CN109219080A - 一种基于遗传算法的射频能量源布置方法 - Google Patents
一种基于遗传算法的射频能量源布置方法 Download PDFInfo
- Publication number
- CN109219080A CN109219080A CN201811073892.2A CN201811073892A CN109219080A CN 109219080 A CN109219080 A CN 109219080A CN 201811073892 A CN201811073892 A CN 201811073892A CN 109219080 A CN109219080 A CN 109219080A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- value
- gene
- energy
- energy source
- 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
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- H04W28/0226—Traffic management, e.g. flow control or congestion control based on location or mobility
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于遗传算法的射频能量源布置方法,针对给定节点位置、射频能量源候选布置位置以及待布置的能量源个数的情况,利用遗传算法来选择能量源的布置位置,算法中染色体的适应度值定义为节点的总有效能量捕获功率,通过迭代执行染色体的选择、交叉及变异等操作,最终得到总有效能量捕获功率较大的布置位置选取。本发明的方法实现了射频能量源布置位置的合理选取,能达到较大的总有效能量捕获功率。
Description
技术领域
本发明涉及一种基于遗传算法的射频能量源布置方法,该方法适用于传感器节点能够捕获射频能量的无线传感器网络。
背景技术
电磁波作为一种无处不在、绿色环保且可持续的能源,越来越受到学术界和工业界的重视。射频能量捕获无线传感网就是一种捕获环境中的射频能并转化成电能以支持节点持续性工作的新型网络。
但是现阶段射频能量捕获传感器节点捕获环境中的射频能的速率还是非常得低,这是该类新型网络广泛应用的瓶颈之一。为了克服这个弱点,部署专用射频能量源给节点供电是一种可行有效的方法。
由于射频能在传输过程中会损耗一定的能量,即能量源距离节点越远,节点捕获到的射频能越少,节点的能量捕获功率取决于能量源的布置位置。另外,节点往往有能量捕获功率需求值,比如说该值为节点的平均功耗,实际捕获功率超出需求值的多余部分,不会带来任何效益。因此,针对给定捕获射频能量的节点位置、射频能量源候选布置位置以及待布置的能量源个数该类场景,在候选的布置位置集合中挑选合理的布置位置,使节点的总有效捕获功率较大,是射频能量捕获网络需要解决的一个重要问题。
发明内容
为了克服现有射频能量源布置方法的节点总效捕获功率较小的不足,本发明根据给定捕获射频能量的节点位置、射频能量源候选布置位置以及待布置的能量源个数,考虑到节点有能量捕获功率需求值,提供一种基于遗传算法的射频能量源布置方法,来达到较大的节点总效捕获功率。
本发明解决其技术问题所采用的技术方案是:
一种基于遗传算法的射频能量源布置方法,包括以下步骤:
步骤1.对于i=1,2,…,M和j=1,2,…,N,其中M是捕获射频能量的节点个数,N是射频能量源的候选布置位置个数,计算第i个节点从布置在第j个候选布置位置上的能量源所捕获的功率pi,j:
其中η表示整流效率,Gs表示能量源天线发射增益,Gr表示节点天线接收增益,Lp表示极化损耗,λ表示波长,di,j是第i个节点和第j个候选布置位置之间的距离,P是能量源的能量发送功率;
步骤2.染色体种群初始化:将染色体的长度设置为候选布置位置个数N,染色体的第j个基因对应第j个候选布置位置,第j个基因值为0则代表第j个候选位置不放置能量源,第j个基因值为1则代表第j个候选位置放置能量源;生成m个染色体,每个染色体中随机挑出K个基因并将这K个基因值设置为1,其他N-K个基因值设置为0,m为种群规模,K为需要布置的能量源个数;
步骤3.为每个染色体计算其适应度值f,适应度函数为:
其中Ij是染色体第j个基因的取值,是第i个节点的能量捕获功率需求值,将具有最大适应度的染色体表示为Ch_best;
步骤4.初始化迭代次数变量Times为0;
步骤5.选择:在当前这一代m个染色体中随机挑出2个染色体配为一对,进行该操作n次从而得到n对染色体,其中n的取值大于等于以使下一步骤中新生成的染色体数目不少于m个;
步骤6.交叉:对n对染色体中的每一对染色体Ch1和Ch2进行如下操作:将Ch1的前一半基因和Ch2的后一半基因拼凑为一个新的染色体Ch3,将Ch1的后一半基因和Ch2的前一半基因拼凑为另一个新的染色体Ch4;对于Ch3和Ch4,当值为1的基因个数L大于K时,随机挑选出L-K个值为1的基因,将这些基因值修改为0,当值为1的基因个数L小于K时,随机挑选出K-L个值为0的基因,将这些基因值修改为1;
步骤7.变异:将步骤6中生成的2n个染色体中的每个染色体进行如下变异操作,随机挑出一个值为0的基因,将其值修改为1,然后随机挑出一个值为1的基因,将其值修改为0;
步骤8.找出步骤7得到的2n个染色体中具有最大适应度值的染色体Ch,如果Ch的适应度小于Ch_best的适应度,则将这2n个染色体中适应度值排前m-1个的染色体以及染色体Ch_best保留为新一代种群;如果Ch的适应度大于Ch_best的适应度,则将Ch_best更新为该Ch,并将这2n个染色体中适应度排前m个的染色体保留为新一代种群;
步骤9.Times=Times+1,如果Times等于预设的循环迭代次数,则跳到步骤10,否则跳到步骤5;
步骤10.根据染色体Ch_best的基因值来确定能量源的布置,即对于j=1,2,…,N,染色体Ch_best的第j个基因值为0则第j个候选位置不放置能量源,第j个基因值为1则第j个候选位置放置能量源;
步骤11.结束。
本发明的有益效果为:根据给定捕获射频能量的节点位置、射频能量源候选布置位置以及待布置的能量源个数,考虑到节点有能量捕获功率需求值,达到较大的节点总效捕获功率。
附图说明
图1是本发明基于遗传算法的射频能量源布置方法的流程图。
具体实施方式
以下结合附图对本发明做进一步说明。
参照图1,一种基于遗传算法的射频能量源布置方法,包括以下步骤:
步骤1.对于i=1,2,…,M和j=1,2,…,N,其中M是捕获射频能量的节点个数,N是射频能量源的候选布置位置个数,计算第i个节点从布置在第j个候选布置位置上的能量源所捕获的功率pi,j:
其中η表示整流效率,Gs表示能量源天线发射增益,Gr表示节点天线接收增益,Lp表示极化损耗,λ表示波长,di,j是第i个节点和第j个候选布置位置之间的距离,P是能量源的能量发送功率;
步骤2.染色体种群初始化:将染色体的长度设置为候选布置位置个数N,染色体的第j个基因对应第j个候选布置位置,第j个基因值为0则代表第j个候选位置不放置能量源,第j个基因值为1则代表第j个候选位置放置能量源;生成m个染色体,每个染色体中随机挑出K个基因并将这K个基因值设置为1,其他N-K个基因值设置为0,m为种群规模,K为需要布置的能量源个数;
步骤3.为每个染色体计算其适应度值f,适应度函数为:
其中Ij是染色体第j个基因的取值,是第i个节点的能量捕获功率需求值,将具有最大适应度的染色体表示为Ch_best;
步骤4.初始化迭代次数变量Times为0;
步骤5.选择:在当前这一代m个染色体中随机挑出2个染色体配为一对,进行该操作n次从而得到n对染色体,其中n的取值大于等于以使下一步骤中新生成的染色体数目不少于m个;
步骤6.交叉:对n对染色体中的每一对染色体Ch1和Ch2进行如下操作:将Ch1的前一半基因和Ch2的后一半基因拼凑为一个新的染色体Ch3,将Ch1的后一半基因和Ch2的前一半基因拼凑为另一个新的染色体Ch4;对于Ch3和Ch4,当值为1的基因个数L大于K时,随机挑选出L-K个值为1的基因,将这些基因值修改为0,当值为1的基因个数L小于K时,随机挑选出K-L个值为0的基因,将这些基因值修改为1;
步骤7.变异:将步骤6中生成的2n个染色体中的每个染色体进行如下变异操作,随机挑出一个值为0的基因,将其值修改为1,然后随机挑出一个值为1的基因,将其值修改为0;
步骤8.找出步骤7得到的2n个染色体中具有最大适应度值的染色体Ch,如果Ch的适应度小于Ch_best的适应度,则将这2n个染色体中适应度值排前m-1个的染色体以及染色体Ch_best保留为新一代种群;如果Ch的适应度大于Ch_best的适应度,则将Ch_best更新为该Ch,并将这2n个染色体中适应度排前m个的染色体保留为新一代种群;
步骤9.Times=Times+1,如果Times等于预设的循环迭代次数,则跳到步骤10,否则跳到步骤5;
步骤10.根据染色体Ch_best的基因值来确定能量源的布置,即对于j=1,2,…,N,染色体Ch_best的第j个基因值为0则第j个候选位置不放置能量源,第j个基因值为1则第j个候选位置放置能量源;
步骤11.结束。
针对给定捕获射频能量的节点位置、射频能量源候选布置位置以及待布置的能量源个数该类场景来说明本发明的具体实施方案。
首先根据各个节点的物理位置和各个候选布置位置的物理位置,计算出每个节点和每个候选布置位置之间的距离。然后对于j=1,2,…,N,计算各个节点从布置在第j个候选布置位置上的能量源所捕获的功率pi,j。
接着进行染色体种群初始化。将染色体的长度设置为候选布置位置个数N,染色体的第j个基因对应第j个候选布置位置,第j个基因值为0则代表第j个候选位置不放置能量源,第j个基因值为1则代表第j个候选位置放置能量源,生成m个染色体,每个染色体中随机挑出K个基因并将这K个基因值设置为1,其他N-K个基因值设置为0,m为种群规模,K为需要布置的能量源个数。并为每个染色体计算其适应度值将具有最大适应度的染色体表示为Ch_best;
然后迭代执行选择、交叉、变异和进化。每次迭代中,在当前这一代m个染色体中随机挑出2个染色体配为一对,进行该操作n次从而得到n对染色体。对于n对染色体:每一对为一组进行染色体的交叉互换生成不断生成新的染色体,新的染色体进行变异。再执行染色体优胜劣汰操作,该操作通过淘汰适应度值低的染色体,保留适应度值高的m个染色体形成新的种群。不断对能量源的部署位置进行迭代更新,直至达到固定的迭代次数而结束。
迭代结束后,根据适应度最大的染色体的基因值来确定能量源的布置,即对于j=1,2,…,N,如果该染色体的第j个基因值为0,则第j个候选位置不放置能量源,第j个基因值为1则代表第j个候选位置放置能量源。
Claims (1)
1.一种基于遗传算法的射频能量源布置方法,其特征在于,所述方法包括以下步骤:
步骤1.对于i=1,2,…,M和j=1,2,…,N,其中M是捕获射频能量的节点个数,N是射频能量源的候选布置位置个数,计算第i个节点从布置在第j个候选布置位置上的能量源所捕获的功率pi,j:
其中η表示整流效率,Gs表示能量源天线发射增益,Gr表示节点天线接收增益,Lp表示极化损耗,λ表示波长,di,j是第i个节点和第j个候选布置位置之间的距离,P是能量源的能量发送功率;
步骤2.染色体种群初始化:将染色体的长度设置为候选布置位置个数N,染色体的第j个基因对应第j个候选布置位置,第j个基因值为0则代表第j个候选位置不放置能量源,第j个基因值为1则代表第j个候选位置放置能量源;生成m个染色体,每个染色体中随机挑出K个基因并将这K个基因值设置为1,其他N-K个基因值设置为0,m为种群规模,K为需要布置的能量源个数;
步骤3.为每个染色体计算其适应度值f,适应度函数为:
其中Ij是染色体第j个基因的取值,是第i个节点的能量捕获功率需求值,将具有最大适应度的染色体表示为Ch_best;
步骤4.初始化迭代次数变量Times为0;
步骤5.选择:在当前这一代m个染色体中随机挑出2个染色体配为一对,进行该操作n次从而得到n对染色体,其中n的取值大于等于以使下一步骤中新生成的染色体数目不少于m个;
步骤6.交叉:对n对染色体中的每一对染色体Ch1和Ch2进行如下操作:将Ch1的前一半基因和Ch2的后一半基因拼凑为一个新的染色体Ch3,将Ch1的后一半基因和Ch2的前一半基因拼凑为另一个新的染色体Ch4;对于Ch3和Ch4,当值为1的基因个数L大于K时,随机挑选出L-K个值为1的基因,将这些基因值修改为0,当值为1的基因个数L小于K时,随机挑选出K-L个值为0的基因,将这些基因值修改为1;
步骤7.变异:将步骤6中生成的2n个染色体中的每个染色体进行如下变异操作,随机挑出一个值为0的基因,将其值修改为1,然后随机挑出一个值为1的基因,将其值修改为0;
步骤8.找出步骤7得到的2n个染色体中具有最大适应度值的染色体Ch,如果Ch的适应度小于Ch_best的适应度,则将这2n个染色体中适应度值排前m-1个的染色体以及染色体Ch_best保留为新一代种群;如果Ch的适应度大于Ch_best的适应度,则将Ch_best更新为该Ch,并将这2n个染色体中适应度排前m个的染色体保留为新一代种群;
步骤9.Times=Times+1,如果Times等于预设的循环迭代次数,则跳到步骤10,否则跳到步骤5;
步骤10.根据染色体Ch_best的基因值来确定能量源的布置,即对于j=1,2,…,N,染色体Ch_best的第j个基因值为0则第j个候选位置不放置能量源,第j个基因值为1则第j个候选位置放置能量源;
步骤11.结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811073892.2A CN109219080B (zh) | 2018-09-14 | 2018-09-14 | 一种基于遗传算法的射频能量源布置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811073892.2A CN109219080B (zh) | 2018-09-14 | 2018-09-14 | 一种基于遗传算法的射频能量源布置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109219080A true CN109219080A (zh) | 2019-01-15 |
CN109219080B CN109219080B (zh) | 2021-08-03 |
Family
ID=64984093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811073892.2A Active CN109219080B (zh) | 2018-09-14 | 2018-09-14 | 一种基于遗传算法的射频能量源布置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109219080B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110996381A (zh) * | 2019-10-29 | 2020-04-10 | 浙江工业大学 | 一种基于遗传算法的射频能量源布置与发射功率设置方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550480A (zh) * | 2016-01-28 | 2016-05-04 | 浙江工业大学 | 一种射频能量捕获无线传感网的贪婪式能量源最少化布置方法 |
CN108260074A (zh) * | 2017-07-20 | 2018-07-06 | 浙江工业大学 | 一种射频能量捕获无线传感网中能量源位置部署和发送功率配置联合优化方法 |
-
2018
- 2018-09-14 CN CN201811073892.2A patent/CN109219080B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550480A (zh) * | 2016-01-28 | 2016-05-04 | 浙江工业大学 | 一种射频能量捕获无线传感网的贪婪式能量源最少化布置方法 |
CN108260074A (zh) * | 2017-07-20 | 2018-07-06 | 浙江工业大学 | 一种射频能量捕获无线传感网中能量源位置部署和发送功率配置联合优化方法 |
Non-Patent Citations (2)
Title |
---|
T. MORI,ET AL: "Optimal Design of RF Energy Harvesting Device Using Genetic Algorithm", 《SENS IMAGING》 * |
池凯凯,林一民,李燕君,程珍: "射频能量捕获无线传感网中占空比最佳的能量源布置方法", 《计算机科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110996381A (zh) * | 2019-10-29 | 2020-04-10 | 浙江工业大学 | 一种基于遗传算法的射频能量源布置与发射功率设置方法 |
CN110996381B (zh) * | 2019-10-29 | 2023-04-07 | 浙江工业大学 | 一种基于遗传算法的射频能量源布置与发射功率设置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109219080B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105722104B (zh) | 一种射频能量捕获无线传感网能量源最少化布置方法 | |
Baskar et al. | Design of Yagi–Uda antennas using comprehensive learning particle swarm optimisation | |
CN108260074B (zh) | 一种无线供能传感网能量源位置和发送功率优化方法 | |
Sharawi et al. | Impact of grey wolf optimization on WSN cluster formation and lifetime expansion | |
CN109041003B (zh) | 一种基于贪婪算法的射频能量源布置方法 | |
CN105550480B (zh) | 射频能量捕获无线传感网的贪婪式能量源最少化布置方法 | |
CN110162847A (zh) | 基于添加特征策略的机器学习辅助天线设计方法 | |
CN103326685A (zh) | 采用量子算法的射频天线阻抗自适应匹配装置及方法 | |
CN109219080A (zh) | 一种基于遗传算法的射频能量源布置方法 | |
Bose et al. | Design of an aperture-coupled microstrip antenna using a hybrid neural network | |
Saraereh et al. | Bio-inspired algorithms applied on microstrip patch antennas: A review | |
Salma et al. | Dynamic topology optimisation of a compact mimo antenna based on ant colony optimisation | |
CN110996381B (zh) | 一种基于遗传算法的射频能量源布置与发射功率设置方法 | |
CN110932399B (zh) | 一种电网的智能开关调控方法、系统、储存介质及终端 | |
CN110460167B (zh) | 一种射频能量源布置与发射功率设置方法 | |
Lu et al. | Optimization of broadband top-load antenna using micro-genetic algorithm | |
Houssein et al. | Vortex search topology control algorithm for wireless sensor networks | |
Ali et al. | A study of PSO and its variants in respect of microstrip antenna feed point optimization | |
Ameerudden et al. | Smart Hybrid Genetic Algorithms in the bandwidth optimization of a PIFA Antenna | |
Kimura et al. | Novel bent dipole rectenna with transparent dielectric material for energy harvesting using WPT | |
CN111867030A (zh) | 基于粒子群优化的射频能量源布置与发射功率设置方法 | |
Damavandi et al. | Antenna optimization using a hybrid evolutionary programming method | |
Zhang et al. | Surrogate-assisted enhanced global optimization based on hybrid DE for antenna design | |
Yang et al. | Genetic-Ant Colony Optimization algorithm and its application to design of antenna | |
Xiao et al. | Minimization of energy consumption for routing in high-density wireless sensor networks based on adaptive clone elite genetic algorithm |
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 |