抗体群进行压缩选择和相似度过滤处理；

K、以步骤J处理得到的抗体群以及从步骤E变异操作后抗体群中招募的样本作为下一轮变异样本，返回步骤C，下一轮变异样本中抗体群数目不超过克隆种群数的设定值。

2.根据权利要求1所述一种基于免疫原理的无线传感网络性能在线优化规划方法，其特征在于，所述传感器节点待优化参数的组合包括如下参数：数据包包长、安全发送间隙时间、采样通道、采样频率。

3.根据权利要求2所述一种基于免疫原理的无线传感网络性能在线优化规划方法，其特征在于，步骤D中所述考虑了抗体克隆基数的克隆方程为： $\left\{\begin{array}{c}{g}_i\left(t\right)=norm\left(Aff\right(A{b}_i\left(t\right)\left)\right)\\ N{c}_i(t+1)=r_1*N{c}_{max}*g_i^n\left(t\right)+N{c}_0\end{array}\right.,$

其中，g_i(t)是第t次迭代中第i个抗体的亲和度归一化函数值，norm(·)是归一化函数，Aff(·)是亲和度函数，Ab_i(t)是第t次迭代中的第i个抗体，第t次迭代中第i个抗体Ab_i(t)以编码格式Ab_i(P,T,N,f)记录了包含：数据包包长P、安全发送间隙时间T、采样通道N、采样频率f的待优化参数组合，Nc_i(t+1)为第t次迭代中第i个抗体Ab_i(t)的克隆数，r₁是[0,1]内的随机数，Nc_max是抗体的最大克隆数，是抗体克隆因子，n是幂函数的指数，Nc₀是抗体的克隆基数。

4.根据权利要求3所述一种基于免疫原理的无线传感网络性能在线优化规划方法，其特征在于，步骤E中采用基于亲和度的受控高斯函数调节变异水平以实现对克隆形成的各抗体群进行变异操作，变异方程为：ΔAb_i(t+1)是父抗体与子抗体之间的变异值，γ是变异倍数，η是控制因子。

5.根据权利要求4所述一种基于免疫原理的无线传感网络性能在线优化规划方法，其特征在于，步骤E采用基于抗体亲和度的学习策略进化抗体：

当第t次迭代中第i个抗体Ab_i(t)是全局最佳抗体Ab_g(t)时，Ab_i(t+1)＝Ab_i(t)+[ΔAb_i(t+1)]；

否则，Ab_i(t+1)＝Ab_i(t)+[c₁ΔAb_i(t+1)]+[c₂ΔAb_i ^*(t+1)]；

其中，Ab_i(t+1)是第t+1次迭代中第i个抗体，是第t+1次迭代中第i个抗体的学习信息，c₁和c₂分别是亲和度学习因子和优秀学习因子，c₁+c₂＝1，[·]表示取整运算。

6.根据权利要求1所述一种基于免疫原理的无线传感网络性能在线优化规划方法，其特征在于，步骤J所述压缩选择和相似度过滤处理具体为：以淘汰P_s％相似抗体为目标设定抑制阀值Th_s：Th_s＝min{D_ij,i≠j}+P_s％*(max{D_ij,i≠j}-min{D_ij,i≠j})，D_ij为第t次迭代中第i个抗体Ab_i(t)和第j个抗体Ab_j(t)之间的欧氏距离。

7.根据权利要求1所述一种基于免疫原理的无线传感网络性能在线优化规划方法，其特征在于，当整个迭代过程中亲和度到达根据亲和度最大值设定的阈值时，结束迭代。