CN114048668A - 面向综合能源的无线传感器轮值方法及系统 - Google Patents
面向综合能源的无线传感器轮值方法及系统 Download PDFInfo
- Publication number
- CN114048668A CN114048668A CN202111117386.0A CN202111117386A CN114048668A CN 114048668 A CN114048668 A CN 114048668A CN 202111117386 A CN202111117386 A CN 202111117386A CN 114048668 A CN114048668 A CN 114048668A
- Authority
- CN
- China
- Prior art keywords
- wireless sensor
- value
- round
- whale
- individual
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 107
- 230000001351 cycling effect Effects 0.000 title abstract description 6
- 241000283153 Cetacea Species 0.000 claims abstract description 156
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000005457 optimization Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 29
- 238000010367 cloning Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 208000003035 Pierre Robin syndrome Diseases 0.000 claims description 5
- 238000007616 round robin method Methods 0.000 claims description 4
- 241001522296 Erithacus rubecula Species 0.000 claims description 3
- 101710108416 Robin Proteins 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000002068 genetic effect Effects 0.000 description 19
- 238000002922 simulated annealing Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002035 prolonged effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000137 annealing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种面向综合能源的无线传感器轮值方法及系统，包括：通过由无线传感器的轮值轮数、剩余电量和与基站的距离组成的多目标适应度函数计算鲸鱼优化方法的鲸鱼种群中各个个体的适应度值，并将适应度值最大的个体所对应的轮值序列矩阵作为对应于无线传感器网络轮值模型的最优的传感器轮值序列矩阵；将无线传感器节点按照所述最优的传感器轮值序列矩阵开启或休眠。该方法用以解决现有技术中在无线传感器轮值的布置方案中未考虑网络安全性的缺陷，将无线传感器的轮值轮数、剩余电量和与基站的距离综合作为无线传感器轮值布置方案的考虑因素，使得网络安全性得到提高，保障了综合能源系统的正常运行。
Description
技术领域
本发明涉及无线传感器轮值技术领域，尤其涉及一种面向综合能源的无线传感器轮值方法及系统。
背景技术
综合能源系统是指在一定区域内利用创新的管理模式，整合区域内电能、热能、天然气、水等多种能源，实现多种异质能源子系统之间的协调规划。这一过程中集成了一系列先进的数据采集和控制技术，且采用了物联网所形成的全新的能源系统。综合能源物联网主要是指利用了无线传感器所特有的强自组织能力所组成的监测方便、易扩展的综合能源系统无线传感器网络。由于无线传感器采用电池进行供电，而电池的容量有限，因此如何使综合能源系统无线传感器网络在有限电量的前提下延长寿命，且提高其工作时的可靠性，已经成为相关研究人员热切关注的技术问题。
在传统的综合能源系统无线传感器网络工作过程中，主要是通过大量冗余布置的传感器同时开启以监测目标。由于无线传感器的能量来自于电池，而电池的电量受限于技术发展以及其体积，导致其拥有的能量非常有限，多数情况下，为了使综合能源系统能够保持正常工作，运营商必须定时更换耗尽能量的无线传感器节点。然而，频繁的更换无线传感器节点会消耗大量的人力物力，因此在综合能源系统中，传统的无线传感器网络工作方式已经不能完全满足运营商的需求。
基于以上原因，为了使能量有限的无线传感器网络拥有更长的寿命，可以采用传感器轮值技术，即在满足对所有被监测目标覆盖的条件下，将综合能源系统的无线传感器集合划分为不同的覆盖集，接着在保证每个覆盖集能够独立完成对综合能源系统的数据采集和状态监测任务后，每一轮只启动一个覆盖集，以此节省无线传感器的能量从而延长综合能源系统无线传感器网络的寿命。经过轮值操作后，有效延长了综合能源系统无线传感器网络的寿命，节省了综合能源系统运营商频繁更换传感器设备的成本消耗。
然而，当综合能源系统中传感器和被监测目标的数量较多，同时还需要考虑到传感器网络的安全性时，综合能源系统无线传感器轮值安排变得十分复杂。由于无线传感器轮值问题已经不是传统的单一优化目标问题，其涉及到多个优化目标，传统的确定性算法已经不再适用于求解最佳的传感器轮值序列。
现有的无线传感器网络轮值主要是利用遗传算法、模拟退火算法等启发式方法计算出一种合适的传感器轮值序列，例如，一种基于遗传算法的传感器覆盖和轮值工作方式，在这个方案中，遗传算法被用来得到覆盖率最高的传感器布置方案，之后通过终端控制综合能源系统中的传感器节点按照序列进入休眠或者工作状态。然而，基于遗传算法的传感器轮值算法容易陷入局部最优和早熟收敛，且在其方案中没有考虑到无线传感器网络的安全性。
发明内容
本发明提供一种面向综合能源的无线传感器轮值方法及系统，用以解决现有技术中在无线传感器轮值的布置方案中，未考虑网络安全性的缺陷，将无线传感器的轮值轮数、剩余电量和与基站的距离综合作为无线传感器轮值布置方案的考虑因素，使得网络安全性得到提高，保障了综合能源系统的正常运行。
本发明提供一种面向综合能源的无线传感器轮值方法，包括：
通过由无线传感器的轮值轮数、剩余电量和与基站的距离组成的多目标适应度函数计算鲸鱼优化方法的鲸鱼种群中各个个体的适应度值，并将适应度值最大的个体所对应的轮值序列矩阵作为对应于无线传感器网络轮值模型的最优的传感器轮值序列矩阵；
将无线传感器节点按照所述最优的传感器轮值序列矩阵开启或休眠；
其中，所述无线传感器网络轮值模型依据无线传感器和被监测目标间的覆盖关系构建。
根据本发明提供的一种面向综合能源的无线传感器轮值方法，所述无线传感器网络轮值模型依据无线传感器和被监测目标间的覆盖关系构建，包括：
遍历无线传感器和被监测目标，得到无线传感器对被监测目标的覆盖关系；
将所述覆盖关系用二维矩阵进行表示后，利用所述二维矩阵对预设模型进行训练，得到所述无线传感器网络轮值模型。
根据本发明提供的一种面向综合能源的无线传感器轮值方法，通过多目标适应度函数计算鲸鱼种群中各个个体的适应度值，并将适应度值最大的个体所对应的轮值序列矩阵作为对应于无线传感器网络轮值模型的最优的传感器轮值序列矩阵，包括：
设置所述鲸鱼优化方法的初始化参数；其中，所述初始化参数包括：个体的数量、无线传感器的数量、被监测目标的数量、最大迭代次数、个体的位置、无线传感器的初始轮值序列矩阵；
根据所述初始化参数生成初始鲸鱼种群，并利用所述多目标适应度函数计算所述初始鲸鱼种群中各个个体的适应度值；
将所述初始鲸鱼种群中适应度值最大的个体作为初始的猎物；根据猎物包围公式、气泡网攻击公式或猎物搜索公式对所述初始鲸鱼种群中的个体进行位置更新，以生成新鲸鱼种群；
利用所述多目标适应度函数计算所述新鲸鱼种群中各个个体的适应度值，并更新所述猎物，直至达到最大迭代次数后，将所述新鲸鱼种群中适应度值最大的个体所对应的轮值序列矩阵作为对应于所述无线传感器网络轮值模型的最优的传感器轮值序列矩阵。
根据本发明提供的一种面向综合能源的无线传感器轮值方法，利用所述多目标适应度函数计算所述新鲸鱼种群中各个个体的适应度值，还包括：
将所述新鲸鱼种群中个体适应度值最高的前n个个体按照预定的比例进行分层克隆，生成一个与所述新鲸鱼种群数量相同的克隆鲸鱼种群；其中，n为大于3的整数；
对所述克隆鲸鱼种群进行变异操作后，将变异后的克隆鲸鱼种群作为所述鲸鱼算法中下一次迭代的新鲸鱼种群。
本发明还提供一种面向综合能源的无线传感器轮值系统，包括：
计算模块，用于通过由无线传感器的轮值轮数、剩余电量和与基站的距离组成的多目标适应度函数计算鲸鱼优化方法的鲸鱼种群中各个个体的适应度值，并将适应度值最大的个体所对应的轮值序列矩阵作为对应于无线传感器网络轮值模型的最优的传感器轮值序列矩阵；
执行模块，用于将无线传感器节点按照所述最优的传感器轮值序列矩阵开启或休眠；
其中，所述无线传感器网络轮值模型依据无线传感器和被监测目标间的覆盖关系构建。
根据本发明提供的一种面向综合能源的无线传感器轮值系统，还包括：
构建模块，用于遍历无线传感器和被监测目标，得到无线传感器对被监测目标的覆盖关系；并将所述覆盖关系用二维矩阵进行表示后，利用所述二维矩阵对预设模型进行训练，得到所述无线传感器网络轮值模型。
根据本发明提供的一种面向综合能源的无线传感器轮值系统，还包括：
设置模块，用于设置所述鲸鱼优化方法的初始化参数；
生成模块，用于根据所述初始化参数生成初始鲸鱼种群；
更新模块，用于将所述初始鲸鱼种群中适应度值最大的个体作为初始的猎物；根据猎物包围公式、气泡网攻击公式或猎物搜索公式对所述初始鲸鱼种群中的个体进行位置更新。
根据本发明提供的一种面向综合能源的无线传感器轮值系统，还包括：
克隆模块，用于将由所述生成模块根据进行位置更新后的个体生成的新鲸鱼种群中个体适应度值最高的前n个个体按照预定的比例进行分层克隆，生成一个与所述新鲸鱼种群数量相同的克隆鲸鱼种群；其中，n为大于3的整数；
变异模块，用于对所述克隆鲸鱼种群进行变异操作后，将变异后的克隆鲸鱼种群作为所述鲸鱼算法中下一次迭代的新鲸鱼种群。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项所述面向综合能源的无线传感器轮值方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述面向综合能源的无线传感器轮值方法的步骤。
本发明提供的面向综合能源的无线传感器轮值方法及系统，通过利用由无线传感器的轮值轮数、剩余电量和与基站的距离构建的多目标适应度函数进行各个个体的适应度值的计算，使得在轮值方案的计算中，将网络安全性考虑在内，提高了综合能源系统无线传感器网络的安全性，确保在每一轮中所选择打开的传感器节点都是在该轮中综合安全性最高的一些节点，保障了综合能源系统的正常运行。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的面向综合能源的无线传感器轮值方法的流程示意图之一；
图2是本发明提供的面向综合能源的无线传感器轮值方法的流程示意图之二；
图3是本发明实例1相对现有技术中的遗传算法和模拟退火算法的综合能源系统传感器网络轮值寿命的对比曲线图；
图4是本发明实例2相对现有技术中的遗传算法和模拟退火算法的综合能源系统传感器网络轮值寿命的对比曲线图；
图5是本发明提供的面向综合能源的无线传感器轮值系统的结构示意图之一；
图6是本发明提供的面向综合能源的无线传感器轮值系统的结构示意图之二；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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他实施例，都属于本发明保护的范围。
下面结合图1和图2描述本发明的面向综合能源的无线传感器轮值方法，该方法具体包括以下步骤：
101、通过由无线传感器的轮值轮数、剩余电量和与基站的距离组成的多目标适应度函数计算鲸鱼优化方法的鲸鱼种群中各个个体的适应度值，并将适应度值最大的个体所对应的轮值序列矩阵作为对应于无线传感器网络轮值模型的最优的传感器轮值序列矩阵；
102、将无线传感器节点按照所述最优的传感器轮值序列矩阵开启或休眠。
具体地，调用鲸鱼优化方法进行对应于无线传感器网络轮值模型的最优的传感器轮值序列矩阵前，先要对鲸鱼优化方法的初始参数进行设置，以便于构建初始鲸鱼种群，需要设置所述鲸鱼优化方法的初始化参数，然后根据利用所述鲸鱼优化方法所计算的目标结果进行各个个体的编码，从而生成鲸鱼种群。可以理解的是，在本发明的面向综合能源的无线传感器轮值方法中，利用鲸鱼优化方法所要得到的目标结果为无线传感器轮值最优的轮值序列矩阵，因而，在一个实施例中，将所述鲸鱼优化方法的初始化参数设置为包括：个体的数量Q、无线传感器的数量S、被监测目标的数量T、最大迭代次数MaxGen、个体位置、无线传感器的初始轮值序列矩阵L；而后根据所述无线传感器网络轮值模型进行鲸鱼优化方法的个体编码，生成初始鲸鱼种群。
进一步地，在无线传感器轮值中，无线传感器的状态仅分为开启和休眠，所以鲸鱼优化方法采用二进制编码方式，即在轮值序列矩阵U中，若一位为“0”，则代表该无线传感器在该轮当中处于休眠状态，而若为“1”，则代表该无线传感器在该轮当中处于开启的工作状态。
例如，如果有8个不同的无线传感器节点，则01110000表示在该轮中第二个、第三个、第四个无线传感器节点处于工作状态，其余的无线传感器节点处于休眠状态。
具体地，鲸鱼优化方法是在2016年由澳大利亚学者Mirjalili等人通过抽象出鲸鱼捕食猎物的行为而提出的一种新型的群智能算法，并且已经在很多实际的工程问题中展露出了其优越性。作为一种元启发式算法，鲸鱼优化方法相比于遗传算法、模拟退火算法、粒子群算法具有参数设置简单且寻优能力强等优点。在求解过程中，鲸鱼优化方法采用的是一组搜索代理来得到问题的最优解，其优化过程开始于初始生成的一组随机解，根据特定问题的优化目标生成一种优化规则，然后按照该规则来不断更新个体携带的问题的解直到满足算法的结束条件。
电网基站终端在进行无线传感器节点轮值调度时，一个无线传感器节点拥有的剩余电量越高，那么它在应对突发状况的大量数据传输时就更有利，而无线传感器节点与基站的距离越近，那么其数据传输的时延就越低，因而，在本发明的面向综合能源的无线传感器轮值方法中，选取了无线传感器节点剩余电量和节点与基站的距离作为参数进行适应度值的计算，即通过由无线传感器的轮值轮数、剩余电量和与基站的距离组成的多目标适应度函数计算所述鲸鱼优化方法的鲸鱼种群中各个个体的适应度值，并将适应度值最大的个体所对应的轮值序列矩阵作为最优的传感器轮值序列矩阵；该适应度值由传感器的轮值轮数、剩余电量和与基站的距离的上限做商归一化后得到。
其中，多目标适应度函数fit(U)的公式如下述公式1所示：
fit(U)＝α*(first_zero-1)+β*dist+λ*energy 公式1；
在公式1中，first_zero为轮值序列矩阵U中出现第一个0元素的行数，dist为开启的无线传感器节点距离基站的距离，energy为开启的无线传感器节点剩余的总能量，α为轮数因子，β为距离因子，λ为能量因子，同时，α+β+λ＝1，且每一个无线传感器的最大开启轮数不能超过D轮，其中，D代表将所述无线传感器的最大寿命按照预定开启周期进行平均计算得到的次数，如一个无线传感器的最大正常工作寿命是300天时，以开启一天作为一轮，则该无线传感器的最大开启轮数不能超过300轮。
可以理解的是，在综合能源系统中，采用无线传感器来监测目标，当采用无线传感器轮值操作时，遗漏掉被监测目标会使得综合能源系统的可靠性下降，业务无法正常进行，因而，需要将无线传感器网络轮值模型依据无线传感器和被监测目标间的覆盖关系进行构建。
在本发明的方法中，个体的适应度值最大，即得到的个体的解最优，利用最优解控制无线传感器节点的开启或休眠顺序，以达到延长综合能源系统中无线传感器网络的寿命，并减少频繁更换无线传感器的开销的作用。
在一个实施例中，具体说明了无线传感器网络轮值模型的构建方法，即通过遍历无线传感器和被监测目标，得到无线传感器对被监测目标的覆盖关系；而后将所述覆盖关系用二维矩阵进行表示后，利用所述二维矩阵对预设模型进行训练，得到所述无线传感器网络轮值模型。
可以理解的是，在鲸鱼优化方法中，每个个体的位置代表一个可行解，在鲸鱼群捕猎过程中，每只鲸鱼有两种行为，一种是包围猎物，另一种是汽包网，在每一代的游动中，鲸鱼们会随机选择这两种行为来进行捕猎，所以在鲸鱼优化方法中，通过设置最大迭代次数，来使对应于最佳位置的个体在迭代次数内不断更新，以得到最优的解。
因而，在另一个实施例中，首先根据所述初始化参数生成初始鲸鱼种群，并利用所述多目标适应度函数计算所述初始鲸鱼种群中各个个体的适应度值。
然后将所述初始鲸鱼种群中适应度值最大的个体作为初始的猎物；根据猎物包围公式、气泡网攻击公式或猎物搜索公式对所述初始鲸鱼种群中的个体进行位置更新，以生成新鲸鱼种群。
最后利用所述多目标适应度函数计算所述新鲸鱼种群中各个个体的适应度值，并更新所述猎物，直至达到最大迭代次数后，将所述新鲸鱼种群中适应度值最大的个体所对应的轮值序列矩阵作为对应于所述无线传感器网络轮值模型的最优的传感器轮值序列矩阵。
具体地，在该更新过程中，通过鲸鱼优化方法中的系数向量A的大小来选择更新方式。
具体地，在本发明面向综合能源的无线传感器的轮值方法中，该处理可以包括：
201、根据多目标适应度函数计算出初始鲸鱼种群中各个个体的适应度值，将所述初始鲸鱼种群中适应度值最大的个体作为初始的猎物；
202、当系数向量A<1时，个体对猎物，即最优的轮值序列进行包围，更新公式为下述公式2：
在公式2中，gen为迭代次数，r为[0,1]之间的随机数，b是个定义了对数螺旋的形状常数，l为均匀分布在[-1,1]之间的随机向量，G*(gen)为猎物的位置，K是第gen次迭代时个体与猎物之间的距离，其计算公式为K＝|B·G*(gen)-G(gen)|，其中，A和B为系数向量，A＝2a*y1-a，B＝2*y2，其中，y1和y2为[0，1]之间的随机数，a在搜索过程中由2递减到0，a由下述公式3进行表示：
203、当系数向量A≥1时，在综合能源系统无线传感器网络轮值问题中，个体采取向随机个体游动的策略，更新公式为下述公式4：
G(gen+1)＝Grand(gen)-A·K 公式4；
在公式4中，Grand(gen)为第gen次迭代时的一个随机个体的位置。
随着智能算法的演进，生物学中克隆的概念被越来越多的用来提高算法的性能。应用于智能算法中的克隆操作是通过找出种群中适应度最高的一些个体，然后按照一定的比例将这些个体克隆多份以组成和原始种群个体数一致的新种群。为了能够跳出局部最优解的困境，克隆之后的种群还需要进行大规模的变异操作，从而极大的提高了找到全局最优解的概率。
因而，在本发明的面向综合能源的无线传感器轮值方法中，将克隆算子引入鲸鱼优化方法中，形成一种克隆鲸鱼优化方法，将该克隆鲸鱼优化方法运行在基站的控制终端上，来使综合能源系统中的无线传感器节点依次工作。
即将新鲸鱼种群中个体适应度值最高的前n个个体按照预定的比例进行分层克隆，生成一个与所述新鲸鱼种群数量相同的克隆鲸鱼种群；其中，n为大于3的整数；对所述克隆鲸鱼种群进行大概率变异后，将变异后的克隆鲸鱼种群作为所述鲸鱼算法中下一次迭代的新鲸鱼种群。
具体地，包括：
204、将新鲸鱼种群中个体按照计算的适应度值升序排列，而后在克隆鲸鱼优化方法中，选出适应度最高的前n个个体，这里为了避免出现克隆单一个体导致鲸鱼种群陷入早熟收敛的现象，所以设定n为大于3的整数，之后将选取的n个适应度最高的个体按照预定的比例进行分层克隆，并生成一个和克隆前种群数量相同的克隆鲸鱼种群。
205、对克隆鲸鱼种群进行变异操作，以达到搜索综合能源系统无线传感器网络轮值问题解空间的目的，之后将变异后的克隆鲸鱼种群作为克隆鲸鱼优化方法中下一次迭代的新鲸鱼种群。
如，选取3个最好的个体做分层克隆，可选择将适应度值最高的个体克隆原先种群数量的40％，适应度值第二和第三的个体分别克隆原先种群数量的30％，从而有效避免仅克隆适应度值最高的个体容易陷入的局部最优。
可以理解的是，克隆鲸鱼优化方法必须达到设定的最大迭代次数后，才能输出结果，因而还需要判断计算处理的执行次数是否达到所述最大迭代次数。
即206、判断执行次数是否达到所述最大迭代次数；是则执行步骤207；否，则跳转回继续判断系数向量A，然后根据A的值决定执行步骤202或203。
207、利用适应度值最大的个体所对应的轮值序列矩阵控制所述无线传感器节点的开启或休眠；否，则继续生成下一次迭代的新鲸鱼种群。
下面结合实例对本发明提供的面向综合能源的无线传感器轮值方法进行说明和验证。
实例1将综合能源系统中无线传感器布置在边长为400m的方形区域，无线传感器的监测半径为130m，设单个无线传感器的最大工作轮数为20轮。
个体1归一化后的“first_zero-1”、dist、energy分别为0.74、0.82、0.54。
个体2归一化后的“first_zero-1”、dist、energy分别为0.73、0.65、0.45。
个体3归一化后的“first_zero-1”、dist、energy分别为0.67、0.85、0.59。
当α、β、λ分别取值为0.5、0.3和0.2时，根据公式1所示的多目标适应度函数公式计算出个体1的适应度值为fitness1＝0.5*0.74+0.3*0.82+0.2*0.54＝0.7240，个体2的适应度值为fitness2＝0.5*0.73+0.3*0.65+0.2*0.45＝0.6500；个体3的适应度值为fitness3＝0.5*0.67+0.3*0.85+0.2*0.59＝0.7080。
显然，个体1的解是三者中最优的，则应选取个体1所携带的无线传感器轮值序列矩阵作为综合能源系统中无线传感器的工作序列。即当个体1在第一轮的位置前八位为01110001时，基站终端则会在无线传感器网络第一轮的时候开启第二个、第三个、第四个和第八个传感器，而把第一个、第五个、第六个、第七个传感器切换成休眠模式以节省能量；当个体1在第二轮的位置前八位为10110101时，基站终端则会在无线传感器网络第二轮的时候开启第一个、第三个、第四个、第六个和第八个传感器，而把第二个、第五个、第七个传感器置成休眠模式。
即在考虑了传感器工作轮数、剩余电量和基站距离等因素后，个体1对应的传感器轮值方案的适应度值为0.7240。
实例1中共有60个无线传感器节点和20个被监测目标，基站终端能够控制区域内的60个无线传感器节点进入工作或者休眠状态。传感器的布置在边长为400m的方形区域，传感器的监测半径为130m，单个传感器的最大工作轮数为20轮，每个个体所携带的初始无线传感器轮值序列矩阵随机生成。克隆鲸鱼优化方法中个体的数量Q为40，最大迭代次数为MaxGen为150，α、β、λ分别取值为0.5、0.3和0.2，克隆父体选择种群中适应度最高的前4个。作为对比的遗传算法和模拟退火算法种群个体数为40，最大迭代次数为150，其中遗传算法的交叉概率为0.8，变异概率为0.07，模拟退火算法的初始温度为300度，退火系数为0.98。
如图3所示，是本发明实例1的方法相对现有技术中的遗传算法和模拟退火算法的综合能源系统传感器网络轮值寿命的对比曲线图，从仿真曲线中可以看出，在150次迭代运算后，本发明实例1所述的方法得到的综合能源系统无线传感器网络轮值寿命比遗传算法得到的寿命多5轮，比模拟退火算法多8轮，即性能分别提高了10％和15％，说明采用本发明所述的方法得出的传感器轮值序列能够显著增加传感器网络的寿命。同时从图中还可以看出，本发明方法的收敛速度比遗传算法和模拟退火算法快，遗传算法和模拟退火算法在整个150次迭代过程中一直处于显著的波动过程中，得到的服务质量值随机性较强，不利于实际系统采用。
实例2将综合能源系统中无线传感器布置在边长为450m的方形区域，无线传感器的监测半径为150m，设单个无线传感器的最大工作轮数为25轮。
个体1归一化后的“first_zero-1”、dist、energy分别为0.81、0.12、0.91。
个体2归一化后的“first_zero-1”、dist、energy分别为0.63、0.28、0.54。
个体3归一化后的“first_zero-1”、dist、energy分别为0.95、0.96、0.81。
在实例2中对无线传感器网络寿命要求不是很严格，而对无线传感器的可靠性要求较高，在这种情况下，可以通过调整轮数因子α、距离因子β和能量因子λ的比例，使得评价个体适应度的标准朝着偏安全性的角度进行，即选取距离因子β和能量因子λ作为主要参数进行个体适应度值的计算，这时，α、β、λ分别取值为0.3、0.3和0.4时，根据公式1所示的多目标适应度函数公式计算出个体1的适应度值为fitness1＝0.3*0.81+0.3*0.12+0.4*0.91＝0.6430，个体2的适应度值为fitness2＝0.3*0.63+0.3*0.28+0.4*0.54＝0.4890；个体3的适应度值为fitness3＝0.3*0.95+0.3*0.96+0.4*0.81＝0.8970。
显然，个体3的解是三者中最优的，则应选取个体3所携带的无线传感器轮值序列矩阵作为综合能源系统中无线传感器的工作序列。即当个体3在第一轮的位置前八位为11110000时，基站终端则会在无线传感器网络第一轮的时候开启第一个、第二个、第三个和第四个传感器，而把第五个、第六个、第七个、第八个无线传感器切换成休眠模式以节省能量；而当个体3在第二轮的位置前八位为10100101时，基站终端则会在无线传感器网络第二轮的时候开启第一个、第三个、第六个和第八个无线传感器，而把第二个、第五个、第六个、第七个无线传感器置成休眠模式。
即在加大了对无线传感器的剩余电量和基站距离等因素对多目标适应度函数的影响后，个体3对应的无线传感器轮值方案的适应度值为0.8970。
实例2中设定共有100个无线传感器节点和30个被监测目标，基站终端能够控制区域内的100个无线传感器节点进入工作或者休眠状态。无线传感器布置在边长为450m的方形区域，无线传感器的监测半径为150m，单个无线传感器的最大工作轮数为25轮，每个个体所携带的初始无线传感器轮值序列矩阵随机生成。克隆鲸鱼优化方法中个体的数量Q为40，最大迭代次数为MaxGen为150，α、β、λ分别取值为0.3、0.3和0.4，克隆父体选择鲸鱼种群中适应度最高的前4个。作为对比的遗传算法和模拟退火算法种群个体数为40，最大迭代次数为150，其中遗传算法的交叉概率为0.8，变异概率为0.07，模拟退火算法的初始温度为300度，退火系数为0.98。
如图4所示，是本发明实例2的方法相对现有技术中的遗传算法和模拟退火算法的综合能源系统无线传感器网络轮值寿命的对比曲线图，从仿真曲线中可以看出，在150次迭代运算后，本发明实例2所述的方法得到的综合能源系统无线传感器网络轮值寿命比遗传算法得到的寿命多12轮，比模拟退火算法多16轮，即性能分别提高了12％和14％，说明采用本发明所述的方法得出的无线传感器轮值序列能够显著增加无线传感器网络的寿命。同时从图中还可以看出，本发明方法的全局搜索能力比遗传算法和模拟退火算法优秀，遗传算法和模拟退火算法在整个150次迭代过程中陷入局部最优后难以跳出，得到的轮值序列随机性较强，不利于实际系统采用。
下面结合图5和图6对本发明提供的一种面向综合能源的无线传感器轮值系统进行描述，下文描述的面向综合能源的无线传感器轮值系统与上文描述的面向综合能源的无线传感器轮值方法可相互对应参照。
该系统包括计算模块510和执行模块520；其中，
计算模块510用于通过由无线传感器的轮值轮数、剩余电量和与基站的距离组成的多目标适应度函数计算鲸鱼优化方法的鲸鱼种群中各个个体的适应度值，并将适应度值最大的个体所对应的轮值序列矩阵作为对应于无线传感器网络轮值模型的最优的传感器轮值序列矩阵。
执行模块520用于将无线传感器节点按照所述最优的传感器轮值序列矩阵开启或休眠。
进一步地，所述无线传感器网络轮值模型还需要构建模块530依据无线传感器和被监测目标间的覆盖关系构建。
具体地，本发明提供的面向综合能源的无线传感器轮值系统，通过利用由无线传感器的轮值轮数、剩余电量和与基站的距离构建的多目标适应度函数进行各个个体的适应度值的计算，使得在轮值方案的计算中，将网络安全性考虑在内，提高了综合能源系统无线传感器网络的安全性，确保在每一轮中所选择打开的传感器节点都是在该轮中综合安全性最高的一些节点，保障了综合能源系统的正常运行。
进一步地，在一个实施例中，构建模块530具体用于遍历无线传感器和被监测目标，得到无线传感器对被监测目标的覆盖关系；并将所述覆盖关系用二维矩阵进行表示后，利用所述二维矩阵对预设模型进行训练，得到所述无线传感器网络轮值模型。
在另一个实施例中，本发明提供的面向综合能源的无线传感器轮值系统中，还包括设置模块540，生成模块550和更新模块560；其中，
设置模块540用于设置所述鲸鱼优化方法的初始化参数；
生成模块550用于根据所述初始化参数生成初始鲸鱼种群；
更新模块560用于将所述初始鲸鱼种群中适应度值最大的个体作为初始的猎物；根据猎物包围公式、气泡网攻击公式或猎物搜索公式对所述初始鲸鱼种群中的个体进行位置更新。
具体地，构建模块构建用于无线传感器网络轮值的无线传感器网络轮值模型，设置模块设置所述鲸鱼优化方法的初始化参数，生成模块根据所述初始化参数生成初始鲸鱼种群，而后计算模块对初始鲸鱼种群执行计算处理，其中，计算模块利用由无线传感器的轮值轮数、剩余电量和与基站的距离构建的多目标适应度函数，计算出所述初始鲸鱼种群中各个个体的适应度值，而后更新模块根据适应度值对初始鲸鱼种群中个体的位置进行更新，使得生成模块根据更新后的个体生成新鲸鱼种群，用于计算模块对新鲸鱼种群中个体适应度值的计算，重复更新和计算，并在达到最大迭代次数后，得到新鲸鱼种群中最大适应性值所对应的个体，最后由执行模块控制无线传感器节点按照适应度值最大的个体所对应的轮值序列矩阵开启或休眠。在该系统中，将无线传感器的轮值轮数、剩余电量和与基站的距离共同构建多目标适应度函数，使得在轮值方案中，将对系统安全性有直接影响的剩余电量和与基站的距离均作为考虑因素，提高了综合能源系统无线传感器网络的安全性，确保在每一轮中所选择打开的无线传感器节点都是在该轮中综合安全性能最高的一些节点，保障了综合能源系统的正常运行。
进一步地，本发明提供的一种面向综合能源的无线传感器轮值系统中还包括克隆模块570和变异模块580；其中，
克隆模块570用于将由所述生成模块根据进行位置更新后的个体生成的新鲸鱼种群中个体适应度值最高的前n个个体按照预定的比例进行分层克隆，生成一个与所述新鲸鱼种群数量相同的克隆鲸鱼种群；其中，n为大于3的整数；
变异模块580用于对所述克隆鲸鱼种群进行变异操作后，将变异后的克隆鲸鱼种群作为所述鲸鱼算法中下一次迭代的新鲸鱼种群。
具体地，本发明将提出的克隆鲸鱼优化方法用于面向综合能源的无线传感器轮值系统中，相比于现有技术中的遗传算法、模拟退火算法等拥有更优的全局搜索能力和跳出局部最优能力，这极大地保证了所得到的传感器轮值序列的优越性。同时，通过本发明无线传感器轮值系统的应用，有效延长了综合能源系统中无线传感器网络的寿命，减少了频繁更换无线传感器的巨大开销。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行面向综合能源的无线传感器轮值方法，该方法包括：
101、调用鲸鱼优化方法得到对应于无线传感器网络轮值模型的最优的传感器轮值序列矩阵。
102、将无线传感器节点按照所述最优的传感器轮值序列矩阵开启或休眠。
其中，所述鲸鱼优化方法中，通过由无线传感器的轮值轮数、剩余电量和与基站的距离组成的多目标适应度函数计算所述鲸鱼优化方法的鲸鱼种群中各个个体的适应度值，并将适应度值最大的个体所对应的轮值序列矩阵作为最优的传感器轮值序列矩阵；
另外，所述无线传感器网络轮值模型依据无线传感器和被监测目标间的覆盖关系构建。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的面向综合能源的无线传感器轮值方法，该方法包括：
101、调用鲸鱼优化方法得到对应于无线传感器网络轮值模型的最优的传感器轮值序列矩阵。
102、将无线传感器节点按照所述最优的传感器轮值序列矩阵开启或休眠。
其中，所述鲸鱼优化方法中，通过由无线传感器的轮值轮数、剩余电量和与基站的距离组成的多目标适应度函数计算所述鲸鱼优化方法的鲸鱼种群中各个个体的适应度值，并将适应度值最大的个体所对应的轮值序列矩阵作为最优的传感器轮值序列矩阵；
另外，所述无线传感器网络轮值模型依据无线传感器和被监测目标间的覆盖关系构建。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法所提供的面向综合能源的无线传感器轮值方法，该方法包括：
101、调用鲸鱼优化方法得到对应于无线传感器网络轮值模型的最优的传感器轮值序列矩阵。
102、将无线传感器节点按照所述最优的传感器轮值序列矩阵开启或休眠。
其中，所述鲸鱼优化方法中，通过由无线传感器的轮值轮数、剩余电量和与基站的距离组成的多目标适应度函数计算所述鲸鱼优化方法的鲸鱼种群中各个个体的适应度值，并将适应度值最大的个体所对应的轮值序列矩阵作为最优的传感器轮值序列矩阵；
另外，所述无线传感器网络轮值模型依据无线传感器和被监测目标间的覆盖关系构建。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种面向综合能源的无线传感器轮值方法，其特征在于，包括：
通过由无线传感器的轮值轮数、剩余电量和与基站的距离组成的多目标适应度函数计算鲸鱼优化方法的鲸鱼种群中各个个体的适应度值，并将适应度值最大的个体所对应的轮值序列矩阵作为对应于无线传感器网络轮值模型的最优的传感器轮值序列矩阵；
将无线传感器节点按照所述最优的传感器轮值序列矩阵开启或休眠；
其中，所述无线传感器网络轮值模型依据无线传感器和被监测目标间的覆盖关系构建。
2.根据权利要求1所述的面向综合能源的无线传感器轮值方法，其特征在于，所述无线传感器网络轮值模型依据无线传感器和被监测目标间的覆盖关系构建，包括：
遍历无线传感器和被监测目标，得到无线传感器对被监测目标的覆盖关系；
将所述覆盖关系用二维矩阵进行表示后，利用所述二维矩阵对预设模型进行训练，得到所述无线传感器网络轮值模型。
3.根据权利要求1所述的面向综合能源的无线传感器轮值方法，其特征在于，通过多目标适应度函数计算鲸鱼种群中各个个体的适应度值，并将适应度值最大的个体所对应的轮值序列矩阵作为对应于无线传感器网络轮值模型的最优的传感器轮值序列矩阵，包括：
设置所述鲸鱼优化方法的初始化参数；其中，所述初始化参数包括：个体的数量、无线传感器的数量、被监测目标的数量、最大迭代次数、个体的位置、无线传感器的初始轮值序列矩阵；
根据所述初始化参数生成初始鲸鱼种群，并利用所述多目标适应度函数计算所述初始鲸鱼种群中各个个体的适应度值；
将所述初始鲸鱼种群中适应度值最大的个体作为初始的猎物；根据猎物包围公式、气泡网攻击公式或猎物搜索公式对所述初始鲸鱼种群中的个体进行位置更新，以生成新鲸鱼种群；
利用所述多目标适应度函数计算所述新鲸鱼种群中各个个体的适应度值，并更新所述猎物，直至达到最大迭代次数后，将所述新鲸鱼种群中适应度值最大的个体所对应的轮值序列矩阵作为对应于所述无线传感器网络轮值模型的最优的传感器轮值序列矩阵。
4.根据权利要求3所述的面向综合能源的无线传感器轮值方法，其特征在于，利用所述多目标适应度函数计算所述新鲸鱼种群中各个个体的适应度值，还包括：
将所述新鲸鱼种群中个体适应度值最高的前n个个体按照预定的比例进行分层克隆，生成一个与所述新鲸鱼种群数量相同的克隆鲸鱼种群；其中，n为大于3的整数；
对所述克隆鲸鱼种群进行变异操作后，将变异后的克隆鲸鱼种群作为所述鲸鱼算法中下一次迭代的新鲸鱼种群。
5.一种面向综合能源的无线传感器轮值系统，其特征在于，包括：
计算模块，用于通过由无线传感器的轮值轮数、剩余电量和与基站的距离组成的多目标适应度函数计算鲸鱼优化方法的鲸鱼种群中各个个体的适应度值，并将适应度值最大的个体所对应的轮值序列矩阵作为对应于无线传感器网络轮值模型的最优的传感器轮值序列矩阵；
执行模块，用于将无线传感器节点按照所述最优的传感器轮值序列矩阵开启或休眠；
其中，所述无线传感器网络轮值模型依据无线传感器和被监测目标间的覆盖关系构建。
6.根据权利要求5所述的面向综合能源的无线传感器轮值系统，其特征在于，还包括：
构建模块，用于遍历无线传感器和被监测目标，得到无线传感器对被监测目标的覆盖关系；并将所述覆盖关系用二维矩阵进行表示后，利用所述二维矩阵对预设模型进行训练，得到所述无线传感器网络轮值模型。
7.根据权利要求5所述的面向综合能源的无线传感器轮值系统，其特征在于，还包括：
设置模块，用于设置所述鲸鱼优化方法的初始化参数；
生成模块，用于根据所述初始化参数生成初始鲸鱼种群；
更新模块，用于将所述初始鲸鱼种群中适应度值最大的个体作为初始的猎物；根据猎物包围公式、气泡网攻击公式或猎物搜索公式对所述初始鲸鱼种群中的个体进行位置更新。
8.根据权利要求7所述的面向综合能源的无线传感器轮值系统，其特征在于，还包括：
克隆模块，用于将由所述生成模块根据进行位置更新后的个体生成的新鲸鱼种群中个体适应度值最高的前n个个体按照预定的比例进行分层克隆，生成一个与所述新鲸鱼种群数量相同的克隆鲸鱼种群；其中，n为大于3的整数；
变异模块，用于对所述克隆鲸鱼种群进行变异操作后，将变异后的克隆鲸鱼种群作为所述鲸鱼算法中下一次迭代的新鲸鱼种群。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述面向综合能源的无线传感器轮值方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述面向综合能源的无线传感器轮值方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111117386.0A CN114048668B (zh) | 2021-09-23 | 2021-09-23 | 面向综合能源的无线传感器轮值方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111117386.0A CN114048668B (zh) | 2021-09-23 | 2021-09-23 | 面向综合能源的无线传感器轮值方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114048668A true CN114048668A (zh) | 2022-02-15 |
| CN114048668B CN114048668B (zh) | 2023-04-28 |
Family
ID=80204615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111117386.0A Active CN114048668B (zh) | 2021-09-23 | 2021-09-23 | 面向综合能源的无线传感器轮值方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114048668B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090257373A1 (en) * | 2008-04-11 | 2009-10-15 | Yigal Bejerano | Methods and Apparatus for Coverage Verification in a Wireless Sensor Network |
| CN103139863A (zh) * | 2013-03-11 | 2013-06-05 | 山东大学 | 无线传感器网络动态簇机制的目标跟踪和耗能优化方法 |
| CN106604288A (zh) * | 2016-12-01 | 2017-04-26 | 陕西师范大学 | 无线传感器网络中节点自适应按需覆盖布设方法和装置 |
| CN107846719A (zh) * | 2017-12-15 | 2018-03-27 | 华中科技大学 | 一种基于改进鲸鱼群算法的无线传感器网络路由方法 |
| CN110996333A (zh) * | 2019-11-06 | 2020-04-10 | 湖北工业大学 | 一种基于鲸鱼算法的无线传感器网络节点定位方法 |
| CN110996287A (zh) * | 2019-12-04 | 2020-04-10 | 上海工程技术大学 | 基于鲸鱼优化算法的网络节点选择方法、系统及存储介质 |
-
2021
- 2021-09-23 CN CN202111117386.0A patent/CN114048668B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090257373A1 (en) * | 2008-04-11 | 2009-10-15 | Yigal Bejerano | Methods and Apparatus for Coverage Verification in a Wireless Sensor Network |
| CN103139863A (zh) * | 2013-03-11 | 2013-06-05 | 山东大学 | 无线传感器网络动态簇机制的目标跟踪和耗能优化方法 |
| CN106604288A (zh) * | 2016-12-01 | 2017-04-26 | 陕西师范大学 | 无线传感器网络中节点自适应按需覆盖布设方法和装置 |
| CN107846719A (zh) * | 2017-12-15 | 2018-03-27 | 华中科技大学 | 一种基于改进鲸鱼群算法的无线传感器网络路由方法 |
| CN110996333A (zh) * | 2019-11-06 | 2020-04-10 | 湖北工业大学 | 一种基于鲸鱼算法的无线传感器网络节点定位方法 |
| CN110996287A (zh) * | 2019-12-04 | 2020-04-10 | 上海工程技术大学 | 基于鲸鱼优化算法的网络节点选择方法、系统及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| R. DEEPA ET AL: "Enhancing Whale Optimization Algorithm with Levy Flight for coverage optimization in wireless sensor networks" * |
| 崔频;王敏;: "一种虚拟力导向遗传算法的无线传感器网络优化部署策略" * |
| 徐梦颖 等: "一种无线传感器网络中的目标覆盖优化算法" * |
| 段宇君;王耀力;常青;刘鑫;: "改进型蚁群算法融合混沌优化的pSPIEL算法的无线传感器布局优化" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114048668B (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112887994B (zh) | 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 | |
| CN107317699B (zh) | 一种云制造服务组合的动态蚁群快速优选方法 | |
| CN113239639B (zh) | 策略信息生成方法、装置、电子装置和存储介质 | |
| Idrees et al. | Distributed genetic algorithm for lifetime coverage optimisation in wireless sensor networks | |
| Hardiansyah et al. | Solving economic load dispatch problem using particle swarm optimization technique | |
| CN110351679B (zh) | 一种基于改进模拟退火的无线传感器网络资源分配方法 | |
| CN114565239B (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
| CN108448659B (zh) | 一种基于hacs算法求解电力系统无功优化的方法 | |
| Ye et al. | A new approach for resource scheduling with deep reinforcement learning | |
| CN114741955A (zh) | 一种基于安全云的多目标优化任务调度方法 | |
| Li et al. | Adaptive binary particle swarm optimization for WSN node optimal deployment algorithm | |
| CN108734349A (zh) | 基于改进遗传算法的分布式电源选址定容优化方法及系统 | |
| CN114048668A (zh) | 面向综合能源的无线传感器轮值方法及系统 | |
| CN110705756A (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
| CN115829258A (zh) | 基于多项式混沌近似动态规划的电力系统经济调度方法 | |
| Ferjani et al. | Task allocation for wireless sensor network using logic gate-based evolutionary algorithm | |
| CN114565242A (zh) | 一种综合低碳能源基地选址智能优化方法及装置 | |
| CN113988399A (zh) | 综合能源调度方法、装置、电子设备及存储介质 | |
| CN115271254A (zh) | 一种基于海鸥算法优化极限学习机的短期风功率预测方法 | |
| CN115333111A (zh) | 多区域电网协同优化方法、系统、设备及可读存储介质 | |
| CN114493090A (zh) | 工业园区综合能源智能管控方法及装置 | |
| CN113127167A (zh) | 一种基于改进遗传算法的异构资源智能并行调度方法 | |
| Wei | Energy saving based target coverage algorithm in wireless sensor network | |
| CN115396905A (zh) | 一种基于改进遗传算法的无线传感器网络覆盖优化方法 | |
| Penangsang et al. | Optimal design of photovoltaic–battery systems using interval type-2 fuzzy adaptive 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 |