CN113573333B - 一种基于虚拟力的粒子群异构WSNs覆盖优化算法 - Google Patents

一种基于虚拟力的粒子群异构WSNs覆盖优化算法 Download PDF

Info

Publication number
CN113573333B
CN113573333B CN202110580902.7A CN202110580902A CN113573333B CN 113573333 B CN113573333 B CN 113573333B CN 202110580902 A CN202110580902 A CN 202110580902A CN 113573333 B CN113573333 B CN 113573333B
Authority
CN
China
Prior art keywords
sensor
coverage
network
virtual
nodes
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
CN202110580902.7A
Other languages
English (en)
Other versions
CN113573333A (zh
Inventor
赵小强
廖焕敏
刘敏
文秦
李雄
崔砚鹏
赵康柱
常虹
曾耀平
付银娟
翟永智
姚引娣
高强
赵远洋
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202110580902.7A priority Critical patent/CN113573333B/zh
Publication of CN113573333A publication Critical patent/CN113573333A/zh
Application granted granted Critical
Publication of CN113573333B publication Critical patent/CN113573333B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于虚拟力的粒子群异构WSNs覆盖优化算法，在一个二维的正方形区域部署传感器节点，获取网格点位置坐标，无线传感器网络中所有无线传感器节点的感知半径服从正态分布，判断该距离是否小于传感器的感知半径，若小于感知半径则判定该网格点被覆盖，否则则为未覆盖网格点并输出未覆盖网格点坐标；统计所有被覆盖网格点的个数，并计算传感器的总面积，求出当前覆盖效率。将所有未覆盖网格点视为虚拟节点，对传感器节点产生虚拟引力；并将受到未覆盖网格点虚拟力的传感器节点进行移动处理。本发明降低了算法复杂度、优化了无线传感器网络节点分布、避免后期不必要的能耗及同异构网络中节点感知半径不能进行对比的情况。

Description

一种基于虚拟力的粒子群异构WSNs覆盖优化算法
技术领域
本发明涉及无线传感器网络(Wireless Sensor Networks，WSNs)覆盖领域。特别是涉及一种基于虚拟力的粒子群异构WSNs覆盖优化算法。
背景技术
随着物联网技术的发展，无线传感网络也适用于更多的应用场景，如森林火灾、复杂山地、精准农业、水质监测等。然而，WSNs在复杂环境下，通常采用随机部署方式来部署节点。这就会导致节点分布不均匀，产生一系列冗余面积，从而导致网络覆盖率较低。同时，针对复杂环境中节点能量、通信及计算能力有限等缺点，合理地布设节点，对优化网络部署和提升网络覆盖性能具有重要意义。近年来，覆盖优化是WSNs覆盖问题的研究热点，也是评价该无线传感器网络的重要指标。同时覆盖优化是无线传感器网络正常运行的基本要求也是最终目的之一。针对覆盖优化问题，积累了一定的研究成果，主要是从几何计算、算法改进等方面思考问题。王明华等提出利用节点间协作感知和节点聚类形成协作感知圆盘，通过可信信息覆盖模型计算各重建点权值，最后利用权重泰森多边形图理论设计基于该模型的泰森多边形区域划分算法来进行覆盖优化。冯秀芳提出采用了一种基于虚拟势场法的改进粒子群算法。在传感器节点之间建立虚拟势场，推导出相互作用的连续虚拟力，减少了引力和斥力边界的振荡，加快了算法的收敛速度。增加指定目标点的势场，以提高目标点对粒子的吸附力，保证了目标点始终处于传感器的感知范围之内。胡小平提出一种改进的灰狼优化算法(IGWO)。首先，利用混沌算法进行算法种群的初始化，以提高种群多样性；其次，在灰狼算法的基础上改进其收敛因子，平衡全局和局部搜索能力，提高算法中后期的优化能力；最后，对δ狼进行融合变异以改善局部极值问题，将改进后的灰狼优化算法应用于WSNs节点部署优化中。
李嘉伦提出了提出了一种改进虚拟力混合粒子群算法(Improve Virtual ForceParticle Swarm Optimization，IVFPSO)算法，该算法加入了改进的虚拟力算法，通过密集度来增加距离阈值，让更大范围内的粒子进行寻优操作；通过平衡斥力系数在迭代开始的前期作用，加强搜寻能力；在后期平衡引力系数会使传感器节点之间相互吸引，修复这些空洞从而提高覆盖率。
虽然研究学者们提出系列解决方案，但是上述方案均具有一定的局限性。当前对无线传感器网络覆盖相关问题的研究一般都是面向同构无线传感器网络的。在实际部署中，从成本以及监测需求方面考虑，通常向监测区域投放不同类型的节点，以更好地实现网络性能。因此，亟需一种异构网络覆盖优化算法以更好地满足实际要求。
其中，与本发明最接近的技术方案为“基于改进PSO的传感器覆盖控制策略研究”，但该算法覆盖率提升不够明显。同时，在求解最优解的后期过程中仍较容易陷入局部最优。因此，IVFPSO算法的缺陷主要包括两方面：第一，论文中采用的是同构的无线传感器，不太适用于大部分实际应用场景。第二，覆盖效率较低，不能够很好地利用网络资源。
发明内容
本发明的目的是提供一种基于虚拟力的粒子群异构WSNs覆盖优化算法，旨在保护利用异构粒子群，引入自适应未覆盖网格虚拟力算法的方式，在提高覆盖效率的同时，降低网络能耗，从而延长网络的生存时间。
为实现上述目的，本发明提供了如下方案：
一种基于虚拟力的粒子群异构WSNs覆盖优化算法，包括：
在一个二维的正方形区域部署传感器节点，采用正方形划分方式，获取网格点位置坐标。无线传感器网络中所有无线传感器节点的感知半径服从正态分布，其他属性相同；所述属性信息包括通信半径、通信链路协议等其他性能属性；所有传感器节点的通信半径均为感知半径的两倍，一个粒子代表一种布设方案；
根据无线传感器网络中任一无线传感器节点的坐标计算其与所有网格点的距离。
根据网格点与节点间的距离，判断该距离是否小于传感器的感知半径，若小于感知半径则判定该网格点被覆盖，否则则为未覆盖网格点并输出未覆盖网格点坐标；
统计所有被覆盖网格点的个数，并计算传感器的总面积，求出当前覆盖效率。
将所有未覆盖网格点视为虚拟节点，对传感器节点产生虚拟引力；并将受到未覆盖网格点虚拟力的传感器节点进行移动处理；
本发明提供一种基于虚拟力的粒子群异构WSNs覆盖增强算法，与基于改进PSO的传感器覆盖控制策略研究相比，具有以下优势：
一种基于感知半径异构的无线传感器网络，能够更好地满足实际监测场景对无线传感器网络的需求，更加适用于大部分实际应用场景；同时引入自适应未覆盖网格点虚拟力，避免了异构条件下理想距离阈值的确定，降低了算法复杂度、优化了无线传感器网络节点分布、避免后期不必要的能耗；此外，采用网络覆盖效率作为目标函数，避免同异构网络中节点感知半径不能进行对比的情况。
附图说明
图1是网络初始覆盖图；
(a)本发明网络初始覆盖图
(b)IVFPSO网络初始覆盖图
图2是网络最终覆盖图；
(a)本发明网络最终覆盖图
(b)IVFPSO网络最终覆盖图
图3是网络覆盖效率图；
(a)IVFPSO与本发明算法网络覆盖效率图
(b)本发明算法与未加自适应步长的网络覆盖效率图
图4是网络节点能耗图；
(a)IVFPSO与本发明算法节点能耗图
(b)本发明算法与未加自适应步长的节点能耗图
图5是本发明算法流程图；
图6是监测区域网格离散效果图；
图7是计算网络覆盖效率流程图。
具体实施方式
本发明以无线网络传感器的每一种部署的可行解作为一个粒子，建立粒子群，初始化每个粒子的速度与位置、监测区域、传感器节点感知半径，设定迭代次数，并在粒子位置更新中引入自适应未覆盖网格点引力，实现粒子群优化，进而实现无线传感器网络的覆盖增强。其中PSO以无线网络覆盖效率作为适应度。
实施例1
本发明提出一种基于虚拟力的粒子群WSNs优化部署算法，参照图5，具体分为以下步骤：
1、模型建立
(1)网络模型建立
如图6所示，初始化二维监测区域。将二维正方形监测区域的长宽分别进行m等分，将所述的二维监测区域离散化为K＝(m+1)2个正方形网格点。
将K个正方形网格点的坐标记为正方形网格点坐标矩阵Mesh_positionK×2，如公式(1)所示。其中，Mesh_positionk,1、Mesh_positionk,2分别代表第k个正方形网格点的x、y坐标。
(2)初始化参数
初始化区域边界为粒子位置范围poplimt、粒子速度范围vlimt，最大权重因子ωmax，加速常数c1、c2，单次移动距离Maxstep，设定算法的最大迭代次数itermax，种群个数为size，传感器个数为N，传感器节点集合记为S＝{S1,S2,...,SN}。节点感知半径服从正态分布,即其中，/>代表传感器节点感知半径均值，σ2代表方差。
初始化节点类型为布尔感知模型，本发明中一个粒子代表一种布设方案，故一个粒子位置代表N个节点的位置矩阵，将size个粒子的位置记为位置矩阵popsize×2N，如公式(2)所示。其中，popi，1～popi,N，popi,N+1～popi,2N分别代表第i个粒子的x、y坐标。
2、建立目标函数计算模型
(1)计算距离矩阵
以第一个粒子为例，根据公式(3)计算各传感器节点与所述的各网格点的距离。其中，dij表示第i个传感器节点到第j个网格点的欧氏距离，其他粒子均可按第一个粒子计算方法得出。
(2)求解各个粒子目标函数，输出未覆盖网格点坐标
根据公式(3)，求解各个粒子对应位置的网络覆盖率Rate，将网格覆盖率视为粒子的适应度函数fitness，同时输出未覆盖网格点坐标No_cover。所述的网络覆盖率Rate的计算流程如图7所示。具体而言：
步骤1：重置计数器
根据公式(4)重置计数器。
sum＝0 公式(4)
步骤2：计算距离
遍历K个网格点，对于网格点j而言，根据公式(3)计算第j个网格点与第i个传感器节点之间的距离，dij表示第i个传感器节点到第j个网格点的欧氏距离。
步骤3：判断覆盖情况
若dij≤Ri(这里Ri代表第i个传感器的感知半径)，则说明第j个网格点已被覆盖，根据公式(5)更新计数器，进行步骤5；
sum＝sum+1 公式(5)
若dij＞Ri，则说明第j个网格点未被覆盖，输出未覆盖网格点坐标，计数器不更新，进行步骤4。
步骤4：判断N个传感器节点是否已遍历完
若N个传感器节点已遍历完毕，则进行步骤5
若N个传感器节点未遍历完毕，则进行步骤2
步骤5：判断K个网格点是否已遍历完
若K个网格点已遍历完毕，则进行步骤6
若K个网格点未遍历完毕，则进行步骤2
步骤6：计算传感器面积
根据公式(6)计算N个传感器的总面积，计算后进行步骤7。
步骤7：计算网络覆盖效率
根据公式(7)计算当前的监测区域的网络覆盖率。
需要注意的是，对于网络模型建立中所述的监测区域的长宽进行m等分而言，有如下结论：
m的值越大则网格划分越密集，网格点越多，根据公式(7)计算出的网络覆盖效率越精确，但时间复杂度越差，一般取m＝100。当然，该区域也可以矩形区域，将矩形区域长宽划分成一系列正方形网格点就行。
3、更新粒子位置、速度以及适应度值
(1)更新粒子位置及速度
将2中对应的粒子坐标视为当前个体极值，对应的适应度fitness视为个体适应度值，这里求得是极大值问题，所以将该适应度值的最大值max(fitness)视为全局最优值，最优值所对应的位置为全局最优解。同时，根据公式(8)更新粒子的位置和速度，同时根据公式(9)更新惯性权重。
ω＝ωmax-(t/itermax) 公式(9)
其中，pibest为当前个体极值，pgbest为全局最优解，rand为[0,1]之间的随机数，ωmax为最大权重，t为当前迭代次数，itermax为最大迭代次数。
(2)更新粒子适应度值
根据图2中的流程计算粒子位置和速度更新后的适应度值，并输出未覆盖网格点坐标No_cover。
4、使用未覆盖网格虚拟力进行位置更新
由于网络中的节点的感知半径不尽相同，因此在异构传感器网络中不存在一个理想距离Dth，使得所有邻居节点距离中心节点的距离都等于Dth时，故不适合采用传统的虚拟力。因此本文主要是采用节点与自适应未覆盖网格点虚拟力，这样不仅能够降低算法复杂度，还能够更快更有针对性地提高网络覆盖效率，同时可使节点分布更加均匀，从而降低节点间冗余面积。自适应步长如公式(10)所示。
具体步骤如下:
步骤1：输入2中的未覆盖网格点坐标No_cover。
步骤2：对节点采用未覆盖网格点引力，如同传统虚拟力中的引力计算方式一样。
步骤3：假设第k个粒子的第i传感器节点所受的合力为为水平方向的合力，/>为垂直方向的合力，根据公式(11)移动传感器节点i。
5、判断是否满足算法终止的条件1
根据图3计算当前的网络覆盖率Rate，若网络覆盖率Rate满足Rate≥100％，则覆盖任务完成，算法结束；否则，进行6。
6、判断是否满足算法终止的条件2
判断当前迭代轮次t与所述的最大迭代次数itermax的关系，若满足t＞itermax，则覆盖任务完成，算法结束；否则，进行3。
实施例2
为了进一步说明上述问题，对本发明使用改进粒子群结合未覆盖引力虚拟力和改进虚拟力混合粒子群算法进行仿真。考虑30个传感器部署在面积为100×100m2的区域中。粒子种群大小为30，传感器感知半径服从均值为10m，方差为0.5的正态分布，采用布尔感知模型，参数为c1＝c2＝1.496，迭代次数为100次，网格大小考虑为1×1m2。同时采用以下策略用于增强网络覆盖性能与进行算法对比。
(1)为获得更优的性能指标对其进行改进，提出了一种基于未覆盖网格点虚拟力的粒子群异构无线传感器网络覆盖优化算法，来解决无线传感器网络覆盖优化问题。不同于传统的虚拟力，未覆盖网格点虚拟力避免了异构条件下理想距离阈值的确定，同时降低了算法复杂度、优化了无线传感器网络节点分布。并引入非线性递减的自适应步长如公式(9)，不仅能够缓解传感器后期震荡现象，而且能够很好地避免传感器的无效移动从而减少移动能耗，延长网络生存时间。
(2)采用网络覆盖效率的方式计算目标函数，网络覆盖效率不仅能够很好地避免同异构网络中节点感知半径不能进行对比的情况。网络覆盖效率更高则说明节点覆盖区域越大，故网络覆盖率更高，同时网络覆盖效率越高代表节点利用效率更高，节点分布更均匀，网络冗余程度更低。
通过实验仿真的方式，得出该算法能够提高网络覆盖效率、降低节点能耗，从而能够提高网络生存时间。
(a)提高网络覆盖效率
对于高密度抛撒的传感器节点，网络中存在大量冗余面积，从而降低网络覆盖效率。从图3(a)网络覆盖率图可以看出，本发明提出的算法的覆盖效率可达到95.68％左右，IVFPSO算法能达到85％左右，相对于IVFPSO算法，提出的算法提高了12.56％左右。这是由于对粒子群采用了未覆盖网格点虚拟力，直接对传感器节点施加引力，从而更多地覆盖网格点，提高网络节点覆盖总面积。从图2的网络最终覆盖图可以看出，本发明提出的算法能够使网络更加均匀，降低网络冗余程度，减小覆盖空洞面积。
(b)降低节点能耗
图4(a)显示本发明提出的算法相对于IVFPSO算法在节点能耗方面的性能表现。从图(a)中可以看出IVFPSO算法的节点能耗相对与本发明的节点能耗较高，在迭代100次后，本发明提出算法总能耗比IVFPSO算法的节点总能耗降低了34.69％，所以本发明算法的节点能耗相对较低，具有较好的性能。其中主要由于引入未覆盖网格点虚拟力，并加入了非线性递减步长，使得在算法后期网络中减少了节点不必要的移动，同时随着迭代次数增加，网络覆盖效率能够保持在较好的稳定结果如图3(b)所示，从而最大化利用网络中节点，降低网络能耗进而提升网络生存时间。从图4(b)中可以看出，引入自适应步长与未引入自适应步长相比节点总能耗较低，本发明算法降低了15.09％。

Claims (4)

1.一种基于虚拟力的粒子群异构WSNs覆盖优化算法，其特征在于，包括：
在一个二维的正方形区域部署传感器节点，采用正方形划分方式，获取网格点位置坐标，无线传感器网络中所有无线传感器节点的感知半径服从正态分布，其他属性相同；所述属性信息包括通信半径、通信链路协议其他性能属性；所有传感器节点的通信半径均为感知半径的两倍；并采用改进的粒子群算法进行无线传感器网络覆盖增强，其中一个粒子代表一种布设方案，即最优的覆盖方案为粒子种群中的最优粒子；
根据无线传感器网络中任一无线传感器节点的坐标计算其与所有网格点的距离；
根据网格点与节点间的距离，判断该距离是否小于传感器的感知半径，若小于感知半径则判定该网格点被覆盖，否则则为未覆盖网格点并输出未覆盖网格点坐标；
统计所有被覆盖网格点的个数，并计算传感器的总面积，求出当前覆盖效率；
将所有未覆盖网格点视为虚拟节点，对传感器节点产生虚拟引力；并将受到未覆盖网格点虚拟力的传感器节点进行移动处理，并引入中加入自适应步长，提高能耗性能；
将所有未覆盖网格点视为虚拟节点，对传感器节点产生虚拟引力；并将受到未覆盖网格点虚拟力的传感器节点进行移动处理；不同于传统虚拟力，未覆盖网格点虚拟力避免了异构条件下理想距离阈值的确定，同时降低了算法复杂度、优化了无线传感器网络节点分布，虚拟力公式如(3)所示，粒子位置更新如(4)所示，
其中，dik为传感器i与未覆盖网格点k的欧式距离，Ri为第i个传感器的感知半径，Maxstep为当前移动步长，pop为粒子位置；
引入中加入自适应步长，提高能耗性能，自适应步长的未覆盖网格点虚拟引力能够动态改进粒子的位置更新速度，从而避免了后期产生的不必要移动能耗，从而降低了网络总能耗，如(5)所示，
2.根据权利要求1所述的一种基于虚拟力的粒子群异构WSNs覆盖优化算法，其特征在于，无线传感器网络中所有无线传感器节点的感知半径服从正态分布，通过随机部署具有不同感知半径的传感器节点位置与速度构成的一系列粒子来更好地满足实际监测场景对无线传感器网络的需求，同时，计算网格点与传感器节点的距离，如(1)所示，并计算适应度函数，从而得到当前个体极值、群体极值、网络覆盖效率以及未覆盖网格点个数和位置，
3.根据权利要求1所述的一种基于虚拟力的粒子群异构WSNs覆盖优化算法，其特征在于，采用粒子群算法进行无线传感器网络覆盖增强，粒子群算法简单容易实现，降低算法的复杂度，同时，引入了动态递减权重因子w，如(2)所示；
ω＝ωmax-(t/itermax) (2)
其中，ωmax为最大权重，t为当前迭代次数，itermax为最大迭代次数。
4.根据权利要求1所述的一种基于虚拟力的粒子群异构WSNs覆盖优化算法，其特征在于，统计所有被覆盖网格点的个数，并计算传感器的总面积，求出当前覆盖效率，针对同异构网络覆盖率不能进行比较的情况，采用了覆盖效率的方式，通过计算传感器节点总覆盖网格点与传感器各自的面积和来进行同异构的覆盖情况比较。
CN202110580902.7A 2021-05-26 2021-05-26 一种基于虚拟力的粒子群异构WSNs覆盖优化算法 Active CN113573333B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110580902.7A CN113573333B (zh) 2021-05-26 2021-05-26 一种基于虚拟力的粒子群异构WSNs覆盖优化算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110580902.7A CN113573333B (zh) 2021-05-26 2021-05-26 一种基于虚拟力的粒子群异构WSNs覆盖优化算法

Publications (2)

Publication Number Publication Date
CN113573333A CN113573333A (zh) 2021-10-29
CN113573333B true CN113573333B (zh) 2023-09-26

Family

ID=78161617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110580902.7A Active CN113573333B (zh) 2021-05-26 2021-05-26 一种基于虚拟力的粒子群异构WSNs覆盖优化算法

Country Status (1)

Country Link
CN (1) CN113573333B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114980134B (zh) * 2022-05-11 2023-07-25 西安邮电大学 基于虚拟力的移动多目标动态覆盖方法
CN115297487A (zh) * 2022-09-16 2022-11-04 哈尔滨理工大学 一种异构无线传感网初始化部署方法
CN117062092B (zh) * 2023-10-11 2023-12-08 成都大学 一种无线传感器网络部署方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106792750A (zh) * 2016-12-29 2017-05-31 湖北大学 一种基于导向粒子群算法的节点部署方法
CN110401958A (zh) * 2019-08-05 2019-11-01 重庆邮电大学 一种基于虚拟力的节点动态覆盖增强方法
CN111065103A (zh) * 2019-12-11 2020-04-24 哈尔滨工程大学 一种多目标优化的无线传感器网络节点部署方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106792750A (zh) * 2016-12-29 2017-05-31 湖北大学 一种基于导向粒子群算法的节点部署方法
CN110401958A (zh) * 2019-08-05 2019-11-01 重庆邮电大学 一种基于虚拟力的节点动态覆盖增强方法
CN111065103A (zh) * 2019-12-11 2020-04-24 哈尔滨工程大学 一种多目标优化的无线传感器网络节点部署方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
改进VFPSO算法于WSN节点随机部署中的应用;宋明智等;计算机工程与应用;第52卷(第2期);全文 *

Also Published As

Publication number Publication date
CN113573333A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN113573333B (zh) 一种基于虚拟力的粒子群异构WSNs覆盖优化算法
Tian et al. Evaluating reputation management schemes of internet of vehicles based on evolutionary game theory
CN110062390B (zh) 基于改进狼群算法的无线传感器网络节点优化部署方法
CN107292064A (zh) 一种基于多蜂群算法的人群疏散仿真方法及系统
CN106792750B (zh) 一种基于导向粒子群算法的节点部署方法
CN112469050B (zh) 一种基于改进灰狼优化器的wsn三维覆盖增强方法
CN115297484B (zh) 基于新型紧凑粒子群算法的传感器网络覆盖率优化方法
CN111176820A (zh) 一种基于深度神经网络的边缘计算任务的分配方法及装置
CN111818534B (zh) 一种分层异构无线传感器网络三维优化部署方法
CN103971160A (zh) 基于复杂网络的粒子群优化方法
Ji et al. Particle swarm optimization for mobile ad hoc networks clustering
CN113242563A (zh) 一种无线传感器网络覆盖率优化方法及系统
CN115277689A (zh) 一种基于分布式联邦学习的云边网络通信优化方法及系统
CN113795049A (zh) 一种基于深度强化学习的Femtocell异构网络功率自适应优化方法
Semwal et al. A decentralized artificial immune system for solution selection in cyber–physical systems
Chen et al. Path planning of mobile robot based on an improved genetic algorithm
CN113645317B (zh) 一种松散的集群控制方法、装置、设备、介质和产品
KR102432809B1 (ko) 자원 효율적 추론을 위한 인공 신경망 장치
Nabizadeh et al. A multi-swarm cellular PSO based on clonal selection algorithm in dynamic environments
CN113467481B (zh) 一种基于改进Sarsa算法的路径规划方法
Xu et al. Elite immune ant colony optimization-based task allocation for maximizing task execution efficiency in agricultural wireless sensor networks
CN113722112A (zh) 一种服务资源负载均衡处理方法及系统
CN106022510A (zh) 一种基于多粒子群协同演化的人车混合疏散仿真优化方法
CN101655712B (zh) 移动机器人群集控制方法
CN113905386B (zh) 一种基于自适应混合粒子群算法的Mesh网关部署优化方法

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