CN106162663B - 一种基于改进蜂群算法的传感节点覆盖方法 - Google Patents

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

一种基于改进蜂群算法的传感节点覆盖方法

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N_e，跟随蜂种群规模为N_f，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，…，S_N}，每只蜜蜂(个体)代表一种D个传感节点位置分布方案(这里，S_i＝(s_i1，…，s_iD)，i＝1，2…，N，t＝1，2…，D，s_id＝(x_id，y_id)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A_j(x_j，y_j)，j＝1，2，…，ab表示，x_j，y_j分别表示格点A_j在监测区域的横、纵坐标。

Step 2：利用公式R_i(S_i)＝∑_jρ_j(S_i)/(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s_id与格点A_j之间距离不大于感知半 径为m的概率；d(A_j，s_id)表示传感节点s_id与格点A_j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

v_id＝s_id+r(s_id-s_hd)

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

v_id＝λx_id+c₁r₁(p_id-x_id)+c₂r₂(g_d-x_id)

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，p_id表示每只蜜蜂自身的历史最好位置，即个体极值，g_d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+k^0.25)，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S_best；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，…，s_D}，格点A_j(x_j，y_j)(x_j，y_j分别表示格点A_j在监测区域的横、纵坐标，j＝1，2，…，ab)被s_d所覆盖的事件发生的概率ρ_j(A_j，s_d，m)表示为

其中：d(A_j，s_d)表示传感节点s_d与格点A_j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)＝∑_jρ_j(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，ρ_j(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ρ_j(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)＝∑_jρ_j(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N_e＝15，跟随蜂种群规模为N_f＝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，…，S_N}，每只蜜蜂(个体)代表一种D个传感节点位置分布方案(这里，S_i＝(s_i1，…，s_iD)，i＝1，2…，N，t＝1，2…，D，s_id＝(x_id，y_id)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A_j(x_j，y_j)，j＝1，2，…，ab表示，x_j，y_j分别表示格点A_j在监测区域的横、纵坐标。

步骤2：利用公式R_i(S_i)＝∑_jρ_j(S_i)/(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s_id与格点A_j之间距离不大于感知半 径为m的概率；d(A_j，s_id)表示传感节点s_id与格点A_j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

v_id＝s_id+r(s_id-s_hd)

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

v_id＝λx_id+c₁r₁(p_id-x_id)+c₂r₂(g_d-x_id)

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，p_id表示每只蜜蜂自身的历史最好位置，即个体极值，g_d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+k^0.25)，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S_best；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N_e，跟随蜂种群规模为N_f，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,…,S_N}，每只蜜蜂个体代表一种D个传感节点位置分布方案，这里,S_i＝(s_i1,…,s_iD),i＝1,2…,N,t＝1,2…,D,s_id＝(x_id,y_id)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A_j(x_j,y_j)，j＝1,2,…,ab表示,x_j,y_j分别表示格点A_j在监测区域的横、纵坐标；

(2)、利用公式

R_i(S_i)＝∑_jρ_j(S_i)/(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s_id与格点A_j之间距离不大于感知半径为m的概率；d(A_j,s_id)表示传感节点s_id与格点A_j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

v_id＝s_id+r(s_id-s_hd)

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

v_id＝λx_id+c₁r₁(p_id-x_id)+c₂r₂(g_d-x_id)

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，p_id表示每只蜜蜂自身的历史最好位置，即个体极值，g_d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+k^0.25),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S_best；否则，k:＝k+1，转(2)。