CN107396375A - 基于量子头脑风暴的异构传感器网络最佳目标覆盖方法 - Google Patents
基于量子头脑风暴的异构传感器网络最佳目标覆盖方法 Download PDFInfo
- Publication number
- CN107396375A CN107396375A CN201710606778.0A CN201710606778A CN107396375A CN 107396375 A CN107396375 A CN 107396375A CN 201710606778 A CN201710606778 A CN 201710606778A CN 107396375 A CN107396375 A CN 107396375A
- Authority
- CN
- China
- Prior art keywords
- scheme
- sensor
- group
- probability
- quantum
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000008447 perception Effects 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 24
- 210000004556 brain Anatomy 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 9
- 238000009827 uniform distribution Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 claims description 3
- 230000007958 sleep Effects 0.000 claims description 3
- 239000011718 vitamin C Substances 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 2
- 239000000243 solution Substances 0.000 claims 9
- 239000003637 basic solution Substances 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000007796 conventional method Methods 0.000 abstract 1
- 230000004927 fusion Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- 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)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
本发明针对在求解目标覆盖中最佳等效工作传感器分布的问题时,现有方法的寻优结果差、收敛速度慢以及联合感知概率更高时失效的缺点,提出了一种新的异构传感器网络最佳目标覆盖方法。本发明解决了当前头脑风暴优化算法无法应用于离散问题的缺点,拓宽了头脑风暴算法的应用范围。仿真结果表明,与现有的经典目标覆盖方法相比,本发明的收敛速度与收敛精度更优,从而证明了本发明的有效性。在相同条件下,联合感知概率约束更严格时传统方法将会失效,而本方法则仍然可行。本发明将头脑风暴过程中的方案交流融合体现在新方案的产生方式中,比原有头脑风暴算法的方案交流更广泛,更接近真实的头脑风暴过程。
Description
技术领域
本发明涉及一种基于量子头脑风暴的异构传感器网络最佳目标覆盖方法,该方法涉及到异构传感器网络的覆盖控制领域。
背景技术
覆盖控制是异构传感器网络的一项重要研究内容。在异构传感器网络中,通过空间资源的优化分配来满足用户感知需求的技术称为覆盖控制技术。它是异构传感器网络的基础技术,可直接反映异构传感器网络对环境的感知服务质量。按照异构传感器网络节点的不同配置方式,即节点是否需要知道自身位置信息,覆盖控制可分为确定性覆盖和随机覆盖两大类。根据不同的对象和环境,覆盖有三种典型类型:区域覆盖、目标覆盖和栅栏覆盖。
目标覆盖是指在任何时刻,监测区域中的每个目标至少要被一个传感器节点覆盖,这种覆盖也称为点覆盖。由于单个节点的覆盖能力有限,通常需要大量节点协同覆盖来完成覆盖任务。所以在目标覆盖中,为了使所有目标节点都被覆盖的同时达到节能以延长传感器网络寿命的要求,往往需要合理控制传感器节点的工作与休眠。
异构传感器网络的最佳目标覆盖问题属于确定性目标覆盖,即在节点知道自身位置的前提下,在对所有目标节点满足覆盖要求的基础上减少工作的传感器节点的个数。
异构传感器网络的目标覆盖问题可以看作组合优化问题,为NP难题。随着目标和传感器节点的增加,异构传感器网络的规模迅速增大,目标覆盖问题的难度也随之增大。NP难题虽然可以借助智能优化方法来解决,但是对于异构传感器网络的最佳目标覆盖而言,由于问题的维度较高,一般的智能优化方法都容易陷入维度灾难,存在不同程度的因探索与开发能力不均衡而导致的演进速度慢与早熟收敛的问题,而且随着联合感知概率约束的升高,一般方法甚至会完全失效。根据《应用科技》于2013年第46卷第6期刊登的名为“基于二进制差分算法的HWSN目标覆盖研究”一文,现有的传统目标覆盖方法有遗传算法与二进制差分进化算法,而且二进制差分进化算法的性能优于遗传算法。但是由于差分进化自问世以来就是用来处理连续问题的方法,因此在此基础上提出的二进制差分进化仍然存在着收敛速度与收敛精度的问题。而且这两种方法无法应用于更为严苛的联合感知概率约束条件下的目标覆盖问题,即用户对传感器所提供的感知服务质量要求更高时将完全失效而找不到可行解。为了解决传统方法在收敛速度慢、收敛精度低和无法满足更高的联合感知概率约束方面的缺陷,考虑将头脑风暴的思想与量子计算结合来获得两者的双重优势,来求解三维空间中异构传感器网络的最佳目标覆盖问题。
与现有技术相比,本发明具有以下优点:
(1)本发明解决了当前头脑风暴优化算法无法应用于离散问题的缺点,拓宽了头脑风暴算法的应用范围。
(2)仿真结果表明,与现有的经典目标覆盖方法相比,本发明的收敛速度与收敛精度更优,从而证明了本发明的有效性。
(3)仿真结果表明,在相同条件下,联合感知概率约束更严格时传统方法将会失效,而本方法则仍然可行。
(4)本发明将头脑风暴过程中的方案交流融合体现在新方案的产生方式中,比原有头脑风暴算法的方案交流更广泛,更接近真实的头脑风暴过程。
发明内容
本发明针对在求解目标覆盖中最佳等效工作传感器分布的问题时,现有方法的寻优结果差、收敛速度慢以及联合感知概率更高时失效的缺点,提出了一种新的异构传感器网络最佳目标覆盖方法:基于量子头脑风暴的异构传感器网络最佳目标覆盖方法。
本发明是通过如下技术方案来实现的,主要包括以下步骤:
步骤一建立基于指数型概率感知模型的三维空间异构传感器网络模型;所述指数型概率感知模型为其中,Pt,s是目标节点t被传感器节点s感知的概率,α是衰减因子,r为传感器的绝对感知半径,R为传感器的最大覆盖半径,α、r与R是反映传感器特性的物理参数,d(t,s)是目标节点t与传感器节点s之间的距离;三维空间欧氏距离公式为:xt,yt,zt是目标节点的坐标,xs,ys,zs是传感器节点的坐标;选择普通传感器与超级传感器两种传感器构成异构传感器网络;普通传感器节点的绝对感知半径为r1,最大覆盖半径为R1,r1<R1,衰减因子为α1;超级传感器节点的绝对感知半径为r2,最大覆盖半径为R2,r2<R2,r1<r2,R1<R2,衰减因子为α2,α2<α1。
步骤二对所有的i=1,2,...,H,将第i个量子方案的所有量子位初始化为对第i个量子方案测量得到的方案为i=1,2,...,H,其中i=1,2,...,H,j=1,2,...,N;在头脑风暴算法中,成员提出的一种方案即为一种工作传感器部署方式;H为模拟的头脑风暴小组成员的个数;ε为迭代次数,初始化时ε=0;N为传感器个数,即维度。
步骤三按自然顺序将这H个头脑风暴成员等分为m组(H/m为整数);即1~H/m为第一组,1+H/m~2H/m为第二组,……,以此类推,共m组。
步骤四对每个分组内成员提出的方案进行适应度评价,选取方案适应度最优的成员作为该小组的组长,其方案作为该小组的中心方案。
步骤五根据当前头脑风暴小组中成员的方案更新所有成员的量子方案i=1,2,...,H的量子旋转角矢量i=1,2,...,H;第i个成员量子方案的量子旋转角矢量更新策略的选择方式如下:
产生一个均匀分布在[0,1]间的随机数若l为整体的策略选择概率,执行以下操作;产生一个均匀分布在[0,1]间的随机数若la为策略一的策略选择概率,按照策略一更新量子旋转角:j=1,2,...,N,为对应策略中的基础方案,在策略一中为成员i所在分组的小组长产生过的历史最佳方案,为第i个成员当前的方案,是整个头脑风暴小组产生过的历史最佳方案,为第i个成员提出过的历史最佳方案,c1,c2,c3为角度控制参数,表示各种方案对当前成员方案的影响权重,相对更好的方案对当前成员的方案影响更大,所占的权重也相对大;若按照策略二更新量子旋转角:j=1,2,...,N,在该策略中基础方案为在成员i所在分组中随机选择的一个其他成员所提出过的历史最佳方案,是第i个成员所在分组的小组长产生过的历史最佳方案;策略一表示第i个成员的当前方案分别从其所在分组的小组长产生过的历史最佳方案、第i个成员提出过的历史最佳方案和整个头脑风暴小组提出过的历史最佳方案获取的信息;策略二表示第i个成员的当前方案分别从其所在分组的一个其他成员产生过的最佳方案、该成员所在分组的小组长产生过的历史最佳方案与整个头脑风暴小组提出过的历史最佳方案获取的信息。若执行以下操作;产生一个均匀分布在[0,1]间的随机数若lb为策略三的策略选择概率,按照策略三更新量子旋转角:j=1,2,...,N,在该策略中基础方案为成员i所在分组的小组长产生过的历史最佳方案;若按照策略四更新量子旋转角:j=1,2,...,N,在该策略中两个基础方案与分别为随机选择的两个不同分组的小组长产生过的历史最佳方案;策略三表示第i个成员当前方案分别从其所在分组的小组长产生过的历史最佳方案和整个头脑风暴小组产生过的历史最佳方案获取的信息;策略四表示第i个成员当前方案分别从其两个不同随机分组的小组长产生过的历史最佳方案和整个头脑风暴小组产生过的历史最佳方案获取的信息。
步骤六:对所有头脑风暴小组成员,根据其当前量子方案i=1,2,...,H及量子旋转角矢量i=1,2,...,H更新量子方案;对每一维,使用模拟的量子旋转门,按照以下方程更新:
步骤七:对量子方案的每一维进行观测得到方案的每一维,观测方程如下:
其中,为均匀分布在[0,1]间的随机数,i=1,2,...,H,j=1,2,...,N。
步骤八:计算每个成员方案的联合感知概率,并对每个成员的方案进行适应度评价;更新每个成员产生的历史最优方案和整个头脑风暴讨论组的全局最优方案;按自然顺序将这H个头脑风暴成员再次等分为m组(H/m为整数),确定每个小组的组长和中心方案。
步骤九:如果达到最大迭代次数,迭代终止;输出的最优方案即为最佳的工作节点部署方式;否则,返回步骤五继续进行。
步骤一中所述的建立基于指数型概率感知模型的三维空间异构传感器网络模型的过程如下:
a在三维空间中随机分布M个目标节点和N个传感器节点,得到目标节点与传感器节点的空间坐标;其中,N>M,并且传感器节点包括N1个普通传感器节点与N2个超级传感器节点,N1+N2=N。
b根据目标节点tk,k=1,2,...,M的空间坐标与传感器节点sj,j=1,2,...,N的空间坐标计算出目标与传感器间的距离并将其存入矩阵D的第k行第j列,得到距离矩阵根据上述三维空间指数型概率感知模型可以求出第j,j=1,2,...,N个传感器节点对第k,k=1,2,...,M个目标节点的感知概率并将其存入矩阵P的第k行第j列,得到整个异构传感器网络的概率矩阵P的第j列代表第j个传感器sj分别对t1,t2,...,tM这M个目标的感知概率。
c根据联合感知概率计算公式k=1,2,...,M求出N个传感器节点对每一个目标tk的联合感知概率P(tk);如果对所有的k=1,2,...,M都满足P(tk)≥Pth,其中Pth为联合感知概率门限;则表示异构传感器网络部署成功,进行下一步;否则,返回a。
步骤二中所述的所有成员的初始方案产生方法如下:
每个头脑风暴成员产生的一个方案对应一个N维的行向量i=1,2,...,H;其中的每个元素j=1,2,...,N对应一个传感器节点的工作或休眠状态,且只取1或0,即 表示第j个传感器处于工作状态,表示该传感器休眠;初始方案集合生成如下:首先对i=1,2,...,H个初始化的量子方案的所有量子位j=1,2,...,N进行测量得到H个方案;测量方法为(i=1,2,...,H,j=1,2,...,N),其中,为均匀分布在[0,1]间的随机数;由于概率矩阵P的第j列代表第j个传感器sj分别对t1,t2,...,tM这M个目标的感知概率,所以第i个方案的第j个元素j=1,2,…,N乘以整个异构传感器网络的概率矩阵对应的第j列就得到该方案对应的概率矩阵QM×N;由此可以计算出在该方案的工作节点部署方式下,所有传感器对每个目标节点的联合感知概率k=1,2,...,M,并判断若对所有的k=1,2,...,M都满足Q(tk)≥Pth则第i个初始方案成功产生,否则重新生成;直到产生H个满足联合感知概率的方案,进行下一步。
步骤四中所述的适应度评价过程如下:
设在第i个方案中,第1维到N1维代表N1个普通传感器节点的工作或休眠状态,第N1+1维到第N维代表N2个超级传感器节点的工作或休眠状态;那么表示第ε次迭代中的第i个方案中N1个普通传感器节点中处于工作状态的普通传感器个数,为第ε次迭代中的第i个方案中N2个超级传感器节点中处于工作状态的超级传感器个数;那么第ε次迭代中的i个方案适应度值为:适应度值的含义为在以方案的方式部署工作传感器节点时的等效工作传感器节点个数;w1和w2分别为一个普通传感器与一个超级传感器的等效传感器节点个数,由于超级传感器节点的能量消耗多于普通传感器节点,所以此处认为一个超级传感器等效为两个普通传感器,所以w2=2w1=2;但是,当不满足联合感知概率约束时,该解是无效的,此时需要对其适应度进行惩罚,δ为惩罚系数且δ>1;由于是最小值优化问题,所以等效工作传感器节点个数越少越好;分别选取m个小组中适应度值最小的方案作为中心方案,该成员作为该组的小组长。
附图说明
图1为基于量子头脑风暴的异构传感器网络最佳目标覆盖方法流程图
图2为QBSO与BDE的对比图。
图3为QBSO与BDE、GA的对比图。
图4为其余参数与图3相同,将联合感知概率增加至Pth=0.9时,QBSO与BDE、GA的对比图。
图5为其余参数与图3相同,将联合感知概率增加至Pth=0.91时,QBSO与BDE、GA的对比图。
图6为其余参数与图3相同,将联合感知概率增加至Pth=0.96时,QBSO与BDE、GA的对比图。
具体实施方式
下面结合附图对本发明做进一步描述:
本发明针对在求解目标覆盖中最佳等效工作传感器分布的问题时,现有方法的寻优结果差、收敛速度慢以及联合感知概率更高时失效的缺点,提出了头脑风暴思想与量子计算结合的基于二进制量子头脑风暴的最佳目标覆盖方法。该方法先提出量子方案,进而提出二进制量子头脑风暴方法,并基于传感器的概率感知模型与三维空间下的异构传感器网络模型建立三维空间下的异构传感器网络模型,进而求解在联合感知概率约束下的最佳目标覆盖问题。
本发明是通过如下技术方案实现的,主要包括以下步骤:
步骤一:建立基于指数型概率感知模型的三维空间异构传感器网络模型。
三维空间下,传感器的指数型概率感知模型为其中,Pt,s是目标节点t被传感器节点s感知的概率,α是衰减因子,r为传感器的绝对感知半径,R为传感器的最大覆盖半径,α、r与R是反映传感器特性的物理参数,d(t,s)是目标节点t与传感器节点s之间的距离。三维空间欧氏距离公式为:xt,yt,zt是目标节点的坐标,xs,ys,zs是传感器节点的坐标。
选择普通传感器与超级传感器两种传感器构成异构传感器网络。普通传感器节点的绝对感知半径为r1,最大覆盖半径为R1,r1<R1,衰减因子为α1。超级传感器节点的绝对感知半径为r2,最大覆盖半径为R2,r2<R2,r1<r2,R1<R2,衰减因子为α2,α2<α1。
根据指数型概率感知模型建立三维空间下异构传感器网络模型的过程如下:
1.在三维空间中随机分布M个目标节点和N个传感器节点,得到目标节点与传感器节点的空间坐标。其中,N>M,并且传感器节点包括N1个普通传感器节点与N2个超级传感器节点,N1+N2=N。
2.根据目标节点tk,k=1,2,...,M的空间坐标与传感器节点sj,j=1,2,...,N的空间坐标计算出目标与传感器间的距离并将其存入矩阵D的第k行第j列,得到距离矩阵根据上述三维空间指数型概率感知模型可以求出第j,j=1,2,...,N个传感器节点对第k,k=1,2,...,M个目标节点的感知概率并将其存入矩阵P的第k行第j列,得到整个异构传感器网络的概率矩阵P的第j列代表第j个传感器sj分别对t1,t2,...,tM这M个目标的感知概率。
3.根据联合感知概率计算公式k=1,2,...,M求出N个传感器节点对每一个目标tk的联合感知概率P(tk)。如果对所有的k=1,2,...,M都满足P(tk)≥Pth,其中Pth为联合感知概率门限。则表示异构传感器网络部署成功,进行下一步;否则,返回1。
步骤二:对所有的i=1,2,...,H,将第i个量子方案的所有量子位初始化为对第i个量子方案测量得到的方案为i=1,2,...,H,其中i=1,2,...,H,j=1,2,...,N。在头脑风暴算法中,成员产生的一种方案即为一种工作传感器部署方式。H为模拟的头脑风暴小组成员的个数;ε为迭代次数,初始化时ε=0;N为传感器个数,即维度。
所有成员的初始方案产生方法如下:
每个头脑风暴成员产生的一个方案对应一个N维的行向量i=1,2,...,H。其中的每个元素j=1,2,...,N对应一个传感器节点的工作或休眠状态,且只取1或0,即 表示第j个传感器处于工作状态,表示该传感器休眠。初始方案集合生成如下:首先对i=1,2,...,H个初始化的量子方案的所有量子位j=1,2,...,N进行测量得到H个方案。测量方法为(i=1,2,...,H,j=1,2,...,N),其中,为均匀分布在[0,1]间的随机数。由于概率矩阵P的第j列代表第j个传感器sj分别对t1,t2,...,tM这M个目标的感知概率,所以第i个方案的第j个元素j=1,2,...,N乘以整个异构传感器网络的概率矩阵对应的第j列就得到该方案对应的概率矩阵QM×N。由此可以计算出在该方案的工作节点部署方式下,所有传感器对每个目标节点的联合感知概率k=1,2,...,M,并判断若对所有的k=1,2,...,M都满足Q(tk)≥Pth则第i个初始方案成功产生,否则重新生成。直到产生H个满足联合感知概率的方案,进行下一步。
步骤三:按自然顺序将这H个头脑风暴成员等分为m组(H/m为整数)。即1~H/m为第一组,1+H/m~2H/m为第二组,……,以此类推,共m组。
步骤四:对每个分组内成员提出的方案进行适应度评价,选取方案适应度最优的成员作为该小组的组长,其方案作为该小组的中心方案。
适应度评价过程如下:
设在第i个方案中,第1维到N1维代表N1个普通传感器节点的工作或休眠状态,第N1+1维到第N维代表N2个超级传感器节点的工作或休眠状态。那么表示第ε次迭代中的第i个方案中N1个普通传感器节点中处于工作状态的普通传感器个数,为第ε次迭代中的第i个方案中N2个超级传感器节点中处于工作状态的超级传感器个数。那么第ε次迭代中的i个方案适应度值为适应度值的含义为在以方案的方式部署工作传感器节点时的等效工作传感器节点个数。w1和w2分别为一个普通传感器与一个超级传感器的等效传感器节点个数,由于超级传感器节点的能量消耗多于普通传感器节点,所以此处认为一个超级传感器等效为两个普通传感器,所以w2=2w1=2。但是,当不满足联合感知概率约束时,该解是无效的,此时需要对其适应度进行惩罚,δ为惩罚系数且δ>1。由于是最小值优化问题,所以等效工作传感器节点个数越少越好。分别选取m个小组中适应度值最小的方案作为中心方案,该成员作为该组的小组长。
步骤五:根据当前头脑风暴小组中成员的方案更新所有成员的量子方案i=1,2,...,H的量子旋转角矢量i=1,2,...,H。
第i个成员量子方案的量子旋转角矢量更新策略的选择方式如下:
产生一个均匀分布在[0,1]间的随机数若l为整体的策略选择概率,执行以下操作。产生一个均匀分布在[0,1]间的随机数若la为策略一的策略选择概率,按照策略一更新量子旋转角:j=1,2,...,N,为对应策略中的基础方案,在策略一中为成员i所在分组的小组长产生过的历史最佳方案,为第i个成员当前的方案,是整个头脑风暴小组产生过的历史最佳方案,为第i个成员提出过的历史最佳方案,c1,c2,c3为角度控制参数,表示各种方案对当前成员方案的影响权重,相对更好的方案对当前成员的方案影响更大,所占的权重也相对大;若按照策略二更新量子旋转角:j=1,2,...,N,在该策略中基础方案为在成员i所在分组中随机选择的一个其他成员所提出过的历史最佳方案,是第i个成员所在分组的小组长产生过的历史最佳方案。策略一表示第i个成员的当前方案分别从其所在分组的小组长产生过的历史最佳方案、第i个成员提出过的历史最佳方案和整个头脑风暴小组提出过的历史最佳方案获取的信息。策略二表示第i个成员的当前方案分别从其所在分组的一个其他成员产生过的最佳方案、该成员所在分组的小组长产生过的历史最佳方案与整个头脑风暴小组提出过的历史最佳方案获取的信息。
若执行以下操作。产生一个均匀分布在[0,1]间的随机数若lb为策略三的策略选择概率,按照策略三更新量子旋转角:j=1,2,...,N,在该策略中基础方案为成员i所在分组的小组长产生过的历史最佳方案;若按照策略四更新量子旋转角:j=1,2,...,N,在该策略中两个基础方案与分别为随机选择的两个不同分组的小组长产生过的历史最佳方案。策略三表示第i个成员当前方案分别从其所在分组的小组长产生过的历史最佳方案和整个头脑风暴小组产生过的历史最佳方案获取的信息。策略四表示第i个成员当前方案分别从其两个不同随机分组的小组长产生过的历史最佳方案和整个头脑风暴小组产生过的历史最佳方案获取的信息。
步骤六:对所有头脑风暴小组成员,根据其当前量子方案i=1,2,...,H及量子旋转角矢量i=1,2,...,H更新量子方案。对每一维,使用模拟的量子旋转门,按照以下方程更新:
步骤七:对量子方案的每一维进行观测得到方案的每一维,观测方程如下:
其中,为均匀分布在[0,1]间的随机数,i=1,2,...,H,j=1,2,...,N。
步骤八:计算每个成员方案的联合感知概率,并对每个成员的方案进行适应度评价。更新每个成员产生的历史最优方案和整个头脑风暴讨论组的全局最优方案。按自然顺序将这H个头脑风暴成员再次等分为m组(H/m为整数),确定每个小组的组长和中心方案。
步骤九:如果达到最大迭代次数,迭代终止。输出的最优方案即为最佳的工作节点部署方式。否则,返回步骤五继续进行。
本发明在异构传感器网络模型和传感器感知概率模型的基础上建立三维空间下的异构传感器网络模型,并设计采用新的基于二进制量子头脑风暴的最佳目标覆盖方法来解决目标覆盖这一NP难题。
图2:QBSO与BDE的对比图。
异构传感器网络参数如下:三维空间大小100×100×100m3,目标节点个数M=130,传感器节点个数N=280,其中普通传感器节点个数为超级传感器节点个数为普通传感器的衰减因子α1=0.08,绝对感知半径r1=4m,最大覆盖半径R1=24m,超级传感器的衰减因子α2=0.04,绝对感知半径r2=8m,最大覆盖半径R2=48m。联合感知概率阈值Pth=0.8。
两种方法共同参数如下:个体数H=40,最大迭代次数800。
QBSO参数设置如下:分组个数m=4,l=0.8,la=0.4,lb=0.5,c1=0.13,c2=0.15,c3=0.15。
参照《应用科技》于2013年第46卷第6期刊登的名为“基于二进制差分算法的HWSN目标覆盖研究”一文,BDE参数设置如下:交叉概率CR=0.4,缩放因子F=0.2。
可以看出,BDE在迭代初期下降速度较快,但是对整体的收敛精度与收敛速度而言QBSO的性能更优。
图3:将基于遗传算法的异构传感器网络最佳目标覆盖方法简记为GA。图3为QBSO与BDE、GA的对比图。
异构传感器网络参数如下:三维空间大小100×100×100m3,目标节点个数M=130,传感器节点个数N=280,其中普通传感器节点个数为超级传感器节点个数为普通传感器的衰减因子α1=0.08,绝对感知半径r1=4m,最大覆盖半径R1=24m,超级传感器的衰减因子α2=0.04,绝对感知半径r2=8m,最大覆盖半径R2=48m。联合感知概率阈值Pth=0.8。
三种方法共同参数如下:个体数H=40,最大迭代次数3000。
基于二进制量子头脑风暴的目标覆盖方法参数设置如下:分组个数m=4,l=0.8,la=0.4,lb=0.5,c1=0.13,c2=0.15,c3=0.15。
参照《应用科技》于2013年第46卷第6期刊登的名为“基于二进制差分算法的HWSN目标覆盖研究”一文,基于二进制差分进化算法的目标覆盖方法设置如下:交叉概率CR=0.4,缩放因子F=0.2。
基于遗传算法的目标覆盖方法参数设置如下:变异概率Pm=0.01,交叉概率Pc=0.4。
可以看出,GA的收敛速度与收敛精度最差,BDE的性能优于GA,而QBSO的性能则是三种方法中最优秀的。
图4:其余参数与图3相同,将联合感知概率增加至Pth=0.9时,QBSO与BDE、GA的对比图。可以看出,当联合感知概率阈值增加到0.9时,基于二进制差分进化算法的最佳目标覆盖方法在前2400次迭代中没有发生进化,在2400代之后才开始逐渐朝着最优解演进。而本发明所提出的方法仍然有着绝对优势。
图5:其余参数与图3相同,将联合感知概率增加至Pth=0.91时,QBSO与BDE、GA的对比图。可以看出QBSO在前期稍有停滞,但仍然很快朝着最佳方向演化找到最优解,而BDE与GA在这种概率约束下已经完全失效。
图6:其余参数与图3相同,将联合感知概率增加至Pth=0.96时,QBSO与BDE、GA的对比图。可以看出,当联合感知概率约束极为严格时,QBSO的停滞时间也将增加,但依旧可以及时找到最优解,而BDE与GA对此种约束无能为力。
Claims (4)
1.基于量子头脑风暴的异构传感器网络最佳目标覆盖方法,其特征在于,包括以下步骤:
步骤一 建立基于指数型概率感知模型的三维空间异构传感器网络模型;所述指数型概率感知模型为其中,Pt,s是目标节点t被传感器节点s感知的概率,α是衰减因子,r为传感器的绝对感知半径,R为传感器的最大覆盖半径,α、r与R是反映传感器特性的物理参数,d(t,s)是目标节点t与传感器节点s之间的距离;三维空间欧氏距离公式为:xt,yt,zt是目标节点的坐标,xs,ys,zs是传感器节点的坐标;选择普通传感器与超级传感器两种传感器构成异构传感器网络;普通传感器节点的绝对感知半径为r1,最大覆盖半径为R1,r1<R1,衰减因子为α1;超级传感器节点的绝对感知半径为r2,最大覆盖半径为R2,r2<R2,r1<r2,R1<R2,衰减因子为α2,α2<α1;
步骤二 对所有的i=1,2,...,H,将第i个量子方案的所有量子位初始化为对第i个量子方案测量得到的方案为i=1,2,...,H,其中i=1,2,...,H,j=1,2,...,N;在头脑风暴算法中,成员提出的一种方案即为一种工作传感器部署方式;H为模拟的头脑风暴小组成员的个数;ε为迭代次数,初始化时ε=0;N为传感器个数,即维度;
步骤三 按自然顺序将这H个头脑风暴成员等分为m组(H/m为整数);即1~H/m为第一组,1+H/m~2H/m为第二组,……,以此类推,共m组;
步骤四 对每个分组内成员提出的方案进行适应度评价,选取方案适应度最优的成员作为该小组的组长,其方案作为该小组的中心方案;
步骤五 根据当前头脑风暴小组中成员的方案更新所有成员的量子方案i=1,2,...,H的量子旋转角矢量i=1,2,...,H;第i个成员量子方案的量子旋转角矢量更新策略的选择方式如下:
产生一个均匀分布在[0,1]间的随机数若l为整体的策略选择概率,执行以下操作;产生一个均匀分布在[0,1]间的随机数若la为策略一的策略选择概率,按照策略一更新量子旋转角:j=1,2,...,N,为对应策略中的基础方案,在策略一中为成员i所在分组的小组长产生过的历史最佳方案,为第i个成员当前的方案,是整个头脑风暴小组产生过的历史最佳方案,为第i个成员提出过的历史最佳方案,c1,c2,c3为角度控制参数,表示各种方案对当前成员方案的影响权重,相对更好的方案对当前成员的方案影响更大,所占的权重也相对大;若按照策略二更新量子旋转角:
j=1,2,...,N,在该策略中基础方案为在成员i所在分组中随机选择的一个其他成员所提出过的历史最佳方案,是第i个成员所在分组的小组长产生过的历史最佳方案;策略一表示第i个成员的当前方案分别从其所在分组的小组长产生过的历史最佳方案、第i个成员提出过的历史最佳方案和整个头脑风暴小组提出过的历史最佳方案获取的信息;策略二表示第i个成员的当前方案分别从其所在分组的一个其他成员产生过的最佳方案、该成员所在分组的小组长产生过的历史最佳方案与整个头脑风暴小组提出过的历史最佳方案获取的信息;
若执行以下操作;产生一个均匀分布在[0,1]间的随机数若lb为策略三的策略选择概率,按照策略三更新量子旋转角:
j=1,2,...,N,在该策略中基础方案为成员i所在分组的小组长产生过的历史最佳方案;若按照策略四更新量子旋转角:j=1,2,...,N,在该策略中两个基础方案与分别为随机选择的两个不同分组的小组长产生过的历史最佳方案;策略三表示第i个成员当前方案分别从其所在分组的小组长产生过的历史最佳方案和整个头脑风暴小组产生过的历史最佳方案获取的信息;策略四表示第i个成员当前方案分别从其两个不同随机分组的小组长产生过的历史最佳方案和整个头脑风暴小组产生过的历史最佳方案获取的信息;
步骤六:对所有头脑风暴小组成员,根据其当前量子方案i=1,2,...,H及量子旋转角矢量i=1,2,...,H更新量子方案;对每一维,使用模拟的量子旋转门,按照以下方程更新:
步骤七:对量子方案的每一维进行观测得到方案的每一维,观测方程如下:
其中,为均匀分布在[0,1]间的随机数,i=1,2,...,H,j=1,2,...,N;
步骤八:计算每个成员方案的联合感知概率,并对每个成员的方案进行适应度评价;更新每个成员产生的历史最优方案和整个头脑风暴讨论组的全局最优方案;按自然顺序将这H个头脑风暴成员再次等分为m组(H/m为整数),确定每个小组的组长和中心方案;
步骤九:如果达到最大迭代次数,迭代终止;输出的最优方案即为最佳的工作节点部署方式;否则,返回步骤五继续进行。
2.根据权利要求1所述的基于量子头脑风暴的异构传感器网络最佳目标覆盖方法,其特征在于,步骤一中所述的建立基于指数型概率感知模型的三维空间异构传感器网络模型的过程如下:
a在三维空间中随机分布M个目标节点和N个传感器节点,得到目标节点与传感器节点的空间坐标;其中,N>M,并且传感器节点包括N1个普通传感器节点与N2个超级传感器节点,N1+N2=N;
b根据目标节点tk,k=1,2,...,M的空间坐标与传感器节点sj,j=1,2,...,N的空间坐标计算出目标与传感器间的距离并将其存入矩阵D的第k行第j列,得到距离矩阵根据上述三维空间指数型概率感知模型可以求出第j,j=1,2,...,N个传感器节点对第k,k=1,2,...,M个目标节点的感知概率并将其存入矩阵P的第k行第j列,得到整个异构传感器网络的概率矩阵P的第j列代表第j个传感器sj分别对t1,t2,...,tM这M个目标的感知概率;
c根据联合感知概率计算公式k=1,2,...,M求出N个传感器节点对每一个目标tk的联合感知概率P(tk);如果对所有的k=1,2,...,M都满足P(tk)≥Pth,其中Pth为联合感知概率门限;则表示异构传感器网络部署成功,进行下一步;否则,返回a。
3.根据权利要求1所述的基于量子头脑风暴的异构传感器网络最佳目标覆盖方法,其特征在于,步骤二中所述的所有成员的初始方案产生方法如下:
每个头脑风暴成员产生的一个方案对应一个N维的行向量i=1,2,...,H;其中的每个元素j=1,2,...,N对应一个传感器节点的工作或休眠状态,且只取1或0,即表示第j个传感器处于工作状态,表示该传感器休眠;初始方案集合生成如下:首先对i=1,2,...,H个初始化的量子方案的所有量子位j=1,2,...,N进行测量得到H个方案;测量方法为(i=1,2,...,H,j=1,2,...,N),其中,为均匀分布在[0,1]间的随机数;由于概率矩阵P的第j列代表第j个传感器sj分别对t1,t2,...,tM这M个目标的感知概率,所以第i个方案的第j个元素j=1,2,...,N乘以整个异构传感器网络的概率矩阵对应的第j列就得到该方案对应的概率矩阵QM×N;由此可以计算出在该方案的工作节点部署方式下,所有传感器对每个目标节点的联合感知概率k=1,2,...,M,并判断若对所有的k=1,2,...,M都满足Q(tk)≥Pth则第i个初始方案成功产生,否则重新生成;直到产生H个满足联合感知概率的方案,进行下一步。
4.根据权利要求1所述的基于量子头脑风暴的异构传感器网络最佳目标覆盖方法,其特征在于,步骤四中所述的适应度评价过程如下:
设在第i个方案中,第1维到N1维代表N1个普通传感器节点的工作或休眠状态,第N1+1维到第N维代表N2个超级传感器节点的工作或休眠状态;那么表示第ε次迭代中的第i个方案中N1个普通传感器节点中处于工作状态的普通传感器个数,为第ε次迭代中的第i个方案中N2个超级传感器节点中处于工作状态的超级传感器个数;那么第ε次迭代中的i个方案适应度值为:
适应度值的含义为在以方案的方式部署工作传感器节点时的等效工作传感器节点个数;w1和w2分别为一个普通传感器与一个超级传感器的等效传感器节点个数,由于超级传感器节点的能量消耗多于普通传感器节点,所以此处认为一个超级传感器等效为两个普通传感器,所以w2=2w1=2;但是,当不满足联合感知概率约束时,该解是无效的,此时需要对其适应度进行惩罚,δ为惩罚系数且δ>1;由于是最小值优化问题,所以等效工作传感器节点个数越少越好;分别选取m个小组中适应度值最小的方案作为中心方案,该成员作为该组的小组长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710606778.0A CN107396375B (zh) | 2017-07-24 | 2017-07-24 | 基于量子头脑风暴的异构传感器网络最佳目标覆盖方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710606778.0A CN107396375B (zh) | 2017-07-24 | 2017-07-24 | 基于量子头脑风暴的异构传感器网络最佳目标覆盖方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107396375A true CN107396375A (zh) | 2017-11-24 |
CN107396375B CN107396375B (zh) | 2020-12-22 |
Family
ID=60336052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710606778.0A Active CN107396375B (zh) | 2017-07-24 | 2017-07-24 | 基于量子头脑风暴的异构传感器网络最佳目标覆盖方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107396375B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109581339A (zh) * | 2018-11-16 | 2019-04-05 | 西安理工大学 | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 |
CN109917815A (zh) * | 2019-04-23 | 2019-06-21 | 中原工学院 | 基于全局最优头脑风暴算法的无人机三维路径设计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101835170A (zh) * | 2010-04-20 | 2010-09-15 | 南京邮电大学 | 基于智能演化的无线多媒体传感器网络覆盖增强方法 |
CN103987051A (zh) * | 2014-04-28 | 2014-08-13 | 南京邮电大学 | 基于无线传感器网络可靠感知的频谱共享方法 |
CN105050110A (zh) * | 2015-05-25 | 2015-11-11 | 哈尔滨工程大学 | 一种认知无线电网络的能效提升方法 |
CN105163325A (zh) * | 2015-09-25 | 2015-12-16 | 重庆工商大学 | 异构有向传感器网络部署方法 |
CN106453488A (zh) * | 2016-08-29 | 2017-02-22 | 广州哲讯智能科技有限公司 | 一种基于量子通信的农产品生产环境监测方法与系统 |
-
2017
- 2017-07-24 CN CN201710606778.0A patent/CN107396375B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101835170A (zh) * | 2010-04-20 | 2010-09-15 | 南京邮电大学 | 基于智能演化的无线多媒体传感器网络覆盖增强方法 |
CN103987051A (zh) * | 2014-04-28 | 2014-08-13 | 南京邮电大学 | 基于无线传感器网络可靠感知的频谱共享方法 |
CN105050110A (zh) * | 2015-05-25 | 2015-11-11 | 哈尔滨工程大学 | 一种认知无线电网络的能效提升方法 |
CN105163325A (zh) * | 2015-09-25 | 2015-12-16 | 重庆工商大学 | 异构有向传感器网络部署方法 |
CN106453488A (zh) * | 2016-08-29 | 2017-02-22 | 广州哲讯智能科技有限公司 | 一种基于量子通信的农产品生产环境监测方法与系统 |
Non-Patent Citations (3)
Title |
---|
HAOYU ZHU,YUHUI SHI: "Brain Storm Optimization Algorithm for Full Area Coverage of Wireless Sensor Networks", 《IEEE 8TH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTATIONAL INTELLIGENCE》 * |
刁鸣,王小兰,高洪元: "差分头脑风暴算法及其在频谱感知中的应用", 《应用科技》 * |
王建华,史明岳,王婷婷: "基于量子粒子群算法的移动节点覆盖优化", 《微电子学与计算机》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109581339A (zh) * | 2018-11-16 | 2019-04-05 | 西安理工大学 | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 |
CN109581339B (zh) * | 2018-11-16 | 2023-04-07 | 西安理工大学 | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 |
CN109917815A (zh) * | 2019-04-23 | 2019-06-21 | 中原工学院 | 基于全局最优头脑风暴算法的无人机三维路径设计方法 |
CN109917815B (zh) * | 2019-04-23 | 2022-02-22 | 中原工学院 | 基于全局最优头脑风暴算法的无人机三维路径设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107396375B (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102238686B (zh) | 一种模型化量子遗传算法的无线传感器网络路由方法 | |
CN105554873B (zh) | 一种基于pso-ga-rbf-hop的无线传感器网络定位算法 | |
CN103648139B (zh) | 基于文化蚁群算法的无线传感器网络节点部署设计方法 | |
CN101459915A (zh) | 基于遗传算法的无线传感器网络节点覆盖优化方法 | |
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 | |
CN113905389A (zh) | 基于粒子群优化帝王蝶算法的无线传感器网络覆盖方法 | |
CN101459914A (zh) | 基于蚁群算法的无线传感器网络节点覆盖优化方法 | |
CN111553469A (zh) | 一种无线传感器网络数据融合方法、装置和存储介质 | |
CN112291734A (zh) | 一种移动传感器网络区域覆盖优化的方法 | |
CN108805346A (zh) | 一种基于多隐层极限学习机的热连轧轧制力预报方法 | |
CN109379780A (zh) | 基于自适应差分进化算法的无线传感器网络定位方法 | |
Azharuddin et al. | A GA-based approach for fault tolerant relay node placement in wireless sensor networks | |
CN107396375B (zh) | 基于量子头脑风暴的异构传感器网络最佳目标覆盖方法 | |
CN107820207B (zh) | 降维自适应分簇的节点模糊信息三维定位模型 | |
CN114091745A (zh) | 基于改进多存储池回声状态网络的行业用电量预测方法 | |
CN110113815B (zh) | 一种改进的基于iwo的无线传感器网络定位方法 | |
KR101565694B1 (ko) | 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템 | |
Sun et al. | Wireless sensor network node localization based on genetic algorithm | |
CN105517150A (zh) | 基于自适应差分的粒子群定位算法 | |
CN114531665A (zh) | 一种基于莱维飞行的无线传感器网络节点分簇方法及系统 | |
Zhan | Research on path planning method of humanoid robot based on improved genetic algorithm | |
Akram et al. | On Layout Optimization of Wireless Sensor Network Using Meta-Heuristic Approach. | |
Townsend | Wireless sensor network clustering with machine learning | |
Li et al. | Improved artificial fish swarm algorithm approach to robot path planning problems | |
Zhang et al. | A novel localization algorithm based on grey wolf optimization for WSNs |
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 |