CN114727251B - 数据传输优化方法及系统 - Google Patents
数据传输优化方法及系统 Download PDFInfo
- Publication number
- CN114727251B CN114727251B CN202210266733.4A CN202210266733A CN114727251B CN 114727251 B CN114727251 B CN 114727251B CN 202210266733 A CN202210266733 A CN 202210266733A CN 114727251 B CN114727251 B CN 114727251B
- Authority
- CN
- China
- Prior art keywords
- fish
- current
- target
- optimal
- optimal position
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- 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)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种数据传输优化方法及系统,方法包括:基于预设寻优算法,获取各个传感器的第一最优位置;通过安装在所述第一最优位置的各个传感器将待传输数据发送到各个目标接收端。所述系统执行所述方法。本发明通过预设寻优算法来提高全局搜索能力,在避免局部最优的情况下获得最优的传感器部署方案,进而提高传感器的传输范围与质量,对针对例如综合能源的信息传递有良好的抗噪性能和数据传输效益。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种数据传输优化方法及系统。
背景技术
在传感器网络尤其是无线传感器网络中,有效的分配方案可以获得较低的总计算时间和较低的能源成本,提高网络效率极其寿命。
针对无线传感器节点部署的问题,T.Qasim等提出了一种自然启发式的布谷鸟搜索算法,用于在三维环境中寻找传感器的最佳部署位置。该算法通过改变目标数量、网络传感范围和传感器数量,与随机部署进行了比较,证明相较于随机部署启发式搜索算法效率更高。但此算法收敛性能存在不足,且容易陷入局部最优问题。N.Panagant等提出了一种基于改进的果蝇优化算法的三维传感器网络覆盖优化算法,设计了基于三维空间的网络覆盖方法。该方法基于果蝇的觅食行为进行全局最优覆盖的优化查询。该算法能够较快获得传感器节点的部署位置,从而解决无线传感器节点的三维覆盖部署问题,但该算法存在传感器传输范围与质量低的问题。
发明内容
本发明提供的数据传输优化方法及系统,用于解决现有技术中存在的上述问题,通过预设寻优算法来提高全局搜索能力,在避免局部最优的情况下获得最优的传感器部署方案,进而提高传感器的传输范围与质量,对针对例如综合能源的信息传递有良好的抗噪性能和数据传输效益。
本发明提供的一种数据传输优化方法,包括:
基于预设寻优算法,获取各个传感器的第一最优位置;
通过安装在所述第一最优位置的各个传感器将待传输数据发送到各个目标接收端。
根据本发明提供的一种数据传输优化方法,所述基于预设寻优算法,获取各个传感器的最优位置,包括:
基于平行设置方法对目标鱼群进行划分,以获取多个分散鱼群;
确定各个分散鱼群中每条鱼的第二最优位置;
根据所述第二最优位置,确定所述第一最优位置;
其中,所述平行设置方法包括主从式平行设置方法、粗粒度平行设置方法以及细粒度平行设置方法。
根据本发明提供的一种数据传输优化方法,所述确定各个分散鱼群中每条鱼的第二最优位置,包括:
将任一分散鱼群作为目标分散鱼群,并对所述目标分散鱼群进行初始化;
对所述目标分散鱼群中的每条鱼的当前位置进行迭代更新,以获取所述目标分散鱼群中每条鱼的第三最优位置;
根据所述第三最优位置,确定其余分散鱼群中每条鱼的第四最优位置;
根据所述第三最优位置和所述第四最优位置,确定所述第二最优位置;
其中,对所述目标分散鱼群进行初始化,包括:
对所述目标分散鱼群中的鱼的数目、鱼的视野、移动步幅、拥挤度因子、预设次数、当前迭代次数、最大迭代次数和各个分散鱼群中每条鱼的当前位置进行初始化。
根据本发明提供的一种数据传输优化方法,
所述对所述目标分散鱼群中的每条鱼的当前位置进行迭代更新,以获取所述目标分散鱼群中每条鱼的第三最优位置,包括:
将所述目标分散鱼群中任一条鱼作为当前鱼;
在所述目标分散鱼群的中心位置的食物浓度高于当前鱼的当前位置的食物浓度且满足不拥挤标准的情况下,将所述当前鱼的当前位置向所述中心位置移动第一步幅;
在所述中心位置的食物浓度低于当前位置的食物浓度且满足拥挤标准的情况下,基于预设移动方法将所述当前鱼的当前位置进行移动;
基于移动后的当前鱼的位置,对所述当前位置进行迭代更新,并基于更新后的当前位置对所述中心位置进行更新,直至当前迭代次数达到最大迭代次数,停止更新,以获取当前鱼的最优位置;
根据所述当前鱼的最优位置,确定所述第三最优位置。
根据本发明提供的一种数据传输优化方法,
所述对所述目标分散鱼群中的每条鱼的当前位置进行迭代更新,以获取所述目标分散鱼群中每条鱼的第三最优位置,还包括:
在所述当前鱼感知范围内最优鱼所在位置的食物浓度高于所述当前鱼的当前位置的食物浓度且满足不拥挤标准的情况下,将所述当前鱼的当前位置向最优鱼的位置移动第二步幅;
在所述当前鱼感知范围内最优鱼所在位置的食物浓度低于当前鱼的当前位置的食物浓度且满足拥挤标准的情况下,基于所述预设移动方法将所述当前鱼的当前位置进行移动;
其中,所述当前鱼感知范围是根据所述鱼的视野确定的。
根据本发明提供的一种数据传输优化方法,所述基于所述预设移动方法将所述当前鱼的当前位置进行移动,包括:
若所述当前鱼感知范围内存在目标鱼所在位置的食物浓度高于所述当前鱼的当前位置的食物浓度,则将所述当前位置向所述目标鱼所在位置移动第三步幅;
若当前鱼感知范围内所有鱼所在位置的食物浓度均低于所述当前鱼的当前位置的食物浓度,则将所述当前位置向所述当前鱼感知范围内任一条鱼所在位置移动第四步幅;
其中,所述当前鱼感知范围内所有鱼所在位置是所述当前鱼在感知范围内尝试所述预设次数后确定的;
所述移动步幅是根据所述第一步幅至所述第四步幅确定的。
根据本发明提供的一种数据传输优化方法,所述不拥挤的标准为所述当前鱼的当前位置的食物浓度与所述拥挤度因子的乘积,小于所述当前鱼移动方向所在位置的食物浓度与所述当前鱼感知范围内感知到的所有鱼的数目的比值;所述拥挤的标准为所述当前鱼的当前位置的食物浓度与所述拥挤度因子的乘积,大于所述当前鱼移动方向所在位置的食物浓度与所述当前鱼感知范围内感知到的所有鱼的数目的比值。
本发明还提供一种数据传输优化系统,包括:确定模块以及传输模块;
所述确定模块,用于基于预设寻优算法,获取各个传感器的第一最优位置;
所述传输模块,用于通过安装在所述第一最优位置的各个传感器将待传输数据发送到各个目标接收端。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在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种所述数据传输优化方法。
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如上述任一种所述数据传输优化方法。
本发明提供的数据传输优化方法及系统,通过预设寻优算法来提高全局搜索能力,在避免局部最优的情况下获得最优的传感器部署方案,进而提高传感器的传输范围与质量,对针对例如综合能源的信息传递有良好的抗噪性能和数据传输效益。
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是本发明提供的数据传输优化方法的流程示意图;
图2是本发明提供的鱼场景示意图;
图3是本发明提供的数据传输优化方法与粒子群算法以及遗传算法的对比示意图之一;
图4是本发明提供的数据传输优化方法与粒子群算法以及遗传算法的对比示意图之二;
图5是本发明提供的数据传输优化方法与粒子群算法以及遗传算法的对比示意图之三;
图6是本发明提供的数据传输优化方法与粒子群算法以及遗传算法的对比示意图之四;
图7是本发明提供的数据传输优化系统的结构示意图;
图8是本发明提供的电子设备的实体结构示意图。
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。
图1是本发明提供的数据传输优化方法的流程示意图,如图1所示,方法包括:
步骤100、基于预设寻优算法,获取各个传感器的第一最优位置;
步骤200、通过安装在第一最优位置的各个传感器将待传输数据发送到各个目标接收端。
需要说明的是,上述方法的执行主体可以是计算机设备。
可选地,基于预设寻优算法来对例如由传感器以及目标接收端组成的无线传感网络中的各个传感器的位置进行优化,以得到无线传感网络中各个传感器的最优位置(即第一最优位置)。
预设寻优算法主要是利用目标鱼群的主动寻优,包括聚群、跟随、觅食以及随机行为,利用目标鱼群通过聚群与跟随对鱼群中每条鱼的位置进行主动的迭代优化,最终得到目标鱼群中每条鱼的最优位置,并将目标鱼群中每条鱼的最优位置作为无线传感网络中各个传感器的第一最优位置,当目标鱼群无法完成聚群、跟随行为时,通过随机觅食行为跳出当前局部最优方案。
可以将上述得到的各个传感器的第一最优方案通过预设的公告板输出,并根据公告板输出结果,完成无线传感网络中各个传感器的安装,并基于安装好的各个传感器将待传输数据例如综合能源的信息发送到无线传感网络中部署的各个目标接收端。
本发明提供的数据传输优化方法,通过预设寻优算法来提高全局搜索能力,在避免局部最优的情况下获得最优的传感器部署方案,进而提高传感器的传输范围与质量,对针对例如综合能源的信息传递有良好的抗噪性能和数据传输效益。
进一步地,在一个实施例中,步骤100可以具体包括:
步骤101、基于平行设置方法对目标鱼群进行划分,以获取多个分散鱼群;
步骤102、确定各个分散鱼群中每条鱼的第二最优位置;
步骤103、根据第二最优位置,确定第一最优位置;
其中,平行设置方法包括主从式平行设置方法、粗粒度平行设置方法以及细粒度平行设置方法。
可选地,基于平行设置方法如主从式平行设置方法、粗粒度平行设置方法以及细粒度平行设置方法将目标鱼群划分,以得到多个分散鱼群。
以使用粗粒度平行设置方法对目标鱼群进行划分为例,使用粗粒度平行设置并行方法以增强预设寻优算法的全局搜索能力,粗粒度平行设置方法将整个鱼群划分为多个分散鱼群,各个分散鱼群独立进化,在进化一定的代数以后不同鱼群之间进行比较,将鱼个体的最优位置复制到其他分散鱼群,具体地,通过将得到的其中一个分散鱼群中每条鱼的最优位置(即分散鱼群中每条鱼的第二最优位置)复制到其他分散鱼群,从而增强各个分散预设寻优算法的局部搜索能力。
基于上述过程可以得到每个分散鱼群中每条鱼的第二最优位置,并将得到的各个分散鱼群中每条鱼的第二最优位置,作为无线传感网络中传感器的第一最优位置,进而基于该第一最优位置,将各个传感器安装到对应的位置,以实现将待传输数据如综合能源的信息传输到各个目标接收端。
本发明提供的数据传输优化方法,通过平行设置方法帮助目标鱼群中鱼个体在觅食寻优搜寻时能有较多选择,为最优的传感器部署方案奠定了基础。
进一步地,在一个实施例中,步骤102,可以具体包括:
步骤1021、将任一分散鱼群作为目标分散鱼群,并对目标分散鱼群进行初始化;
步骤1022、对目标分散鱼群中的每条鱼的当前位置进行迭代更新,以获取目标分散鱼群中每条鱼的第三最优位置;
步骤1023、根据第三最优位置,确定其余分散鱼群中每条鱼的第四最优位置;
步骤1024、根据第三最优位置和第四最优位置,确定第二最优位置;
其中,对目标分散鱼群进行初始化,包括:
对目标分散鱼群中的鱼的数目、鱼的视野、移动步幅、拥挤度因子、预设次数、当前迭代次数、最大迭代次数和各个分散鱼群中每条鱼的当前位置进行初始化。
可选地,在基于平行设置方法如粗粒度平行设置方法以及细粒度将目标鱼群划分,得到多个分散鱼群之后,从划分后的各个分散鱼群中任意选择一个分散鱼群并将其作为目标分散鱼群,并对目标分散鱼群进行初始化,具体地:
对目标分散鱼群中的鱼的数目Q、鱼的视野Visual、移动步幅Step、拥挤度因子δ、预设次数TryNumber、当前迭代次数iteration=0、最大迭代次数Max、概率因子α、各个分散鱼群中每条鱼的当前位置P进行初始化。
进而对目标分散鱼群中的每条鱼的当前位置进行迭代更新,并将迭代更新后每条鱼的当前位置作为目标分散鱼群中每条鱼的第三最优位置。
根据上述得到的目标分散鱼群中每条鱼的第三最优位置,确定其余分散鱼群中每条鱼的第四最优位置,例如,可以在确定目标分散鱼群中每条鱼的第三最优位置后,得到目标分散鱼群中最优鱼的位置,并将初始化的概率因子α作为克隆概率,将最优鱼的位置复制到其余分散鱼群中,并采用与目标分散鱼群相同的迭代更新方法对其余分散鱼群中的每条鱼的当前位置进行迭代更新,以得到其余分散鱼群中每条鱼的第三最优位置,其中,概率因子α:0<α<1,在一个实施例中,概率因子可以设置为0.05,通过克隆方法保证预设寻优算法在数据传输寻优方案总体上保持进步状态。
根据上述得到的目标分散鱼群中每条鱼的第三最优位置和其余分散鱼群中每条鱼的第四最优位置,确定各个分散鱼群中每条鱼的第二最优位置,并将得到每个分散鱼群中每条鱼的第二最优位置,作为无线传感网络中传感器的第一最优位置,进而基于该第一最优位置,将各个传感器安装到对应的位置,以实现将待传输数据如综合能源的信息传输到各个目标接收端。
本发明提供的数据传输优化方法,通过基于平行设置方法的并行调整来提高鱼群觅食寻优过程中的全局搜索能力,加快预设寻优算法收敛速度的同时,避免陷入局部最优的问题,能够获得最优的传感器部署方案。
进一步地,在一个实施例中,步骤1022可以具体包括:
步骤10221、将目标分散鱼群中任一条鱼作为当前鱼;
步骤10222、在目标分散鱼群的中心位置的食物浓度高于当前鱼的当前位置的食物浓度且满足不拥挤标准的情况下,将当前鱼的当前位置向所述中心位置移动第一步幅;
步骤10223、在中心位置的食物浓度低于当前位置的食物浓度且满足拥挤标准的情况下,基于预设移动方法将当前鱼的当前位置进行移动;
步骤10224、基于移动后的当前鱼的位置,对当前位置进行迭代更新,并基于更新后的当前位置对中心位置进行更新,直至当前迭代次数达到最大迭代次数,停止更新,以获取当前鱼的最优位置;
步骤10225、根据当前鱼的最优位置,确定第三最优位置。
进一步地,在一个实施例中,步骤1022还可以具体包括:
步骤10226、在当前鱼感知范围内最优鱼所在位置的食物浓度高于当前鱼的当前位置的食物浓度且满足不拥挤标准的情况下,将当前鱼的当前位置向最优鱼的位置移动第二步幅;
步骤10227、在当前鱼感知范围内最优鱼所在位置的食物浓度低于当前鱼的当前位置的食物浓度且满足拥挤标准的情况下,基于预设移动方法将当前鱼的当前位置进行移动;
其中,当前鱼感知范围是根据鱼的视野确定的。
可选地,对于目标分散鱼群中的任一条鱼(即当前鱼),通过如下迭代过程对目标分散鱼群中当前鱼的当前位置进行迭代更新:
初始化目标分散鱼群中鱼的数目Q,鱼的视野Visual,移动步幅Step,拥挤度因子δ,预设次数TryNumber,当前迭代次数iteration=0,最大迭代次数Max。
计算出目标分散鱼群中初始状态下Q条鱼的适应度函数,并将适应度函数值赋值给预设公告板,其中,适应度函数是基于目标分散鱼群中每条鱼的食物浓度之和得到的,用于表征传感器在无线传感网络中的部署方案在进行数据传输时得到综合的数据完整度分数;基于预设寻优算法优化的过程即对传感器部署方案优化的过程,目标分散鱼群中每条鱼趋向食物浓度较高位置的行为即为传感器部署方案的数据传输越来越完整的优化行为。
目标分散鱼群中的每条鱼都将自己位置的食物浓度与视野中随机选择的食物浓度进行比较,并选择较大食物浓度的移动方向,从而使整个鱼群趋向于高浓度位置,具体地:
若目标鱼群的中心位置Pc优于当前鱼的当前位置Pi(即目标分散鱼群的中心位置Pc的食物浓度高于当前鱼的当前位置Pi的食物浓度)且满足不拥挤标准,则将目标分散鱼群中当前鱼的当前位置Pi向中心位置Pc移动第一步幅Step1,Step1=Rand×|Pc-Pi|,Rand代表0到1的随机数。
若目标鱼群的中心位置Pc劣于当前鱼的当前位置Pi(即目标分散鱼群的中心位置Pc的食物浓度高于当前鱼的当前位置Pi的食物浓度)且满足拥挤标准,则基于预设移动方法将当前鱼的当前位置Pi进行移动。
在当前鱼感知范围内最优鱼所在位置PMax的食物浓度高于当前鱼的当前位置Pi的食物浓度且满足不拥挤标准的情况下,将当前鱼的当前位置Pi向最优鱼的位置移动第二步幅Step2,Step2=Rand×|PMax-Pi|。
在当前鱼感知范围内最优鱼的食物浓度PMax低于当前鱼的当前位置Pi的食物浓度且满足拥挤标准的情况下,基于预设移动方法将当前鱼的当前位置Pi进行移动,其中,当前鱼感知范围是根据鱼的视野Visual确定的。
基于移动后的当前鱼的位置,对当前鱼的当前位置Pi进行迭代更新,并基于更新后的当前鱼的当前位置对中心位置Pc进行更新,直至当前迭代次数iteration达到最大迭代次数Max,停止更新,以获取当前鱼的最优位置;
重复上述过程便可以得到目标分散鱼群中任一当前鱼的最优位置,即目标分散鱼群中每条鱼的第三最优位置。
需要说明的是,不拥挤的标准为当前鱼的当前位置Pi的食物浓度Yi与拥挤度因子δ的乘积,小于当前鱼移动方向所在位置的食物浓度与当前鱼感知范围内感知到的所有鱼的数目nf的比值;拥挤的标准为当前鱼的当前位置Pi的食物浓度Yi与拥挤度因子δ的乘积,大于当前鱼移动方向所在位置的食物浓度与当前鱼感知范围内感知到的所有鱼的数目nf的比值。
本发明提供的数据传输优化方法,通过在鱼群觅食寻优过程中自适应调整每条鱼的觅食寻优过程,提高单条鱼的优化效率并防止了无效搜索,加快了鱼群觅食寻优收敛速度,提高了无线传感网络中传感器的部署效率。
进一步地,在一个实施例中,基于预设移动方法将当前鱼的当前位置进行移动,可以具体包括:
若当前鱼感知范围内存在目标鱼所在位置的食物浓度高于当前鱼的当前位置的食物浓度,则将当前位置向目标鱼所在位置移动第三步幅;
若当前鱼感知范围内所有鱼所在位置的食物浓度均低于当前鱼的当前位置的食物浓度,则将当前位置向当前鱼感知范围内任一条鱼所在位置移动第四步幅;
其中,当前鱼感知范围内所有鱼所在位置是当前鱼在感知范围内尝试预设次数后确定的;
移动步幅是根据第一步幅至第四步幅确定的。
可选地,如果当前鱼感知范围内存在目标鱼所在位置Pj的食物浓度Yj高于当前鱼的当前位置Pi的食物浓度Yi(即Yj-Yi>0),则将当前位置Pi向目标鱼所在位置Pj移动第三步幅Step3,Step3=Rand×|Pj-Pi|;如果当前鱼在感知范围内尝试预设次数TryNumber后,确定当前鱼感知范围内的所有鱼所在位置的食物浓度均低于当前鱼的当前位置Pi的食物浓度Yi,则将当前位置Pi向当前鱼感知范围内任一条鱼所在位置移动第四步幅Step4,其中Step4是一个随机步幅。
需要说明的是,食物浓度是根据鱼群中鱼视野内的鱼的个体数目确定的,一般而言,鱼视野内鱼的个体数目越多,鱼所在位置的食物浓度越高。
其中,预设寻优算法的代码实现如下所示:
CPAFSA swarm(){
Xc=0;nf=0;
for(j=0;j<fishnum;j++){
if(di,j<Visual)
nf++;Xc=Xc+Xj;
}
if(Yc/nf>δ×Yi)
else
CPAFSA prey();
}
CPAFSA follow(){
YMax=0;nf=0;
for(j=0;j<fishnum;j++){
if(di,j<Visual&&YMax<Yj){
YMax=Yj;XMax=Xj;
}
if(di,j<Visual)nf++;
}
if(YMax/nf>δ×Yi)
CPAFSA prey();
}
CPAFSA prey(){
for(j=0;j<fishnum;j++){
Xj=Xi+Rand()×Visual;
if(Yi<Yj)
else
Xnext=Xi+Rand()×Visual;
}
swarm代表聚群行为;follow代表追尾行为;prey代表觅食与随机行为;Xc代表鱼群的中心位置坐标;nf代表鱼群中每条鱼个体根据其视野感知到的其余鱼个体数目;di,j代表当前鱼与鱼群中其他鱼的距离;fishnum代表鱼的总数;Visual代表鱼的视野;Xi代表当前鱼的位置坐标;Xj代表鱼群中其他鱼的位置坐标;Yc代表鱼群中心位置的食物浓度;Yi代表当前位置的食物浓度;δ代表拥挤度因子;Xnext代表更新后当前位置的下一位置坐标;Step代表移动步幅。
在实际应用中,使用大种群可以提高最优解的精度并增强鱼群跳出局部最优的能力,在本发明中各个分散鱼群的个体鱼数目设置为40条。在设置鱼的移动步幅时则需要考虑鱼的视野大小。鱼的视野主要影响其觅食情况,为尽可能地了解优化空间的信息应该使用更大的视野,但是更大的视野会导致优化精度降低。随着视野的增加移动步幅也应相应增加;否则收敛速度会变慢并且最优解的精度会降低。所以,鱼的视野与移动步幅的设置相辅相成,本发明中鱼的视野设置为12,移动步幅设置可以根据第一步幅至第四步幅进行设置。此外,预设次数的设置也需研究,尝试过多会导致鱼被局部极值困住,导致预设寻优算法过早成熟并使得优化时间增加。当局部最优不显着且算法复杂度不高时,增加预设次数是提高算法收敛效率的有效手段。尝试次数较少则会降低个体鱼捕食成功的概率,导致鱼做出更多的随机行为从而不利于预设寻优算法收敛,所以鱼的尝试次数(即预设次数)一般不超过100次,一般为5-50次,本发明设置为20次。如图2所示,鱼群中任一条鱼的当前位置用P表示,经过一次迭代后的当前位置用Pnext表示,迭代结束后的当前位置用PV表示。
预设公告板记录了当前鱼群中在处理无线传感器网络数据传输问题的传感器最优部署方案,初始化时设置预设公告板BB=0。当公告板上有记录时,这个迭代过程中的个体鱼需要将其所在位置的解与公告板上的值进行比较。如果此时鱼所代表的解比公告板上记录的值好,具体表现为将得到的个体鱼所在位置的食物浓度带入适应度函数中计算得到的值大于预设公告板上的值,则在本次迭代过程结束后,将改写公告板上鱼的最佳解的值,使公告板存储优化过程中的最优解,从而经过迭代产生历史最优解。
传感器的传输范围为400×400×400立方米,传感器数量设置为40个,目标接收端设置为200个。初始状态下目标接收端和传感器节点的位置通过混沌设置随机分布,经过鱼群觅食优化算法后,将传感器按照得到的第一最优位置进行部署,同时每个目标接收端需要3个传感器进行覆盖传输,1个传感器只能覆盖传输数据给范围内的4个目标接收端。
图3-图6显示了传感器节点数量增加引起的传输目标接收端的比例变化。图3-图6分别代表传感器传输半径为120米、140米、160米以及180米的情况。可以看出,随着传感器数量的增加,遗传算法GA和粒子群算法PSO成功监测到的目标接收端比例有所增加,但始终低于本发明提供的鱼群觅食优化算法CPAFSA监测到的目标接收端的比例。本发明相比遗传算法GA和粒子群算法PSO增加了搜索范围。同时在每次迭代过程中都会经历最优解的更新过程,可以更高效地与更多的目标点进行数据传输。图3-图6还显示当传感器数量增加时,本发明的目标接收端数据传输成功率通常比遗传算法GA和粒子群算法PSO增加的更多,其原因是随着传感器和目标接收端数量的不断增加,传感器覆盖和数据传输的复杂性不断增加。传统的遗传算法和粒子群算法容易陷入早熟收敛,而本发明通过平行设置方法,实现广泛的全局优化。
此外,鱼群的聚类和觅食搜索可以将全局搜索转化为局部搜索,提高了粗搜索和细搜索之间的平衡,也提高了鱼群觅食优化算法的收敛速度,从而避免陷入局部极值。
本发明提供的数据传输优化方法,通过在鱼群觅食寻优过程中自适应调整每条鱼的觅食寻优过程,提高单条鱼的优化效率并防止了无效搜索,加快了鱼群觅食寻优收敛速度,提高了无线传感网络中传感器的部署效率以及传感器的传输范围与质量。
下面对本发明提供的数据传输优化系统进行描述,下文描述的数据传输优化系统与上文描述的数据传输优化方法可相互对应参照。
图7是本发明提供的数据传输优化系统的结构示意图,如图7所示,包括:
确定模块710以及传输模块711;
确定模块710,用于基于预设寻优算法,获取各个传感器的第一最优位置;
传输模块711,用于通过安装在第一最优位置的各个传感器将待传输数据发送到各个目标接收端。
本发明提供的数据传输优化系统,通过预设寻优算法来提高全局搜索能力,在避免局部最优的情况下获得最优的传感器部署方案,进而提高传感器的传输范围与质量,对针对例如综合能源的信息传递有良好的抗噪性能和数据传输效益。
图8是本发明提供的一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(communication interface)811、存储器(memory)812和总线(bus)813,其中,处理器810,通信接口811,存储器812通过总线813完成相互间的通信。处理器810可以调用存储器812中的逻辑指令,以执行如下方法:
基于预设寻优算法,获取各个传感器的第一最优位置;
通过安装在第一最优位置的各个传感器将待传输数据发送到各个目标接收端。
此外,上述的存储器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电源屏(可以是个人计算机,服务器,或者网络电源屏等)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。
进一步地,本发明公开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实施例所提供的数据传输优化方法,例如包括:
基于预设寻优算法,获取各个传感器的第一最优位置;
通过安装在第一最优位置的各个传感器将待传输数据发送到各个目标接收端。
另一方面,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以执行上述各实施例提供的数据传输优化方法,例如包括:
基于预设寻优算法,获取各个传感器的第一最优位置;
通过安装在第一最优位置的各个传感器将待传输数据发送到各个目标接收端。
以上所描述的系统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电源屏(可以是个人计算机,服务器,或者网络电源屏等)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 (8)
1.一种数据传输优化方法,其特征在于,包括:
基于预设寻优算法,获取各个传感器的第一最优位置;
通过安装在所述第一最优位置的各个传感器将待传输数据发送到各个目标接收端;
所述基于预设寻优算法,获取各个传感器的最优位置,包括:
基于平行设置方法对目标鱼群进行划分,以获取多个分散鱼群;
确定各个分散鱼群中每条鱼的第二最优位置;
根据所述第二最优位置,确定所述第一最优位置;
其中,所述平行设置方法包括主从式平行设置方法、粗粒度平行设置方法以及细粒度平行设置方法;
所述确定各个分散鱼群中每条鱼的第二最优位置,包括:
将任一分散鱼群作为目标分散鱼群,并对所述目标分散鱼群进行初始化;
对所述目标分散鱼群中的每条鱼的当前位置进行迭代更新,以获取所述目标分散鱼群中每条鱼的第三最优位置;
根据所述第三最优位置,确定其余分散鱼群中每条鱼的第四最优位置,所述第四最优位置是通过将初始化的概率因子作为克隆概率,将所述第三最优位置复制到其余分散鱼群中,并采用与所述目标分散鱼群相同的迭代更新方法对其余分散鱼群中的每条鱼的当前位置进行迭代更新得到的;
根据所述第三最优位置和所述第四最优位置,确定所述第二最优位置,所述第二最优位置为所述分散鱼群中每条鱼的最优位置;
其中,对所述目标分散鱼群进行初始化,包括:
对所述目标分散鱼群中的鱼的数目、鱼的视野、移动步幅、拥挤度因子、预设次数、当前迭代次数、最大迭代次数和各个分散鱼群中每条鱼的当前位置进行初始化。
2.根据权利要求1所述的数据传输优化方法,其特征在于,所述对所述目标分散鱼群中的每条鱼的当前位置进行迭代更新,以获取所述目标分散鱼群中每条鱼的第三最优位置,包括:
将所述目标分散鱼群中任一条鱼作为当前鱼;
在所述目标分散鱼群的中心位置的食物浓度高于当前鱼的当前位置的食物浓度且满足不拥挤标准的情况下,将所述当前鱼的当前位置向所述中心位置移动第一步幅;
在所述中心位置的食物浓度低于当前位置的食物浓度且满足拥挤标准的情况下,基于预设移动方法将所述当前鱼的当前位置进行移动;
基于移动后的当前鱼的位置,对所述当前位置进行迭代更新,并基于更新后的当前位置对所述中心位置进行更新,直至当前迭代次数达到最大迭代次数,停止更新,以获取当前鱼的最优位置;
根据所述当前鱼的最优位置,确定所述第三最优位置。
3.根据权利要求2所述的数据传输优化方法,其特征在于,所述对所述目标分散鱼群中的每条鱼的当前位置进行迭代更新,以获取所述目标分散鱼群中每条鱼的第三最优位置,还包括:
在所述当前鱼感知范围内最优鱼所在位置的食物浓度高于所述当前鱼的当前位置的食物浓度且满足不拥挤标准的情况下,将所述当前鱼的当前位置向最优鱼的位置移动第二步幅;
在所述当前鱼感知范围内最优鱼所在位置的食物浓度低于当前鱼的当前位置的食物浓度且满足拥挤标准的情况下,基于所述预设移动方法将所述当前鱼的当前位置进行移动;
其中,所述当前鱼感知范围是根据所述鱼的视野确定的。
4.根据权利要求3所述的数据传输优化方法,其特征在于,所述基于所述预设移动方法将所述当前鱼的当前位置进行移动,包括:
若所述当前鱼感知范围内存在目标鱼所在位置的食物浓度高于所述当前鱼的当前位置的食物浓度,则将所述当前位置向所述目标鱼所在位置移动第三步幅;
若当前鱼感知范围内所有鱼所在位置的食物浓度均低于所述当前鱼的当前位置的食物浓度,则将所述当前位置向所述当前鱼感知范围内任一条鱼所在位置移动第四步幅;
其中,所述当前鱼感知范围内所有鱼所在位置是所述当前鱼在感知范围内尝试所述预设次数后确定的;
所述移动步幅是根据所述第一步幅至所述第四步幅确定的。
5.根据权利要求2-4任一项所述的数据传输优化方法,其特征在于,所述不拥挤的标准为所述当前鱼的当前位置的食物浓度与所述拥挤度因子的乘积,小于所述当前鱼移动方向所在位置的食物浓度与所述当前鱼感知范围内感知到的所有鱼的数目的比值;所述拥挤的标准为所述当前鱼的当前位置的食物浓度与所述拥挤度因子的乘积,大于所述当前鱼移动方向所在位置的食物浓度与所述当前鱼感知范围内感知到的所有鱼的数目的比值。
6.一种数据传输优化系统,其特征在于,包括:确定模块以及传输模块;
所述确定模块,用于基于预设寻优算法,获取各个传感器的第一最优位置;
所述传输模块,用于通过安装在所述第一最优位置的各个传感器将待传输数据发送到各个目标接收端;
所述基于预设寻优算法,获取各个传感器的最优位置,包括:
基于平行设置方法对目标鱼群进行划分,以获取多个分散鱼群;
确定各个分散鱼群中每条鱼的第二最优位置;
根据所述第二最优位置,确定所述第一最优位置;
其中,所述平行设置方法包括主从式平行设置方法、粗粒度平行设置方法以及细粒度平行设置方法;
所述确定各个分散鱼群中每条鱼的第二最优位置,包括:
将任一分散鱼群作为目标分散鱼群,并对所述目标分散鱼群进行初始化;
对所述目标分散鱼群中的每条鱼的当前位置进行迭代更新,以获取所述目标分散鱼群中每条鱼的第三最优位置;
根据所述第三最优位置,确定其余分散鱼群中每条鱼的第四最优位置,所述第四最优位置是通过将初始化的概率因子作为克隆概率,将所述第三最优位置复制到其余分散鱼群中,并采用与所述目标分散鱼群相同的迭代更新方法对其余分散鱼群中的每条鱼的当前位置进行迭代更新得到的;
根据所述第三最优位置和所述第四最优位置,确定所述第二最优位置,所述第二最优位置为所述分散鱼群中每条鱼的最优位置;
其中,对所述目标分散鱼群进行初始化,包括:
对所述目标分散鱼群中的鱼的数目、鱼的视野、移动步幅、拥挤度因子、预设次数、当前迭代次数、最大迭代次数和各个分散鱼群中每条鱼的当前位置进行初始化。
7.一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述数据传输优化方法。
8.一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,该计算机程序被处理器执行时实现如权利要求1至5任一项所述数据传输优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210266733.4A CN114727251B (zh) | 2022-03-17 | 2022-03-17 | 数据传输优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210266733.4A CN114727251B (zh) | 2022-03-17 | 2022-03-17 | 数据传输优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114727251A CN114727251A (zh) | 2022-07-08 |
CN114727251B true CN114727251B (zh) | 2023-04-21 |
Family
ID=82238096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210266733.4A Active CN114727251B (zh) | 2022-03-17 | 2022-03-17 | 数据传输优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114727251B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9053426B2 (en) * | 2013-01-30 | 2015-06-09 | Harris Corporation | Distributed multi-layer particle swarm optimization based cognitive network |
CN104301996B (zh) * | 2014-04-15 | 2017-09-29 | 河南科技大学 | 一种无线传感器网络定位方法 |
CN110944342B (zh) * | 2019-10-24 | 2023-03-10 | 江西理工大学 | 无线传感器网络部署优化方法、装置、系统及存储介质 |
-
2022
- 2022-03-17 CN CN202210266733.4A patent/CN114727251B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114727251A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108776483B (zh) | 基于蚁群算法和多智能体q学习的agv路径规划方法和系统 | |
Fausto et al. | From ants to whales: metaheuristics for all tastes | |
Pan et al. | Fish migration optimization based on the fishy biology | |
CN111263325B (zh) | 动态分簇异构无线传感器网络的路由方法、装置及介质 | |
CN102013037A (zh) | 一种基于粒子群算法的路径搜索方法及装置 | |
Adnan et al. | A comparative study of particle swarm optimization and Cuckoo search techniques through problem-specific distance function | |
CN113741508A (zh) | 基于改进狼群算法的无人机任务分配方法 | |
CN112115317A (zh) | 一种针对深度哈希检索的有目标攻击方法及终端设备 | |
CN115639828B (zh) | 基于改进人工鱼群算法的机器人路径规划方法及装置 | |
CN113848889A (zh) | 一种基于鲸鱼优化算法和人工势场法结合的路径规划方法 | |
CN112469050A (zh) | 一种基于改进灰狼优化器的wsn三维覆盖增强方法 | |
CN114727251B (zh) | 数据传输优化方法及系统 | |
CN114390102B (zh) | 一种物联网资源分配方法、系统、终端以及存储介质 | |
CN115248592A (zh) | 基于改进快速探索随机树的多机器人自主探索方法和系统 | |
CN115686057A (zh) | 一种基于鲸鱼优化算法的多无人机路径规划方法 | |
CN109903251B (zh) | 果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法 | |
Sahu et al. | A crow particle swarm optimization algorithm with deep neural network (CPSO-DNN) for high dimensional data analysis | |
CN111027759A (zh) | 一种基于蚁狮算法的城市交通应急调度方法 | |
CN116390107A (zh) | 一种无线传感器网络覆盖优化方法及系统 | |
CN115906508A (zh) | 一种电池寿命预测方法及相关装置 | |
CN114980007A (zh) | 无线传感器节点部署方法、装置、设备及可读存储介质 | |
CN108921354A (zh) | 一种基于粒子群优化的蚁群算法求解tsp问题的方法 | |
CN117308942A (zh) | 一种基于增强型蝠鲼觅食优化算法的无人机路径规划方法 | |
CN115379386B (zh) | 基于狼群算法的无人机集群电磁频谱监测方法及装置 | |
CN114221686B (zh) | Mimo资源优化方法、装置和电子设备 |
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 |