CN112887994A - 基于改进二进制粒子群的无线传感器网络优化方法及应用 - Google Patents

Abstract

本发明公开一种基于改进二进制粒子群的无线传感器网络优化方法及应用，该方法步骤包括：初始化总体矩阵；设置速度范围，初始化每个粒子的最佳历史位置，设置最大迭代次数；设计适应度函数；根据适应度函数计算每个粒子的适应度值，初始化全局最优位置的值和位置；根据优化二进制粒子群算法更新个体的速度和位置；计算每个个体的适应度值，若当前个体的适应度值高于个体最优位置的适应度值，则用该个体更新个体最优位置；比较当前个体的最佳适合度值和全局最优位置的适合度值后更新全局最优位置；重复迭代直至满足迭代终止条件后输出当前的全局最优位置。本发明实现对无线传感器网络进行优化，合理分配网络的空间资源，提高数据测量的准确性和有效性。

Description

基于改进二进制粒子群的无线传感器网络优化方法及应用

技术领域

本发明涉及无线传感器网络技术领域，具体涉及一种基于改进二进制粒子群的无线传感器网络优化方法及应用。

背景技术

在传感器网络节点数量和网络能量一般有限的情况下，如何根据不同的应用环境需求对无线传感器网络进行不同的覆盖控制，成为无线传感器网络中亟待解决的问题，许多学者对无线传感器网络的覆盖问题进行了研究，针对不同的应用提出了不同的覆盖控制算法，最原始的覆盖优化算法通常基于图论和探针，它只适用于小规模无线传感器网络，Viera等根据传感器节点的位置将网络区域划分为若干Voronoi多边形区域。中国的Jiang等人在计算几何中使用了一种基于Voronoi的算法，设计了一种基于目标区域Voronoi划分的集中化逼近算法，用于计算完全覆盖目标区域所需的近似最小连通覆盖节点集。Ma提出了一种连接的能量平衡覆盖模型，采用Voronoi划分和Defaunay三角法对传感器网络进行分割。Xiao-Pei et al.针对节点失效导致无线传感器网络退化的问题，提出了评价网络覆盖率和连通性的两个定量指标，并建立了相应的评价模型。通过实验模拟，总结和比较了不同故障类型下网络监控性能的变化。Khelil和Beghdad提出了一种被称为高效自我部署算法(ESA)的分布式局部协议，在该协议中，移动传感器可以在最佳位置移动和自我组织。

在上述方法中，基于目标区域Voronoi划分的集中化逼近算法是根据Voronoi图的最近距离性质，将目标区域的覆盖情况转化为判断Voronoi图中顶点的覆盖情况，从而将区域覆盖问题转化为点覆盖问题，因此其只能保证为覆盖度为1的情况，能量平衡覆盖模型计算所需最少活跃节点数比实际需要大很多；基于粒子群算法的无线传感器网络覆盖优化问题存在粒子在优化过程中收敛速度较慢且容易陷入局部最优的问题；基于蚁群算法的无线传感器网络覆盖优化问题中，该算法虽然可以构建一条最短路由，但是会导致最短路由能量消耗过快导致整个网络的生命周期缩短。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提出一种基于改进二进制粒子群的无线传感器网络优化方法，改进的二进制粒子群算法提高了局部搜索能力以及全局搜索能力，在算法开始时全局搜索能力得到提高，在后期增强局部搜索能力，改进的二进制粒子群算法用于无限传感器网络优化算法，以期待传感器节点能够分布覆盖更广的区域，具有覆盖需求的无线传感器网络优化问题本质上是一个约束优化问题，对于不符合覆盖要求的解，如果直接删除，则会减少解的多样性。基于此，提出了一种小概率变异替换策略来替换搜索过程中不满足覆盖要求的个体，使其符合覆盖需求；此外，对适应度函数进行了改进，通过改进适应度函数中的参数来调整网络密度；本发明实现对无线传感器网络进行优化，合理分配网络的空间资源，提高数据测量的准确性和有效性。

本发明的第二目的在提供一种基于改进二进制粒子群的无线传感器网络优化系统。

本发明的第三目的在于提供一种存储介质。

本发明的第四目的在于提供一种计算设备。

为了达到上述目的，本发明采用以下技术方案：

本发明提供一种基于改进二进制粒子群的无线传感器网络优化方法，包括下述步骤：

初始化总体矩阵X，X＝[N][S]，其中，N表示种群的数量，S表示传感器节点的数量；

设置惯性权重、学习因子和阈值；

设置速度范围，初始化每个粒子的最佳历史位置，设置最大迭代次数，初始化当前迭代次数；

构建适应度函数，表示为：

f(individual)＝α₁×coverPoints-α₂×workingNodes

其中，α₁、α₂表示权重参量，coverPoints表示被覆盖的点的数目，workingNodes表示处于工作状态的节点总数；

根据所述适应度函数计算每个粒子的适应度值，初始化全局最优位置的值和位置；

根据优化二进制粒子群算法更新个体的速度和位置；

计算每个个体的适应度值，与该个体目前个体最优位置的适应度值比较，若当前个体的适应度值更高，则用该个体更新个体最优位置；

比较当前个体的最佳适合度值和全局最优位置的适合度值；如果当前个体的最佳适合度值更高，更新全局最优位置；

重复迭代，直至满足迭代终止条件后输出当前的全局最优位置。

作为优选的技术方案，所述根据优化二进制粒子群算法更新个体的速度和位置，具体步骤包括：

更新个体的速度：

其中，

表示粒子i在第t+1代的速度，ω表示惯性权重，

为粒子i在第t代的速度，c1、c2均表示学习因子，r1，r2为(0，1)之间符合正态分布的随机数，

表示粒子i在已有代数中最好的位置，

表示所有粒子里在所有代中最好的位置，

表示粒子i在第t代中的位置；

当迭代次数t＜γ*MaxIter时，粒子位置更新方式为：

计算粒子i在t+1代的位变化概率，表示为：

其中，γ表示阈值，MaxIter表示最大迭代次数，

为粒子i在t+1代的位变化概率，

表示粒子i在第t+1代的速度；

在

时：

在

时：

其中，

为第t+1代粒子i中传感器n的速度的绝对值，

为第t+1代粒子i中传感器n的位置的绝对值，

为所有代中传感器n最佳的位置，rand()为(0,1)之间服从正态分布的随机数，

为第t+1代粒子i中传感器n的位变化概率；

当迭代次数t≥γ*MaxIter时，粒子位置更新方式为：

当

时，

当

时，

其中，exp()表示以自然常数e为底的指数函数。

作为优选的技术方案，在所述计算每个个体的适应度值之前，还包括概率变异替换步骤，具体步骤包括：

设定点覆盖率及阈值θ；

循环检索个体集中的个体，对于不满足点覆盖率要求的个体，对每一位生成一个介于(0，1)之间的随机值rand()；当小于阈值时，位发生变化，否则，比特不会改变；

循环检索个体集中的个体，直到个体满足点覆盖率要求。

为了达到上述第二目的，本发明采用以下技术方案：

一种基于改进二进制粒子群的无线传感器网络优化系统，包括：初始化模块、参数设置模块、适应度函数构建模块、适应度值计算模块、个体速度和位置更新模块、个体最优位置更新模块、全局最优位置更新模块和输出模块；

所述初始化模块用于初始化总体矩阵X，X＝[|N|][|S|]，其中，N表示种群的数量，S表示传感器节点的数量，用于初始化每个粒子的最佳历史位置及当前迭代次数；

所述参数设置模块用于设置惯性权重、学习因子和阈值，用于设置速度范围，设置最大迭代次数；

所述适应度函数构建模块用于构建适应度函数，表示为：

f(individual)＝α₁×coverPoints-α₂×workingNodes

其中，α₁、α₂表示权重参量，coverPoints表示被覆盖的点的数目，workingNodes表示处于工作状态的节点总数；

所述适应度值计算模块用于根据所述适应度函数计算每个粒子的适应度值，初始化全局最优位置的值和位置；

所述个体速度和位置更新模块用于根据优化二进制粒子群算法更新个体的速度和位置；

所述个体最优位置更新模块用于计算每个个体的适应度值，与该个体目前个体最优位置的适应度值比较，若当前个体的适应度值更高，则用该个体更新个体最优位置；

所述全局最优位置更新模块用于比较当前个体的最佳适合度和全局最优位置的适合度；如果当前个体的最佳适合度更高，更新全局最优位置；

所述输出模块用于重复迭代直至满足迭代终止条件后输出当前的全局最优位置。

作为优选的技术方案，所述个体速度和位置更新模块用于根据优化二进制粒子群算法更新个体的速度和位置，具体步骤包括：

更新个体的速度：

其中，

表示粒子i在第t+1代的速度，ω表示惯性权重，

为粒子i在第t代的速度，c1、c2均表示学习因子，r1,r2为(0，1)之间符合正态分布的随机数，

表示粒子i在已有代数中最好的位置，

表示所有粒子里在所有代中最好的位置，

表示粒子i在第t代中的位置；

当迭代次数t＜γ*MaxIter时，粒子位置更新方式为：

计算粒子i在t+1代的位变化概率，表示为：

其中，γ表示阈值，MaxIter表示最大迭代次数，

为粒子i在t+1代的位变化概率，

表示粒子i在第t+1代的速度；

在

时：

在

时：

其中，

为第t+1代粒子i中传感器n的速度的绝对值，

为第t+1代粒子i中传感器n的位置的绝对值，

为所有代中传感器n最佳的位置，rand()为(0,1)之间服从正态分布的随机数，

为第t+1代粒子i中传感器n的位变化概率；

当迭代次数t≥γ*MaxIter时，粒子位置更新方式为：

当

时，

当

时，

其中，exp()表示以自然常数e为底的指数函数。

作为优选的技术方案，还设有概率变异替换模块，用于对不符合点覆盖率要求的个体，给每个比特一个变异概率，具体步骤包括：

设定点覆盖率及阈值θ；

循环检索个体集中的个体，对于不满足点覆盖率要求的个体，对每一位生成一个介于(0，1)之间的随机值rand()；当小于阈值时，位发生变化，否则，比特不会改变；

循环检索个体集中的个体，直到个体满足点覆盖率要求。

为了达到上述第三目的，本发明采用以下技术方案：

一种存储介质，存储有程序，所述程序被处理器执行时实现如上述基于改进二进制粒子群的无线传感器网络优化方法。

为了达到上述第四目的，本发明采用以下技术方案：

一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现如上述基于改进二进制粒子群的无线传感器网络优化方法。

本发明与现有技术相比，具有如下优点和有益效果：

(1)本发明根据种群迭代的代数分别设置两个阶段的个体速度以及位置更新策略，同时设计新的适应度函数，提高算法在种群求解初期寻找解的范围，确保解的多样性，避免陷入局部最优，而在优化后期能够保证算法能够较快收敛，保证了求解速度，因此通过改进的二进制粒子群优化算法在解决离散优化问题中，能够保证求解速度快，并且解的准确率高。

(2)本发明通过改进的二进制粒子群优化算法应用在无线传感器网络覆盖问题，提出了小概率变异替换策略，解决传统粒子群算法在处理无线传感器网络覆盖问题中的收敛速度较慢且容易陷入局部最优的问题，并且不会造成整个网络的生命周期缩短。

附图说明

图1为本实施例的基于改进二进制粒子群的无线传感器网络优化方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。

实施例1

如图1所示，本实施例提供一种基于改进二进制粒子群(BPSO)的无线传感器网络优化方法，包括下述步骤：

由于传感器节点只有两种状态：“工作”或“睡眠”，一种直观的编码方式是0/1编码；那是，个体的每个位是0或1，对应于“睡眠”和“工作”状态。该过程显示为如下：

(1)初始化总体X＝[N][S]是N行S列矩阵；N种群的数量，S是传感器节点的数量，设置惯性权重ω，学习因子分别为c1,c2，阈值θ，γ；每行的一位代表一个传感器，相应的值代表传感器的状态：0代表“睡眠”，1代表“工作”。计算每个个体的覆盖率。如果有个体未达到COV_RATE的要求，请初始化个体(此处COV_RATE设置为0.9)。

(2)设置速度范围[-v_max,v_max]，初始化每个粒子的最佳历史位置pbest_i＝x_i,i＝1,2,...,S,x_i＝(x_i1,x_i2,...,x_iS)，设置最大迭代次数MaxIter，当前迭代次数为t＝0；

(3)设计适应度函数

适应度函数的设计需要体现两个方面的要求。第一，网络覆盖范围要尽可能大。其次，工作的传感器节点数量应尽可能少。为了便于讨论，将工作网络节点定义为工作节点。将网络覆盖率定义为cov_速率，所覆盖的点数为覆盖点。适应度函数的简单设计为：

当采用式(1)作为适应度函数时，只考虑网络中覆盖的总点数和工作节点总数。但是忽略了网络的密度，导致一些区域的传感器密度较高，而另一些区域的传感器密度较低。因此，在此基础上，提出一种改进的适应度函数，认为该节点不应该打开在节点密集的地方，但在节点稀疏的地方，因为它能增加coverPoints的增长。适应度函数的设计是从几何角度考虑的。经过分析，引入参数CIRCLE_GRID∈(0，1)。如果打开一个新节点可以增加coverPoints至不小于

则被认为不小于该节点值得打开。基于此思想，提出了一种改进的适应度函数：

通过分析式(1)和式(2)，两个式中的变量仅为coverPoints(被覆盖的点的数目)和workingNodes(表示处于工作状态的节点总数)。本质的区别是两个变量在公式中所占的比例不同。因此，本实施例引入了两个参数α₁和α₂∈R，定义适应度函数为：

f(individual)＝α₁×coverPoints-α₂×workingNodes (3)

(4)利用公式(3)计算每个粒子的适应度值，初始化全局最优位置gbest的值和位置。

(5)根据优化二进制粒子群算法更新个体的速度

和位置

粒子群算法分为连续型和离散型。传感器的覆盖问题是离散问题，因此采用离散型的粒子群算法进行优化，与连续型的粒子群算法不同，它通过S型函数更新粒子的位置；

其中

为粒子i在第t代的速度，由于传感器个数为S个，即

为粒子i在已有代数中最好的位置，

为所有粒子里在所有代中最好的位置，

为粒子i在第t代中的位置，由于传感器个数为S个，即

r1,r2为(0，1)之间符合正态分布的随机数，规定如果

那么

如果

那么

(目的是为了使速度更新控制在规定的范围，如果超过这个范围这调整为范围的边界值)。

其中

为粒子i在t+1代的位变化概率，即位从1转变为0的概率，或由0转变为1的概率，

表示粒子i在第t+1代的速度；

其中

为第t+1代粒子i中传感器n的速度的绝对值，

为第t+1代粒子i中传感器n的位置的绝对值，

为所有代中传感器n最佳的位置，rand()为(0,1)之间服从正态分布的随机数，

为第t+1代粒子i中传感器n的位变化概率。

粒子群算法的寻优过程是一个粒子速度逐渐下降，最后慢慢收敛于0的过程，当粒子的位值发生改变的概率较大时，有利于种群多样性的增加，但不利于算法后期的收敛，即不利于局部搜索，因此提出了一个具有局部搜索能力的公式如下：

其中，exp()是指以自然常数e为底的指数函数；

当

时，

当

时，(9)

因此粒子速度与位置的更新规则为：

若t＜γ*MaxIter：

使用(4)，(5)，(6)，(7)更新；

t≥γ*MaxIter

使用(4)，(8)，(9)更新；

为了保持种群的多样性和保证优化过程的完整性，本实施例提出了一种小概率变异替换策略。对于不符合要求的个体，给每个比特一个小的变异概率。如果个体在变异后符合要求，进入下一代。如果点覆盖率没有被满足0.9，此处点覆盖率定义为：设D中有n₁个点可以被传感器网络探测到，设D中共有n₀个目标探测点，则类似的可以定义点覆盖度ρ'＝n₁/n₀，重复这个过程。其中，对于BPSO算法，完整集C＝{0，1}，Cu{ai}表示{ai}的补码。即对于不满足约束要求的个体，对每一位生成一个介于(0，1)之间的随机值rand()；当小于阈值时，位发生变化；否则，比特不会改变。重复此过程，直到个体满足覆盖要求，即传感器的节点满足点覆盖率需求。阈值越小，突变个体与原始个体之间的相似性越高。对于本节中提出的WSN优化问题，即对于其覆盖范围的个体当不满足覆盖要求时，进行小概率变异替换操作，直到变异后的个体满足覆盖要求；然后突变的个体进入下一代。该算法流程如下所示：

输入条件为不满足约束的个体：indi＝{a1，a2，...，an}以及阈值θ；

Step1:循环检索个体集中的个体；

Step2:判断该个体是否满足覆盖要求，若不满足约束则进入step3，否则判断下一个个体是否满足；

Step3:从1到N进行循环，如果随机数rand()小于阈值θ则令该个体ai＝Cu{ai}；

Step4:循环结束，跳到step2；

Step5:输出n个满足约束条件的个体indi’；

(6)对于每个满足约束条件的个体i＝1，2，...，N，根据公式(3)计算适应度值，与该个体目前个体最优位置pbest的适应度值比较，如果当前个体适应度值更高，用该个体更新pbest；

(7)比较当前个体的最佳适合度值和全局最优位置gbest的适合度值；如果当前个体的最佳适合度值更高，更新全局最优位置gbest；

(8)如果未满足迭代终止条件，重复步骤(5)、(6)以及(7)，t＝t+1；

(9)输出当前的全局最优位置gbest。

实施例2

本实施例提供一种基于改进二进制粒子群的无线传感器网络优化系统，包括：初始化模块、参数设置模块、适应度函数构建模块、适应度值计算模块、个体速度和位置更新模块、个体最优位置更新模块、全局最优位置更新模块和输出模块；

在本实施例中，初始化模块用于初始化总体矩阵X，X＝[N][S]，其中，N表示种群的数量，S表示传感器节点的数量，用于初始化每个粒子的最佳历史位置及当前迭代次数；

在本实施例中，参数设置模块用于设置惯性权重、学习因子和阈值，用于设置速度范围，设置最大迭代次数；

在本实施例中，适应度函数构建模块用于构建适应度函数，表示为：

f(individual)＝α₁×coverPoints-α₂×workingNodes

其中，α₁、α₂表示权重参量，coverPoints表示被覆盖的点的数目，workingNodes表示处于工作状态的节点总数；

在本实施例中，适应度值计算模块用于根据所述适应度函数计算每个粒子的适应度值，初始化全局最优位置的值和位置；

在本实施例中，个体速度和位置更新模块用于根据优化二进制粒子群算法更新个体的速度和位置；

在本实施例中，个体最优位置更新模块用于计算每个个体的适应度值，与该个体目前个体最优位置的适应度值比较，若当前个体的适应度值更高，则用该个体更新个体最优位置；

在本实施例中，全局最优位置更新模块用于比较当前个体的最佳适合度和全局最优位置的适合度；如果当前个体的最佳适合度更高，更新全局最优位置；

在本实施例中，输出模块用于重复迭代直至满足迭代终止条件后输出当前的全局最优位置。

实施例3

本实施例提供一种存储介质，存储介质可以是ROM、RAM、磁盘、光盘等储存介质，该存储介质存储有一个或多个程序，所述程序被处理器执行时，实现实施例1的基于改进二进制粒子群的无线传感器网络优化方法。

实施例4

本实施例提供一种计算设备，所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备，该计算设备包括该计算设备包括处理器和存储器，存储器存储有一个或多个程序，处理器执行存储器存储的程序时，实现实施例1的基于改进二进制粒子群的无线传感器网络优化方法。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于改进二进制粒子群的无线传感器网络优化方法，其特征在于，包括下述步骤：

初始化总体矩阵X，X＝[|N|][|S|]，其中，N表示种群的数量，S表示传感器节点的数量；

设置惯性权重、学习因子和阈值；

设置速度范围，初始化每个粒子的最佳历史位置，设置最大迭代次数，初始化当前迭代次数；

构建适应度函数，表示为：

f(individual)＝α₁×coverPoints-α₂×workingNodes

其中，α₁、α₂表示权重参量，coverPoints表示被覆盖的点的数目，workingNodes表示处于工作状态的节点总数；

根据所述适应度函数计算每个粒子的适应度值，初始化全局最优位置的值和位置；

根据优化二进制粒子群算法更新个体的速度和位置；

计算每个个体的适应度值，与该个体目前个体最优位置的适应度值比较，若当前个体的适应度值更高，则用该个体更新个体最优位置；

比较当前个体的最佳适合度值和全局最优位置的适合度值；如果当前个体的最佳适合度值更高，更新全局最优位置；

重复迭代，直至满足迭代终止条件后输出当前的全局最优位置。

2.根据权利要求1所述的基于改进二进制粒子群的无线传感器网络优化方法，其特征在于，所述根据优化二进制粒子群算法更新个体的速度和位置，具体步骤包括：

更新个体的速度：

其中，

表示粒子i在第t+1代的速度，ω表示惯性权重，

为粒子i在第t代的速度，c1、c2均表示学习因子，r1，r2为(0，1)之间符合正态分布的随机数，

表示粒子i在已有代数中最好的位置，

表示所有粒子里在所有代中最好的位置，

表示粒子i在第t代中的位置；

当迭代次数t＜γ*MaxIter时，粒子位置更新方式为：

计算粒子i在t+1代的位变化概率，表示为：

其中，γ表示阈值，MaxIter表示最大迭代次数，

勾粒子i在t+1代的位变化概率，

表示粒子i在第t+1代的速度；

在

时：

在

时：

其中，

为第t+1代粒子i中传感器n的速度的绝对值，

为第t+1代粒子i中传感器n的位置的绝对值，

为所有代中传感器n最佳的位置，rand()为(0，1)之间服从正态分布的随机数，

为第t+1代粒子i中传感器n的位变化概率；

当迭代次数t≥γ*MaxIter时，粒子位置更新方式为：

当

时，

当

时，

其中，exp()表示以自然常数e为底的指数函数。

3.根据权利要求1所述的基于改进二进制粒子群的无线传感器网络优化方法，其特征在于，在所述计算每个个体的适应度值之前，还包括概率变异替换步骤，具体步骤包括：

设定点覆盖率及阈值θ；

循环检索个体集中的个体，对于不满足点覆盖率要求的个体，对每一位生成一个介于(0，1)之间的随机值rand()；当小于阈值时，位发生变化，否则，比特不会改变；

循环检索个体集中的个体，直到个体满足点覆盖率要求。

4.一种基于改进二进制粒子群的无线传感器网络优化系统，其特征在于，包括：初始化模块、参数设置模块、适应度函数构建模块、适应度值计算模块、个体速度和位置更新模块、个体最优位置更新模块、全局最优位置更新模块和输出模块；

所述初始化模块用于初始化总体矩阵X，X＝[|N|][|S|]，其中，N表示种群的数量，S表示传感器节点的数量，用于初始化每个粒子的最佳历史位置及当前迭代次数；

所述参数设置模块用于设置惯性权重、学习因子和阈值，用于设置速度范围，设置最大迭代次数；

所述适应度函数构建模块用于构建适应度函数，表示为：

f(individual)＝α₁×coverPoints-α₂×workingNodes

其中，α₁、α₂表示权重参量，coverPoints表示被覆盖的点的数目，workingNodes表示处于工作状态的节点总数；

所述适应度值计算模块用于根据所述适应度函数计算每个粒子的适应度值，初始化全局最优位置的值和位置；

所述个体速度和位置更新模块用于根据优化二进制粒子群算法更新个体的速度和位置；

所述个体最优位置更新模块用于计算每个个体的适应度值，与该个体目前个体最优位置的适应度值比较，若当前个体的适应度值更高，则用该个体更新个体最优位置；

所述全局最优位置更新模块用于比较当前个体的最佳适合度和全局最优位置的适合度；如果当前个体的最佳适合度更高，更新全局最优位置；

所述输出模块用于重复迭代直至满足迭代终止条件后输出当前的全局最优位置。

5.根据权利要求4所述的基于改进二进制粒子群的无线传感器网络优化系统，其特征在于，所述个体速度和位置更新模块用于根据优化二进制粒子群算法更新个体的速度和位置，具体步骤包括：

更新个体的速度：

其中，

表示粒子i在第t+1代的速度，ω表示惯性权重，

为粒子i在第t代的速度，c1、c2均表示学习因子，r1，r2为(0，1)之间符合正态分布的随机数，

表示粒子i在已有代数中最好的位置，

表示所有粒子里在所有代中最好的位置，

表示粒子i在第t代中的位置；

当迭代次数t＜γ*MaxIter时，粒子位置更新方式为：

计算粒子i在t+1代的位变化概率，表示为：

其中，γ表示阈值，MaxIter表示最大迭代次数，

为粒子i在t+1代的位变化概率，

表示粒子i在第t+1代的速度；

在

时：

在

时：

其中，

为第t+1代粒子i中传感器n的速度的绝对值，

为第t+1代粒子i中传感器n的位置的绝对值，

为所有代中传感器n最佳的位置，rand()为(0，1)之间服从正态分布的随机数，

为第t+1代粒子i中传感器n的位变化概率；

当迭代次数t≥γ*MaxIter时，粒子位置更新方式为：

当

时，

当

时，

其中，exp()表示以自然常数e为底的指数函数。

6.根据权利要求4所述的基于改进二进制粒子群的无线传感器网络优化系统，其特征在于，还设有概率变异替换模块，用于对不符合点覆盖率要求的个体，给每个比特一个变异概率，具体步骤包括：

设定点覆盖率及阈值θ；

循环检索个体集中的个体，对于不满足点覆盖率要求的个体，对每一位生成一个介于(0，1)之间的随机值rand()；当小于阈值时，位发生变化，否则，比特不会改变；

循环检索个体集中的个体，直到个体满足点覆盖率要求。

7.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1-3任一项所述基于改进二进制粒子群的无线传感器网络优化方法。

8.一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现如权利要求1-3任一项所述基于改进二进制粒子群的无线传感器网络优化方法。

Images