CN111479279A - 基于多元宇宙优化算法的无线网络覆盖优化方法 - Google Patents
基于多元宇宙优化算法的无线网络覆盖优化方法 Download PDFInfo
- Publication number
- CN111479279A CN111479279A CN202010412943.0A CN202010412943A CN111479279A CN 111479279 A CN111479279 A CN 111479279A CN 202010412943 A CN202010412943 A CN 202010412943A CN 111479279 A CN111479279 A CN 111479279A
- Authority
- CN
- China
- Prior art keywords
- sensor
- wireless
- sensor node
- coverage
- universe
- 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.)
- Withdrawn
Links
Images
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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
Abstract
本发明涉及一种无线传感技术与智能技术领域,揭露了一种基于多元宇宙优化算法的无线网络覆盖优化方法,包括:利用栅格法将监测区域离散化为若干像素点;利用传感器感知模型计算每个像素点处的传感器节点被传感器节点集合感知的联合概率;根据所述联合概率计算得到无线传感网络的覆盖率,并结合传感器节点能耗得到无线传感网络覆盖优化目标函数;将无线传感网络中的传感器节点划分为多个单宇宙群,并利用所述目标函数的适应度函数,对每个单宇宙群进行适应度计算;对适应度较低的单宇宙群进行宇宙混沌进化;基于节点休眠策略将满足覆盖率要求的节点设置为休眠状态,并完成无线传感器网络的覆盖优化。本发明实现了对无线传感器网络的覆盖优化。
Description
技术领域
本发明涉及无线传感技术与智能的技术领域,尤其涉及一种基于多元宇宙优化算法的无线网络覆盖优化方法。
背景技术
随着嵌入式系统、微机电系统和无线通信技术的发展,无线传感器网络通过信息传输技术使得人类对目标环境下的信息感知和物理信息交换得以实现,从而受到各个研究机构的高度关注。无线传感器网络是一种由大量部署在需检测区域内的传感器节点组成,基于无线通信的方式对检测区域内的节点信息进行搜集。为满足网络应用所能承受的部署时间代价、可靠性以及能效性等方面的需求,需要对无线传感器网络部署方式进行研究,根据应用需求和应用环境允许的部署方式,将一定数量的传感器节点部署在监测区域内的适当位置,以实现无线传感器网络感知范围对整个监测区域的覆盖。
网络覆盖主要研究以网络允许的部署方式,将传感器节点散布在监测区域内适当的空间位置,以实现对区域或目标对象的客观信息感知。传感器节点的感知模型及其空间位置分布是网络覆盖的基本元素,直接影响网络的感知质量。为满足应用需求,通常需要采用相应的覆盖技术对网络节点的位置分布进行调整,即覆盖优化算法。
为了达到较高的网络覆盖率,传统的方法是进行大规模的传感器节点部署,但是过多的传感器节点容易引起通信冲突。一些学者针对无线网络优化问题,提出了一些优化算法策略,如使用人工萤火虫算法对无线传感器网络节点进行优化,使得无线传感器节点分布均匀且覆盖率较高,但是边界盲区较多;混沌鱼群算法提高了无线传感器网络的优化稳定性,获得了较高的网络覆盖率,但是边界存在较多盲区,且中心冗余度很高;粒子群优化算法全局收敛能力较强,能够快速找到覆盖率较高的传感器节点的分布,但是算法优化后局部搜索能力较弱;蚁群算法虽然搜索能力比较强,但是存在求解过程比较复杂、收敛速度比较慢、未考虑传感器节点能量损耗等缺点;遗传算法可获得无线传感器网络中最优覆盖集,从而以最少的节点数量和节点功耗来对监测区域内的所有目标进行覆盖,然而该算法容易陷入局部最优,不能保证覆盖集的质量。
鉴于此,如何充分利用传感器节点间的信息,并在综合考虑算法时间复杂度、快速收敛性、节点能量损耗以及全局搜索能力的基础上,提高无线网络传感器网络覆盖的质量,成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种基于多元宇宙优化算法的无线网络覆盖优化方法,在综合考虑算法时间复杂度、快速收敛性、节点能量损耗以及全局搜索能力的基础上,其主要目的在于提高无线网络传感器网络覆盖的质量。
为实现上述目的,本发明提供的一种基于多元宇宙优化算法的无线网络覆盖优化方法,包括:
利用栅格法将被监测区域离散化为若干个像素点,在该监测区域内分布着W个无线网络的传感器节点,并将所有传感器节点构成传感器节点集合,所有传感器节点的覆盖半径为r;
利用传感器感知模型得到每个像素点被传感器节点感知的概率,以及根据所得概率计算每个像素点处的传感器节点被传感器节点集合感知的联合概率;
根据所述每个像素点处的传感器节点被传感器节点集合感知的联合概率,得到无线传感网络的覆盖率,并结合传感器节点能耗得到无线传感网络覆盖优化目标函数Cov(G),其中,G为被监测区域内的传感器节点集合;
将无线传感网络中的传感器节点划分为多个单宇宙群,同时基于所述无线传感网络覆盖优化目标函数,计算得到宇宙群适应度函数Fit(x)=1/(1+c+Cov(x)),其中,x为单个宇宙群中传感器节点集合,c为常数,用以对Fit(x)的大小进行控制,可根据具体的Cov(x)来灵活设置,并利用所述宇宙群适应度函数对每个单宇宙群进行适应度计算;
根据所述对所有单宇宙群适应度的计算结果,对适应度较低的单宇宙群进行宇宙混沌进化,以获取最大的单宇宙群整体适应度;
在满足上述单宇宙群整体适应度最大的情况下,基于节点休眠策略计算所述无线网络中冗余传感器节点的期望,若该期望小于无线网络覆盖率要求,则结束无线网络覆盖优化并输出覆盖结果,否则需重新对传感器节点进行单宇宙群的划分。
可选地,所述利用栅格法将将监测区域离散化为若干像素点,并将所有传感器节点构成传感器节点集合,包括:
对监测区域利用栅格进行离散化,以将监测区域离散化为若干像素点;
将像素点划分为无障碍像素点和有障碍像素点,并对有障碍像素点采用不部署传感器节点的策略;及
统计监测区域内分布的传感器节点,以构成传感器节点集合。
可选地,所述利用传感器感知模型得到每个像素点被传感器节点感知的概率,以及根据所得概率,计算每个像素点处的传感器节点被传感器节点集合感知的联合概率,包括:
每个像素点被传感器节点感知的概率为:
其中:
Gi为在传感器节点集合G中的第i个节点;
r为传感器节点的覆盖半径;
H为任一像素点;
d(Gi,H)为像素点H到第i个传感器节点的距离;
每个像素点处的传感器节点被传感器节点集合感知的联合概率为:
其中:
G为监测区域内传感器节点集合。
可选地,所述计算无线传感网络的覆盖率,并结合传感器节点能耗得到无线传感网络覆盖优化目标函数Cov(G),包括:
利用所述每个像素点处的传感器节点被所述传感器节点集合感知的联合概率,计算得到监测区域无线传感网络的覆盖率;
计算传感器节点发送数据以及接收节点带来的传感器能耗;及
结合传感器节点能耗以及无线网络的覆盖率得到无线传感网络覆盖优化目标函数:
其中:
G为监测区域内的传感器节点集合;
p(G,H)表示任一像素点H处的传感器节点被传感器节点集合G感知的联合概率;
M为监测区域内像素点的个数;
Ω表示监测区域离散化后的像素点集合;
Ei,j表示传感器节点i与传感器节点j之间的交流带来的传感器节点能耗。
可选地,所述将无线传感网络中的传感器节点划分为多个单宇宙群,基于无线传感网络覆盖优化目标函数,计算得到宇宙群适应度函数Fit(x),包括:
将无线传感网络中的传感器节点划分为多个单宇宙群;
所述宇宙群适应度函数计算过程为:
其中:
c为常数,用以对Fit(x)的大小进行控制,该常数根据具体的Cov(x)来灵活设置,使得c+Cov(x)≥0,一般地令c=0.5即可;
x为单个宇宙群中传感器节点集合。
可选地,所述宇宙混沌进化过程为:
利用Logistic混沌变换以及区间映射变换对单宇宙群X(h)进行变换,得到决策变量X(h+1);
根据适应度函数fit(x)对决策变量X(h+10={xh+1,1,xh+1,2,...,xh+1,n}进行适应度计算,得到所述决策变量的适应度为Fit[X(h+1)],若Fit[X(h+1)]小于最优适应度Fitmax(X*),则X(h+1)→X*,Fit[X(h+1)]→Fitmax(X*)。
可选地,所述节点休眠策略为:
对无线传感网络中存在的冗余传感器节点的期望进行计算,所述冗余传感器节点即指传感任务可以被邻居传感器节点替代的传感器节点,当冗余传感器节点的期望满足无线网络覆盖率要求时,关闭该传感器节点并设置该节点为休眠状态。
本发明所述多元宇宙优化算法是一种基于多元宇宙理论的群智能优化算法。所述多元宇宙优化算法首先初始化若干多元宇宙种群,通过分析多元宇宙种群的运动行为,并引入目标函数公式构建多元宇宙优化算法的数学模型,在构建出的数学模型中,一个宇宙被视为优化问题的一个解,而单个宇宙中的每个物体被看作是相应解的一个分量,单个宇宙的适应度与目标函数值成正比,通过对每个单个宇宙进行渐进的迭代更新,以获取最大的目标函数值,从而完成对目标的智能优化。
相对于现有技术,本发明提出一种基于多元宇宙优化算法的无线网络覆盖策略,该技术具有以下优势:
在现有技术均未考虑传感器能耗时,本发明以传感器能耗函数与无线网络覆盖率函数结合的方式,构建本发明所述无线网络覆盖策略的目标函数,同时采用节点休眠策略,将满足网络覆盖率要求的冗余节点设置为休眠状态,以此对传感器的能耗进行控制,因此本发明所述算法相对于其他优化算法具有更少的传感器能耗,在仿真实验中,本发明的优化算法策略相较于其他算法减少了30%的传感器能耗;
其次,对于检测区域中的传感器节点,本发明依据多元宇宙优化算法中的宇宙群理论,将传感器节点依照传输方式,分别划分为单向宇宙群和双向宇宙群,其中单向宇宙群中的传感器节点只能进行数据的单向传输,双向宇宙群中的传感器节点能进行数据的双向传输,由于双向交流更节省存储空间,便于进行随机访问,但交流周期时间消耗大,单向交流整个周期较短,易于实现,这样本发明通过单向单宇宙群、双向双宇宙群优势互补从而提高整个多元宇宙优化算法的收敛速度,相较于现有优化技术,能够更快完成无线网络的覆盖;
根据所述多元宇宙优化算法理论,单宇宙群的适应度与无线覆盖优化目标函数成正比,因此当单宇宙群的适应度达到最大时,即说明无线网络的覆盖率达到最大,本发明通过计算所有单宇宙群的整体适应度,对适应度较低的单宇宙群依次进行Logistic混沌变换和区间映射变换,从而得到单宇宙群的决策变量,并计算所述决策变量的适应度,若所述决策变量的适应度小于单宇宙群最优适应度,则使用达到最优单宇宙群适应度的单宇宙群对该单宇宙群进行替换;本发明通过依次完成单宇宙群的迭代更新,使得单宇宙群整体的适应度达到最大,即说明无线网络的覆盖率达到最大,相较于现有技术,如基于耦合模拟退火算法的无线网络覆盖优化方法使得无线网络覆盖率达到80.4%,基于虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法使得无线网络覆盖率达到93%,本发明所述多元宇宙优化算法在仿真实验中使得无线网络的覆盖率达到99%,具有更好的无线网络覆盖优化效果。
附图说明
图1为本发明一实施例提供的基于多元宇宙优化算法的无线网络覆盖优化方法的流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在综合考虑算法时间复杂度、快速收敛性、节点能量损耗以及全局搜索能力的基础上,为提高无线网络传感器网络覆盖的质量,本发明提供一种基于多元宇宙优化算法的无线网络覆盖优化方法。参照图1所示,为本发明一实施例提供的基于多元宇宙优化算法的无线网络覆盖优化方法的流程示意图。
在本实施例中,基于多元宇宙优化算法的无线网络覆盖优化方法包括:
S1、利用栅格法将被监测区域离散化为若干个像素点,在该监测区域内分布着W个无线网络的传感器节点,并将所有传感器节点构成传感器节点集合,所有传感器节点的覆盖半径为r。
在使用本发明所涉及无线网络传感器节点布局优化技术时,考虑到一个二维平面监测区域E,本发明利用栅格法对监测区域进行离散化,若整个被监测区域的长、宽分别是L、D,本发明则利用长、宽分别为L/m、L/n的栅格对被检测区域进行离散化,从而将被检测区域离散化为m×n个像素点,所述m、n分别表示监测区域垂直方向和水平方向的像素数目,其维度为m×n;
进一步地,本发明较佳实施例将对被监测区域内存在障碍物的像素点进行标记,所述存在障碍物的像素点即指该区域内存在的无需被传感器监测的像素点,对于被监测区域E的像素点集合为:E={Gi,j|Gij=0,1;1≤i≤m,1≤j≤n},其中Gi,j代表被监测区域内的像素点,i、j表示被监测区域中垂直方向第i列、水平方向为第j行的像素点位置,Gi,j=0是指该位置像素点为存在障碍物,Gi,j=1是指该位置像素点不存在障碍物;
同时,本发明对存在障碍物的像素点不使用传感器节点进行监测;
在一个实施例中,所述W个无线网络的传感器节点分布在上述离散化的监测区域内,每个传感器节点的坐标均已知,且所述传感器节点的覆盖半径均为r;本发明将所有传感器节点构成传感器节点集合G={g1,g2,...gW},其中第i个传感器的节点为gi(i=1,2,...N),它的坐标为(xi,yi);设被监测区域中任一像素点H的坐标为(xH,yH),则该像素点到第i个传感器节点的距离为
S2、利用传感器感知模型得到每个像素点被传感器节点感知的概率,以及根据所得概率计算每个像素点处的传感器节点被传感器节点集合感知的联合概率。
进一步地,本发明利用预建立的传感器感知模型p(Gi,H),得到所述监测区域中任一像素点被传感器节点感知的概率,例如在本发明的一个实施例中,每个像素点被传感器节点感知的概率为:
其中:
Gi为在传感器节点集合G中的第i个节点;
r为传感器节点的覆盖半径;
H为任一像素点;
d(Gi,H)为像素点H到第i个传感器节点的距离。
根据上述得到的得到每个像素点被传感器节点感知的概率,本发明对每个像素点处的传感器节点被传感器节点集合感知的联合概率进行计算,在本发明较佳实施例中,每个像素点处的传感器节点被传感器节点集合感知的联合概率为:
其中:
G为监测区域内传感器节点集合;
Gi为在传感器节点集合G中的第i个节点;
H为任一像素点。
S3、根据所述每个像素点处的传感器节点被传感器节点集合感知的联合概率,得到无线传感网络的覆盖率,并结合传感器节点能耗得到无线传感网络覆盖优化目标函数Cov(G),其中,G为被监测区域内的传感器节点集合。
根据上述所得每个像素点处的传感器节点被传感器节点集合感知的联合概率,本发明得到被检测区域内的无线传感网络覆盖率为:
其中:
G为监测区域内的传感器节点集合;
M为监测区域内像素点的个数;
p(G,H)为任一像素点H处的传感器节点被传感器节点集合G感知的联合概率;
Ω表示被检测区域离散化后的像素点集合。
进一步地,本发明利用能耗模型计算传感器节点发送和传输数据时所需的能量,在本发明一个实施例中,当传感器节点p向距离d外的另一个节点发送k字节的数据时,能耗为:
Ep=Er×k+Ea×k×d
当节点q接收p发送的信息时,能耗为:
Fq=Er×k
根据上述传感器节点发送数据以及接收节点带来的传感器能耗,所述传感器节点p和传感器节点q之间传送一次数据的总能耗为:
Ep,q=2×Er×k+Ea×k×d
其中:
Er为所述传感器节点收发电路时所消耗的能量;
Ea为由放大器所消耗的能量。
基于上述无线传感网络的覆盖率和传感器节点能耗,本发明得到如下无线传感网络覆盖优化目标函数:
其中:
G为监测区域内的传感器节点集合;
p(G,H)表示任一像素点H处的传感器节点被传感器节点集合G感知的联合概率;
M为监测区域内像素点的个数;
Ω表示监测区域离散化后的像素点集合;
Ei,j表示传感器节点i与传感器节点j之间的交流带来的传感器节点能耗。
S4、将无线传感网络中的传感器节点划分为多个单宇宙群,同时基于所述无线传感网络覆盖优化目标函数,计算得到宇宙群适应度函数Fit(x)=1/(1+c+Cov(x)),其中,x为单个宇宙群中传感器节点集合,c为常数,用以对Fit(x)的大小进行控制,可根据具体的Cov(x)来灵活设置,并利用所述宇宙群适应度函数对每个单宇宙群进行适应度计算。
在一个实施例中,对于分布在监测区域E内的W个传感器节点,本发明基于多元宇宙优化算法将监测区域内的传感器节点划分为多个宇宙群结构,每个宇宙群结构中分布着若干个传感器节点,每个传感器节点可以作为宇宙群结构中的宇宙,同时每个传感器节点只与所在同一宇宙群中的传感器进行连接;
进一步地,在本发明较佳实施例中,本发明将上述宇宙群划分为单向单宇宙群和双向单宇宙群,其中所述单向单宇宙群中各个传感器之间的交流只能通过单向获取,双向单宇宙群中各个传感器之间的交流可通过自身连接的传感器双向获取;具体地,本发明采用混合宇宙结构,即单向单宇宙群和双向单宇宙群两种结构并存,且每个单宇宙群中传感器的数量不超过10个,从而避免因单宇宙群中传感器数量过多,导致算法收敛过慢。
进一步地,本发明基于上述无线传感网络覆盖优化目标函数Cov(G),对每个单个宇宙群中的传感器节点基于适应度函数进行适应度计算,所述适应度函数Fit(x)为:
其中:
c为常数,用以对Fit(x)的大小进行控制,该常数根据具体的Cov(x)来灵活设置,使得c+Cov(x)≥0,一般地令c=0.5即可;
x为单个宇宙群中的传感器节点集合。
假设对于第s个单宇宙群X(s)={xs,1,xs,2,...,xs,m},式中m代表宇宙群中传感器节点的个数,单宇宙群中任意xs,k的适应度为Fit(xs,k),最优适应度为对单宇宙群中所有传感器节点进行计算,其中最优的适应度值Fitmax(S*),单宇宙群整体的适应度为
S5、根据所述对所有单宇宙群适应度的计算结果,对适应度较低的单宇宙群进行宇宙混沌进化,以获取最大的单宇宙群整体适应度。
根据上述对所有单宇宙群适应度的计算,本发明将其中适应度较低的单宇宙群进行宇宙混沌进化;
在本发明较佳实施例中,设待优化单宇宙群个体为X(h)={xh,1,xh,2,...,xh,n},优化函数为Fit[X(h)],该单宇宙群中最优适应度值为Fitmax(X*),所述单宇宙群的宇宙混沌进化过程如下:
(1)初始化X(h)并X(h0←X(1),Fitmax(X*)←X(h);
(2)对各个单宇宙群中xh,i进行(0,1)区间映射变换,1≤i≤n:
式中xh,max表示X(h)上界,xh,min表示X(h)下界。
(3)对cxh,i进行Logistic混沌变换得到n+1的混沌变量cxh,i+1:
cxh,i+1=μcxh,i(1-cxh,i)
式中μ表示混沌吸引子。
(4)对混沌变量cxh,i+1进行[xh,min,xh,max]区间映射变换,得到决策变量:
xh,i+1=xmin,i+cxh,i(,xh,max-xh,min)
(5)对决策变量X(h+1)={xh+1,1,xh+1,2,...,xh+1,n}进行适应度计算,得到所述决策变量的适应度Fit[X(h+1)],若Fit[X(h+1)]<Fitmax(X*),则X(h+1)→X*,Fit[X(h+1)]→Fitmax(X*),反之,则转(2);
(6)对所有适应度较低的单宇宙群进行上述宇宙混沌进化步骤,直到所有适应度较低的单宇宙群完成宇宙混沌进化过程,此时得到单宇宙群整体适应度最大,即无线网络覆盖率最高。
S6、在满足上述单宇宙群整体适应度最大的情况下,基于节点休眠策略计算所述无线网络中冗余传感器节点的期望,若该期望小于无线网络覆盖率要求,则结束无线网络覆盖优化并输出覆盖结果,否则需重新对传感器节点进行单宇宙群的划分。
进一步地,在满足上述单宇宙群整体适应度最大的情况下,本发明基于节点休眠策略对无线传感网络中存在的冗余传感器节点的期望进行计算,所述冗余传感器节点即指传感任务可以被邻居传感器节点替代的传感器节点;
在本发明一个实施例中,对于无线传感网络中冗余传感器节点数为p的区域,本发明利用下式计算无线网络中冗余传感器节点的期望Ep:
当Ep≥η,表明该节点的覆盖质量达到了网络覆盖率要求η,本发明将η取为0.8,当该节点的覆盖质量达到0.8时,关闭该节点并进入休眠状态,以节约传感器能量,同时结束无线网络覆盖优化,并输出当前优化方法的覆盖结果,否则本发明需重新对传感器节点进行单宇宙群的划分。
下面通过一个仿真实验来说明本发明的具体实施方式,并对发明的算法进行测试。设无线传感网络部署在80m×80m的监测区域内,随机布设80个传感器节点,节点感知半径为15m,每个传感器节点的初始能量为10J,数据接收能耗为2×10-5J/bit,每个数据包大小为500B。利用上述本发明所提出的优化方法进行覆盖优化,通过同人工萤火虫算法、混沌鱼群算法、粒子群优化算法、蚁群算法、遗传算法、耦合模拟退火算法、灰狼搜索进行40次的覆盖率以及传感器节点能量损耗的对比,其中人工萤火虫算法的平均覆盖率为98.3%,传感器节点的平均能量损耗为123.7J,混沌鱼群算法的平均覆盖率为98.6%,传感器节点的平均能量损耗为146.8J,粒子群优化算法的平均覆盖率为97.8%,传感器节点的平均能量损耗为136.7J,蚁群算法的平均覆盖率为97.5%,传感器节点的平均能量损耗为128.7J,遗传算法的平均覆盖率为98.7%,传感器节点的平均能量损耗为134.9J,耦合模拟退火算法的平均覆盖率为80%,传感器节点的平均能量损耗为128.6J,灰狼搜索算法的平均覆盖率为93%,平均能量损耗为126.5J,本发明所采用的宇宙算法在各个实验次数上覆盖率相比其他算法比较高,均在99%以上,同时相较于其他算法的传感器节点能量损耗,本发明所述算法的传感器节点的平均能量损耗为106.3J。
详细地,本发明所采用优化方法通过对较低适应度的单宇宙群进行宇宙混沌进化,从而使各单宇宙群的适应度达到最大,实现所有宇宙群均具有最大适应度,即得到最大的宇宙优化效果。在本发明的仿真实验中,本发明所述算法的覆盖率均在99%以上,均高于其他算法的无线网络覆盖率,同时本发明在考虑传感器能耗的基础上,通过在目标函数中加入传感器能耗模型,以在实现最大无线网络覆盖率的基础上,对传感器能耗进行优化,并采用节点休眠策略,将满足网络覆盖率要求的冗余节点设置为休眠状态,相对于其他优化算法具有更少的传感器能耗,在本发明的仿真实验中,本发明所述优化算法策略相较于其他算法减少了30%的传感器能耗。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于多元宇宙优化算法的无线网络覆盖优化方法,其特征在于,所述方法包括:
利用栅格法将被监测区域离散化为若干个像素点,在该监测区域内分布着W个无线网络的传感器节点,并将所有传感器节点构成传感器节点集合,所有传感器节点的覆盖半径为r;
利用传感器感知模型得到每个像素点被传感器节点感知的概率,以及根据所得概率计算每个像素点处的传感器节点被传感器节点集合感知的联合概率;
根据所述每个像素点处的传感器节点被传感器节点集合感知的联合概率,得到无线传感网络的覆盖率,并结合传感器节点能耗得到无线传感网络覆盖优化目标函数Cov(G),其中,G为被监测区域内的传感器节点集合;
将无线传感网络中的传感器节点划分为多个单宇宙群,同时基于所述无线传感网络覆盖优化目标函数,计算得到宇宙群适应度函数Fit(x)=1/(1+c+Cov(x)),其中,x为单个宇宙群中传感器节点集合,c为常数,用以对Fit(x)的大小进行控制,利用所述宇宙群适应度函数对每个单宇宙群进行适应度计算;
根据所述对所有单宇宙群适应度的计算结果,对适应度较低的单宇宙群进行宇宙混沌进化,以获取最大的单宇宙群整体适应度;
在满足上述单宇宙群整体适应度最大的情况下,基于节点休眠策略计算所述无线网络中冗余传感器节点的期望,若该期望小于无线网络覆盖率要求,则结束无线网络覆盖优化并输出覆盖结果,否则需重新对传感器节点进行单宇宙群的划分。
2.如权利要求1所述的基于多元宇宙优化算法的无线网络覆盖优化方法,其特征在于,所述利用栅格法将将监测区域离散化为若干像素点,并将所有传感器节点构成传感器节点集合,包括:
对监测区域利用栅格进行离散化,以将监测区域离散化为若干像素点;
将像素点划分为无障碍像素点和有障碍像素点,并对有障碍像素点采用不部署传感器节点的策略;及
统计监测区域内分布的传感器节点,以构成传感器节点集合。
4.如权利要求3所述的基于多元宇宙优化算法的无线网络覆盖优化方法,其特征在于,所述计算无线传感网络的覆盖率,并结合传感器节点能耗得到无线传感网络覆盖优化目标函数Cov(G),包括:
利用所述每个像素点处的传感器节点被所述传感器节点集合感知的联合概率,计算得到监测区域无线传感网络的覆盖率;
计算传感器节点发送数据以及接收节点带来的传感器能耗;及
结合传感器节点能耗以及无线网络的覆盖率得到无线传感网络覆盖优化目标函数:
其中:
G为监测区域内的传感器节点集合;
p(G,H)表示任一像素点H处的传感器节点被传感器节点集合G感知的联合概率;
M为监测区域内像素点的个数;
Ω表示监测区域离散化后的像素点集合;
Ei,j表示传感器节点i与传感器节点j之间的交流带来的传感器节点能耗。
6.如权利要求5所述的基于多元宇宙优化算法的无线网络覆盖优化方法,其特征在于,所述宇宙混沌进化过程为:
利用Logistic混沌变换以及区间映射变换对单宇宙群X(h)进行变换,得到决策变量X(h+1);
根据适应度函数fit(x)对决策变量X(h+1)={xh+1,1,xh+1,2,...,xh+1,n}进行适应度计算,得到所述决策变量的适应度为Fit[X(h+1)],若Fit[X(h+1)]小于最优适应度Fitmax(X*),则X(h+1)→X*,Fit[X(h+1)]→Fitmax(X*)。
7.如权利要求6所述的基于多元宇宙优化算法的无线网络覆盖优化方法,其特征在于,所述节点休眠策略为:
对无线传感网络中存在的冗佘传感器节点的期望进行计算,所述冗佘传感器节点即指传感任务可以被邻居传感器节点替代的传感器节点,当冗佘传感器节点的期望满足无线网络覆盖率要求时,关闭该传感器节点并设置该节点为休眠状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010412943.0A CN111479279A (zh) | 2020-05-15 | 2020-05-15 | 基于多元宇宙优化算法的无线网络覆盖优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010412943.0A CN111479279A (zh) | 2020-05-15 | 2020-05-15 | 基于多元宇宙优化算法的无线网络覆盖优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111479279A true CN111479279A (zh) | 2020-07-31 |
Family
ID=71762418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010412943.0A Withdrawn CN111479279A (zh) | 2020-05-15 | 2020-05-15 | 基于多元宇宙优化算法的无线网络覆盖优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111479279A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113784366A (zh) * | 2021-09-17 | 2021-12-10 | 北京信息科技大学 | 一种基于无人机群覆盖优化的智能集群方法 |
CN113905389A (zh) * | 2021-10-27 | 2022-01-07 | 湖北文理学院 | 基于粒子群优化帝王蝶算法的无线传感器网络覆盖方法 |
CN114554505A (zh) * | 2022-01-10 | 2022-05-27 | 山东师范大学 | 一种无线传感器网络节点分簇方法及系统 |
-
2020
- 2020-05-15 CN CN202010412943.0A patent/CN111479279A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113784366A (zh) * | 2021-09-17 | 2021-12-10 | 北京信息科技大学 | 一种基于无人机群覆盖优化的智能集群方法 |
CN113784366B (zh) * | 2021-09-17 | 2023-04-28 | 北京信息科技大学 | 一种基于无人机群覆盖优化的智能集群方法 |
CN113905389A (zh) * | 2021-10-27 | 2022-01-07 | 湖北文理学院 | 基于粒子群优化帝王蝶算法的无线传感器网络覆盖方法 |
CN113905389B (zh) * | 2021-10-27 | 2023-10-31 | 广东石油化工学院 | 基于粒子群优化帝王蝶算法的无线传感器网络覆盖方法 |
CN114554505A (zh) * | 2022-01-10 | 2022-05-27 | 山东师范大学 | 一种无线传感器网络节点分簇方法及系统 |
CN114554505B (zh) * | 2022-01-10 | 2024-03-29 | 山东师范大学 | 一种无线传感器网络节点分簇方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111479279A (zh) | 基于多元宇宙优化算法的无线网络覆盖优化方法 | |
Dewangan et al. | Three dimensional path planning using Grey wolf optimizer for UAVs | |
Li et al. | A potential game approach to multiple UAV cooperative search and surveillance | |
Hu et al. | Multiagent information fusion and cooperative control in target search | |
Costanzo et al. | Nodes self-deployment for coverage maximization in mobile robot networks using an evolving neural network | |
CN101459915A (zh) | 基于遗传算法的无线传感器网络节点覆盖优化方法 | |
CN110162035A (zh) | 一种集群机器人在有障碍物场景中的协同运动方法 | |
De Rango et al. | A simulator for UAVs management in agriculture domain | |
Ghalenoei et al. | Discrete invasive weed optimization algorithm: application to cooperative multiple task assignment of UAVs | |
Zainol Abidin et al. | Sensor node placement in wireless sensor network using multi-objective territorial predator scent marking algorithm | |
La et al. | Cooperative flocking and learning in multi-robot systems for predator avoidance | |
Cheng et al. | A carrier-based sensor deployment algorithm for perception layer in the IoT architecture | |
Chowdhury et al. | FIS-RGSO: dynamic fuzzy inference system based reverse glowworm swarm optimization of energy and coverage in green mobile wireless sensor networks | |
Wang et al. | Hybrid bidirectional rapidly exploring random tree path planning algorithm with reinforcement learning | |
Zhicai et al. | A cooperative search algorithm based on improved particle swarm optimization decision for UAV swarm | |
Muntasha et al. | Performance analysis on artificial bee colony algorithm for path planning and collision avoidance in swarm unmanned aerial vehicle | |
Peng et al. | Cooperative area search for multiple UAVs based on RRT and decentralized receding horizon optimization | |
Susnea | Distributed neural networks microcontroller implementation and applications | |
Kashino et al. | A multi-robot sensor-delivery planning strategy for static-sensor networks | |
Chen et al. | A multirobot cooperative area coverage search algorithm based on bioinspired neural network in unknown environments | |
Mina et al. | Penguin huddling-inspired energy sharing and formation movement in multi-robot systems | |
Coles et al. | A Bayesian network approach to a biologically inspired motion strategy for mobile wireless sensor networks | |
Kosut et al. | Integrated mobile and static sensing for target tracking | |
Farahani et al. | A fuzzy based priority approach in mobile sensor network coverage | |
Akshay et al. | Artificial neural network and iot based scheme in internet of robotic things |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200731 |
|
WW01 | Invention patent application withdrawn after publication |