CN106162663B - 一种基于改进蜂群算法的传感节点覆盖方法 - Google Patents
一种基于改进蜂群算法的传感节点覆盖方法 Download PDFInfo
- Publication number
- CN106162663B CN106162663B CN201510117476.8A CN201510117476A CN106162663B CN 106162663 B CN106162663 B CN 106162663B CN 201510117476 A CN201510117476 A CN 201510117476A CN 106162663 B CN106162663 B CN 106162663B
- Authority
- CN
- China
- Prior art keywords
- bee
- honeybee
- indicate
- source
- gathering honey
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于改进蜂群算法的传感节点覆盖方法,对传感区域的节点不同布局构建不同初始点的蜂群个体,以蜂群个体的区域覆盖率为优化目标函数,在搜索过程中将学习因子异步变化思想整合到传统蜂群算法中,充分利用搜索过程蜂群的历史信息和全局信息引导搜索群体跳出局部最优,从而大大提高了优化搜索效率和性能,避免算法早熟收敛,实现传感网络节点的智能布局优化。
Description
技术领域
本发明涉及一种无线传感器网络节点覆盖方法,尤其是一种基于改进蜂群算法的传感节点覆盖方法,属于无线通信与智能的技术领域。
背景技术
无线传感器网络的各种应用中网络覆盖是一个基本问题。为了达到预期的网络覆盖率要求,传统的方法是利用大规模部署静态节点,但过多的节点容易引起通信冲突;而利用移动传感器节点可以改善这种状况,考虑到移动节点的成本问题,如何优化移动节点位置并通过有限节点实现覆盖范围的最大化成为一个值得研究的领域。近年来,已涌现出许多将节点布局问题与优化算法结合的智能优化算法,如粒子群算法、遗传算法、模拟退火算法等,这些方法均能够提高网络覆盖率。
本发明将提供一种基于改进蜂群算法的传感节点覆盖方法。蜂群算法(ABC)是一种模拟群体蜜蜂觅食特性的智能优化算法,具有参数设置简单、易于实现的特点,得到了广泛关注。与遗传算法、粒子群算法等智能计算方法相比,该算法的突出优点是每次迭代中都进行全局和局部搜索,因而找到最优解的概率大大增加,并在较大程度上避免了局部最优。
发明内容
本发明的目的是在传统蜂群算法的跟随蜂的食物源更新方案中引入遗忘因子和变学习因子,提出一种基于带学习因子蜂群优化算法的移动传感网节点覆盖方法,其计算复杂度低,具有高效搜索和全局搜索的能力,能达到实现最佳空间覆盖的效果。
按照本发明提供的技术方案,所述基于改进蜂群算法的传感节点覆盖方法包括如下步骤:
Step 1:初始化蜂群规模N,采蜜蜂种群规模为Ne,跟随蜂种群规模为Nf,初始迭代k=1,蜂群进化代数M;随机生成由N个蜜蜂组成的初始搜索群体{S1,…,SN},每只蜜蜂(个体)代表一种D个传感节点位置分布方案(这里,Si=(si1,…,siD),i=1,2…,N,t=1,2…,D,sid=(xid,yid)表示第i个搜索个体中第d个传感器的坐标);D个传感器节点分布于二维平面监测区域Q内,将二维平面监测区域数字离散化为a×b个格点,每个格点坐标用Aj(xj,yj),j=1,2,…,ab表示,xj,yj分别表示格点Aj在监测区域的横、纵坐标。
Step 2:利用公式Ri(Si)=∑jρj(Si)/(a×b)(j=1,…,ab,i=1,…,N)计算每只蜜
蜂的网络覆盖率,其中:表示传感节点sid与格点Aj之间距离不大于感知半
径为m的概率;d(Aj,sid)表示传感节点sid与格点Aj之间距离。
Step 3:按照种群适应度大小,将蜜蜂分为采蜜蜂和跟随蜂。
Step 4:更新采蜜蜂蜜源。对于每只采蜜蜂,在原蜜源附近采蜜,按下式
vid=sid+r(sid-shd)
产生新的蜜源,并计算其适应度值,式中i,h=1,2…,N,h≠i,j=1,2…,D,r是[-1,1]之间的随机数,若其适应度值更高,则取代原蜜源;否则放弃此蜜源。
Step 5:更新跟随蜂的状态。对于每只跟随蜂,按照与采蜜蜂种群适应度值成比例的的概率选择一个采蜜蜂,并在其邻域内根据下式
vid=λxid+c1r1(pid-xid)+c2r2(gd-xid)
产生新的蜜源,式中λ是遗忘因子,表示搜索下一个蜜源时对当前蜜源的记忆强度,pid表示每只蜜蜂自身的历史最好位置,即个体极值,gd表示所有蜜蜂的历史最好位置,即全局最优解,r1和r2是[-1,1]之间的随机数,c1,c2表示学习因子,c1=1/(1+k0.25),c2=k/M,用于调整蜜蜂自身经验和社会群体经验在整个寻优过程中所起的作用的参数。若新产生的蜜源适应度值更高,则跟随蜂变成采蜜蜂,并取代原蜜源位置。
Step 6:记录种群最终更新后的个体极值、全局最优解以及最优适应度值。
Step 7:记录每只采蜜蜂觅食同一蜜源的次数,当觅食同一蜜源的次数超过临界阈值时,该采蜜蜂退化为跟随蜂,并重新随机初始化其位置。
Step 8:如果满足终止条件,则停止计算并输出最优网络覆盖率及相应的参数Sbest;否则,k:=k+1,转Step 2。
其中,
所述Step 1中,初始化蜂群规模N需要根据具体的问题规模进行设定;个体向量的维数大小D就是网络覆盖区域传感节点个数。
所述Step 5中,为了使蜜蜂充分利用邻域个体的搜索信息从而更好地寻找全局最优点,遗忘因子λ在下一蜜源搜索过程中以动态下降方式调整;
所述Step 5中,学习因子c1,c2采用异步变化方式调整,在优化初期,采用较大的c1值和较小的c2值,使蜜蜂尽量发散到搜索空间,扩大搜索范围和增加种群的多样性;在优化后期,采用较小的c1值和较大的c2值,有利于收敛到全局最优解。
本发明与已有技术相比具有以下优点:本发明将遗忘因子和学习因子异步变化思想整合到蜂群算法中,增强了蜂群的自适应优化能力,避免了算法早熟收敛,提高了优化搜索效率和性能,使搜索个体能容易跳出局部最优,增强算法的全局搜索能力。利用本发明蜂群算法来优化移动传感节点的位置,可以有效提高传感网络覆盖率。
附图说明
图1是基于本发明方法的无线传感器网络节点覆盖方法流程图。
图2是优化前随机投放的传感节点位置分布图。
图3是基于本发明算法优化后传感节点位置分布图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
在使用本发明所涉及无线传感器网络节点覆盖方法时,考虑一个二维平面监测区域Q,将其数字离散化为a×b个格点,目标传感节点在该区域上参数相同的传感器节点数目为D,每个节点的坐标均已知,感知半径均为m。传感器节点集表示S={s1,s2,…,sD},格点Aj(xj,yj)(xj,yj分别表示格点Aj在监测区域的横、纵坐标,j=1,2,…,ab)被sd所覆盖的事件发生的概率ρj(Aj,sd,m)表示为
其中:d(Aj,sd)表示传感节点sd与格点Aj之间距离。对于具体的二维平面区域覆盖问题,可以将目标区域离散为许多格点,用所有格点被传感器节点覆盖的覆盖率来代表目标区域的区域覆盖率,从而将区域覆盖率的问题转换为点覆盖问题。节点集S的区域覆盖率为R(S)=∑jρj(S)/(a×b)(j=1,…,ab),即R(S)为节点集S的覆盖面积与监测区域Q的总面积之比,其中,ρj(S)为第j个格点对节点集的联合测量概率。
区域覆盖率的计算步骤如下:
(a)、计算第j个格点对每个传感器节点的覆盖率。
(b)、计算第j个格点对传感器节点集合S的联合覆盖率ρj(S)。
(c)、重复步骤(a)和(b)计算监测区域每一个格点对传感器节点集S的联合覆盖率。
(d)、根据式R(S)=∑jρj(S)/(a×b)计算传感器节点集S的区域覆盖率R(S),并将R(S)作为耦合模拟退火覆盖优化算法的优化目标函数。
如图1所示,实现本发明无线传感器网络节点覆盖方法包括如下步骤:
步骤1:初始化蜂群规模N=30,采蜜蜂种群规模为Ne=15,跟随蜂种群规模为Nf=15,初始迭代k=1,蜂群进化代数M=500;随机生成由N个蜜蜂组成的初始搜索群体{S1,…,SN},每只蜜蜂(个体)代表一种D个传感节点位置分布方案(这里,Si=(si1,…,siD),i=1,2…,N,t=1,2…,D,sid=(xid,yid)表示第i个搜索个体中第d个传感器的坐标);D个传感器节点分布于二维平面监测区域Q内,将二维平面监测区域数字离散化为a×b个格点,每个格点坐标用Aj(xj,yj),j=1,2,…,ab表示,xj,yj分别表示格点Aj在监测区域的横、纵坐标。
步骤2:利用公式Ri(Si)=∑jρj(Si)/(a×b)(j=1,…,ab,i=1,…,N)计算每只蜜
蜂的网络覆盖率,其中:表示传感节点sid与格点Aj之间距离不大于感知半
径为m的概率;d(Aj,sid)表示传感节点sid与格点Aj之间距离。
步骤3:按照种群适应度大小,将蜜蜂分为采蜜蜂和跟随蜂。
步骤4:更新采蜜蜂蜜源。对于每只采蜜蜂,在原蜜源附近采蜜,按下式
vid=sid+r(sid-shd)
产生新的蜜源,并计算其适应度值,式中i,h=1,2…,N,h≠i,j=1,2…,D,r是[-1,1]之间的随机数,若其适应度值更高,则取代原蜜源;否则放弃此蜜源。
步骤5:更新跟随蜂的状态。对于每只跟随蜂,按照与采蜜蜂种群适应度值成比例的的概率选择一个采蜜蜂,并在其邻域内根据下式
vid=λxid+c1r1(pid-xid)+c2r2(gd-xid)
产生新的蜜源,式中λ=0.98是遗忘因子,表示搜索下一个蜜源时对当前蜜源的记忆强度,pid表示每只蜜蜂自身的历史最好位置,即个体极值,gd表示所有蜜蜂的历史最好位置,即全局最优解,r1和r2是[-1,1]之间的随机数,c1,c2表示学习因子,c1=1/(1+k0.25),c2=k/M,用于调整蜜蜂自身经验和社会群体经验在整个寻优过程中所起的作用的参数。若新产生的蜜源适应度值更高,则跟随蜂变成采蜜蜂,并取代原蜜源位置。
步骤6:记录种群最终更新后的个体极值、全局最优解以及最优适应度值。
步骤7:记录每只采蜜蜂觅食同一蜜源的次数,当觅食同一蜜源的次数超过临界阈值时,该采蜜蜂退化为跟随蜂,并重新随机初始化其位置。
步骤8:如果满足终止条件,则停止计算并输出最优网络覆盖率及相应的参数Sbest;否则,k:=k+1,转步骤2。
下面通过一个仿真实验来说明本发明的具体实施方式,并对发明的算法进行测试。设传感节点监测区域Q为一个30m×30m的区域,随机投放D=30个无线传感器,每个传感器的传感半径m=3。为了方便,将区域划分成a×b=30×30的栅格,利用上述本发明提出的算法进行覆盖优化,图2和图3显示了覆盖优化结果。在优化过程第1代时,网络初始覆盖率为61.9%,见图2所示;通过本发明优化方法,网络覆盖率可达到85.5%,见图3所示。由此可见,利用本发明设计的算法可较好地实现传感节点的区域覆盖。
Claims (1)
1.一种基于改进蜂群算法的传感节点覆盖方法,其特征是,该方法包括如下步骤:
(1)、初始化蜂群规模N,采蜜蜂种群规模为Ne,跟随蜂种群规模为Nf,初始迭代k=1,蜂群进化代数M;随机生成由N个蜜蜂组成的初始搜索群体{S1,…,SN},每只蜜蜂个体代表一种D个传感节点位置分布方案,这里,Si=(si1,…,siD),i=1,2…,N,t=1,2…,D,sid=(xid,yid)表示第i个搜索个体中第d个传感器的坐标;D个传感器节点分布于二维平面监测区域Q内,将二维平面监测区域数字离散化为a×b个格点,每个格点坐标用Aj(xj,yj),j=1,2,…,ab表示,xj,yj分别表示格点Aj在监测区域的横、纵坐标;
(2)、利用公式
Ri(Si)=∑jρj(Si)/(a×b)(j=1,…,ab,i=1,…,N)
计算每只蜜蜂的网络覆盖率,其中:
表示传感节点sid与格点Aj之间距离不大于感知半径为m的概率;d(Aj,sid)表示传感节点sid与格点Aj之间距离;
(3)、按照种群适应度大小,将蜜蜂分为采蜜蜂和跟随蜂;
(4)、更新采蜜蜂蜜源;对于每只采蜜蜂,在原蜜源附近采蜜,按下式
vid=sid+r(sid-shd)
产生新的蜜源,并计算其适应度值,式中i,h=1,2…,N,h≠i,j=1,2…,D,r是[-1,1]之间的随机数,若其适应度值更高,则取代原蜜源;否则放弃此蜜源;
(5)、更新跟随蜂的状态;对于每只跟随蜂,按照与采蜜蜂种群适应度值成比例的的概率选择一个采蜜蜂,并在其邻域内根据下式
vid=λxid+c1r1(pid-xid)+c2r2(gd-xid)
产生新的蜜源,式中λ是遗忘因子,表示搜索下一个蜜源时对当前蜜源的记忆强度,pid表示每只蜜蜂自身的历史最好位置,即个体极值,gd表示所有蜜蜂的历史最好位置,即全局最优解,r1和r2是[-1,1]之间的随机数,c1,c2表示学习因子,c1=1/(1+k0.25),c2=k/M,用于调整蜜蜂自身经验和社会群体经验在整个寻优过程中所起的作用的参数;若新产生的蜜源适应度值更高,则跟随蜂变成采蜜蜂,并取代原蜜源位置;
(6)、记录种群最终更新后的个体极值、全局最优解以及最优适应度值;
(7)、记录每只采蜜蜂觅食同一蜜源的次数,当觅食同一蜜源的次数超过临界阈值时,该采蜜蜂退化为跟随蜂,并重新随机初始化其位置;
(8)、如果满足终止条件,则停止计算并输出最优网络覆盖率及相应的参数Sbest;否则,k:=k+1,转(2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510117476.8A CN106162663B (zh) | 2015-03-16 | 2015-03-16 | 一种基于改进蜂群算法的传感节点覆盖方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510117476.8A CN106162663B (zh) | 2015-03-16 | 2015-03-16 | 一种基于改进蜂群算法的传感节点覆盖方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106162663A CN106162663A (zh) | 2016-11-23 |
CN106162663B true CN106162663B (zh) | 2019-04-05 |
Family
ID=58064115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510117476.8A Expired - Fee Related CN106162663B (zh) | 2015-03-16 | 2015-03-16 | 一种基于改进蜂群算法的传感节点覆盖方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106162663B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107065585A (zh) * | 2017-05-18 | 2017-08-18 | 上海博历机械科技有限公司 | 一种医疗物品管控系统 |
CN107105396A (zh) * | 2017-05-18 | 2017-08-29 | 深圳众厉电力科技有限公司 | 无线传感器网络农田污染区域跟踪系统 |
CN107147550A (zh) * | 2017-05-18 | 2017-09-08 | 上海为然环保科技有限公司 | 一种基于无线传感器网络定位的智能家居控制系统 |
CN109327843A (zh) * | 2018-10-17 | 2019-02-12 | 沈阳化工大学 | 基于Delaunay图人工蜂群算法在WSN覆盖策略中的应用方法 |
CN109447359B (zh) * | 2018-11-06 | 2021-04-16 | 成都信息工程大学 | 一种数据采集点部署方法及系统 |
CN112637860B (zh) * | 2020-12-21 | 2022-08-02 | 西安邮电大学 | 一种三维无线传感器网络覆盖方法及系统 |
CN114794024B (zh) * | 2022-04-28 | 2024-05-28 | 云南省农业科学院蚕桑蜜蜂研究所 | 一种短头熊蜂人工种群构建方法 |
CN116916475B (zh) * | 2023-08-10 | 2024-05-07 | 华东交通大学 | 一种基于多策略改进蜜獾算法的无线传感器网络部署方法 |
-
2015
- 2015-03-16 CN CN201510117476.8A patent/CN106162663B/zh not_active Expired - Fee Related
Non-Patent Citations (2)
Title |
---|
基于神经动态优化的约束规划问题研究;陈姗姗;《中国优秀硕士学位论文全文数据库》;20141224;全文 |
复杂神经网络动力学机制;楼旭阳;《中国优秀博士学位论文全文数据库》;20100406;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106162663A (zh) | 2016-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106162663B (zh) | 一种基于改进蜂群算法的传感节点覆盖方法 | |
Udgata et al. | Sensor deployment in irregular terrain using artificial bee colony algorithm | |
Han et al. | A survey on deployment algorithms in underwater acoustic sensor networks | |
Gang et al. | A novel particle swarm optimization algorithm based on particle migration | |
US11755882B2 (en) | Method, apparatus and system for recommending location of robot charging station | |
CN107067091B (zh) | 一种基于蚁群优化算法的城市生态用地空间规划模型 | |
CN104936186B (zh) | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 | |
CN103945395A (zh) | 一种基于粒子群的无线网络传感器的快速优化部署方法 | |
CN103699771B (zh) | 一种冷负荷预测的情景-聚类方法 | |
Ma et al. | An improved dynamic self-adaption cuckoo search algorithm based on collaboration between subpopulations | |
Lu | Hybridizing nonlinear independent component analysis and support vector regression with particle swarm optimization for stock index forecasting | |
CN103353913B (zh) | 一种基于粒子群算法的林分空间结构优化模型建立方法 | |
CN105447572A (zh) | 一种基于遗传算法优化神经网络的风电功率预测系统及方法 | |
Karakostas | Multi-objective optimization in spatial planning: Improving the effectiveness of multi-objective evolutionary algorithms (non-dominated sorting genetic algorithm II) | |
CN104050505A (zh) | 一种基于带学习因子蜂群算法的多层感知器训练方法 | |
CN109753680A (zh) | 一种基于混沌寻优机理的粒子群集智能方法 | |
CN111767977A (zh) | 一种基于改进遗传算法的群粒子梯度下降算法 | |
CN114021811A (zh) | 基于注意力改进的交通预测方法及计算机介质 | |
CN115906508A (zh) | 一种电池寿命预测方法及相关装置 | |
Gupta et al. | Multi-uav deployment for noma-enabled wireless networks based on imogwo algorithm | |
Navin et al. | Solving coverage problem in wireless camera-based sensor networks by using genetic algorithm | |
CN104732522A (zh) | 一种基于多态蚁群算法的图像分割方法 | |
CN104778495A (zh) | 基于粒子群算法的贝叶斯网络优化方法 | |
CN110113815B (zh) | 一种改进的基于iwo的无线传感器网络定位方法 | |
Xu et al. | Constrained particle swarm algorithms for optimizing coverage of large-scale camera networks with mobile nodes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190405 |