CN107277830B - 一种基于粒子群优化和变异算子的无线传感器网络节点部署方法 - Google Patents

Abstract

本发明提出一种基于粒子群优化和变异算子的无线传感器网络节点部署方法。将所有传感器随机散布在目标区域中，将各传感器的初始坐标作为粒子群算法中的粒子初始位置，将无线传感器网络的覆盖率作为粒子群算法的目标适应值函数；通过粒子群算法得出的全局历史最优解，并且根据最优解获得粒子自身的最优值，所述最优值就是在目标区域部署传感器的最佳位置。本发明通过改进惯性权重计算方法，提高算法的局部搜索能力；通过给粒子个体一个变异概率，使其重新计算个体历史最优解，有效避免整个算法陷入局部最优解，提高了传感器的利用率，降低了组建无线传感网的成本。

Description

一种基于粒子群优化和变异算子的无线传感器网络节点部署 方法

技术领域

本发明属于无线传感器网络技术领域，具体涉及一种在无线传感器网络中部署传感器节点的方法。

背景技术

无线传感网是一种低成本、自适应性高的无线网络，它一般由负责收集数据的众多微型传感器节点和一个负责接收数据的基站组成。由于无线传感网有着低成本、高灵活性的特点，它可以被应用于许多监测环境中，比如森林火险预警，战场监测等。在建立无线传感网时，一般将传感器随机部署在需要监测的目标区域，这种部署方式能够迅速将传感器部署完毕，但也会产生一些问题。随机部署不能保证目标区域被完全覆盖，部分区域有可能没有被传感器监测到，从而产生盲区。同时，随机部署也有可能使部分区域有过多的传感器，造成不必要的浪费，过于密集的传感器在传输数据时也会造成较大的通信开销，导致传感器在传输数据时消耗较多的能量，不利于延长网络的使用寿命。因此，需要有一种合理的无线传感器节点部署方法，来优化节点部署，实现提高网络的性能目的。

粒子群算法是一种智能优化算法，它的思想来源于进化计算理论和人工生命。通过模拟鸟类搜索食物的行为，将单个鸟视为一个粒子，整个鸟群就是一个粒子群。在寻找食物的过程中，鸟群会向食物的方向聚集，最终全部趋近一个点，这个点就是整个粒子群算法的最优解。每一个粒子计算个体适应度值，并将它与历史最优位置和全局最优位置比较，如果个体适应度较小，则更新它的历史最优位置和全局最优位置。通过不断靠近全局最优解，来找到最佳位置。传统的粒子群算法收敛速度快，但容易陷入局部最优解，造成算法过早结束。

发明内容

本发明提出。本发明的目的在于提出一种在无线传感器网络中部署传感器节点的方法，通过改进传统粒子群算法的惯性权重计算方法，提高算法的局部搜索能力；通过给粒子个体一个变异概率，使其重新计算个体历史最优解，有效避免整个算法陷入局部最优解，提高了传感器的利用率，降低了组建无线传感网的成本。

为了解决上述技术问题，本发明提供一种在无线传感器网络中部署传感器节点的方法，将所有传感器随机散布在目标区域中，将各传感器的初始坐标作为粒子群算法中的粒子初始位置，将无线传感器网络的覆盖率作为粒子群算法的目标适应值函数；通过粒子群算法得出的全局历史最优解，并且根据最优解获得粒子自身的最优值，所述最优值就是在目标区域部署传感器的最佳位置；通过粒子群算法得出的全局历史最优解的过程为：

Step1，对粒子的位置x⁰ _i和速度v⁰ _i进行初始化；

Step2，计算粒子的惯性权重w*以及粒子的目标适应值R(G)，并且记录下粒子的个体历史最优解R^t _i和全局粒子最优解R^t _g，t为当前迭代次数；

Step3，更新粒子的速度x_i和位置v_i，重新计算粒子的惯性权重w*和目标适应值R(G)，更新粒子的个体历史最优解R^t _i和全局历史最优解R^t _g；

Step4，计算粒子的适应性标准差S，

如果S≠0并且t≤t_max，则返回Step3；

如果S＝0并且t≤t_max，则对部分粒子进行变异操作，并重新计算粒子的个体历史最优解，然后返回Step3；

否则，粒子群算法结束。

进一步，所述目标适应值函数如下式所示，

其中，将无线传感器网络中的N个传感器的位置信息组成一个集合G＝{g₁,g₂,…,g_n}，g_i＝(x_i,y_i)；将无线传感器网络看作由m×n个点P组成；p(G,P)为点P被传感器集合G覆盖的覆盖率，且

p(g_i,P)]为用于判断感器g_i的感知能力是否覆盖点P的函数，

p(g_i,P)为1时，表示传感器g_i成功覆盖点P，p(g_i,P)为0时，表示传感器g_i未能覆盖点P。

进一步，所述计算粒子的惯性权重w*的方法如下式所示，

其中，t_max为粒子群算法的最大迭代次数。

进一步，所述计算粒子的适应性标准差S的方法如下式所示，

k为粒子的个数，R_i是第i个粒子的覆盖率，R_avg是平均覆盖率，

本发明与现有技术相比，其显著优点在于：

(1)使用智能方法部署传感器，相比于传统的随机部署方式，能够更加合理的规划传感器部署方法，提高传感器的利用率；

(2)通过改进传统粒子群算法的惯性权重计算方法，提高算法的局部搜索能力；

(3)引入变异算子来更新粒子群算法中的部分粒子个体历史最优解，用来防止粒子群算法陷入局部最优状态，提高算法的精确度。

附图说明

图1是实施本发明所应用的一个无线传感器网络示意图。

图2是本发明方法流程图。

图3是本发明的实验结果示意图。

具体实施方式

容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发明在无线传感器网络中部署传感器节点的方法的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。

结合图1，无线传感器网络包括由各小圆点表示的传感器。整个网络中各传感器的能量相等，具有相同的通信半径和感知半径，通信半径为感知半径的2倍，各传感器有各自的ID信息，且位置信息已知。

网络初始化

在网络初始化阶段中，假设有N个传感器需要部署，传感器的感知半径为r。所有传感器随机散布在给出的正方形目标区域中。记录下各传感器的初始坐标(x_i,y_i)，将这些坐标作为后面粒子群算法的各个粒子的位置的初始值，i∈N。

覆盖率计算

无线传感器网络中的N个传感器的位置信息组成一个集合G＝{g₁,g₂,…,g_n}，其中g_i＝(x_i,y_i)。将无线传感器网络看作由m×n个点P组成，点P坐标为(x_P,y_P)。点P距离传感器g_i的距离d(g_i,P)可以通过如下公式计算。

计算出点P与传感器g_i的距离后可以通过距离d(g_i,P)与感知半径r的关系来判断传感器g_i的感知能力是否覆盖点P，判断表达式如下式所示，

p(g_i,P)为1时，即距离d(g_i,P)小于或等于感知半径r时，表示传感器g_i成功覆盖点P，p(g_i,P)为0时，即距离d(g_i,P)大于感知半径r时，表示传感器g_i未能覆盖点P。一般情况下，点P可以同时被多个传感器覆盖，那么点P被传感器集合G覆盖的覆盖率p(G,P)可以被如下公式表示。

如果p(G,P)为1，则表示点P被集合G覆盖，否则表示点P未能被集合G覆盖。因此，所有被覆盖的点P的总数SUM(p)可以被如下公式表示。

此时，整个无线传感网的覆盖率R(G)可以用如下公式表示。

R(G)也是之后粒子群算法的目标适应值函数。

本发明中改进的粒子群算法

粒子群由k个粒子组成，粒子的目标搜索空间为N维。x^t _i＝(x^t _i1,x^t _i2,…,x^t _in)为第t次迭代时第i个粒子的位置矢量，其在空间内以v^t _i＝(v^t _i1,v^t _i2,…,v^t _in)的速度飞行。粒子通过追踪两个极值：粒子的个体历史最优解R^t _i＝(R^t _i1,R^t _i2,…,R^t _in)和全局历史最优解R^t _g＝(R^t _g1,R^t _g2,…,R^t _gn)来动态更新自己的速度和位置。更新公式如下所示：

v^t+1 _id＝w*v^t _id+c₁r₁(R^t _id-x^t _id)+c₂r₂(R^t _gd-x^t _id)

x^t+1 _id＝x^t _id+v^t+1 _id

其中，d＝1,2,…,N，d为目标搜索空间的当前维数，c₁,c₂为加速因子，c₁＝c₂＝2，r₁,r₂为介于[0,1]的随机数。w*为惯性权重，为了能够使得算法收敛，w*的取值范围为[0.4,0.9]，计算公式如下所示。

其中，t_max为粒子群算法的最大迭代次数。传统的粒子群算法中，惯性权重w*随迭代次数增加而线性递减；而在本发明改进的粒子群算法中，w*能够做到曲线递减，随着迭代次数的增加，惯性权重w*下降速度减缓，这样能确保粒子群算法的局部搜索能力能够得到逐步加强，改善算法的最优解搜索能力。

变异算子使用判定

传统的粒子群算法在计算时容易陷入局部最优解，使得算法过早收敛，造成早熟现象。因此，本发明引入了变异算子，给粒子一个变异的概率，达到初始化部分粒子的个体最优解的目的，避免粒子群算法出现早熟现象。

当粒子群算法陷入早熟时，所有的粒子汇聚在一个点上，因此，算法就无法继续求得最优解。为此，本发明先判断粒子群算法是否陷入最优解，具体判断方法如下式所示，

S是粒子群算法的适应性标准差，它的值越小，说明粒子群算法求得的值越接近局部最优解或全局最优解。k是粒子的个数，R_i是粒子i的覆盖率，R_avg是平均覆盖率，它可以通过如下公式计算。

适应性标准差S＝0时，需要查看当前粒子群算法的迭代次数t(t＜1000)，如果当前迭代次数t＜t_max，那么开始变异，变异概率p_m(0≤p_m≤0.2)为一个预先定义的值，选择部分粒子对它的位置和速度进行初始化，重新计算其个体历史最佳适应值，之后继续运行粒子群算法。

得出最优解

通过粒子群算法得出的全局历史最优解，并且根据最优解就能够得到粒子自身的最优值，这个最优值就是传感器部署的最佳位置。粒子的目标函数适应值即为传感器的覆盖率R(G)，整个算法的运行步骤如下所示：

Step1.粒子群初始化：对粒子的位置x⁰ _i，粒子的速度v⁰ _i进行初始化。

Step2.计算粒子的惯性权重w*以及粒子的目标函数适应值R(G)，并且记录下粒子的个体历史最优解R^t _i和全局粒子最优解R^t _g。

Step3.更新粒子的速度x_i和位置v_i，重新计算粒子的惯性权重w*。

Step4.计算各个粒子的目标函数适应值R(G)，更新粒子的个体历史最优解R^t _i和全局历史最优解R^t _g。

Step5.计算粒子的适应性标准差S，如果S≠0并且t≤t_max，则返回Step3；如果S＝0并且t≤t_max，对部分粒子进行变异操作，重新计算这些粒子的个体历史最优解，然后返回Step3；否则，结束算法。

Claims (1)

1.一种在无线传感器网络中部署传感器节点的方法，其特征在于，将所有传感器节点随机散布在目标区域中，将各传感器节点的初始坐标作为粒子群算法中的粒子初始位置，将无线传感器网络的覆盖率作为粒子群算法的目标适应值函数；通过粒子群算法得出全局历史最优解，并且根据全局历史最优解获得粒子自身的最优值，所述最优值就是在目标区域部署传感器节点的最佳位置；通过粒子群算法得出全局历史最优解的过程为：

Step 1，对粒子的位置l_i和速度v_i进行初始化；

Step 2，计算粒子的惯性权重w*以及粒子的目标适应值函数R(G)，并且记录下粒子的个体历史最优解R^t _i和全局历史最优解R^t _g，t为当前迭代次数；

Step 3，更新粒子的位置l_i和速度v_i，重新计算粒子的惯性权重w*和目标适应值R(G)，更新粒子的个体历史最优解R^t _i和全局历史最优解R^t _g；

Step 4，计算粒子的适应性标准差S，

如果S≠0并且t≤t_max，则返回Step 3；

如果S＝0并且t≤t_max，则对部分粒子进行变异操作，并重新计算粒子的个体历史最优解，然后返回Step 3；

否则，粒子群算法结束；

目标适应值函数如下式所示，

其中，将无线传感器网络中的N个传感器节点的位置信息组成一个集合G＝{g₁,g₂,…,g_n}，g_i＝(x_i,y_i)，(x_i,y_i)为各传感器节点的初始坐标；将无线传感器网络所在的目标区域看作由m×n个点P组成；p(G,P)为点P被传感器集合G覆盖的覆盖率，且

p(g_i,P)为用于判断传感器节点g_i的感知能力是否覆盖点P的函数，

p(g_i,P)为1时，表示传感器节点g_i成功覆盖点P，p(g_i,P)为0时，表示传感器节点g_i未能覆盖点P；d(g_i,P)为点P距离传感器节点g_i的距离；r为感知半径；

计算粒子的惯性权重w*的方法如下式所示，

其中，t_max为粒子群算法的最大迭代次数；

计算粒子的适应性标准差S的方法如下式所示，

k为粒子的个数，R_i是第i个粒子的覆盖率，R_avg是平均覆盖率，

Images