CN109041073B - 一种自供能无线传感器网络最优节点放置方法 - Google Patents

一种自供能无线传感器网络最优节点放置方法 Download PDF

Info

Publication number
CN109041073B
CN109041073B CN201811017286.9A CN201811017286A CN109041073B CN 109041073 B CN109041073 B CN 109041073B CN 201811017286 A CN201811017286 A CN 201811017286A CN 109041073 B CN109041073 B CN 109041073B
Authority
CN
China
Prior art keywords
quantum
monkey
grid
nodes
grid point
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
Application number
CN201811017286.9A
Other languages
English (en)
Other versions
CN109041073A (zh
Inventor
高洪元
刘子奇
池鹏飞
刁鸣
侯阳阳
杜亚男
陈梦晗
马雨微
吕阔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201811017286.9A priority Critical patent/CN109041073B/zh
Publication of CN109041073A publication Critical patent/CN109041073A/zh
Application granted granted Critical
Publication of CN109041073B publication Critical patent/CN109041073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • 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

本发明涉及无线传感器网络领域，具体涉及一种自供能无线传感器网络最优节点放置方法。首先建立网络模型，将监测区域建立于二维的栅格之中，构建NP问题模型，最小化集合覆盖问题，然后初始化量子猴群，对于量子猴子，从三种量子演化机制依概率选择一种进行演化更新位置，确定每次迭代中，量子猴子的量子位的量子演进方式，之后更新量子猴群中猴子位置，并判断对应的传感器节点所放位置是否能将所有目标节点覆盖，更新每只量子猴子至今为止的局部最优位置，找到全局最优位置作为下一迭代量子位的共同演进方向，最终当前迭代次数达到预先设定的最大值。本发明能够保证网络的能量中立及目标的覆盖与连接性，同时使得传感器节点放置的数量最小化。

Description

一种自供能无线传感器网络最优节点放置方法
技术领域
本发明涉及无线传感器网络领域，具体涉及一种自供能无线传感器网络最优节点放置方法。
背景技术
无线传感器网络是工作在难以进行人为干预的区域，由大量传感器节点组成，且传感器节点之间能够通过自组织方式相互协作的网络。每个传感器具备处理能力，配置有一根无线天线，一个或多个传感器、存储器和一块电池。
无线传感器网络有非常广泛的应用，并针对于不同的具体应用情景，不同类型的传感器节点被使用，譬如说，传感器能够对湿度、温度、压力或者物体的运动轨迹进行检测。无线传感器网络因为其自身的特点而有别于其他类型的网络。因为传感器节点是在有限的电池能量下工作的并且一旦被部署后不能再重新改变其位置，对于无线传感器网络而言延长网络寿命是至关重要的，其中的常见的一种解决方案是确保网络中传感器节点是能量均衡的。
无线传感器网络是监测或覆盖环境的理想方法，同样，在一些情况下作用于环境。总的来说，传感器节点能够感知环境，帮助从其他传感器节点传输数据，并将它们无线传输到一个或多个接收器上。然后，这些数据通过汇聚节点传输给用户进行处理。最近，在无线传感器网络中应用了能量收集技术，将环境能量转化为电能。然后，收获的能量可以用来驱动传感器节点的负载，如果使用得当，无线传感器网络可以在很长一段时间内保持运行。这对于促进持续监控目标的应用操作是非常有利的。
具有能量收集功能的无线传感器网络要求传感器节点具有能量中立的目标覆盖。也就是说，传感器节点获得的能量比它们用于监测目标的能量要多，由此可见，工作周期是至关重要的。例如，传感器节点可能会处于活动状态，它们监视一个或多个目标，或者进入睡眠状态，此状态下它们保存并补充能量。而在过去的工作周期调度的一个关键假设是所有的传感器节点已经部署在目标节点周围。此外，在过去的工作中，如考虑部署节点来覆盖目标区域，是假设节点没有能力补充它们的能量存储，且其主要目标是尽量减少用于监视目标的传感器节点的数量。
发明内容
本发明的目的在于提供一种自供能无线传感器网络最优节点放置方法，以保证网络的能量中立及目标的覆盖与连接性，同时使得传感器节点放置的数量最小化。
一种自供能无线传感器网络最优节点放置方法，包括：
步骤一：通过建立自供能无线传感器网络模型，将监测区域建立于二维的栅格之中；
步骤二：通过构建NP问题模型，最小化集合覆盖问题，所述NP问题模型的建立分为两个阶段，第一阶段，确定一个覆盖栅格中所有点的且具有较高能量收集速率的网格点集合
Figure GDA0003266169130000021
Figure GDA0003266169130000022
中的所有元素被称为候选节点；第二阶段，于
Figure GDA0003266169130000023
中提取最大数量K的可完成所有目标覆盖的互斥节点的集合
Figure GDA0003266169130000024
步骤三：通过初始化量子猴群，确定量子猴群的种群规模，搜索到全局最优位置；
步骤四：对于量子猴子i，从三种量子演化机制依概率选择一种进行演化更新位置；
步骤五：确定每次迭代中，第i只量子猴子的第d维量子位的量子演进方式；
步骤六：通过更新量子猴群中猴子位置，并判断对应的传感器节点所放位置是否能将所有目标节点覆盖；
步骤七：通过更新每只量子猴子至今为止的局部最优位置，找到迄今为止的全局最优位置作为下一迭代量子位的共同演进方向；
步骤八：通过判断当前迭代次数是否达到预先设定的最大值，决定是否结束本方法；若达到预先设定的最大值，此时具有最优适应度的猴子所在的位置即为全局最优解，其位置相应于为此时栅格网络中传感器节点所放置的最优位置；若未达到设定的迭代次数的最大值，则返回步骤四继续进行。
本发明还可以包括：
所述步骤一，包括：
通过建立自供能无线传感器网络模型，将监测区域建立于二维的栅格之中；
其中，所述的二维的栅格横竖间任意两相邻的网格点距离记为λ，假定每行有n个点，每一列有m个点，将所有的网格点记录在集合L中，所以集合L中共含|L|＝n×m个元素，并按照从上向下、从左往右的顺序给所有网格点编号，其中网格点m记为汇聚节点；
其中，所述的建立自供能无线传感器网络模型的具体方法为：
设Z记录至少包含一个目标点的所有网格点的集合，令r和r'分别为所有传感器节点统一的感应与通讯半径，定义集合Z(a)，它为在网格点a的感应半径范围内的目标所处网格点的集合，相反的，定义另一集合L(b)为能够覆盖网格点b处目标的网格点集合，设集合N(c)为在网格点c的感应范围内的任意节点集合，接下来，定义
Figure GDA0003266169130000025
为一个能够覆盖所有目标节点的网格点的集合，上式中k＝1,…,K，当网格点a存在于集合Ck中时，指示函数δ(Ck,a)等于1，如果网格点a不属于集合Ck时，指示函数δ(Ck,a)为0，使Ω为Ck的聚集，Ω＝{C1,…,CK}，记录全部集合Ck的数量，在最坏的情况下，其K或|Ω|的值为2的L中至少能覆盖一个目标的网格点的数量值次方，栅格中任意两网格点a、h间欧式距离表示为d(a,h)，
将时间设定为1的单位长度，设ck为集合Ck中传感器节点的工作时间，0≤ck≤1，因此，放置于网格点a处的传感器节点其总的工作时间为
Figure GDA0003266169130000031
当一个传感器在工作阶段时设Em为它的能量消耗速率，当传感器处于休眠阶段时，能量消耗速率近乎为0，每个网格点位置有着自己的能量收集速率Ra，其表示为将传感器节点放置于网格点a位置时它们的能量收集速率，设G为当一个传感器节点监控一个目标时的能量收集速率，当一个传感器接收和传输1bit的信息时，用Er和Et分别来记录能量的消耗，所以传感器传送1bit信息其能量消耗为Ef＝Er+Et，放置于网格点a的传感器节点，它的能量消耗速率为
Figure GDA0003266169130000032
每个网格点包含两种类型的节点：传感及中继，传感器节点的能量消耗率等于监测目标与转发数据的能量消耗率之和，
Figure GDA0003266169130000033
式中fha是从网格点h到a的数据转发速率，若一个传感器节点只负责中继数据，则它的能量消耗率仅由此式的最后一项表示，
最后，确定最小数量的将所有目标持续监控的传感器节点，同时保证各节点能量的中立，目标被完全的覆盖及网络连接性，设在网格点a处放置ya个传感器节点，网络中为得到总数
Figure GDA0003266169130000034
个传感器节点，需由以下约束限制：
Figure GDA0003266169130000035
此约束为了确保所有的目标被覆盖监控至少一个单位长度；
Figure GDA0003266169130000036
Figure GDA0003266169130000037
以上两约束为保证每个传感器节点至汇聚节点的连接性；
Figure GDA0003266169130000038
约束为确保各网格点的能量消耗速率小于放置在此传感器节点总的能量收集速率，如果放置在网格点a的节点收集的能量总和超过了其点消耗的能量和，在此情况下，于网格点a处放置足量的传感器节点
Figure GDA0003266169130000041
上式中
Figure GDA0003266169130000042
为
Figure GDA0003266169130000043
的向上取整值。
所述步骤二，包括：
通过构建NP问题模型，最小化集合覆盖问题，所述NP问题模型的建立分为两个阶段，第一阶段，确定一个覆盖栅格中所有点的且具有较高能量收集速率的网格点集合
Figure GDA0003266169130000044
Figure GDA0003266169130000045
中的所有元素被称为候选节点；第二阶段，于
Figure GDA0003266169130000046
中提取最大数量K的可完成所有目标覆盖的互斥节点的集合
Figure GDA0003266169130000047
其中，所述的第一阶段为：
1a.设网格点集合L为范围集合，在此阶段，L中每个网格点处均考虑放置一个目标节点；
1b.L(a)是能够覆盖网格点a处目标节点的网格点的集合，将
Figure GDA0003266169130000048
的权重值wa设置等于网格点a的潜在能量收集速率Ra；
1c.设|L(a)|为集合L(a)中的网格点个数，选取范围集合L内各元素wa×|L(a)|取值最大的网格点a*，将此网格点a*并入集合
Figure GDA0003266169130000049
中；
1d.范围集合L取其与能够覆盖网格点a*处目标节点的网格点集合的差集；
1e.判断范围集合L是否为空集，若不是，返回3；若是，则完成集合
Figure GDA00032661691300000410
的选取；
其中，所述的第二阶段为：
2a.初始时设k＝1，集合Ck为空集，共e个目标节点于集合Z中，且各目标节点随机的放置在不同的网格点处；
2b.设集合
Figure GDA00032661691300000411
中网格点
Figure GDA00032661691300000412
的权重值wa等于其所处位置的潜在充电速率Ra，并设集合Z为此阶段的范围集合；
2c.设|Z(a)|为集合Z(a)中的网格点个数，选取集合
Figure GDA00032661691300000413
中各元素wa×|Z(a)|取值最大的网格点a*，将此网格点并入集合Ck中；
2d.集合Z取其与网格点a*传感范围内的目标节点集合的差集；
2e.判断范围集合Z是否为空集，若不是，则返回2c；若是，则完成集合Ck的选取，执行2f；
2f.集合
Figure GDA0003266169130000051
取其与集合Ck的差集；
2g.判断属于集合
Figure GDA0003266169130000052
中所有网格点传感范围内的目标节点的集合是否等于集合Z，若是，则返回2a，取k＝k+1；若不是，则完成对集合
Figure GDA0003266169130000053
的选取；
设|Ω|为集合Ω中所有网格点的个数，设优化问题的维数为D＝|Ω|。
所述步骤三，包括：
通过初始化量子猴群，确定量子猴群的种群规模，搜索到全局最优位置；
其中，所述的搜索到全局最优位置的具体方法为：
量子猴群的种群规模为M，量子猴群中第i只猴子第t次迭代时的量子位置为
Figure GDA0003266169130000054
初代所有量子位均设置为
Figure GDA0003266169130000055
初始时设t＝0，上式中
Figure GDA0003266169130000056
为第i只猴子第t次迭代时的第d维量子位，量子位置的测量态为量子猴子的位置，相应的t次迭代时，第i只猴子的位置
Figure GDA0003266169130000057
通过对量子位置各主量子位的测量得到，若第i个量子猴子t次迭代时的第j维元素
Figure GDA0003266169130000058
等于0，说明集合Ω中第j个元素所对应于栅格网络中的网格点位置不放置传感器节点；若该元素等于1，则说明此网格点处放置传感器节点，其数量取决于式：
Figure GDA0003266169130000059
上式中Fj是在网格点j位置的数据传输速率，由网格点j处需要中继的节点数目决定，Rj为网格点j位置的潜在能量收集速率，对每个量子猴子进行适应度评价，目标函数为栅格网络中所有网格点位置需放置的传感器数量之和，到目前为止第i只量子猴子搜索到的最好位置为局部最优置表示为
Figure GDA00032661691300000510
上式中
Figure GDA00032661691300000511
为在t次迭代时第i只猴子局部最优位置的第d维，到现在为止整个量子猴群所搜索到的全局最优位置，即所有局部最优位置中的最优位置表示为全局最优位置
Figure GDA00032661691300000512
上式中
Figure GDA00032661691300000513
为t次迭代时全局最优位置的第d维。
所述步骤四，包括：
对于量子猴子i，从三种量子演化机制依概率选择一种进行演化更新位置；
其中，所述的从三种量子演化机制依概率选择一种进行演化更新位置的具体方法为：
对于第i个量子猴子，设β为[0,1]之间均匀分布的随机数：
若0≤β＜0.3，对种群中的猴子个体使用攀爬演进，通过改变猴子所处的量子位置以改善其适应度函数值从而模仿猴群攀爬的过程，量子猴子攀爬的演进过程：第一只猴子由局部最优位置和全局最优位置共同指引，即
Figure GDA0003266169130000061
其余的猴子由局部最优位置及前面的猴子位置共同指引，即
Figure GDA0003266169130000062
上式中e1和e2为常数，决定了自身局部最优位置和前一个猴子的局部最优位置对该量子猴子演化的影响程度；
若0.3≤β＜0.6，对种群中的猴子进行望跳过程的演进，确定每只量子猴子的局部最优位置，同时找到全局的最优位置，量子猴子的望跳演进过程在其局部最优位置和整个猴群当前所找到的全局最优位置共同指引下进行演进，在每次的循环中，第i只量子猴子的第d维量子旋转角更新如下：
Figure GDA0003266169130000063
上式中e3和e4为常数，决定了局部最优位置和全局最优位置对该量子猴子望跳演化过程的影响程度；
若0.6≤β≤1，为防止方法陷入局部极值从而导致搜索停滞，则以当前猴群的重心所在位置为翻越支点，以一定的步长空翻到一个新的搜索区域，对种群中的猴子进行空翻过程的演进，对于量子猴群中各猴子的位置，令第i只猴子空翻支点的第d维为
Figure GDA0003266169130000064
Figure GDA0003266169130000065
为猴子的空翻支点，上式中round为就近取整函数，量子猴子的空翻演进过程在其翻越支点、局部最优位置和整个猴群当前所找到的全局最优位置共同指引下进行演进，在每次的循环中，第i只量子猴子的第d维量子旋转角的更新过程如下：
Figure GDA0003266169130000066
上式中e5为空翻步长控制系数，e6和e7为常数，其大小决定了相应的位置对该量子猴子空翻过程演化的影响程度。
所述步骤五，包括：
确定每次迭代中，第i只量子猴子的第d维量子位的量子演进方式；
其中，所述的第i只量子猴子的第d维量子位的量子演进方式为：
Figure GDA0003266169130000071
上式中，i＝1,2,…,M；d＝1,2,…,D，
Figure GDA0003266169130000072
为[0,1]之间均匀分布的随机数；c1≤1/D代表量子猴子在旋转角为0时的量子位的变异概率；量子旋转门定义为
Figure GDA0003266169130000073
量子非门
Figure GDA0003266169130000074
所述步骤六，包括：
通过更新量子猴群中猴子位置，并判断对应的传感器节点所放位置是否能将所有目标节点覆盖；
其中，所述的猴子位置为：第i只猴子迭代后新的位置为
Figure GDA0003266169130000075
通过对量子位置各主量子位的测量得到。
本发明的有益效果在于：
1.本发明首先考虑无线传感器网络能量收集的过程中完成节点放置的问题，目标是实现能量的中立、固定目标的覆盖及至汇聚节点间的连接，提出一种启发式方法解决大型传感器节点放置领域计算困难问题，并设计离散量子猴群搜索机制作为求解感器节点放置的策略。仿真结果表明，本发明所提出的基于离散量子猴群搜索机制的自供能无线传感器网络最优节点放置方法，在保证了网络能量中立的目标覆盖与连接性的基础上，使传感器节点放置的数量最小化。
附图说明
图1为一种自供能无线传感器网络最优节点放置方法的流程图；
图2为本发明基于离散量子猴群搜索机制的无线传感器放置数量与基于DirectSearch方法的无线传感器放置数量的曲线比较图；
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明做进一步描述：
图1为一种自供能无线传感器网络最优节点放置方法的流程图；
图2为本发明基于离散量子猴群搜索机制的无线传感器放置数量与基于DirectSearch方法的无线传感器放置数量的曲线比较图。
本发明的技术方案是这样实现的：
本发明的目的是设计一种基于离散量子猴群搜索机制的自供能无线传感器网络最优节点放置方法，既能保证网络的能量中立及目标的覆盖与连接性，又可以使得传感器节点放置的数量最小化。
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，建立网络模型，将监测区域建立于二维的栅格之中，横竖间任意两相邻的网格点距离记为λ。假定每行有n个点，每一列有m个点，将所有的网格点记录在集合L中，所以集合L中共含|L|＝n×m个元素，并按照从上向下、从左往右的顺序给所有网格点编号，其中网格点m记为汇聚节点。设Z记录至少包含一个目标点的所有网格点的集合，令r和r'分别为所有传感器节点统一的感应与通讯半径，定义集合Z(a)，它为在网格点a的感应半径范围内的目标所处网格点的集合。相反的，定义另一集合L(b)为能够覆盖网格点b处目标的网格点集合。设集合N(c)为在网格点c的感应范围内的任意节点集合。接下来，定义
Figure GDA0003266169130000081
为一个能够覆盖所有目标节点的网格点的集合，其中k＝1,…,K，当网格点a存在于集合Ck中时，指示函数δ(Ck,a)等于1，如果网格点a不属于集合Ck时，指示函数δ(Ck,a)为0。使Ω为Ck的聚集，Ω＝{C1,…,CK}，记录全部集合Ck的数量，在最坏的情况下，其K或|Ω|的值为2的L中至少能覆盖一个目标的网格点的数量值次方。栅格中任意两网格点a、h间欧式距离可表示为d(a,h)。
将时间设定为1的单位长度，设ck为集合Ck中传感器节点的工作时间，0≤ck≤1。因此，放置于网格点a处的传感器节点其总的工作时间为
Figure GDA0003266169130000082
当一个传感器在工作阶段时设Em为它的能量消耗速率，当传感器处于休眠阶段时，能量消耗速率近乎为0。每个网格点位置有着自己的能量收集速率Ra，其表示为将传感器节点放置于网格点a位置时它们的能量收集速率。设G为当一个传感器节点监控一个目标时的能量收集速率。当一个传感器接收和传输1bit的信息时，用Er和Et分别来记录能量的消耗，所以传感器传送1bit信息其能量消耗为Ef＝Er+Et。放置于网格点a的传感器节点，它的能量消耗速率为
Figure GDA0003266169130000083
每个网格点可以包含两种类型的节点：传感及中继。传感器节点的能量消耗率等于监测目标与转发数据的能量消耗率之和，
Figure GDA0003266169130000091
式中fha是从网格点h到a的数据转发速率，如果一个传感器节点只负责中继数据，那么它的能量消耗率仅由此式的最后一项表示。
现在，主要的目标是确定最小数量的可以将所有目标持续监控的传感器节点，同时要保证各节点能量的中立，目标被完全的覆盖及网络连接性。设在网格点a处放置ya个传感器节点，网络中为得到总数
Figure GDA0003266169130000092
个传感器节点，需由以下约束限制：
Figure GDA0003266169130000093
此约束为了确保所有的目标被覆盖监控至少一个单位长度；
Figure GDA0003266169130000094
Figure GDA0003266169130000095
以上两约束为保证每个传感器节点至汇聚节点的连接性；
Figure GDA0003266169130000096
约束为确保各网格点的能量消耗速率小于放置在此传感器节点总的能量收集速率。如果放置在网格点a的节点收集的能量总和超过了其点消耗的能量和，在此情况下，于网格点a处放置足量的传感器节点
Figure GDA0003266169130000097
其中
Figure GDA0003266169130000098
为
Figure GDA0003266169130000099
的向上取整值。
步骤二，构建NP问题模型，最小化集合覆盖问题。模型的建立分为两个阶段，第一阶段，确定一个可以覆盖栅格中所有点的且具有较高能量收集速率的网格点集合
Figure GDA00032661691300000910
Figure GDA00032661691300000911
中的所有元素被称为候选节点；第二阶段，于
Figure GDA00032661691300000912
中提取最大数量K的可完成所有目标覆盖的互斥节点的集合
Figure GDA00032661691300000913
一阶段操作如下：
1.设网格点集合L为范围集合，在此阶段，L中每个网格点处均考虑放置一个目标节点。
2.L(a)是能够覆盖网格点a处目标节点的网格点的集合，将
Figure GDA00032661691300000914
的权重值wa设置等于网格点a的潜在能量收集速率Ra。
3.设|L(a)|为集合L(a)中的网格点个数，选取范围集合L内各元素wa×|L(a)|取值最大的网格点a*，将此网格点a*并入集合
Figure GDA0003266169130000101
中。
4.范围集合L取其与能够覆盖网格点a*处目标节点的网格点集合的差集。
5.判断范围集合L是否为空集，若不是，返回3；若是，则完成集合
Figure GDA0003266169130000102
的选取。
接下来第二阶段操作如下：
1.初始时设k＝1，集合Ck为空集，共e个目标节点于集合Z中，且各目标节点随机的放置在不同的网格点处。
2.设集合
Figure GDA0003266169130000103
中网格点
Figure GDA0003266169130000104
的权重值wa等于其所处位置的潜在充电速率Ra，并设集合Z为此阶段的范围集合。
3.设|Z(a)|为集合Z(a)中的网格点个数，选取集合
Figure GDA0003266169130000105
中各元素wa×|Z(a)|取值最大的网格点a*，将此网格点并入集合Ck中。
4.集合Z取其与网格点a*传感范围内的目标节点集合的差集。
5.判断范围集合Z是否为空集，若不是，则返回3；若是，则完成集合Ck的选取，执行6。
6.集合
Figure GDA0003266169130000106
取其与集合Ck的差集。
7.判断属于集合
Figure GDA0003266169130000107
中所有网格点传感范围内的目标节点的集合是否等于集合Z，若是，则返回1，取k＝k+1；若不是，则完成对集合
Figure GDA0003266169130000108
的选取。
设|Ω|为集合Ω中所有网格点的个数，设优化问题的维数为D＝|Ω|。
步骤三，初始化量子猴群，确定量子猴群的种群规模为M，量子猴群中第i只猴子第t次迭代时的量子位置为
Figure GDA0003266169130000109
初代所有量子位均设置为
Figure GDA00032661691300001010
初始时设t＝0，其中
Figure GDA00032661691300001011
为第i只猴子第t次迭代时的第d维量子位。量子位置的测量态为量子猴子的位置，相应的t次迭代时，第i只猴子的位置
Figure GDA00032661691300001012
通过对量子位置各主量子位的测量得到，若第i个量子猴子t次迭代时的第j维元素
Figure GDA00032661691300001013
等于0，说明集合Ω中第j个元素所对应于栅格网络中的网格点位置不放置传感器节点；若该元素等于1，则说明此网格点处放置传感器节点，其数量取决于式：
Figure GDA0003266169130000111
其中Fj是在网格点j位置的数据传输速率，由网格点j处需要中继的节点数目决定，Rj为网格点j位置的潜在能量收集速率。对每个量子猴子进行适应度评价，目标函数为栅格网络中所有网格点位置需放置的传感器数量之和。到目前为止第i只量子猴子搜索到的最好位置为局部最优置可以表示为
Figure GDA0003266169130000112
其中
Figure GDA0003266169130000113
为在t次迭代时第i只猴子局部最优位置的第d维。到现在为止整个量子猴群所搜索到的全局最优位置，即所有局部最优位置中的最优位置可以表示为全局最优位置
Figure GDA0003266169130000114
其中
Figure GDA0003266169130000115
为t次迭代时全局最优位置的第d维。
步骤四，对于量子猴子i,i＝1,2,…,M，从三种量子演化机制依概率选择一种进行演化更新位置。对于第i个量子猴子，设β为[0,1]之间均匀分布的随机数：
若0≤β＜0.3，对种群中的猴子个体使用攀爬演进。通过改变猴子所处的量子位置以改善其适应度函数值从而模仿猴群攀爬的过程。量子猴子攀爬的演进过程：第一只猴子由局部最优位置和全局最优位置共同指引，即
Figure GDA0003266169130000116
其余的猴子由局部最优位置及前面的猴子位置共同指引，即
Figure GDA0003266169130000117
其中e1和e2为常数，决定了自身局部最优位置和前一个猴子的局部最优位置对该量子猴子演化的影响程度。
若0.3≤β＜0.6，对种群中的猴子进行望跳过程的演进。确定每只量子猴子的局部最优位置，同时找到全局的最优位置，量子猴子的望跳演进过程在其局部最优位置和整个猴群当前所找到的全局最优位置共同指引下进行演进。在每次的循环中，第i只量子猴子的第d维量子旋转角更新如下：
Figure GDA0003266169130000118
其中e3和e4为常数，决定了局部最优位置和全局最优位置对该量子猴子望跳演化过程的影响程度。
若0.6≤β≤1，为防止方法陷入局部极值从而导致搜索停滞，则以当前猴群的重心所在位置为翻越支点，以一定的步长空翻到一个新的搜索区域，对种群中的猴子进行空翻过程的演进。对于量子猴群中各猴子的位置，令第i只猴子空翻支点的第d维为
Figure GDA0003266169130000121
Figure GDA0003266169130000122
为猴子的空翻支点，其中round为就近取整函数。量子猴子的空翻演进过程在其翻越支点、局部最优位置和整个猴群当前所找到的全局最优位置共同指引下进行演进。在每次的循环中，第i只量子猴子的第d维量子旋转角的更新过程如下：
Figure GDA0003266169130000123
其中e5为空翻步长控制系数，e6和e7为常数，其大小决定了相应的位置对该量子猴子空翻过程演化的影响程度。
步骤五，在每次迭代中，第i只量子猴子的第d维量子位的量子演进方式表示如下：
Figure GDA0003266169130000124
其中i＝1,2,…,M；d＝1,2,…,D，
Figure GDA0003266169130000125
为[0,1]之间均匀分布的随机数；c1≤1/D代表量子猴子在旋转角为0时的量子位的变异概率；量子旋转门定义为
Figure GDA0003266169130000126
量子非门
Figure GDA0003266169130000127
步骤六，第i只猴子迭代后新的位置为
Figure GDA0003266169130000128
通过对量子位置各主量子位的测量得到。判断此时第i个猴子位置
Figure GDA0003266169130000129
对应的栅格网络中传感器节点所放置的位置是否可以将全部的目标节点所覆盖。
步骤七，更新每只量子猴子至今为止的局部最优位置，同时找到迄今为止的全局最优位置作为下一迭代量子位的共同演进方向。
步骤八，判断当前迭代次数是否达到预先设定的最大值，若是，此时具有最优适应度的猴子所在的位置即为全局最优解，其位置相应于为此时栅格网络中传感器节点所放置的最优位置，若未达到设定的迭代次数的最大值，则返回步骤四继续进行。
自供能无线传感器网络的系统参数设置如下：栅格网络中每行和列均5个网格点，m＝5，n＝5，传感器节点的感应与通讯半径的欧式距离均为λ，r＝λ，r'＝λ，网格点的平均充电速率为R＝0.96W，Em＝60mW，Er＝0.1J/bit，Et＝0.1J/bit，G＝3.8kB/min，猴群的种群规模数设为20，最大迭代次数设为50。量子猴群搜索机制中参数设置为：e1＝0.1，e2＝0.05，e3＝0.1，e4＝0.05e5＝0.2，e6＝0.1，e7＝0.05，c1＝1/D。
图2中的两条曲线为无线传感器网络在离散量子猴群搜索机制下与在DirectSearch方法下的无线传感器放置数量和的比较，可以发现，于栅格网络中不同位置放置1～4个目标节点，在相同的节点放置情况下，离散量子猴群搜索机制下的无线传感器放置数量和均小于DirectSearch方法下的无线传感器放置数量和。

Claims (5)

1.一种自供能无线传感器网络最优节点放置方法，其特征在于，包括：
步骤一：通过建立自供能无线传感器网络模型，将监测区域建立于二维的栅格之中；
步骤二：通过构建NP问题模型，最小化集合覆盖问题，所述NP问题模型的建立分为两个阶段，第一阶段，确定一个覆盖栅格中所有点的且具有较高能量收集速率的网格点集合
Figure FDA0003344664870000011
Figure FDA0003344664870000012
中的所有元素被称为候选节点；第二阶段，于
Figure FDA0003344664870000013
中提取最大数量K的可完成所有目标覆盖的互斥节点的集合
Figure FDA0003344664870000014
步骤三：通过初始化量子猴群，确定量子猴群的种群规模，搜索到全局最优位置；
量子猴群的种群规模为M，量子猴群中第i只猴子第t次迭代时的量子位置为
Figure FDA0003344664870000015
Figure FDA0003344664870000016
为第i只猴子第t次迭代时的第d维量子位，量子位置的测量态为量子猴子的位置；
初代所有量子位均设置为
Figure FDA0003344664870000017
初始时设t＝0；第t次迭代时，第i只猴子的位置
Figure FDA0003344664870000018
通过对量子位置各主量子位的测量得到；若第i个量子猴子t次迭代时的第j维元素
Figure FDA0003344664870000019
等于0，说明集合Ω中第j个元素所对应于栅格网络中的网格点位置不放置传感器节点；若该元素等于1，则说明此网格点处放置传感器节点，其数量取决于式：
Figure FDA00033446648700000110
Em为传感器在工作阶段时的能量消耗速率；G为当一个传感器节点监控一个目标时的能量收集速率，当一个传感器接收和传输1bit的信息时，用Er和Et分别来记录能量的消耗，所以传感器传送1bit信息其能量消耗为Ef＝Er+Et；Fj是在网格点j位置的数据传输速率，由网格点j处需要中继的节点数目决定；Rj为网格点j位置的潜在能量收集速率；
对每个量子猴子进行适应度评价，目标函数为栅格网络中所有网格点位置需放置的传感器数量之和；到目前为止第i只量子猴子搜索到的最好位置为局部最优置表示为
Figure FDA00033446648700000111
Figure FDA00033446648700000112
为在t次迭代时第i只猴子局部最优位置的第d维，到现在为止整个量子猴群所搜索到的全局最优位置；将所有局部最优位置中的最优位置表示为全局最优位置
Figure FDA00033446648700000113
Figure FDA00033446648700000114
为t次迭代时全局最优位置的第d维；
步骤四：对于量子猴子i，从三种量子演化机制依概率选择一种进行演化更新位置；
步骤五：确定每次迭代中，第i只量子猴子的第d维量子位的量子演进方式；
步骤六：通过更新量子猴群中猴子位置，并判断对应的传感器节点所放位置是否能将所有目标节点覆盖；
步骤七：通过更新每只量子猴子至今为止的局部最优位置，找到迄今为止的全局最优位置作为下一迭代量子位的共同演进方向；
步骤八：通过判断当前迭代次数是否达到预先设定的最大值，决定是否结束本方法；若达到预先设定的最大值，此时具有最优适应度的猴子所在的位置即为全局最优解，其位置相应于为此时栅格网络中传感器节点所放置的最优位置；若未达到设定的迭代次数的最大值，则返回步骤四继续进行；
对于量子猴子i，从三种量子演化机制依概率选择一种进行演化更新位置；
其中，所述的从三种量子演化机制依概率选择一种进行演化更新位置的具体方法为：
对于第i个量子猴子，设β为[0,1]之间均匀分布的随机数：
若0≤β＜0.3，对种群中的猴子个体使用攀爬演进，通过改变猴子所处的量子位置以改善其适应度函数值从而模仿猴群攀爬的过程，量子猴子攀爬的演进过程：第一只猴子由局部最优位置和全局最优位置共同指引，即
Figure FDA0003344664870000021
其余的猴子由局部最优位置及前面的猴子位置共同指引，即
Figure FDA0003344664870000022
上式中e1和e2为常数，决定了自身局部最优位置和前一个猴子的局部最优位置对该量子猴子演化的影响程度；
若0.3≤β＜0.6，对种群中的猴子进行望跳过程的演进，确定每只量子猴子的局部最优位置，同时找到全局的最优位置，量子猴子的望跳演进过程在其局部最优位置和整个猴群当前所找到的全局最优位置共同指引下进行演进，在每次的循环中，第i只量子猴子的第d维量子旋转角更新如下：
Figure FDA0003344664870000023
上式中e3和e4为常数，决定了局部最优位置和全局最优位置对该量子猴子望跳演化过程的影响程度；
若0.6≤β≤1，为防止方法陷入局部极值从而导致搜索停滞，则以当前猴群的重心所在位置为翻越支点，以一定的步长空翻到一个新的搜索区域，对种群中的猴子进行空翻过程的演进，对于量子猴群中各猴子的位置，令第i只猴子空翻支点的第d维为
Figure FDA0003344664870000031
为猴子的空翻支点，上式中round为就近取整函数，量子猴子的空翻演进过程在其翻越支点、局部最优位置和整个猴群当前所找到的全局最优位置共同指引下进行演进，在每次的循环中，第i只量子猴子的第d维量子旋转角的更新过程如下：
Figure FDA0003344664870000032
上式中e5为空翻步长控制系数，e6和e7为常数，其大小决定了相应的位置对该量子猴子空翻过程演化的影响程度。
2.根据权利要求1所述的一种自供能无线传感器网络最优节点放置方法，其特征在于，所述步骤一，包括：
通过建立自供能无线传感器网络模型，将监测区域建立于二维的栅格之中；
其中，所述的二维的栅格横竖间任意两相邻的网格点距离记为λ，假定每行有n个点，每一列有m个点，将所有的网格点记录在集合L中，所以集合L中共含|L|＝n×m个元素，并按照从上向下、从左往右的顺序给所有网格点编号，其中网格点m记为汇聚节点；
其中，所述的建立自供能无线传感器网络模型的具体方法为：
设Z记录至少包含一个目标点的所有网格点的集合，令r和r'分别为所有传感器节点统一的感应与通讯半径，定义集合Z(a)，它为在网格点a的感应半径范围内的目标所处网格点的集合，相反的，定义另一集合L(b)为能够覆盖网格点b处目标的网格点集合，设集合N(c)为在网格点c的感应范围内的任意节点集合，接下来，定义Ck,
Figure FDA0003344664870000034
为一个能够覆盖所有目标节点的网格点的集合，上式中k＝1,…,K，当网格点a存在于集合Ck中时，指示函数δ(Ck,a)等于1，如果网格点a不属于集合Ck时，指示函数δ(Ck,a)为0，使Ω为Ck的聚集，Ω＝{C1,…,CK}，记录全部集合Ck的数量，在最坏的情况下，其K或|Ω|的值为2的L中至少能覆盖一个目标的网格点的数量值次方，栅格中任意两网格点a、h间欧式距离表示为d(a,h)，
将时间设定为1的单位长度，设ck为集合Ck中传感器节点的工作时间，0≤ck≤1，因此，放置于网格点a处的传感器节点其总的工作时间为
Figure FDA0003344664870000033
当一个传感器在工作阶段时，它的能量消耗速率为Em，当传感器处于休眠阶段时，能量消耗速率近乎为0，每个网格点位置有着自己的能量收集速率Ra，其表示为将传感器节点放置于网格点a位置时它们的能量收集速率；放置于网格点a的传感器节点，它的能量消耗速率为
Figure FDA0003344664870000041
每个网格点包含两种类型的节点：传感及中继，传感器节点的能量消耗率等于监测目标与转发数据的能量消耗率之和，
Figure FDA0003344664870000042
式中fha是从网格点h到a的数据转发速率，若一个传感器节点只负责中继数据，则它的能量消耗率仅由此式的最后一项表示，
最后，确定最小数量的将所有目标持续监控的传感器节点，同时保证各节点能量的中立，目标被完全的覆盖及网络连接性，设在网格点a处放置ya个传感器节点，网络中为得到总数
Figure FDA0003344664870000043
个传感器节点，需由以下约束限制：
Figure FDA0003344664870000044
此约束为了确保所有的目标被覆盖监控至少一个单位长度；
Figure FDA0003344664870000045
Figure FDA0003344664870000046
以上两约束为保证每个传感器节点至汇聚节点的连接性；
Figure FDA0003344664870000047
约束为确保各网格点的能量消耗速率小于放置在此传感器节点总的能量收集速率，如果放置在网格点a的节点收集的能量总和超过了其点消耗的能量和，在此情况下，于网格点a处放置足量的传感器节点
Figure FDA0003344664870000048
上式中
Figure FDA0003344664870000049
为
Figure FDA00033446648700000410
的向上取整值。
3.根据权利要求1所述的一种自供能无线传感器网络最优节点放置方法，其特征在于：所述步骤二，包括：
通过构建NP问题模型，最小化集合覆盖问题，所述NP问题模型的建立分为两个阶段，第一阶段，确定一个覆盖栅格中所有点的且具有较高能量收集速率的网格点集合
Figure FDA00033446648700000411
中的所有元素被称为候选节点；第二阶段，于
Figure FDA00033446648700000412
中提取最大数量K的可完成所有目标覆盖的互斥节点的集合
Figure FDA00033446648700000413
其中，所述的第一阶段为：
1a.设网格点集合L为范围集合，在此阶段，L中每个网格点处均考虑放置一个目标节点；
1b.L(a)是能够覆盖网格点a处目标节点的网格点的集合，将L(a)，
Figure FDA0003344664870000051
的权重值wa设置等于网格点a的潜在能量收集速率Ra；
1c.设|L(a)|为集合L(a)中的网格点个数，选取范围集合L内各元素wa×|L(a)|取值最大的网格点a*，将此网格点a*并入集合
Figure FDA0003344664870000052
中；
1d.范围集合L取其与能够覆盖网格点a*处目标节点的网格点集合的差集；
1e.判断范围集合L是否为空集，若不是，返回3；若是，则完成集合
Figure FDA0003344664870000053
的选取；
其中，所述的第二阶段为：
2a.初始时设k＝1，集合Ck为空集，共e个目标节点于集合Z中，且各目标节点随机的放置在不同的网格点处；
2b.设集合
Figure FDA0003344664870000054
中网格点a，
Figure FDA0003344664870000055
的权重值wa等于其所处位置的潜在能量收集速率Ra，并设集合Z为此阶段的范围集合；
2c.设|Z(a)|为集合Z(a)中的网格点个数，选取集合
Figure FDA0003344664870000056
中各元素wa×|Z(a)|取值最大的网格点a*，将此网格点并入集合Ck中；
2d.集合Z取其与网格点a*传感范围内的目标节点集合的差集；
2e.判断范围集合Z是否为空集，若不是，则返回2c；若是，则完成集合Ck的选取，执行2f；
2f.集合
Figure FDA0003344664870000057
取其与集合Ck的差集；
2g.判断属于集合
Figure FDA0003344664870000058
中所有网格点传感范围内的目标节点的集合是否等于集合Z，若是，则返回2a，取k＝k+1；若不是，则完成对集合
Figure FDA0003344664870000059
的选取；
设|Ω|为集合Ω中所有网格点的个数，设优化问题的维数为D＝|Ω|。
4.根据权利要求1所述的一种自供能无线传感器网络最优节点放置方法，其特征在于：所述步骤五，包括：
确定每次迭代中，第i只量子猴子的第d维量子位的量子演进方式；
其中，所述的第i只量子猴子的第d维量子位的量子演进方式为：
Figure FDA0003344664870000061
上式中，i＝1,2,…,M；d＝1,2,…,D，
Figure FDA0003344664870000062
为[0,1]之间均匀分布的随机数；c1≤1/D代表量子猴子在旋转角为0时的量子位的变异概率；量子旋转门定义为
Figure FDA0003344664870000063
量子非门
Figure FDA0003344664870000064
5.根据权利要求1所述的一种自供能无线传感器网络最优节点放置方法，其特征在于：所述步骤六，包括：
通过更新量子猴群中猴子位置，并判断对应的传感器节点所放位置是否能将所有目标节点覆盖；
其中，所述的猴子位置为：第i只猴子迭代后新的位置为
Figure FDA0003344664870000065
通过对量子位置各主量子位的测量得到。
CN201811017286.9A 2018-09-01 2018-09-01 一种自供能无线传感器网络最优节点放置方法 Active CN109041073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811017286.9A CN109041073B (zh) 2018-09-01 2018-09-01 一种自供能无线传感器网络最优节点放置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811017286.9A CN109041073B (zh) 2018-09-01 2018-09-01 一种自供能无线传感器网络最优节点放置方法

Publications (2)

Publication Number Publication Date
CN109041073A CN109041073A (zh) 2018-12-18
CN109041073B true CN109041073B (zh) 2022-03-18

Family

ID=64623506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811017286.9A Active CN109041073B (zh) 2018-09-01 2018-09-01 一种自供能无线传感器网络最优节点放置方法

Country Status (1)

Country Link
CN (1) CN109041073B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493323A (zh) * 2022-02-11 2022-05-13 内蒙古中科装备有限公司 储氢容器的紧急吹扫方法、系统及介质
CN115134366B (zh) * 2022-06-28 2024-03-15 山东海量信息技术研究院 一种移动边缘分发网络服务器放置方法及系统
CN116761225B (zh) * 2023-08-17 2023-11-14 湖南天联城市数控有限公司 一种无线传感网络可靠传输方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010045971A1 (en) * 2008-10-22 2010-04-29 Telecom Italia S.P.A. . Method and system for the deployment of nodes of a wireless communications network
CN102608571A (zh) * 2012-03-08 2012-07-25 西北大学 一种面向野生动物的无线传感器网络的目标定位方法
CN103945395A (zh) * 2014-02-27 2014-07-23 北京理工大学 一种基于粒子群的无线网络传感器的快速优化部署方法
CN107864507A (zh) * 2017-11-22 2018-03-30 哈尔滨工程大学 基于量子猴群搜索机制的认知无线电功率控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8874477B2 (en) * 2005-10-04 2014-10-28 Steven Mark Hoffberg Multifactorial optimization system and method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010045971A1 (en) * 2008-10-22 2010-04-29 Telecom Italia S.P.A. . Method and system for the deployment of nodes of a wireless communications network
CN102608571A (zh) * 2012-03-08 2012-07-25 西北大学 一种面向野生动物的无线传感器网络的目标定位方法
CN103945395A (zh) * 2014-02-27 2014-07-23 北京理工大学 一种基于粒子群的无线网络传感器的快速优化部署方法
CN107864507A (zh) * 2017-11-22 2018-03-30 哈尔滨工程大学 基于量子猴群搜索机制的认知无线电功率控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
On Nodes Placement in Energy Harvesting Wireless Sensor Networks for Coverage And Connectivity;Changlin Yang et al.;《IEEE Transactions on Industrial Informatics》;20160426;全文 *
基于猴群算法的传感器优化布置方法研究;杜国璋;《中国优秀硕士学位论文全文数据库信息科技I辑》;20170105;全文 *

Also Published As

Publication number Publication date
CN109041073A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109041073B (zh) 一种自供能无线传感器网络最优节点放置方法
CN111884213B (zh) 一种基于深度强化学习算法的配电网电压调节方法
CN111065103B (zh) 一种多目标优化的无线传感器网络节点部署方法
Sengupta et al. Multi-objective node deployment in WSNs: In search of an optimal trade-off among coverage, lifetime, energy consumption, and connectivity
Kulkarni et al. Bio-inspired algorithms for autonomous deployment and localization of sensor nodes
CN111553469B (zh) 一种无线传感器网络数据融合方法、装置和存储介质
Daryanavard et al. UAV path planning for data gathering of IoT nodes: Ant colony or simulated annealing optimization
Osamy et al. IDCT: Intelligent data collection technique for IoT-enabled heterogeneous wireless sensor networks in smart environments
Zhong et al. Ant colony optimization algorithm for lifetime maximization in wireless sensor network with mobile sink
CN112633314B (zh) 一种基于多层采样的主动学习溯源攻击方法
CN110225478B (zh) 一种无线传感器网络簇间数据传输方法
Ajay et al. Smart Spider Monkey Optimization (SSMO) for Energy-Based Cluster-Head Selection Adapted for Biomedical Engineering Applications
CN110034596B (zh) WRSNs中基于SOM神经网络的多基站充电方法
CN109152103B (zh) 一种对无线传感器网络进行组网方法及装置
CN102014344A (zh) 一种基于dpso的智能无线传感网络分簇控制方法
Yang et al. An adaptive control framework for dynamically reconfigurable battery systems based on deep reinforcement learning
Mohanta et al. Multiple objective optimization-based DV-Hop localization for spiral deployed wireless sensor networks using Non-inertial Opposition-based Class Topper Optimization (NOCTO)
CN113365222B (zh) 一种基于可持续数据采集的移动传感器智能轨迹设计方法
Križmančić et al. Distributed connectivity control in bio-hybrid wireless sensor networks
Bahl et al. Probabilistic Multi-Tiered Grey Wolf Optimizer-Based Routing for Sustainable Sensor Networks
CN116916475B (zh) 一种基于多策略改进蜜獾算法的无线传感器网络部署方法
Kamfar et al. Design of Optimal Localization Model for Wireless Sensor Network Nodes Using Improved Krill Herd Algorithm
CN112770257B (zh) 一种物联网中移动传感器节点的智能定位方法
Golrasan et al. A new game theory-based algorithm for target coverage in directional sensor networks
Hamzah et al. Genetic Algorithm based Chain Leader Election in Wireless Sensor Network for Precision Farming

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