CN110234120A - 一种受限环境下无线传感器网络节点的优化部署方法 - Google Patents
一种受限环境下无线传感器网络节点的优化部署方法 Download PDFInfo
- Publication number
- CN110234120A CN110234120A CN201810183216.4A CN201810183216A CN110234120A CN 110234120 A CN110234120 A CN 110234120A CN 201810183216 A CN201810183216 A CN 201810183216A CN 110234120 A CN110234120 A CN 110234120A
- Authority
- CN
- China
- Prior art keywords
- drosophila
- algorithm
- network node
- wireless sensor
- 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.)
- Pending
Links
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
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及网络节点部署方法,具体涉及一种受限环境下无线传感器网络节点的优化部署方法,初始化,确定果蝇种群的初始规模,果蝇算法的算法参数,并对果蝇种群的初始位置进行初始化;嗅觉随机搜索,令初始迭代次数,设定迭代过程中果蝇个体在嗅觉觅食阶段的随机飞行方向和搜索步进值(距离);初步计算,通过计算个体距离坐标原点的距离进而求得味道浓度的判定值;根据味道浓度的判定值,将其代入味道浓度判断函数(在其他算法中称为适应度函数),计算当前每个果蝇个体的气味浓度值;再寻找最优个体,并进行视觉定位和迭代寻优;本发明所提供的技术方案能够有效克服算法过于复杂、收敛精度较低、收敛速度较慢、网络节点能耗较高等缺陷。
Description
技术领域
本发明涉及网络节点部署方法,具体涉及一种受限环境下无线传感器网络节点的优化部署方法。
背景技术
无线传感器网络作为21世纪最具有影响力的高端技术之一,是多种科学技术的融合,因此被广泛应用。很多国家的专家和学者也非常关注这一新技术,无线传感器网络将在人们以后的日常生活中带来很多方便,同时也会提供一个安全、舒适的生活环境。
构建网络的时候,一般是将大量节点进行随机布撒于目标环境中,随后节点靠自组织和多跳的形式组网,以能够获得监测区域中的相关信息。由于无线传感器网络能够自组织构建网络,因此,无线传感器网络可以应用于人无法到达或者无法长时间坚持地恶劣环境。由于无线传感器网络节点的随机性和高密度性,传感器节点部署是基础和关键性问题之一。在无线传感器网络的实际应用中,为了能够收集到被监测区域任何一小块区域的信息,应将传感器节点进行合理部署。节点部署是WSN在实际应用之中的关键。然而,传感器节点的能量是由电池供应,传感器节点合理的部署能够优化空间资源,以最少的传感器覆盖目标区域的各个点,进一步可以降低用户成本和网络功耗,延长网络的使用时间,而且能够更好地完成信息的采集、处理和传输的任务。
优化技术是一种以数学为基础,用于求解各种工程问题优化解的应用技术。作为一个重要的科学分支,它一直受到人们的广泛重视,并在诸多工程领域得到迅速推广和应用,如系统控制、人工智能、模式识别、生产调度、VLSI技术和计算机工程等。鉴于实际工程问题的复杂性、约束性、非线性、多极小、建模困难等特点,寻求一种适合于大规模并行且具有智能特征的算法已成为有关学科的一个主要研究目标和引人注目的研究方向。20世纪80年代以来,一些新颖的优化算法,如人工神经网络、混沌、遗传算法、进化规划、模拟退火、禁忌搜索及其混合优化策略等,通过模拟或揭示某些自然现象或过程而得到发展,其思想和内容涉及数学、物理学、生物进化、人工智能、神经科学和统计力学等方面,为解决复杂问题提供了新的思路和手段。这些算法独特的优点和机制,引起了国内外学者的广泛重视并掀起了该领域的研究热潮,且在诸多领域得到了成功应用。在优化领域,由于这些算法构造的直观性与自然机理,因而通常被称作智能优化算法或现代启发式算法。
目前经典的节点部署方法有三种,粒子群优化算法(PSO):是一种群体智能算法,由Eberhart博士和kennedy博士发明,起源对简单社会系统的模拟,最初设想是模拟鸟群觅食的过程,但后来发现PSO是一种很好的优化工具。PSO算法同遗传算法类似,是一种基于迭代的优化工具,系统初始化为一组随机解,通过迭代搜寻最优值。但是PSO算法没有遗传算法用的交叉以及变异,而是粒子在解空间追随最优的粒子进行搜索。
遗传算法:遗传算法(Genetic Algorithm,GA)是基于自然进化论和遗传理论的搜索和优化算法。GA在解决组合和多目标优化问题方面很有效,但对确定优化问题并不适应。
增量式部署:增量式节点部署是利用由先前部署的节点聚集的信息来确定新加入节点的理想位置,一次部署一个节点。该算法的目的是最大限度地提高网络总的覆盖,即通过网络可以“看到”的总面积。同时,该算法必须确保满足能见度约束条件,即每个节点必须对于其它至少一个节点是可见的。
但是上述方法均无法解决在受限环境下无线传感器网络节点的部署问题,所谓受限环境指的是山地、丘陵等会对无线传感器的信号传输造成影响的环境。因此,目前还没有一种针对受限环境下无线传感器网络节点进行优化的部署方法。
果蝇的感官异常敏锐,特别是嗅觉和视觉,它的嗅觉器官通过搜集空气中的不同味道,能够嗅到四十千米之外的食物源所散发出的味道,果蝇首先利用其强大的嗅觉迅速定位出食物的大概方位,并向该食物源快速飞近;其次在靠近食物一定距离时,利用其敏锐的视觉找到同伴和食物的确切位置,飞向该位置。根据以上果蝇觅食过程的详细描述,并对其进行模拟,得到果蝇优化算法的基本原理:(1)嗅觉搜索阶段:利用嗅觉充分感知空气中的各种气味,判断食物的大约位置,并向食物靠近;(2)视觉定位阶段:在靠近食物后在视觉可行的距离内,准确判断食物的确切位置,飞向食物。
果蝇算法是由我国台湾学者潘文超在仔细观察果蝇的觅食行为中得到启发,并于2011年提出的一种新的群智能优化算法。果蝇算法至今还未能有效解决组合优化问题,将该算法成功用于求解置换流水线调度解决了该算法发展的瓶颈问题,也有助于将该算法进一步推广到更多的应用领域。鉴于以上智能算法解决各领域问题的成功实现,本申请将一种最近新提出的群智能算法—果蝇算法用于解决无线传感器网络节点优化部署问题。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种受限环境下无线传感器网络节点的优化部署方法,能够有效克服现有技术所存在的算法过于复杂、收敛精度较低、收敛速度较慢、网络节点能耗较高等缺陷。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种受限环境下无线传感器网络节点的优化部署方法,包括以下步骤:
步骤1:初始化,确定果蝇种群的初始规模,果蝇算法的算法参数,并对果蝇种群的初始位置进行初始化;
步骤2:嗅觉随机搜索,令初始迭代次数,设定迭代过程中果蝇个体在嗅觉觅食阶段的随机飞行方向和搜索步进值(距离);
步骤3:初步计算,因为无法知晓食物源的具体方位,所以只能通过计算个体距离坐标原点的距离进而求得味道浓度的判定值;
步骤4:根据味道浓度的判定值,将其代入味道浓度判断函数(在其他算法中称为适应度函数),计算当前每个果蝇个体的气味浓度值;
步骤5:根据气味浓度值,找出当前果蝇种群中气味浓度值最高(或者最低)的果蝇个体(又称最优个体);
步骤6:视觉定位,记录并保留最佳味道浓度值和此时最优果蝇个体坐标,与此同时,整个果蝇种群利用敏锐的视觉飞往最优个体位置;
步骤7:迭代寻优,首先判断是否达到终止条件,当未达到终止条件时重复步骤2至步骤5,并判断此时的最佳味道浓度值是否优于前一次迭代的最佳味道浓度值,直到达到终止条件时,结束算法。
优选地,所述果蝇算法的算法参数包括最大迭代次数。
优选地,所述飞行方向为随机数,所述搜索步进值为随机数值。
优选地,若此时所述最佳味道浓度值优于前一次迭代的最佳味道浓度值,则执行步骤6。
优选地,若此时所述最佳味道浓度值不优于前一次迭代的最佳味道浓度值,则继续重复步骤2至步骤5。
优选地,所述终止条件为达到最大迭代次数。
(三)有益效果
与现有技术相比,本发明所提供的一种受限环境下无线传感器网络节点的优化部署方法中每次迭代时,所有果蝇均聚集到当前最优位置进行寻优,相对于其他智能算法,各个因子从当前位置移动向最优位置寻优,具有更好的收敛速度;对于智能算法的“早熟”问题,每次迭代时,对当前的最优位置进行混沌扰动,及时跳出“早熟收敛”,进行全局寻优,显然果蝇算法具有更高的收敛速度和收敛精度,并且算法较为简单;同时通过果蝇算法可以在节点个数相同的情况下减少覆盖漏洞,提高覆盖率,并均衡节点能耗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1 为本发明流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种受限环境下无线传感器网络节点的优化部署方法,包括以下步骤:
步骤1:初始化,确定果蝇种群的初始规模,果蝇算法的算法参数,并对果蝇种群的初始位置进行初始化;
步骤2:嗅觉随机搜索,令初始迭代次数,设定迭代过程中果蝇个体在嗅觉觅食阶段的随机飞行方向和搜索步进值(距离);
步骤3:初步计算,因为无法知晓食物源的具体方位,所以只能通过计算个体距离坐标原点的距离进而求得味道浓度的判定值;
步骤4:根据味道浓度的判定值,将其代入味道浓度判断函数(在其他算法中称为适应度函数),计算当前每个果蝇个体的气味浓度值;
步骤5:根据气味浓度值,找出当前果蝇种群中气味浓度值最高(或者最低)的果蝇个体(又称最优个体);
步骤6:视觉定位,记录并保留最佳味道浓度值和此时最优果蝇个体坐标,与此同时,整个果蝇种群利用敏锐的视觉飞往最优个体位置;
步骤7:迭代寻优,首先判断是否达到终止条件,当未达到终止条件时重复步骤2至步骤5,并判断此时的最佳味道浓度值是否优于前一次迭代的最佳味道浓度值,直到达到终止条件时,结束算法。
果蝇算法的算法参数包括最大迭代次数。
飞行方向为随机数,搜索步进值为随机数值。
若此时最佳味道浓度值优于前一次迭代的最佳味道浓度值,则执行步骤6。
若此时最佳味道浓度值不优于前一次迭代的最佳味道浓度值,则继续重复步骤2至步骤5。
终止条件为达到最大迭代次数。
假定在边长为50m的正方形监测区域中放置25个同一性能的传感器网络节点,节点监测半径r=5m。根据分析,选取2500个粒子,使实验结果具有较小的偏差性。为了分析果蝇算法的参数选择,从不同果蝇种群,不同初始覆盖率以及不同迭代步长三个方面进行仿真研究,挑选出合适的参数应用于果蝇算法。所有算法均在MATLAB上进行仿真模拟。
针对运动传感器节点的网络覆盖,可以根据上述方法设计一种可变步长的果蝇算法:在果蝇种群初始运行时选取一个较大的步长,随着运行时间的推移,逐步减少果蝇扩散寻优步长,通过这种方式来使果蝇种群在算法初期能够快速跳出局部极值,在算法后期能够拥有更好的收敛精度。
此外,以果蝇算法为基础的这种无线传感器网络节点的优化部署方法能够有效解决受限环境下的无线传感器网络节点部署问题,在山地、丘陵等受限环境下也能够对无线传感器网络节点进行较好地部署,有效扩大了使用范围。
本发明所提供的一种受限环境下无线传感器网络节点的优化部署方法中每次迭代时,所有果蝇均聚集到当前最优位置进行寻优,相对于其他智能算法,各个因子从当前位置移动向最优位置寻优,具有更好的收敛速度;对于智能算法的“早熟”问题,每次迭代时,对当前的最优位置进行混沌扰动,及时跳出“早熟收敛”,进行全局寻优,显然果蝇算法具有更高的收敛速度和收敛精度,并且算法较为简单;同时通过果蝇算法可以在节点个数相同的情况下减少覆盖漏洞,提高覆盖率,并均衡节点能耗。
以上实施例仅用以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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种受限环境下无线传感器网络节点的优化部署方法,其特征在于:包括以下步骤:
步骤1:初始化,确定果蝇种群的初始规模,果蝇算法的算法参数,并对果蝇种群的初始位置进行初始化;
步骤2:嗅觉随机搜索,令初始迭代次数,设定迭代过程中果蝇个体在嗅觉觅食阶段的随机飞行方向和搜索步进值(距离);
步骤3:初步计算,因为无法知晓食物源的具体方位,所以只能通过计算个体距离坐标原点的距离进而求得味道浓度的判定值;
步骤4:根据味道浓度的判定值,将其代入味道浓度判断函数(在其他算法中称为适应度函数),计算当前每个果蝇个体的气味浓度值;
步骤5:根据气味浓度值,找出当前果蝇种群中气味浓度值最高(或者最低)的果蝇个体(又称最优个体);
步骤6:视觉定位,记录并保留最佳味道浓度值和此时最优果蝇个体坐标,与此同时,整个果蝇种群利用敏锐的视觉飞往最优个体位置;
步骤7:迭代寻优,首先判断是否达到终止条件,当未达到终止条件时重复步骤2至步骤5,并判断此时的最佳味道浓度值是否优于前一次迭代的最佳味道浓度值,直到达到终止条件时,结束算法。
2.根据权利要求1所述的受限环境下无线传感器网络节点的优化部署方法,其特征在于:所述果蝇算法的算法参数包括最大迭代次数。
3.根据权利要求1所述的受限环境下无线传感器网络节点的优化部署方法,其特征在于:所述飞行方向为随机数,所述搜索步进值为随机数值。
4.根据权利要求1所述的受限环境下无线传感器网络节点的优化部署方法,其特征在于:若此时所述最佳味道浓度值优于前一次迭代的最佳味道浓度值,则执行步骤6。
5.根据权利要求1所述的受限环境下无线传感器网络节点的优化部署方法,其特征在于:若此时所述最佳味道浓度值不优于前一次迭代的最佳味道浓度值,则继续重复步骤2至步骤5。
6.根据权利要求1所述的受限环境下无线传感器网络节点的优化部署方法,其特征在于:所述终止条件为达到最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810183216.4A CN110234120A (zh) | 2018-03-06 | 2018-03-06 | 一种受限环境下无线传感器网络节点的优化部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810183216.4A CN110234120A (zh) | 2018-03-06 | 2018-03-06 | 一种受限环境下无线传感器网络节点的优化部署方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110234120A true CN110234120A (zh) | 2019-09-13 |
Family
ID=67862151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810183216.4A Pending CN110234120A (zh) | 2018-03-06 | 2018-03-06 | 一种受限环境下无线传感器网络节点的优化部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110234120A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111812210A (zh) * | 2020-07-08 | 2020-10-23 | 丁刚 | 一种三维编织复合材料损伤源定位方法及装置 |
CN111818535A (zh) * | 2020-06-05 | 2020-10-23 | 温州大学 | 一种融合多种群优化算法的无线局域网三维优化部署方法 |
CN112188387A (zh) * | 2020-08-24 | 2021-01-05 | 西安交通大学 | 一种基于边界盒模型的BFOA-Fang高精度定位方法 |
CN115955648A (zh) * | 2022-10-18 | 2023-04-11 | 兰州理工大学 | 一种基于多通信半径和FOA-c的节点定位算法 |
Citations (4)
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 |
WO2012078022A1 (en) * | 2010-12-09 | 2012-06-14 | Universiti Sains Malaysia | System of autonomous surface vehicles with swarming algorithm |
CN106951956A (zh) * | 2017-03-14 | 2017-07-14 | 中国矿业大学 | 一种基于果蝇优化算法的多机器人气味源定位方法 |
CN107094112A (zh) * | 2017-03-31 | 2017-08-25 | 西南交通大学 | 基于果蝇优化算法的带宽约束组播路由优化方法 |
-
2018
- 2018-03-06 CN CN201810183216.4A patent/CN110234120A/zh active Pending
Patent Citations (4)
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 |
WO2012078022A1 (en) * | 2010-12-09 | 2012-06-14 | Universiti Sains Malaysia | System of autonomous surface vehicles with swarming algorithm |
CN106951956A (zh) * | 2017-03-14 | 2017-07-14 | 中国矿业大学 | 一种基于果蝇优化算法的多机器人气味源定位方法 |
CN107094112A (zh) * | 2017-03-31 | 2017-08-25 | 西南交通大学 | 基于果蝇优化算法的带宽约束组播路由优化方法 |
Non-Patent Citations (4)
Title |
---|
吴良超等: ""基于改进果蝇算法的无线传感网络布局研究"", 《微电子学与计算机》 * |
尹向兵等: ""基于周期果蝇算法的无线传感网覆盖优化"", 《赤峰学院学报(自然科学版)》 * |
徐跃州等: ""基于混沌果蝇算法的WSN优化布局"", 《计算机工程与设计》 * |
霍慧慧等: ""改进的离散果蝇优化算法在WSNs覆盖中的应用"", 《传感器与微系统》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111818535A (zh) * | 2020-06-05 | 2020-10-23 | 温州大学 | 一种融合多种群优化算法的无线局域网三维优化部署方法 |
CN111818535B (zh) * | 2020-06-05 | 2023-04-18 | 温州大学 | 一种融合多种群优化算法的无线局域网三维优化部署方法 |
CN111812210A (zh) * | 2020-07-08 | 2020-10-23 | 丁刚 | 一种三维编织复合材料损伤源定位方法及装置 |
CN112188387A (zh) * | 2020-08-24 | 2021-01-05 | 西安交通大学 | 一种基于边界盒模型的BFOA-Fang高精度定位方法 |
CN115955648A (zh) * | 2022-10-18 | 2023-04-11 | 兰州理工大学 | 一种基于多通信半径和FOA-c的节点定位算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110234120A (zh) | 一种受限环境下无线传感器网络节点的优化部署方法 | |
Sun et al. | A hybrid co-evolutionary cultural algorithm based on particle swarm optimization for solving global optimization problems | |
Li et al. | Particle swarm optimization: an introduction and its recent developments | |
CN109496305A (zh) | 连续动作空间上的纳什均衡策略及社交网络舆论演变模型 | |
Liu et al. | Discovery of transition rules for geographical cellular automata by using ant colony optimization | |
Zelinka et al. | Do evolutionary algorithm dynamics create complex network structures? | |
CN104899431B (zh) | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 | |
Cho et al. | Replay-based strategy prediction and build order adaptation for StarCraft AI bots | |
CN103747537B (zh) | 一种基于熵度量的无线传感器网络离群数据自适应检测方法 | |
CN104008417A (zh) | 建立高层建筑人员疏散生物荧光粒子群优化算法模型方法 | |
CN113919485A (zh) | 基于动态层级通信网络的多智能体强化学习方法及系统 | |
Cioffi-Revilla et al. | Comparative analysis of agent-based social simulations: GeoSim and FEARLUS models | |
Dash et al. | Exact model averaging with naive Bayesian classifiers | |
Pan et al. | Multi-group flower pollination algorithm based on novel communication strategies | |
Pan et al. | Tumbleweed optimization algorithm and its application in vehicle path planning in smart city | |
CN110162807A (zh) | 基于改进蚁群优化bp神经网络弹药贮存可靠性评估方法 | |
Tavares et al. | Algorithms or Actions? A Study in Large-Scale Reinforcement Learning. | |
Chen et al. | Probabilistic causal inference for coordinated movement of pigeon flocks | |
Wilkinson et al. | An Object-oriented Spatial and Temporal Bayesian Network for Managing Willows in an American Heritage River Catchment. | |
Wang et al. | Wind weather prediction based on multi-output least squares support vector regression optimised by bat algorithm | |
Huo et al. | An improved artificial bee colony algorithm for numerical functions | |
CN106156366A (zh) | 一种基于聚类的牵制控制节点选择方法 | |
Bradhurst et al. | Modelling the spread of livestock disease on a national scale: the case for a hybrid approach | |
Heck et al. | The design and role of synthetic creative traits in artificial ant colonies | |
Khosla et al. | Identification of type-2 fuzzy models for time-series forecasting using particle swarm optimization |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190913 |