CN113115342B - 一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统 - Google Patents
一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统 Download PDFInfo
- Publication number
- CN113115342B CN113115342B CN202110405026.4A CN202110405026A CN113115342B CN 113115342 B CN113115342 B CN 113115342B CN 202110405026 A CN202110405026 A CN 202110405026A CN 113115342 B CN113115342 B CN 113115342B
- Authority
- CN
- China
- Prior art keywords
- sparrow
- deployment
- determining
- wireless sensor
- optimal
- 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
Links
- 241000287127 Passeridae Species 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010845 search algorithm Methods 0.000 title claims description 30
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000012163 sequencing technique Methods 0.000 claims description 21
- 230000008447 perception Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000002789 length control Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000036626 alertness Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- 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
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统。该发明包括：获取待监测区域的大小以及无线传感器节点的感知半径；根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定无线传感器节点的M个部署方案；根据M个部署方案，采用麻雀搜索优化算法和虚拟力算法确定最优部署方案；根据所述最优部署方案进行无线传感器节点的部署。本发明能够提高SSA的全局优化效果，提高其收敛速度，加快计算速度和寻优精度，并且利用该方法在求解覆盖优化问题上，实现高覆盖率的效果。
Description
技术领域
本发明涉及无线传感器节点部署领域，特别是涉及一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统。
背景技术
无线传感器网络(Wireless SensorNetworks，WSNs)是由大量传感器节点部署在监测区域内形成的自组织网络，该技术能够满足快速移动、自组织和方便快捷的需求，其发展也日益成熟，不同类型的传感器节点可以观测不同的现象，例如风速、温度、气压、水污染以及其他物体信号等。以军事领域中移动传感器为例，将移动平台与传感器相结合，基于信息采集与数据传输可实现对条件恶劣且人工无法干预的战场环境进行监测。由于节点的能量有限及监测环境的复杂性，节点的最佳位置常因敌意攻击或监测任务而调整变化，如何通过部署优化方法来满足监测区域的覆盖要求，是WSNs面临的重要挑战之一。当随机抛洒大量传感器节点时，由于传感器的电池电量有限，会导致部分区域覆盖盲区或者高密度节点覆盖，覆盖盲区会直接影响监测质量，节点过密采集会造成汇聚节点接收处理和转发数据时浪费能量，且过多的冗余数据会造成信道阻塞以及数据之间发生干扰，影响网络的可靠性，在能耗与成本上造成大量的资源浪费。
因此，需要对WSNs中的传感器节点部署优化来应对各种可能发生的情况(节点死亡造成数量的减少、节点随机位置部署造成的浪费、节点数量增加造成网络的重部署)，从而更合理分配网络空间资源，更好的完成环境感知信息获取任务，对整个网络节约成本构建有着重要意义。
现有的传感器节点部署的优化是将麻雀搜索优化算法(Sparrow SearchAlgorithm，SSA)应用到WSNs中。上述方法主要缺陷包括两方面：在节点位置迭代更新时，算法收敛速度较慢，需迭代多次才能寻找到最优值，主要由于麻雀取决于全局最优者更新，而全局最优者更新寻优较慢。SSA应用于覆盖优化问题，因原始SSA中种群麻雀个数为100个，因此在部署节点数目较多时，其算法的计算性能会下降。
因此，亟需一种新的WSNs优化部署方法，能够提高SSA的全局优化效果，提高其收敛速度，加快计算速度和寻优精度，并且利用该方法在求解覆盖优化问题上，实现高覆盖率的效果。
发明内容
基于上述问题，本发明提供一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统。
为实现上述目的，本发明提供了如下方案：
一种虚拟力导向麻雀搜索算法的WSNs部署方法，包括：
获取待监测区域的大小以及无线传感器节点的感知半径；
根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定无线传感器节点的M个部署方案；所述实际部署方案包括每一无线传感器节点的位置以及个数；每一所述部署方案作为一只麻雀；
根据M个部署方案，采用麻雀搜索优化算法和虚拟力算法确定最优部署方案；
根据所述最优部署方案进行无线传感器节点的部署。
可选的，所述根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定无线传感器节点的M个部署方案，具体包括：
根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定所述无线传感器节点的个数；
在所述待监测区域内随机抛洒相应个数的无线传感器节点，确定所述无线传感器节点的实际位置；
根据所述无线传感器节点的个数和所述实际位置确定实际部署方案；
根据所述实际部署方案以及所述无线传感器节点的感知半径生成M-1个部署方案。
可选的，所述根据M个部署方案，采用麻雀搜索优化算法和虚拟力算法确定最优部署方案，具体包括：
确定当前时刻的每一所述部署方案的覆盖率；
对当前时刻的每一所述部署方案的覆盖率进行由大到小的排序，并确定当前时刻的最优覆盖率；
根据排序结果确定麻雀种群的发现者、麻雀种群中的加入者以及麻雀种群的警戒者；所述麻雀种群的发现者为占排序结果前20％的个体；所述麻雀种群中的加入者为排序结果后80％的个体；所述麻雀种群的警戒者为随机抽取发现者和加入者中的10％的个体；
对所述麻雀种群的发现者和所述麻雀种群中的加入者进行下一时刻的位置更新；
对所述所述麻雀种群的警戒者采用虚拟力算法进行下一时刻的位置更新；
根据更新位置后的麻雀种群确定最优麻雀位置；
判断所述迭代次数是否达到迭代次数阈值；
若达到，则将最优麻雀位置作为所述最优部署方案；
若未达到，则返回所述确定当前时刻的每一所述部署方案的覆盖率的步骤。
可选的，所述确定当前时刻的每一所述部署方案的覆盖率，具体包括：
采用布尔感知模型确定当前时刻的每一所述部署方案的覆盖率。
一种虚拟力导向麻雀搜索算法的WSNs部署系统，包括：
数据获取模块，用于获取待监测区域的大小以及无线传感器节点的感知半径；
部署方案确定模块，用于根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定无线传感器节点的M个部署方案；所述实际部署方案包括每一无线传感器节点的位置以及个数；每一所述部署方案作为一只麻雀；
最优部署方案确定模块，用于根据M个部署方案，采用虚拟力导向麻雀搜索的算法确定最优部署方案；
无线传感器节点部署模块，用于根据所述最优部署方案进行无线传感器节点的部署。
可选的，所述部署方案确定模块具体包括：
无线传感器节点的个数确定单元，用于根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定所述无线传感器节点的个数；
无线传感器节点的实际位置确定单元，用于在所述待检测区域内随机抛洒相应个数的无线传感器节点，确定所述无线传感器节点的实际位置；
实际部署方案确定单元，用于根据所述无线传感器节点的个数和所述实际位置确定实际部署方案；
部署方案确定单元，用于根据所述实际部署方案以及所述无线传感器节点的感知半径生成M-1个部署方案。
可选的，所述最优部署方案确定模块具体包括：
覆盖率确定单元，用于确定当前时刻的每一所述部署方案的覆盖率；
排序结果确定单元，用于对当前时刻的每一所述部署方案的覆盖率进行由大到小的排序，并确定当前时刻的最优覆盖率；
麻雀种群类型确定单元，用于根据排序结果确定麻雀种群的发现者、麻雀种群中的加入者以及麻雀种群的警戒者；所述麻雀种群的发现者为占排序结果前20％的个体；所述麻雀种群中的加入者为排序结果后80％的个体；所述麻雀种群的警戒者随机抽取发现者和加入者中的10％的个体；
第一位置更新单元，用于对所述麻雀种群的发现者和所述麻雀种群中的加入者进行下一时刻的位置更新；
第二位置更新单元，用于对所述所述麻雀种群的警戒者采用虚拟力算法进行下一时刻的位置更新；
最优麻雀位置确定单元，用于根据更新位置后的麻雀种群确定最优麻雀位置；
判断单元，用于判断所述迭代次数是否达到迭代次数阈值；
最优部署方案确定单元，用于若达到，则将最优麻雀位置作为所述最优部署方案；
迭代单元，用于若未达到，则返回所述确定当前时刻的每一所述部署方案的覆盖率的步骤。
可选的，所述覆盖率确定单元具体包括：
覆盖率确定子单元，用于采用布尔感知模型确定当前时刻的每一所述部署方案的覆盖率。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统，以无线传感器网络覆盖为优化目标，每一种部署方案作为一只麻雀，建立麻雀种群，初始化每只麻雀的位置，根据M个部署方案，采用麻雀搜索优化算法和虚拟力算法确定最优部署方案。在麻雀搜索算法的基础上，通过加入了虚拟力扰动项，指导麻雀飞行到最佳位置，则可以提高SSA的收敛速度和搜索能力。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种虚拟力导向麻雀搜索算法的WSNs部署方法流程示意图；
图2为本发明所提供的一种虚拟力导向麻雀搜索算法的WSNs部署方法原理示意图；
图3为本发明所提供的实施例中无线传感器节点的实际部署方案示意图；
图4为本发明所提供的实施例中无线传感器节点采用SSA算法的最优部署方案示意图；
图5为本发明所提供的实施例中无线传感器节点采用虚拟力导向麻雀搜索算法的最优部署方案示意图；
图6为本发明所提供的实施例中SSA算法与虚拟力导向麻雀搜索算法的迭代曲线图；
图7为本发明所提供的实施例中SSA算法与虚拟力导向麻雀搜索算法统计50次实验的箱线图；
图8为本发明所提供的实施例中SSA算法与虚拟力导向麻雀搜索算法对比麻雀数量变化对覆盖影响图；
图9为本发明所提供的一种虚拟力导向麻雀搜索算法的WSNs部署系统结构示意图。
具体实施方式
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，所描述的实施例仅仅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。
本发明的目的是提供一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统，能够提高SSA的全局优化效果，提高其收敛速度，加快计算速度和寻优精度，并且利用该方法在求解覆盖优化问题上，实现高覆盖率的效果。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种虚拟力导向麻雀搜索算法的WSNs部署方法流程示意图，图2为本发明所提供的一种虚拟力导向麻雀搜索算法的WSNs部署方法原理示意图，如图1和图2所示，本发明所提供的一种虚拟力导向麻雀搜索算法的WSNs部署方法，包括：
S101，获取待监测区域的大小以及无线传感器节点的感知半径。
S102，根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定无线传感器节点的M个部署方案；所述实际部署方案包括每一无线传感器节点的位置以及个数；每一所述部署方案作为一只麻雀。
S102具体包括：
根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定所述无线传感器节点的个数。
在所述待检测区域内随机抛洒相应个数的无线传感器节点，确定所述无线传感器节点的实际位置。
根据所述无线传感器节点的个数和所述实际位置确定实际部署方案。
根据所述实际部署方案以及所述无线传感器节点的感知半径生成M-1个部署方案。
作为一个具体的实施例，在待监测区域内随机抛洒n个传感器节点，形成无线传感器部署方案的一种实际部署方案，其余M-1个方案通过实际部署方案生成；生成方式为在每个节点的感知半径RS的区域内，再生成M-1个新的节点位置信息，依次通过该方式形成M-1个部署方案。其麻雀种群的位置信息表示为：
其中，在时刻t时，麻雀种群的位置信息用X表示，其中(x1,1x1,2……x1,n)表示一种部署方案中的第1～n个传感器的坐标值，x1,1包含1号传感器节点的横坐标和纵坐标。
S103，根据M个部署方案，采用麻雀搜索优化算法和虚拟力算法确定最优部署方案。
S103具体包括：
确定当前时刻的每一所述部署方案的覆盖率。
所述确定当前时刻的每一所述部署方案的覆盖率，具体包括：
采用布尔感知模型确定当前时刻的每一所述部署方案的覆盖率。
即目标处于节点感知范围内，就可被感知，则传感器覆盖率的计算通过判断区域内点是否被感知得到。考虑n个传感器中，第i个传感器坐标为(xi,yi)，(i为1到n中的任一正整数)，其传感器的感知半径为r。
对于待监测区域，由于其不规则性和传感器部署位置不规则性，直接计算全部传感器覆盖率比较困难。因此，可以通过将待监测区域网格化，通过均匀分布的网格点，分别计算每个网格点的覆盖率，再通过全部网格顶点，计算该区域的覆盖率。这样，传感器对于待监测区域的覆盖率可以有效的通过计算待监测区域中每个网格点的探测概率来得到。
在所述无线传感器网络中，第i个传感器坐标为si(xi,yi)，探测半径为r，i为1到n中的任一正整数；将待监测区域划分为均匀的网络，可获得L×M个网格顶点，其中任选一网络顶点为T(xj,yj)，则节点与目标点的距离为
计算第i个节点对T(xj,yj)的覆盖率为p(xj,yj)，在计算无线传感器对于T点的覆盖率时，采用如下的布尔感知模型：
当Tj的位置在节点si的感知范围内时，则感知质量为1；相反，则在节点si对Tj的感知质量为0；目标Tj都可能被多个传感器感知，因此目标点Tj被传感器节点集合S感知的联合概率为：
该待监测区的覆盖率是所有传感器节点覆盖的目标点数与该区域总的目标点数的比值，定义为：
该覆盖率便为虚拟力导向麻雀搜索算法VFSSA的适应度函数。
对当前时刻的每一所述部署方案的覆盖率进行由大到小的排序，并确定当前时刻的最优覆盖率。
覆盖率(适应度值)越大其麻雀的位置越优获得麻雀种群中的全局最优位置
记录全局最差位置
根据排序结果确定麻雀种群的发现者、麻雀种群中的加入者以及麻雀种群的警戒者；所述麻雀种群的发现者为占排序结果前20％的个体；所述麻雀种群中的加入者为排序结果后80％的个体；所述麻雀种群的警戒者随机抽取发现者和加入者中的10％的个体。
对所述麻雀种群的发现者和所述麻雀种群中的加入者进行下一时刻的位置更新。
即作为发现者的麻雀，其适应度值比较高，其具有领导和导向作用，而在每一轮迭代更新的过程中，只要寻找更好的食物来源，每只麻雀都可以成为发现者；这里所述的更好的食物来源指的是麻雀位置更新后，其适应度值在种群排序中较好。
麻雀种群在下一时刻的位置更新中，其发现者的位置更新公式为：
其中，itermax表示算法的最大迭代次数；α为[0,1]之间的均匀随机数；Q是服从标准正态分布的均匀随机数；L表示的矩阵，且元素均为1；R2和ST分别表示报警值和安全阈值。
作为加入者的麻雀，个数占种群的80％，其特点在于适应度值不高，其跟随发现者来更新其位置，若觅食位置差，有可能飞向其他地方以获得更多能量；这里所述能量就是评价麻雀的适应度值的覆盖率大小。加入者位置更新公式为：
式中，
表示第t+1次迭代时发现者的最佳位置；
表示第t次迭代时的全局最差位置；A表示一个1×n的矩阵，其中每个元素随机赋值为1或者-1，且A+＝AT·(AAT)-1；i表示每只麻雀适应度值由大到小排序的序号。
对所述所述麻雀种群的警戒者采用虚拟力算法进行下一时刻的位置更新。
种群中还存在一些麻雀意识到危险后进行反捕行为，称为警戒者，，个数占种群的10％，特点是任何发现者和加入者都有可能成为警戒者，警戒者的位置是随机在两者之中产生的。当警戒者的麻雀的适应度值超过了全局最优值时，其值并未出现过，则位置更新朝着全局最优的方向更新，否则，若麻雀的适应度值等于全局最优值时，则该麻雀往全局最差值的方向更新，来寻找新解；若麻雀的适应度值不超过全局最优值时，则警戒者不做任何更新。
警戒者位置更新如下：
式中β作为步长控制参数，是服从均值为0，方差为1的正态分布随机数；K是[-1，1]的一个随机数；fi、fg和fw分别表示当前麻雀的适应度、全局最优和最差适应度。ε是为了防止分母为零的最小正整数。而
为t时麻雀种群中的适应度值最大的个体，可表示为：
上式表示从全局最优值
和VFA产生的
中选择适应度值最大的作为
其中
中每一维度横坐标与纵坐标都可按下面的公式进行更新：
其中，(xold,yold)为同纬度下
的坐标，Fx、Fy分别为x轴上受的力和y轴上受的力，而
MaxStep为节点最大移动步长。
x轴上受的力和y轴上受的力都可以按照以下力的公式进行计算：
任一节点
所受合力Fi可以表示为：
其中k表示在节点si通信范围内节点的总个数，l＝4表示边界的个数，
表示节点
受到节点
的力，可表示为：
其中，C为通信距离，wA、wR分别为引力系数和斥力系数，dij为节点
与节点
之间的欧式距离，dth为节点之间的距离阈值，αij表示节点
受到力的角度值。
表示节点
受到边界bl的力：
计算下一时刻每只麻雀所对应部署方案的覆盖率，获得全局最优位置
比较
与
的覆盖率，若
对应覆盖率大，则将
的值赋给
个体；否则，保留
即以SSA对每只麻雀进行迭代更新其位置，其中在麻雀更新的位置的过程中，添加虚拟力扰动项；迭代搜索直到设定的迭代次数后，输出全局最优的麻雀位置信息，实现麻雀的搜索优化；虚拟力扰动项是通过对麻雀种群中的全局最优值进行虚拟力算法，得到一个新的最优值，通过与原始全局最优值进行比较保留最优值，再进行算法的迭代更新。
根据更新位置后的麻雀种群确定最优麻雀位置；
判断所述迭代次数是否达到迭代次数阈值；
若达到，则将最优麻雀位置作为所述最优部署方案；
若未达到，则返回所述确定当前时刻的每一所述部署方案的覆盖率的步骤。
S104，根据所述最优部署方案进行无线传感器节点的部署。
本发明将无线传感器网络中传感器位置作为优化算法的输入变量，考虑传感器网络对于被覆盖区域的覆盖率为优化适应度函数，通过最大化该函数，获得理想的部署方法。VFSSA算法综合了VFA和SSA的思想，将虚拟力应用于全局最优值的位置更新上，从而引导种群往最优的方向更新。在原始SSA中，由于全局最优值的位置更新效果比较慢，因此收敛速度部分取决于全局最优值。此外，全局最优值位置可能不是最佳结果，尤其是在优化的前期，这会影响优化的收敛性。在麻雀搜索算法的基础上，通过加入了虚拟力扰动项，指导麻雀飞行到最佳位置，则可以提高SSA的收敛速度和搜索能力。
为了进一步说明上述问题，对本发明使用的虚拟力导向的麻雀搜索算法在无线传感器网络覆盖问题进行仿真。考虑30个传感器部署在面积为100m×100m的区域中。麻雀种群大小为100，传感器通信半径RS＝12m。设定的麻雀搜索算法参数为发现者占比20％、加入者占比80％、警戒者占比10％以及ST＝0.8，迭代次数为100次。网格大小考虑为1m×1m，即有10000个网格点用于计算覆盖率。
监控区域面积为100m×100m时，节点为30个时，SSA算法与虚拟力导向麻雀搜索算法覆盖效果图如图4和图5所示，其中，圆形区域是各传感器的感知范围。图3是实际部署方案示意图，图4是执行SSA后的最优部署方案示意图，图5是执行VFSSA后的最优部署方案示意图。从图4和图5中节点的分布可以看出，执行VFSSA后的传感器节点分布更均匀，覆盖效果更好。
为了比较算法的收敛性能，通过比较两者的覆盖率迭代情况，如图6所示，从图6中可以看出VFSSA算法的收敛速度相比改进前，收敛速度加快且覆盖率大幅提高；为了防止实验的随机性，考虑100次随机实验，统计实验数据箱线图进行比较如图7所示，结果表明，VFSSA覆盖优化效果明显，SSA的平均覆盖率为86.9％，VFSSA的平均覆盖率为98.2％。
考虑不同麻雀数量对算法的影响，考虑了节点数量范围从1到100情况下，SSA与VFSSA的比较，如图8所示。结果表明SSA在麻雀数量越来越大时，整体波动范围比较大，其覆盖率的变化情况整体随着种群数量的增多呈现递增的情形，因此当SSA采用较大的种群数目来求解问题时，其计算速度会较慢，不利于问题求解。而VFSSA节点数量对算法覆盖率影响变动不大，因此可以采用较少的种群数目来进行寻优计算。
图9为本发明所提供的一种虚拟力导向麻雀搜索算法的WSNs部署系统结构示意图，如图9所示，本发明所提供的一种虚拟力导向麻雀搜索算法的WSNs部署系统，包括：
数据获取模块901，用于获取待监测区域的大小以及无线传感器节点的感知半径；
部署方案确定模块902，用于根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定无线传感器节点的M个部署方案；所述实际部署方案包括每一无线传感器节点的位置以及个数；每一所述部署方案作为一只麻雀；
最优部署方案确定模块903，用于根据M个部署方案，采用麻雀搜索优化算法和虚拟力算法确定最优部署方案；
无线传感器节点部署模块904，用于根据所述最优部署方案进行无线传感器节点的部署。
所述部署方案确定模块902具体包括：
无线传感器节点的个数确定单元，用于根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定所述无线传感器节点的个数；
无线传感器节点的实际位置确定单元，用于在所述待检测区域内随机抛洒相应个数的无线传感器节点，确定所述无线传感器节点的实际位置；
实际部署方案确定单元，用于根据所述无线传感器节点的个数和所述实际位置确定实际部署方案；
部署方案确定单元，用于根据所述实际部署方案以及所述无线传感器节点的感知半径生成M-1个部署方案。
所述最优部署方案确定模块903具体包括：
覆盖率确定单元，用于确定当前时刻的每一所述部署方案的覆盖率；
排序结果确定单元，用于对当前时刻的每一所述部署方案的覆盖率进行由大到小的排序，并确定当前时刻的最优覆盖率；
麻雀种群类型确定单元，用于根据排序结果确定麻雀种群的发现者、麻雀种群中的加入者以及麻雀种群的警戒者；所述麻雀种群的发现者为占排序结果前20％的个体；所述麻雀种群中的加入者为排序结果后80％的个体；所述麻雀种群的警戒者随机抽取发现者和加入者中的10％的个体；
第一位置更新单元，用于对所述麻雀种群的发现者和所述麻雀种群中的加入者进行下一时刻的位置更新；
第二位置更新单元，用于对所述所述麻雀种群的警戒者采用虚拟力算法进行下一时刻的位置更新；
最优麻雀位置确定单元，用于根据更新位置后的麻雀种群确定最优麻雀位置；
判断单元，用于判断所述迭代次数是否达到迭代次数阈值；
最优部署方案确定单元，用于若达到，则将最优麻雀位置作为所述最优部署方案；
迭代单元，用于若未达到，则返回所述确定当前时刻的每一所述部署方案的覆盖率的步骤。
所述覆盖率确定单元具体包括：
覆盖率确定子单元，用于采用布尔感知模型确定当前时刻的每一所述部署方案的覆盖率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种虚拟力导向麻雀搜索算法的WSNs部署方法，其特征在于，包括：
获取待监测区域的大小以及无线传感器节点的感知半径；
根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定无线传感器节点的M个部署方案；所述部署方案包括每一无线传感器节点的位置以及个数；每一所述部署方案作为一只麻雀；
根据M个部署方案，采用麻雀搜索优化算法和虚拟力算法确定最优部署方案；
根据所述最优部署方案进行无线传感器节点的部署；
所述根据M个部署方案，采用麻雀搜索优化算法和虚拟力算法确定最优部署方案，具体包括：
确定当前时刻的每一所述部署方案的覆盖率；
对当前时刻的每一所述部署方案的覆盖率进行由大到小的排序，并确定当前时刻的最优覆盖率；
根据排序结果确定麻雀种群的发现者、麻雀种群中的加入者以及麻雀种群的警戒者；所述麻雀种群的发现者为占排序结果前20％的个体；所述麻雀种群中的加入者为排序结果后80％的个体；所述麻雀种群的警戒者随机抽取发现者和加入者中的10％的个体；
对所述麻雀种群的发现者和所述麻雀种群中的加入者进行下一时刻的位置更新；
对所述麻雀种群的警戒者采用虚拟力算法进行下一时刻的位置更新；
根据更新位置后的麻雀种群确定最优麻雀位置；
判断迭代次数是否达到迭代次数阈值；
若达到，则将最优麻雀位置作为所述最优部署方案；
若未达到，则返回所述确定当前时刻的每一所述部署方案的覆盖率的步骤；
麻雀种群在下一时刻的位置更新中，发现者的位置更新公式为：
其中，
为发现者在t+1次迭代时的位置，
为发现者在t次迭代时的位置，itermax表示算法的最大迭代次数，α为[0,1]之间的均匀随机数，Q是服从标准正态分布的均匀随机数，L表示的矩阵，且元素均为1，R2和ST分别表示报警值和安全阈值；
加入者位置更新公式为：
对所述麻雀种群的警戒者采用虚拟力算法进行下一时刻的位置更新；
警戒者位置更新如下：
β作为步长控制参数，是服从均值为0，方差为1的正态分布随机数；K是[-1，1]的一个随机数，fi、fg和fw分别表示当前麻雀的适应度、全局最优和最差适应度，ε是为了防止分母为零的最小正整数，
为t时麻雀种群中的适应度值最大的个体，可表示为：
其中，(xold,yold)为同纬度下
的坐标，Fx、Fy分别为x轴上受的力和y轴上受的力，而
MaxStep为节点最大移动步长。
2.根据权利要求1所述的一种虚拟力导向麻雀搜索算法的WSNs部署方法，其特征在于，所述根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定无线传感器节点的M个部署方案，具体包括：
根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定所述无线传感器节点的个数；
在所述待监测区域内随机抛洒相应个数的无线传感器节点，确定所述无线传感器节点的实际位置；
根据所述无线传感器节点的个数和所述实际位置确定实际部署方案；
根据所述实际部署方案以及所述无线传感器节点的感知半径生成M-1个部署方案。
3.根据权利要求1所述的一种虚拟力导向麻雀搜索算法的WSNs部署方法，其特征在于，所述确定当前时刻的每一所述部署方案的覆盖率，具体包括：
采用布尔感知模型确定当前时刻的每一所述部署方案的覆盖率。
4.一种虚拟力导向麻雀搜索算法的WSNs部署系统，用于实现权利要求1-3任意一项所述的一种虚拟力导向麻雀搜索算法的WSNs部署方法，其特征在于，包括：
数据获取模块，用于获取待监测区域的大小以及无线传感器节点的感知半径；
部署方案确定模块，用于根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定无线传感器节点的M个部署方案；所述部署方案包括每一无线传感器节点的位置以及个数；每一所述部署方案作为一只麻雀；
最优部署方案确定模块，用于根据M个部署方案，采用麻雀搜索优化算法和虚拟力算法确定最优部署方案；
无线传感器节点部署模块，用于根据所述最优部署方案进行无线传感器节点的部署。
5.根据权利要求4所述的一种虚拟力导向麻雀搜索算法的WSNs部署系统，其特征在于，所述部署方案确定模块具体包括：
无线传感器节点的个数确定单元，用于根据所述待监测区域的大小以及所述无线传感器节点的感知半径确定所述无线传感器节点的个数；
无线传感器节点的实际位置确定单元，用于在所述待监测区域内随机抛洒相应个数的无线传感器节点，确定所述无线传感器节点的实际位置；
实际部署方案确定单元，用于根据所述无线传感器节点的个数和所述实际位置确定实际部署方案；
部署方案确定单元，用于根据所述实际部署方案以及所述无线传感器节点的感知半径生成M-1个部署方案。
6.根据权利要求5所述的一种虚拟力导向麻雀搜索算法的WSNs部署系统，其特征在于，所述最优部署方案确定模块具体包括：
覆盖率确定单元，用于确定当前时刻的每一所述部署方案的覆盖率；
排序结果确定单元，用于对当前时刻的每一所述部署方案的覆盖率进行由大到小的排序，并确定当前时刻的最优覆盖率；
麻雀种群类型确定单元，用于根据排序结果确定麻雀种群的发现者、麻雀种群中的加入者以及麻雀种群的警戒者；所述麻雀种群的发现者为占排序结果前20％的个体；所述麻雀种群中的加入者为排序结果后80％的个体；所述麻雀种群的警戒者随机抽取发现者和加入者中的10％的个体；
第一位置更新单元，用于对所述麻雀种群的发现者和所述麻雀种群中的加入者进行下一时刻的位置更新；
第二位置更新单元，用于对所述麻雀种群的警戒者采用虚拟力算法进行下一时刻的位置更新；
最优麻雀位置确定单元，用于根据更新位置后的麻雀种群确定最优麻雀位置；
判断单元，用于判断迭代次数是否达到迭代次数阈值；
最优部署方案确定单元，用于若达到，则将最优麻雀位置作为所述最优部署方案；
迭代单元，用于若未达到，则返回所述确定当前时刻的每一所述部署方案的覆盖率的步骤。
7.根据权利要求6所述的一种虚拟力导向麻雀搜索算法的WSNs部署系统，其特征在于，所述覆盖率确定单元具体包括：
覆盖率确定子单元，用于采用布尔感知模型确定当前时刻的每一所述部署方案的覆盖率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110405026.4A CN113115342B (zh) | 2021-04-15 | 2021-04-15 | 一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110405026.4A CN113115342B (zh) | 2021-04-15 | 2021-04-15 | 一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113115342A CN113115342A (zh) | 2021-07-13 |
| CN113115342B true CN113115342B (zh) | 2022-12-09 |
Family
ID=76717796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110405026.4A Active CN113115342B (zh) | 2021-04-15 | 2021-04-15 | 一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113115342B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113490179A (zh) * | 2021-07-19 | 2021-10-08 | 北京信息科技大学 | 一种基于信干噪比概率感知的无人机覆盖优化方法 |
| CN113613259B (zh) * | 2021-08-23 | 2022-08-30 | 中国地质大学（武汉） | 连续立体空间下的传感器节点覆盖部署方法及系统 |
| CN113987929B (zh) * | 2021-10-21 | 2024-08-06 | 中国矿业大学 | 一种基于fa-ssa-svm算法的煤层渗透率变化预测方法 |
| CN114980007A (zh) * | 2022-05-23 | 2022-08-30 | 西安建筑科技大学 | 无线传感器节点部署方法、装置、设备及可读存储介质 |
| CN118250653B (zh) * | 2024-03-05 | 2024-11-01 | 山东省淄博生态环境监测中心 | 一种基于物联网的环境智能实时监测方法和系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102735332B (zh) * | 2012-07-16 | 2014-06-18 | 中国民航大学 | 一种移动传感器网络机场噪声监测覆盖优化方法及装置 |
| CN105554774B (zh) * | 2014-10-31 | 2019-04-23 | 富士通株式会社 | 无线网络部署方法和装置 |
| CN105611555B (zh) * | 2015-12-31 | 2019-04-09 | 北京科技大学 | 一种基于虚拟力导向的传感器网络节能覆盖控制方法 |
| CN106792750B (zh) * | 2016-12-29 | 2019-11-12 | 湖北大学 | 一种基于导向粒子群算法的节点部署方法 |
| CN112469050B (zh) * | 2019-09-06 | 2023-01-10 | 西安邮电大学 | 一种基于改进灰狼优化器的wsn三维覆盖增强方法 |
| CN112492661B (zh) * | 2020-12-10 | 2022-04-15 | 中南民族大学 | 基于改进麻雀搜索算法的无线传感器网络分簇路由方法 |
| CN112654050B (zh) * | 2020-12-21 | 2022-07-05 | 江西理工大学 | 一种增强型麻雀搜索算法的无线传感器网络优化覆盖方法 |
| CN112637775A (zh) * | 2020-12-21 | 2021-04-09 | 西安邮电大学 | 一种基于三维环境的无线传感器网络节点部署方法及系统 |
-
2021
- 2021-04-15 CN CN202110405026.4A patent/CN113115342B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113115342A (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113115342B (zh) | 一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统 | |
| Xu et al. | Uav-assisted task offloading for iot in smart buildings and environment via deep reinforcement learning | |
| Agarwal et al. | Intelligent fault-tolerance data routing scheme for IoT-enabled WSNs | |
| CN103354642B (zh) | 一种提高移动传感器网络覆盖率的方法 | |
| Yoon et al. | Coordinated locomotion and monitoring using autonomous mobile sensor nodes | |
| Ahmad et al. | EEAC: An energy efficient adaptive cluster based target tracking in wireless sensor networks | |
| CN107422326B (zh) | 基于贝叶斯估计的水下目标追踪方法 | |
| Anitha et al. | Detection of replica node attack based on exponential moving average model in wireless sensor networks | |
| Li et al. | Coverage blind area repair based on perceived multimedia data driven in mobile wireless sensor networks | |
| Liu et al. | Coverage algorithm based on perceived environment around nodes in mobile wireless sensor networks | |
| CN112714446B (zh) | 一种基于边缘智能的协作入侵感知方法 | |
| Chen et al. | Cooperative networking strategy of UAV cluster for large-scale WSNs | |
| Duttagupta et al. | Distributed boundary estimation using sensor networks | |
| Cao et al. | An efficient moving object tracking framework for WSNs using sequence-to-sequence learning model | |
| Ou et al. | Modeling wireless sensor network coverage based on random radius | |
| Nakamura et al. | Towards a flexible event-detection model for wireless sensor networks | |
| Lv et al. | A node coverage algorithm for a wireless-sensor-network-based water resources monitoring system | |
| Nimbalkar | Use of neural network in wsns: A survey | |
| Iyengar et al. | Deployment of sensors: An overview | |
| Dragana et al. | An approach for weighted average consensus in event detection | |
| De et al. | A comparative study on performances of sensor deployment algorithms in WSN | |
| JayaPratha et al. | Transient failures detection in data transfer for wireless sensors based communication using stochastic gradient descent with momentum | |
| Yang et al. | BP neural network data fusion algorithm optimized based on adaptive fuzzy particle swarm optimization | |
| Zhou | Research on Node Scheduling Algorithm of Sensor Network based on Support Vector Machine | |
| Borisovskaya | MODELS OF SENSOR NETWORKS WITH CORRELATED SOURCES |
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 |