CN114339651A - 一种改进蚁群算法的智慧农业传感器布局优化方法 - Google Patents
一种改进蚁群算法的智慧农业传感器布局优化方法 Download PDFInfo
- Publication number
- CN114339651A CN114339651A CN202111440693.2A CN202111440693A CN114339651A CN 114339651 A CN114339651 A CN 114339651A CN 202111440693 A CN202111440693 A CN 202111440693A CN 114339651 A CN114339651 A CN 114339651A
- Authority
- CN
- China
- Prior art keywords
- sensor node
- data
- sensor
- soil moisture
- representing
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种改进蚁群算法的智慧农业传感器布局优化方法,具体如下:步骤1、土壤中随机布局有多个传感器节点,每个传感器节点采集土壤墒情数据并对其进行预处理;其中,预处理后的土壤墒情数据简记为数据;步骤2、根据步骤1预处理后的土壤墒情数据建立数据冗余度模型和网络能量损耗模型,将数据冗余度模型和网络能量损耗模型加入启发函数中,从而得到改进后的启发函数,引导蚁群搜索能够降低数据冗余度和网络能量损耗的传感器节点布点路径;步骤3、采用改进后的概率转移公式引导蚂蚁从起点向终点方向移动,防止在搜索路径的过程中出现绕路情况,以便搜索出能够降低数据冗余度和网络能量损耗的传感器节点布点路径。本发明节约网络能耗。
Description
技术领域
本发明涉及无线传感网技术领域,特别是一种改进蚁群算法的智慧农业传感器布局优化方法。
背景技术
农业节水灌溉系统通过分布于农田的传感器采集土壤墒情信息,合理的传感器选择和布局对土壤墒情的准确获取起着重要作用。目前,人们对于传感器布局研究的重点一方面集中于覆盖算法和定位算法,即通过不同的算法模型,从基站数量、网络连通性以及在有障碍物环境中的最小覆盖度和最佳放置位置等方面开展优化研究。
在农田中土壤墒情传感器优化布局的研究比较稀有,并且针对传感器节点大量分布,检测的数据冗余度比较高的问题的相关研究少之又少。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种改进蚁群算法的智慧农业传感器布局优化方法,旨在解决农业种植土壤墒情传感器中采集数据冗余度高的问题,同时,节约网络能耗以及减少传感器的投入数量,降低传感器的投入成本。
本发明为解决上述技术问题采用以下技术方案:
根据本发明提出的一种改进蚁群算法的智慧农业传感器布局优化方法,包括以下步骤:
步骤1、土壤中随机布局有多个传感器节点,每个传感器节点采集土壤墒情数据并对其进行预处理;其中,预处理后的土壤墒情数据简记为数据;
步骤2、根据步骤1预处理后的土壤墒情数据建立数据冗余度模型和网络能量损耗模型,将数据冗余度模型和网络能量损耗模型加入启发函数中,从而得到改进后的启发函数,引导蚁群搜索能够降低数据冗余度和网络能量损耗的传感器节点布点路径;
步骤3、采用改进后的概率转移公式引导蚂蚁从起点向终点方向移动,防止在搜索路径的过程中出现绕路情况,以便搜索出能够降低数据冗余度和网络能量损耗的传感器节点布点路径;其中,改进概率转移公式是:对概率转移公式中的启发函数和信息素浓度更新公式进行改进,并且在概率转移公式中引入路径趋势向导;启发函数为步骤2中改进后的启发函数,在信息素浓度更新公式的改进则是引入数据冗余度影响因子。
作为本发明所述的一种改进蚁群算法的智慧农业传感器布局优化方法进一步优化方案,步骤2中,数据冗余度模型为:
Hij=1/Oij (1)
Oij=Ri+Rj (2)
其中,Hij表示第i个和第j个传感器节点之间数据冗余度,Oij表示第i个和第j个传感器节点之间的相异值,Ri表示第i个传感器节点的数据与土壤中剩余传感器节点的数据的差平方之和,用来表示第i个传感器节点数据与土壤中传感器节点数据的相异性,Rj表示第j个传感器节点的数据与土壤中剩余传感器节点数据的差平方之和,用来表示第j个传感器节点数据与土壤中传感器节点数据的相异性,mi和mj分别表示第i个和第j个传感器节点的土壤墒情数据,i,j=1,2,3,…n,n为传感器节点的总数;
只考虑传感器节点发送、接收和传输土壤墒情数据的能量损耗,建立网络能量损耗模型:
发送数据的能量损耗:
其中,Es(l,Dz)表示传感器节点发送土壤墒情数据过程中的能量损耗,l表示发送的土壤墒情数据长度,Dz表示两个传感器节点之间物理距离,Eelec表示处理每单位的数据消耗的能量,efs表示功率放大系数,Dij表示第i个传感器节点和第j个传感器节点之间的距离,Dz在数值上等于Dij,xi表示第i个传感器节点的横坐标,yi表示第i个传感器节点的纵坐标;xj表示第j个传感器节点的横坐标,yj表示第j个传感器节点的纵坐标;
接收数据的能量损耗:
Er=l·Eelec (6)
Er表示数据接收过程的能量损耗,在数值上等于接收的土壤墒情数据的长度l与处理每单位的数据消耗的能量Eelec的乘积;
数据传输过程中的能量损耗:
若一个传感器节点发送的土壤墒情数据在经过n*个传感器节点后到达终点,那么整个过程的能量损耗如式(7)所示,整个过程的能量损耗等于数据发送和数据接收两部分之和;其中,表示数据发送过程的能量损耗,l表示发送的土壤墒情数据的长度,dz表示从出发传感器节点到终点经过的传感器节点之间距离总和,在数值上等于Dz的累加和;其中,出发传感器节点是蚁群随机选择的,终点是预先选定的;结合上述接收数据损耗公式(4)和发送数据的能量损耗公式(6)以及公式(8),将数据传输过程中能量损耗转化成公式(10)的形式;
将网络能量损耗模型、数据冗余度模型引入到启发函数中,计算的启发函数的值作为蚂蚁选择下一个传感器节点的期望值;
改进启发函数如下式所示:
ηij=λ1Oij+λ2 1/Ecost+λ31/Dij (11)
其中,λ1、λ2、λ3是比例系数、λ1、λ2、λ3分别表示土壤墒情数据相异度、能量损耗和物理距离在启发函数中所占比例,λ1+λ2+λ3=1,ηij表示第i个传感器节点到第j个传感器节点之间的启发函数。
作为本发明所述的一种改进蚁群算法的智慧农业传感器布局优化方法进一步优化方案,在概率转移公式中引入路径趋势向导,Gj表示蚁群算法中蚂蚁向第j个传感器节点转移的向导;改进蚁群算法的概率转移公式如下:
表示第k只蚂蚁,在t时刻从第i个传感器节点转移到第j个传感器节点的概率,其中,τij(t)表示t时刻第i个传感器节点到将要访问的第j个传感器节点的信息素浓度值;τis(t)表示t时刻第i传感器节点到出发传感器节点s的信息素浓度值;ηis(t)表示t时刻第i个传感器节点到出发传感器节点s的启发函数值;ηij(t)表示t时刻第i个传感器节点到将要访问的第j个传感器节点的启发函数值;α,β都表示调节因子,α用于调节信息素浓度对概率转移的影响,β用于调节启发函数对概率转移的影响;allowedk是第k只蚂蚁将要访问的节点是存在一个表,该表用来存放还未访问的传感器节点,s∈allowedk出发传感器节点s在第k只蚂蚁下一步容许去的传感器节点集合里,j∈allowedk表示下一个将访问的第j个传感器在第k只蚂蚁下一步容许去的传感器节点集合里,即第j个传感器节点还未被访问过;Dis表示第i个传感器节点到出发传感器节点s的距离,Djs表示将要访问的第j个传感器节点到出发传感器节点s的距离;Did表示第i个传感器节点到终点d的距离;Gj为1的传感器节点对概率转移公式有贡献的,第j个传感器节点成为最优路径上的传感器节点,而Gj为0的传感器节点,则导致转移概率为0,不会作为下一个访问的传感器节点,通过Gj能够引导蚂蚁从出发传感器节点往终点方向移动,R表示传感器节点的通信半径。
作为本发明所述的一种改进蚁群算法的智慧农业传感器布局优化方法进一步优化方案,信息素浓度更新公式:
表示第k只蚂蚁在t时刻从第i个传感器节点到第j个传感器节点的信息素浓度更新增量,Lk表示第k只蚂蚁在本次路径搜索过程中所走的路径总长度,Hk表示第k只蚂蚁在本次路径搜索过程中的数据冗余度,Q表示蚁群算法中的信息素浓度,是常量。
作为本发明所述的一种改进蚁群算法的智慧农业传感器布局优化方法进一步优化方案,步骤1中,采集土壤墒情数据的具体方法是:在土壤中随机选取多个传感器节点,采集土壤表面预设深度下的土壤墒情数据,每个传感器节点集多次土壤墒情数据取平均值作为该传感器节点的土壤墒情数据,将采集的土壤墒情数据进行预处理。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明考虑智慧农业传感器采集数据冗余度、网络能耗、布点路径的长短以及传感器的投入数量问题,提出改进的蚁群算法用于智慧农业传感器的优化布局,经本发明方法优化后的传感器布点路径节约了能量、降低了数据冗余度和传感器的投入成本。
附图说明
图1是本发明实施例提供的一种改进蚁群算法的智慧农业传感器布局优化算法的试验数据采集装备;
图2为本发明实施例提供的土壤传感器初始布局;
图3为本发明实施例提供的一种改进蚁群算法的智慧农业传感器布局优化算法的结构框图;
图4为本发明实施例提供的改进蚁群算法的流程图;
图5为本发明实施例提供的改进蚁群算法在智慧农业传感器优化布局中结果图;
图6为本发明实施例提供的基本蚁群算法在智慧农业传感器优化布局中结果图;
图7a、图7b、图7c分别为改进蚁群算法和基本蚁群算法在智慧农业传感器优化布局中数据冗余度、网络能耗、路径长度的结果比较图;
图8为本发明实施例提供的改进蚁群算法和基本蚁群算法土壤墒情均值比较图;
图9为改进蚁群算法和基本蚁群算法在智慧农业传感器优化布局结果比较图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
图1为本发明实施例提供的一种试验数据采集装备,土壤墒情传感器。选用石家庄雷光电子科技有限公司的SWR-100W土壤墒情传感器,该土壤墒情传感器基于频域反射原理测量土壤的含水量。本发明土壤墒情指的是土壤含水率,土壤含水率是指土壤中水分的质量与干土质量的比值。
图2是智慧农业传感器的初始布局,如图2所示,在一个实施例中,提出了一种改进蚁群算法的智慧农业传感器布局优化算法,随机选取25个采集点采集的土壤墒情,采集土壤表面下25cm土壤墒情数据,每个传感器节点采集3次数据取平均值作为该传感器节点的土壤墒情数据。
图3是本发明的系统结构图,描述整个发明的整体思路和实现过程,具体可以包括以下步骤:
步骤一,获取土壤墒情数据。
在试验的土壤中随机选择25个传感器节点,采集土壤表面之下25cm的土壤墒情数据,每个传感器节点采集3次数据,取3次数据的平均值作为该传感器节点的土壤墒情数据,对采集的土壤墒情数据进行预处后,用于本发明的后续相关试验。
步骤二,改进蚁群算法的启发函数。具体步骤:
首先,建立数据冗余度模型;
计算每个传感器节点数据与土壤中剩余其它传感器节点数据之间的相异值之和,反映每个传感器节点与整个土壤中的墒情的相异程度。相异度公式如下式所示:
Oij=Ri+Rj ((i,j)∈1…n)
Hij=1/Oij ((i,j)∈1…n)
其中,n为传感节点数,mi和mj表示第i个和第j个传感器节点的土壤含水率,Ri值越大则表明该点的土壤墒情与整个土壤中的土壤墒情差异性越大;Oij表示传感器节点土壤墒情数据之间的相异度,Hij表示传感器节点土壤墒情数据之间的冗余度,Oij其值越大则表示第i、j个传感器节点之间数据冗余度越小。
其次,是建立网络能量损耗模型;
无线传感网中传感器节点的能量损耗主要在数据的发送、接收以及传输过程中,为简化能量损耗模型,本发明不考虑网络中具体的路由传输协议,只考虑传感器节点发送、接收和传输数据的能量损耗。
发送数据能量损耗:
Es(l,d)=lEelec+lefsD2
上式中:l表示发送的数据长度,Eelec表示处理每单位的数据需要消耗的能量,efs表示功率放大系数,D表示两个传感器节点之间的距离,在数值上等于Dij。
接收数据能量损耗:
Er=lEelec
若一个传感器节点发送的数据在经过n个节点后到达终点,则数据传输过程中的能量损耗公式如下:
由上述公式(1)可知,无线传感网中能量损耗主要在传感器节点数据传输和传感器节点数据处理过程中,在传输数据长度一定时,对传感器节点数据处理的能量损耗为(2n+1)lEelec,大小由传感器节点数量决定;数据传输过程中的能量损耗为大小由传输距离决定,距离越远则损耗能量越多。
最后,构建新的启发函数;
基本蚁群算法的启发函数中考虑了两个传感器节点之间的距离因素,在实际的土壤墒情传感器布局中不仅要考虑传输距离问题,还要考虑网络的损耗以及数据的冗余度等问题,将网络损耗、数据冗余度引入到启发函数中,作为蚂蚁选择下一个传感器节点的期望值。启发函数如下式所示:
ηij=λ1Oij+λ2 1/Ecost+λ3 1/Dij(λ1+λ2+λ3=1)
由上式可知,Oij越大、Ecost越小、Dij越小,ηij越大,则第j个传感器节点被选作下一个传感器节点的可能性越大,即蚂蚁选择下一跳传感器节点的条件是数据冗余度小、网络能耗少、路径长度短。
其中Dij表示两传感器节点之间的距离,公式如下所示:
改进后的启发函数能够启发蚁群搜索数据冗余度小,网络损耗少的传感器布点路径。
步骤三,是改进蚁群算法的概率转移公式,基本蚁群算法是没有方向性的,在路径寻优过程中可能会出现当前传感器节点要找的下一传感器节点偏离终点,导致路径变长,在概率转移公式中引入路径趋势向导Gj,引导蚂蚁沿终点方向搜索路径。具体步骤是:
表示第k只蚂蚁,在t时刻从第i个传感器节点转移到第j个传感器节点的概率,其中,τij(t)表示t时刻第i个传感器节点到将要访问的第j个传感器节点的信息素浓度值;τis(t)表示t时刻第i传感器节点到出发传感器节点s的信息素浓度值;ηis(t)表示t时刻第i个传感器节点到出发传感器节点s的启发函数值;ηij(t)表示t时刻第i个传感器节点到将要访问的第j个传感器节点的启发函数值,α,β都表示调节因子,α调节信息素浓度对概率转移的影响,其值越大,信息素浓度对概率转移起的作用越大,蚂蚁倾向于选择路径长度短和数据冗余度小的邻居传感器节点作为下一个访问传感器节点。β调节启发函数对概率转移的影响,其值越大,启发函数对概率转移起的作用越大,蚂蚁倾向于选择能量消耗少的邻居节点作为下一个访问传感器节点。
基本蚁群算法是没有方向性的,在路径寻优过程中可能会出现当前传感器节点要找的下一传感器节点偏离终点,导致路径变长,本发明提出的改进算法在概率转移中引入趋势向导,如上述公式(2)所示,表示趋势向导Gj,i表示当前传感器节点,j表示下一跳传感器节点,s表示出发传感器节点,d表示终点,Gj为1的传感器节点更有可能成为最优路径上的传感器节点,而Gj为0的传感器节点,导致转移概率为0,则第j个传感器节点不会作为下一个访问的传感器节点,通过Gj能够引导蚂蚁从出发传感器节点往终点方向移动,防止绕路情况出现,避免增加路径长度以及网络能量损耗,减少传感器布点路径的长度和传感器的投入数量,降低了投入成本。
步骤四,是改进蚁群算法在智慧农业传感器优化布局中实现的具体过程,步骤包括:
(1)改进蚁群算法的试验参数设置,如下表1所示:
传感器节点初始能量统一设置为50J;n表示传感器节点数量,表示初始布局投入的传感器节点数量;m表示蚂蚁的数量,设置为50只;N表示蚁群算法最大迭代次数,设置为200次;α信息素调节因子,设置为1;β启发函数调节因子,设置为5;ρ表示信息素挥发因子,取值0.1;λ1、λ2和λ3是比例系数,表示数据冗余度、网络能量损耗和传感器节点之间的距离在启发函数中所占比重,数值分别为0.5、0.2和0.3;R表示传感器节点的通信半径,选择的传感器通信半径为70m;Q表示信息素初始强度,是常数,取值为100。
(2)设置蚁群算法路径搜索的终点,如图1中所示终点位置,一般无线传感网中,路由汇聚节点选在边界处,因此,本发明的中蚁群算法终点设置如图1中所示。
(3)读取数据,将土壤墒情数据带入数据冗余度模型中,计算各传感器节点之间的数据冗余度,具体如下:
Oij=Ri+Rj ((i,j)∈1…n)
Hij=1/Oij ((i,j)∈1…n)
Ri表示第i个传感器节点与土壤中剩下所有传感器节点数据的差异性之和,能够反映第i个传感器节点与土壤中剩余传感器节点数据差异性,数值越大,表示差异性越大,数值越小,表示差异性越小。Oij表示第i个传感器节点与第j个传感器节点之间的数据差异性,Oij越大,则两个传感器节点数据差异性越大,反之亦然。用Hij表示传感器节点之间的数据冗余度,在数值上等于Oij的倒数,Hij越小,则数据冗余度越小,则越好。数据冗余度小,则选择的传感器节点更具有代表性。
建立网络能量损耗模型:
Es(l,d)=lEelec+lefsD2
上式中:l表示发送的数据长度,Eelec表示处理每单位的数据需要消耗的能量,efs表示功率放大系数,Dij表示两传感器节点之间的距离。
接收数据能量消耗:
Er=lEelec
若一个传感器节点发送的土壤墒情数据在经过n个传感器节点后到达终点,则数据传输过程中的能量损耗公式如下:
由上述公式(3)可知,无线传感网中能量损耗主要在传感器节点数据传输和传感器节点数据处理过程中,在传输传感器节点数据长度一定时,对传感器节点数据处理的能量损耗为(2n+1)lEelec,大小由传感器节点数量决定;传感器节点数据传输过程中的能量损耗为大小由传输距离决定,距离越远则损耗能量越多。
确定启发函数:
ηij=λ1Oij+λ2 1/Ecost+λ3 1/Dij(λ1+λ2+λ3=1)
基本蚁群算法的启发函数中考虑了两个传感器节点间的距离因素,即Dij,在实际的土壤墒情传感器布局中不仅要考虑传输距离问题,还要考虑网络的损耗以及数据的冗余度等问题,在新的启发函数中加入数据冗余和网络能量损耗因素,启发蚁群搜索能降低数据冗余度、网络损耗的传感器节点布点路径。
计算概率转移公式:
基本蚁群算法是没有方向性的,在路径搜索过程中可能会出现当前节点要找的下一跳节点偏离终点,导致路径变长,本发明提出的改进算法在概率转移中引入趋势向导,如上述公式(3)所示,Gj表示趋势向导,i表示当前传感器节点,j表示下一跳传感器节点,s表示出发传感器节点,d表示终点,Gj为1的传感器节点更有可能成为最优路径上的传感器节点,而Gj为0的传感器节点,导致转移概率为0,则第j个传感器节点不会作为下一个访问的传感器节点,通过Gj能够引导蚂蚁从出发传感器节点往终点方向移动,防止绕路情况出现,避免增加路径长度以及网络能量损耗。
通过计算传感器节点之间的转移概率,转移概率最大的传感器节点作为蚂蚁访问的下一跳节点,以此类推,直到蚁群搜索到路径终点。
更新信息素浓度:
信息素浓度由路径长度和数据冗余度共同决定,两个传感器节点之间距离短、数据冗余度小,则蚂蚁在此路径上释放信息素越多,后续蚂蚁更偏向选择该条路径,更新公式如下:
Lk表示第k只蚂蚁在本次路径搜索中所走的路径总长度,Hk表示第k只蚂蚁在本次路径搜索中的数据冗余度,由上述公式(5)可知,路径越短,数据冗余度越小则释放的信息素浓度越多,后续的蚂蚁更倾向于选择信息素浓度高的路径到达终点,即蚂蚁选择的路径能降低数据冗余度、并且路径长度短是最短的。
(4)判断是否到达最大迭代次数,如果已达到设置的最大迭代次数,则算法终止,输出优化后的传感器布点路径;否到,按照上述步骤继续搜索路径。
图4是本发明改进蚁群算法的具体实现流程图。
图5是本发明提出的改进蚁群算法优化传感器布局的结果图,由图5可知,输出路径只需要6个传感器即可,将初始布局的25个传感器减少到6个,大大的减少了传感器的数量和投入成本。
图6是基本蚁群算法用于土壤传感器布局优化的试验结果图,由图6可知,输出路径需要9个传感器,相较于改进蚁群算法多3个传感器。
由图7a、图7b和图7c可知,在数据冗余度、网络能量损耗、路径长度方面改进蚁群算法的结果都优于基本蚁群算法。
图8是改进蚁群算法和基本蚁群算法优化后,输出路径上传感器节点采集数据的均值与智慧农业整体土壤墒情的比较,数据采集点的均值与整体均值相差越小,则表示该路径上采集的数据更能代表智慧农业的整体土壤墒情。
由图8可知,改进蚁群算法输出路径采集的土壤墒情数据均值与整体均值差值较小,则改进蚁群算法输出路径采集数据更能代表智慧农业整体土壤墒情,结合图7a、图7b和图7c可知,改进蚁群算法输出路径采集的土壤墒情数据冗余度小,则说明改进蚁群算法优化后输出路径采集的土壤墒情数据既能代表土壤墒情的整体性又能体现土壤墒情数据的差异性。
图9是选择另外一天的数据,进行的试验,试验结果如图9所示,改进蚁群算法输出路径需要6个传感器,基本蚁群算法输出路径需要9个传感器,试验结果与本发明试验结果一致,证明了本发明的可靠性,排除了偶然性。
本发明解决了传感器优化布局中,数据冗余度高的问题,同时也对网络能耗以及传感器的投入数量和布点路径的长度进行优化,采用本发明方法的智慧农业传感器布局优化后,能节约网络能耗、采集的数据冗余度小,减少传感器的投入数量从而降低投入成本。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围内。
Claims (5)
1.一种改进蚁群算法的智慧农业传感器布局优化方法,其特征在于,包括以下步骤:
步骤1、土壤中随机布局有多个传感器节点,每个传感器节点采集土壤墒情数据并对其进行预处理;其中,预处理后的土壤墒情数据简记为数据;
步骤2、根据步骤1预处理后的土壤墒情数据建立数据冗余度模型和网络能量损耗模型,将数据冗余度模型和网络能量损耗模型加入启发函数中,从而得到改进后的启发函数,引导蚁群搜索能够降低数据冗余度和网络能量损耗的传感器节点布点路径;
步骤3、采用改进后的概率转移公式引导蚂蚁从起点向终点方向移动,防止在搜索路径的过程中出现绕路情况,以便搜索出能够降低数据冗余度和网络能量损耗的传感器节点布点路径;
其中,改进概率转移公式是:对概率转移公式中的启发函数和信息素浓度更新公式进行改进,并且在概率转移公式中引入路径趋势向导;启发函数为步骤2中改进后的启发函数,在信息素浓度更新公式的改进则是引入数据冗余度影响因子。
2.根据权利要求1所述的一种改进蚁群算法的智慧农业传感器布局优化方法,其特征在于,步骤2中,数据冗余度模型为:
Hij=1/Oij (1)
Oij=Ri+Rj (2)
其中,Hij表示第i个和第j个传感器节点之间数据冗余度,Oij表示第i个和第j个传感器节点之间的相异值,Ri表示第i个传感器节点的数据与土壤中剩余传感器节点的数据的差平方之和,用来表示第i个传感器节点数据与土壤中传感器节点数据的相异性,Rj表示第j个传感器节点的数据与土壤中剩余传感器节点数据的差平方之和,用来表示第j个传感器节点数据与土壤中传感器节点数据的相异性,mi和mj分别表示第i个和第j个传感器节点的土壤墒情数据,i,j=1,2,3,...n,n为传感器节点的总数;
只考虑传感器节点发送、接收和传输土壤墒情数据的能量损耗,建立网络能量损耗模型:
发送数据的能量损耗:
其中,Es(l,Dz)表示传感器节点发送土壤墒情数据过程中的能量损耗,l表示发送的土壤墒情数据长度,Dz表示两个传感器节点之间物理距离,Eelec表示处理每单位的数据消耗的能量,efs表示功率放大系数,Dij表示第i个传感器节点和第j个传感器节点之间的距离,Dz在数值上等于Dij,xi表示第i个传感器节点的横坐标,yi表示第i个传感器节点的纵坐标;xj表示第j个传感器节点的横坐标,yj表示第j个传感器节点的纵坐标;
接收数据的能量损耗:
Er=l·Eelec (6)
Er表示数据接收过程的能量损耗,在数值上等于接收的土壤墒情数据的长度l与处理每单位的数据消耗的能量Eelec的乘积;
数据传输过程中的能量损耗:
若一个传感器节点发送的土壤墒情数据在经过n*个传感器节点后到达终点,那么整个过程的能量损耗如式(7)所示,整个过程的能量损耗等于数据发送和数据接收两部分之和;其中,表示数据发送过程的能量损耗,l表示发送的土壤墒情数据的长度,dz表示从出发传感器节点到终点经过的传感器节点之间距离总和,在数值上等于Dz的累加和;其中,出发传感器节点是蚁群随机选择的,终点是预先选定的;结合上述接收数据损耗公式(4)和发送数据的能量损耗公式(6)以及公式(8),将数据传输过程中能量损耗转化成公式(10)的形式;
将网络能量损耗模型、数据冗余度模型引入到启发函数中,计算的启发函数的值作为蚂蚁选择下一个传感器节点的期望值;
改进启发函数如下式所示:
ηij=λ1Oij+λ21/Ecost+λ31/Dij (11)
其中,λ1、λ2、λ3是比例系数、λ1、λ2、λ3分别表示土壤墒情数据相异度、能量损耗和物理距离在启发函数中所占比例,λ1+λ2+λ3=1,ηij表示第i个传感器节点到第j个传感器节点之间的启发函数。
3.根据权利要求2所述的一种改进蚁群算法的智慧农业传感器布局优化方法,其特征在于,在概率转移公式中引入路径趋势向导,Gj表示蚁群算法中蚂蚁向第j个传感器节点转移的向导;改进蚁群算法的概率转移公式如下:
表示第k只蚂蚁,在t时刻从第i个传感器节点转移到第j个传感器节点的概率,其中,τij(t)表示t时刻第i个传感器节点到将要访问的第j个传感器节点的信息素浓度值;τis(t)表示t时刻第i传感器节点到出发传感器节点s的信息素浓度值;ηis(t)表示t时刻第i个传感器节点到出发传感器节点s的启发函数值;ηij(t)表示t时刻第i个传感器节点到将要访问的第j个传感器节点的启发函数值;α,β都表示调节因子,α用于调节信息素浓度对概率转移的影响,β用于调节启发函数对概率转移的影响;allowedk是第k只蚂蚁将要访问的节点是存在一个表,该表用来存放还未访问的传感器节点,s∈allowedk出发传感器节点s在第k只蚂蚁下一步容许去的传感器节点集合里,j∈allowedk表示下一个将访问的第j个传感器在第k只蚂蚁下一步容许去的传感器节点集合里,即第j个传感器节点还未被访问过;Dis表示第i个传感器节点到出发传感器节点s的距离,Djs表示将要访问的第j个传感器节点到出发传感器节点s的距离;Did表示第i个传感器节点到终点d的距离;Gj为1的传感器节点对概率转移公式有贡献的,第j个传感器节点成为最优路径上的传感器节点,而Gj为0的传感器节点,则导致转移概率为0,不会作为下一个访问的传感器节点,通过Gj能够引导蚂蚁从出发传感器节点往终点方向移动,R表示传感器节点的通信半径。
5.根据权利要求3所述的一种改进蚁群算法的智慧农业传感器布局优化方法,其特征在于,步骤1中,采集土壤墒情数据的具体方法是:在土壤中随机选取多个传感器节点,采集土壤表面预设深度下的土壤墒情数据,每个传感器节点集多次土壤墒情数据取平均值作为该传感器节点的土壤墒情数据,将采集的土壤墒情数据进行预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111440693.2A CN114339651A (zh) | 2021-11-30 | 2021-11-30 | 一种改进蚁群算法的智慧农业传感器布局优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111440693.2A CN114339651A (zh) | 2021-11-30 | 2021-11-30 | 一种改进蚁群算法的智慧农业传感器布局优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114339651A true CN114339651A (zh) | 2022-04-12 |
Family
ID=81048059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111440693.2A Pending CN114339651A (zh) | 2021-11-30 | 2021-11-30 | 一种改进蚁群算法的智慧农业传感器布局优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114339651A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638047A (zh) * | 2022-05-17 | 2022-06-17 | 广东省农业科学院植物保护研究所 | 一种智慧农业设施布局方法、系统及介质 |
CN114722984A (zh) * | 2022-04-20 | 2022-07-08 | 张家界富源仿真花有限公司 | 一种智能货物仓储优化方法 |
CN116992780A (zh) * | 2023-09-25 | 2023-11-03 | 中南大学 | 数字化电解槽的温度传感器布置方法 |
-
2021
- 2021-11-30 CN CN202111440693.2A patent/CN114339651A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114722984A (zh) * | 2022-04-20 | 2022-07-08 | 张家界富源仿真花有限公司 | 一种智能货物仓储优化方法 |
CN114722984B (zh) * | 2022-04-20 | 2022-11-22 | 张家界富源仿真花有限公司 | 一种智能货物仓储优化方法 |
CN114638047A (zh) * | 2022-05-17 | 2022-06-17 | 广东省农业科学院植物保护研究所 | 一种智慧农业设施布局方法、系统及介质 |
CN116992780A (zh) * | 2023-09-25 | 2023-11-03 | 中南大学 | 数字化电解槽的温度传感器布置方法 |
CN116992780B (zh) * | 2023-09-25 | 2024-01-02 | 中南大学 | 数字化电解槽的温度传感器布置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114339651A (zh) | 一种改进蚁群算法的智慧农业传感器布局优化方法 | |
CN105072656B (zh) | 基于K-means聚类和蚁群算法的多级异构无线传感器网络分簇路由方法 | |
CN104125153B (zh) | 网络拓扑发现方法和设备 | |
CN102111912B (zh) | Zigbee同构树型无线传感网的集中式构建方法 | |
Panchard et al. | Common-sense net: Improved water management for resource-poor farmers via sensor networks | |
Zhong et al. | Ant colony optimization algorithm for lifetime maximization in wireless sensor network with mobile sink | |
CN107645755A (zh) | 一种用于精细农业的农田生态环境监测系统 | |
CN110167204A (zh) | 一种基于ms-bas算法的中继传输策略选择和功率分配方法 | |
CN109474973A (zh) | 基于蚁群算法的自组网路径确定方法、装置、设备及介质 | |
CN107332770A (zh) | 一种必经点路由路径选择方法 | |
CN106789408A (zh) | 一种ipran网络接入层设备成环率计算方法 | |
CN107786957A (zh) | 一种用于精细农业的农田生态环境监测系统 | |
US20110164531A1 (en) | Systems and Methods for Wireless Network Routing Using Radio Frequency Distance-Based Virtual Node Locations | |
CN108419304A (zh) | 一种无线传感器网络水质监控系统 | |
CN109889446A (zh) | 基于sdn的异构融合网络最小时延路径确定方法 | |
CN106951615B (zh) | 基于密母算法的电力运输网络拓扑结构设计方法 | |
CN109361708A (zh) | 数据信息化采集、管理和分析系统及方法 | |
CN113411213A (zh) | 基于物联网的自组网拓扑控制方法及协同监测方法 | |
CN111935797B (zh) | 一种用于低压开关柜无线通信网络的动态路由方法 | |
CN113365371B (zh) | 一种多项式近似的差分进化节点定位方法 | |
CN107948766A (zh) | 路由选择优化方法和装置 | |
CN108200148A (zh) | 应用无线传感器网络的果园监控系统 | |
CN107612797A (zh) | 一种智能家居系统 | |
Wan | Research on the model for crop water requirements in wireless sensor networks | |
Wazed et al. | Genetic algorithm based approach for extending the lifetime of two-tiered sensor networks |
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 |