CN112153594B - 一种基于启发式算法的无线传感器网络任务分配方法 - Google Patents

一种基于启发式算法的无线传感器网络任务分配方法 Download PDF

Info

Publication number
CN112153594B
CN112153594B CN202011026884.XA CN202011026884A CN112153594B CN 112153594 B CN112153594 B CN 112153594B CN 202011026884 A CN202011026884 A CN 202011026884A CN 112153594 B CN112153594 B CN 112153594B
Authority
CN
China
Prior art keywords
task
sensor
chromosome
node
population
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.)
Active
Application number
CN202011026884.XA
Other languages
English (en)
Other versions
CN112153594A (zh
Inventor
杨嘉琛
倪天蕾
王天应
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN202011026884.XA priority Critical patent/CN112153594B/zh
Publication of CN112153594A publication Critical patent/CN112153594A/zh
Application granted granted Critical
Publication of CN112153594B publication Critical patent/CN112153594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明涉及一种基于启发式算法的无线传感器网络任务分配方法，包括下列步骤：加载任务模型与无线传感器网络，获取任务模型中的任务数量与无线传感器网络中的传感器节点，用于之后的染色体编码；种群初始化：种群中每一条染色体对应着一种任务分配方案，染色体长度为任务模型中任务数量，节点存储的元素为网络模型中的传感器节点，即染色体第i个节点存储传感器节点A，代表调度传感器节点A执行任务i；对种群中的个体进行3‑1交叉操作；进行变异操作；计算种群中个体的适应度值，进行选择操作；进行信息素浓度更新；输出最优解。

Description

一种基于启发式算法的无线传感器网络任务分配方法
技术领域
本发明属于物联网领域，涉及一种基于启发式算法的无线传感器网络任务分配方法。
背景技术
传感器网络由大量形体较小、能源受限且具备计算和无线通信能力的传感器节点组成，这些传感器节点可以感知来自环境的信息，处理感测到的数据并传送到网络中的其它装置。传感器网络目前广泛应用于括环境监测、对象跟踪、森林防火、战场态势监控等领域。因此，传感器网络得到了科学界和工业界的越来越多的研究和关注。部署无线传感器网络通常是为了完成一项复杂的任务，为了完成任务，无线传感器网络需要消耗大量能量来收集信息、处理数据和传播数据。但是无线传感器网络的组成部分—传感器节点是一个用电池供电的小型、低成本设备，单个传感器节点资源有限，只能执行相对简单的操作。因此为了成功完成任务，网络中的传感器节点应该协同工作，这就需要我们把复杂的任务分解成低资源需求的子任务，保证传感器节点的资源足以完成子任务。传感器节点有限的计算能力和能量储备限制了其独立完成任务的能力，因此合理的任务分配对提升网络性能和延长网络寿命有着至关重要的作用。
启发式算法可以有效灵活的处理复杂问题，因此可以解决无线传感器网络任务分配问题，启发式算法包括遗传算法，蚁群算法，模拟退火法和粒子群算法。启发式算法能保证小规模场景下根据给定的约束条件找到问题的最优解，但是大规模场景下启发式算法收敛较慢并且同样容易出现提前收敛现象，不能保证所得解为全局最优解，想要提升解的质量就要扩大算法的搜索空间，这使收敛速度更加缓慢，大大降低了算法效率。因此，优化启发式算法解决无线传感器网络任务分配问题是十分必要的。
融合算法是优化启发式算法的有效途径之一，融合算法结合不同启发式算法的特点，在不同阶段以不同的方式取搜索解，在加快收敛速度的同时提高了找到最优解的可能性。
发明内容
本发明提出了一种使用融合启发式算法进行无线传感器网络任务分配方法，将遗传算法和蚁群算法融合的融合算法来解决无线传感器网络任务分配问题。技术方案如下：
一种基于启发式算法的无线传感器网络任务分配方法，包括下列步骤：
第一步，加载任务模型与无线传感器网络，获取任务模型中的任务数量与无线传感器网络中的传感器节点，用于之后的染色体编码。
第二步，种群初始化：种群中每一条染色体对应着一种任务分配方案，染色体长度为任务模型中任务数量，节点存储的元素为网络模型中的传感器节点，即染色体第i个节点存储传感器节点A，代表调度传感器节点A执行任务i；
第三步，对种群中的个体进行3-1交叉操作，根据交叉概率选取三条父染色体，产生一条子染色体，并检查交叉后的子染色体中存不存在能量耗尽的传感器节点，若存在则此次交叉无效，重新选取父染色体的交叉点进行交叉，三条父染色体的交叉过程为：选取三条父染色体中相同位置的两个基因点作为交叉点，将三条父染色体分为九个染色体片段，选择父染色体中相同片段对应分配任务方案能耗较低的三个片段，组合产生一条新的子染色体；
第四步，进行变异操作：根据变异概率选择染色体，从变异节点开始，重新进行任务分配，引入信息素浓度来决定传感器节点被变异染色体选择执行某子任务的概率，其公式为：
Figure BDA0002702379050000021
式中τ(Taskm-Sensorn)为任务m与传感器节点n对下对应的信息素浓度，η(Sensorn-Taskm)为启发因子，能耗越低，传感器节点剩余能量越高，启发因子越大，SNList为待选传感器节点集合，α是信息素浓度权重，β是启发因子权重；
第五步，计算种群中个体的适应度值，进行选择操作。
第六步，进行信息素浓度更新。
第七步，重复第三步到第六步，直至算法达到预设的最大进化代数，输出最优解。
第一步的初始化过程为：利用轮盘赌机制优先选择剩余能量多的集群中心作为某一任务的执行传感器，目的是平衡集群中心的能量负载，避免某一集群中心过早耗尽能量降低网络寿命；然后，在传感器节点满足该任务需求资源的基础上，用节点执行该任务产生的能耗以及节点的剩余能量代表该节点被选择的概率，能耗越小，剩余能量越多，节点被选中执行此任务的概率越大。然后将能耗的倒数与负载倒数之和作为个体的适应度值，能耗越低，负载越均衡，适应度值越高。
第五步具体为：完成交叉和变异之后，计算个体适应度值，采用轮盘赌机制选择被保留的个体，适应度越高越容易被保留；另，选择操作前进行精英保留，即挑选出种群中适应度最高的个体直接加入到下一代种群中，保证最优解一直存在。
第六步中，种群初始化以及每次选择操作完成后，都需更新所有传感器节点的信息素浓度，方法为：
Figure BDA0002702379050000022
Figure BDA0002702379050000023
上述公式中，τ(Taskm-Sensorn)G+1为第G+1代任务m与传感器节点n对下对应的信息素浓度，ρ为挥发系数，τ(Taskm-Sensorn)G为第G代任务m与传感器节点n对下对应的信息素浓度，K为种群个体数，Δτi(Taskm-Sensorn)为第G代任务m与传感器节点n对下对应的信息素增量，其与个体适应度值fitness成正比，常数Q为一个个体可以增加的信息素总量。
本发明通过利用遗传算法和蚁群算法的融合算法解决了无线传感器网络任务分配问题，融合算法提高了最终任务分配方案的质量，并且加快了搜索速度。
附图说明
图1方案流程图
图2任务模型
图3网络模型
具体实施方式
本专利将遗传算法和蚁群算法进行融合，这个目的是提高任务分配算法收敛速度的同时提高获得解的质量。将蚁群算法的核心思想引入到遗传算法的变异算子中，实现两种启发式算法的融合，遗传算法弥补了蚁群算法前期缺乏信息素造成进化缓慢的不足，蚁群算法弥补了遗传算法无法充分利用系统中的反馈信息导致其向最优解收敛的速度逐渐下降的不足,融合算法的表现将优于单独启发式算法。本发明的最佳的实施方案如下所示：
第一步：加载任务模型和网络模型。
第二步：进行种群初始化，染色体的长度为任务模型中任务数量，染色体中节点存储的元素为网络模型中的传感器节点。染色体第i个节点中存储传感器节点A代表调度传感器节点A执行任务i。这样我们就完成了染色体编码，每一条染色体都对应着一种任务分配方案。进行初始化时，为某一任务分配执行传感器首先会去读取网络中全部集群中心的剩余能量，使用轮盘赌法优先选择剩余能量多的集群中心所在的集群来执行该任务。这是为了平衡集群中心的能量负载，避免某一集群中心过早耗尽能量降低网络寿命。同时，集群中心的能量剩余也能反映出整个网络的能耗负载，因为集群中的传感器节点的数据都通过集群中心转发到中央处理器，因此集群中心剩余能量分布均衡，网络模型中的传感器节点能耗负载也会得到一定的改善。接下来，算法会统计选中集群中全部满足该任务需求资源的传感器节点，之后通过计算用一个节点执行该任务产生的能耗结合该节点的剩余能量来代表该节点被选中执行此任务的概率，执行任务产生能耗越小，被选中的概率越大，节点剩余能量越多，被选中的概率越大。之后定义遗传算法个体的适应度值为能耗的倒数与负载倒数之和，因此能耗越低，负载约均衡，适应度值越高。
第三步：进行交叉操作，采用3-1交叉机制，根据设定的交叉概率选取待交叉的父染色体，三条父染色体可以产生一条子染色体，交叉时，选取三个父染色体中相同位置的两个基因点作为交叉点，两个交叉点将三条父染色体分成九个染色体片段，计算三条父染色体中相同片段对应任务分配方案的能耗，并按照能耗低优先的原则从九个片段中选出三个片段，产生新的子染色体。此外，要对产生的子染色体进行检测，若交叉后的子染色体中存在能量耗尽的传感器节点，则此次交叉无效，算法将重新选取交叉点进行交叉操作直至子染色体通过检测，这样避免了传感器能量耗尽导致任务执行失败。
第四步：进行变异操作，根据设定的变异概率选取待变异的染色体。算法在该染色体中随机选取一个基因点作为变异节点，该染色体从变异节点后按类似初始化方式重新进行任务分配，与种群初始化不同的是，选择执行某一任务的传感器节点时，将信息素浓度列入考虑范围。传感器节点被选择的概率为：
Figure BDA0002702379050000031
式中τ(Taskm-Sensorn)为任务m与传感器节点n对下对应的信息素浓度，η(Sensorn-Taskm)为启发因子，能耗越低，传感器节点剩余能量越高，启发因子越大。SNList为待选传感器节点集合。α是信息素浓度权重，β是启发因子权重。
第五步：进行选择操作，算法中交叉操作和变异操作产生的新个体将被添加到种群中，因此种群规模就会扩大超出设定的种群个体数，选择操作从扩大的种群中选出数目为设定的种群个体数的个体作为新一代种群，选择采用轮盘赌机制，适应度越高的个体被选中的几率越大，这避免了算法早熟收敛。此外，我们引入了精英保留机制，在轮盘赌选择前挑选出种群中适应度最高的个体直接添加到下一代种群中，避免轮盘赌机制造成的最优解丢失。
第六步：进行信息素浓度更新，种群初始化以及每次选择操作完成后，信息素浓度都要更新，其更新公式为：
Figure BDA0002702379050000041
式中τ(Taskm-Sensorn)为第G+1代任务m与传感器节点n对下对应的信息素浓度，ρ为挥发系数，τ(Taskm-Sensorn)G为第G代任务m与传感器节点n对下对应的信息素浓度，K为种群个体数，Δτi(Taskm-Sensorn)为第G代任务m与传感器节点n对下对应的信息素增量，信息素增量的定义为：
Figure BDA0002702379050000042
式中Q为一个个体可以增加的信息素总量，fitness为个体的适应度值，个体产生的信息素增量与适应度值成反比，也就是说，适应度值越高，在上面留下的信息素就会越浓。
第七步：判断进化代数是否达到设定的最大进化代数，如果没有达到，则返回第三步，如果达到，则输出这一代的最优染色体(适应度值最高的染色体)对应的任务分配方案作为最终结果。

Claims (2)

1.一种基于启发式算法的无线传感器网络任务分配方法，包括下列步骤：
第一步，加载任务模型与无线传感器网络，获取任务模型中的任务数量与无线传感器网络中的传感器节点，用于之后的染色体编码；
第二步，种群初始化：种群中每一条染色体对应着一种任务分配方案，染色体长度为任务模型中任务数量，节点存储的元素为网络模型中的传感器节点，即染色体第i个节点存储传感器节点A，代表调度传感器节点A执行任务i；初始化过程为：利用轮盘赌机制优先选择剩余能量多的集群中心作为某一任务的执行传感器，目的是平衡集群中心的能量负载，避免某一集群中心过早耗尽能量降低网络寿命；然后，在传感器节点满足该任务需求资源的基础上，用节点执行该任务产生的能耗以及节点的剩余能量代表该节点被选择的概率，能耗越小，剩余能量越多，节点被选中执行此任务的概率越大；然后将能耗的倒数与负载倒数之和作为个体的适应度值，能耗越低，负载越均衡，适应度值越高；
第三步，对种群中的个体进行3-1交叉操作，根据交叉概率选取三条父染色体，产生一条子染色体，并检查交叉后的子染色体中存不存在能量耗尽的传感器节点，若存在则此次交叉无效，重新选取父染色体的交叉点进行交叉，三条父染色体的交叉过程为：选取三条父染色体中相同位置的两个基因点作为交叉点，将三条父染色体分为九个染色体片段，选择父染色体中相同片段对应分配任务方案能耗较低的三个片段，组合产生一条新的子染色体；
第四步，进行变异操作：根据变异概率选择染色体，从变异节点开始，重新进行任务分配，引入信息素浓度来决定传感器节点被变异染色体选择执行某子任务的概率，其公式为：
Figure FDA0003127222940000011
式中τ(Taskm-Sensorn)为任务m与传感器节点n对下对应的信息素浓度，η(Sensorn-Taskm)为启发因子，能耗越低，传感器节点剩余能量越高，启发因子越大，SNList为待选传感器节点集合，α是信息素浓度权重，β是启发因子权重；
第五步，计算种群中个体的适应度值，进行选择操作；
第六步，种群初始化以及每次选择操作完成后，都需更新所有传感器节点的信息素浓度，方法为：
Figure FDA0003127222940000012
Figure FDA0003127222940000013
上述公式中，τ(Taskm-Sensorn)G+1为第G+1代任务m与传感器节点n对下对应的信息素浓度，ρ为挥发系数，τ(Taskm-Sensorn)G为第G代任务m与传感器节点n对下对应的信息素浓度，K为种群个体数，Δτi(Taskm-Sensorn)为第G代任务m与传感器节点n对下对应的信息素增量，其与个体适应度值fitness成正比，常数Q为一个个体可以增加的信息素总量；
第七步，重复第三步到第六步，直至算法达到预设的最大进化代数，输出最优解。
2.根据权利要求1所述的方法，其特征在于，第五步具体为：完成交叉和变异之后，计算个体适应度值，采用轮盘赌机制选择被保留的个体，适应度越高越容易被保留；另，选择操作前进行精英保留，即挑选出种群中适应度最高的个体直接加入到下一代种群中，保证最优解一直存在。
CN202011026884.XA 2020-09-25 2020-09-25 一种基于启发式算法的无线传感器网络任务分配方法 Active CN112153594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011026884.XA CN112153594B (zh) 2020-09-25 2020-09-25 一种基于启发式算法的无线传感器网络任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011026884.XA CN112153594B (zh) 2020-09-25 2020-09-25 一种基于启发式算法的无线传感器网络任务分配方法

Publications (2)

Publication Number Publication Date
CN112153594A CN112153594A (zh) 2020-12-29
CN112153594B true CN112153594B (zh) 2021-09-07

Family

ID=73897407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011026884.XA Active CN112153594B (zh) 2020-09-25 2020-09-25 一种基于启发式算法的无线传感器网络任务分配方法

Country Status (1)

Country Link
CN (1) CN112153594B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6907304B1 (en) * 1999-04-08 2005-06-14 George Mason University Method and apparatus of measuring a relative utility for each of several different tasks based on identified system goals
CN102149158A (zh) * 2011-04-18 2011-08-10 武汉理工大学 基于网格分簇的传感器网格数据融合方法
CN102547776A (zh) * 2012-01-10 2012-07-04 南京邮电大学 基于模型驱动和进化算法的无线传感器网络模型转换方法
CN103345657A (zh) * 2013-04-02 2013-10-09 江苏大学 云计算环境下基于遗传和蚁群的任务调度方法
CN105430706A (zh) * 2015-11-03 2016-03-23 国网江西省电力科学研究院 一种基于改进粒子群算法的无线传感网络路由优化方法
CN107820276A (zh) * 2017-10-27 2018-03-20 北京邮电大学 一种无线传感器任务分配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180326581A1 (en) * 2017-05-11 2018-11-15 King Fahd University Of Petroleum And Minerals System and method for auction-based and adaptive multi-threshold multi-agent task allocation

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6907304B1 (en) * 1999-04-08 2005-06-14 George Mason University Method and apparatus of measuring a relative utility for each of several different tasks based on identified system goals
CN102149158A (zh) * 2011-04-18 2011-08-10 武汉理工大学 基于网格分簇的传感器网格数据融合方法
CN102547776A (zh) * 2012-01-10 2012-07-04 南京邮电大学 基于模型驱动和进化算法的无线传感器网络模型转换方法
CN103345657A (zh) * 2013-04-02 2013-10-09 江苏大学 云计算环境下基于遗传和蚁群的任务调度方法
CN105430706A (zh) * 2015-11-03 2016-03-23 国网江西省电力科学研究院 一种基于改进粒子群算法的无线传感网络路由优化方法
CN107820276A (zh) * 2017-10-27 2018-03-20 北京邮电大学 一种无线传感器任务分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
云计算任务调度策略研究;邓见光;《中国优秀博士学位论文全文数据库(电子期刊)》;20151231;全文 *
基于混合算法的数控加工路径规划优化;余蔚荔;《现代电子技术》;20160815;第39卷(第16期);全文 *

Also Published As

Publication number Publication date
CN112153594A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
Kurdi A new hybrid island model genetic algorithm for job shop scheduling problem
US10474504B2 (en) Distributed node intra-group task scheduling method and system
CN107172166A (zh) 面向工业智能化服务的云雾计算系统
CN107656799B (zh) 一种多云环境下考虑通信和计算代价的工作流调度方法
CN106936892A (zh) 一种自组织云多对多计算迁移方法及系统
Zhong et al. Ant colony optimization algorithm for lifetime maximization in wireless sensor network with mobile sink
Wen et al. Energy-efficient task allocation for reliable parallel computation of cluster-based wireless sensor network in edge computing
Jin et al. Latency and energy-consumption optimized task allocation in wireless sensor networks
CN115421885B (zh) 一种分布式多目标云任务的调度方法、装置及云服务系统
CN113127193A (zh) 一种边缘网络动态业务卸载和调度方法及装置
CN116107692A (zh) 动态融合遗传算法的边缘容器多目标蚁群优化调度方法
CN112153594B (zh) 一种基于启发式算法的无线传感器网络任务分配方法
CN104540171B (zh) 一种无线传感器网络中的节点任务分配方法
TW201734831A (zh) 應用歸屬服務集群的分配方法和裝置
Tziritas et al. Agent placement in wireless embedded systems: memory space and energy optimizations
Mhasawade et al. A survey of hybrid metaheuristics to minimize makespan of job shop scheduling problem
CN111245906B (zh) 一种业务请求分配方法
Du et al. An Improved Ant Colony Algorithm for New energy Industry Resource Allocation in Cloud Environment
CN113139774B (zh) 一种面向多仓库运输的车辆路径优化方法
Alisa et al. Minimizing energy consumption in wireless sensor networks using modified genetic algorithm and an energy balance filter
CN112506644A (zh) 基于云边端混合计算模式系统的任务调度方法和系统
Guo et al. An energy sensitive system framework for cloud robotic network
CN112801548B (zh) 一种航班调度的系统
Periyanayagi et al. Performance comparison of WSN &WSAN using genetic algorithm
Huang et al. Hadoop job scheduling based on mixed ant-genetic algorithm

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