CN114339785A - 一种基于群体智能的原烟养护无线传感器布局优化算法 - Google Patents

Abstract

本发明公开了一种基于群体智能的原烟养护无线传感器布局优化算法，属于原烟养护领域，所述的无线传感器布局优化算法采用以下步骤实现：步骤1.建立三维环境的无线传感器优化模型：步骤2.利用改进后的鲸鱼优化算法对传感器布局进行优化；步骤3.对优化结果进行检验。本发明提出的优化布置方法能有效替代之前的多数量传感器布置方法，即在现实企业生产中采用文中方法可以有效降低传感器布局的数量，从而降低实际企业投入成本。

Description

一种基于群体智能的原烟养护无线传感器布局优化算法

技术领域

本发明属于无线传感器布局领域，更具体的说涉及一种基于群体智能的原烟养护无线传感器布局优化算法。

背景技术

原烟仓储养护作为烟草生产中的关键环节，烟垛温度实时监测具有非常重要的实际意义和应用价值。传统的人工巡检方式是人工用温湿度检测仪到每个烟垛接上模拟热敏电阻的两个接头进行温湿度读数，并手工书写记录的方式，这种方式不仅成本较高，而且数据的准确性也难以保障。因此，采用在烟垛中放置温湿度传感器可以有效避免相应不足，有效提高数据的准确性。实时的温湿度数据上传到控制系统并且能够被相关管理人员在系统中进行显示和查看，如果温度数据有异常，管理人员可以及时采取相关措施避免所养护烟叶发生霉变，减少损失。由于各种货场布局的不同，所以无线传感器的布局也不尽相同。在传感器网络布局中增加传感器的个数就会提高面积覆盖率，而现实中往往会受到购置、维修及检测等成本问题的约束限制，因而传感器的布局不能过于密集，同时由于任何传感器无线信号的传播距离有限，传感器布局也不能过于稀疏。因此研究传感器布局的优化即为在保障覆盖范围的前提下，选择尽可能少的传感器以降低布置成本。本文主要目的是利用现有的传感器技术代替已有的人工巡检方法应用于物流仓储之中，并且通过优化传感器数目来降低企业投入的成本。

发明内容

本发明基于原烟养护现实需要，针对降低传感器数量并确保传感器之间相互连通的优化问题，采用联合感知模型保证了传感器网络的覆盖质量和连通性，建立了三维环境的无线传感器布局优化模型，利用改进后的鲸鱼优化算法计算后得到结果。

为了实现上述目的，本发明采用以下技术方案实现的：所述的无线传感器布局优化算法采用以下步骤实现：步骤1.建立三维环境的无线传感器优化模型：步骤2.利用改进后的鲸鱼优化算法对传感器布局进行优化；步骤3.对优化结果进行检验。

优选的，所述的优化算法中采用的无线传感器具有以下定义，假设每个传感器都有检测其他传感器出故障的感应半径r，区域M内一共有n个传感器，另Q＝{q1,q2,q3,…qn}为无线传感器的集合；

(1)固定区域M内部署n个传感器；

(2)无线传感器都具有相同的监测感知半径；

(3)0-1矩阵表示传感器之间的覆盖关系；

(4)使n的个数达到最小化，传感器监测的覆盖率达到最大。

优选的，所述的步骤1.建立三维环境的无线传感器优化模型，采用如下具体方法；

首先给出两个传感器之间的欧式距离为：

其中：(x_i,y_i)，(x_j,y_j)分别为集合中任意两个无线传感器A_i,B_j的节点；

传感器A_i对B_j的感应强度为：

其中：d(Ai,Bj)表示两个传感器A_i和B_j之间的欧式距离，α是反映设备物理性质的相关参数，r表示传感器检测传感器出故障的感应半径；

然后在计算两个B_j点传感器的联合感知强度可表示为：

建立检测矩阵D为：

式中：d_ij表示第i个传感器能否被第j个传感器检测到，如果能检测则d_ij＝1，否则d_ij＝0；

为了简化无线传感器网络检测模型的计算复杂度，将节点A_i对目标点B_j的检测概率转化为：

然后计算网络覆盖质量m为整个区域M被传感器覆盖的面积占整个区域面积的比例：

任意传感器q_i对区域M内的检测覆盖率通过对该区域内每个传感器节点的权重来定义可表示为：

其中：w_j为传感器j在区域M中对其余传感器的覆盖权重，Pd_ij为节点A_i对目标点B_j的检测概率，为0-1变量；

设每个传感器成本为c，总成本为C＝c*n，要使使用的传感器数量最小，传感器检测湿度范围最大，则目标函数为：

满足以下条件：

无线传感器从的布置应为于原烟烟垛内部，不能超出原烟烟垛空间外：

其中x_min、y_min、z_min、x_max、y_max和z_max分别为无线传感器在烟垛空间内的布设边限。

优选的，所述的步骤2利用改进后的鲸鱼优化算法对传感器布局进行优化，所述的改进的鲸鱼优化算法改进了信息交流强化机制；引入全局最优个体X_best以及邻域半径r范围内的最优个体X_localbest作为辅助坐标，鲸鱼通过X_best与X_localbest的个体强化交流信息坐标后，有助于定位食物的理论最优位置X′_best。X_b′_est帮助鲸鱼修正坐标X_rand在觅食方向上的偏差，使得鲸鱼在游走觅食的过程中更加精确地找到食物的位置X(t+1)，其计算公式如下：

X(t+1)＝X(t)+AD_rand+r₁D_best+r₂D_localbest (18)

其中D_localbest＝|E·X_localbest-X_t|是个体X与其邻域半径r(r是区间[0,(N-1)/2]上的随机非零整数，N为种群规模)范围内最优个体的距离，E是区间[0,2]上的随机数。

优选的，所述的步骤2利用改进后的鲸鱼优化算法对传感器布局进行优化，所述的改进的鲸鱼优化算法改进了改进搜索机制；攻击猎物时，在数学模型上靠近猎物设定了减小a的值，这样A的波动范围也随a下降，在迭代过程中当a的值从2到0下降时，A是在[-a,a]内的随机值，当A的值在[-1,1]内时，鲸鱼的下一个位置可以是它现在的位置和猎物的位置之间的任意位置，算法设定当A＜1时，鲸鱼向猎物发起攻击，算法设定当A≥1时，随机选择一个搜索代理，根据随机选择的鲸鱼位置来更新其他鲸鱼的位置，迫使鲸鱼偏离猎物，借此找到一个更合适的猎物，这样可以加强算法的勘探能力使WOA算法能够进行全局搜索。

优选的，步骤2.利用改进后的鲸鱼优化算法对传感器布局进行优化，所述的鲸鱼优化算法步骤为：

Step1：鲸鱼算法的参数初始化的设置；

Step2：鲸鱼算法的种群随机初始化，随机生成初始种群；

Step3：计算每个个体对应的适应度值，即目标函数值，并保留最优个体X^*(t)；

Step4：判断是否满足算法终止条件,达到设定的最大迭代次数，不满足则执行步骤5，满足则执行步骤6；

Step5：对剩余个体进行迭代：

(5)执行向个体位置向量的转换方式生成对应的初始化鲸鱼个体种群；

(6)定义两只鲸鱼之间的距离计算方法；

(7)对每一只鲸鱼寻找较优且最近的个体；

(8)计算个体适应度值并选择最优的X^*，对上次迭代效果进行覆盖；

Step6：达到最大迭代次数，退出循环，输出最优的X^* _best及对应的最佳方案。

优选的，所述的步骤3对优化结果进行检验，采用采用PSO算法、传统WOA算法与本文所提出改进后的鲸鱼优化算法。

本发明有益效果：

本发明基于原烟养护现实需要，针对降低传感器数量并确保传感器之间相互连通的优化问题，采用联合感知模型保证了传感器网络的覆盖质量和连通性，建立了三维环境的无线传感器布局优化模型，能有效替代之前的多数量传感器布置方法，即在现实企业生产中采用文中方法可以有效降低传感器布局的数量，从而降低实际企业投入成本。

附图说明

图1为改进后的鲸鱼优化算法流程图；

图2为传感器优化流程图；

图3为不同算法的适应度函数图；

图4为改进后的鲸鱼优化算法传感器个数图；

图5为PSO算法传感器布置图；

图6为IWOA算法传感器布置图

图7为可视化热力图；

图8为温度数据散点可视化图。

具体实施方式

为了便于本领域一般技术人员理解和实现本发明，现结合附图及具体实施例进一步描述本发明的技术方案。

所述的无线传感器布局优化算法采用以下步骤实现：步骤1.建立三维环境的无线传感器优化模型：步骤2.利用改进后的鲸鱼优化算法对传感器布局进行优化；步骤3.对优化结果进行检验。

优选的，所述的优化算法中采用的无线传感器具有以下定义，假设每个传感器都有检测其他传感器出故障的感应半径r，区域M内一共有n个传感器，另Q＝{q1,q2,q3,…qn}为无线传感器的集合；

(1)固定区域M内部署n个传感器；

(2)无线传感器都具有相同的监测感知半径；

(3)0-1矩阵表示传感器之间的覆盖关系；

(4)使n的个数达到最小化，传感器监测的覆盖率达到最大。

所述的步骤1.建立三维环境的无线传感器优化模型，采用如下具体方法；

首先给出两个传感器之间的欧式距离为：

其中：(x_i,y_i)，(x_j,y_j)分别为集合中任意两个无线传感器A_i,B_j的节点；

传感器A_i对B_j的感应强度为：

其中：d(Ai,Bj)表示两个传感器A_i和B_j之间的欧式距离，α是反映设备物理性质的相关参数，r表示传感器检测传感器出故障的感应半径；

然后在计算两个B_j点传感器的联合感知强度可表示为：

建立检测矩阵D为：

式中：d_ij表示第i个传感器能否被第j个传感器检测到，如果能检测则d_ij＝1，否则d_ij＝0；

为了简化无线传感器网络检测模型的计算复杂度，将节点A_i对目标点B_j的检测概率转化为：

然后计算网络覆盖质量m为整个区域M被传感器覆盖的面积占整个区域面积的比例：

任意传感器q_i对区域M内的检测覆盖率通过对该区域内每个传感器节点的权重来定义可表示为：

其中：w_j为传感器j在区域M中对其余传感器的覆盖权重，Pd_ij为节点A_i对目标点B_j的检测概率，为0-1变量；

设每个传感器成本为c，总成本为C＝c*n，要使使用的传感器数量最小，传感器检测湿度范围最大，则目标函数为：

满足以下条件：

无线传感器从的布置应为于原烟烟垛内部，不能超出原烟烟垛空间外：

其中x_min、y_min、z_min、x_max、y_max和z_max分别为无线传感器在烟垛空间内的布设边限。

该算法通过模拟座头鲸的捕食猎物的过程中的一系列行为，从而获得优化的数学模型，主要包括3个阶段：包围猎物阶段、狩猎阶段、搜索猎物阶段。

包围猎物阶段

在鲸鱼捕食开始时，算法假设当前的最优捕食个体的位置是最佳捕食位置，然后剩余个体朝着最优位置靠拢，其数学模型表示为：

D＝|CX^*(t)-X(t)| (9)

X(t+1)＝X^*(t)-AD (10)

其中：t是当前迭代次数，A和C为表示系数，X^*(t)为当前最佳个体位置，X(t)表示当前个体位置，A和C的计算公式如下：

A＝2ar₁-a (11)

C＝2r₂ (12)

其中：r₁和r₂是(0,1)中的随机数，a的值从2到0的线性下降，t表示当前的迭代次数，T_max为最大迭代次数。

狩猎阶段

根据座头鲸的狩猎行为，它是以螺旋运动游向猎物，故狩猎行为的数学模型如下：

X(t+1)＝X^*(t)+D_pe^bl cos(2πl) (14)

其中：D_p＝|X^*(t)-X(t)|表示鲸鱼和猎物之间的距离，X^*(t)表示目前为止最好的位置向量，b是一个常数，用来定义螺线的形状，l是(-1,1)中的随机数。鲸鱼以螺旋形状游向猎物的同时还要收缩包围圈。假设有P_i的概率选择收缩包围机制和1-P_i的概率选择螺旋模型来更新鲸鱼的位置，其数学模型如下：

式中：p为[0,1]区间上的随机数。

搜索猎物

在搜索猎物时，其数学模型如下：

D＝|CX_rand(t)-X(t)| (16)

X(t+1)＝X(t)+AD_rand+r₁D_best+r (17)

其中：X_rand表示群体中随机某个体的位置。

算法步骤

鲸鱼优化算法的步骤如下：

Step1：鲸鱼算法的参数初始化的设置；

Step2：鲸鱼算法的种群随机初始化，随机生成初始种群；

Step3：计算每个个体对应的适应度值，即目标函数值，并保留最优个体X^*(t)；

Step4：判断是否满足算法终止条件,达到设定的最大迭代次数，不满足则执行步骤5，满足则执行步骤6；

Step5：对剩余个体进行迭代：

(9)执行向个体位置向量的转换方式生成对应的初始化鲸鱼个体种群；

(10)定义两只鲸鱼之间的距离计算方法；

(11)对每一只鲸鱼寻找较优且最近的个体；

(12)计算个体适应度值并选择最优的X^*，对上次迭代效果进行覆盖；

Step6：达到最大迭代次数，退出循环。输出最优的X^* _best及对应的最佳方案。

改进后的鲸鱼优化算法流程如图1所示，改进的具体方法如下：

改进信息交流强化机制

引入全局最优个体X_best以及邻域半径r范围内的最优个体X_localbest作为辅助坐标。鲸鱼通过X_best与X_localbest的个体强化交流信息坐标后，有助于定位食物的理论最优位置X′_best。X′_best帮助鲸鱼修正坐标X_rand在觅食方向上的偏差，使得鲸鱼在游走觅食的过程中更加精确地找到食物的位置X(t+1)，其计算公式如下：

X(t+1)＝X(t)+AD_rand+r₁D_best+r₂D_localbest (18)

其中D_localbest＝|E·X_localbest-X_t|是个体X与其邻域半径r(r是区间[0,(N-1)/2]上的随机非零整数，N为种群规模)范围内最优个体的距离。E是区间[0,2]上的随机数。

改进搜索机制

攻击猎物时，在数学模型上靠近猎物设定了减小a的值，这样A的波动范围也随a下降。在迭代过程中当a的值从2到0下降时，A是在[-a,a]内的随机值，当A的值在[-1,1]内时，鲸鱼的下一个位置可以是它现在的位置和猎物的位置之间的任意位置，算法设定当A＜1时，鲸鱼向猎物发起攻击。算法设定当A≥1时，随机选择一个搜索代理，根据随机选择的鲸鱼位置来更新其他鲸鱼的位置，迫使鲸鱼偏离猎物，借此找到一个更合适的猎物，这样可以加强算法的勘探能力使WOA算法能够进行全局搜索。

为了验证算法有效性，本次实验分别采用PSO算法、传统WOA算法与提出IWOA(改进后的鲸鱼优化算法)算法对比，通过比较不同的算法来考察无线传感器布局优化的优劣。采用MATLAB工具，实验假设每个传感器的感知半径为0.898m，传感器最大个数Maxnum为80，设置WOA初始种群为20，迭代次数为200。PSO初始种群为20，迭代次数为200，最大移动速度为0.8，最小移动速度为-0.8。IWOA初始种群为20，迭代次数为200，如表1所示：

表1

本文以红云红河物流中心原料仓储科的露天烟垛内的烟垛一周的温度监测数据为数据源进行仿真实验验证，图3显示了迭代次数相同情况下PSO算法、传统WOA算法以及IWOA算法优化的结果，其中横坐标为迭代次数，纵坐标为目标函数。

由图3可以看出，PSO算法基本在第10次迭代就趋于稳定，而WOA算法和IWOA算法在接近140次迭代才逐渐趋于稳定，IWOA算法相较于其他两种算法有着明显的优势。图4为传感器个数迭代图，可以看出随着迭代次数增加，传感器数量逐渐减少，最终趋于稳定。

图5中使用PSO算法优化后结果为52个无线传感器，且分布不均匀，图6为使用IWOA算法的优化结果，可以看出该算法下的传感器分布相较粒子群算法下的传感器分布相对均匀并且数量较少，取得较为明显的优化效果。因此得出结论，采用改进信息交流强化机制与搜索机制后的IWOA算法不仅极大提高了算法的执行效率，对计算结果也进行了一定程度的优化。

为了验证本文的传感器布局优化结果，通过三维数据插值的方法对3个月内的温度监测数据基于Matlab进行拟合及可视化输出分析。结果如图7、8所示，由拟合图图7可以发现，烟垛内部的高温区域主要集中于切片所示的几块区域。

经布局优化后的40个无线传感器在底部和X轴6-8m处的上方空间分布较多，而该处恰好为温度变化比较明显的区域，表明优化后的传感器布局可有效反映烟垛内温度分布及变化趋势。以优化后的少量传感器(40个)替代之前的80个传感器，有效的达到了优化的目的。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种基于群体智能的原烟养护无线传感器布局优化算法，该算法用于无线传感器布局的优化选址，其特征在于：所述的无线传感器布局优化算法采用以下步骤实现：步骤1.建立三维环境的无线传感器优化模型：步骤2.利用改进后的鲸鱼优化算法对传感器布局进行优化；步骤3.对优化结果进行检验。

2.根据权利要求1所述的一种基于群体智能的原烟养护无线传感器布局优化算法，其特征在于：所述的优化算法中采用的无线传感器具有以下定义，假设每个传感器都有检测其他传感器出故障的感应半径r，区域M内一共有n个传感器，另Q＝{q1,q2,q3,…qn}为无线传感器的集合；

(1)固定区域M内部署n个传感器；

(2)无线传感器都具有相同的监测感知半径；

(3)0-1矩阵表示传感器之间的覆盖关系；

(4)使n的个数达到最小化，传感器监测的覆盖率达到最大。

3.根据权利要求1所述的一种基于群体智能的原烟养护无线传感器布局优化算法，其特征在于：所述的步骤1.建立三维环境的无线传感器优化模型，采用如下具体方法；

首先给出两个传感器之间的欧式距离为：

其中：(x_i,y_i)，(x_j,y_j)分别为集合中任意两个无线传感器A_i,B_j的节点；

传感器A_i对B_j的感应强度为：

其中：d(Ai,Bj)表示两个传感器A_i和B_j之间的欧式距离，α是反映设备物理性质的相关参数，r表示传感器检测传感器出故障的感应半径；

然后在计算两个B_j点传感器的联合感知强度可表示为：

建立检测矩阵D为：

式中：d_ij表示第i个传感器能否被第j个传感器检测到，如果能检测则d_ij＝1，否则d_ij＝0；

为了简化无线传感器网络检测模型的计算复杂度，将节点A_i对目标点B_j的检测概率转化为：

然后计算网络覆盖质量m为整个区域M被传感器覆盖的面积占整个区域面积的比例：

任意传感器q_i对区域M内的检测覆盖率通过对该区域内每个传感器节点的权重来定义可表示为：

其中：w_j为传感器j在区域M中对其余传感器的覆盖权重，Pd_ij为节点A_i对目标点B_j的检测概率，为0-1变量；

设每个传感器成本为c，总成本为C＝c*n，要使使用的传感器数量最小，传感器检测湿度范围最大，则目标函数为：

满足以下条件：

无线传感器从的布置应为于原烟烟垛内部，不能超出原烟烟垛空间外：

其中x_min、y_min、z_min、x_max、y_max和z_max分别为无线传感器在烟垛空间内的布设边限。

4.根据权利要求1或2或3其中任意一条权利要求所述的一种基于群体智能的原烟养护无线传感器布局优化算法，其特征在于：所述的步骤2利用改进后的鲸鱼优化算法对传感器布局进行优化，所述的改进的鲸鱼优化算法改进了信息交流强化机制；引入全局最优个体X_best以及邻域半径r范围内的最优个体X_localbest作为辅助坐标，鲸鱼通过X_best与X_localbest的个体强化交流信息坐标后，有助于定位食物的理论最优位置X′_best。X′_best帮助鲸鱼修正坐标X_rand在觅食方向上的偏差，使得鲸鱼在游走觅食的过程中更加精确地找到食物的位置X(t+1)，其计算公式如下：

X(t+1)＝X(t)+AD_rand+r₁D_best+r₂D_localbest (18)

其中D_localbest＝|E·X_localbest-X_t|是个体X与其邻域半径r(r是区间[0,(N-1)/2]上的随机非零整数，N为种群规模)范围内最优个体的距离，E是区间[0,2]上的随机数。

5.根据权利要求1或2或3其中任意一条权利要求所述的一种基于群体智能的原烟养护无线传感器布局优化算法，其特征在于：所述的步骤2利用改进后的鲸鱼优化算法对传感器布局进行优化，所述的改进的鲸鱼优化算法改进了改进搜索机制；攻击猎物时，在数学模型上靠近猎物设定了减小a的值，这样A的波动范围也随a下降，在迭代过程中当a的值从2到0下降时，A是在[-a,a]内的随机值，当A的值在[-1,1]内时，鲸鱼的下一个位置可以是它现在的位置和猎物的位置之间的任意位置，算法设定当A＜1时，鲸鱼向猎物发起攻击，算法设定当A≥1时，随机选择一个搜索代理，根据随机选择的鲸鱼位置来更新其他鲸鱼的位置，迫使鲸鱼偏离猎物，借此找到一个更合适的猎物，这样可以加强算法的勘探能力使WOA算法能够进行全局搜索。

6.根据权利要求4或5其中任意一条权利要求所述的一种基于群体智能的原烟养护无线传感器布局优化算法，其特征在于：步骤2.利用改进后的鲸鱼优化算法对传感器布局进行优化，所述的鲸鱼优化算法步骤为：

Step1：鲸鱼算法的参数初始化的设置；

Step2：鲸鱼算法的种群随机初始化，随机生成初始种群；

Step3：计算每个个体对应的适应度值，即目标函数值，并保留最优个体X^*(t)；

Step4：判断是否满足算法终止条件,达到设定的最大迭代次数，不满足则执行步骤5，满足则执行步骤6；

Step5：对剩余个体进行迭代：

(1)执行向个体位置向量的转换方式生成对应的初始化鲸鱼个体种群；

(2)定义两只鲸鱼之间的距离计算方法；

(3)对每一只鲸鱼寻找较优且最近的个体；

(4)计算个体适应度值并选择最优的X^*，对上次迭代效果进行覆盖；

Step6：达到最大迭代次数，退出循环，输出最优的X^* _best及对应的最佳方案。根据权利要求1或2或3其中任意一条权利要求所述的一种基于群体智能的原烟养护无线传感器布局优化算法，其特征在于：所述的步骤3对优化结果进行检验，采用采用PSO算法、传统WOA算法与本文所提出改进后的鲸鱼优化算法。

Images