CN113365282B - 一种wsn障碍性区域覆盖部署方法 - Google Patents

一种wsn障碍性区域覆盖部署方法 Download PDF

Info

Publication number
CN113365282B
CN113365282B CN202110692021.4A CN202110692021A CN113365282B CN 113365282 B CN113365282 B CN 113365282B CN 202110692021 A CN202110692021 A CN 202110692021A CN 113365282 B CN113365282 B CN 113365282B
Authority
CN
China
Prior art keywords
algorithm
bees
food source
bee
coverage
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
CN202110692021.4A
Other languages
English (en)
Other versions
CN113365282A (zh
Inventor
于文杰
秦光旭
曾志
罗淼
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202110692021.4A priority Critical patent/CN113365282B/zh
Publication of CN113365282A publication Critical patent/CN113365282A/zh
Application granted granted Critical
Publication of CN113365282B publication Critical patent/CN113365282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Peptides Or Proteins (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种WSN障碍性区域覆盖部署方法，该方法具体包括以下步骤：将被监测区域划分成点集Ra，设置其中障碍性区域为不可覆盖点集Ro，待覆盖区域为点集Rc＝Ra‑Ro；初始化人工蜂群算法参数(包括种群数、问题维度、最大循环次数和食物源未更新次数)，进行人工蜂群算法循环中的雇佣蜂、跟随蜂和侦查蜂过程；本发明的有益效果是：本发明在候选公式的全局搜索部分引入了线性变化参数和问题维度，该部分随着迭代次数的增加和问题维度的提升而衰弱，本发明在雇佣蜂阶段和跟随蜂阶段均采用改进的搜索方法，进而使得算法能够自适应平衡全局和局部搜索能力，实现算法前期能够充分探索搜索空间，后期可以以较快的速度进行收敛。

Description

一种WSN障碍性区域覆盖部署方法
技术领域
本发明涉及一种WSN障碍性区域覆盖部署方法，具体为一种WSN障碍性区域覆盖部署方法，属于物联网应用技术领域。
背景技术
无线传感器网络（Wireless Sensor Network, WSN）是一种多跳自组织的信息感知、采集与传输系统，能在多种环境下获取详尽、准确的数据，实现人与客观世界的信息交互。WSN覆盖其本质上表达的是网络对目标区域的监测能力。同时，覆盖率也是评价无线传感器网络所提的供服务质量的一个标准。复杂区域的覆盖问题属于NP难的问题，人工蜂群算法常被用来解决这一类问题。传统的人工蜂群算法解决覆盖问题的过程，存在两类问题，一是人工蜂群算法本身存在全局搜索能力强、局部搜索能力弱的缺点，并且算法和问题本身结合不够，对不同的覆盖问题普适性不足；二是传统覆盖问题解决的主要是基于理想的区域覆盖，不存在任何的障碍性物体。因此，本发明中，为解决WSN障碍性覆盖的部署问题，将问题的维度以及适应性等特征融入传统的人工蜂群算法，随着迭代的进行，算法自动进行全局搜索以及局部搜索能力的平衡，实现更为有效的区域覆盖。
发明内容
本发明的目的就在于为了解决上述的问题，而提出一种WSN障碍性区域覆盖部署方法，本发明的覆盖计算过程将障碍性区域考虑进来，基于蒙特卡洛方法进行覆盖率统计；本发明在候选公式的全局搜索部分引入了线性变化参数和问题维度，该部分随着迭代次数的增加和问题维度的提升而衰弱。线性因素使得算法的全局寻优能力随着迭代次数的增大适当的衰弱，而维度D保证当问题维度大，搜索空间大时具有强的全局搜索能力，而当问题维度低时，则减弱全局寻优能力。
本发明的目的可以通过以下技术方案实现：一种WSN障碍性区域覆盖部署方法，该方法具体包括以下步骤：
步骤一：将被监测区域划分为k×w个像素点形成点集Ra，将其中的障碍性区域置为不可覆盖的点集合Ro，则需要覆盖的区域为点集Rc=Ra-Ro；
步骤二：初始化人工蜂群算法的参数，种群数PS、问题维度D（D在该专利中为传感器的数目）、最大循环次数Maxitr以及食物源未更新次数limit；其中，雇佣蜂和跟随蜂各占种群数量的一半为NP，侦察蜂设为1个，算法适应值设定为网络覆盖率；
步骤三：将D个传感器在监测区域内进行随机部署，但是不可部署于障碍性区域，生成初始随机解，作为人工蜂群算法的初始食物源；
步骤四：基于布尔覆盖模型计算传感器 i所覆盖的像素点集，然后，采用蒙特卡罗方法按照下式求出总覆盖率 R ced ，该覆盖率在后续环节将作为算法的适应值；
；
步骤五：雇佣蜂阶段，每个雇佣蜂采用下式进行候选解生成，并通过贪婪选择保留更好的解；
其中，，均为随机变量，y为全局最优解，引入问题维度因素D，用来平衡算法全局搜索与局部搜索能力，引入了问题的适应值，用来弹性调整算法搜索步长进而使算法适应于不同问题的变量，是第i个个体的适应值，是最小适应值，是一个线性变化的参数，根据算法的迭代次数进行调整，Maxitr是算法迭代的最大次数，是算法当前所在的迭代次数；
步骤六：根据下式计算每个食物源将要被跟随蜂选择的概率：
；
步骤七：每个跟随蜂进行食物源探索时，首先随机产生一个随机数，将r同pi进行比较，如果等于或大于，则采取步骤四中的方法进行食物源探索，即生成新的覆盖率，否则，由下一个跟随蜂进行探索，直到探索次数同整体跟随蜂数量相同；
步骤八：侦查蜂阶段，当某个食物源多次被探索并且未更新的次数达到limit时，采用与步骤三相同的方式进行食物源初始化；
步骤九：记忆覆盖率最好的食物源的节点布局；
步骤十：循环次数增加1；
步骤十一：如果超过循环次数，则返回最佳适应值，程序结束，否则回到步骤五；
步骤十二：结束。
与现有技术相比，本发明的有益效果是：
1、本发明的覆盖计算过程将障碍性区域考虑进来，基于蒙特卡洛方法进行覆盖率统计；
2、本发明在候选公式的全局搜索部分引入了线性变化参数和问题维度，该部分随着迭代次数的增加和问题维度的提升而衰弱。线性因素使得算法的全局寻优能力随着迭代次数的增大适当的衰弱，而维度D保证当问题维度大，搜索空间大时具有强的全局搜索能力，而当问题维度低时，则减弱全局寻优能力；
3、本发明在局部搜索部分引入问题适应值和线性变化参数，该部分随着线性参数的增大和不同解适应性的增强而增强。适应值的引入，使得群体中的不同个体具备不同的局部搜索能力，进而使群体个体实现差异化搜索。线性参数引入确保算法的局部搜索能力会在后期得到增强进而使算法求解过程快速收敛；
4、本发明在雇佣蜂阶段和跟随蜂阶段均采用改进的搜索方法，进而使得算法能够自适应平衡全局和局部搜索能力，实现算法前期能够充分探索搜索空间，后期可以以较快的速度进行收敛；
与之前的人工蜂群算法实现覆盖的过程相比，该发明解决的是WSN障碍性区域覆盖的问题，发明中引入了问题的特征，使得解决方法对不同类型的问题具有更好的适应性，同时使得解决方法的全局寻优和局部寻优能力更强，从而更为有效的解决WSN的覆盖问题。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明的一种WSN障碍性区域覆盖部署方法整体实施流程图。
具体实施方式
下面将结合实施例对本发明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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，一种WSN障碍性区域覆盖部署方法，该方法具体包括以下步骤：
步骤一：将被监测区域划分为k×w个像素点形成点集Ra，将其中的障碍性区域置为不可覆盖的点集合Ro，则需要覆盖的区域为点集Rc=Ra-Ro；
步骤二：初始化人工蜂群算法的参数，种群数PS、问题维度D（在该专利中为传感器的数目）、最大循环次数Maxitr以及食物源未更新次数limit；其中，雇佣蜂和跟随蜂各占种群数量的一半为NP，侦察蜂设为1个，算法适应值设定为网络覆盖率；
步骤三：将D个传感器在监测区域内进行随机部署，但是不可部署于障碍性区域，生成初始随机解，作为人工蜂群算法的初始食物源；
步骤四：基于布尔覆盖模型计算传感器 i所覆盖的像素点集，然后，采用蒙特卡罗方法按照下式求出总覆盖率 R ced ，该覆盖率在后续环节将作为算法的适应值；
；
步骤五：雇佣蜂阶段，每个雇佣蜂采用下式进行候选解生成，并通过贪婪选择保留更好的解；
其中，，均为随机变量，y为全局最优解，引入问题维度因素D，用来平衡算法全局搜索与局部搜索能力，引入了问题的适应值，用来弹性调整算法搜索步长进而使算法适应于不同问题的变量，是第i个个体的适应值，是最小适应值，是一个线性变化的参数，根据算法的迭代次数进行调整，Maxitr是算法迭代的最大次数，是算法当前所在的迭代次数，本发明的覆盖计算过程将障碍性区域考虑进来，基于蒙特卡洛方法进行覆盖率统计；
步骤六：根据下式计算每个食物源将要被跟随蜂选择的概率：
；
步骤七：每个跟随蜂进行食物源探索时，首先随机产生一个随机数，将r同pi进行比较，如果等于或大于，则采取步骤四中的方法进行食物源探索，即生成新的覆盖率，否则，由下一个跟随蜂进行探索，直到探索次数同整体跟随蜂数量相同；
步骤八：侦查蜂阶段，当某个食物源多次被探索并且未更新的次数达到limit时，采用与步骤三相同的方式进行食物源初始化，本发明在候选公式的全局搜索部分引入了线性变化参数和问题维度，该部分随着迭代次数的增加和问题维度的提升而衰弱。线性因素使得算法的全局寻优能力随着迭代次数的增大适当的衰弱，而维度D保证当问题维度大，搜索空间大时具有强的全局搜索能力，而当问题维度低时，则减弱全局寻优能力；
步骤九：记忆覆盖率最好的食物源的节点布局；
步骤十：循环次数增加1，本发明在局部搜索部分引入问题适应值和线性变化参数，该部分随着线性参数的增大和不同解适应性的增强而增强。适应值的引入，使得群体中的不同个体具备不同的局部搜索能力，进而使群体个体实现差异化搜索。线性参数引入确保算法的局部搜索能力会在后期得到增强进而使算法求解过程快速收敛；
步骤十一：如果超过循环次数，则返回最佳适应值，程序结束，否则回到步骤五；
步骤十二：结束。
本发明在雇佣蜂阶段和跟随蜂阶段均采用改进的搜索方法，进而使得算法能够自适应平衡全局和局部搜索能力，实现算法前期能够充分探索搜索空间，后期可以以较快的速度进行收敛；
与之前的人工蜂群算法实现覆盖的过程相比，该发明解决的是WSN障碍性区域覆盖的问题，发明中引入了问题的特征，使得解决方法对不同类型的问题具有更好的适应性，同时使得解决方法的全局寻优和局部寻优能力更强，从而更为有效的解决WSN的覆盖问题。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (1)

1.一种WSN障碍性区域覆盖部署方法，其特征在于：该方法具体包括以下步骤：
步骤一：将被监测区域划分为k×w个像素点形成点集Ra，将其中的障碍性区域置为不可覆盖的点集合Ro，则需要覆盖的区域为点集Rc=Ra-Ro；
步骤二：初始化人工蜂群算法的参数，种群数PS、问题维度D、最大循环次数Maxitr以及食物源未更新次数limit；其中，D为传感器的数目,雇佣蜂和跟随蜂各占种群数量的一半为NP，侦察蜂设为1个，算法适应值设定为网络覆盖率；
步骤三：将D个传感器在监测区域内进行随机部署，但是不可部署于障碍性区域，生成初始随机解，作为人工蜂群算法的初始食物源；
步骤四：基于布尔覆盖模型计算传感器i所覆盖的像素点集，然后，采用蒙特卡罗方法按照下式求出总覆盖率R ced ，该覆盖率在后续环节将作为算法的适应值；
；
步骤五：雇佣蜂阶段，每个雇佣蜂采用下式进行候选解生成，并通过贪婪选择保留更好的解；
其中，，均为随机变量，y为全局最优解，引入问题维度因素D，用来平衡算法全局搜索与局部搜索能力，引入了问题的适应值，用来弹性调整算法搜索步长进而使算法适应于不同问题的变量，是第i个个体的适应值，是最小适应值，是一个线性变化的参数，根据算法的迭代次数进行调整，Maxitr是算法迭代的最大次数，是算法当前所在的迭代次数；
步骤六：根据下式计算每个食物源将要被跟随蜂选择的概率：
 ；
步骤七：每个跟随蜂进行食物源探索时，首先随机产生一个随机数，将r同pi进行比较，如果等于或大于，则采取步骤四中的方法进行食物源探索，即生成新的覆盖率，否则，由下一个跟随蜂进行探索，直到探索次数同整体跟随蜂数量相同；
步骤八：侦查蜂阶段，当某个食物源多次被探索并且未更新的次数达到limit时，采用与步骤三相同的方式进行食物源初始化；
步骤九：记忆覆盖率最好的食物源的节点布局；
步骤十：循环次数增加1；
步骤十一：如果超过循环次数，则返回最佳适应值，程序结束，否则回到步骤五；
步骤十二：结束。
CN202110692021.4A 2021-06-22 2021-06-22 一种wsn障碍性区域覆盖部署方法 Active CN113365282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110692021.4A CN113365282B (zh) 2021-06-22 2021-06-22 一种wsn障碍性区域覆盖部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110692021.4A CN113365282B (zh) 2021-06-22 2021-06-22 一种wsn障碍性区域覆盖部署方法

Publications (2)

Publication Number Publication Date
CN113365282A CN113365282A (zh) 2021-09-07
CN113365282B true CN113365282B (zh) 2023-04-07

Family

ID=77535637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110692021.4A Active CN113365282B (zh) 2021-06-22 2021-06-22 一种wsn障碍性区域覆盖部署方法

Country Status (1)

Country Link
CN (1) CN113365282B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114095953A (zh) * 2021-09-28 2022-02-25 成都盛科信息技术有限公司 一种基于人工蜂群算法的无线传感器网络链路可靠性优化算法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105704729A (zh) * 2016-01-22 2016-06-22 南京大学 一种采用改进的人工蜂群算法的无线传感器部署方法
CN112291734A (zh) * 2020-10-22 2021-01-29 江苏科技大学 一种移动传感器网络区域覆盖优化的方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8660322B2 (en) * 2011-08-25 2014-02-25 King Saud University Passive continuous authentication method
CN104965941A (zh) * 2015-06-02 2015-10-07 上海电力学院 基于改进的人工蜂群算法的漏磁检测缺陷重构方法
US9665287B2 (en) * 2015-09-18 2017-05-30 Alibaba Group Holding Limited Data deduplication using a solid state drive controller
WO2017197626A1 (zh) * 2016-05-19 2017-11-23 江南大学 改进人工蜂群优化的极限学习机方法
CN106650058B (zh) * 2016-12-08 2020-06-26 南京航空航天大学 一种基于改进人工蜂群算法的协同电子干扰任务调度方法
CN108629400A (zh) * 2018-05-15 2018-10-09 福州大学 一种基于Levy搜索的混沌人工蜂群算法
CN109272137A (zh) * 2018-07-13 2019-01-25 兰州交通大学 一种基于交叉全局人工蜂群算法的资源调度优化方法
CN111626500A (zh) * 2020-05-25 2020-09-04 南京航空航天大学 一种基于改进人工蜂群算法的路径规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105704729A (zh) * 2016-01-22 2016-06-22 南京大学 一种采用改进的人工蜂群算法的无线传感器部署方法
CN112291734A (zh) * 2020-10-22 2021-01-29 江苏科技大学 一种移动传感器网络区域覆盖优化的方法

Also Published As

Publication number Publication date
CN113365282A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN111625994A (zh) 一种基于动态集成神经网络的多源信息融合火灾预测方法
CN110430579B (zh) 基于果蝇优化的非均匀环境的无线ap部署优化方法
Li et al. Identifying overlapping communities in social networks using multi-scale local information expansion
CN112036540A (zh) 一种基于双种群混合人工蜂群算法的传感器数目优化方法
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
CN107169871B (zh) 一种基于关系组合优化和种子扩张的多关系社区发现方法
CN113365282B (zh) 一种wsn障碍性区域覆盖部署方法
CN115471016B (zh) 一种基于cisso与daed的台风预测方法
CN109657147A (zh) 基于萤火虫和加权极限学习机的微博异常用户检测方法
CN112949820A (zh) 基于生成对抗网络的认知抗干扰目标检测方法
CN114863226A (zh) 一种网络物理系统入侵检测方法
CN116340524A (zh) 一种基于关系自适应网络的小样本时态知识图谱补全方法
Cheng et al. A novel crow search algorithm based on improved flower pollination
CN110298170A (zh) 一种考虑盲目攻击因子的电力scada系统安全性评估方法
CN104092503A (zh) 一种基于狼群优化的人工神经网络频谱感知方法
Jiao et al. [Retracted] An Improved Cuckoo Search Algorithm for Multithreshold Image Segmentation
CN111414552B (zh) 一种在线社交网络谣言传播范围的估计方法
CN113361279A (zh) 一种基于双邻域图神经网络的医疗实体对齐方法及系统
CN116980899A (zh) 一种基于演化博弈的无线传感器入侵检测方法及系统
CN113095477A (zh) 基于de-bp神经网络的风电功率预测方法
CN111897809A (zh) 一种基于生成对抗网络的指挥信息系统数据生成方法
CN116522747A (zh) 一种两阶段优化的挤压铸造工艺参数优化设计方法
CN114861792A (zh) 一种基于深度强化学习的复杂电网关键节点识别方法
Lu et al. Dynamic evolution analysis of desertification images based on BP neural network
Townsend Wireless sensor network clustering with machine learning

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