CN114139459B - 一种基于约束多目标优化算法的无线传感器配置优化方法 - Google Patents
一种基于约束多目标优化算法的无线传感器配置优化方法 Download PDFInfo
- Publication number
- CN114139459B CN114139459B CN202111655054.8A CN202111655054A CN114139459B CN 114139459 B CN114139459 B CN 114139459B CN 202111655054 A CN202111655054 A CN 202111655054A CN 114139459 B CN114139459 B CN 114139459B
- Authority
- CN
- China
- Prior art keywords
- configuration
- wireless sensor
- scheme
- schemes
- wireless
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000005265 energy consumption Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 19
- 230000035772 mutation Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- GYSSRZJIHXQEHQ-UHFFFAOYSA-N carboxin Chemical compound S1CCOC(C)=C1C(=O)NC1=CC=CC=C1 GYSSRZJIHXQEHQ-UHFFFAOYSA-N 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000011437 continuous method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011438 discrete method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06F2111/04—Constraint-based CAD
-
- 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]
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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于约束多目标优化算法的无线传感器配置优化方法，所述方法采用改进的双种群约束多目标优化算法DCCMO优化无线传感器配置方案，克服了现有技术的不足，具有能够解决混合整数规划约束多目标优化问题、能同时对无线传感器和汇聚节点配置等优点。
Description
技术领域
本发明涉及一种基于约束多目标优化算法的无线传感器配置优化方法，尤其适用于具有对称结构的大型航天器的无线传感器配置工作，属于结构健康监测，无线传感器配置，计算机技术等领域。
背景技术
大型和复杂的航天器结构极易受到环境影响的损害，开发可靠的方法来监测其完整性和可持续性非常重要。目前，结构健康监测技术(Structural health monitoring,SHM)是一种最常见监测结构是否存在损坏和损坏程度的手段。传感器网络作为SHM中获取响应信息的系统的关键组成部分，可以直接影响评估结果的可靠性和有效性。随着无线传感器技术的发展，相对于传统的有线传感器网络而言，它具有成本低、易于部署、安装时间短等优点，在SHM中逐渐取代有线传感器网络。在SHM系统中有限个无线传感器便足够评估整个结构，因此为提高数据采集的准确性，以及结构评估的可靠性，进行无线传感器配置优化(Optimal wireless sensor placement,OWSP)是必要的。
研究人员已经提出了一些经典的OWSP方法来提高SHM中的信息有效性。例如，旨在最大化线性独立性的有效独立性方法、旨在减少迭代过程复杂性的模态置信准则理论、基于所有可能位置最大能量的模态动能等。对于OWSP，除了信息的有效性之外，还需要考虑更多的方面。大多数无线传感器由不可替代的电源或电池供能，能量耗尽便意味着无线传感器网络的生命周期的终结。因此，一方面，OWSP要求在确保数据收集的准确性的同时减少能源消耗。另一方面，无线传感器配置需要满足所有无线传感器之间信息传输的要求。此外，一个可靠的无线传感器网络也是必要的。为了同时解决这些问题，对算法的性能有了新的挑战。传统的穷举搜索方法只适用于简单的结构，若用于解决复杂的结构则需要消耗大量计算资源且搜索效率较低。与传统方法相比，遗传算法的种群搜索策略和与梯度无关的计算方法在解决OWSP上更具优势。
现有大多数的OWSP中没有考虑汇聚节点的配置。除了无线传感器的配置外，汇聚节点作为收集数据的重要组成部分，它的位置也会影响无线传感器网络的能量消耗。因此，为了获得最低的能量消耗，有必要对无线传感器和汇聚节点的配置进行优化。与无线传感器是选择候选位置进行配置不同，汇聚节点优化的是可布置区域的坐标，属于连续优化。目前，大多数研究利用离散优化方法解决无线传感器配置优化，但是这种方法并不适用于汇聚节点的配置。面对无线传感器和汇聚节点的同时配置问题，现有方法通常只用离散或连续方法中的一种来解决，忽略了优化算法在解决不同类型的优化变量时具有明显不同的性能这一事实。因此，将OWSP建模为混合整数规划问题是最恰当的。
大多数研究虽然考虑了网络连通性对OWSP的影响，并将其建模为一个约束多目标优化问题，但是忽略了约束处理技术对搜索性能的影响。合适的约束处理技术可以有效地提高算法搜索可行方案的效率。常见的约束处理技术有面向可行性的方法、惩罚因子、随机排名、∈-约束方法、基于多目标优化的方法、混合方法和其他方法。因此，在OWSP中引入最先进的约束处理技术能有效地提高算法的性能。
发明内容
本发明技术解决问题：为了克服上述问题，提供一种基于约束多目标优化算法的无线传感器配置优化方法，具有能够同时对无线传感器和汇聚节点配置，并解决混合整数规划约束多目标优化问题等优点。
本发明技术解决方案：一种基于约束多目标优化算法的无线传感器配置优化方法，所述方法采用改进的双种群约束多目标优化算法(Dual-population constrainedmulti-objective optimization algorithm,DCCMO)优化无线传感器配置方案，具体包括以下步骤：
步骤1：确定航天器结构用于布置无线传感器的候选位置数目M，待布置的无线传感器数目N以及所有候选位置采样的模态阶数目V，用于汇总所有无线传感器所采集信息的汇聚节点在航天器结构上布置的区域，最大迭代次数Tmax；
步骤2：计算出由所有布置传感器的候选位置的数目M组成的模态信息矩阵Φ；
步骤3：令迭代次数T＝1；将N个传感器布置的候选位置和1个汇聚节点在航天器结构上的位置坐标看成一个无线传感器配置方案，随机产生H个配置方案，作为父代配置方案集合。用Z表示父代配置方案集合，具体如下：
Z＝{z1,z2,…,zi,…,zH}
其中，zi表示当前种群中第i个个体，存放了第i组传感器和汇聚节点配置方案，表示如下：
zi＝{xi,pi}＝{{s1,s2,…,sN}i,(x,y)i}
其中，si＝{s1,s2,…,sN}i表示第i个配置方案所代表的N个传感器所放置的候选位置集合，pi＝(x,y)i表示第i个配置方案所代表的汇聚节点的位置坐标；
步骤4：基于步骤2中的模态信息矩阵Φ，对步骤3中构建的父代配置方案集合Z每个无线传感器配置方案，建立基于无线传感器和汇聚节点同步配置优化评价体系，所述优化评价体系包括信息有效性、能耗、网络连通性和网络可靠性4个指标，其中信息有效性和能耗是用于评价配置方案优劣的评价指标，网络连通性和网络可靠性是用于反映配置方案是否满足无线传感器配置的需求的判断指标。以第i个无线传感器配置方案zi为例，所述优化评价体系计算包括以下步骤：
(1)利用所述模态信息矩阵Φ计算出si对应模态信息矩阵计算zi的信息有效性评估指标A：
其中，MSE为平均平方误差和WCEV为最坏情况误差方差，具体公式分布如下所示：
其中，λ1≥λ2≥…≥λV是的特征值；σ2是噪声水平。
本发明设计的新信息有效性评估指标A，通过线性加权法将MSE和WCEV这两个指标聚合，计算配置方案的信息有效性；
(2)基于最小能耗传输路由协议，选择数据传输的路径，并计算zi的能耗Esum：
其中，El,sink(k)是第l个无线传感器经过多跳传输，将k bit的信息传输到汇聚节点所需的能耗，其计算公式如下：
其中，Q是第l个无线传感器传输到汇聚节点经过的无线传感器个数，Dq(q+1)是第q个中转无线传感器与第q+1个之间的欧几里得距离，εR是传感器接收1bit数据所需能耗，εT是无线传感器传输1bit数据所需能耗，μT是将数据传输1m的距离损耗的能耗；
(3)基于可达矩阵，计算每个zi的网络连通性，可达矩阵R服从布尔代数计算。在计算可达矩阵R过程中，需要将汇聚节点视为一个特殊的无线传感器，则计算公式如下：
R＝I+G+G2+G3+…+GN＝(I+G)N
其中，I是单位矩阵。G是(N+1)×(N+1)维的邻接矩阵，矩阵中的单个元素gab代表两个不重复的无线传感器a和b是否直接通讯，若无线传感器a和b之间单跳通讯，则gab＝1；否则，gab＝0；
因此，本发明中网络连接性的评价指标计算公式如下：
其中，rab是可达矩阵R中的一个元素，反映无线传感器a和b经过多跳传输后的连通性，当B＝(N+1)2时，无线传感器网络是连通的，当B≠(N+1)2时，无线传感器网络中存在部分无线传感器无法通过多跳连接进行传输；
(4)基于单点失效因子，计算zi的网络可靠性，单点失效因子计算公式如下：
其中，是无线传感器网络中在第a个传感器的功能失效后，仍能与汇聚节点有效通信的传感器数量；
(5)通过步骤(3)和步骤(4)基于计算得到zi的网络连通性和网络可靠性；对zi计算适应度值，以判断该配置方案是否满足无线传感器配置的需求；
fitness(zi)＝|min{B(zi)-(N+1)2,0}|+|min{C(zi)-C0,0}|
其中，C0是最大单点失效因子，fitness(zi)＝0时，个体是可行解，即对应的配置方案满足无线传感器配置需求；否则，个体为不可行解，fitness(zi)取值越大，则代表对应的配置方案越不满足无线传感器配置需求；
利用步骤4可为步骤3中的父代配置方案集合Z中每个无线传感器配置方案建立基于无线传感器和汇聚节点同步配置优化评价体系并计算适应度值，用于评价配置方案的优劣以及是否满足无线传感器配置的需求。
步骤5：对步骤4计算得到的父代配置方案集合进行DCCMO算法中的交叉操作，针对离散变量设计了全新的交叉算子，基于模拟二进制交叉优化连续变量，目的在于对混合整数规划中不同类型的变量采取不同的交叉策略，提高算法的搜索效率，并利用现有的配置方案之间信息的交流，找到更优的配置方案。具体步骤为：
(1)根据步骤4计算的适应度值，判断每个配置方案是否满足无线传感器配置的需求，并将所有的配置方案划分为两个集合；
(2)从满足配置需求的方案集合中依次选择每个配置方案，与满足配置需求的方案集合中一个随机方案；
(3)对比两个配置方案，保留相同的无线传感器位置；
(4)再从两个配置方案中随机选择步骤(3)中未被选择的无线传感器位置，直至总个数等于N；
(5)将步骤(3)和步骤(4)中选择出的无线传感器位置进行组合；
(6)基于模拟二进制交叉更新汇聚节点位置；
(7)将步骤(5)和步骤(6)中选择出的无线传感器位置和汇聚节点位置进行组合，作为新的配置方案；
(8)若步骤(2)的满足配置需求的方案集合中所有配置方案均已更新完毕，则继续后续操作，否则重复步骤(2)至步骤(7)；
(9)从不满足配置需求的方案集合中依次选择每个配置方案，与满足配置需求的方案中一个随机方案进行步骤(3)至步骤(7)的操作；
(10)若步骤(9)的不满足配置需求的方案集合中所有配置方案均已更新完毕，则继续后续操作，否则重复步骤(9)；
(11)最终输出步骤(8)和步骤(9)更新完毕的所有H个配置方案，组成1号子代种群。
步骤6：对步骤4计算得到的父代配置方案集合进行DCCMO算法中的变异操作，针对离散变量设计了全新的变异算子，基于多项式变异优化连续变量，目的在于对混合整数规划中不同类型的变量采取不同的变异策略，提高算法的搜索效率，并其目的在于分析现有配置方案中无线传感器的分布，替换部分无线传感器的位置，找到更优的配置方案。具体步骤为：
(1)从步骤4的父代配置方案集合中依次选出一个配置方案。
(2)按照无线传感器在航天器结构中分布的位置，将无线传感器分为两组；
(3)比较两组无线传感器的数量，个数多的一组无线传感器删除部分无线传感器，个数少的一组从候选位置中的未选位置上随机选择部分位置放置无线传感器，直至两组无线传感器数量一致，均等于N/2；
(4)基于多项式变异更新汇聚节点位置；
(5)组合两组无线传感器位置和汇聚节点位置作为新的配置方案；若步骤4的父代配置方案集合中所有配置方案均已更新完毕，则完成变异操作，否则重复步骤(1)至步骤(4)，最终输出更新后的H个配置方案，组成2号子代种群。
步骤7：对步骤5生成的1号子代种群和步骤6生成的2号子代种群进行环境选择操作，截取H个配置方案作为新的父代配置方案集合。其目的在于通过两个不同操作生成的子代种群间的信息交互，对比不同配置方案的优劣，从中挑选出最优的H个配置方案，促成配置方案的更新，得到更优的配置方案。
步骤8：若迭代次数T小于最大迭代次数Tmax，返回至步骤4～步骤7，更新父代配置方案集合，迭代次数T加1；否则，输出最新的父代配置方案集合作为最终得到优化后的H个无线传感器配置方案集合。其目的在于不断重复步骤4～步骤7，更新父代配置方案集合，输出最新的父代配置方案集合作为本发明最终得到优化后的H个无线传感器配置方案集合。
所述步骤5到步骤8具体实现：利用双种群约束多目标优化算法对步骤4算得到的父代配置方案集合进行迭代优化，每次迭代更新得到的新的父代配置方案集合中的配置方案都优于之前迭代中出现过的。
本发明与现有技术相比的优点在于：
(1)本发明提出的无线传感器配置优化问题，实际上是一个具有混合整数变量的约束多目标优化问题。现有的大多数优化方法都只适用于解决单一变量类型约束多目标优化问题，或将不同类型的变量转化为同类型变量进行处理，忽略了不同优化方法在解决不同类型变量问题上的适用性。因此，本发明设计了一种改进的双种群约束多目标优化算法DCCMO，对不同类型的变量选用不同的交叉和变异算子，提高算法的搜索效率；并通过对相同父代配置方案集合进行不同的优化操作，生成两组不同的子代种群，两个子代种群之间进行信息交流，有效地提高了收敛速度以及最终得到的无线传感器配置方案集合的多样性。
(2)在现有的无线传感器配置优化问题中，大多只聚焦在无线传感器的配置优化上，忽略了汇聚节点位置对无线传感器网络能耗的影响。因此，本发明考虑工程实际，将无线传感器配置优化问题建模拓展为无线传感器和汇聚节点的配置优化问题，有效提高了应用在工程中的准确性。
(3)为建立更为完善的无线传感器配置优化评价体系，能够准确地反映无线传感器配置方案是否满足需求以及评价不同配置方案的优劣程度，因此，本发明将满足网络连通性和网络可靠性的配置方案视为可行方案，并将最低的网络能耗和最佳的信息有效性视为最优方案。本发明提出了利用平均平方误差和最坏情况误差方差的加权和，能更全面地评价无线传感器网络的信息有效性；设计了单点失效因子评估无线传感器网络的连通性；给出了新的无线传感器网络能耗的评价标准；利用图论中的可达矩阵来评估网络的连通性。因此，与传统评价指标相比，本发明建立了更为完善的无线传感器配置优化评价体系。
(4)本发明的中，父代配置方案集合中每个配置方案依次执行改进的DCCMO算法中的交叉操作，针对离散变量设计了全新的交叉算子，基于模拟二进制交叉优化连续变量，目的在于对混合整数规划中不同类型的变量采取不同的交叉策略，提高算法的搜索效率，并利用现有的配置方案之间信息的交流，找到更优的配置方案。针对离散变量设计了全新的变异算子，基于多项式变异优化连续变量，目的在于对混合整数规划中不同类型的变量采取不同的变异策略，提高算法的搜索效率，并其目的在于分析现有配置方案中无线传感器的分布，替换部分无线传感器的位置，找到更优的配置方案。
附图说明
图1为本发明流程图；
图2为简化航天器结构示意图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
步骤1：确定如图2所示的简化航天器结构，其中无线传感器放置在左右两侧的长板结构上，用于汇总所有无线传感器所采集信息的汇聚节点布置在中心的立方体结构上。用于布置无线传感器的候选位置数目M＝120，待布置的无线传感器数目N＝10以及所有候选位置采样的模态阶数目V＝6，最大迭代次数Tmax＝100；
步骤2：计算出由所有布置传感器的候选位置的数目M组成的模态信息矩阵Φ；
步骤3：令迭代次数T＝1；将N个传感器布置的候选位置和1个汇聚节点在航天器结构上的位置坐标看成一个无线传感器配置方案，随机产生H＝20个配置方案，作为父代配置方案集合。用Z表示父代配置方案集合，具体如下：
Z＝{z1,z2,…,zi,…,zH}
其中，zi表示当前种群中第i个个体，存放了第i组传感器和汇聚节点配置方案，表示如下：
zi＝{si,pi}＝{{s1,s2,…,sN}i,(x,y)i}
其中，si表示第i个个体所代表的N个传感器所放置的候选位置，pi表示第i个个体所代表的汇聚节点的位置坐标；
为展示本说明的详细计算过程，现假设：
zi＝{si,pi}＝{{76,118,75,71,106,66},(-19.75,54.86)}
步骤4：基于步骤2中的模态信息矩阵Φ，对步骤3中构建的父代配置方案集合Z每个无线传感器配置方案，建立基于无线传感器和汇聚节点同步配置优化评价体系，所述优化评价体系包括信息有效性、能耗、网络连通性和网络可靠性4个指标，其中信息有效性和能耗是用于评价配置方案优劣的评价指标，网络连通性和网络可靠性是用于反映配置方案是否满足无线传感器配置的需求的判断指标。以第i个无线传感器配置方案zi为例，所述优化评价体系计算包括以下步骤：
(1)利用所述模态信息矩阵Φ计算出si对应模态信息矩阵
计算zi的信息有效性评估指标A：
(2)基于最小能耗传输路由协议，选择数据传输的路径，并计算zi的能耗Esum：
其中，El,sink(k)是第l个无线传感器经过多跳传输，将k＝100bit的信息传输到汇聚节点所需的能耗。
(3)基于可达矩阵，计算每个zi的网络连通性，即最多经过6次无线传感器传输，是否可以将数据汇总到汇聚节点。可达矩阵R服从布尔代数计算，在计算可达矩阵R过程中，需要将汇聚节点视为一个特殊的无线传感器，则计算公式如下：
其中，I是单位矩阵，G是邻接矩阵，反映两个无线传感器之间是否可通过单跳连通：
通过对比R与G可知，在配置方案zi中，原本部分单跳传输无法相互通信的无线传感器节点，通过最多不超过6次的多跳传输，变为可通信状态。
因此，本发明中配置方案zi网络连接性的评价指标计算如下：
其中，rab是可达矩阵R中的一个元素，反映无线传感器a和b经过多跳传输后的连通性，由结果B＝72可知，这表明配置方案zi所代表的无线传感器网络是连通的，所有的无线传感器都可以通过多跳传输将数据输送到汇聚节点中。
(4)基于单点失效因子，计算配置方案zi的网络可靠性，在计算过程中，需要将汇聚节点视为一个特殊的无线传感器，单点失效因子计算如下：
其中，是无线传感器网络中在第a个传感器的功能失效后，仍能与汇聚节点有效通信的无线传感器数量；
(5)通过步骤(3)和步骤(4)基于计算得到配置方案zi的网络连通性和网络可靠性；对zi计算适应度值，以判断该配置方案是否满足无线传感器配置的需求；
fitness(zi)＝|min{B(zi)-72,0}|+|min{C(zi)-0.5,0}|＝0.1944
其中，fitness(zi)≠0为不可行解；
利用步骤4可为步骤3中的父代配置方案集合Z中每个无线传感器配置方案建立基于无线传感器和汇聚节点同步配置优化评价体系并计算适应度值，用于评价配置方案的优劣以及是否满足无线传感器配置的需求。
步骤5：对步骤4计算得到的父代配置方案集合进行DCCMO算法中的交叉操作，针对离散变量设计了全新的交叉算子，基于模拟二进制交叉优化连续变量，目的在于对混合整数规划中不同类型的变量采取不同的交叉策略，提高算法的搜索效率，并利用现有的配置方案之间信息的交流，找到更优的配置方案。
介绍具体步骤如下：
(1)根据步骤4计算的适应度值，判断每个配置方案是否满足无线传感器配置的需求，并将所有的配置方案划分为两个集合。
(2)从满足配置需求的方案集合中依次选择每个配置方案，与满足配置需求的方案集合中一个随机方案。为详细介绍本发明设计的DCCMO算法中的交叉操作，现以配置方案zα和配置方案zβ为例，其中zα＝{{12,21,72,39,32,91},(13.99,22.38)}，zβ＝{{75,116,79,39,54,3},(2.77,58.70)}；配置方案zα与配置方案zβ适应度值均为0，即均为可行解。
(3)对比两个配置方案，保留相同的无线传感器位置；则配置方案zα和配置方案zβ中只有39号候选无线传感器配置位置相同，则保留{39}。
(4)再从两个配置方案中随机选择步骤(3)中未被选择的无线传感器位置，直至总个数等于N；此时，对于配置方案zα和配置方案zβ又随机选择了5个候选位置，即{3,116,21,75,12}。
(5)将步骤(3)和步骤(4)中选择出的无线传感器位置进行组合；则，对于配置方案zα和配置方案zβ而言，通过交叉算子，新生成的无线传感器配置为{39,3,116,21,75,12}。
(6)基于模拟二进制交叉更新汇聚节点坐标，新坐标为(13.99,58.42)；
(7)将步骤(5)和步骤(6)中选择出的无线传感器位置和汇聚节点位置进行组合，作为新的配置方案，即{{39,3,116,21,75,12},(13.99,58.42)}；
(8)若步骤(2)的满足配置需求的方案集合中所有配置方案均已更新完毕，则继续后续操作，否则重复步骤(2)至步骤(7)；
(9)从不满足配置需求的方案集合中依次选择每个配置方案，与满足配置需求的方案中一个随机方案进行步骤(3)至步骤(7)的操作；
(10)若步骤(9)的不满足配置需求的方案集合中所有配置方案均已更新完毕，则继续后续操作，否则重复步骤(9)；
(11)最终输出步骤(8)和步骤(9)更新完毕的所有H个配置方案，组成1号子代种群。
步骤6：对步骤4计算得到的父代配置方案集合进行DCCMO算法中的变异操作，针对离散变量设计了全新的变异算子，基于多项式变异优化连续变量，目的在于对混合整数规划中不同类型的变量采取不同的变异策略，提高算法的搜索效率，并其目的在于分析现有配置方案中无线传感器的分布，替换部分无线传感器的位置，找到更优的配置方案。具体步骤为：
(1)从步骤4的父代配置方案集合中依次选出一个配置方案。为详细介绍本发明设计的改进的DCCMO算法中的变异操作，现以配置方案zγ为例，其中zγ＝{{42,38,45,102,62,3},(-30.20,26.84)}；
(2)按照无线传感器在航天器结构中分布的位置，将无线传感器分为两组，即{38,45,102,62}与{42,3}；
(3)比较两组无线传感器的数量，个数多的一组无线传感器删除部分无线传感器，变为{38,45,62}；个数少的一组从候选位置中的未选位置上随机选择部分位置放置无线传感器，变为{42,3,59},。需要确保更新后的两组无线传感器数量一致，均等于N/2；
(4)基于多项式变异更新汇聚节点坐标，新坐标为(-43.71,26.92)；
(5)组合两组无线传感器位置和汇聚节点位置作为新的配置方案，即{{38,45,62,42,3,59},(-43.71,26.92)}；若步骤4的父代配置方案集合中所有配置方案均已更新完毕，则完成变异操作，否则重复步骤(1)至步骤(4)，最终输出更新后的H个配置方案，组成2号子代种群。
步骤7：对步骤5生成的1号子代种群和步骤6生成的2号子代种群进行环境选择操作，截取H个配置方案作为新的父代配置方案集合。其目的在于通过两个不同操作生成的子代种群间的信息交互，对比不同配置方案的优劣，从中挑选出最优的H个配置方案，促成配置方案的更新，得到更优的配置方案。
步骤8：若迭代次数T小于最大迭代次数Tmax，返回至步骤4～步骤7，更新父代配置方案集合，迭代次数T加1；否则，输出最新的父代配置方案集合作为最终得到优化后的H个无线传感器配置方案集合。其目的在于不断重复步骤4～步骤7，更新父代配置方案集合，输出最新的父代配置方案集合作为本发明最终得到优化后的H个无线传感器配置方案集合。
步骤5到步骤8具体实现：对步骤4算得到的父代配置方案集合进行迭代优化，每次迭代更新得到的新的父代配置方案集合中的配置方案都优于之前迭代中出现过的。最终的H个无线传感器配置方案集合如下表所示：
表1 最后一次迭代的无线传感器配置方案集合
以上虽然描述了本发明的具体实施方法，但是本领域的技术人员应当理解，这些仅是举例说明，在不背离本发明原理和实现的前提下，可以对这些实施方案做出多种变更或修改，因此，本发明的保护范围由所附权利要求书限定。
Claims (3)
1.一种基于约束多目标优化算法的无线传感器配置优化方法，其特征在于：所述方法采用改进的双种群约束多目标优化算法，Dual-population constrained multi-objective optimization algorithm,DCCMO，优化无线传感器配置方案，具体步骤如下：
步骤1：确定航天器结构用于布置无线传感器的候选位置数目M，待布置的无线传感器数目N以及所有候选位置采样的模态阶数目V，用于汇总所有无线传感器所采集信息的汇聚节点在航天器结构上布置的区域，最大迭代次数Tmax；
步骤2：计算出由所有布置传感器的候选位置的数目M组成的模态信息矩阵Φ；
步骤3：将N个传感器布置的候选位置和1个汇聚节点在航天器结构上的位置坐标看成一个无线传感器配置方案，随机产生H个配置方案，作为父代配置方案集合，令迭代次数T＝1；
步骤4：基于步骤2中的模态信息矩阵Φ，建立基于无线传感器和汇聚节点同步配置优化评价体系，所述优化评价体系包括信息有效性、能耗、网络连通性和网络可靠性4个指标，其中信息有效性和能耗是用于评价配置方案优劣的评价指标，网络连通性和网络可靠性是用于反映配置方案是否满足无线传感器配置的需求的判断指标；基于计算得到的网络连通性和网络可靠性；对步骤3中父代配置方案集合依次计算适应度值，以判断该配置方案是否满足无线传感器配置的需求；
步骤5：根据步骤4计算的适应度值，判断每个配置方案是否满足无线传感器配置的需求，并将所有的配置方案划分为两个集合，满足配置需求的方案中每个方案以及不满足配置需求的方案中的每个方案，依次与满足配置需求的方案中一个随机方案进行交叉操作，能得到H个更新后的配置方案，所述H个新配置方案所组成的新种群作为1号子代种群；
步骤6：对H个配置方案依次执行变异操作能得到H个更新后的配置方案，所述H个新配置方案所组成的新种群作为2号子代种群；
步骤7：对步骤5生成的1号子代种群和步骤6生成的2号子代种群进行环境选择操作，截取H个配置方案作为新的父代配置方案集合；
步骤8：若迭代次数T小于最大迭代次数Tmax，返回至步骤4～步骤7，更新父代配置方案集合，迭代次数T加1；否则，完成优化过程，输出最新的父代配置方案集合作为最终得到优化后的H个无线传感器配置方案集合；
所述步骤4中，建立基于无线传感器和汇聚节点同步配置优化评价体系的过程如下：
(1)从M个候选位置中选择N个位置用于放置无线传感器，利用所述模态信息矩阵Φ计算出所述N个位置对应模态信息矩阵计算每个无线传感器配置方案信息有效性，通过平均平方误差MSE和最坏情况误差方差WCEV两个指标衡量，分别表示如下：
其中，λ1≥λ2≥…≥λV是的特征值；σ2是噪声水平；采用线性加权法，将它们组合成新的信息有效性评估指标，公式如下：
利用新的信息有效性评估指标A，计算配置方案的信息有效性；
(2)基于最小能耗传输路由协议，选择数据传输的路径，计算每个配置方案的能耗，计算公式如下：
其中，El,sink(k)是第l个传感器经过多跳传输，将kbit的信息传输到汇聚节点所需的能耗，其计算公式如下：
其中，Q是第l个传感器传输到汇聚节点经过的传感器个数，Dq(q+1)是第q个中转传感器与第q+1个中转传感器之间的欧几里得距离，εR是传感器接收1bit数据所需能耗，εT是传感器传输1bit数据所需能耗，μT是将数据传输1m的距离损耗的能耗；
(3)根据可达矩阵计算每个zi的网络连通性，可达矩阵R服从布尔代数计算，在计算可达矩阵R过程中，将汇聚节点视为一个特殊的无线传感器，则可达矩阵R计算公式如下：
R＝I+G+G2+G3+…+GN＝(I+G)N
其中，I是单位矩阵，G是(N+1)×(N+1)维的邻接矩阵，矩阵中的单个元素gab代表两个不重复的无线传感器a和b是否直接通讯，若无线传感器a和b之间单跳通讯，则gab＝1；否则，gab＝0；
因此，网络连接性的评价指标计算公式如下：
其中，rab是可达矩阵R中的一个元素，反映传感器a和b经过多跳传输后的连通性，当B＝(N+1)2时，无线传感器网络是连通的，当B≠(N+1)2时，无线传感器网络中存在部分无线传感器无法通过多跳连接进行传输；
(4)根据单点失效因子计算zi的网络可靠性，单点失效因子C计算公式如下：
其中，是无线传感器网络中在第a个传感器的功能失效后，仍能与汇聚节点有效通信的传感器数量；
(5)通过步骤(3)和步骤(4)基于计算得到zi的网络连通性和网络可靠性；对zi计算适应度值，以判断该配置方案是否满足无线传感器配置的需求；
fitness(zi)＝|min{B(zi)-(N+1)2,0}|+|min{C(zi)-C0,0}|
其中，C0是最大单点失效因子，fitness(z)＝0时，个体是可行解，即对应的配置方案满足无线传感器配置需求；否则，个体为不可行解；fitness(z)取值越大，则代表对应的配置方案越不满足无线传感器配置需求。
2.根据权利要求1所述的一种基于约束多目标优化算法的无线传感器配置优化方法，其特征在于：所述步骤5具体实现如下：
(1)根据步骤4计算的适应度值，判断每个配置方案是否满足无线传感器配置的需求，并将所有的配置方案划分为两个集合；
(2)从满足配置需求的方案集合中依次选择每个配置方案，与满足配置需求的方案集合中一个随机方案；
(3)对比两个配置方案，保留相同的无线传感器位置；
(4)再从两个配置方案中随机选择步骤(3)中未被选择的无线传感器位置，直至总个数等于N；
(5)将步骤(3)和步骤(4)中选择出的无线传感器位置进行组合；
(6)基于模拟二进制交叉更新汇聚节点位置；
(7)将步骤(5)和步骤(6)中选择出的无线传感器位置和汇聚节点位置进行组合，作为新的配置方案；
(8)若步骤(2)的满足配置需求的方案集合中所有配置方案均已更新完毕，则继续后续操作，否则重复步骤(2)至步骤(7)；
(9)从不满足配置需求的方案集合中依次选择每个配置方案，与满足配置需求的方案中一个随机方案进行步骤(3)至步骤(7)的操作；
(10)若步骤(9)的不满足配置需求的方案集合中所有配置方案均已更新完毕，则继续后续操作，否则重复步骤(9)；
(11)最终输出步骤(8)和步骤(9)更新完毕的所有H个配置方案，组成1号子代种群。
3.根据权利要求1所述的一种基于约束多目标优化算法的无线传感器配置优化方法，其特征在于：所述步骤6具体实现如下：
(1)从步骤4的父代配置方案集合中依次选出一个配置方案；
(2)按照无线传感器在航天器结构中分布的位置，将无线传感器分为两组；
(3)比较两组无线传感器的数量，个数多的一组无线传感器删除部分无线传感器，个数少的一组从候选位置中的未选位置上随机选择部分位置放置无线传感器，直至两组无线传感器数量一致，均等于N/2；
(4)基于多项式变异更新汇聚节点位置；
(5)组合两组无线传感器位置和汇聚节点位置作为新的配置方案；若步骤4的父代配置方案集合中所有配置方案均已更新完毕，则完成变异操作，否则重复步骤(1)至步骤(4)，最终输出更新后的H个配置方案，组成2号子代种群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111655054.8A CN114139459B (zh) | 2021-12-30 | 2021-12-30 | 一种基于约束多目标优化算法的无线传感器配置优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111655054.8A CN114139459B (zh) | 2021-12-30 | 2021-12-30 | 一种基于约束多目标优化算法的无线传感器配置优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114139459A CN114139459A (zh) | 2022-03-04 |
| CN114139459B true CN114139459B (zh) | 2024-04-12 |
Family
ID=80383869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111655054.8A Active CN114139459B (zh) | 2021-12-30 | 2021-12-30 | 一种基于约束多目标优化算法的无线传感器配置优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114139459B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925599B (zh) * | 2022-04-27 | 2024-09-20 | 南京航空航天大学 | 采用差分进化方法的桨叶载荷识别传感器布局优化方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104021431A (zh) * | 2014-06-17 | 2014-09-03 | 中国地质大学（武汉） | 基于平均梯度值和改进多目标粒子群优化的鲁棒优化方法 |
| CN105430707A (zh) * | 2015-11-03 | 2016-03-23 | 国网江西省电力科学研究院 | 一种基于遗传算法的无线传感网多目标优化路由方法 |
| 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 |
| CN112036540A (zh) * | 2020-09-07 | 2020-12-04 | 哈尔滨工程大学 | 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 |
| CN112597692A (zh) * | 2020-09-21 | 2021-04-02 | 南京航空航天大学 | 一种实时监测超声速进气道流动状态的方法 |
| CN113472573A (zh) * | 2021-06-30 | 2021-10-01 | 三峡大学 | 用于无线传感器网络资源调度的高维多目标协同优化方法 |
| CN113573322A (zh) * | 2021-07-23 | 2021-10-29 | 杭州电子科技大学 | 基于改进遗传算法的多目标区域传感器网络覆盖优化方法 |
| CN113766539A (zh) * | 2021-08-24 | 2021-12-07 | 温州大学 | 一种分层无线传感器网络汇聚层节点优化部署方法 |
-
2021
- 2021-12-30 CN CN202111655054.8A patent/CN114139459B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104021431A (zh) * | 2014-06-17 | 2014-09-03 | 中国地质大学（武汉） | 基于平均梯度值和改进多目标粒子群优化的鲁棒优化方法 |
| CN105430707A (zh) * | 2015-11-03 | 2016-03-23 | 国网江西省电力科学研究院 | 一种基于遗传算法的无线传感网多目标优化路由方法 |
| 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 |
| CN112036540A (zh) * | 2020-09-07 | 2020-12-04 | 哈尔滨工程大学 | 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 |
| CN112597692A (zh) * | 2020-09-21 | 2021-04-02 | 南京航空航天大学 | 一种实时监测超声速进气道流动状态的方法 |
| CN113472573A (zh) * | 2021-06-30 | 2021-10-01 | 三峡大学 | 用于无线传感器网络资源调度的高维多目标协同优化方法 |
| CN113573322A (zh) * | 2021-07-23 | 2021-10-29 | 杭州电子科技大学 | 基于改进遗传算法的多目标区域传感器网络覆盖优化方法 |
| CN113766539A (zh) * | 2021-08-24 | 2021-12-07 | 温州大学 | 一种分层无线传感器网络汇聚层节点优化部署方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种改进的求解约束函数优化问题的演化算法;谢柏桥;戴光明;石红玉;;计算机应用与软件;20080715(07);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114139459A (zh) | 2022-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yen et al. | A genetic algorithm for energy-efficient based multicast routing on MANETs | |
| CN102238686B (zh) | 一种模型化量子遗传算法的无线传感器网络路由方法 | |
| CN102625324B (zh) | 基于粒子群算法的无线光纤传感器网络部署方法 | |
| CN105430707A (zh) | 一种基于遗传算法的无线传感网多目标优化路由方法 | |
| CN108737191B (zh) | 面向超密集无线传感器网基于无监督学习的拓扑控制方法 | |
| CN104615869A (zh) | 一种基于相似度排挤的多种群模拟退火混合遗传算法 | |
| Ferentinos et al. | Energy optimization of wireless sensor networks for environmental measurements | |
| CN109862532B (zh) | 轨道交通状态监测多传感器节点布局优化方法及系统 | |
| CN101459915A (zh) | 基于遗传算法的无线传感器网络节点覆盖优化方法 | |
| Wan et al. | Optimization of Wireless Sensor Networks based on Differential Evolution Algorithm. | |
| CN114139459B (zh) | 一种基于约束多目标优化算法的无线传感器配置优化方法 | |
| Zhou et al. | Optimal wireless sensor placement in structural health monitoring emphasizing information effectiveness and network performance | |
| Aziz et al. | Efficient routing approach using a collaborative strategy | |
| CN111526555B (zh) | 基于遗传算法的多跳路由路径选择方法 | |
| CN106658570B (zh) | 基于二次栅格划分的移动sink信息收集路径构建方法 | |
| Rajan et al. | Node replacement based energy optimization using enhanced salp swarm algorithm (Es2a) in wireless sensor networks | |
| CN116419290B (zh) | 基于跨层设计联合深度q网络的水声通信能量优化方法 | |
| Al Rasyid et al. | Performance Analysis LEACH Based Genetic Algoritm In Wireless Sensor Network | |
| CN115221770A (zh) | 一种基于精英种群遗传算法的电力信息系统迁移方法 | |
| CN110703725B (zh) | 一种适用于航天姿态轨道控制系统的路径优化方法 | |
| 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 | |
| CN102882727B (zh) | 一种层次化监测网络的监测区域划分方法 | |
| Ajobiewe | Data Aggregation in Wireless Sensor Networks: Emerging Research Areas | |
| Ampratwum et al. | A Nested Genetic Algorithm-Based Optimized Topology and Routing Scheme for WSN | |
| Farahmand et al. | A Novel Energy-Efficient Weighted Multi-Level Clustering Protocol |
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 |