CN110944342B

CN110944342B - 无线传感器网络部署优化方法、装置、系统及存储介质

Info

Publication number: CN110944342B
Application number: CN201911018983.0A
Authority: CN
Inventors: 王振东
Original assignee: Jiangxi University of Science and Technology
Current assignee: Jiangxi University of Science and Technology
Priority date: 2019-10-24
Filing date: 2019-10-24
Publication date: 2023-03-10
Anticipated expiration: 2039-10-24
Also published as: CN110944342A

Abstract

本发明实施例公开了无线传感器网络部署优化方法、装置、系统及存储介质，使用Tent映射初始化种群，丰富了种群多样性，当迭代后期种群多样性较低时，Tent映射可产生映射序列，替换原有种群中个体的部分变量，故可维持种群的多样性；设计的非线性收敛因子，约束原有算法的缩放因子，使步长呈非线性变化，促进了算法的全局搜索，从而提升了算法的收敛能力；通过交叉、替换方式分别从邻居个体和较优个体得到部分变量的贪心交叉策略，具有以较优个体辅助交叉个体寻优的作用，提高了解的精度。

Description

无线传感器网络部署优化方法、装置、系统及存储介质

技术领域

本发明实施例涉及无线传感器网络部署技术领域，具体涉及无线传感器网络部署优化方法、装置、系统及存储介质。

背景技术

随着5G和物联网的发展，无线传感器网络在医疗健康、环境监测和工业领域有着广泛的应用[1-3]，近些年，研究者在无线传感器网络(Wireless Sensor Networks,WSNs)中的路由协议、定位和覆盖方面研究成果丰硕，其中覆盖优化是WSN的一个最基本问题。随着群智能算法在优化问题上的广泛应用，近些年的研究大多是以智能优化算法实现节点的动态部署。文献[CHEN Cong.A coverage algorithm for WSN based on the improvedPSO[C]//2015 International Conference on Intelligent Transportation,Big Dataand Smart City.IEEE,2015:12-15]提出了一种根据当前搜索状态自适应搜索的粒子群优化(Particle Swarm Optimization，PSO)算法，利用改进的PSO优化传感器网络部署，提高了网络的自适应能力，但算法本身仍存在陷入局部最优的不足。文献[DENG Xiao-hua,YUZhi-yong,TANG Rong-xin,et al.An Optimized Node Deployment Solution Based on aVirtual Spring Force Algorithm for Wireless Sensor Network Applications[J].Sensors,2019,19(8):1817]是利用改进的虚拟弹簧力算法(Virtual Spring ForceAlgorithm)部署正六边形网络拓扑，有效的减少了传感器网络中漏洞的面积，该方案只讨论了理想条件下的部署策略，复杂环境并未考虑。文献[HU Xiao-ping，CAO Jing.ImprovedGrey Wolf Optimization Algorithm for WSN Node Deployment[J].Chinese Journalof Sensors and Actuators,2018,v.31(05):101-106]提出一种基于改进灰狼优化(GreyWolf Optimizer)算法的覆盖优化策略，但没有考虑实际部署中存在障碍物的情况。文献[QIN Nin-gning,XU Jian.An Adaptive Fish Swarm-Based Mobile Coverage in WSNs[J].Wireless Communications and Mobile Computing,2018,2018]以覆盖率为目标，用改进的鱼群算法(Fish Swarm Optimization)优化传感器节点的部署，显著的提高了网络覆盖面积，但只是针对同构传感器，并未考虑异构传感器和复杂情况下的监测环境。

花朵授粉算法(Flower Pollination Algorithm，FPA)是英国学者Yang近些年根据花朵授粉的方式提出的一种启发式搜索算法：文献[YANG Xin-she.Flower pollinationalgorithm for global optimization[C]//International conference onunconventional computing and natural computation.Springer,Berlin,Heidelberg,2012:240-249]。该算法具有较好的寻优能力和收敛性能。文献[XU Wen-hao,JI Zhi-cheng,WANG Yan.A flower pollination algorithm for flexible job shopscheduling with fuzzy processing time[J].Modern Physics Letters B,2018,32(34n36):1840113]将离散操作加入到FPA中，并把它应用到解决柔性作业车间调度的问题上，仿真实验证明了算法具有较好的搜索优化效果，但算法的收敛速度较慢。文献[Abdel-Raouf O,El-Henawy I,Abdel-Baset M.A novel hybrid flower pollination algorithmwith chaotic harmony search for solving sudoku puzzles[J].InternationalJournal of Modern Education and Computer Science,2014,6(3):38]提出了一种基于混沌搜索的改进花朵授粉算法，提高了算法跳出局部最优的能力，且提高了解的精度。并将其应用到数独问题求解时，算法提供了更好、更清晰的解决方案，但算法的收敛性能并没有显著提高。

发明内容

为此，本发明实施例提供无线传感器网络部署优化方法、装置、系统及存储介质，以解决现有技术中由于现有算法中种群不够丰富、收敛速度慢、解的精度低的问题。

为了实现上述目的，本发明实施例提供如下技术方案：

根据本发明实施例的第一方面，无线传感器网络部署优化方法，包括以下步骤

使用混沌映射方法初始化无线传感器网络节点的种群；

使用花朵授粉算法计算当前区域内最优无线传感器网络节点，所述花朵授粉算法中预设有用于约束缩放因子的收敛因子；

当所述区域内最优无线传感器网络节点位置更新时，使用贪心交叉策略判断是否需要更新当前区域内最优无线传感器网络节点。

进一步地：所述收敛因子包含最大迭代次数T和当前迭代次数t，所述收敛因子a的算法具体为

进一步地，所述混沌映射方法具体为Tent混沌映射方法，所述Tent混沌映射方法包含循环计算次数t和循环计算次数t时得到的值xt，所述循环计算次数为t+1次时得到的值xt+1的算法具体为

进一步地，预设有无线传感器网络节点的镜像种群，当连续两代无线传感器网络节点种群的平均适应值之差小于预设值θ时，则使用Tent混沌映射方法计算镜像种群。

根据本发明实施例的第二方面，基于改进花朵授粉算法的无线传感器网络部署方法，包括以下步骤：

设置传感器的组数N，一组传感器节点的数目D和监测区域的范围；

初始化N组传感器节点的位置和半径，选择其中一组设置为初始化方案I1；

计算每组部署方案的覆盖率，获取最优解，所述最优解为最大覆盖率对应下的节点部署方案；

优化传感器节点的部署，得到覆盖率最大的一组传感器节点部署方案I2；

判断网络是否连通，当判定结果为否时，选择次优的一组部署方案，直至其中一组方案网络连通，选择所述网络连通的方案；

使用LAPJV算法计算I1与I2之间的最优指派方案，将I1中的节点移动到I2中对应的位置；

使用Kruskal算法生成最小生成树；

所述优化传感器节点的部署的方法具体包括以下步骤

使用混沌映射方法初始化无线传感器网络节点的种群；

进一步地，计算每组部署方案的覆盖率的算法具体覆盖率

进一步地，判断网络是否连通具体为：

计算矩阵向量S_v＝M_v+M_v ²+M_v ^3…+M_v ^n-1，M_V为邻接矩阵向量当矩阵向量，当S_V中存在元素为0时，判定为网络不连通，否则判定为连通。

根据本发明实施例的第三方面，无线传感器网络部署优化装置，包括：

种群初始化模块：用于使用混沌映射方法初始化无线传感器网络节点的种群；

节点计算模块：用于使用花朵授粉算法计算当前区域内最优无线传感器网络节点，所述花朵授粉算法中预设有用于约束缩放因子的收敛因子；

节点更新模块：用于当所述区域内最优无线传感器网络节点位置更新时，使用贪心交叉策略判断是否需要更新当前区域内最优无线传感器网络节点。

根据本发明实施例的第四方面，无线传感器网络部署优化的电子设备，包括：

存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如无线传感器网络部署优化方法、装置、系统及存储介质中任一所述的方法。

根据本发明实施例的第五方面，无线传感器网络部署优化的可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如无线传感器网络部署优化方法、装置、系统及存储介质中任一所述方法的步骤。

本发明实施例具有如下优点：使用Tent映射初始化种群，丰富了种群多样性，当迭代后期种群多样性较低时，Tent映射可产生映射序列，替换原有种群中个体的部分变量，故可维持种群的多样性；设计的非线性收敛因子，约束原有算法的缩放因子，使步长呈非线性变化，促进了算法的全局搜索，从而提升了算法的收敛能力；通过交叉、替换方式分别从邻居个体和较优个体得到部分变量的贪心交叉策略，具有以较优个体辅助交叉个体寻优的作用，提高了解的精度。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明实施例1提供的无线传感器网络部署优化方法的流程图；

图2为本发明实施例1提供的无线传感器网络部署优化方法的节点最优指派移动方案的示意图；

图3为本发明实施例1提供的无线传感器网络部署优化方法的a收敛因子示意图；

图4为本发明实施例1提供的无线传感器网络部署优化方法的Tent映射示意图；

图5为本发明实施例1提供的无线传感器网络部署优化方法的交叉示意图；

图6为本发明实施例2提供的基于改进花朵授粉算法的无线传感器网络部署优化装置的系统框图；

图7为本发明实施例3提供的无线传感器网络部署优化的电子设备的示意图。

图中：401、种群初始化模块；402、节点计算模块；403、节点更新模块；501、处理器；502、储存器。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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做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。

本发明实施例1提供一种无线传感器网络部署优化方法、装置、系统及存储介质，在介绍本发明实施例提供的一种无线传感器网络部署优化方法、装置、系统及存储介质之前，首先介绍一下模型和覆盖优化问题和标准花朵授粉算法。

模型和覆盖优化问题分别对异构节点、覆盖率、最优指派、网络连通和单目标部署优化五部分进行描述，异构节点描述：在WSN中，感知半径及通信半径分别为rp和Rc。为保证无线传感器网络的连通性，节点的通信半径设置为大于或者等于节点感知半径的2倍。本文假设存在不同的感知半径及通信半径的多批传感器节点，不同批次的异构节点规格集合为Type＝{type1,type2,type3…typen}，对应的感知半径集合

对应的通信半径集合

对应的节点数目集合N＝{N1,N2,N3…Nn}。

覆盖率描述：在WSN中，假设一组无线传感器节点的集合S＝{s1,s2,s3,…,sn}，监测节点的集合M＝{m1,m2,m3,…,mn}，(xi,yi)与(xj,yj)分别对应集合中si、mj的二维空间坐标。

则两节点之间的欧氏距离为：

监测点mj被节点si感知的概率为：

所有传感器节点对点mj的联合感知概率为：

式中Sall为监测范围内的全部传感器节点。假设形状为矩形的监测区域面积为L·Wm2，为便于计算，将该矩形划分为L·W个面积相等的网格，监测节点m位于网格的中心点位置。通过上式(3)计算出所有监测点的联合感知概率，累加之和与小网格面积之积为覆盖面积。覆盖率Cr可表示如下：

最优指派描述：当群智能算法对传感器节点部署优化完成后，需要把随机抛洒部署的传感器节点移动到最终部署的位置，同时满足所有节点移动的距离之和须最小，故我们采用最优指派算法规划移动方案。

如图2所示，矩形为监测区域，其中节点A、B为同一种类型，C为另一种类型，下标为i的节点表示初始化部署位置，下标为e的表示最终优化部署后的位置。指派时传感器的类型须对应，可知最优指派为(Ai,Be)、(Bi,Ae)、(Ci，Ce)，此时移动的总距离最小，且前后类型对应。本文采用文献[Jonker R,Volgenant A.A shortest augmenting path algorithmfor dense and sparse linear assignment problems[J].Computing,1987,38(4):325-340]当中的LAPJV指派算法规划移动方案。

网络连通描述：网络连通为WSN的最基本要求，在上述异构节点模型已提到，S、r和R分别对应节点集合、感知半径集合与通信半径集合。为便于计算，假设2r^p＝R^c。建立有向图邻接矩阵向量Mv，其用于存储任意两节点的连通情况，再根据式7判断是否连通，Mv[i][j]＝1表示第i个节点可向第j个节点传送信息(即单向连通)，当其值为0表示不连通。最后根据文献[JIA Jin-zhang,LIU Jian,SONG Shou-sen.Judgement criterion of graphconnectivity based on adjacent matrix[J].Journal of Liaoning TechnicalUniversity,2003,22(2):158-160]的矩阵幂算法判断整个网络是否连通，矩阵向量Sv由式8计算得出。

S_v＝M_v+M_v ²+M_v ³…+M_v ^n-1#(8)

单目标部署优化问题，只需优化节点部署网络的覆盖率，覆盖率越大，部署效果越好。I为一组传感器节点的位置坐标、感知半径和通信半径对应的数据。基于上述2.2部分的描述，所求问题描述如下：

f₁(I)＝Max(C_r(I))#(9)标准花朵授粉算法：

花朵授粉算法(Flower Pollination Algorithm，FPA)是英国学者Yang在2012年根据自然界中显花植物授粉的过程提出的一种启发式搜索算法[12]。该算法以异花授粉为全局授粉，自花授粉为局部授粉进行演化，具有较好的寻优能力与收敛速度。

在自然界中，显花植物授粉有两种方式，一种是异花授粉，另一种是自花授粉。异花授粉借助传播者(鸟、蜜蜂、昆虫)完成授粉，花粉可以通过花粉携带者进行长距离传播，因此，可以跨越花朵间距离的鸿沟，使得与较远的花朵进行信息的交换成为可能，故FPA中，异化授粉称为全局授粉。自花授粉则是通过风这种方式与附近的花朵进行信息的交换，类似于植物自交的过程，这种授粉方式在FPA中称为局部授粉。异花授粉与自花授粉的转换是通过参数p进行调节。为简化问题，在FPA算法中，假设每株植物仅开一朵花，且一朵花只有一个花粉配子，即对应问题当中的一个潜在解，为了便于叙述和理解，以下描述花粉配子时用个体或者解来替代。

在FPA中，当进行全局授粉时，是以鸟、蜜蜂和昆虫等传粉媒介携带花粉，把花粉传播到任意地方，可视为全局搜索。由于鸟类飞行行为具有莱维飞行特性，即全局授粉时移动的步长服从莱维分布。全局授粉可描述如下：

其中向量Xbest表示到目前为止迭代中最好的个体或向量解，

为第t代(当代)的个体，

为第t+1代(下一代)的个体，向量L是全局授粉的强度，即花粉移动的步长，γ为控制步长的缩放因子。假设由鸟类携带花粉，鸟类飞行服从莱维分布，因而步长具有随机性的效果，莱维分布数学描述如下：

其中Γ(λ)为标准的伽马函数，λ＝1.5，S为步长，S0表示最小步长，采用文献[WANGLi-jin,YIN Yi-long,ZHONG Yi-wen.Cuckoo Search Algorithm with Dimension byDimension Improvemen[J].Journal of Software,2013(11):2687-2698]的方法生成莱维飞行步长。

上式中u,v服从标准的正态分布，β为常数，一般设置为3/2。

在FPA中，局部授粉是通过风传播花粉，传播的距离较近，可以使邻近的花粉交换信息，可视为局部搜索。可描述如下：

式中,

为t+1代产生的个体,

分别表示第t代中第j个与第k个个体，ε为局部授粉系数，ε在[0,1]间服从均匀分布。由上式可知，任意两个个体之间的距离与随机小数ε之积的信息将会保留在第i个个体中，并保存到下一代中。

在FPA中，存在两种搜索模式，即全局搜索与局部搜索，转换概率p为两种模式的转换概率，在文献[YANG Xin-she.Flower pollination algorithm for globaloptimization[C]//International conference on unconventional computing andnatural computation.Springer,Berlin,Heidelberg,2012:240-249]中，证明了当p的值为0.8时，在大多数应用场景都有很好的效果。模式转换可描述如下：

上式中，随机生成0至1之间的小数r，如果r<p，则进行全局搜索，反之进行局部搜索。

基于上述的花粉授粉算法，本发明提出了一种无线传感器网络部署优化方法、装置、系统及存储介质，包括以下步骤

S1、使用混沌映射方法初始化无线传感器网络节点的种群；

S2、使用花朵授粉算法计算当前区域内最优无线传感器网络节点，所述花朵授粉算法中预设有用于约束缩放因子的收敛因子；

S3、当所述区域内最优无线传感器网络节点位置更新时，使用贪心交叉策略判断是否需要更新当前区域内最优无线传感器网络节点。

改进的算法命名为IFPA，在本实施例中，分别针对非线性收敛因子策略、Tent混沌映射、贪心交叉策略、IFPA伪代码、时间复杂度分析进行描述。

非线性收敛因子策略：在FPA中，全局授粉的缩放因子γ是一个固定值，其值为0.01，对算法前期与后期都是同一个策略，因此不具有灵活性，从而导致算法收敛速度较慢。为了提高算法的搜索效率，本文提出一种a收敛因子用于约束原有的γ缩放因子，图3为收敛因子图，数学描述如下：

T是最大迭代次数，t为当前的迭代次数，如图3所示，a从1至0呈非线性递减，在迭代的前期，a值较大，即移动的步长较大，有利于全局优化搜索，加快算法的收敛速度；迭代后期，a值较小，即移动的步长较小，且变化较慢，有利于局部优化搜索，提高解的精度。

Tent混沌映射：文献[Kaur G,Arora S.Chaotic whale optimization algorithm[J].Journal of Computational Design and Engineering,2018,5(3):275-284]和文献[Toreini E,Mehrnejad M.A novel method in fuzzy data clustering based onchaotic PSO[C]//2011 International Conference for Internet Technology andSecured Transactions.IEEE,2011:335-340]提到的群智能优化算法都使用了混沌映射来产生搜索序列，文献[Toreini E,Mehrnejad M.A novel method in fuzzy dataclustering based on chaotic PSO[C]//2011 International Conference forInternet Technology and Secured Transactions.IEEE,2011:335-340]证明了混沌映射可以丰富初始种群的多样性，使算法搜索到更好的解。其中Tent混沌映射使用较为广泛，主要是因为Tent映射是分布函数，产生的混沌序列对分布函数的初值没有太大要求，但仍然存在最小周期，如0.25,0.5等。故提出一种改进Tent映射，描述如下：

xt表示第t次循环的值，xt+1表示第t+1次循环得到的值。假设第一次循环产生的随机数为x1＝0.1999，t＝2000，循环完成后，得到的混沌序列如图4所示，即花朵个体的位置。从图中可知，花朵种群较丰富，有利于后期的搜索。

Tent映射在本文主要用于算法中的两个步骤。一是用于种群的初始化，二是用于算法后期遇到迭代停滞不前的情况。所以算法开始阶段生成两个种群，其中一个用于种群的初始化，丰富种群的多样性，当迭代陷入局部最优时，另一个则用于维持种群的多样性，替换原有种群中部分个体的部分变量，从而加强了算法跳出局部最优的能力，本文设定当连续两代中的种群平均适应值之差小于一个特定值θ时(在传感器部署中，θ＝0.0003)，则实行Tent混沌映射。

贪心交叉策略：在FPA中，每一次迭代都是基于贪心策略，虽然这种策略有利于父代中较优的个体不被破坏，但并没有充分搜索个体附近位置。故完成全局授粉或者局部授粉后，引入类似于遗传算法中的交叉策略，使其局部搜索更充分，并将当前最优个体的部分变量加入到交叉个体中，该策略仍遵守贪心策略，我们称作贪心式交叉策略。步骤如下：

a.随机选择两个父代个体(fa1，fa2)，fa1≠fa2，互相交叉一部分变量，得到交叉个体cb1、cb2，再用当前最优个体be替换掉交叉个体中的一部分变量，得到临时个体te1,te2。

b.比较父代个体与对应的临时个体，如果临时个体的适应值优于父代个体，则替换父代个体，否则不交换。

图5为贪心交叉策略示意图，通过贪心交叉策略，使其他个体有了最佳个体的部分变量，而任意两个体互相交叉又不失多样性，随着迭代的进行，将提高解的精度。除此之外，

在FPA中，当前最佳个体Xbest每一代仅更新一次，而本文改成当个体更新位置时，实时的判断是否要更新Xbest，因而可以提高算法搜索的精度。

IFPA伪代码：基于上面的描述，IFPA的伪代码可描述如下：

Algorithm 1:Improved Flower Pollination Algorithm

Input:population size N,switch probability p,maximum number ofpopulation iterations T

Output:best flower Xbest

1 Initialize the flower population F with Tent mapping

2 for t＝1 to T do

3 Calculate fitness of F,find best flower as Xbest

4 Update Convergence factor a

5 for i＝1 to N

6 if rand<p

7 Draw step L which obey Levy distribution；

8 Global search:X_i^(t+1)＝X_i^t+a·γ·L·(X^best-X_i^t)

9 Update best flower Xbest

10 else

11 Draw aεwhich obey nuiform distribution in[0,1]

12 Random choose j and k in the population

13 Local search:X_i^(t+1)＝X_i^t+ε·(X_j^t-X_k^t)

14 Update best flower Xbest

15 end

16 Perform greedy crossing among individuals

17 Perform a Tent chaotic map

18 Calculate fitness of new flowers,if new flower are better,updateit in the pupulation

19 Update best flower Xbest

20 end

21 end

时间复杂度分析：假设算法最大迭代次数为T，种群规模为N，优化问题的维数为D。在FPA算法，初始化种群，其时间复杂度为O(ND)。每一次迭代需要完成以下步骤，先计算种群的适应值并找出种群中最优个体，其时间复杂度为O(N)，之后花朵授粉更新位置，其时间复杂度为O(N)，故一次迭代的时间复杂度为O(N+N)。总的时间复杂度为O(T(N+N)+ND)，即O(TN)。较于FPA，IFPA增加了Tent映射和交叉操作，但仍属于花朵更新位置的操作，并没有增加额外的时间复杂度，故IFPA总的时间复杂度和FPA一致。

因此，将IFPA应用于WSN中的方法包括以下步骤：

使用Kruskal算法生成最小生成树；

所述优化传感器节点的部署的方法具体包括以下步骤

使用混沌映射方法初始化无线传感器网络节点的种群；

本发明实施例1提供的一种无线传感器网络部署优化方法、装置、系统及存储介质，首先，使用Tent映射初始化种群，丰富了种群多样性，当迭代后期种群多样性较低时，Tent映射可产生映射序列，替换原有种群中个体的部分变量，故可维持种群的多样性。其次，设计的非线性收敛因子，约束原有算法的缩放因子，使步长呈非线性变化，促进了算法的全局搜索，从而提升了算法的收敛能力。之后，通过交叉、替换方式分别从邻居个体和较优个体得到部分变量的贪心交叉策略，具有以较优个体辅助交叉个体寻优的作用，提高了解的精度。最后，通过基准函数测试，验证了IFPA比FPA具有更好的收敛性能。WSN部署的仿真实验结果表明，IFPA提高了无线传感器网络节点的覆盖性能，无论监测区域是否含有障碍物，相比其他优化算法，IFPA部署的网络覆盖率最高，能够使用更少的节点实现同等覆盖率要求，故降低了网络的部署成本。

实施例2：基于改进花朵授粉算法的无线传感器网络部署优化装置，如图6所示，包括：

种群初始化模块401：用于使用混沌映射方法初始化无线传感器网络节点的种群；

节点计算模块402：用于使用花朵授粉算法计算当前区域内最优无线传感器网络节点，所述花朵授粉算法中预设有用于约束缩放因子的收敛因子；

节点更新模块403：用于当所述区域内最优无线传感器网络节点位置更新时，使用贪心交叉策略判断是否需要更新当前区域内最优无线传感器网络节点。

可选的，种群初始化模块401中的混沌映射方法具体为Tent混沌映射方法，Tent混沌映射方法包含循环计算次数t和循环计算次数t时得到的值xt，循环计算次数为t+1次时得到的值xt+1的算法具体为

可选的，预设有无线传感器网络节点的镜像种群，当连续两代无线传感器网络节点种群的平均适应值之差小于预设值θ时，则使用Tent混沌映射方法计算镜像种群。

本发明实施例2提供的一种基于改进花朵授粉算法的无线传感器网络部署优化装置，首先，使用Tent映射初始化种群，丰富了种群多样性，当迭代后期种群多样性较低时，Tent映射可产生映射序列，替换原有种群中个体的部分变量，故可维持种群的多样性。其次，设计的非线性收敛因子，约束原有算法的缩放因子，使步长呈非线性变化，促进了算法的全局搜索，从而提升了算法的收敛能力。之后，通过交叉、替换方式分别从邻居个体和较优个体得到部分变量的贪心交叉策略，具有以较优个体辅助交叉个体寻优的作用，提高了解的精度。最后，通过基准函数测试，验证了IFPA比FPA具有更好的收敛性能。WSN部署的仿真实验结果表明，IFPA提高了无线传感器网络节点的覆盖性能，无论监测区域是否含有障碍物，相比其他优化算法，IFPA部署的网络覆盖率最高，能够使用更少的节点实现同等覆盖率要求，故降低了网络的部署成本。

实施例3：与上述实施例相对应的，本发明实施例3还提供了一种无线传感器网络部署优化方法、装置、系统及存储介质的电子设备，具体如图7所示，该电子设备包括：处理器501和存储器；

存储器用于存储一个或多个程序指令；

处理器501，用于运行一个或多个程序指令，用以执行如上实施例所介绍的一种无线传感器网络部署优化方法、装置、系统及存储介质中的任一方法步骤。

与上述实施例相对应的，本发明实施例还提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令。其中，一个或多个程序指令用于被一种无线传感器网络部署优化方法、装置、系统及存储介质的电子设备执行如上所介绍的一种无线传感器网络部署优化方法、装置、系统及存储介质。

在本发明实施例中，处理器501可以是一种集成电路芯片，具有信号的处理能力。处理器501可以是通用处理器501、数字信号处理器501(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific工ntegrated Circuit，简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器501可以是微处理器501或者该处理器501也可以是任何常规的处理器501等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器501执行完成，或者用译码处理器501中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器501读取存储介质中的信息，结合其硬件完成上述方法的步骤。

存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。

其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。

易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。

本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims

1.无线传感器网络部署优化方法，其特征是：包括以下步骤

使用混沌映射方法初始化无线传感器网络节点的种群；

当所述区域内最优无线传感器网络节点位置更新时，使用贪心交叉策略判断是否需要更新当前区域内最优无线传感器网络节点；

所述收敛因子包含最大迭代次数T和当前迭代次数t，所述收敛因子a的算法具体为

2.根据权利要求1所述的无线传感器网络部署优化方法，其特征是：所述混沌映射方法具体为Tent混沌映射方法，所述Tent混沌映射方法包含循环计算次数t和循环计算次数t时得到的值x_t，所述循环计算次数为t+1次时得到的值x_t+1的算法具体为

其中，x_t表示第t次循环的值，x_t+1表示第t+1次循环得到的值。

3.根据权利要求1所述的无线传感器网络部署优化方法，其特征是：预设有无线传感器网络节点的镜像种群，当连续两代无线传感器网络节点种群的平均适应值之差小于预设值θ时，则使用Tent混沌映射方法计算镜像种群。

4.基于改进花朵授粉算法的无线传感器网络部署方法，其特征是：包括以下步骤：

使用Kruskal算法生成最小生成树；

所述优化传感器节点的部署的方法具体包括以下步骤

使用混沌映射方法初始化无线传感器网络节点的种群；

5.根据权利要求4所述的基于改进花朵授粉算法的无线传感器网络部署方法，其特征是：计算每组部署方案的覆盖率的算法具体覆盖率

其中，L和W为监测区域面积的长和宽、x和y为监测区域中监测点横纵坐标、C_p表示联合感知概率、Sall为监测范围内的全部传感器节点、监测节点m位于网格的中心点位置。

6.根据权利要求4所述的基于改进花朵授粉算法的无线传感器网络部署方法，其特征是：判断网络是否连通具体为：

计算矩阵向量S_v＝M_v+M_v ²+M_v ³…+M_v ^n-1，M_V为邻接矩阵向量当矩阵向量，当S_V中存在元素为0时，判定为网络不连通，否则判定为连通；

其中，n表示不同批次的传感器节点。

7.无线传感器网络部署优化装置，其特征是：包括：

种群初始化模块(401)：用于使用混沌映射方法初始化无线传感器网络节点的种群；

节点计算模块(402)：用于使用花朵授粉算法计算当前区域内最优无线传感器网络节点，所述花朵授粉算法中预设有用于约束缩放因子的收敛因子；

节点更新模块(403)：用于当所述区域内最优无线传感器网络节点位置更新时，使用贪心交叉策略判断是否需要更新当前区域内最优无线传感器网络节点；

8.无线传感器网络部署优化方法的电子设备，其特征在于，包括：

存储器和处理器(501)，所述处理器(501)和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器(501)执行的程序指令，所述处理器(501)调用所述程序指令能够执行如权利要求1至6任一所述的方法。

9.无线传感器网络部署优化方法的可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器(501)执行时实现如权利要求1至6任一所述方法的步骤。