CN105898768A - 一种基于拥挤度和隔离度因子的改进粒子群优化方法 - Google Patents

Abstract

本发明公开了一种基于数据驱动的优化方法，用于改进优化全局性能和优化收敛速度和精度。本发明通过引入拥挤度因子σ′和隔离度因子isolation，利用它们之间有一定的相关性，通过实验以及综合敛散性确定两参数的取值范围如下：

Description

一种基于拥挤度和隔离度因子的改进粒子群优化方法

技术领域

本发明涉及一种针对无线传感网自组织部署改进的优化方法。

背景技术

合理有效的节点部署方案可以大大减少网络搭建时间，快速覆盖目标区域，而且通过协调控制还可以延长网络寿命，适应变化的拓扑结构.如果网络具有了自组织能力，也就可以根据需要使网络分散、汇聚、自我识别和最大化监测范围.采用简单高效的优化方法尤为重要。网络的自组织需要解决的优化问题是：一簇在一定区域随机分布的传感器，如何控制它们在较短的时间内，进行自组织，使传感器网络的覆盖范围最大化，且各传感器达到均匀分布.粒子群方法是一种高度并行的随机化搜索的自适应的组合优化算法。该算法不需要求导或其他辅助知识，只是通过影响搜索方向的目标函数和相应的适应度函数来寻求最优解。在许多领域得到了应用。该算法计算量大、容易陷入局部最优的缺点一直是改进的方向。

发明内容

本专利提出了一种基于拥挤度因子和隔离度因子的改进粒子群算法(IPSO)，当粒子和当前极值之间满足式(1)所示关系时，即粒子位于最优位置P_g为中心，σ′为半径的圆周内的时候，则粒子计数器count加一，当count满足式(2)的时候，对剩下的粒子进行重新初始化，其中σ′为拥挤度因子，isolation为隔离度因子，popsize为种群。

||p_gj(t)-x_ij(t)||≤σ′ (1)

$\mathrm{count}>\frac{\mathrm{popsize}}{\mathrm{isolation}}---\left(2\right)$

当isolation固定，σ′越大，则count越多，则粒子会越早的进行重新初始化，导致前馈过度，粒子种群没有很好的收敛；σ′越小，则count越少，则式(2)很难满足，粒子群仍然为标准粒子群，算法失效。

当σ′固定，isolation越大，越小，同样粒子群没有很好的收敛，isolation越小，越大，同样算法失效。综上所述，σ′和isolation有一定的相关性。通过实验以及综合敛散性确定两参数的取值范围如下：

$\left\{\begin{array}{c}{\mathrm{\&sigma;}}^{\text{'}}=(V_{\max }-V_{\min })/N;2000<N<20000\\ 2<\mathrm{isolation}<5\\ \mathrm{isolation}\&times;N<50000\end{array}\right.---\left(3\right)$

在本算法中，由于有仍然保持在局部极值附近，即X(t)的维数由原来的popsize下降到因此算法依然收敛，同时由于个粒子重新初始化所带来的扰动影响，使得P_g变化增加，从而改进了粒子群优化算法精度和速度并避免了局部最优。具体方法如下：

①对微粒的假设：由于是在二维平面上进行传感器网络的自组织，所以设x_i＝(x_i1，x_i2，…，x_im)、y_i＝(y_i1，y_i2，…，y_im)i＝1，2，…，n为微粒群中第i个微粒的位置向量.其中，m表示一簇传感器中节点的数量；n表示微粒群的规模，即：微粒群中有n个微粒；x_i和y_i分别表示第i个微粒位置的横坐标和纵坐标.

再设v_xi＝v_xi2，v_xi2，…，v_xim)v_yi＝(v_yi1，v_yi2，…，v_yim)分别是微粒i沿x和y方向上的速度向量；p_xi＝(p_xi1，p_xi2，…，p_xim)、p_yi＝(p_yi1，p_yi2，…，p_yim)是微粒i在优化过程中所经过的具有最好适应值的位置的横纵坐标；p_xg＝(p_xg1，p_xg2，…，p_xgm)、p_yg＝(p_yg1，p_yg2，…，p_ygm)是整个粒子群搜索到的最优位置的横纵坐标.其中，m、n的含义与上面相同.

②微粒的初始化：根据前面所讨论的网络自组织模型，节点一般围绕簇头进行自组织配置.又因为节点间通信的需要，所以，在微粒初始化时，把节点初始化在以簇头为圆心，以1为半径的圆内.这样的初始化，表示自组织网络中的传感器起初是围绕簇头随机配置的.

③适应度的计算：设各个节点间距离的和为：在本文所讨论的网络自组织模型中，一簇传感器在某个区域内进行自组织配置，是先由簇头带领该簇移动节点进入此区域，然后围绕簇头在此区域内进行自组织配置，所以簇头一般位于网络的中心，其它传感器作为它的一跳节点.因此，所使用的适应度函数为：其中，d_ij是节点i与节点j之间的距离，D_k是除簇头以外的k个节点到簇头的距离，m的含义仍同上.经过变化后，适应度函数表示的是节点到除簇头以外其它节点的距离和，这样取适应度函数，减少了优化目标，能够使网络的自组织更加迅速.

④速度和位置的改进进化方程：由于基本粒子群算法易于陷入局部最优，所以有必要对其进行改进.在优化前期，为了使微粒能够以较大的速度接近最优位置；在优化后期，为了不使微粒速度过大脱离最优位置，按照发明方法对基本微粒群算法的速度和位置进化进行改进。

Claims (2)

1.引入拥挤度因子σ′和隔离度因子isolation，利用它们之间有一定的相关性，通过实验以及综合敛散性确定两参数的取值范围如下：

$\left\{\begin{array}{c}{\mathrm{\&sigma;}}^{\&prime;}=(V_{\max }-V_{\min })/N;2000<N<20000\\ 2<\mathrm{isolation}<5\\ \mathrm{isolation}\&times;N<50000\end{array}\right.$

2.利用权力要求1，在无线传感器网络部署中取得优化应用。