CN109803341A - 无线传感器网络中的自适应路径规划方法 - Google Patents

Abstract

本发明提供一种无线传感器网络中的自适应路径规划方法。结合蚁群算法和粒子群算法的优点，首先将粒子群算法的惯性权重进行改进，通过三种不同惯性权重策略自适应优化，获得路径上足够的信息素，然后把优化后的粒子群算法与蚁群算法相结合，通过蚁群算法，更新信息素进行传递信息，利用正反馈特点来精确搜索。本发明的路径规划方法收敛速度快，寻优能力强，能取得较好优化结果，在解决车辆路线优化问题具有一定的优势。

Description

无线传感器网络中的自适应路径规划方法

技术领域

本发明属于无线传感器网络群集智能技术领域，尤其涉及一种无线传感器网络中的自适应路径规划方法。

背景技术

随着电子商务的不断发展，在车辆运输中，不仅配送任务加重，而且客户对配送时间要求越来越高，因此，在无线传感器网络(WSN,Wireless Sensor Networks)中如何规划配送计划，解决车辆路径问题，已成为研究热点之一。其中，群集智能计算因其模拟群居性生物系统的严密社会组织结构，如蚁群、鸟群和蜂群等，通过模拟智能机理，构造多种群集智能算法，且具有高度自组织性，可解决车辆路径规划问题。

蚁群算法具有分布计算、独特的正反馈特性及较强的启发式搜索特征，在复杂优化问题的求解中颇具优势。粒子群算法是一种群智能随机优化算法，可用于求解复杂的非线性系统优化问题，在解决车辆路径规划问题时，针对解空间的基本特征，对粒子的位置和速度迭代进行描述，融入启发式局部搜索策略，可求解车辆路径规划问题。

但是，随着电子商务的不断发展，车辆规模大，配送任务加重，对配送时间要求越来越高，因此，现有的路径规划方式存在如下缺陷：

第一，当车辆路径问题的规模较大时，精确求解路径变得非常复杂，传统的路径规划方式不能对大规模的车辆路径进行有效的解算和寻优，且收敛性不好。

第二，虽然蚁群算法具有良好的反馈机制和分布机制，通过识别各路径上所留下信息素的强弱来挑选路径，但其存在计算量大，初期信息素匮乏，导致搜索和求解速度慢等问题。

第三，粒子群算法的显著特点是全局搜索能力较强，收敛速度快，但局部搜索能力较弱，当迭代代数逐渐增大，后期易陷入局部最优，影响路径规划的精度。

发明内容

为解决上述技术问题，本发明提供一种无线传感器网络中的自适应路径规划方法。

本发明采用如下技术方案：

在一些可选的实施例中，提供一种无线传感器网络中的自适应路径规划方法，包括：依据粒子群算法模型进行搜索，以获得路径上的信息素并生成信息素分布；依据蚁群算法模型，将车辆置于起点并令其出发，在车辆搜索路径过程中更新各条路径上的信息素及位置，直至车辆群搜索路径不再变化或达到最大迭代次数；计算各车辆所经过的路径长度，选出最短路线并记录，作为最优路径。

在一些可选的实施例中，该方法之前包括：建立粒子群算法模型及蚁群算法模型；初始化粒子群，在定义空间中随机产生粒子，组成初始粒子群，并随机产生各个粒子的初始速度和位置；计算粒子群中粒子的适应值，更新粒子自身搜索到的最优适应值和群搜索到的最优适应值；对于粒子群中的粒子，计算粒子的当前位置和当前速度。

在一些可选的实施例中，所述依据粒子群算法模型进行搜索，以获得路径上的信息素并生成信息素分布的过程包括：将粒子群划分为三个等级的种群，针对三个等级的种群分别采用三种惯性权重来描述粒子位置和速度迭代；循环迭代直到满足粒子群优化终止条件，产生初始最优路径；利用所述初始最优路径更新粒子自身搜索到的最优适应值、群搜索到的最优适应值、粒子的位置和速度，生成信息素分布。

在一些可选的实施例中，所述的无线传感器网络中的自适应路径规划方法，还包括：计算车辆转移概率，车辆根据转移概率选择下一个路径；判断是否所有车辆都已经完成配送任务，若所有车辆都已经完成配送任务，则计算各车辆所经过的路径长度，选出最短路线并记录。

在一些可选的实施例中，所述将粒子群划分为三个等级的种群，针对三个等级的种群分别采用三种惯性权重来描述粒子位置和速度迭代的过程包括：将解空间平均划分若干个相等区域，采用种群分布熵实时监测解空间内粒子的分布情况；根据粒子迭代情况和分布情况，求出种群分布熵的上熵阈值及下熵阈值；将粒子群划分为三个等级的种群；当种群分布熵小于上熵阈值时，取数值较大的惯性权重调整粒子群算法的调节搜索能力；当种群分布熵大于下熵阈值时，取数值较小的惯性权重调整粒子群算法的调节搜索能力；当种群分布熵大于等于上熵阈值且小于等于下熵阈值时，根据粒子本身的情况随机选择惯性权重。

在一些可选的实施例中，所述粒子群优化终止条件是指找到符合条件的最优解，或达到最大迭代次数。

本发明所带来的有益效果：在路径规划的不同阶段，自适应地采用不同的搜索策略，将优化后的粒子群算法与蚁群算法相结合，提高收敛速度和搜索精度，有效改进搜索效果，优化车辆路径的规划问题，快速找到最优路径；将粒子群算法的惯性权重进行改进，通过三种不同惯性权重策略自适应优化粒子群算法，实现获得路径上足够的信息素；在解决车辆路径优化问题具有一定的优势，对于提高大规模车辆路径优化的精度和实效性具有一定的理论价值和实践意义。

为了上述以及相关的目的，一个或多个实施例包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明某些示例性方面，并且其指示的仅仅是各个实施例的原则可以利用的各种方式中的一些方式。其它的益处和新颖性特征将随着下面的详细说明结合附图考虑而变得明显，所公开的实施例是要包括所有这些方面以及它们的等同。

附图说明

图1是本发明无线传感器网络中的自适应路径规划方法的流程示意图；

图2是本发明三种不同惯性权重自适应策略的流程示意图；

图3是本发明的性能仿真迭代次数与最优路径比较图；

图4是本发明的性能仿真节点数与规划耗时比较图。

具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。

如图1所示，在一些说明性的实施例中，提供一种无线传感器网络中的自适应路径规划方法，在路径规划的不同阶段，自适应地采用不同的搜索策略，有效改进搜索效果。

首先，依据粒子群算法模型对全局进行粗略搜索，以获得路径上的信息素并生成信息素分布，通过粒子群算法的较好全局搜索能力和搜索速度快等特点，利用本身信息、个体极值信息和全局极值信息的三个信息，产生的解为新的位置。

并且，采用三种不同惯性权重自适应策略，即将粒子群划分为三个等级的种群，针对三个等级的种群分别采用三种惯性权重来描述粒子位置和速度迭代，来指导粒子下一步迭代位置，实现粗略搜索以获得路径上足够的信息素。

然后，基于生成的信息素分布，依据蚁群算法模型，将车辆置于起点并令其出发，在车辆搜索路径过程中更新各条路径上的信息素及位置，更新信息素进行传递信息，利用正反馈特点来精确搜索。直至车辆群搜索路径不再变化或达到最大迭代次数，计算各车辆所经过的路径长度，选出最短路线并记录，作为最优路径。

将粒子群算法的惯性权重进行改进，通过三种不同惯性权重策略自适应优化，获得路径上足够的信息素，然后把优化后的粒子群算法与蚁群算法相结合，通过蚁群算法，更新信息素进行传递信息，利用正反馈特点来精确搜索。

具体的，本发明的无线传感器网络中的自适应路径规划方法，包括：

101：建立粒子群算法模型及蚁群算法模型，初始化粒子群算法和蚁群算法所需要的参数信息。

蚁群算法通过路径优化可以产生最优路径。在车辆路径规划过程中，可将配送中心车辆的数目类比为蚂蚁的数目，车辆类比为蚂蚁，车辆群类比为蚁群，蚂蚁从配送中心寻找最优路径，向客户需求点分送货物。假定蚁群中有m只蚂蚁，t时刻时，各蚂蚁需要选择下一时刻到达的需求点，蚂蚁k根据各路段留下的信息素量作出判断。随着时间的推移，当蚁群遍历完成一次循环后，m只蚂蚁将对各路段上信息素量进行更新，更新模型如下：

上式中，表示本次搜索路径(i，j)上的信息素增量；τ_ij(t)表示第k只蚂蚁在本次搜索中对路径(i，j)中留下的信息量；Q表示蚂蚁释放的信息素强度，为常数；L_k表示第k个蚂蚁在本次搜索中所走过的路径长度；ρ(t)为信息素挥发系数函数，表示路径上信息量的损耗程度，随着时间的推移而衰减。

102：初始化粒子群。在定义空间中随机产生n个粒子，组成初始粒子群，随机产生各个粒子初始速度和位置。

103：计算粒子群中粒子的适应值，更新粒子自身搜索到的最优适应值和群搜索到的最优适应值。

104：对于粒子群中的粒子，计算粒子的当前位置和当前速度。

105：当迭代数逐渐增大，采用三种不同惯性权重自适应策略描述粒子位置和速度迭代，即将粒子群划分为三个等级的种群，针对三个等级的种群分别采用三种惯性权重来描述粒子位置和速度迭代。

106：循环迭代直到满足粒子群优化终止条件，产生初始最优路径，为蚁群提供所需要的信息素信息，加快收敛速度。

粒子群优化终止条件是指找到符合条件的最优解，或达到最大迭代次数。

107：利用粒子群算法产生的初始最优路径更新粒子自身搜索到的最优适应值、群搜索到的最优适应值、粒子的位置和速度，生成信息素分布。

108：基于生成的信息素分布，依据蚁群算法模型，将车辆置于起点并令其出发，起点是指物流配送中心。

109：计算车辆转移概率，车辆根据转移概率选择下一个路径。其中，转移概率公式为蚁群算法中现有的公式。在车辆搜索路径过程中更新各条路径上的信息素及位置。

110：判断是否所有车辆都已经完成配送任务，若所有车辆都已经完成配送任务，则进行步骤111，否则返回步骤108。

111：直到蚁群搜索路径不再变化或达到最大迭代次数，则循环结束，计算各车辆所经过的路径长度，选出最短路线并记录，作为最优路径。

如图2所示，在一些说明性的实施例中，步骤105在粒子群算法中引入惯性权重ω控制参数，通过控制惯性权重ω的取值大小来平衡全局搜索和局部搜索性能，实现对粒子飞行速度的有效控制。

惯性权重是粒子群算法中调节搜索能力的重要参数，其取值大小对算法性能有很大影响，因此本发明利用分布熵分析种群中全部粒子的随机分布情况。

步骤105具体包括：

1051：为避免所有个体集中在较小的局部区域，将解空间平均划分K个相等区域，采用种群分布熵S实时监测解空间内粒子的分布情况，种群分布熵S 公式，

其中N为粒子的个数，n_ij为每个区域分布的个体数目，j＝1，2……K。

1052：根据粒子迭代情况和随机分布情况，在第t次迭代中粒子的种群分布熵为Si，求出种群分布熵的上熵阈值S1及下熵阈值S2，其中，S1＜S2。

1053：将粒子群划分为三个等级的种群。对不同的种群等级采用不同的惯性权重策略，有效改善搜索能力，公式如下：

1054：针对三个等级的种群分别采用三种惯性权重来描述粒子位置和速度迭代。

当种群分布熵小于上熵阈值时，即Si＜S1时，说明粒子分布比较集中，取数值较大的惯性权重调整粒子群算法的调节搜索能力，利于粒子进行全局搜索；

当种群分布熵大于下熵阈值时，即Si＞S2时，说明粒子分布比较分散，取数值较小的惯性权重调整粒子群算法的调节搜索能力，利于粒子进行局部搜索；

当种群分布熵大于等于上熵阈值且小于等于下熵阈值时，即S1≤Si≤S2时，处于这个范围的粒子被归属为群体中的一般粒子，对于这些粒子采用非随机惯量权重策略，根据粒子本身的情况随机选择，能够改善求解的精度和求解的速度，提高算法全局优化能力。

如图3和4所示，仿真实验中，粒子数目为50，蚂蚁数量为50，节点数为 50，采用最大迭代次数为320次。加速常数为2，最大惯性权重为0.9，最小惯性权重为0.4，最大速度为10。从图1中可以看出，开始迭代后，随着迭代次数增加，不断向最优解靠近，混合优化算法在第120代左右开始收敛最优解，混合优化算法收敛速度快，寻优能力强，具有较好的优化效果。图2可见，求解速度较快，随着节点数量增加规划时间趋于稳定。通过仿真结果表明，蚁群和粒子群混合优化算法具有较高搜索效率和较快搜索速度，寻优能力强，混合算法对解决车辆路径问题的搜索路径长度和收敛速度方面具有优势。

本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。

Claims (6)

1.无线传感器网络中的自适应路径规划方法，其特征在于，包括：

依据粒子群算法模型进行搜索，以获得路径上的信息素并生成信息素分布；

依据蚁群算法模型，将车辆置于起点并令其出发，在车辆搜索路径过程中更新各条路径上的信息素及位置，直至车辆群搜索路径不再变化或达到最大迭代次数；

计算各车辆所经过的路径长度，选出最短路线并记录，作为最优路径。

2.根据权利要求1所述的无线传感器网络中的自适应路径规划方法，其特征在于，该方法之前包括：

建立粒子群算法模型及蚁群算法模型；

初始化粒子群，在定义空间中随机产生粒子，组成初始粒子群，并随机产生各个粒子的初始速度和位置；

计算粒子群中粒子的适应值，更新粒子自身搜索到的最优适应值和群搜索到的最优适应值；

对于粒子群中的粒子，计算粒子的当前位置和当前速度。

3.根据权利要求2所述的无线传感器网络中的自适应路径规划方法，其特征在于，所述依据粒子群算法模型进行搜索，以获得路径上的信息素并生成信息素分布的过程包括：

将粒子群划分为三个等级的种群，针对三个等级的种群分别采用三种惯性权重来描述粒子位置和速度迭代；

循环迭代直到满足粒子群优化终止条件，产生初始最优路径；

利用所述初始最优路径更新粒子自身搜索到的最优适应值、群搜索到的最优适应值、粒子的位置和速度，生成信息素分布。

4.根据权利要求3所述的无线传感器网络中的自适应路径规划方法，其特征在于，还包括：

计算车辆转移概率，车辆根据转移概率选择下一个路径；

判断是否所有车辆都已经完成配送任务，若所有车辆都已经完成配送任务，则计算各车辆所经过的路径长度，选出最短路线并记录。

5.根据权利要求3所述的无线传感器网络中的自适应路径规划方法，其特征在于，所述将粒子群划分为三个等级的种群，针对三个等级的种群分别采用三种惯性权重来描述粒子位置和速度迭代的过程包括：

将解空间平均划分若干个相等区域，采用种群分布熵实时监测解空间内粒子的分布情况；

根据粒子迭代情况和分布情况，求出种群分布熵的上熵阈值及下熵阈值；

将粒子群划分为三个等级的种群；

当种群分布熵小于上熵阈值时，取数值较大的惯性权重调整粒子群算法的调节搜索能力；

当种群分布熵大于下熵阈值时，取数值较小的惯性权重调整粒子群算法的调节搜索能力；

当种群分布熵大于等于上熵阈值且小于等于下熵阈值时，根据粒子本身的情况随机选择惯性权重。

6.根据权利要求5所述的无线传感器网络中的自适应路径规划方法，其特征在于，所述粒子群优化终止条件是指找到符合条件的最优解，或达到最大迭代次数。