CN108462608B - 基于多智能体进化算法的无线传感器网络寿命优化方法 - Google Patents
基于多智能体进化算法的无线传感器网络寿命优化方法 Download PDFInfo
- Publication number
- CN108462608B CN108462608B CN201810250249.6A CN201810250249A CN108462608B CN 108462608 B CN108462608 B CN 108462608B CN 201810250249 A CN201810250249 A CN 201810250249A CN 108462608 B CN108462608 B CN 108462608B
- Authority
- CN
- China
- Prior art keywords
- agent
- grid
- wireless sensor
- energy
- sensor network
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0215—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices
-
- 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种基于多智能体进化算法的无线传感器网络寿命优化方法。其方案为:1)利用无线传感器网络构建第一个智能体网格,编码该网格中的传感器;2)计算第一个智能体网格中每一个智能体的能量,并执行邻域竞争、邻域正交交叉和变异操作,以确定其局部最优智能体;3)构建第二个智能体网格,并对其执行领域竞争和变异操作,确定最优无线传感器网络,提取完全覆盖集;4)对最优无线传感器网络中的传感器直接编码,并执行冗余重置操作,判断循环代数是否达到最大迭代次数,若是,输出无线传感器网络的寿命时长,否则,循环代数加1,返回(3)。本发明加快了无线传感器网络的优化速度,可用于优化无线传感器网络中无线传感器的分布。
Description
技术领域
本发明属于通信技术领域,更进一步涉及一种无线传感器网络寿命优化方法,可用于优化无线传感器网络中无线传感器的分布。
背景技术
无线传感器网络是一种充分利用射频识别的无线网络。无线传感器网络已经广泛的应用在社会生产和生活中,例如灾难救援、战场监督、交通灯识别、气象环境监控、医疗护理等方面。无线传感器网络寿命最大化一般是指在保证工作区域完全覆盖的情况下使得整个无线传感器网络的工作时长最长。因此,如何去安排这些无线传感器进行工作使其在保证工作区域被完全覆盖的情况下工作时长最长,是一个很重要的技术问题。将一定数目的无线传感器均匀随机的分布在工作区域中,当所有的无线传感器同时开始工作时,无线传感器的工作时长就是一个无线传感器的电池寿命,这样不仅造成了无线传感器网络的寿命得不到延长,还使得无线传感器之间造成干扰,信息传输不可靠,也造成了资源的浪费。传统的优化方法只适用于无线传感器数目较少的情况,当无线传感器数目较多时,计算速度慢,耗时长。
Hu等人在其发表的论文“Hybrid genetic algorithm using a forwardencoding scheme for lifetime maximization of wireless sensor networks”(《IEEETransactions on evolutionary computation》文章编号:1089-778X(2010))中公开了一种基于前向编码与混合遗传算法相结合的无线传感器网络寿命最大化优化方法。该方法在遗传算法的基础上结合了前向编码,并加入了传输操作,将无线传感器网络的寿命作为适应度函数,对适应度函数进行求解,经过多次迭代,保留种群中适应度函数值最大的个体,直到满足终止条件停止。该方法存在的不足之处是,当无线传感器数目较多时,搜索空间较大,耗时长,且得不到最优结果,无线传感器网络的寿命得不到延长。
北京航空航天大学在其申请的专利“一种考虑重传的分簇式无线传感器网络寿命优化方法”(申请号:201410811182.0,申请公布号:CN 104486774 A)中公开了一种考虑重传的分簇式无线传感器网络寿命优化方法。该方法包括以下步骤:根据模型初步部署分簇式无线传感器网络;建立无线传感器节点的能耗模型;建立分簇式无线传感器网络的重传模型;建立考虑重传的分簇式无线传感器网络的能耗模型;建立考虑重传的分簇式无线传感器网络的传输成功率计算模型;建立均匀部署条件下分簇式无线传感器网络的寿命优化模型及求解。该方法的不足之处是,没有考虑到传感器的冗余,使无线传感器间造成干扰,信息传输不可靠,也造成了资源的浪费,无线传感器网络的寿命不能最大化。
发明内容
本发明的目的在于克服上述已有技术的不足,提供了一种基于多智能体进化算法的无线传感器网络寿命优化方法,以最大化无线传感器网络的寿命。
为实现上述目的,本发明的技术方案包括如下:
(1)构建无线传感器网络:
(2)设置多智能体进化算法参数:
2a)在[0,1]的范围内,设置变异概率Pm,和交叉概率Pc;
2b)在[0,500]的范围内,设置最大迭代次数K;
(3)将一个无线传感器网络作为一个智能体,用L×L个智能体构建成第一个智能体网格G,L为大于1的整数;
(4)采用直接编码的方式对第一个智能体网格G中的所有智能体进行编码;
(5)计算第一个智能体网格G中每一个智能体的能量;
(6)对第一个智能体网格G依次执行邻域竞争操作、邻域正交交叉操作和变异操作;
(7)利用与步骤(5)相同的方法,计算变异后智能体网格G中每个智能体的能量,将能量最大的智能体作为第一个智能体网格G的局部最优智能体C;
(8)自学习操作:
8a)在[0,100]的范围内,设置自学习操作的最大迭代次数K’;
8b)将每一个无线传感器网络作为一个智能体,用M×M个智能体构建成第二个智能体网格Q,M为大于1的整数;
8c)计算第二个智能体网格Q中每个智能体的能量;
8d)对第二个智能体网格Q依次执行邻域竞争操作和变异操作;
8e)利用与步骤(8c)相同的方法,计算变异后的智能体网格Q中每个智能体的能量,找出能量最大的智能体作为第二个智能体网格Q局部最优智能体C’;
8f)将第一个智能体网格G中的局部最优智能体的能量E(C)与第二个智能体网格Q中的局部最优智能体的能量E(C’)进行比较,当E(C’)>E(C)时,用第二个智能体网格Q的局部最优智能体C’更新第一个智能体网格G的局部最优智能体C;
8g)将更新后的局部最优智能体C作为最优无线传感器网络;
8h)判断当前自学习操作的循环代数是否达到最大迭代次数K’,若是,则执行步骤(9),否则,将自学习操作的循环代数加1后,返回步骤(8d);
(9)从最优无线传感器网络中提取出所有的完全覆盖集S={S1,S2,…,Si,...,ST},Si是第i个完全覆盖集,i=1…T,T为完全覆盖集的最大数目;
(10)用间接编码的方式对每个传感器进行编码,将每个完全覆盖集Si中的传感器设置为打开状态;
(11)对每一个完全覆盖集Si中的传感器执行冗余重置操作:
11a)从完全覆盖集Si中任意选取一个无线传感器并将其关闭;
11b)判断当前每一个覆盖集是否把工作区域完全覆盖,若是,则所选中的传感器状态不变,否则,将该传感器的状态设为打开;
11c)判断每一个覆盖集中的所有传感器是否已被选取,若是,则执行步骤(12),否则,返回步骤(11a);
(12)判断当前多智能体进化算法的循环代数是否达到最大迭代次数K,若是,则输出无线传感器网络的寿命时长,否则,将多智能体进化算法的循环代数加1后,返回步骤(3)。
本发明与现有技术相比具有如下优点:
第一,由于本发明采用直接编码和间接编码相结合,有效的利用了直接编码和间接编码的优点,使得操作更加方便,克服了现有技术中编码单一、操作复杂、耗时长的缺点,加快了优化无线传感器网络寿命的收敛速度,缩短了寻找最优无线传感器网络的时间。
第二,由于本发明在计算智能体网格中每个智能体的能量时,有效的计算出每一个覆盖集的覆盖率,提高了覆盖率的精度,克服了现有技术中的传统方法计算不精确、计算量大的缺点,减少了优化无线传感器网络的计算量,提高了优化无线传感器网络寿命的精度。
第三,由于本发明对智能体网格执行邻域竞争操作,加快了无线传感器网络的寻优速度,缩小了无线传感器网络寻优的搜索空间,克服了现有技术中搜索空间大、计算速度慢的缺点,缩小了搜索空间,大大加快了寻优速度。
第四,由于本发明对智能体网格执行自学习操作,扩大了搜索空间的广度,克服了现有技术中的传统方法对解决大规模问题时,收敛太慢、耗时太长的缺点,在解决大规模的无线传感器网络优化问题时,依然可以迅速的找到最优解。
第五,由于本发明采用冗余重置操作,大大减少了无线传感器的冗余率,降低了了无线传感器间的相互干扰,克服了现有技术中重叠干扰及资源浪费的问题,减少了无线传感器的资源浪费,降低了干扰率,提高了信息传输的可靠性。
附图说明
图1是本发明的实现流程图;
图2是本发明的无线传感器模型图。
具体实施方式
下面结合附图和实例对本发明做进一步描述:
参照图1,本发明的实施步骤如下:
步骤1,构建无线传感器网络。
首先构建一个大小为H×W的矩形工作区域,取N个无线传感器,将这N个无线传感器均匀随机的散布在工作区域之中,得到一个无线传感器网络,其中,N的数量根据工作区域的大小所决定;
无线传感器模型如图2所示,其中无线传感器的覆盖半径为R,R>0。
步骤2,设置多智能体进化算法参数。
在[0,1]的范围内,设置变异概率Pm和交叉概率Pc,在[0,500]的范围内,设置多智能体进化算法的最大迭代次数K。
步骤3,构建第一个智能体网格G。
将步骤1中构建的一个无线传感器网络作为一个智能体,再用L×L个智能体构建成第一个智能体网格G,其中,L为大于1的整数。
步骤4,采用直接编码的方式对步骤3中构建的第一个智能体网格G中的所有智能体进行编码。
4.1)将无线传感器网络中的每一个传感器的取值设置为该传感器所属的集合编号,即X<V>=<v1,v2,...vi,...,vN>v1,v2,...,vN∈{1,2,...,T},i∈{1,2,...,N},其中,X<V>表示的是一个无线传感器网络的直接编码方式,vi表示的是第i个传感器所属的集合编号,N表示的是传感器的总数;
4.2)根据每一个传感器所属的集合编号,将具有相同编号的传感器提取到同一覆盖集,依次从无线传感器网络中提取出所有的覆盖集。
步骤5,计算每一个智能体的能量。
5.1)将第一个智能体网格G的工作区域均匀划分成大小为d×d的网格,其中d为划分网格的宽度,d<min(H,W),统计出每一个覆盖集在工作区域中所覆盖的网格数,计算无线传感器网络中的覆盖率θi:
5.2)统计出第一个智能体网格G中每一个覆盖集中重要元素的总数目,未被覆盖的重要元素的数目以及被重叠覆盖的重要元素的数目,再计算出无线传感器网络中每一个覆盖集的惩罚因子λi:
λi=1-gcru/ncru,
其中,λi表示无线传感器网络中第i个覆盖集Si的惩罚值,λi>0,gcru表示在第i个覆盖集Si中未被覆盖或被重复覆盖的重要元素的个数;ncru表示在第i个覆盖集Si中所有重要元素的个数;
5.3)将第一个智能体网格G中每一个覆盖集的覆盖率与惩罚因子相结合,计算智能体网格G中每个智能体的能量Ej:
其中,Ej表示智能体网格G中第j个智能体的能量,j=1,…,NG,NG为智能体网格G中智能体的个数,T表示智能体网格G中在第j个智能体中完全覆盖集的个数。
步骤6,对第一个智能体网格G依次执行邻域竞争操作、邻域正交交叉操作和变异操作。
6.1)从第一个智能体网格G中任选一个智能体,从所选智能体的上下左右四个邻域中,再找出邻域中能量最大的智能体,将其与所选智能体的能量进行比较:
若该邻域中能量最大智能体的能量大于所选智能体的能量时,则用该智能体更所选新智能体;
否则,所选智能体保持不变;
6.2)设定正交矩阵A为:
6.3)将第一个智能体网格G中的每一个智能体通过正交矩阵A量化为F维,F为大于1的整数,再选出F维中能量最大的智能体,将其与所选智能体的能量进行比较:
若F维中能量最大智能体的能量大于所选智能体的能量时,则用该智能体更新所选智能体;
否则,所选智能体保持不变;
6.4)将一个符合高斯分布的随机扰动值D(0,1/t)加到第一个智能体网格G中更新后的智能体上,得到变异后的智能体,其中D(0,1/t)表示的是一个满足高斯分布的随机数,t表示的多智能体进化算法的当前进化代数;
步骤7,利用与步骤(5)相同的方法,计算变异后智能体网格G中每个智能体的能量,将能量最大的智能体作为第一个智能体网格G的局部最优智能体C。
步骤8,自学习操作。
自学习操作实质上是一个小规模的多智能体进化算法,可以使智能体之间的信息得到充分利用,即重新构建一个新的智能体网格对其执行邻域竞争操作和变异操作,从新的智能体网格中选出能量最大的智能体来更新智能体网格G中的局部最优智能体C,以进一步提高解的质量,其实现步骤如下:
8.1)将步骤1中构建的一个无线传感器网络作为一个智能体,再用M×M个智能体构建成第二个智能体网格Q,并在[0,100]的范围内,设置自学习操作的最大迭代次数K’,其中M为大于1的整数;
8.2)计算每个智能体的能量;
将的工作区域均匀划分成大小为d×d的网格,其中d为划分网格的宽度,d<min(H,W),统计出每一个覆盖集在工作区域中所覆盖的网格数,计算第二个智能体网格Q中无线传感器网络的覆盖率θ′i:
统计出第二个智能体网格Q中每一个覆盖集中重要元素的总数目,未被覆盖的重要元素的数目以及被重叠覆盖的重要元素的数目,再计算出无线传感器网络中每一个覆盖集的惩罚因子λ′i:
λ′i=1-g'cru/n'cru,
其中,λ′i表示无线传感器网络中第i个覆盖集S′i的惩罚值,λ′i>0,g'cru表示在第i个覆盖集S′i中未被覆盖或被重复覆盖的重要元素的个数;n'cru表示在第i个覆盖集S′i中所有重要元素的个数;
将第二个智能体网格Q中每一个覆盖集的覆盖率与惩罚因子相结合,计算第二个智能体网格Q中每个智能体的能量Ep:
其中,Ep表示第二个智能体网格Q中第p个智能体的能量,p=1,…,NQ,NQ为第二个智能体网格Q中智能体的个数,T表示第二个智能体网格Q中在第p个智能体中完全覆盖集的个数;
8.3)对第二个智能体网格Q依次执行邻域竞争操作和变异操作;
从第二个智能体网格Q中任选一个智能体,从所选智能体的上下左右四个邻域中,再找出邻域中能量最大的智能体,将其与所选智能体的能量进行比较,
若该邻域中能量最大智能体的能量大于所选智能体的能量时,用该智能体更新智能体;
否则,所选智能体保持不变;
将一个符合高斯分布的随机扰动值D’(0,1/t)加到第二个智能体网格Q中更新后的智能体上,得到变异后的智能体,其中D’(0,1/t)表示的是一个满足高斯分布的随机数,t表示的进化代数。
8.4)利用与步骤(8.1)相同的方法,计算变异后的第二个智能体网格Q中每个智能体的能量,找出能量最大的智能体作为第二个智能体网格Q的局部最优智能体C’;
8.5)将第一个智能体网格G中的局部最优智能体的能量E(C)与第二个智能体网格Q中的局部最优智能体的能量E(C’)进行比较,
当E(C’)>E(C)时,则用第二个智能体网格Q的局部最优智能体C’更新第一个智能体网格G的局部最优智能体C;
否则,第一个智能体网格G的局部最优智能体C保持不变;
8.6)将更新后的局部最优智能体C作为最优无线传感器网络;
8.7)判断当前自学习操作的循环代数是否达到最大迭代次数K’,若是,则执行步骤9,否则,将自学习操作的循环代数加1后,返回步骤(8.3)。
步骤9,从最优无线传感器网络中提取出所有的完全覆盖集S={S1,S2,…,Si,...,ST},Si是第i个完全覆盖集,i=1…T,T为完全覆盖集的最大数目。
步骤10,用间接编码的方式对每个传感器进行编码,将每个完全覆盖集Si中的传感器设置为打开状态。
将无线传感器网络中的每一个传感器的值设置为该传感器所属的工作状态,即X<O>=<o1,o2,...oi,...,oN>o1,o2,...,oN∈{0,1},i∈{1,2,...,N},其中,X<O>表示的是一个无线传感器网络的间接编码方式,oi表示的是第i个传感器的工作模式,设置范围为{0,1},当值为0时,表示传感器处于休眠状态;当值为1时,表示传感器处于工作状态。
步骤11,对每一个完全覆盖集Si中的传感器执行冗余重置操作。
冗余重置操作实质上是将无线传感器网络中的不完全覆盖集转变为完全覆盖集,提高每一个无线传感器网络的覆盖率,其实现步骤如下:
11.1)从完全覆盖集Si中任意选取一个无线传感器并将其关闭;
11.2)判断当前每一个覆盖集是否把工作区域完全覆盖,若是,则所选中的传感器状态不变,否则,将该传感器的状态设为打开;
11.3)判断每一个覆盖集中的所有传感器是否已被选取,若是,则执行步骤12,否则,返回步骤(11.1)。
步骤12,判断当前多智能体进化算法的循环代数是否达到最大迭代次数K,若是,则输出无线传感器网络的寿命时长,否则,将多智能体进化算法的循环代数加1后,返回步骤3。
下面结合仿真结果对本发明的效果做进一步的描述。
1.仿真条件:
本发明的仿真实验是在计算机硬件配置为Intel Core(TM)i5-6500M CPU@3.20GHz、8.00GB RAM的硬件环境和计算机软件配置为Visual Studio 2013的软件环境下进行的。
2.仿真内容:
本发明的仿真实验是对点覆盖和区域覆盖问题分别采用本发明的方法优化无线传感器网络。在对每组测试样例用本发明的方法优化无线传感器网络100次的基础上,再分别计算每组数据100次仿真后的无线传感器网络寿命均值、成功率和平均仿真时间。
仿真一,采用7组点覆盖测试样例,用本发明与传统方法STHGA和MAGA,对每组数据仿真100次后,计算得出的无线传感器网络寿命的均值、成功率和平均仿真时间,结果如表1。
表1对7组点覆盖的仿真结果
由表1可以看到,在七个测试样例中,传统算法MAGA求得的均值都小于T,都不能得到最优解。STHGA和本发明的方法,在七组数据集中,均值都与T相等,都可以得到最优解。但是本发明的平均时间都少于传统方法STHGA,同时,本发明求得的成功率都是100%,说明了本发明在优化无线传感器网络时,具有很好的稳定性。以上结果证明,本发明在解决中点覆盖问题上是非常有效的。
仿真二,采用9组中小规模区域覆盖测试样例,用本发明与传统方法STHGA和MAGA,对每组数据仿真100次后,计算得出的无线传感器网络寿命的均值、成功率和平均仿真时间,结果如表2。
表2对9组中小规模区域的仿真结果
由表2可以看到,传统方法MAGA只有两组测试数据集的均值等于T,即数据集4和数据集8。相反,本发明在100次独立实验中,九组测试样例的均值都达到了T,即都可以得到最优解。而且在九组测试样例中,有六组得到最优解的平均时间短于传统方法STHGA。特别是在测试样例8中,传统方法STHGA所用的平均时间几乎是本发明的36倍多,证明本发明的收敛速度比STHGA快很多。以上结果证明,本发明在解决中小规模区域覆盖问题上任然是非常有效的。
仿真三,采用4组大规模区域覆盖测试样例,用本发明与传统方法STHGA,对每组数据仿真100次后,计算得出的无线传感器网络寿命的均值、成功率和平均仿真时间,结果如表3.
表3对4组大规模区域的仿真结果
由表3中可以得到,在四组测试样例中,传统方法STHGA的均值均低于T的上限,即STHGA已经得不到最优解。相反,本发明在四组数据集中,均值全与T的上限相等,即均可以得到全局最优解。这表明,对于大规模的区域覆盖问题,传统方法STHGA已经不再适合,而本发明对于解决大规模区域覆盖问题依然可以快速高效的得到最优解。
Claims (7)
1.一种基于多智能体进化算法的无线传感器网络寿命优化方法,包括以下步骤:
(1)构建无线传感器网络:
(2)设置多智能体进化算法参数:
2a)在[0,1]的范围内,设置变异概率Pm,和交叉概率Pc;
2b)在[0,500]的范围内,设置最大迭代次数K;
(3)将一个无线传感器网络作为一个智能体,用L×L个智能体构建成第一个智能体网格G,L为大于1的整数;
(4)采用直接编码的方式对第一个智能体网格G中的所有智能体进行编码;
(5)计算第一个智能体网格G中每一个智能体的能量;
(6)对第一个智能体网格G依次执行邻域竞争操作、邻域正交交叉操作和变异操作;其中:执行邻域竞争操作,是先从第一个智能体网格G中任选一个智能体,从所选智能体的上下左右四个邻域中,再找出邻域中能量最大的智能体,与所选智能体的能量进行比较,若该邻域中能量最大智能体的能量大于所选智能体的能量时,用该智能体更新所选智能体;执行邻域正交交叉操作,是先将第一个智能体网格G中的每一个智能体通过一个正交矩阵量化为F维,F为大于1的整数;再选出F维中能量最大的智能体,与所选智能体的能量进行比较,若该F维中能量最大智能体的能量大于所选智能体的能量时,用该智能体更新所选智能体;执行变异操作,是将一个符合高斯分布的随机扰动值加到第一个智能体网格G中更新后的智能体上,得到变异后的智能体;
(7)利用与步骤(5)相同的方法,计算变异后智能体网格G中每个智能体的能量,将能量最大的智能体作为第一个智能体网格G的局部最优智能体C;
(8)自学习操作:
8a)在[0,100]的范围内,设置自学习操作的最大迭代次数K’;
8b)将每一个无线传感器网络作为一个智能体,用M×M个智能体构建成第二个智能体网格Q,M为大于1的整数;
8c)计算第二个智能体网格Q中每个智能体的能量;
8d)对第二个智能体网格Q依次执行邻域竞争操作和变异操作;
8e)利用与步骤(8c)相同的方法,计算变异后的智能体网格Q中每个智能体的能量,找出能量最大的智能体作为第二个智能体网格Q的局部最优智能体C’;
8f)将第一个智能体网格G中的局部最优智能体的能量E(C)与第二个智能体网格Q中的局部最优智能体的能量E(C’)进行比较,当E(C’)>E(C)时,用第二个智能体网格Q的局部最优智能体C’更新第一个智能体网格G的局部最优智能体C;
8g)将更新后的局部最优智能体C作为最优无线传感器网络;
8h)判断当前自学习操作的循环代数是否达到最大迭代次数K’,若是,则执行步骤(9),否则,将自学习操作的循环代数加1后,返回步骤(8d);
(9)从最优无线传感器网络中提取出所有的完全覆盖集S={S1,S2,…,Si,...,ST},Si是第i个完全覆盖集,i=1…T,T为完全覆盖集的最大数目;
(10)用间接编码的方式对每个传感器进行编码,将每个完全覆盖集Si中的传感器设置为打开状态;
(11)对每一个完全覆盖集Si中的传感器执行冗余重置操作:
11a)从完全覆盖集Si中任意选取一个无线传感器并将其关闭;
11b)判断当前每一个覆盖集是否把工作区域完全覆盖,若是,则所选中的传感器状态不变,否则,将该传感器的状态设为打开;
11c)判断每一个覆盖集中的所有传感器是否已被选取,若是,则执行步骤(12),否则,返回步骤(11a);
(12)判断当前多智能体进化算法的循环代数是否达到最大迭代次数K,若是,则输出无线传感器网络的寿命时长,否则,将多智能体进化算法的循环代数加1后,返回步骤(3)。
2.根据权利要求1所述的方法,步骤(1)中构建无线传感器网络,其实现如下:
1a)输入无线传感器网络的工作区域范围;
1b)输入无线传感器的覆盖半径;
1c)将无线传感器随机散布在无线传感器网络的工作区域之中,得到一个无线传感器网络。
3.根据权利要求1所述的方法,其特征在于,步骤(4)中采用直接编码的方式对智能体网格G中的所有智能体进行编码,是先将无线传感器网络中的每一个传感器的值设置为该传感器所属的集合编号;再从无线传感器网络中提取出所有的覆盖集。
4.根据权利要求1所述的方法,其特征在于,步骤(5)中计算第一个智能体网格G中每一个智能体的能量,按如下步骤进行:
5a)将无线传感器网络的工作区域均匀划分成大小为d×d的网格,d<min(H,W),H表示工作区域的长度,W表示工作区域的宽度;
5b)按照下式,计算第一个智能体网格G中每一个覆盖集的覆盖率θi:
5c)按照下式,计算第一个智能体网格G中每一个覆盖集的惩罚因子λi:
λi=1-gcru/ncru,
其中,λi表示无线传感器网络中第i个覆盖集Si的惩罚值,λi>0,gcru表示在第i个覆盖集Si中未被覆盖或被重复覆盖的重要元素的个数;ncru表示在第i个覆盖集Si中所有重要元素的个数;
5d)按照下式,计算第一个智能体网格G中每个智能体的能量Ej:
其中,Ej表示第一个智能体网格G中第j个智能体的能量,j=1,…,NG,NG为第一个智能体网格G中智能体的个数,T表示第一个智能体网格G中在第j个智能体中完全覆盖集的个数。
5.根据权利要求1所述的方法,其特征在于,步骤(8c)中计算第二个智能体网格Q中每个智能体的能量,按如下步骤进行:
8c1)将无线传感器网络的工作区域均匀划分成大小为d×d的网格,d<min(H,W),H 表示工作区域的长度,W表示工作区域的宽度;
8c2)按照下式,计算第二个智能体网格Q中每一个覆盖集的覆盖率θi':
8c3)按照下式,计算第二个智能体网格Q中每一个覆盖集的惩罚因子λ'i:
λ'i=1-g'cru/n'cru,
其中,λ'i表示无线传感器网络中第i个覆盖集S'i的惩罚值,λ'i>0,g'cru表示在第i个覆盖集S'i中未被覆盖或被重复覆盖的重要元素的个数;n'cru表示在第i个覆盖集S'i中所有重要元素的个数;
8c4)按照下式,计算第二个智能体网格Q中每个智能体的能量Ep:
其中,Ep表示第二个智能体网格Q中第p个智能体的能量,p=1,…,NQ,NQ为第二个智能体网格Q中智能体的个数,T表示第二个智能体网格Q中在第p个智能体中完全覆盖集的个数。
6.根据权利要求1所述的方法,其特征在于步骤(8d)中对第二个智能体网格Q执行邻域竞争操作,是先从第二个智能体网格Q中任选一个智能体,从所选智能体的上下左右四个邻域中,再找出邻域中能量最大的智能体,与所选智能体的能量进行比较,若该邻域中能量最大智能体的能量大于所选智能体的能量时,用该智能体更新智能体;
对第二个智能体网格Q执行变异操作,是将一个符合高斯分布的随机扰动值加到第二个智能体网格Q中更新后的智能体上,得到变异后的智能体。
7.根据权利要求1所述的方法,其特征在于,步骤(10)中用间接编码的方式对每个传感器进行编码,是将无线传感器网络中的每一个传感器的值设置为该传感器所属的工作状态,设置范围为{0,1},当值为0时,表示传感器处于休眠状态;当值为1时,表示传感器处于工作状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810250249.6A CN108462608B (zh) | 2018-03-26 | 2018-03-26 | 基于多智能体进化算法的无线传感器网络寿命优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810250249.6A CN108462608B (zh) | 2018-03-26 | 2018-03-26 | 基于多智能体进化算法的无线传感器网络寿命优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108462608A CN108462608A (zh) | 2018-08-28 |
CN108462608B true CN108462608B (zh) | 2020-10-23 |
Family
ID=63237775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810250249.6A Active CN108462608B (zh) | 2018-03-26 | 2018-03-26 | 基于多智能体进化算法的无线传感器网络寿命优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108462608B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114764251B (zh) * | 2022-05-13 | 2023-10-10 | 电子科技大学 | 一种基于能耗模型的多智能体协同搜索节能方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101035040A (zh) * | 2007-02-02 | 2007-09-12 | 南京邮电大学 | 基于多代理协商的无线传感器网络数据收集方法 |
CN102013038A (zh) * | 2010-11-29 | 2011-04-13 | 中山大学 | 基于向前式编码策略的无线传感器网络寿命优化遗传算法 |
KR20130066787A (ko) * | 2011-12-13 | 2013-06-21 | 성균관대학교산학협력단 | 무선 센서 네트워크에서 균형 체인 토폴로지를 생성하는 방법 |
CN106488393A (zh) * | 2016-09-30 | 2017-03-08 | 天津大学 | 基于演化博弈机制的分簇无线传感器网络簇头选举模型 |
CN106488482A (zh) * | 2016-09-12 | 2017-03-08 | 西安电子科技大学 | 基于多智能体进化算法的无线传感器网络优化方法 |
CN107302780A (zh) * | 2017-07-04 | 2017-10-27 | 北京理工大学 | 一种多目标情景中无线传感器网络的节能分簇方法 |
-
2018
- 2018-03-26 CN CN201810250249.6A patent/CN108462608B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101035040A (zh) * | 2007-02-02 | 2007-09-12 | 南京邮电大学 | 基于多代理协商的无线传感器网络数据收集方法 |
CN102013038A (zh) * | 2010-11-29 | 2011-04-13 | 中山大学 | 基于向前式编码策略的无线传感器网络寿命优化遗传算法 |
KR20130066787A (ko) * | 2011-12-13 | 2013-06-21 | 성균관대학교산학협력단 | 무선 센서 네트워크에서 균형 체인 토폴로지를 생성하는 방법 |
CN106488482A (zh) * | 2016-09-12 | 2017-03-08 | 西安电子科技大学 | 基于多智能体进化算法的无线传感器网络优化方法 |
CN106488393A (zh) * | 2016-09-30 | 2017-03-08 | 天津大学 | 基于演化博弈机制的分簇无线传感器网络簇头选举模型 |
CN107302780A (zh) * | 2017-07-04 | 2017-10-27 | 北京理工大学 | 一种多目标情景中无线传感器网络的节能分簇方法 |
Non-Patent Citations (1)
Title |
---|
无线多接入网络中能量有效的传输调度研究;毛小矛;《万方》;20101222;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108462608A (zh) | 2018-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101119303B (zh) | 基于动态聚类的多目标规划无线传感网路由算法 | |
CN108737191B (zh) | 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 | |
CN106953768A (zh) | 一种网络可靠性模型及混合智能优化方法 | |
CN106789320A (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 | |
Arivudainambi et al. | Memetic algorithm for minimum energy broadcast problem in wireless ad hoc networks | |
CN108537338A (zh) | 基于多智能体遗传算法的灾害救援应急资源调度方法 | |
CN108462608B (zh) | 基于多智能体进化算法的无线传感器网络寿命优化方法 | |
CN106488482B (zh) | 基于多智能体进化算法的无线传感器网络优化方法 | |
CN103970985A (zh) | 一种基于局部抽象凸估计的群体全局优化方法 | |
CN114584991B (zh) | 一种求解配电网传感器节点覆盖的群体智能优化方法 | |
Yue et al. | Large-scale mobile wireless sensor network data fusion algorithm | |
CN112488343B (zh) | 一种基于超启发式算法的智慧城市智能感知终端选址方法 | |
CN102663230A (zh) | 一种基于遗传算法的土地资源评价因子级别划分方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN110048945B (zh) | 一种节点移动性分簇方法及系统 | |
CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
Townsend | Wireless sensor network clustering with machine learning | |
Zhang et al. | An immune chaotic adaptive evolutionary algorithm for energy-efficient clustering management in LPWSN | |
Sheikh et al. | Optimal topology generation for linear wireless sensor networks based on genetic algorithm | |
Pan et al. | An optimal clustering formation for wireless sensor network based on compact genetic algorithm | |
CN117610707B (zh) | 一种城市群生产空间利用预测方法及系统 | |
CN110505634A (zh) | 一种基于遗传算法实现无线ap部署优化方法 | |
Song et al. | Solving traveling salesman problem with hybrid estimation of distribution algorithm | |
Zou et al. | Energy balancing routing algorithm based on HGACA in WSNs | |
CN113572690B (zh) | 面向可靠性的用电信息采集业务的数据传输方法 |
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 |