CN110167204A - 一种基于ms-bas算法的中继传输策略选择和功率分配方法 - Google Patents

一种基于ms-bas算法的中继传输策略选择和功率分配方法 Download PDF

Info

Publication number
CN110167204A
CN110167204A CN201910382447.2A CN201910382447A CN110167204A CN 110167204 A CN110167204 A CN 110167204A CN 201910382447 A CN201910382447 A CN 201910382447A CN 110167204 A CN110167204 A CN 110167204A
Authority
CN
China
Prior art keywords
longicorn
value
individual
wireless sensor
iteration
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
Application number
CN201910382447.2A
Other languages
English (en)
Other versions
CN110167204B (zh
Inventor
马锴
李志学
杨婕
袁亚洲
刘佩
何金骆
王宇泽
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN201910382447.2A priority Critical patent/CN110167204B/zh
Publication of CN110167204A publication Critical patent/CN110167204A/zh
Application granted granted Critical
Publication of CN110167204B publication Critical patent/CN110167204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
    • H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H04W52/241—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account channel quality metrics, e.g. SIR, SNR, CIR, Eb/lo
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于MS‑BAS算法的中继传输策略选择和功率分配方法，应用于无线传感器网络的通信节点能量收集和信息传输性能优化，其方法包括：通过对基于能量收集合作中继的无线传感器网络进行数学建模；使用基于融合学习算法的MS‑BAS算法对能量收集和数据传输协同优化的数据模型进行求解；根据获得的最优个体搜索策略值调整该多区域无线传感器网络系统的各个专属EH中继节点的功率分配比和信号传输策略。与现有技术相比，本发明可以基于人为设定的EH中继处信噪比阈值自主选择当前链路的中继传输策略，有效地解决了多中继的功率分配问题，提升了信道链路质量，且本发明算法精确度高、收敛速度快。

Description

一种基于MS-BAS算法的中继传输策略选择和功率分配方法
技术领域
本发明涉及一种通信技术领域，尤其是一种基于MS-BAS(Multi-Swarm BeetleAntennae Search，多群天牛须搜索)算法的中继传输策略选择和功率分配方法。
背景技术
传统的无线传感器网络中的传感器节点多数使用一次性干电池进行能源供给，大大缩短了网络的使用寿命。一般来说，对于实际通信系统，针对一个需要采集数据的监控区域，需要多个不同种类的传感器采集不同的待监测物理量，为了延长网络的使用寿命，同时提高频谱利用率和增大网络系统的吞吐量，需要安置一个或多个具有从射频信号中进行能量收集功能的中继节点帮助传感器传递信息。然而，基于能量收集的合作中继的协作通信系统的优劣很大程度上取决于中继选择和功率分配策略。
基于合作中继的无线传感器网络中的中继选择和功率分配问题已被证明是一个NP-hard(non-deterministic polynomial，非确定性多项式)问题，即不能在多项式时间内求得最优解。该问题大多数采用进化算法进行解决。类似于遗传算法、蚁群算法、蜂群算法，BSO(Beetle Swarm Optimization，天牛群优化)算法，不需要知道函数的具体形式，不需要梯度信息，就可以实现高效寻优。
因此，在综合考虑BSO的寻优性能和多区域无线传感网络信号传输的特征后，本发明提出了一种基于MS-BAS算法的中继传输策略选择和功率分配方法。
发明内容
本发明目的在于提供一种基于MS-BAS(多群天牛须搜索)算法的中继传输策略选择和功率分配方法。
基于MS-BAS算法的中继传输策略选择和功率分配方法，具体包括以下步骤：
步骤一，多区域无线传感器网络系统建模：
(1-1)根据实际的支持多区域联合通信的合作能量收集中继无线传感器网络建立合作能量收集中继无线传感器网络模型；
(1-2)基于已经确定的网络架构，对中继分别基于解码转发和放大转发传输信息的过程进行分析；
(1-3)制定基于混合译码放大转发策略进行数据转发的有约束优化问题；
(1-4)根据惩罚函数法，将所述有约束优化问题转化成为无约束优化问题；
(1-5)根据线性加权法和所述无约束优化问题，构建能量收集和数据传输协同优化的数据模型；
步骤二，使用基于融合学习算法的MS-BAS算法对能量收集和数据传输协同优化的数据模型进行求解；
(2-1)初始化变量、计算初始适应度值并将天牛种群随机平均划分为预定数目的子群；
(2-2)在第k次迭代过程中，基于融合学习思想对天牛子群进行交互、重组操作，对每个子群中天牛个体的适应度进行排序，找到最优的个体和两个最差的个体；对于每个适应度最差的天牛个体，从所有子群中随机选择两个子群，每个子群中取一个邻域最优的个体，比较两个邻域最优个体的适应度值，选择适应度较大的邻域最优天牛个体的位置作为该天牛个体的学习模板，即将邻域最优个体的位置与该个体的位置互换，重新组成新的天牛种群的位置矩阵；
(2-3)计算天牛个体的左右须位置以及每个天牛个体的右须和左须的适应度值；
(2-4)更新局部最优解的值和全局最优解的值，在第k次迭代过程中，分别计算第s个天牛个体的适应度值，比较天牛群中每个天牛个体的适应度值，取出最优的适应度值为局部最优值；将第k次迭代过程获得的局部最优值与已经经历过的k-1迭代的最优解值进行比较，取出最优的适应度值为天牛个体在第k次迭代过程中的全局最优值；
(2-5)更新天牛个体的增量函数和速度；
(2-6)更新、记录并存储每个天牛个体的位置，并计算当前各个天牛的适应度值；
(2-7)更新个体最优解，更新每个天牛步长，判断第k+1迭代次数的天牛个体适应度值fk+1(ρ，X，μ)是否小于第k次迭代时的天牛个体适应度值fk(ρ，X，μ)，若该条件成立，说明更新后天牛个体的适应度函数值优于更新前天牛个体的适应度函数值，此时，更新最优的天牛个体位置为第k+1次迭代的天牛个体位置，即X*＝Xk+1，否则，保持最优的天牛个体位置为原天牛个体位置，即X*＝Xk为最优解。更新步长δk+1＝c1·δk+δ0，其中，δk+1是第k+1次迭代时的天牛步长，c1是步长迭代参数，δk是第k次迭代时的天牛步长，δ0是天牛的步长的初始值；
(2-8)更新罚因子；
(2-9)比较算法程序在第k次迭代的函数适应度值fk(ρ，X，μ)和第k+1次迭代的函数适应度值fk+1(ρ，X，μ)，如果满足不等式|fk+1(ρ，X，μ)-fk(ρ，X，μ)|≤ε1且认为已经达到收敛值，则跳转到步骤2-10，否则根据公式k＝k+1更新迭代次数的值并返回步骤2-2；
(2-10)返回最优的个体搜索的策略和适应度值；返回最优的个体搜索的策略X*＝{Θ*，Ψ*}，即返回最优的矩阵Θ和矩阵Ψ的值；返回基于最优的个体搜索的策略的最优的适应度值，即返回最优的网络总传输速率；
步骤三，多区域无线传感器网络系统优化；
根据最优的个体搜索策略值X*中的矩阵Θ*和矩阵Ψ*的值，调整该多区域无线传感器网络系统的各个专属EH中继节点的功率分配比和信号传输策略，使所述多区域无线传感器网络系统的总传输速率达到最优适应度值。
优选的，所述步骤一中步骤1-1建立支持多区域联合通信的合作能量收集中继无线传感器网络模型，具体为：无线传感网络由N个监测区域、N个专属EH中继节点以及1个聚合节点组成，其中，每个监测区域包括M个无线传感器节点；第i个监测区域中的第j个无线传感器节点表示为Sij，Ri表示第i个监测区域的专属EH中继节点，负责协助本监测区域的所有无线传感器节点传递信息到聚合节点C，专属EH中继节点接收到的来自所有无线传感器节点的RF信号，将会被分成两个信号流，一个信号流用于能量收集，并将收集的能量存储到储能装置中以供信息传输使用，另一个信号流用于信号解码和编码，完成信息转发，每个专属EH中继节点信号流的划分标准是由功率分配比θi(i＝1，2，...，N)来决定的，专属EH中继节点协助对应的监测区域内不同传感器节点传输信息时，需要针对不同的传输链路分配不同的传输功率，通过参数βi，j(i＝1，2，...，N，j＝1，2，...，M)来控制。
优选的，所述步骤一中的步骤1-3制定基于混合译码放大转发策略进行数据转发的有约束优化问题，具体为：
其中，min(x，y)z表示x和y之间最小值的z次幂，为根据无线传感器网络终端的通信质量要求设定的专属EH中继节点Ri接收的信噪比阈值；θi是第i个专属EH中继节点的功率分配比；βi，j表示专属EH中继节点Ri协助无线传感器节点Sij通信的功率和自身发射功率的比值；β-i，-j表示专属EH中继节点Ri协助除Sij之外的无线传感器节点通信的功率和自身发射功率的比值；表示当专属EH中继节点采用DF策略时，针对第i个监测区域中的第j个无线传感器节点Sij所在的通信链路，专属EH中继节点Ri处的信噪比，Rij表示专属EH中继节点协助Sij通信的信息流；表示当专属EH中继节点采用DF策略时，针对第i个监测区域中的第j个无线传感器节点Sij所在的通信链路，Rij在聚合点C处的信噪比；表示当专属EH中继节点采用AF策略时，针对第i个监测区域中的第j个无线传感器Sij所在的通信链路在专属EH中继节点Ri处的信噪比；表示在使用AF策略时，针对第i个监测区域中的第j个无线传感器节点Sij所在的通信链路在聚合点C处的信噪比。
优选的，所述步骤一中的步骤1-5能量收集和数据传输协同优化的数据模型，具体为：
为专属EH中继节点Ri从环境中收集的RF能量，ρ和(1-ρ)分别作为数据传输和能量收集的权重，ρ的取值范围为0≤ρ≤1；(max(0，t))2表示取出0和t之间的最大值并求其平方值，(min(0，t))2表示取出0和t之间的最小值并求其平方值；μ是罚因子。
优选的，所述步骤二中的步骤2-1初始化变量和计算初始适应度值，具体为：初始化种群大小G，天牛种群表示为xs(s＝1，2，...，G)；每个天牛位置按照集合Θ和Ψ的初始化方法能够被初始化为一个1*(N+N*M)阶的矩阵，其中，矩阵的前N个元素表示Θ的值，其他的N*M个元素表示Ψ的值，Θ是所有传输链路的功率分配比组成的集合，Θ＝[θ1，θ2，...，θN]，βi，j为专属EH中继Ri协助监测区域内第j个无线传感器的功率与自身发射功率的比值，Ψ是所有的βi，j组成的集合，即Ψ＝[β1，1，...，β1，M；β2，1，...，β2，M；...βN，1，...，βN，M]，因此天牛群体的位置情况被初始化为一个G*(N+N*M)阶的矩阵X，天牛群体速度能够按照VΘ和VΨ的初始化方法被初始化为一个G*(N+N*M)阶的矩阵V，天牛群体步长能够按照δΘ和δΨ的初始化方法被初始化为一个G*(N+N*M)阶的矩阵δ。对天牛种群随机平均划分为预定数目的子群，初始化罚因子μ和数据传输的权重ρ，初始化最优的个体搜索的策略X*＝X，将已完成初始化的包含变量θi，i∈(1，...，N)和βi，j，i∈(1，...，N)，j∈(1，...，M)初始值的天牛个体代入解析表达式f中，计算子群中每个天牛个体的初始适应度值；初始化当前迭代次数k＝0；设定第0次迭代的每个天牛个体的函数适应度值f0(ρ，X，μ)等于每个天牛个体的初始适应度值f，初始化局部最优解的值和全局最优解的值初始化X*＝Xk＝X，X*为最优的个体搜索策略值，Xk为迭代次数为k时天牛群体的位置情况，初始化wmax、wmin、K、ε1、ε2、w、r1、r2、c1、c2、δ0，其中wmax和wmin分别表示基于优化问题的实际情况而人为设定的惯性变量最大值和最小值；K表示总的迭代次数，K为正整数；ε1和ε2是精确度常数，w表示惯性变量，ri和r2表示学习率，c1表示步长迭代参数，c2表示须长和步长的比例参数；δ0为天牛的步长的初始值，δ0＝δ＝(δΘ，δΨ)。
优选的，所述步骤二中的步骤2-4计算天牛个体的左右须位置以及每个天牛个体的右须和左须的适应度值，具体为：
第s个天牛在第k+1次迭代时的左须位置可以根据和得到，第s个天牛在第k+1次迭代时的右须位置可以根据和得到，将天牛左须位置和右须位置分别代入f(ρ，X，μ)，其中：
计算每个天牛个体的右须和左须的适应度值分别为和
优选的，所述步骤二中的步骤2-6更新天牛个体的增量函数和速度，具体为：
基于公式更新天牛的增量函数，其中表示在k+1次迭代时，第s个天牛个体在第i个方向上的增量函数值，δk表示第k次迭代时天牛的步长，它由此时天牛个体针对矩阵Θ求解维度的步长分量和此时天牛个体针对矩阵Ψ求解维度的步长分量两部分组成；表示在k次迭代过程中，第s个天牛个体在第i个方向上的速度值，和分别表示在第k次迭代时，天牛个体左右须的适应度值；基于公式更新天牛个体的速度；其中，表示在第k+1次迭代时，第s个天牛个体在第i个方向上的速度分量值，w表示惯性变量，r1和r2表示学习率，可以根据算法收敛情况进行人工调节；c1和c2分别表示步长迭代参数、须长和步长的比例参数，它们是常量，对于不同种类的天牛，这两类参数不同；在本实施例中，设定r1＝0.5，r2＝0.5，c1＝0.75，c2＝2，表示在k次迭代时，第s个天牛个体在第i个方向上的须长分量，和分别表示此时第s个天牛个体的局部最优值和全局最优值。
本发明与现有技术相比，其优点在于：
1、本发明设计了一种更为实用的多区域网络通信建模方法，一方面，该方法引入了区域专属EH(Energy Harvesting，能量收集)中继的概念，该中继节点能够从环境中的所有射频信号(RF)信号中收集能量，用来协助所在区域的传感器传递信息；另一方面，构建了综合考虑中继节点能量收集、信息传输策略和网络总传输速率在内的多目标优化模型；
2、为了快速、准确地得到模型的最优解，还设计了基于融合学习算法的MS-BAS，不仅实现了无线传感器网络总能量收集和总传输速率之间的协同优化，而且构建了种群的交互和重组机制，提升了算法的快速性和鲁棒性。
附图说明
图1是无线传感器网络结构图；
图2是区域专属EH中继的工作原理示意图；
图3是多区域无线传感器网络系统建模流程图；
图4是使用基于融合学习算法的MS-BAS算法对能量收集和数据传输协同优化的数据模型进行求解的流程框图；以及
图5是基于融合学习算法的MS-BAS算法搜索过程示意图。
具体实施方式
下面结合附图对本发明做进一步说明：
步骤一，多区域无线传感器网络系统建模，具体流程如图3所示。
(1-1)根据实际的支持多区域联合通信的合作能量收集中继无线传感器网络建立合作能量收集中继无线传感器网络模型。
如图1所示，无线传感网络由N个监测区域、N个专属EH中继节点以及1个聚合节点组成，其中，每个监测区域包括M个无线传感器节点，第i个监测区域中的第j个无线传感器节点在图1中表示为Sij，Ri表示第i个监测区域的专属EH中继节点，负责协助本监测区域的所有无线传感器节点传递信息到聚合节点C，该专属EH中继节点还能够从环境中的RF(射频)信号中收集能量，如图2所示，对于专属EH中继节点接收到的来自所有无线传感器节点的RF信号，将会被分成两个信号流，一个信号流用于能量收集，并将收集的能量存储到储能装置中以供信息传输使用，另一个信号流用于信号解码和编码，完成信息转发，每个专属EH中继节点信号流的划分标准是由功率分配比θi(i＝1，2，...，N)来决定的。此外，专属EH中继节点协助对应的监测区域内不同传感器节点传输信息时，需要针对不同的传输链路分配不同的传输功率，这个过程是通过参数βi，j(i＝1，2，...，N，j＝1，2，...，M)来控制的。
第i个监测区域的专属EH中继节点Ri从环境中收集的RF能量可以表示为：
其中，i、j、k是正整数，N为无线传感器网络覆盖的监测区域数量，M为每个监测区域包括的无线传感器节点数量；θi(i＝1，2，...，N)是每个专属EH中继节点的功率分配比，是本研究问题中的未知变量；Skj表示第k个监测区域中的第j个无线传感器节点，表示第k个监测区域中的第j个无线传感器节点的发射功率，无线传感器节点的发射功率取值范围为0.05W-0.2W；表示第k个监测区域中的第j个无线传感器节点Skj到第i个专属EH中继节点Ri的信道增益，它的值一般按照公式G＝0.097·d-3计算，d表示两个通信节点的欧式距离，因此在本实施例中其中d表示是无线传感器节点Skj到专属EH中继节点Ri的欧式距离；η是所有专属EH中继节点的能量收集效率，一般取0.75；需要注意的是，为了保证输出功率的稳定性，该专属EH中继节点由储能装置供电，从环境中收集的能量将被首先存储到储能装置中供以后使用。
(1-2)基于已经确定的网络架构，分析中继分别基于解码转发(DF)和放大转发(AF)传输信息的过程。
当专属EH中继节点采用解码转发(DF)策略时，针对第i个监测区域中的第j个无线传感器节点Sij所在的通信链路，在专属EH中继节点Ri处的信噪比为：A(b，c)表示A是关于变量b，c的函数，因此，表示当专属EH中继节点采用DF策略时，针对第i个监测区域中的第j个无线传感器节点Sij所在的通信链路，专属EH中继节点Ri处的信噪比是关于变量θi和βi，j的函数，其中，θi是第i个专属EH中继节点的功率分配比；βi，j表示专属EH中继节点Ri协助无线传感器节点Sij通信的功率和自身发射功率的比值，它的取值范围可以表示为：0＜βi，j＜1；类似的，针对第i个监测区域中的第j个无线传感器节点Sij所在的通信链路，Rij表示专属EH中继节点协助Sij通信的信息流，在聚合点C处的信噪比为：其中，类似于βi，j的定义，β-i，-j表示专属EH中继节点Ri协助除Sij之外的无线传感器节点通信的功率和自身发射功率的比值，具体来说，它的值可以表示为β-i，-j＝(β1，1，...，β1，M；βi，1，...，βi，j-1，βi，j+1，...，βi，M；βN，1，...，βN，M)；同理可得，表示当专属EH中继节点采用放大转发(AF)策略时，针对第i个监测区域中的第j个无线传感器Sij所在的通信链路，在专属EH中继节点Ri处的信噪比是关于变量θi和βi，j的函数；针对第i个监测区域中的第j个无线传感器Sij所在的通信链路，在聚合点C处的信噪比为：这表明在使用AF策略时，在聚合点C处的信噪比是关于变量θi、βi，j和β-i，-j的函数。本申请中信噪比的具体计算方法采用现有技术。
一般的，当采用放大转发(AF)中继策略转发数据时，专属EH中继节点在放大有用信号的同时也放大了噪声信号，导致系统性能下降；当采用解码转发(DF)中继策略进行数据转发时，中继节点将接收到的数据译码后后重新编码转发，减少了噪声影响，但是若中继译码错误，则会导致传递错误信息。
(1-3)制定基于混合译码放大转发(HDAF)策略进行数据转发的优化问题，
在本发明中，采用混合译码放大转发(HDAF)策略进行数据转发，具体方法如下：
根据无线传感器网络终端的通信质量要求人为设定专属EH中继节点Ri接收的信噪比阈值若则专属EH中继节点采用AF中继策略协助无线传感器节点转发数据给聚合点，反之，该中继采用DF中继策略协助无线传感器节点转发数据给聚合节点C。
综上所述，对无线传感器网络系统的中继传输策略和功率分配进行建模，并得如下优化问题：
其中，min(x，y)z表示x和y之间最小值的z次幂。
(1-4)根据惩罚函数法，将上述有约束的优化问题转化成为无约束优化问题：
其中，是由优化问题中的两个约束条件组成的关于未知量βi，j惩罚函数，它的解析式可以表示为，不失一般性，(max(0，t))2表示取出0和t之间的最大值并求其平方值，同理可知，(min(0，t))2表示取出0和t之间的最小值并求其平方值；μ是罚因子。
(1-5)为了实现该无线传感网络能量收集和数据传输的协同优化，根据线性加权法，构建能量收集和数据传输协同优化的数据模型：
其中，为专属EH中继节点Ri从环境中收集的RF能量，ρ和(1-ρ)分别作为数据传输和能量收集的权重，它的取值范围为0≤ρ≤1，具体取值需要考虑到根据网络用户对网络数据和能量收集要求的侧重情况。特别的，当ρ＝1时，用户只考虑最大化网络的总传输速率，而不考虑网络中的能量收集情况；当ρ＝0时，用户只考虑最大化网络的能量收集，而不考虑网络总传输速率的最大化问题；N为无线传感器网络覆盖的监测区域数量。
步骤二，使用基于融合学习算法的MS-BAS算法对能量收集和数据传输协同优化的数据模型进行求解，具体步骤如图4所示。
分析步骤一已经建立的可以实现能量收集和信息传输协同优化的能量收集和数据传输协同优化的数据模型，第i条网络传输链路的中继能量收集和传输策略选择取决于专属EH中继Ri的中继功率分配比θi，Θ是所有传输链路的功率分配比组成的集合，即Θ＝[θ1，θ2，...，θN]，它是含有N个分量的一维矩阵，共有N个元素。此外，影响网络信息传输速率的另一个因素是每个专属EH中继的协助无线传感器节点传递信息的功率分配情况，例如，在网络的第i个传输链路中，影响该链路信息传输速率的主要因素除了专属EH中继Ri的中继功率分配比，还有专属EH中继Ri协助监测区域内第j个无线传感器的功率与自身发射功率的比值βi，j，类似于Θ的定义，Ψ是所有的βi，j组成的集合，即Ψ＝[β1，1，...，β1，M；β2，1，...，β2，M；...βN，1，...，βN，M]，它是一个N*M阶矩阵，共有N*M个元素。因此，如果使用天牛群算法搜索问题的最优解，每个天牛的搜索维度应设置为N+N*M。一般来说，天牛的搜索维度越高，种群搜索的时间越长；天牛的种群越大，搜索精度越高，同时也会减少算法的时间复杂度。在本实施例中，设N为5，M为3，因此Θ为1*5的矩阵，Ψ是一个5*3的矩阵，因此每个天牛的搜索维度为20。
(2-1)初始化变量、计算初始适应度值f并将天牛种群随机平均划分为预定数目的子群。
初始化种群大小G，天牛种群表示为xs(s＝1，2，...，G)；每个天牛的位置也是由1*(N+N*M)的一维矩阵表示的，其中，矩阵的前N个元素表示Θ的值，其他的N*M个元素表示Ψ的值。初始化该矩阵中专属EH中继节点的中继功率分配比集合Θ对应的天牛的位置，即初始化天牛位置的前N个元素值取值范围为0到0.5的随机数；为了实现集合Θ中各元素的寻优，初始化每个天牛个体针对集合Θ寻优所设置的速度VΘ，它是由N个取值范围为0到1的随机数生成的1*N阶矩阵；此外，速度VΘ的边界数组定义为和均表示1*N阶的常数矩阵，该矩阵中的常数值一般根据问题要求和调参经验进行设置；初始化每个天牛个体针对集合Θ寻优所设置的步长δΘ，假设每个天牛的大小一样，即步长相同，δΘ能够被表示为一个1*N阶矩阵，该矩阵中各个元素的具体数值是人为设定的；类似于集合Θ的初始化，初始化集合Ψ对应的天牛的位置，即初始化天牛位置的其余N*M个元素值取值范围为0到1的随机数；为了实现集合Ψ中各元素的寻优，初始化每个天牛个体针对集合Ψ寻优所设置的速度VΨ，它是由N*M个取值范围为0到1.5的随机数生成1*(N*M)阶矩阵；此外，速度VΨ的边界数组定义为和均表示1*(N*M)阶的常数矩阵，与和的取值方法类似，和中的常数值一般根据问题要求和调参经验进行设置；初始化每个天牛个体针对集合Ψ寻优所设置的步长δΨ，δΨ能够被表示为一个1*(N*M)阶矩阵，该矩阵中各个元素的具体数值是人为设定的，综上所述，每个天牛位置按照集合Θ和Ψ的初始化方法能够被初始化为一个1*(N+N*M)阶的矩阵，则天牛群体的位置情况被初始化为一个G*(N+N*M)阶的矩阵X，天牛群体速度能够按照VΘ和VΨ的初始化方法被初始化为一个G*(N+N*M)阶的矩阵V，天牛群体步长能够按照δΘ和δΨ的初始化方法被初始化为一个G*(N+N*M)阶的矩阵δ。对天牛种群随机平均划分为预定数目的子群，初始化罚因子μ和数据传输的权重ρ，初始化最优的个体搜索的策略X*＝X。
在本实施例中初始化种群大小G设置为50，则天牛种群表示为xs(s＝1，2，...，50)，与天牛的搜索维度类似，每个天牛的位置也是由1*20的一维矩阵表示的，其中，矩阵的前5个元素表示Θ的值，其他的15个元素表示Ψ的值。初始化该矩阵中专属EH中继节点的中继功率分配比集合Θ对应的天牛的位置，即初始化天牛位置的前5个元素值取值范围为0到0.5的随机数；为了实现集合Θ中各元素的寻优，初始化每个天牛个体针对集合Θ寻优所设置的速度VΘ，它是由5个取值范围为0到1的随机数生成的1*5阶矩阵；速度VΘ的边界数组定义为初始化每个天牛个体针对集合Θ寻优所设置的步长δΘ，δΘ＝[0.8，0.8，0.8，0.8，0.8]；类似于集合Θ的初始化，初始化集合Ψ对应的天牛的位置，即初始化天牛位置的其余15个元素值取值范围为0到1的随机数；为了实现集合Ψ中各元素的寻优，初始化每个天牛个体针对集合Ψ，寻优所设置的速度VΨ，它是由15个取值范围为0到1.5的随机数生成1*15阶矩阵；此外，速度VΨ的边界数组定义为 初始化每个天牛个体针对集合Ψ寻优所设置的步长δΨ，δΨ能够被表示为一个1*15阶矩阵，δΨ＝[0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6]；综上所述，在本实施例中，每个天牛位置按照集合Θ和Ψ的初始化方法能够被初始化为一个1*(5+5*3)阶的矩阵，则天牛群体的位置情况被初始化为一个50*(5+5*3)阶的矩阵X，天牛群体速度能够按照VΘ和VΨ的初始化方法被初始化为一个50*(5+5*3)阶的矩阵V，天牛群体步长能够按照δΘ和δΨ的初始化方法被初始化为一个50*(5+5*3)阶的矩阵δ。对天牛种群随机平均划分为预定数目的子群，在本实施例中将初始化种群划分为5个个体数目为10的子群。初始化罚因子μ和数据传输的权重ρ，本实施例中罚因子μ的初始值为μ＝1，数据传输的权重ρ＝0.5，初始化最优的个体搜索的策略X*＝X。
计算初始适应度值f。每个天牛的适应度解析表达式为：
将已完成初始化的包含变量θi，i∈(1，...，N)和βi，j，i∈(1，...，N)，j∈(1，...，M)初始值的天牛个体代入解析表达式f中，计算子群中每个天牛个体的初始适应度值。
然后，继续初始化当前迭代次数k＝0；设定第0次迭代的每个天牛个体的函数适应度值f0(ρ，X，μ)等于每个天牛个体的初始适应度值f，初始化局部最优解的值和全局最优解的值初始化X*＝Xk＝X，X*为最优的个体搜索策略值，Xk为迭代次数为k时天牛群体的位置情况，初始化wmax、wmin、K、ε1、ε2、w、ri、r2、c1、c2、δ0，其中wmax和wmin分别表示基于优化问题的实际情况而人为设定的惯性变量最大值和最小值，在本实例中，wmax＝0.3，wmin＝0.8；K表示总的迭代次数，K为正整数，K的大小为必需保证在当前设置的总迭代次数内可以满足收敛条件；ε1和ε2是精确度常数，即当满足上述两个精确度要求时，认为在一定误差允许范围内，该算法程序已经达到收敛值，需要跳出循环，它们是根据问题精度要求人为设置的常数，在本实施例中，精确度ε1＝0.005，ε2＝0.0001；w表示惯性变量，r1和r2表示学习率，c1表示步长迭代参数，c2表示须长和步长的比例参数，它们是常量；在本实施例中，设定r1＝0.5，r2＝0.5，c1＝0.75，c2＝2；δ0为天牛的步长的初始值，δ0＝δ＝(δΘ，δΨ)。
(2-2)种群交互、随机重组。
在第k次迭代过程中，基于融合学习思想对天牛子群进行交互、重组操作，如图5所示，具体来说，对每个子群中天牛个体的适应度进行排序，找到最优的个体和两个最差的个体；对于每个适应度最差的天牛个体，从所有子群中随机选择两个子群，每个子群中取一个邻域最优的个体，比较两个邻域最优个体的适应度值，选择适应度较大的邻域最优天牛个体的位置作为该天牛个体的学习模板，即将邻域最优个体的位置与该个体的位置互换，重新组成新的天牛种群的位置矩阵。此步骤的作用是原天牛种群的较差个体被其他种群中的邻域最优个体代替，即不断寻找个体适应度最优的学习模板，通过重复此步骤可以最终找到的最优个体的位置即本实施例中的集合Θ和集合Ψ最优解。
(2-3)计算天牛个体左右须的适应度值。
首先，考虑到天牛个体随着迭代次数的增加而逐渐靠近最优解，搜索的步长会不断减小，惯性作用也应该不断减少。在第k次迭代过程中，根据更新惯性变量，其中，w表示惯性变量，wmax和wmin分别表示基于优化问题的实际情况而人为设定的惯性变量最大值和最小值；K表示总的迭代次数，k表示当前的迭代次数。其次，根据公式和分别更新针对矩阵Θ和矩阵Ψ的求解过程的天牛个体两须之间的距离，其中，表示第k次迭代过程中天牛针对矩阵Θ求解维度的两须之间的距离分量，表示第k次迭代过程中天牛针对矩阵Ψ求解维度的两须之间的距离分量，表示第k次迭代过程中天牛针对矩阵Θ求解维度的步长分量，表示第k次迭代过程中天牛针对矩阵Ψ求解维度的步长分量；不失一般性，对于每个天牛来说，它在任何搜索维度的步长和两须之间距离的比值是一个常数c2。最后，基于公式和公式分别计算天牛个体针对矩阵Θ和矩阵Ψ求解维度的左须位置，其中，表示第s个天牛个体在k+1次迭代时针对矩阵Θ求解维度的左须位置，表示第s个天牛个体在k+1次迭代时针对矩阵Ψ求解维度的左须位置，表示第s个天牛个体在k次迭代时针对矩阵Θ求解维度的左须位置，表示第s个天牛个体在k次迭代时针对矩阵Ψ求解维度的左须位置；基于公式和公式分别计算天牛个体针对矩阵Θ和矩阵Ψ求解维度的右须位置，其中，表示第s个天牛个体在k+1次迭代时针对矩阵Θ求解维度的右须位置，表示第s个天牛个体在k+1次迭代时针对矩阵Ψ求解维度的右须位置，表示第s个天牛个体在k次迭代时针对矩阵Θ求解维度的右须位置，表示第s个天牛个体在k次迭代时针对矩阵Ψ求解维度的右须位置；表示在k次迭代过程中，第s个天牛个体针对矩阵Θ求解第i个维度上的速度值，根据矩阵Θ的定义，此时i的取值为1≤i≤5；表示在k次迭代过程中，第s个天牛个体针对矩阵Ψ求解第i个维度上的速度值，根据矩阵Ψ的定义，此时i的取值为6≤i≤20；综上所述，第s个天牛在第k+1次迭代时的左须位置可以根据和得到，第s个天牛在第k+1次迭代时的右须位置可以根据和得到，第s个天牛在第k次迭代时的在第i个维度的速度由和两部分组成，第s个天牛在第k次迭代时的步长由和两部分组成。对于每个天牛个体，将天牛左须位置和右须位置分别代入f(ρ，X，μ)，其中：
X＝{Θ，Ψ}，即X是矩阵Θ和矩阵Ψ组成的集合。计算每个天牛个体的右须和左须的适应度值分别为和
(2-4)更新局部最优解的值和全局最优解的值
在第k次迭代过程中，分别计算第s个天牛个体的适应度值，即将代入到f(ρ，X，μ)中，得到对应的个体适应度值fk(ρ，X，μ)，其中，表示在k次迭代时，第s个天牛个体在第i个方向上的须长分量，表示在k次迭代时，第s个天牛个体在第i个方向上的适应度值，比较天牛群中G个天牛个体在第i个方向上的适应度值，取天牛群中个体在第i个方向上的适应度的最小值为局部最优值将第k次迭代过程获得的局部最优值与已经经历过的k-1迭代的最优解值进行比较，取出最优的适应度值为天牛个体在第k次迭代过程中在第i个方向上的全局最优值即
(2-5)更新天牛个体的增量函数ξ和速度V。
基于公式更新天牛的增量函数，其中表示在k+1次迭代时，第s个天牛个体在第i个方向上的增量函数值，δk表示第k次迭代时天牛的步长，它由此时天牛针对矩阵Θ求解维度的步长分量和此时天牛针对矩阵Ψ求解维度的步长分量两部分组成；表示在k次迭代过程中，第s个天牛个体在第i个方向上的速度值，和分别表示在第k次迭代时，天牛个体左右须的适应度值；基于公式更新天牛个体的速度。其中，表示在第k+1次迭代时，第s个天牛个体在第i个方向上的速度分量值，w表示惯性变量，r1和r2表示学习率，c1表示步长迭代参数，c2表示须长和步长的比例参数，表示在k次迭代时，第s个天牛个体在第i个方向上的须长分量，和分别表示此时第s个天牛个体的局部最优值和全局最优值。
(2-6)更新、记录并存储每个天牛个体的位置，并计算当前各个天牛的适应度函数值。对于每个天牛个体，根据公式更新当前天牛个体的位置，其中，λ表示人为规定的一个常量，它的取值范围为0＜λ＜1，在本实施例中，设定λ＝0.4。记录并存储每个天牛个体的位置，将更新后的天牛个体的位置代入f(ρ，X，μ)中，计算当前各个天牛的适应度函数值。
(2-7)更新个体最优解，更新每个天牛步长。
判断第k+1迭代次数的天牛个体适应度值是否小于第k次迭代时的天牛个体适应度值，即判断fk+1(ρ，X，μ)＜fk(ρ，X，μ)是否成立，其中fk+1(ρ，X，μ)是由更新后的天牛个体的位置代入f(ρ，X，μ)中得到，表示天牛个体在第k+1次迭代的天牛个体适应度值，fk(ρ，X，μ)是由原天牛个体的位置代入f(ρ，X，μ)中得到，表示天牛个体在第k次迭代的天牛个体适应度值；若该条件成立，说明更新后天牛个体的适应度函数值优于更新前天牛个体的适应度函数值，此时，更新X*＝Xk+1作为最优解，否则，保持X*＝Xk为最优解，更新步长δk+1＝c1·δk+δ0，其中，δk+1是第k+1次迭代时的天牛步长，c1是步长迭代参数，δk是第k次迭代时的天牛步长，δ0是天牛的步长的初始值。
(2-8)更新罚因子。根据公式μk+1＝10·μk更新罚因子，其中，μk+1表示第k+1次迭代时的罚因子的值，μk表示第k次迭代时的罚因子的值。
(2-9)比较第k次迭代的fk(ρ，X，μ)和第k+1次迭代的函数适应度值fk+1(ρ，X，μ)，如果满足不等式|fk+1(ρ，X，μ)-fk(ρ，X，μ)|≤ε1且认为程序已经达到收敛值，则跳转到(2-10)，否则根据公式k＝k+1更新迭代次数的值并返回(2-2)；
(2-10)返回最优的个体搜索的策略和适应度值。
返回最优的个体搜索的策略X*＝{Θ*，Ψ*}，即返回最优的矩阵Θ和矩阵Ψ的值；返回基于最优的个体搜索的策略的最优的适应度值，即返回最优的网络总传输速率。
步骤三，多区域无线传感器网络系统优化；
基于步骤二，可以得到最优的个体搜索策略值X*，该策略值包括两部分内容，一部分内容是专属EH中继节点的最优功率分配比矩阵Θ*，即 表示专属EH中继节点Ri的最优功率分配比；另一部分是专属EH中继节点协助监测区域内对应无线传感器的功率与自身发射功率的最优比值矩阵Ψ*，即 表示专属EH中继节点Ri协助监测区域内无线传感器节点Sij的功率与自身发射功率的最优比值；根据矩阵Θ*和矩阵Ψ*的值调整该多区域无线传感器网络系统的各个专属EH中继节点的功率分配比和信号传输策略。采用该解决方案能够使多区域无线传感器网络系统的总传输速率在理想的条件下达到步骤二返回的最优适应度值。
最后应说明的是：以上的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种基于MS-BAS算法的中继传输策略选择和功率分配方法，其特征在于：具体包括以下步骤：
步骤一，多区域无线传感器网络系统建模：
(1-1)根据实际的支持多区域联合通信的合作能量收集中继无线传感器网络建立合作能量收集中继无线传感器网络模型；
(1-2)基于已经确定的网络架构，对中继分别基于解码转发和放大转发传输信息的过程进行分析；
(1-3)制定基于混合译码放大转发策略进行数据转发的有约束优化问题；
(1-4)根据惩罚函数法，将所述有约束优化问题转化成为无约束优化问题；
(1-5)根据线性加权法和所述无约束优化问题，构建能量收集和数据传输协同优化的数据模型；
步骤二，使用基于融合学习算法的MS-BAS算法对能量收集和数据传输协同优化的数据模型进行求解；
(2-1)初始化变量、计算初始适应度值并将天牛种群随机平均划分为预定数目的子群；
(2-2)在第k次迭代过程中，基于融合学习思想对天牛子群进行交互、重组操作，对每个子群中天牛个体的适应度进行排序，找到最优的个体和两个最差的个体；对于每个适应度最差的天牛个体，从所有子群中随机选择两个子群，每个子群中取一个邻域最优的个体，比较两个邻域最优个体的适应度值，选择适应度较大的邻域最优天牛个体的位置作为该天牛个体的学习模板，即将邻域最优个体的位置与该个体的位置互换，重新组成新的天牛种群的位置矩阵；
(2-3)计算天牛个体的左右须位置以及每个天牛个体的右须和左须的适应度值；
(2-4)更新局部最优解的值和全局最优解的值，在第k次迭代过程中，分别计算第s个天牛个体的适应度值，比较天牛群中每个天牛个体的适应度值，取出最优的适应度值为局部最优值；将第k次迭代过程获得的局部最优值与已经经历过的k-1迭代的最优解值进行比较，取出最优的适应度值为天牛个体在第k次迭代过程中的全局最优值；
(2-5)更新天牛个体的增量函数和速度；
(2-6)更新、记录并存储每个天牛个体的位置，并计算当前各个天牛的适应度值；
(2-7)更新个体最优解，更新每个天牛步长，判断第k+1迭代次数的天牛个体适应度值fk +1(ρ，X，μ)是否小于第k次迭代时的天牛个体适应度值fk(ρ，X，μ)，若该条件成立，说明更新后天牛个体的适应度函数值优于更新前天牛个体的适应度函数值，此时，更新最优的天牛个体位置为第k+1次迭代的天牛个体位置，即X*＝Xk+1，否则，保持最优的天牛个体位置为原天牛个体位置，即X*＝Xk为最优解，更新步长δk+1＝c1·δk+δ0，其中，δk+1是第k+1次迭代时的天牛步长，c1是步长迭代参数，δk是第k次迭代时的天牛步长，δ0是天牛的步长的初始值；
(2-8)更新罚因子；
(2-9)比较算法程序在第k次迭代的函数适应度值fk(ρ，X，μ)和第k+1次迭代的函数适应度值fk+1(ρ，X，μ)，如果满足不等式|fk+1(ρ，X，μ)-fk(ρ，X，μ)|≤ε1且认为已经达到收敛值，则跳转到步骤2-10，否则根据公式k＝k+1更新迭代次数的值并返回步骤2-2；
(2-10)返回最优的个体搜索的策略和适应度值，返回最优的个体搜索的策略X*＝{Θ*，Ψ*}，即返回最优的矩阵Θ和矩阵Ψ的值；返回基于最优的个体搜索的策略的最优的适应度值，即返回最优的网络总传输速率；
步骤三，多区域无线传感器网络系统优化；
根据最优的个体搜索策略值X*中的矩阵Θ*和矩阵Ψ*的值，调整该多区域无线传感器网络系统的各个专属EH中继节点的功率分配比和信号传输策略，使所述多区域无线传感器网络系统的总传输速率达到最优适应度值。
2.根据权利要求1所述的一种基于MS-BAS算法的中继传输策略选择和功率分配方法，其特征在于：所述步骤一中步骤1-1建立支持多区域联合通信的合作能量收集中继无线传感器网络模型，具体为：
无线传感网络由N个监测区域、N个专属EH中继节点以及1个聚合节点组成，其中，每个监测区域包括M个无线传感器节点；第i个监测区域中的第j个无线传感器节点表示为Sij，Ri表示第i个监测区域的专属EH中继节点，负责协助本监测区域的所有无线传感器节点传递信息到聚合节点C，专属EH中继节点接收到的来自所有无线传感器节点的RF信号，将会被分成两个信号流，一个信号流用于能量收集，并将收集的能量存储到储能装置中以供信息传输使用，另一个信号流用于信号解码和编码，完成信息转发，每个专属EH中继节点信号流的划分标准是由功率分配比θi(i＝1，2，...，N)来决定的，专属EH中继节点协助对应的监测区域内不同传感器节点传输信息时，需要针对不同的传输链路分配不同的传输功率，通过参数βi，j(i＝1，2，...，N，j＝1，2，...，M)来控制。
3.根据权利要求2所述的一种基于MS-BAS算法的中继传输策略选择和功率分配方法，其特征在于：所述步骤一中的步骤1-3制定基于混合译码放大转发策略进行数据转发的有约束优化问题，具体为：
其中，min(x，y)z表示x和y之间最小值的z次幂，为根据无线传感器网络终端的通信质量要求设定的专属EH中继节点Ri接收的信噪比阈值；θi是第i个专属EH中继节点的功率分配比；βi，j表示专属EH中继节点Ri协助无线传感器节点Sij通信的功率和自身发射功率的比值；β-i，-j表示专属EH中继节点Ri协助除Sij之外的无线传感器节点通信的功率和自身发射功率的比值；表示当专属EH中继节点采用DF策略时，针对第i个监测区域中的第j个无线传感器节点Sij所在的通信链路，专属EH中继节点Ri处的信噪比，Rij表示专属EH中继节点协助Sij通信的信息流；表示当专属EH中继节点采用DF策略时，针对第i个监测区域中的第j个无线传感器节点Sij所在的通信链路，Rij在聚合点C处的信噪比；表示当专属EH中继节点采用AF策略时，针对第i个监测区域中的第j个无线传感器sij所在的通信链路在专属EH中继节点Ri处的信噪比；表示在使用AF策略时，针对第i个监测区域中的第j个无线传感器节点Sij所在的通信链路在聚合点C处的信噪比。
4.根据权利要求3所述的一种基于MS-BAS算法的中继传输策略选择和功率分配方法，其特征在于：所述步骤一中的步骤1-5能量收集和数据传输协同优化的数据模型，具体为：
为专属EH中继节点Ri从环境中收集的RF能量，ρ和(1-ρ)分别作为数据传输和能量收集的权重，ρ的取值范围为0≤ρ≤1；(max(0，t))2表示取出0和t之间的最大值并求其平方值，(min(0，t))2表示取出0和t之间的最小值并求其平方值；μ是罚因子。
5.根据权利要求1所述的一种基于MS-BAS算法的中继传输策略选择和功率分配方法，其特征在于：所述步骤二中的步骤2-1初始化变量和计算初始适应度值，具体为：
初始化种群大小G，天牛种群表示为xs(s＝1，2，...，G)；每个天牛位置按照集合Θ和Ψ的初始化方法能够被初始化为一个1*(N+N*M)阶的矩阵，其中，矩阵的前N个元素表示Θ的值，其他的N*M个元素表示Ψ的值，Θ是所有传输链路的功率分配比组成的集合，Θ＝[θ1，θ2，...，θN]，βi，j为专属EH中继Ri协助监测区域内第j个无线传感器的功率与自身发射功率的比值，Ψ是所有的βi，j组成的集合，即Ψ＝[β1，1，...，β1，M；β2，1，...，β2，M；...βN，1，...，βN，M]，因此天牛群体的位置情况被初始化为一个G*(N+N*M)阶的矩阵X，天牛群体速度能够按照VΘ和VΨ的初始化方法被初始化为一个G*(N+N*M)阶的矩阵V，天牛群体步长能够按照δΘ和δΨ的初始化方法被初始化为一个G*(N+N*M)阶的矩阵δ，对天牛种群随机平均划分为预定数目的子群，初始化罚因子μ和数据传输的权重ρ，初始化最优的个体搜索的策略X*＝X，将已完成初始化的包含变量θi，i∈(1，...，N)和βi，j，i∈(1，...，N)，j∈(1，...，M)初始值的天牛个体代入解析表达式f中，计算子群中每个天牛个体的初始适应度值；初始化当前迭代次数k＝0；设定第0次迭代的每个天牛个体的函数适应度值f0(ρ，X，μ)等于每个天牛个体的初始适应度值f，初始化局部最优解的值和全局最优解的值初始化X*＝Xk＝X，X*为最优的个体搜索策略值，Xk为迭代次数为k时天牛群体的位置情况，初始化wmax、wmin、K、ε1、ε2、w、r1、r2、c1、c2、δ0，其中wmax和wmin分别表示基于优化问题的实际情况而人为设定的惯性变量最大值和最小值；K表示总的迭代次数，K为正整数；ε1和ε2是精确度常数，w表示惯性变量，r1和r2表示学习率，c1表示步长迭代参数，c2表示须长和步长的比例参数；δ0为天牛的步长的初始值，δ0＝δ＝(δΘ，δΨ)。
6.根据权利要求5所述的一种基于MS-BAS算法的中继传输策略选择和功率分配方法，其特征在于：所述步骤二中的步骤2-4计算天牛个体的左右须位置以及每个天牛个体的右须和左须的适应度值，具体为：
第s个天牛在第k+1次迭代时的左须位置可以根据和得到，第s个天牛在第k+1次迭代时的右须位置可以根据和得到，将天牛左须位置和右须位置分别代入f(ρ，X，μ)，其中：
计算每个天牛个体的右须和左须的适应度值分别为和其中，ρ和(1-ρ)分别作为数据传输和能量收集的权重，ρ的取值范围为0≤ρ≤1；X＝{Θ，Ψ}，即X是矩阵Θ和矩阵Ψ组成的集合；μ是罚因子；i为正整数；N为无线传感网络的监测区域数量；min(x，y)z表示x和y之间最小值的z次幂，为根据无线传感器网络终端的通信质量要求设定的专属EH中继节点Ri接收的信噪比阈值；θi是第i个专属EH中继节点的功率分配比；βi，j表示专属EH中继节点Ri协助无线传感器节点Sij通信的功率和自身发射功率的比值；β-i，-j表示专属EH中继节点Ri协助除Sij之外的无线传感器节点通信的功率和自身发射功率的比值；表示当专属EH中继节点采用DF策略时，针对第i个监测区域中的第j个无线传感器节点Sij所在的通信链路，专属EH中继节点Ri处的信噪比，Rij表示专属EH中继节点协助Sij通信的信息流；表示当专属EH中继节点采用DF策略时，针对第i个监测区域中的第j个无线传感器节点Sij所在的通信链路，Rij在聚合点C处的信噪比；表示当专属EH中继节点采用AF策略时，针对第i个监测区域中的第j个无线传感器Sij所在的通信链路在专属EH中继节点Ri处的信噪比；表示在使用AF策略时，针对第i个监测区域中的第j个无线传感器节点Sij所在的通信链路在聚合点C处的信噪比；j为正整数，M为每个监测区域包括的无线传感器节点数量。
7.根据权利要求6所述的一种基于MS-BAS算法的中继传输策略选择和功率分配方法，其特征在于：所述步骤二中的步骤2-6更新天牛个体的增量函数和速度，具体为：
基于公式更新天牛的增量函数，其中表示在k+1次迭代时，第s个天牛个体在第i个方向上的增量函数值，δk表示第k次迭代时天牛的步长，它由此时天牛针对矩阵Θ求解维度的步长分量和此时天牛针对矩阵Ψ求解维度的步长分量两部分组成；表示在k次迭代过程中，第s个天牛个体在第i个方向上的速度值，和分别表示在第k次迭代时，天牛个体左右须的适应度值；基于公式更新天牛个体的速度；其中，表示在第k+1次迭代时，第s个天牛个体在第i个方向上的速度分量值，w表示惯性变量，r1和r2表示学习率，可以根据算法收敛情况进行人工调节；c1表示步长迭代参数；c2表示须长和步长的比例参数；表示在k次迭代时，第s个天牛个体在第i个方向上的须长分量，和分别表示此时第s个天牛个体的局部最优值和全局最优值。
CN201910382447.2A 2019-05-08 2019-05-08 一种基于ms-bas算法的中继传输策略选择和功率分配方法 Active CN110167204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910382447.2A CN110167204B (zh) 2019-05-08 2019-05-08 一种基于ms-bas算法的中继传输策略选择和功率分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910382447.2A CN110167204B (zh) 2019-05-08 2019-05-08 一种基于ms-bas算法的中继传输策略选择和功率分配方法

Publications (2)

Publication Number Publication Date
CN110167204A true CN110167204A (zh) 2019-08-23
CN110167204B CN110167204B (zh) 2020-05-19

Family

ID=67633783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910382447.2A Active CN110167204B (zh) 2019-05-08 2019-05-08 一种基于ms-bas算法的中继传输策略选择和功率分配方法

Country Status (1)

Country Link
CN (1) CN110167204B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111917529A (zh) * 2020-07-15 2020-11-10 燕山大学 一种基于改进exp3算法的水声ofdm资源分配方法
CN112272380A (zh) * 2020-10-28 2021-01-26 中原工学院 面向复杂部署环境的在线工业无线传感器网络部署方法
CN113434982A (zh) * 2021-07-07 2021-09-24 合肥工业大学 一种电力智能仿生攀爬机器人的运动学逆解算法
CN113573168A (zh) * 2021-06-16 2021-10-29 燕山大学 一种工业产线无线携能网络资源分配方法
CN113766623A (zh) * 2021-07-23 2021-12-07 福州大学 基于改进人工蜂群的认知无线电功率分配方法
CN115028301A (zh) * 2022-05-31 2022-09-09 河北工程大学 一种智能净化游泳池水循环再利用系统及方法
CN117793663A (zh) * 2024-02-27 2024-03-29 长春理工大学 一种基于LoRa的农机作业信息远距离传输方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103338494A (zh) * 2013-07-04 2013-10-02 东南大学 一种基于能量收集的无线传感器网络异质分簇路由方法
CN103596251A (zh) * 2013-11-28 2014-02-19 中国科学技术大学 一种采用可再生能源供电及节能方式的中继通信系统
CN104270798A (zh) * 2014-09-23 2015-01-07 西安交通大学 一种适用于信能同传中继网络的分布式中继选择方法
CN104506284A (zh) * 2014-12-18 2015-04-08 西安交通大学 基于中继选择的swipt中继网络中arq协议的实现方法
CN104507144A (zh) * 2015-01-08 2015-04-08 重庆邮电大学 无线携能中继网络联合中继选择及资源分配方法
CN105744629A (zh) * 2016-04-02 2016-07-06 南京邮电大学 一种基于中继选择的能量采集中继系统时间优化分配方法
CN106900030A (zh) * 2017-02-27 2017-06-27 西安交通大学 中继ofdm网络中基于中继策略选择及资源分配安全传输方法
CN108040012A (zh) * 2017-12-05 2018-05-15 西南交通大学 基于天牛须搜索的sdn网络中多目标组播路由路径构建方法
CN109391977A (zh) * 2018-11-06 2019-02-26 太原科技大学 一种基于中继选择和能量收集的noma系统多用户性能分析方法
US10250316B2 (en) * 2016-04-22 2019-04-02 Research & Business Foundation Sungkyunkwan University Full-duplex relay communication method using energy harvesting, full-duplex relay communication system based on energy-harvesting, relay node device, and source node device
CN109673034A (zh) * 2018-12-28 2019-04-23 中国科学院上海微系统与信息技术研究所 一种基于天牛须搜索的无线传感网络分簇路由方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103338494A (zh) * 2013-07-04 2013-10-02 东南大学 一种基于能量收集的无线传感器网络异质分簇路由方法
CN103596251A (zh) * 2013-11-28 2014-02-19 中国科学技术大学 一种采用可再生能源供电及节能方式的中继通信系统
CN104270798A (zh) * 2014-09-23 2015-01-07 西安交通大学 一种适用于信能同传中继网络的分布式中继选择方法
CN104506284A (zh) * 2014-12-18 2015-04-08 西安交通大学 基于中继选择的swipt中继网络中arq协议的实现方法
CN104507144A (zh) * 2015-01-08 2015-04-08 重庆邮电大学 无线携能中继网络联合中继选择及资源分配方法
CN105744629A (zh) * 2016-04-02 2016-07-06 南京邮电大学 一种基于中继选择的能量采集中继系统时间优化分配方法
US10250316B2 (en) * 2016-04-22 2019-04-02 Research & Business Foundation Sungkyunkwan University Full-duplex relay communication method using energy harvesting, full-duplex relay communication system based on energy-harvesting, relay node device, and source node device
CN106900030A (zh) * 2017-02-27 2017-06-27 西安交通大学 中继ofdm网络中基于中继策略选择及资源分配安全传输方法
CN108040012A (zh) * 2017-12-05 2018-05-15 西南交通大学 基于天牛须搜索的sdn网络中多目标组播路由路径构建方法
CN109391977A (zh) * 2018-11-06 2019-02-26 太原科技大学 一种基于中继选择和能量收集的noma系统多用户性能分析方法
CN109673034A (zh) * 2018-12-28 2019-04-23 中国科学院上海微系统与信息技术研究所 一种基于天牛须搜索的无线传感网络分簇路由方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KAI MA 等: "Resource allocation for smart grid communication based on a multi-swarm", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》 *
SHAOYI XU等: "Energy Harvesting Based Relay Selection in Cooperative Wireless Networks", 《2016 IEEE 83RD VEHICULAR TECHNOLOGY CONFERENCE(VTC SPRING)》 *
杨炯: "基于能量收集中继网络的优化功率控制及多用户能量协作", 《万方数据库》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111917529B (zh) * 2020-07-15 2021-06-15 燕山大学 一种基于改进exp3算法的水声ofdm资源分配方法
CN111917529A (zh) * 2020-07-15 2020-11-10 燕山大学 一种基于改进exp3算法的水声ofdm资源分配方法
CN112272380B (zh) * 2020-10-28 2022-09-20 中原工学院 面向复杂部署环境的在线工业无线传感器网络部署方法
CN112272380A (zh) * 2020-10-28 2021-01-26 中原工学院 面向复杂部署环境的在线工业无线传感器网络部署方法
CN113573168A (zh) * 2021-06-16 2021-10-29 燕山大学 一种工业产线无线携能网络资源分配方法
CN113573168B (zh) * 2021-06-16 2022-10-28 燕山大学 一种工业产线无线携能网络资源分配方法
CN113434982A (zh) * 2021-07-07 2021-09-24 合肥工业大学 一种电力智能仿生攀爬机器人的运动学逆解算法
CN113434982B (zh) * 2021-07-07 2022-09-27 合肥工业大学 一种电力智能仿生攀爬机器人的运动学逆解方法
CN113766623A (zh) * 2021-07-23 2021-12-07 福州大学 基于改进人工蜂群的认知无线电功率分配方法
CN115028301A (zh) * 2022-05-31 2022-09-09 河北工程大学 一种智能净化游泳池水循环再利用系统及方法
CN115028301B (zh) * 2022-05-31 2024-04-26 河北工程大学 一种智能净化游泳池水循环再利用系统及方法
CN117793663A (zh) * 2024-02-27 2024-03-29 长春理工大学 一种基于LoRa的农机作业信息远距离传输方法
CN117793663B (zh) * 2024-02-27 2024-05-14 长春理工大学 一种基于LoRa的农机作业信息远距离传输方法

Also Published As

Publication number Publication date
CN110167204B (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN110167204B (zh) 一种基于ms-bas算法的中继传输策略选择和功率分配方法
Fanian et al. Memetic fuzzy clustering protocol for wireless sensor networks: Shuffled frog leaping algorithm
CN112469100B (zh) 基于可充电多基站式无线异构传感器网络的分层路由算法
CN108712767B (zh) 一种无线传感器网络中能耗均衡的簇间多跳路由控制方法
CN109673034B (zh) 一种基于天牛须搜索的无线传感网络分簇路由方法
CN108923898B (zh) 硬件损伤下无线能量传输的大规模mimo系统能效优化方法
Zhou et al. Computation bits maximization in UAV-assisted MEC networks with fairness constraint
CN109195207B (zh) 一种基于深度强化学习的集能型无线中继网络吞吐量最大化方法
CN105744629A (zh) 一种基于中继选择的能量采集中继系统时间优化分配方法
CN111491358A (zh) 基于能量采集的自适应调制和功率控制系统与优化方法
CN113255218A (zh) 无线自供电通信网络的无人机自主导航及资源调度方法
CN108990141B (zh) 一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法
CN109089307B (zh) 一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法
CN109104734B (zh) 一种集能型无线中继网络吞吐量最大化方法
US20240089863A1 (en) Systems and methods for deep reinforcement learning for optimal power control in wireless networks
CN107277887A (zh) 一种可充电传感网络多中继节点选择方法
Jiang et al. Joint link scheduling and routing in two-tier rf-energy-harvesting iot networks
Gad et al. Communication-efficient federated learning in drone-assisted IoT networks: Path planning and enhanced knowledge distillation techniques
CN114501576A (zh) 一种基于强化学习的sdwsn最优路径计算方法
Li et al. Energy aware opportunistic routing for energy harvesting wireless sensor networks
CN115278905B (zh) 一种用于无人机网络传输的多节点通信时机确定方法
CN111160513A (zh) 一种物联网电力宽带载波节能算法
Du et al. Optimal energy beamforming and data routing for immortal wireless sensor networks
Jin et al. Age of information minimization in wireless powered NOMA communication networks
Yu et al. Data collection in radio frequency (RF) charging Internet of Things networks

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