CN107395433B - 一种基于烟花算法的无线传感器节点部署方法 - Google Patents
一种基于烟花算法的无线传感器节点部署方法 Download PDFInfo
- Publication number
- CN107395433B CN107395433B CN201710713548.4A CN201710713548A CN107395433B CN 107395433 B CN107395433 B CN 107395433B CN 201710713548 A CN201710713548 A CN 201710713548A CN 107395433 B CN107395433 B CN 107395433B
- Authority
- CN
- China
- Prior art keywords
- firework
- wireless sensor
- sparks
- explosion
- algorithm
- 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
- H04L41/14—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
- 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)
Abstract
本发明公开了一种基于烟花算法的无线传感器节点部署方法,通过利用模拟烟花爆炸来解决最优化问题的烟花算法来进行传感器部署,烟花算法不仅继承了现有元启发式算法的许多优点,还有自身明显的特色,如爆发性、瞬时性、简单性、局部覆盖、分布并行等。且由于烟花算法个体相互独立,每个算子可以独立在局部进行搜索,所以适合并行化处理,能够解决在节点规模较大时收敛过慢的问题。同时本发明相对于随机分布或其他启发式算法相比实现对三维区域较高的覆盖率,由于充分考虑了地形地势,能够在保证网络有效性的前提下加强网络的各节点之间的连通性。
Description
技术领域
本发明涉及一种基于烟花算法的无线传感器节点部署方法。
背景技术
无线传感器网络即WSN是由大量的微小传感器节点以自组织形式构成的多跳无线网络,它能够感知、采集、处理网络传输区域内被检测对象的信息,有广泛的应用前景,近年来一直是国内外研究的热点。合理布置网络节点有助于提高WSN的工作效率,减少能量消耗,因此研究如何对网络节点进行分步优化已经成为WSN的关键技术之一。然而由于WSN具有高密度部署的特点,在使用过程中存在着严重的网络冗余。尤其是在三维地形中受地理条件限制更为严重,且由于地形起伏,会导致覆盖盲区的产生。
传统的无线传感器网络中的部署方法是随机部署,这种部署方法存在着很多问题,例如传感器分布不合理而存在检测误区,传感器的节点监控区域大面积重叠,传感器利用率低,网络覆盖率低等缺点,若采用增加传感器数目的方法提高网络覆盖率则浪费了大量资源。且在汇聚节点附近和区域边界节点密度应该有所不同,由于汇聚节点附近,传感器节点数据转发更为频繁,其密度应大于边界节点的密度,这是随机部署所不能解决的。
发明内容
为了解决目前传统的无线传感器网络中部署方法导致传感器部署不合理而造成的诸多问题,本发明提供一种基于烟花算法的无线传感器节点部署方法。
为了实现上述技术目的,本发明的技术方案是,
一种基于烟花算法的无线传感器节点部署方法,包括以下步骤:
步骤1,对待测区域建立三维坐标系,传感器节点坐标如下表示
其中(xi,yj)是无线传感器节点si在xoy轴的横坐标,hi(xi,yi)是节点si在(xi,yj)的高度;
步骤2,初始化种群,围绕无线传感器网络中的汇聚节点随机产生n个位置,传感器节点总数即种群最大规模为Snode,搜索空间维数为3,最大迭代次数Tmax,当前所有爆炸火花和高斯变异火花的位置集合设为W;
步骤3,分别在这n个位置上各引爆一个烟花,共引爆n个;
步骤4,计算产生的各烟花的适应度,根据下面的式子计算烟花爆炸产生的火花数目Ri和爆炸半径Ai;
其中M是控制n个烟花产生火花总数的参数,Ai是第i个烟花的爆炸半径,是最大爆炸半径,f(xi)为根据该点的覆盖率计算出的烟花适应度,Ymax是当前个体中适应度最好的个体适应度,Ymin是当前个体中适应度最差的个体适应度,N为烟花总数,ε取小于0.001且大于0的值;
步骤5,按照下列公式更新火花位置,生产爆炸火花并对所有爆炸火花进行高斯变异,并更新其位置:
爆炸火花:
其中rand(-1,1)是产生一个(-1,1)之间的随机数;
对于超出可行域的部分,即超出当前待测区域坐标范围的部分,利用映射规则:
高斯变异操作:
对每个烟花随机选择μ个维度(在该方法中μ可取1、2或者0),对每一位更新烟花位置生成高斯变异火花:
其中Gaussian(1,1)是利用高斯公式产生一个(0-1)之间的随机数,
对于超出可行域的部分,即超出当前待测区域坐标范围的部分,利用映射规则
步骤6,计算所有烟花、爆炸火花和高斯变异火花的适应度值,并找出当前最佳位置x*,保留到下一次爆炸,依据下面式子从当前产生的烟花和火花集合W中随机选择n-1个位置,并与当前n个位置进行迭代,参与下一代操作;
d(xi,xj)表示xi和xj的欧几里得距离,位置xi被选中的可能性p(xi)的定义如下:
步骤7,若满足种群最大规模Snode或最大迭代次数Tmax,则找出当前算法中所有的烟花点和火花点,否则回到步骤4。
所述的一种基于烟花算法的无线传感器节点部署方法,所述的步骤4中,计算产生的各烟花的适应度f(xi)是通过以下公式计算:
其中ωi为某点ei的权重,Cei为某点ei在当前无线传感器网络环境中被覆盖的概率,τ为当前检测区域网格点总数。
所述的一种基于烟花算法的无线传感器节点部署方法,所述的Cei通过以下公式计算:
所述的一种基于烟花算法的无线传感器节点部署方法,在部署多个无线传感器节点的情况下,待测区域内某点被一个无线传感器节点覆盖的概率C(si,ei),通过以下公式计算:
C(si,ei)=μdvijP(si,t)
其中p(si,t)表示传感器节点s检测到兴趣点t处的事件发生概率:
其中α=d(s,t)-(rs-re),k和m为衰减因子;
(rs-re)是传感器确定性感知半径;
re为传感器节点不确定性感知距离,根据实际部署地的环境测得;
μd是测量两者之间距离的二进制函数:
vij表示节点si和点ei之间的可见性:
本发明的技术效果在于,通过利用模拟烟花爆炸来解决最优化问题的烟花算法来进行传感器部署,烟花算法不仅继承了现有元启发式算法的许多优点,还有自身明显的特色,如爆发性、瞬时性、简单性、局部覆盖、分布并行等。且由于烟花算法个体相互独立,每个算子可以独立在局部进行搜索,所以适合并行化处理,能够解决在节点规模较大时收敛过慢的问题。同时本发明相对于随机分布或其他启发式算法相比实现对三维区域较高的覆盖率,由于充分考虑了地形地势,能够在保证网络有效性的前提下加强网络的各节点之间的连通性。
下面结合附图对本发明作进一步说明。
附图说明
图1为本发明三维表面的数字高程模型示意图;
图2为用于计算三维表面上任意定点的坡度和坡向的3X3的窗口示意图;
图3为三维空间中部署的传感器节点映射到二维平面上时感知半径示意图;
图4为等高线与相邻等高线的坡度及等高线的弯曲程度的示意图;
图5为不满足在同一等高线上,两个间隔点弧长不得超过阈值d的情况的示意图;
图6为本发明DEM地形图的等高线转换为矩形的示意图,其中(a)图所示为si与ei之间无障碍情况,(b)图为si与ei之间有一个障碍物的情况。
具体实施方式
参见图1,网络覆盖模型如下所述:
假设三维表面监控区域B,已知该三维表面的数字高程模型(DEM)
假设每个传感器都有相同的通信半径和感知半径,S={s1,s2......sn}是一组无线传感器集合,感知半径为Rs,对待测区域建立三维坐标系,节点si坐标如下
其中(xi,yj)是无线传感器节点si在xoy轴的横坐标,hi(xi,yi)是节点si在(xi,yj)的高度。
数字高程模型中得到的栅格结构数据集,利用3X3的窗口计算三维表面上任意定点的坡度和坡向,例如以图2的3X3窗口所示:
取等高线间隔点时,需要考虑到等高线与相邻等高线的坡度及等高线的弯曲程度,弯曲程度大的时候需要密集取点间隔。
其中C表示等高线上顶点Pk的转角,转角越大弯曲程度越大,点Pk-1和Pk+1是顶点Pk两边的点,如图4所示,
同样,取点间隔还需满足另外一个条件,同一等高线上两个间隔点弧长不得超过阈值d,其中阈值d根据地点的具体情况进行确定,对于不满足取值的点我们称之为特殊地形,这种情况是地形上出现了比较大的起伏,比如有陡坡、深坑,导致两个间隔点之间的实际距离超过传感器的通信距离。在这种情况下,阈值d应根据实际情况缩小,而在平地上,阈值d应该等于传感器节点的通信半径。如图5所示,R′={r1,r2,...rH}是一组特殊地形,这些位置不能放置传感器节点,在该方案中我们采用矩形来表示这样的物理洞,此处这样来表示这个矩形:
E={e1,e2,...,eM}表示被监测区域的一组采样点集,M表示为采样点个数(采样点不包括不可取点)
(xj e,yj e)是该点在XOY平面的坐标
hj e(xj e,yj e)是该点的高度
wj表示该点的权重,等高线越密集的地方及等高线定角越大,该点权重越高;
若点ej被传感器节点si覆盖,需满足以下条件:
1、传感器节点si与ej位置之间的欧氏距离小于或等于si的感知半径;
2、传感器节点si到点ej的可见性。
因此该感知过程主要依靠的是距离和可见性。
而且在实际应用环境中,传感器节点的感知能力收到很多环境因素及自身条件的影响,比如信息在传播过程中的强度衰减、监控环境中的噪声、其他电波的干扰,与二元感知模型不同,概率感知模型充分考虑了节点感知能力受众多因素的影响,在以指数衰减概率模型中,p(si,t)表示传感器节点s检测到兴趣点t处的事件发生概率。
其中α=d(s,t)-(rs-re),k和m为衰减因子;
(rs-re)是传感器确定性感知半径;
re为传感器节点不确定性感知距离,需工程师根据实际部署地的地形、海拔、空气中颗粒物程度等进行确定。
μd是测量两者之间距离的二进制函数:
vij表示节点si和点ei之间的可见性:
表示si与ei之间的障碍数,障碍个数的计算方式:
若地形与节点和采样点构成的线段交叉,则证明存在障碍:但因为DEM地形图是连续的,判断地形需要的时间较长,因此可将等高线划分成多个较小的矩形,如图6所示。
因此,si能否覆盖ei可以定义为:
C(si,ei)=μdvijP(si,t)
因此可计算在部署一系列节点和覆盖点的情况下,某点被一个传感器覆盖的概率,覆盖概率即为C(si,ei)。因为各传感器节点互相独立,所以若一个点未被覆盖是指未被当前所有节点覆盖的联合概率,所以某点ei在当前WSN环境中被覆盖的概率为
整体覆盖率为
采用烟花算法确定节点位置,烟花算法是通过模拟烟花爆竹产生大量的火花在邻域内进行搜索,若烟花的适应度越好,则烟花的爆炸范围就越少,产生的火花就越多,如果烟花的适应度越差,烟花的爆炸范围就越大,产生的火花就越少。
爆炸半径公式:
因无线传感器节点部署的目标是实现覆盖范围最大,用该点的覆盖率来作为适应度的衡量目标,适应度计算公式为
算法流程为:
(1)初始化种群,围绕汇聚节点随机产生n个位置(位置坐标不能位于特殊地形),节点总数为Snode,最大爆炸半径M是控制n个烟花产生火花总数的参数,搜索空间维数d(该方法中n=2,z轴坐标用插值法获取),迭代次数Tmax,W为当前所有爆炸火花和高斯变异火花的位置集合;
(2)分别在这n个位置上各引爆1个烟花
(3)将产生的烟花放到分布式平台上计算各烟花的适应度,根据下面的式子计算烟花爆炸产生的火花数目和爆炸半径;
同时对爆炸半径设置了下界
(4)按照下列公式更新火花位置,生产爆炸火花并对所有爆炸火花进行高斯变异,并更新其位置:
爆炸火花:
rand(-1,1)是产生一个(-1,1)之间的随机数
高斯变异操作:
对每个烟花随机选择z个维度(在该方法中z可取1、2或者0),对每一位更新烟花位置生成高斯变异火花:
Gaussian(1,1)是利用高斯公式产生一个(0-1)之间的随机数
对于超出可行域的部分,即超出当前待测坐标范围的部分,利用映射规则
(5)计算所有烟花、爆炸火花和高斯变异火花的适应度值,并找出当前最佳位置,保留到下一次爆炸,依据下面式子从当前产生的烟花和火花中随机选择n-1个位置,并与当前n个位置进行迭代,参与下一代操作;
d(xi,xj)表示xi和xj的欧几里得距离,位置xi被选中的可能性p(xi)的定义如下:
(6)若满足种群最大规模或最大迭代次数,则找出当前算法中所有的烟花点和火花点,否则回到步骤(3)。
Claims (4)
1.一种基于烟花算法的无线传感器节点部署方法,其特征在于,包括以下步骤:
步骤1,对待测区域建立三维坐标系,传感器节点坐标如下表示
其中(xi,yj)是无线传感器节点si在xoy轴的横坐标,hi(xi,yi)是节点si在(xi,yj)的高度;
步骤2,初始化种群,围绕无线传感器网络中的汇聚节点随机产生n个位置,传感器节点总数即种群最大规模为Snode,搜索空间维数,3,最大迭代次数Tmax,当前所有爆炸火花和高斯变异火花的位置集合设为W;
步骤3,分别在这n个位置上各引爆一个烟花,共引爆n个;
步骤4,计算产生的各烟花的适应度,根据下面的式子计算烟花爆炸产生的火花数目Ri和爆炸半径Ai;
其中M是控制n个烟花产生火花总数的参数,Ai是第i个烟花的爆炸半径,是最大爆炸半径,f(xi)为根据该点的覆盖率计算出的烟花适应度,Ymax是当前个体中适应度最好的个体适应度,Ymin是当前个体中适应度最差的个体适应度,N为烟花总数,ε取小于0.001且大于0的值;
步骤5,按照下列公式更新火花位置,生产爆炸火花并对所有爆炸火花进行高斯变异,并更新其位置:
爆炸火花:
其中rand(-1,1)是产生一个(-1,1)之间的随机数;
对于超出可行域的部分,即超出当前待测区域坐标范围的部分,利用映射规则:
高斯变异操作:
对每个烟花随机选择μ个维度,在该方法中μ可取1、2或者0,对每一位更新烟花位置生成高斯变异火花:
其中Gaussian(1,1)是利用高斯公式产生一个(0-1)之间的随机数,
对于超出可行域的部分,即超出当前待测区域坐标范围的部分,利用映射规则
步骤6,计算所有烟花、爆炸火花和高斯变异火花的适应度值,并找出当前最佳位置x*,保留到下一次爆炸,依据下面式子从当前产生的烟花和火花集合W中随机选择n-1个位置,并与当前n个位置进行迭代,参与下一代操作即迭代计算;
d(xi,xj)表示xi和xj的欧几里得距离,位置xi被选中的可能性p(xi)的定义如下:
步骤7,若满足种群最大规模Snode或最大迭代次数Tmax,则找出当前算法中所有的烟花点和火花点,否则回到步骤4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710713548.4A CN107395433B (zh) | 2017-08-18 | 2017-08-18 | 一种基于烟花算法的无线传感器节点部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710713548.4A CN107395433B (zh) | 2017-08-18 | 2017-08-18 | 一种基于烟花算法的无线传感器节点部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107395433A CN107395433A (zh) | 2017-11-24 |
CN107395433B true CN107395433B (zh) | 2020-06-09 |
Family
ID=60353078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710713548.4A Active CN107395433B (zh) | 2017-08-18 | 2017-08-18 | 一种基于烟花算法的无线传感器节点部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107395433B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446455B (zh) * | 2018-02-27 | 2019-09-27 | 天津大学 | 一种基于烟花算法的多目标软硬件划分方法 |
CN108415774B (zh) * | 2018-02-27 | 2021-06-08 | 天津大学 | 一种基于改进烟花算法的软硬件划分方法 |
CN108834058B (zh) * | 2018-04-27 | 2020-10-30 | 武汉大学 | 一种基于遗传与烟花组合算法的室内定位信号源优化部署方法 |
CN112711012B (zh) * | 2020-12-18 | 2022-10-11 | 上海蔚建科技有限公司 | 一种激光雷达定位系统的全局位置初始化方法及系统 |
CN116992780B (zh) * | 2023-09-25 | 2024-01-02 | 中南大学 | 数字化电解槽的温度传感器布置方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776469A (zh) * | 2017-03-17 | 2017-05-31 | 沈阳航空航天大学 | 一种基于模拟退火与高斯扰动的烟花算法 |
CN107169565A (zh) * | 2017-04-27 | 2017-09-15 | 西安工程大学 | 基于烟花算法改进bp神经网络的纺纱质量预测方法 |
-
2017
- 2017-08-18 CN CN201710713548.4A patent/CN107395433B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776469A (zh) * | 2017-03-17 | 2017-05-31 | 沈阳航空航天大学 | 一种基于模拟退火与高斯扰动的烟花算法 |
CN107169565A (zh) * | 2017-04-27 | 2017-09-15 | 西安工程大学 | 基于烟花算法改进bp神经网络的纺纱质量预测方法 |
Non-Patent Citations (3)
Title |
---|
Fireworks Algorithm for Optimization;Ying Tan等;《Springer-Verlag Berlin Heidelberg 2010》;20101231;355-364 * |
基于分布式烟花算法的WSN布局优化方法;刘小垒等;《计算机应用研究》;20170315;第35卷(第02期);569-572 * |
基于隶属云蚁群算法的长链型无线传感器网络路由优化;李丽芬等;《计算机工程与科学》;20101115;第32卷(第11期);10-14 * |
Also Published As
Publication number | Publication date |
---|---|
CN107395433A (zh) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107395433B (zh) | 一种基于烟花算法的无线传感器节点部署方法 | |
Wang et al. | A PSO based energy efficient coverage control algorithm for wireless sensor networks. | |
Temel et al. | On deployment of wireless sensors on 3-D terrains to maximize sensing coverage by utilizing cat swarm optimization with wavelet transform | |
CN107277830B (zh) | 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 | |
CN103354642B (zh) | 一种提高移动传感器网络覆盖率的方法 | |
Dhillon et al. | Sensor placement for effective coverage and surveillance in distributed sensor networks | |
CN107295541B (zh) | 一种基于虚拟力和萤火虫算法的无线传感网络覆盖优化方法 | |
CN102752761B (zh) | 基于粒子群的无线传感器网络移动节点覆盖优化方法 | |
CN107396374B (zh) | 一种基于虚拟力和泰森多边形的覆盖方法 | |
Liu et al. | On coverage of wireless sensor networks for rolling terrains | |
CN108241369B (zh) | 机器人躲避静态障碍的方法及装置 | |
CN113115342B (zh) | 一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统 | |
CN103747454B (zh) | 基于三维定向移动的水下无线传感器网络覆盖方法 | |
Mahboubi et al. | Self-deployment algorithms for coverage problem in a network of mobile sensors with unidentical sensing ranges | |
CN105392146A (zh) | 基于三维地形修正的wsn覆盖盲区检测方法 | |
CN110856184A (zh) | 基于k均值算法的双层结构无线传感器网络节点部署方法 | |
Srinivasan et al. | A survey of sensory data boundary estimation, covering and tracking techniques using collaborating sensors | |
CN106254155A (zh) | 一种无线传感器网络的覆盖性能的修复增强方法以及装置 | |
Mnasri et al. | The deployment in the wireless sensor networks: Methodologies, recent works and applications | |
Qiu et al. | A 3-D topology evolution scheme with self-adaption for industrial Internet of Things | |
CN113905386B (zh) | 一种基于自适应混合粒子群算法的Mesh网关部署优化方法 | |
Kumar et al. | Deployment of sensor nodes for connectivity restoration and coverage maximization in wsns | |
CN115426658B (zh) | 基于多目标优化算法的地下及遮蔽空间无线传感器网络部署方法 | |
Li | PSO based wireless sensor networks coverage optimization on DEMs | |
Li et al. | A two-phase coverage control algorithm for self-orienting heterogeneous directional sensor 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 |