CN106789320B - 一种用于优化无线传感器网络拓扑的多种群协同进化方法 - Google Patents
一种用于优化无线传感器网络拓扑的多种群协同进化方法 Download PDFInfo
- Publication number
- CN106789320B CN106789320B CN201710003618.7A CN201710003618A CN106789320B CN 106789320 B CN106789320 B CN 106789320B CN 201710003618 A CN201710003618 A CN 201710003618A CN 106789320 B CN106789320 B CN 106789320B
- Authority
- CN
- China
- Prior art keywords
- topology
- node
- population
- individuals
- nodes
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及网络拓扑鲁棒性优化领域,提供一种用于优化无线传感器网络拓扑的多种群协同进化方法,所述方法包括:步骤100,基于源拓扑产生各种群初始个体;步骤200,在各种群中选择父母个体,进行交叉算子操作,产生新的子代;步骤300,在种群的个体中随机选择一定数量的个体进行变异算子操作。步骤400,在每个种群进行完交叉变异后进行适应度函数筛选,选择优秀的个体进入下一代,步骤500,在种群之间引入移民操作,使种群之间产生基因交流,步骤600,循环执行步骤200到步骤500,并在每一代保存当前最有个体的拓扑,判断进化代数,达到设定代数后退出循环。
Description
技术领域
本发明涉及网络拓扑优化领域,尤其涉及一种用于优化无线传感器网络拓扑的多种群协同进化方法。
背景技术
物联网技术(Internet of Things)是融合了多个学科的庞大的综合体,包括WSNs、嵌入式系统、拓扑查询、智能控制、数据处理及任务调度等多个领域。物联网在近些年来应用需求越来越大,它通常是在某一地理区域内布署大量传感器节点,这些节点间相互通信形成网络系统,用来监测和控制环境中的物理变量,例如温度、声音、光线等,并能根据环境需求自主完成指定任务。近年来,由于无线传感器网络因其无线连接、自组织等诸多优点,应用环境已不仅仅停留在室内,现实地理环境例如森林火情监测,无人区监控,战场感知等都对其产生巨大的需求,同时其应用规模也急剧扩大。如何构建WSNs拓扑以及优化其鲁棒性,设法增强其鲁棒性,使其在现实恶劣的地理环境中,能够抵御一定规模的节点失效(特别是关键节点的失效)并能维持正常工作,成为近些年来人们研究的热点。
网络拓扑关系揭示了网络之中节点间的相互连接关系,这是网络中各个节点之间的通信基础。复杂网络理论在网络拓扑研究中扮演一个至关重要的角色,尤其是其揭示了网络如何构建,控制以及进化的。复杂网络广泛存在于现实世界,如电网、全球运输网络,合作网络以及引文网络等。作为一个跨学科的领域,复杂网络引起了全世界的关注。复杂网络理论[7]研究的是那些既不是纯粹的规则网络也不是随机网络的一类复杂网络。在复杂网络里有两个最经典的模型小世界网络和无标度网络。小世界网络有两个明显的特点,即较短的平均路径和较大的聚类系数,一般应用于物联网中异构网络拓扑单元之间的建模。无标度网络主要针对同构网络单元,其网络中的节点度数遵循幂律分布,相对于小世界模型,无标度模型针对随机攻击具有更高的鲁棒性,但对于恶意攻击则表现出明显的脆弱性。因此,如何改进无标度网络拓扑,设计优化策略,提升网络拓扑针对恶意攻击的鲁棒性,是当前迫切需要解决的问题。
近年来,一些研究人员利用进化算法来解决物联网中的诸多问题,比如能量消耗,能量平衡。同时也有一些研究人员尝试用遗传算法来解决无标度网络的鲁棒性问题。在本文中,我们利用进化算法的一种(遗传算法)来实现无标度网络的鲁棒性优化。遗传算法是一种借鉴生物界自然选择和进化机制发展起来得高度并行、随机、自适应的全局优化概率搜索算法。由于优化时不依赖于梯度,具有很强的全局搜索能力,因此、被广泛应用于机器学习、模式识别、数学规划等领域。在遗传算法中,由多个候选解构成的种群,通过种群的遗传和变异在进化过程中找到最优解。但是对于传统遗传算法,有一些无法避免的缺陷,比如早熟收敛问题。但是多种群遗传算法通过使用多个种群协同进化以及种群之间的移民操作,可以有效地避免单一种群陷入局部最优解而产生的早熟收敛问题。
发明内容
本发明主要解决现有技术的无线传感器网络针对恶意攻击的鲁棒性较差的技术问题,提出一种用于优化无线传感器网络拓扑的多种群协同进化方法,基于复杂网络理论,结合无标度网络的相关技术特点,使网络拓扑在面对随机攻击和恶意攻击都具有较高的鲁棒性。本发明在不改变节点度数分布的情况下,提出了一种更为高效的优化无标度网络拓扑针对恶意攻击的鲁棒性提升策略方法。
本发明提供了一种用于优化无线传感器网络拓扑的多种群协同进化方法,包括以下过程:
步骤100,基于初始无标度无线传感网络的源拓扑产生种群个体;源拓扑的所有节点的地理位置固定,在整个变换过程中,节点的地理位置信息不在更改,默认节点的通信范围为半径为R的圆形区域,任何两个节点的拓扑连接都不能超过通信范围。
步骤200,根据从种群中选择出来的父母个体,进行交叉算子操作,从而产生新的子代,包括以下子步骤:
步骤201,假设Gf和Gm分别是父亲拓扑和母亲拓扑,Gs和Gd分别是儿子拓扑和女儿拓扑。首先我们通过交叉算子概率Pc来选出父母亲拓扑,然后Gs继承父亲拓扑Gf,Gd继承母亲拓扑。然后获得如下边的集合:
在上述公式中,表示父亲拓扑边的集合,表示母亲拓扑边的集合,Ef和Em分别是父亲独有边的集合和母亲独有边的集合,这里“独有”的意思是只在父母某一方中有而在另一个父母中没有的边。这样的话Ef与Em是完全不同的,因为节点在初始时刻位置已经固定,所以如果一条边在父亲独有边Ef中存在,那么这条边也能在女儿拓扑Gd中重新构建。
步骤202,在保证初始度不变的前提下,儿子拓扑通过拆断其已有的边来构建母亲拓扑每一条独有的边,女儿拓扑通过拆断其已有的边来构建父亲拓扑每一条独有的边。
步骤300,根据从种群中选择出来的个体,进行变异算子操作,包括以下子步骤:
步骤301,针对变异算子选择的边,进行度相似节点重新连边操作,基于此,我们提出一种排序换边的变异算子,首先针对变异算子选出来的两条边,判断两条边四个节点是否在彼此的通信范围,以此来保证换边操作之后新连接的边是可以存在的。
步骤302,基于以上的规则我们提出了如下的度排序换边策略,针对我们选出了eij和ekl(图5(a)中),度排序换边策略定义如下:
在公式(5)中,di、dj、dk、dl分别为node i、node j、node k和node l的度,将nodei、node j、node k和node l按照度值排序,由大到小依次为d1、d2、d3、d4。
步骤303,交换阈值Psort控制度差减小比例。如果公式(5)的比较结果为真,则采取度值最大的两个节点相连接,度值最小的两个节点相连接,此时根据d1、d2、d3、d4的顺序重新构造四个点的连接关系,有两种候选连接方式,图5(b)表示node i和node l相连,node j和node k相连;图5(c)表示node i和node k相连,node j和node l相连。
步骤400,通过计算网络遭受恶意攻击之后极大联通子图的节点数目占据整个网络的比例来描述网络的连通性,从而评估网络在恶意攻击之后的性能。适应度函数定义如下:
在公式(6)中,n的取值从1到第N,MCS(n)表示拿掉第n个节点后剩余拓扑中最大联通子图节点数目。公式前面的1/N是做了归一化处理,保证不同规模的网络之间可以相互比较,f(G)的值是定义在(0,0.5]之间的。在全连接网络中,依次拿掉度最大的节点,剩余网络仍是全连接的,最后整个公式的值为0.5。而在星型网络中,如果拿掉度最大的节点,网络剩余节点立刻变成孤立节点,此时的f(G)值为1/N+1,当N趋近无穷大时,f(G)的值趋近于0。我们在种群进化的每一代用适应度函数f(G)进行筛选,选择较优的个体将纳入下一代,引导整个种群朝着抵御恶意攻击鲁棒性高的方向进化。
进一步的,在步骤100中,构建初始无标度无线传感网络拓扑,包括以下子步骤:
步骤101,在度不变原则的前提下,为每一个种群的每个个体分配一个随机概率Pinit,由它控制在源拓扑上进行多大频度的换边操作。
步骤102,在每个个体上操作时,针对选择出来的边,有三种模式(如图2)的换边操作中随机选择一个,以此来保证每一个经由初始拓扑变换出来的个体具有完全随机性,且有较大差异。
步骤103,按照步骤101至步骤102的方法,直到为每一个初始种群的每一个个体分发一个不同于源拓扑的初始拓扑。
进一步的,在步骤400之后,还包括:
步骤500,在每一代交叉变异以及适应度函数筛选后,我们在种群之间引入移民算子操作,包括以下子步骤:
步骤501,筛选出来每个种群中适应度函数值最高的个体,也就是最优个体,同时将最优个体保存在精英种群里面。
步骤502,找出每一个种群中最差的个体。
步骤503,从精英种群中按顺序取出最优个体,循环替换其余种群的最差个体。
步骤600,循环执行步骤200到步骤500,并在每一代保存当前最有个体的拓扑,判断进化代数,达到设定代数后退出循环。
有益效果:本发明提供的一种用于优化无线传感器网络拓扑的多种群协同进化方法,提出新的初始化策略、交叉算子和变异算子,同时保证节点的初始度都不改变,这就保证了拓扑的无标度特性不改变。此方法可以大幅提高目标网络针对恶意攻击的鲁棒性,从而使WSNs在恶劣地理环境下的生存能力大幅提高。
附图说明
图1是本发明提供的一种用于优化无线传感器网络拓扑的多种群协同进化方法实现流程图。
图2是源拓扑及在选边示意图。
图3是产生种群初始个体的候选换边策略。
图4是交叉算子的示意图。
图5是变异算子的示意图。
图6是移民操作的示意图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
图1为本发明提供的一种用于优化无线传感器网络拓扑的多种群协同进化方法的实现流程图。如图1所示,本发明实施例提供方法包括:
步骤100,基于初始无标度无线传感网络的源拓扑产生种群个体;源拓扑的所有节点的地理位置固定,在整个变换过程中,节点的地理位置信息不在更改,默认节点的通信范围为半径为R的圆形区域,任何两个节点的拓扑连接都不能超过通信范围。详细的包括以下子步骤:
步骤101,在度不变原则的前提下,为每一个种群的每个个体分配一个随机概率Pinit,由它控制在源拓扑上进行多大频度的换边操作。
步骤102,在每个个体上操作时,针对选择出来的边,有三种模式(如图3)的换边操作中随机选择一个,以此来保证每一个经由初始拓扑变换出来的个体具有完全随机性,且有较大差异。
步骤103,按照步骤101至步骤102的方法,直到为每一个初始种群的每一个个体分发一个不同于源拓扑的初始拓扑。
对于一个源拓扑(图2),我们要在其上进行初始化操作,产生一个各个节点的度与初始拓扑保持一致的不同拓扑,首先随机产生一个[0,1]之间的随机数作为换边频度Pinit,逐一遍历拓扑的每一条边,利用随机概率与Pinit来比较,若为假,则继续轮询下一条边,若为真,则进行换边操作,此刻我们已选定node 1和node 2之间的边e12进行换边操作。针对e12,我们选择遍历拓扑中每一条不与它相邻的边来寻找换边对象,在这个过程中,我们遇到e34这样的边,经过判断发现,虽然node 3和node 4都在node 2的通信范围里,但是他们不在node1的通信范围内,无法进行下一步的随机交换,所以抛弃e34,继续轮询,最终我们找到了e56,node 5和node 6分别都在node 1和node 2的通信范围内。至此,我们已经选出了要进行换边的e12和e56两条边,然后我们进行随机交换操作,如图3,其中(a)、(b)、(c)分别对应三个候选操作,在这里我们在[1,2,3]三个数字里随机选择一个作为最终换边的结果,其中图3(c)为保持两条边的本身,不进行操作。至此e12的换边操作已经完成,如果针对e12在遍历完所有边(不与之相邻的)依然找不到与之换边的对象,则跳过该边,继续根据换边频度Pinit逐一遍历。
步骤200,根据从种群中选择出来的父母个体,进行交叉算子操作,从而产生新的子代,包括以下子步骤:
步骤201,假设Gf和Gm分别是父亲拓扑和母亲拓扑,Gs和Gd分别是儿子拓扑和女儿拓扑。首先我们通过交叉算子概率Pc来选出父母亲拓扑,然后Gs继承父亲拓扑Gf,Gd继承母亲拓扑。然后获得如下边的集合:
在上述公式中,表示父亲拓扑边的集合,表示母亲拓扑边的集合,Ef和Em分别是父亲独有边的集合和母亲独有边的集合,这里“独有”的意思是只在父母某一方中有而在另一个父母中没有的边。这样的话Ef与Em是完全不同的,因为节点在初始时刻位置已经固定,所以如果一条边在父亲独有边Ef中存在,那么这条边也能在女儿拓扑Gd中重新构建。
步骤202,在保证初始度不变的前提下,儿子拓扑通过拆断其已有的边来构建母亲拓扑每一条独有的边,女儿拓扑通过拆断其已有的边来构建父亲拓扑每一条独有的边.
这里,我们对父亲(图4(a))产生Son(图4(d))过程进行细致描述。在图4(a)中,若要产生e34,首先node 4将自己通信范围内的邻居且不与node 3有连接关系的节点,按照距离node 3的远近进行排序,按照这个距离,由近到远生成一个候选队列,由图4(b)可以看出,在node 4的邻居节点中,node 7为距离node 3最近的节点且不与node 3有连接关系,然后,针对候选节点node 7,如图4(c),node 3逐一遍历搜索自己的邻居节点,直到找到一个与node 7在通信连接范围内且与node7没有边连接的节点,由图4(c)可以看出,此时node 3在自己的邻居节点中选择的是node 8,然后如图图4(d),node 4与node 7的边e47和node 3与node 8的边e38断开,并且将node3与node4连接产生e34的边,将node 7和node 8连接产生e78的边,此时,我们成功的在Son(图4(d))产生了新边e34。而且,进行交叉交换前,node 3度为2,node 4的度为4,交叉变换操作后两个节点的度分别为2、4,保证了初始度不变原则。母亲产生Daughter的过程类似,同样的操作也在母体(图4(e))中进行,最后的Daughter(图4(h))中成功产生了父亲独有的边e12。
另外,在父体产生Son(图4(d))的过程中,如果针对node 4邻居节点中的候选节点node 7,node 3在自己的邻居节点中找不到符合条件的节点,则node4依次从邻居候选队列里面顺序取出候选节点,每一个候选解点都需要重新搜索遍历node 3的邻居节点,寻找符合条件的新节点,只要找到,就进行换边操作并结束该循环,以此类推,如果遍历完邻居候选队列的所有候选节点都没有找到符合条件的,则放弃构造该边。
步骤300,根据从种群中选择出来的个体,进行变异算子操作,包括以下子步骤:
步骤301,针对变异算子选择的边,进行度相似节点重新连边操作,基于此,我们提出一种排序换边的变异算子,首先针对变异算子选出来的两条边,判断两条边四个节点是否在彼此的通信范围,以此来保证换边操作之后新连接的边是可以存在的。
步骤302,基于以上的规则我们提出了如下的度排序换边策略,针对我们选出了eij和ekl(图5(a)中),度排序换边策略定义如下:
在公式(5)中,di、dj、dk、dl分别为node i、node j、node k和node l的度,将nodei、node j、node k和node l按照度值排序,由大到小依次为d1、d2、d3、d4。
步骤303,交换阈值Psort控制度差减小比例。如果公式(5)的比较结果为真,则采取度值最大的两个节点相连接,度值最小的两个节点相连接,此时根据d1、d2、d3、d4的顺序重新构造四个点的连接关系,有两种候选连接方式,图5(b)表示node i和node l相连,node j和node k相连;图5(c)表示node i和node k相连,node j和node l相连。
步骤400,通过计算网络遭受恶意攻击之后极大联通子图的节点数目占据整个网络的比例来描述网络的连通性,从而评估网络在恶意攻击之后的性能。适应度函数定义如下:
在公式(6)中,n的取值从1到第N,MCS(n)表示拿掉第n个节点后剩余拓扑中最大联通子图节点数目。公式前面的1/N是做了归一化处理,保证不同规模的网络之间可以相互比较,f(G)的值是定义在(0,0.5]之间的。在全连接网络中,依次拿掉度最大的节点,剩余网络仍是全连接的,最后整个公式的值为0.5。而在星型网络中,如果拿掉度最大的节点,网络剩余节点立刻变成孤立节点,此时的f(G)值为1/N+1,当N趋近无穷大时,f(G)的值趋近于0。我们在种群进化的每一代用适应度函数f(G)进行筛选,选择较优的个体将纳入下一代,引导整个种群朝着抵御恶意攻击鲁棒性高的方向进化。
“Onion”结构针对恶意攻击具有很强的鲁棒性。在“Onion”结构中,节点的拓扑连接大体呈现出来层状结构,度数相近的节点相互连接,在网络拓扑中呈现出来以下特殊形态:度数较大的节点位于中心层,且彼此相连,由内而外,随着度数的减少,呈现出明显的分层,最外层为度数最小的节点,特别是在无标度网络中,由于节点的度呈现出幂率分布,度小的节点占的比例很大,所以无标度网络的“Onion”结构的最外层占据了网络拓扑的大部分节点。
本文所使用的衡量网络拓扑针对恶意攻击的适应度函数,是通过依次拿走网络中度数最大的节点剩余的最大连通子图节点数占总节点数的归一化之后的比例来衡量的,这模拟了现实中的恶意攻击,在拓扑中即针对度数较大的节点实施的定向攻击,而“Onion”结构的主要的特征就是度数相近的节点相连,而这一特征也直接导致了“Onion”结构针对恶意攻击有较高的鲁棒性。所以,我们在变异算子中尽可能让网络拓扑朝着“Onion”结构的方向进化,来优化无标度网络拓扑,这样即使其中某一个度数较大的节点失效时,与其相连的度数接近的节点最大程度的可以替代它继续维持网络拓扑的性能,从而最大程度地减少节点失效的不良影响,网络依然可以保持较高的鲁棒性。
步骤500,在每一代交叉变异以及适应度函数筛选后,我们在种群之间引入移民算子操作,包括以下子步骤:
步骤501,筛选出来每个种群中适应度函数值最高的个体,也就是最优个体,同时将最优个体保存在精英种群里面。
步骤502,找出每一个种群中最差的个体。
步骤503,从精英种群中按顺序取出最优个体,循环替换其余种群的最差个体。
图5描述了移民操作的完整过程,每个种群有十个个体,一个方柱表示一个个体,而方柱的长短表示个体适应度函数值的大小,方柱越长,适应度值越大,方柱越短,适应度函数值越小,如图6(a),分别在每个种群中找出最优个体,分别标记为A、B、C。其次,被选中的个体组成精英种群,同时标记出每一个种群中最差的个体(如图6(b)),分别标记为X、Y、Z。最后是移民替换操作,如图6(c),1号种群的最优个体A用来替换2号种群的最差个体Y,2号种群的最优个体B用来替换3号种群的最差个体Z,而3号种群的最优个体C用来替换1号种群的最差个体X。
步骤600,循环执行步骤200到步骤500,并在每一代保存当前最有个体的拓扑,判断进化代数,达到设定代数后退出循环。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (3)
1.一种用于优化无线传感器网络拓扑的多种群协同进化方法,其特征在于,包括以下过程:
步骤100,基于初始无标度无线传感网络拓扑产生种群个体基于初始无标度无线传感网络的源拓扑产生种群个体;源拓扑的所有节点的地理位置固定,在整个变换过程中,节点的地理位置信息不在更改,默认节点的通信范围为半径为R的圆形区域,任何两个节点的拓扑连接都不能超过通信范围;
步骤200,根据从种群中选择出来的父母个体,进行交叉算子操作,从而产生新的子代,包括以下子步骤:
步骤201,假设Gf和Gm分别是父亲拓扑和母亲拓扑,Gs和Gd分别是儿子拓扑和女儿拓扑;首先我们通过交叉算子概率Pc来选出父母亲拓扑,然后Gs继承父亲拓扑Gf,Gd继承母亲拓扑,然后获得如下边的集合:
在上述公式中,表示父亲拓扑边的集合,表示母亲拓扑边的集合,Ef和Em分别是父亲独有边的集合和母亲独有边的集合,即只在父母某一方中有而在另一个父母中没有的边;这样,Ef与Em是完全不同的,因为节点在初始时刻位置已经固定,所以如果一条边在父亲独有边Ef中存在,那么这条边也能在女儿拓扑Gd中重新构建;
步骤202,在保证初始度不变的前提下,儿子拓扑通过拆断其已有的边来构建母亲拓扑每一条独有的边,女儿拓扑通过拆断其已有的边来构建父亲拓扑每一条独有的边;
步骤300,根据从种群中选择出来的个体,进行变异算子操作,包括以下子步骤:
步骤301,针对变异算子选择的边,进行度相似节点重新连边操作,首先针对变异算子选出来的两条边,判断两条边四个节点是否在彼此的通信范围,以此来保证换边操作之后新连接的边是可以存在的;
步骤302,度排序换边策略:针对选出的eij和ekl,度排序换边策略定义如下:
在公式(5)中,di、dj、dk、dl分别为node i、node j、node k和node l的度,将node i、nodej、node k和node l按照度值排序,由大到小依次为d1、d2、d3、d4;
步骤303,交换阈值Psort控制度差减小比例;如果公式(5)的比较结果为真,则采取度值最大的两个节点相连接,度值最小的两个节点相连接,此时根据d1、d2、d3、d4的顺序重新构造四个点的连接关系,有两种候选连接方式,图5(b)表示node i和node l相连,node j和node k相连;图5(c)表示node i和node k相连,node j和node l相连;
步骤400,通过计算网络遭受恶意攻击之后极大联通子图的节点数目占据整个网络的比例来描述网络的连通性,从而评估网络在恶意攻击之后的性能;适应度函数定义如下:
在公式(6)中,n的取值从1到第N,MCS(n)表示拿掉第n个节点后剩余拓扑中最大联通子图节点数目;公式前面的1/N是做了归一化处理,保证不同规模的网络之间可以相互比较,f(G)的值是定义在(0,0.5]之间的;在全连接网络中,依次拿掉度最大的节点,剩余网络仍是全连接的,最后整个公式的值为0.5;而在星型网络中,如果拿掉度最大的节点,网络剩余节点立刻变成孤立节点,此时的f(G)值为1/N+1,当N趋近无穷大时,f(G)的值趋近于0;在种群进化的每一代用适应度函数f(G)进行筛选,选择较优的个体将纳入下一代,引导整个种群朝着抵御恶意攻击鲁棒性高的方向进化。
2.根据权利要求1所述的用于优化无线传感器网络拓扑的多种群协同进化方法,其特征在于,在步骤100中,构建初始无标度无线传感网络拓扑,包括以下子步骤:
步骤101,在度不变原则的前提下,为每一个种群的每个个体分配一个随机概率Pinit,由它控制在源拓扑上进行多大频度的换边操作;
步骤102,在每个个体上操作时,针对选择出来的边,有三种模式的换边操作中随机选择一个,以此来保证每一个经由初始拓扑变换出来的个体具有完全随机性,且有较大差异;
步骤103,按照步骤101至步骤102的方法,直到为每一个初始种群的每一个个体分发一个不同于源拓扑的初始拓扑。
3.根据权利要求1所述的一种用于优化无线传感器网络拓扑的多种群协同进化方法,其特征在于,在步骤400之后,还包括:
步骤500,在每一代交叉变异以及适应度函数筛选后,在种群之间引入移民算子操作,包括以下子步骤:
步骤501,筛选出来每个种群中适应度函数值最高的个体,也就是最优个体,同时将最优个体保存在精英种群里面;
步骤502,找出每一个种群中最差的个体;
步骤503,从精英种群中按顺序取出最优个体,循环替换其余种群的最差个体;
步骤600,循环执行步骤200到步骤500,并在每一代保存当前最有个体的拓扑,判断进化代数,达到设定代数后退出循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710003618.7A CN106789320B (zh) | 2017-01-04 | 2017-01-04 | 一种用于优化无线传感器网络拓扑的多种群协同进化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710003618.7A CN106789320B (zh) | 2017-01-04 | 2017-01-04 | 一种用于优化无线传感器网络拓扑的多种群协同进化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106789320A CN106789320A (zh) | 2017-05-31 |
CN106789320B true CN106789320B (zh) | 2020-01-14 |
Family
ID=58949405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710003618.7A Active CN106789320B (zh) | 2017-01-04 | 2017-01-04 | 一种用于优化无线传感器网络拓扑的多种群协同进化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106789320B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108683534B (zh) * | 2018-05-17 | 2020-12-11 | 浙江工业大学 | 一种面向社区发现的网络薄弱节点搜索方法 |
CN108737191B (zh) * | 2018-05-31 | 2021-01-19 | 中国科学院上海微系统与信息技术研究所 | 面向超密集无线传感器网基于无监督学习的拓扑控制方法 |
CN113422695B (zh) * | 2021-06-17 | 2022-05-24 | 天津大学 | 一种提高物联网拓扑结构鲁棒性能的优化方法 |
CN113411213B (zh) * | 2021-06-17 | 2022-05-24 | 天津大学 | 基于物联网的自组网拓扑控制方法及协同监测方法 |
CN113253989B (zh) * | 2021-07-05 | 2021-10-08 | 南京信息工程大学 | 基于嵌入式系统的软硬件协同一体化集成架构方法 |
CN114640594A (zh) * | 2022-03-09 | 2022-06-17 | 天津大学 | 一种带有分层协作机制的物联网拓扑优化方法 |
CN115225509B (zh) * | 2022-07-07 | 2023-09-22 | 天津大学 | 基于神经进化的物联网拓扑结构生成方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504424B (zh) * | 2014-12-27 | 2017-06-13 | 西安电子科技大学 | 基于多种群共生进化的射频识别网络布局优化方法 |
US10949584B2 (en) * | 2015-05-22 | 2021-03-16 | Board Of Trustees Of Michigan State University | Defect detection system using finite element optimization and mesh analysis |
CN105430707B (zh) * | 2015-11-03 | 2019-01-11 | 国网江西省电力科学研究院 | 一种基于遗传算法的无线传感网多目标优化路由方法 |
CN105554844B (zh) * | 2016-01-22 | 2018-12-21 | 大连理工大学 | 一种无线传感器网络拓扑构建方法 |
-
2017
- 2017-01-04 CN CN201710003618.7A patent/CN106789320B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106789320A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106789320B (zh) | 一种用于优化无线传感器网络拓扑的多种群协同进化方法 | |
Qiu et al. | Robustness optimization scheme with multi-population co-evolution for scale-free wireless sensor networks | |
Ji et al. | An artificial bee colony algorithm search guided by scale-free networks | |
CN105430707B (zh) | 一种基于遗传算法的无线传感网多目标优化路由方法 | |
Enami et al. | Energy based clustering self organizing map protocol for extending wireless sensor networks lifetime and coverage | |
Folino et al. | A multiobjective and evolutionary clustering method for dynamic networks | |
CN106131862B (zh) | 一种无线传感器网络中基于多目标进化算法的优化覆盖方法 | |
Jain | A coherent approach for dynamic cluster-based routing and coverage hole detection and recovery in bi-layered WSN-IoT | |
Khanfor et al. | Graph neural networks-based clustering for social internet of things | |
Fu et al. | Toward robust and energy-efficient clustering wireless sensor networks: A double-stage scale-free topology evolution model | |
Qureshi et al. | An adaptive enhanced differential evolution strategies for topology robustness in internet of things | |
Zhu et al. | An improved genetic algorithm for dynamic shortest path problems | |
Shi et al. | A multipopulation coevolutionary strategy for multiobjective immune algorithm | |
CN113411766B (zh) | 智慧物联网综合感知系统及方法 | |
Yas et al. | Unequal clustering and scheduling in wireless sensor network using advance genetic algorithm | |
Bharany et al. | Energy Efficient Clustering Protocol for FANETS Using Moth Flame Optimization. Sustainability 2022, 14, 6159 | |
Ramya et al. | An implementation of energy efficient fuzzy-optimized routing in wireless sensor networks using Particle Swarm Optimization (PSO) and Whale Optimization Algorithm (WOA) | |
Tariq et al. | Shuffled ARSH-FATI: A Novel Meta-Heuristic for Lifetime Maximization of Range-Adjustable Wireless Sensor Networks | |
Boonma et al. | Exploring self-star properties in cognitive sensor networking | |
Nahar et al. | MPF-LEACH: modified probability function for cluster head election in LEACH protocol | |
Ma et al. | A novel local search approximation algorithm for relay node placement in wireless sensor networks | |
Neggazi et al. | Efficient self-stabilizing algorithm for independent strong dominating sets in arbitrary graphs | |
Shankar et al. | Integrated cuckoo and monkey search algorithm for energy efficient clustering in wireless sensor networks | |
Houssein et al. | Vortex search topology control algorithm for wireless sensor networks | |
Sabar et al. | A memetic algorithm for dynamic shortest path routing on mobile ad-hoc networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |