CN107371125A - 基于粒子群算法的无线传感器网络故障修复方法及装置 - Google Patents

Abstract

本发明公开了一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复方法，包括当节点感知到危险信号时，在所述节点周围建立危险域，在所述节点发生故障时，确定适应度函数，并确定所述危险域中其他节点的初始任务分担、pbest值、gbest值和相关参数；更新所述其他节点的任务分担，更新所述pbest值和所述gbest值，直至所述适应度函数达到最优状态。由此可知，本发明公开的无线传感器网络故障修复方法参与修复的空间大小根据危险域的范围而确定，减少了初始种群的样本基数，在保证结果准确性的前提下，降低无线传感器网络故障修复算法的复杂度。本发明还公开了一种无线传感器网络故障修复装置，同样能达到上述技术效果。

Description

基于粒子群算法的无线传感器网络故障修复方法及装置

技术领域

本发明涉及无线传感器网络领域，更具体地说，涉及一种基于粒子群算法的无线传感器网络故障修复方法及装置。

背景技术

由于多种无法回避因素的影响，导致无线传感器网络节点出现各种各样的故障，从而降低了无线传感器网络预期要达到的效果、失去应有的功能，甚至整个网络瘫痪造成严重的损失。通过对无线传感器网络即时有效的进行故障诊断，对各种异常情况故障情况给出实时准确的故障诊断报告，可以很好的预防和消除无线传感器网络中故障，同时提高无线传感器网络运行的各种可行性。通过对故障类型的准确判断，可以把故障带来的损失降低，并最终延长其使用时间。实现无线传感器网络节点的远程维护，是保障无线传感器网络提供可靠信息规划、管理节点的有效途径。

在现有技术中，一般采用遗传算法对无线传感器网络的故障节点进行修复，由于遗传算法是采用交叉、变异的方法最终筛选出最优解，在样本基数很大的情况下，交叉变异就需要很多代的操作，算法比较复杂，耗时较长，不容易操作。

因此，如何在保证结果准确性的前提下，降低无线传感器网络故障修复算法的复杂度是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于提供一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复方法及装置，以降低无线传感器网络故障修复算法的复杂度，并保证结果的准确性。

为实现上述目的，本发明实施例提供了如下技术方案：

S101：当节点感知到危险信号时，在所述节点周围建立危险域，并判断所述节点是否发生故障，若是，则进入S102；

S102：确定适应度函数，并确定所述危险域中其他节点的初始任务分担、pbest值、gbest值和相关参数；

S103：判断所述适应度函数是否达到最优状态，若否，则更新所述pbest值和所述gbest值，并进入S104，若是，则结束流程；

S104：根据所述pbest值、所述gbest值和所述相关参数更新所述其他节点的任务分担，并进入S103。

其中，若所述适应度函数为所述危险域的能量函数，则判断所述适应度函数是否达到最优状态包括：

判断所述危险域的能量函数是否达到最大值。

其中，所述当节点感知的危险信号时，在所述节点周围建立危险域包括：

当节点检测到危险属性在单位时间内变化量超过预设的范围时，在所述节点周围建立危险域。

其中，在所述节点周围建立危险域，包括：

确定所述危险信号的危险等级，在所述节点周围建立与所述危险等级相对应的危险域。

其中，判断所述节点是否发生故障，包括：

将所述危险域中的待检测对象处理成可识别的待检测抗原；

通过比较所述待检测抗原与抗体库中的抗体，判断所述节点是否发生故障。

其中，所述S102之前，还包括：

根据所述待检测抗原与所述抗体库中的抗体之间的亲和力更新所述抗体库。

其中，所述确定适应度函数之前，还包括：

判断所述节点是否为冗余节点，若否，则执行所述S102。

其中，所述相关参数包括：

惯性参数、认知参数和社会参数。

其中，所述S104之前，还包括：

更新所述惯性参数；其中，所述惯性参数随着更新所述各节点任务分担的次数的增加逐渐减小。

为实现上述目的，本发明实施例还提供了一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复装置，包括：

危险感知模块，用于当节点感知到危险信号时，在所述节点周围建立危险域，并判断所述节点是否发生故障；

初始化模块，用于在所述节点发生故障时，确定适应度函数，并确定所述危险域中其他节点的初始任务分担、pbest值、gbest值和相关参数；

最优判断模块，用于判断所述适应度函数是否达到最优状态，若否，则更新所述pbest值和所述gbest值，并触发节点修复模块，若是，则结束流程；

所述节点修复模块，用于在所述适应度函数没有达到最优状态时，根据所述pbest值、所述gbest值和所述相关参数更新所述其他节点的任务分担，并触发所述最优判断模块。

通过以上方案可知，本发明实施例提供的基于免疫危险理论和粒子群算法的无线传感器网络故障修复方法，包括当节点感知到危险信号时，在所述节点周围建立危险域，在所述节点发生故障时，确定适应度函数，并确定所述危险域中其他节点的初始任务分担、pbest值、gbest值和相关参数；根据所述pbest值、所述gbest值和所述相关参数更新所述其他节点的任务分担，更新所述pbest值和所述gbest值，直至所述适应度函数达到最优状态。

由此可知，本发明实施例提供的无线传感器网络故障修复方法通过PSO对故障节点进行修复，即将故障节点的任务分担到危险域中的其他节点上，省去了遗传算法交叉变异的过程，同时参与修复的空间大小根据危险域的范围而确定，减少了初始种群的样本基数，在保证结果准确性的前提下，降低无线传感器网络故障修复算法的复杂度。本发明实施例还提供了一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复装置，同样能达到上述技术效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复方法的流程图；

图2为本发明实施例公开的另一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复方法的流程图；

图3为本发明实施例公开的又一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复方法的流程图；

图4为本发明实施例公开的一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复装置的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复方法及装置，以降低无线传感器网络故障修复算法的复杂度，并保证结果的准确性。

参见图1，本发明实施例提供的一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复方法的流程图。如图1所示，包括：

S101：当节点感知到危险信号时，在所述节点周围建立危险域，并判断所述节点是否发生故障，若是，则进入S102，若否，则继续检测节点是否感知到危险信号；

本发明实施例提供的故障诊断方法是基于分簇式无线传感网络的，无线传感器节点被均匀的部署在某个区域内，无线传感网络可以划分为若干个簇，每个簇内的节点包括簇头节点和普通节点，簇头节点负责协调和控制簇内的普通节点及其数据的融合，同时簇头节点之间可以通过网关通信。

本发明实施例中的抗原和抗体的概念遵从Perelson与Oster于1979年提出的形态空间模型。在此基础上，用一个二进制字符串表示抗体Ab和抗原Ag。

即定义抗原Ag是由m个特征基因组成，Ag＝{ag_i|i＝1,2,3,...,n}为抗原集合，每个抗原ag_i＝{ag_i1,ag_i2,ag_i3,...,ag_im}表示为第i个抗原。同样可以定义抗体集合：Ab＝{ab_i|i＝1,2,3,...,n}为抗体集合，每个抗体为ab_i＝{ab_i1,ab_i2,ab_i3,...,ab_im}表示为第i个抗体。其中ag_im和ab_im分别为抗原ag_i和抗体ab_i的基因。

在某一簇内的某个普通节点感受到危险信号时，需要在该危险节点的周围建立危险域，确定待检测对象的提取范围，减少故障诊断的计算量。

在上述实施例的基础上，作为优选实施方式，所述当节点感知的危险信号时，在所述节点周围建立危险域包括：

当节点检测到危险属性在单位时间内变化量超过预设的范围时，在所述节点周围建立危险域。

在具体实施中，通过监视危险信号在环境中的变化，及时发现及感知潜在的“危险”。“危险”都会产生危险量的变化，任何系统(包括身体和网络系统)，在正常的情况下，一切都是正常运行，不会环境异常的变化。但是变化是相对的，正常的机体和系统在正常的范围内变化属于“静止”的，只有超过正常的变化的范围才是危险信号的显现。因此，可以通过监测机体和系统相关信号量的变化来感知危险，从而感知危险的存在。在生物免疫系统中，如果一个细胞因正常原因死亡(凋亡)，在分解之前清除掉细胞实体。但是如果是在异常情况下坏死的细胞(受难细胞)，在被清除之前会释放出危险信号。类似的，在本实施例中提出的免疫危险理论中，无线传感器网络节点通过感知自身危险量的变化感知危险的存在，并释放出危险信号，在一般情况下传感器节点在产生故障的情况下感知危险并产生危险信号。

针对某类抗原危险信号，有

其中Df_i为危险属性，如：传感器网络节点TDMA完全失效，传感器节点电源能量DF₁下降很快；

其中，C_power表示在Δt时间内电量的变化量。将每个危险属性归一化，并给一个对应的阈值δ_i，在t时刻，如果CF_i＝|DF_t-DF_t-1|＞δ_i,则认为该属性发生了不正常变化，可能存在危险，感受到危险之后，节点发送危险信号给决策节点，危险信号为：

DS＝<Timestamp,{(DF_i,Df_i)}>

危险信号检测过程只需要在节点的正常的工作时间，不会产生额外的节点唤醒。

当然，也可以采用计算节点之间欧式距离的方式，感知节点的危险信号。根据时空相近性，正常节点的状态特征向量在某一时刻一定处于某个范围内(即存在相邻性)。随机找出一个节点并计算与其他节点状态特征向量的欧式距离。

用距离函数表示初始抗体与疫苗的欧氏距离，以初始抗体向量作为未知数，距离函数作为遗传算法的目标函数，从而求出符合条件的新匹配记忆抗体向量，生成抗体库。本实施例中提出的算法采用遗传算法生成抗体，采用接种疫苗的方法，输入疫苗(训练抗原库的中心)，经过遗传算子交叉、选择、变异操作后生成新匹配记忆抗体库。

一个训练抗原库以矩阵(m*n)的形式如下式所示：

故疫苗(抗原库中心)(1*n)计算表达式以如下式所示：

设V为n维疫苗向量，Ab为n维抗体向量，距离函数如下式所示：

点数量超过节点总数的一半，该类节点就被认为正常，其余节点则被识别为危险源。

在上述实施例的基础上，作为优选实施方式，在所述节点周围建立危险域，包括：

确定所述危险信号的危险等级，在所述节点周围建立与所述危险等级相对应的危险域。

当决策节点接收到节点感知到的危险信号时，就会依据节点感知到的危险信号的大小，在节点周围建立危险域。危险域锁定了故障诊断的区域范围，为决策节点的诊断锁定了区域，从而很大程度提高了无线传感器网络诊断算法的计算量，提高了算法诊断性能和实时性。同时这样是免疫危险理论算法优于传统人工免疫算法的体现。因此危险域的建立决定了故障诊断算法的诊断性能。危险域是一个澡时间和空间上相关联的集合，当然危险域的建立要与实际应用环境以及危险信号的确定有着密切的关系。

在具体实施中，一旦决策节点接受到传感器节点的危险信号，便要建立一个危险域，危险域是以发出危险信号的节点为中心，覆盖范围称作危险半径，以跳数为单位。危险域的半径域危险程度有关，危险半径为：

其中，nd为单位时间内，决策节点受到的危险信号的个数，ω_i为每个危险属性的权重。

当然，也可以根据节点的属性，在所述节点周围建立危险域，对于整个网络而言，承担任务大的节点比承担任务小的节点建立的危险域大。

在上述实施例的基础上，作为优选实施方式，判断所述节点是否发生故障，包括：

将所述危险域中的待检测对象处理成可识别的待检测抗原；

通过比较所述待检测抗原与抗体库中的抗体，判断所述节点是否发生故障。

系统需要将危险域内的待检测对象预处理成抗原识别组件可识别的数据类型，即待检测抗原。只有处于危险域内被识别的抗原才会激活免疫应答。否则，即使抗原被识别但没有危险信号发生，系统将忽略该抗原。处在危险区域的节点把抗原ag_i＝{ag_i1,ag_i2,ag_i3,...,ag_im}提呈给决策节点。

诊断分类采用K近邻分类法和免疫危险理论向结合的方式，算法以抗体作为检测器，比较待检测抗原与抗体库中的抗体，待检测抗原与哪种抗体(检测器)相邻数最多，就被视为该类故障。用这种不精确匹配和投票的方式能使有限的抗体识别无限的抗原。

S102：确定适应度函数，并确定所述危险域中其他节点的初始任务分担、pbest值、gbest值和相关参数；

本实施例无线传感器网络故障修复算法采用PSO粒子群算法进行修复，基于PSO粒子群算法将需要修复节点的任务分配给其他节点实现网络修复，是无线传感器网络可以正常的完成任务，降低故障节点带来的印象。此算法依据无线传感器网络是以数据为中心任务为驱动型的网络，由此无线传感器网络作为一个整体完成任务，而不是关注单个节点的情况。因此当无线传感器网络节点产生故障时，主要可以实现监测区域内监测的数据可以感知并传递，完成应有任务即可，则可以认为完成了节点的网络修复目的。当节点产生故障引起网络质量下降，则需要对故障进行修复。本实施例提出的算法是在故障节点区域根据节点产生故障的程度建立危险域，在危险域内实现故障修复，本算法可以根据节点的产生的故障危险程度节点建立危险域，实现网络修复。从而有效的延长无线传感器网络的生命周期，提高网络的健壮性。

假设半径为Rd的危险域有n个成员节点，节点集合Q＝{Q₁,Q₂,...,Q_n}，每个成员用一个向量来标识当前的状态和能力，为能力向量，节点集合的能力向量E_i＝{e₁,e₂,...,e_n}，其中e₁＝{fc₁,fc₂,...,fc_n}，fc_m为节点的每个属性，m为属性的数量，属性如有：剩余电量、信任度、执行能力等，能力向量是节点的综合能力的度量，这些属性可以是实时变化的，归一化到[0,1]区间内。

假设故障节点上运行着j个任务，完成这j个任务需要的能量为其中决策节点要将这j个任务合理的安排给危险域中的n个成员节点，由n个成员节点来分担故障节点上的j个任务。

在确定无线传感器网络故障修复的适应度函数后，根据以上每个节点任务分担的定义，可以随机设置危险域内各节点的初始任务分担和更新各节点任务分担所需要的相关参数，并根据初始任务分担确定pbest值和gbest值。

pbest表示粒子自身搜索到的最优位置；gbest为整个粒子群体搜索到的最优位置。相关参数可以包括惯性参数和加速系数，一个合适的惯性参数能够有效兼顾搜索精度和搜索速度、全局搜索和局部搜索，保证算法性能；加速系数代表着每个粒子向其自身历史最优位置(pbest)和整个粒子群体历史最优位置(gbest)的移动加速项的权值。较低的加速系数值可以使粒子收敛到其最优解的过程较慢，从而能够更好搜索当前位置与最优解之间的解空间，但过低的加速系数值则可能导致粒子始终徘徊在最优邻域外而无法有效搜索目标区域，从而导致算法性能下降，较高的加速系数则可能导致粒子快速集中于目标区域进行搜索，提高算法效率，但过高的加速系数则可能导致粒子搜索间隔过大，容易越过目标区域无法有效找到全局最优解。因此加速系数对算法是否收敛也起到重要的作用，合适的加速系数有利于算法较快的收敛，同时具有一定的跳出局部最优的能力。

S103：判断所述适应度函数是否达到最优状态，若否，则更新所述pbest值和所述gbest值，并进入S104，若是，则结束流程；

S104：根据所述pbest值、所述gbest值和所述相关参数更新所述其他节点的任务分担，并进入S103。

本发明设计了离散PSO(D-PSO)算法。相关定义如下：

定义1：位置。用向量表示为：X＝[x₁,x₂,...,x_n]，n为危险域Ra中的节点数量，x_i∈{0,1}表示节点i是否有参加任务分担。

定义2：速度向量。粒子的速度改变着粒子的位置，速度向量表示为：V＝[v₁,v₂,...,v_n]，其中v_i∈{0,1}，i∈{1,n}。

定义3：加法。设粒子i的位置为x_i，则粒子i通过位置和速度的加法更新自己的位置，及X_i(t+1)＝X_i(t)+V_i(t+1)，位置x_i根据速度v_i更新位置，新位置表示如下：

定义4：减法。如：V_j＝X_i-X_j，假设粒子i的位置为x_i，粒子j的位置为x_j，粒子i与粒子j的位置减法为：

定义5：乘法。如V＝C₁*V'*C₂，通过C₁和C₂来更新速度，其中C₁和C₂皆为整数。且1≤C₁≤C₂≤n，n为V的维数。

在具体实施中，首先判断针对于各节点当前的任务分担，适应度函数是否达到最优状态，若是，则结束流程，该节点的故障修复完成，若否，则根据pbest值、gbest值和相关参数更新各节点的任务分担，并根据每次更新的各节点任务分担更新pbest值和gbest值，直到适应度函数达到最优状态，即该节点的故障修复完成。

在上述实施例的基础上，作为优选实施方式，所述相关参数包括：

惯性参数、认知参数和社会参数。

在上述实施例的基础上，作为优选实施方式，所述S104之前，还包括：

更新所述惯性参数；其中，所述惯性参数随着更新所述各节点任务分担的次数的增加逐渐减小。

粒子i的速度和位置分别按下面两个公式进行迭代更新，得到V_i(t+1)和X_i(t+1)公式如下：

V_i(t+1)＝αV_i(t)+β(pBest_i-X_i(t))+γ(gBest_i-X_i(t))

X_i(t+1)＝X_i(t)+V_i(t+1)

其中，pBest_i表示粒子自身搜索到的最优位置；pBest_i为整个粒子群体搜索到的最优位置；α为粒子的惯性因子，指导粒子沿着自己的速度向前搜索，根据α的调整避免算法陷入局部收敛；β表示为认知系数粒子的自身经验，γ表示为社会系数，代表群体的“社会经验”，β、γ可以代表上述的加速系数，三个参数为粒子的加速器，使粒子朝着最优解的方向去搜索。最终得到最优解，即为问题的最优解。

在PSO粒子群算法中的三个参数的选择直接决定这到搜索的性能。如果算法使用较小的惯性参数，算法容易过早的收敛从而陷入局部收敛。因此对PSO粒子群算法的参数进行调整是很有必要的。在算法是使粒子具有较大的开拓性质，有利于算法在搜索是具有很好的全局性，随着优化优化过程的进行，逐渐调整惯性参数，是算法朝着最优的位置进行收敛。所以在PSO粒子群算法初期，选择较大的参数，使算法对解空间进行大范围的搜索，在算法的优化后期选择较小的参数，使算法在校范围内进行搜索，因此为了使粒子群算法具有全局的搜索能力以及很好的搜索速度，将粒子群算法中的参数设置为动态可变参数。因此,为了增加粒子群的全局搜索能力和搜索速度,将公式中的参数设为动态可变的。在开始执行搜索时将设置较小的粒子自我认知能力和较大的群体认知能力。对PSO算法改进：

其中iter为迭代次数，itermax为最大迭代次数，||v||为V的维数。

通过改进的PSO算法维护了全局和局部搜索的平衡性，通过C₂(iter)-C₁(iter)和C₄(iter)-C₃(iter)来达到平衡搜索。

本发明实施例提供的无线传感器网络故障修复方法通过PSO对故障节点进行修复，即将故障节点的任务分担到危险域中的其他节点上，省去了遗传算法交叉变异的过程，同时参与修复的空间大小根据危险域的范围而确定，减少了初始种群的样本基数，在保证结果准确性的前提下，降低无线传感器网络故障修复算法的复杂度。

本发明实施例提供的无线传感器网络故障修复方法，可以将危险域的能量函数作为适应度函数，具体的：

参见图2，本发明实施例提供的另一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复方法的流程图。如图2所示，包括：

S201：当节点感知到危险信号时，在所述节点周围建立危险域，并判断所述节点是否发生故障，若是，则进入S202，若否，则继续检测节点是否感知到危险信号；

S202：确定所述危险域的能量函数为适应度函数，并确定所述危险域中其他节点的初始任务分担、pbest值、gbest值和相关参数；

S203：判断所述危险域的能量函数是否达到最大值，若否，则更新所述pbest值和所述gbest值，并进入S204，若是，则结束流程；

当适应度函数为V_Rd＝E_Rd(Rd)-F(T)-C(Rd)，V_Rd为最大值时，算法结束迭代，其中F(T)为完成j个任务转移的能量消耗，C(Rd)为危险域Rd的节点通信开销。

本实施例提出的适应度函数，也即为了在节点危险域中完成任务节点的消耗情况，通常采用节点能力向量各维值的和来表示。在节点危险域内，节点危险程度越大，需要参与修复的节点就会越多，因此建立的危险域就会越大，但是以此同时节点彼此之间的交互信息就会增加，因此平衡好节点危险域中参加节点之间的数目是十分关键，将任务所要求的能力作为收益，同时考虑危险域网络的能力成本以及节点间的通信开销，将适应度函数设计如下：

其中：n为危险域中节点的数量，m为e_j的维数，q为故障节点上的任务数量，C_ij为节点i与节点j的通信能耗，c为参在危险域中参与与任务分配节点的数量。

S204：根据所述pbest值、所述gbest值和所述相关参数更新所述其他节点的任务分担，并进入S203。

本发明实施例公开了一种具体的无线传感器网络故障修复方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：

参见图3，本发明实施例提供的又一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复方法的流程图。如图3所示，包括：

S311：当节点感知到危险信号时，在所述节点周围建立危险域，并判断所述节点是否发生故障，若是，则进入S302，若否，则继续检测节点是否感知到危险信号；

S312：根据所述待检测抗原与所述抗体库中的抗体之间的亲和力更新所述抗体库；

更新抗体库是一个学习过程，作为人工智能诊断算法，必须具有更新抗体库的能力。一旦在后续诊断分类工作中发现有危险抗原落入抗体库更新区，簇头会计算并重新调整中心位置，并转入控制后台训练抗体。

调整中心的公式与计算抗体库中心的公式类似，例如危险抗原落入更新区内，以矩阵(m*n)的形式如下式所示：

旧中心以向量(1*n)形式如下式所示：

oldcentral＝[oc₁ oc₂ …]

则新中心以向量形式(1*n)如下式所示

S321：判断所述节点是否为冗余节点，若否，则进入S322，若是，则结束流程；

无线传感器网络由大量传感器节点，存在着大量的冗余节点以及网络中的冗余信息。网络中的冗余节点发生故障不会对的执行情况产生影响，但是如果在关键节点失效的情况下，将会对无线传感器网络产生恶劣的影响，它可能会导致网络服务无法提供。免疫危险域评估，基于这种机理提出来的，这个模块是负责评估网络的健康状况，根据预设的参数阈值，如覆盖，连通性，丢包率等，判断网络是否处于正常运行状态，以此作为对节点危险域是否进行修复的关键。假若危险域网络指标低于阈值，然后通过把这种信息报给决策节点，开始节点的故障恢复措施。危险域评估模块作出评估结果作为一个整体的故障修复的输入值。

S322：确定所述危险域的能量函数为适应度函数，并确定所述危险域中其他节点的初始任务分担、pbest值、gbest值和相关参数；

S303：判断所述危险域的能量函数是否达到最大值，若否，则更新所述pbest值和所述gbest值，并进入S304，若是，则结束流程；

S304：根据所述pbest值、所述gbest值和所述相关参数更新所述其他节点的任务分担，并进入S303。

下面对本发明实施例提供的无线传感器网络故障修复装置进行介绍，下文描述的一种无线传感器网络故障修复装置与上文描述的一种无线传感器网络故障修复方法可以相互参照。

参见图4，本发明实施例提供的一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复装置的结构图。如图4所示，包括：

危险感知模块401，用于当节点感知到危险信号时，在所述节点周围建立危险域，并判断所述节点是否发生故障；

初始化模块402，用于在所述节点发生故障时，确定适应度函数，并确定所述危险域中其他节点的初始任务分担、pbest值、gbest值和相关参数；

最优判断模块403，用于判断所述适应度函数是否达到最优状态，若否，则更新所述pbest值和所述gbest值，并触发节点修复模块404，若是，则结束流程；

所述节点修复模块404，用于在所述适应度函数没有达到最优状态时，根据所述pbest值、所述gbest值和所述相关参数更新所述其他节点的任务分担，并触发所述最优判断模块403。

本发明实施例提供的无线传感器网络故障修复装置通过PSO对故障节点进行修复，即将故障节点的任务分担到危险域中的其他节点上，省去了遗传算法交叉变异的过程，同时参与修复的空间大小根据危险域的范围而确定，减少了初始种群的样本基数，在保证结果准确性的前提下，降低无线传感器网络故障修复算法的复杂度。

在上述实施例的基础上，作为优选实施方式，还包括：

更新抗体库模块，用于根据所述待检测抗原与所述抗体库中的抗体之间的亲和力更新所述抗体库。

在上述实施例的基础上，作为优选实施方式，还包括：

冗余节点判断模块，用于判断所述节点是否为冗余节点。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复方法，其特征在于，包括：

S101：当节点感知到危险信号时，在所述节点周围建立危险域，并判断所述节点是否发生故障，若是，则进入S102；

S102：确定适应度函数，并确定所述危险域中其他节点的初始任务分担、pbest值、gbest值和相关参数；

S103：判断所述适应度函数是否达到最优状态，若否，则更新所述pbest值和所述gbest值，并进入S104，若是，则结束流程；

S104：根据所述pbest值、所述gbest值和所述相关参数更新所述其他节点的任务分担，并进入S103。

2.根据权利要求1所述的无线传感器网络故障修复方法，其特征在于，若所述适应度函数为所述危险域的能量函数，则判断所述适应度函数是否达到最优状态包括：

判断所述危险域的能量函数是否达到最大值。

3.根据权利要求2所述的无线传感器网络故障修复方法，其特征在于，所述当节点感知的危险信号时，在所述节点周围建立危险域包括：

当节点检测到危险属性在单位时间内变化量超过预设的范围时，在所述节点周围建立危险域。

4.根据权利要求3所述的无线传感器网络故障诊断方法，其特征在于，在所述节点周围建立危险域，包括：

确定所述危险信号的危险等级，在所述节点周围建立与所述危险等级相对应的危险域。

5.根据权利要求4所述的无线传感器网络故障修复方法，其特征在于，判断所述节点是否发生故障，包括：

将所述危险域中的待检测对象处理成可识别的待检测抗原；

通过比较所述待检测抗原与抗体库中的抗体，判断所述节点是否发生故障。

6.根据权利要求5所述的无线传感器网络故障修复方法，其特征在于，所述S102之前，还包括：

根据所述待检测抗原与所述抗体库中的抗体之间的亲和力更新所述抗体库。

7.根据权利要求1-6任一项所述的无线传感器网络故障修复方法，其特征在于，所述确定适应度函数之前，还包括：

判断所述节点是否为冗余节点，若否，则执行所述S102。

8.根据权利要求7所述的无线传感器网络故障修复方法，其特征在于，所述相关参数包括：

惯性参数、认知参数和社会参数。

9.根据权利要求8所述的无线传感器网络故障修复方法，其特征在于，所述S104之前，还包括：

更新所述惯性参数；其中，所述惯性参数随着更新所述各节点任务分担的次数的增加逐渐减小。

10.一种基于免疫危险理论和粒子群算法的无线传感器网络故障修复装置，其特征在于，包括：

危险感知模块，用于当节点感知到危险信号时，在所述节点周围建立危险域，并判断所述节点是否发生故障；

初始化模块，用于在所述节点发生故障时，确定适应度函数，并确定所述危险域中其他节点的初始任务分担、pbest值、gbest值和相关参数；

最优判断模块，用于判断所述适应度函数是否达到最优状态，若否，则更新所述pbest值和所述gbest值，并触发节点修复模块，若是，则结束流程；

所述节点修复模块，用于在所述适应度函数没有达到最优状态时，根据所述pbest值、所述gbest值和所述相关参数更新所述其他节点的任务分担，并触发所述最优判断模块。