CN115866807B - 一种基于地形信息的无线传感器网络节点部署方法 - Google Patents
一种基于地形信息的无线传感器网络节点部署方法 Download PDFInfo
- Publication number
- CN115866807B CN115866807B CN202211458443.6A CN202211458443A CN115866807B CN 115866807 B CN115866807 B CN 115866807B CN 202211458443 A CN202211458443 A CN 202211458443A CN 115866807 B CN115866807 B CN 115866807B
- Authority
- CN
- China
- Prior art keywords
- populations
- population
- radius
- wireless sensor
- terrain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000005265 energy consumption Methods 0.000 claims abstract description 11
- 230000008447 perception Effects 0.000 claims abstract description 4
- 230000035772 mutation Effects 0.000 claims description 13
- 238000012876 topography Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种基于地形信息的无线传感器网络节点部署方法。对目标监测区域进行维诺图划分，根据划分后的Delaunay三角形计算传感器节点的感知半径；通过最小生成树计算传感器节点的通信半径，并通过地形修正感知半径；采用多目标优化算法迭代更新种群的位置；通过生成参考点保留接近参考点的位置作为下一代种群，迭代完成获得适合地形的无线传感器网络节点部署方案。本发明采用基于维诺图的非支配排序遗传算法对部署在山区地形的传感器节点的位置进行调整，并根据地形信息得到传感器节点适合地形的感知半径与通信半径。从而保证了部署在山区地形的无线传感器网络的覆盖率，能耗不平衡度并降低了所使用传感器节点的数量，节省了成本。
Description
技术领域
本发明属于无线传感器网络技术领域，特别涉及一种基于地形信息的无线传感器网络节点部署方法。
背景技术
无线传感器网络是一种分布式多跳自组织网络，它由众多具备感知、通信和计算能力的廉价微型传感器节点组成。无线传感器网络通过可以感知温度、湿度、光照强度和压力等多种信息的传感器感知监测环境的信息，并最终通过传感器网络将这些信息以多跳、自组织的方式发送给网络所有者。无线传感器网络具备可快速部署、组网效率高、容错性高和成本低等优势，在国防军事、医疗卫生和农业监测领域得到了广泛的应用。然而，当监测环境为复杂的地形时，无线传感器网络的节点部署方法的选择对网络的覆盖率、网络的连接性以及网络寿命等性能指标有着极大影响。选择一种合适节点部署方法是无线传感器网络部署的关键性问题。
迄今为止，关于无线传感器网络部署方法的研究集中在二维平面环境当中，2021年，Karimi-Bidhendi等人提出了一种类Lloyd的方法获取二维环境中无线传感器网络的次优节点部署，在保证无线传感器网络连接性的情况下优化了无线传感器网络的覆盖率以及网络能耗，然而在监测区域的地势比较平缓，使用二维平面环境的无线传感器网络部署方法进行传感器节点部署对无线传感器网络的性能指标不会产生太大影响。但当监测区域为地势变化比较大的山地地形时，就无法将三维的监测区域等价于二维环境进行考虑，2014年Saha S等人采用一种基于小波变换的猫群优化算法用于三维表面的无线传感器网络节点部署，提高了无线传感器网络的覆盖率，但他们的方法并没有考虑地形环境对于传感器节点通信的影响。因此需要一种基于监测区域的地形信息来进行无线传感器网络的节点部署。根据电子地图，我们可以获取到无线传感器网络监测区域的地形信息，进行复杂环境下的无线传感器网络节点部署。
因此，亟需一种基于地形信息的无线传感器网络节点部署方法，能够实现复杂环境下的无线传感器网络节点部署，并保证无线传感器网络的性能指标。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于地形信息的无线传感器网络节点部署方法，应对山地地形这种复杂的三维监测环境，提高无线传感器网络的网络覆盖率，并降低网络的能耗不平衡度，从而克服上述现有技术中的缺陷。
为实现上述目的，本发明提供了一种基于地形信息的无线传感器网络节点部署方法，其步骤为：
S01：利用传感器节点的位置对三维地形图中的监测区域进行维诺图划分，计算适合地形的传感器节点感知半径Rs与通信半径Rc：
S02：初始化传感器节点的位置，采用KRUSCAL算法找到无线传感器网络的最小生成树，并根据此最小生成树，为每个节点确定通信半径Rc=Max(d1,d2,…di…dn),其中di为第i个节点与相邻节点的距离；监测区域表示为一个单值函数z=h(x,y)，利用地形的坡度和坡向角修正传感器节点的感知半径；
S03：将每个部署方案中所有的传感器节点作为一个种群，经过步骤S02初始化传感器节点的位置后，通过计算所有种群的多个优化目标，对所有种群进行非支配排序，选择出非支配排序结果靠前的Qt个种群；其中优化目标包括无线传感器网络的覆盖率、能耗不平衡度和传感器节点的数量；
S04：设要选择的种群个数为N，当Qt=N时，对Qt个种群进行交叉和变异操作来更新种群的位置；当Qt＜N时，根据多个优化目标的上、下限得到优化目标的超平面，在优化目标的超平面上等距均匀地生成参考点，计算出除了Qt个种群之外的所有种群与参考点之间在超平面上的欧氏距离，保留欧式距离较小的N-Qt个种群，将保留的N-Qt个种群和步骤S03中的Qt个种群一共N个种群进行交叉和变异操作来更新这N个种群的位置；
S05：N个种群作为父代种群交叉变异之后，得到子代种群，进行父、子代种群合并得到下一代种群，再次进行非支配排序；当迭代次数小于最大迭代次数时，重复步骤S04进行迭代更新，当迭代次数到达最大迭代次数时，输出保留的结果种群，完成网络节点部署。
优选地，技术方案中，步骤S01中对监测区域进行维诺图划分时，根据初始化传感器节点的位置进行Delaunay三角剖分，划分后的Delaunay三角形，计算每个Delaunay三角形的外接圆，比较传感器节点预定义的最大感知半径Rsmax与外接圆半径r，如果r>Rsmax,则将传感器节点的感知半径设置为Rsmax,如果r≤Rsmax,则将传感器节点的感知半径设置为外接圆半径r。
优选地，技术方案中，步骤S02中，设监测区域中任意一点为P(x,y)，则点P(x,y)方向梯度为：，
其中和/>分别为x和y方向的偏导数，i和j为单位矢量，则方向梯度的模作为坡度S：/>，
其中PO为山坡PB、Pq的高度，角α为山坡PB与地面的夹角，OB为山坡PB在水平面上的投影长度；角β为山坡PB、Pq间的夹角，点P(x,y)沿着β方向的坡度G为：，
其中角γ为山坡Pq与地面的角度，Oq为山坡Pq在水平面上的投影长度，由于山地地形的起伏，传感器节点沿β方向的感知半径Rs´与计算出的感知半径Rs的关系为：。
优选地，技术方案中，对于感知半径的修正方法是沿着坡向方向，节点相交的两条等高线的高度差为△h，相交的两条等高线之间的距离为△d，坡度S表示为：。
优选地，技术方案中，步骤S03中，对初始化之后的所有种群计算多个优化目标fi(x)，对于多个优化目标fi(x)，分别给定任意种群a、b的决策变量Xa、Xb，通过种群a、b的决策变量Xa、Xb计算种群a、b的优化目标fi(x)；其中决策变量为传感器节点在三维地形上的坐标、感知半径Rs和通信半径Rc，决策变量Xa、Xb通过种群a、b中传感器节点与随机生成的初始化种群的传感器节点计算；
非支配排序的判断需以下两个条件均成立：t1、对于任意目标fi(x)，都有fi(Xa)≤fi(Xb)；t2、存在一个优化目标，使得fi(Xa)<fi(Xb)；
通过上述判定对所有种群进行非支配排序，当无线传感器网络的覆盖率、能耗不平衡度和传感器节点的数量都满足fi(Xa)<fi(Xb)时，种群a优于种群b，非支配排序结果靠前。
优选地，技术方案中，步骤S04中，对种群进行非支配排序后，选择出Qt个种群作为父代种群进行交叉和变异操作，种群交叉方法为模拟二进制交叉：，
其中C 1 ,C 2 为交叉后的子代种群，P 1 ,P 2 为两个父代种群，ε为分布因子，可表示为，其中μ为[0,1]之间的随机数，η为自定义的参数，η的值越大，产生的子代种群逼近父代的概率越大；
种群变异方法为多项式变异：，
其中C为变异后的种群，μ为[0,1]之间的随机数，ε为分布因子，δ 1 、δ 2 可表示为，其中,u k 和l k 为第k个决策变量的上界和下界，P为父代种群。
优选地，技术方案中，步骤S04中，在优化目标的超平面上，以优化目标的上限点开始，逐步分割等距均匀地生成参考点，计算出除了Qt个种群之外的所有种群与参考点之间在超平面上的欧氏距离，超平面内参考点的个数为p：，
其中M为优化目标的个数，H为每个优化目标分割的个数。
与现有技术相比，本发明具有如下有益效果：
本发明是通过山区地形的地形信息，采用基于维诺图的非支配排序遗传算法对部署在山区地形的传感器节点的位置进行调整，并根据地形信息得到传感器节点适合地形的感知半径与通信半径。从而保证了部署在山区地形的无线传感器网络的覆盖率，能耗不平衡度并降低了所使用传感器节点的数量，极大的节省了成本。
附图说明
图1为本发明基于地形信息的无线传感器网络节点部署方法流程图；
图2为本发明山地坡度的示意图；
图3为本发明种群交叉过程示意图；
图4为本发明种群变异过程示意图；
图5为本发明参考点选取示意图。
具体实施方式
下面对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
如图1所示，一种基于地形信息的无线传感器网络节点部署方法，针对地势变化较大的山区地形，利用一种基于地形信息的无线传感器网络节点部署方法，能够在三维地形表面，有效的进行传感器节点的部署。
（1）根据山区地形的地理环境，通过电子地图获得监测区域的地形信息，并通过地形数据将山区地形进行栅格化处理，处理后的地形数据为一个M*M的矩阵，矩阵中的值代表了山区地形的高程值；
（2）将部署方案中所有的传感器节点作为种群，经过初始化种群位置后，每个种群中对于部署在地形中的传感器节点进行初始化，设置传感器节点的数量为N，将N个传感器节点随机部署在监测区域；
（3）对监测区域进行维诺图划分，由于山区地形的地势变化较大，地形区域的坡度和坡向对维诺图划分的结果影响很大；在山区地形中，坡度表示为山区地形表面陡缓的程度，通常把坡角的正切值，即坡面的垂直高度和水平距离的比叫做坡度；在山区地形中，坡向是高程下降最快的方向，也是坡面法线在水平面上的投影；其在三维地形z=h(x,y)上，对于任意一点P(x,y)方向的方向梯度为：，
其中和/>分别为x和y方向的偏导数，i和j为单位矢量，如图2所示，方向梯度的模作为坡度S：/>，
其中PO为山坡PB、Pq的高度，角α为山坡PB与地面的夹角，OB为山坡PB在水平面上的投影长度；角β为山坡PB、Pq间的夹角，点P(x,y)沿着β方向的坡度G为；
其中角γ为山坡Pq与地面的角度，Oq为山坡Pq在水平面上的投影长度，由于山区地形的地势变换，传感器节点沿着β方向的实际感知半径Rs´可表示为：，
通过坡度和坡向对感知半径进行修正后，对监测区域进行维诺图划分。通过维诺图划分的结果确定传感器节点的通信半径。
（4）将每个部署方案中所有的传感器节点作为一个种群，经过步骤（2）初始化传感器节点的位置后，通过计算所有种群的多个优化目标，为了保证获得Pareto最优解，对所有种群进行非支配排序，选择出非支配排序结果靠前的Qt个种群；其中优化目标包括无线传感器网络的覆盖率、能耗不平衡度和传感器节点的数量；
对初始化之后的所有种群计算多个优化目标fi(x)，对于多个优化目标fi(x)，分别给定任意种群a、b的决策变量Xa、Xb，通过种群a、b的决策变量Xa、Xb计算种群a、b的优化目标fi(x)；其中决策变量为传感器节点在三维地形上的坐标、感知半径Rs和通信半径Rc，决策变量Xa、Xb通过种群a、b中传感器节点与随机生成的初始化种群的传感器节点计算；
非支配排序的判断需以下两个条件均成立：t1、对于任意目标fi(x)，都有fi(Xa)≤fi(Xb)；t2、存在一个优化目标，使得fi(Xa)<fi(Xb)；
通过上述判定对所有种群进行非支配排序，当无线传感器网络的覆盖率、能耗不平衡度和传感器节点的数量都满足fi(Xa)<fi(Xb)时，种群a优于种群b，非支配排序结果靠前；
假定进行非支配排序的种群的为P，本发明计算每个个体p的被支配个数np和该个体支配的解的集合Sp两个参数，将种群中np=0的个体放入集合F1中作为Pareto等级1的解，依次类推得到不同Pareto等级的解。
（5）设要选择的种群个数为N，当Qt=N时，对Qt个种群进行交叉和变异操作来更新种群的位置；种群交叉的交叉过程中对种群两两进行操作更新传感器节点的位置，如图3所示，本发明采用的为模拟二进制交叉的方法：，
其中C 1 ,C 2 为交叉后的子代种群，P 1 ,P 2 为两个父代种群，ε为分布因子，可表示为，其中μ为[0,1]之间的随机数，η为自定义的参数，η的值越大，产生的子代种群逼近父代的概率越大；为了能搜索更多的解，在不仅需要对种群进行交叉操作处理，同时对父代种群进行变异操作处理，如图4所示本发明采用多项式变异对种群进行处理：/>，
其中C为变异后的种群，μ为[0,1]之间的随机数，ε为分布因子，δ 1 、δ 2 可表示为，其中,u k 和l k 为第k个决策变量的上界和下界，P为父代种群。
（6）为了使得Pareto解在目标空间内更均匀，本发明引入一种参考点机制，如图5所示，为参考点生成的示意图。
当Qt＜N时，如图5所示，根据三个优化目标的上下限画出一个二维平面，这个就是三个优化目标的超平面，在优化目标的超平面上，以优化目标的上限点开始，逐步分割等距均匀地生成参考点，计算出除了Qt个种群之外的所有种群与参考点之间在超平面上的欧氏距离，超平面内任意一点做为解，欧式距离为参考点与解之间的距离，保留欧式距离较小的N-Qt个种群，将保留的N-Qt个种群和步骤（4）中的Qt个种群一共N个种群进行交叉和变异操作来更新这N个种群的位置；
本发明中产生的参考点为sj=(s1,s2,…,sM), 对于参考点sj的坐标值有：，
其中M为优化目标的个数，H为每个优化目标分割的个数；超平面内参考点的个数为p：，
本例中，假设M=3，H=4,将数值代入式中，得到参考点的数量为15个，参考点的位置如图5所示。N个种群作为父代种群交叉变异之后，得到子代种群，进行父、子代种群合并得到下一代种群，再次进行非支配排序；当迭代次数小于最大迭代次数时，重复步骤（5）-（6）进行迭代更新，当迭代次数到达最大迭代次数时，输出保留的结果种群，完成网络节点部署，选择出最佳的用于山区地形的无线传感器网络节点部署方案。
本发明是通过山区地形的地形信息，采用基于维诺图的非支配排序遗传算法对部署在山区地形的传感器节点的位置进行调整，并根据地形信息得到传感器节点适合地形的感知半径与通信半径。从而保证了部署在山区地形的无线传感器网络的覆盖率，能耗不平衡度并降低了所使用传感器节点的数量，极大的节省了成本。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (7)
1.一种基于地形信息的无线传感器网络节点部署方法，其步骤为：
S01：利用传感器节点的位置对三维地形图中的监测区域进行维诺图划分，计算适合地形的传感器节点感知半径Rs与通信半径Rc：
S02：初始化传感器节点的位置，采用KRUSCAL算法找到无线传感器网络的最小生成树，并根据此最小生成树，为每个节点确定通信半径Rc=Max(d1,d2,…di…dn),其中di为第i个节点与相邻节点的距离；监测区域表示为一个单值函数z=h(x,y)，利用地形的坡度和坡向角修正传感器节点的感知半径；
S03：将每个部署方案中所有的传感器节点作为一个种群，经过步骤S02初始化传感器节点的位置后，通过计算所有种群的多个优化目标，对所有种群进行非支配排序，选择出非支配排序结果靠前的Qt个种群；其中优化目标包括无线传感器网络的覆盖率、能耗不平衡度和传感器节点的数量；
S04：设要选择的种群个数为N，当Qt=N时，对Qt个种群进行交叉和变异操作来更新种群的位置；当Qt＜N时，根据多个优化目标的上、下限得到优化目标的超平面，在优化目标的超平面上等距均匀地生成参考点，计算出除了Qt个种群之外的所有种群与参考点之间在超平面上的欧氏距离，保留欧式距离较小的N-Qt个种群，将保留的N-Qt个种群和步骤S03中的Qt个种群一共N个种群进行交叉和变异操作来更新这N个种群的位置；
S05：N个种群作为父代种群交叉变异之后，得到子代种群，进行父、子代种群合并得到下一代种群，再次进行非支配排序；当迭代次数小于最大迭代次数时，重复步骤S04进行迭代更新，当迭代次数到达最大迭代次数时，输出保留的结果种群，完成网络节点部署。
2.根据权利要求1所述的基于地形信息的无线传感器网络节点部署方法，其特征在于：步骤S01中对监测区域进行维诺图划分时，根据初始化传感器节点的位置进行Delaunay三角剖分，划分后的Delaunay三角形，计算每个Delaunay三角形的外接圆，比较传感器节点预定义的最大感知半径Rsmax与外接圆半径r，如果r>Rsmax,则将传感器节点的感知半径设置为Rsmax,如果r≤Rsmax,则将传感器节点的感知半径设置为外接圆半径r。
3.根据权利要求1所述的基于地形信息的无线传感器网络节点部署方法，其特征在于：步骤S02中，设监测区域中任意一点为P(x,y)，则点P(x,y)方向梯度为：，
其中和/>分别为x和y方向的偏导数，i和j为单位矢量，则方向梯度的模作为坡度S：，
其中PO为山坡PB、Pq的高度，角α为山坡PB与地面的夹角，OB为山坡PB在水平面上的投影长度；角β为山坡PB、Pq间的夹角，点P(x,y)沿着β方向的坡度G为：，
其中角γ为山坡Pq与地面的角度，Oq为山坡Pq在水平面上的投影长度，由于山地地形的起伏，传感器节点沿β方向的感知半径Rs´与计算出的感知半径Rs的关系为：。
4.根据权利要求3所述的基于地形信息的无线传感器网络节点部署方法，其特征在于：对于感知半径的修正方法是沿着坡向方向，节点相交的两条等高线的高度差为△h，相交的两条等高线之间的距离为△d，坡度S表示为：。
5.根据权利要求1所述的基于地形信息的无线传感器网络节点部署方法，其特征在于：步骤S03中，对初始化之后的所有种群计算多个优化目标fi(x)，对于多个优化目标fi(x)，分别给定任意种群a、b的决策变量Xa、Xb，通过种群a、b的决策变量Xa、Xb计算种群a、b的优化目标fi(x)；其中决策变量为传感器节点在三维地形上的坐标、感知半径Rs和通信半径Rc，决策变量Xa、Xb通过种群a、b中传感器节点与随机生成的初始化种群的传感器节点计算；
非支配排序的判断需以下两个条件均成立：t1、对于任意目标fi(x)，都有fi(Xa)≤fi(Xb)；t2、存在一个优化目标，使得fi(Xa)<fi(Xb)；
通过上述判定对所有种群进行非支配排序，当无线传感器网络的覆盖率、能耗不平衡度和传感器节点的数量都满足fi(Xa)<fi(Xb)时，种群a优于种群b，非支配排序结果靠前。
6.根据权利要求1所述的基于地形信息的无线传感器网络节点部署方法，其特征在于：步骤S04中，对种群进行非支配排序后，选择出Qt个种群作为父代种群进行交叉和变异操作，种群交叉方法为模拟二进制交叉：，
其中C 1 ,C 2 为交叉后的子代种群，P 1 ,P 2 为两个父代种群，ε为分布因子，可表示为，其中μ为[0,1]之间的随机数，η为自定义的参数，η的值越大，产生的子代种群逼近父代的概率越大；
种群变异方法为多项式变异：，
其中C为变异后的种群，μ为[0,1]之间的随机数，ε为分布因子，δ 1 、δ 2 可表示为，其中,u k 和l k 为第k个决策变量的上界和下界，P为父代种群。
7.根据权利要求1所述的基于地形信息的无线传感器网络节点部署方法，其特征在于：步骤S04中，在优化目标的超平面上，以优化目标的上限点开始，逐步分割等距均匀地生成参考点，计算出除了Qt个种群之外的所有种群与参考点之间在超平面上的欧氏距离，超平面内参考点的个数为p：，
其中M为优化目标的个数，H为每个优化目标分割的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211458443.6A CN115866807B (zh) | 2022-11-17 | 2022-11-17 | 一种基于地形信息的无线传感器网络节点部署方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211458443.6A CN115866807B (zh) | 2022-11-17 | 2022-11-17 | 一种基于地形信息的无线传感器网络节点部署方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115866807A CN115866807A (zh) | 2023-03-28 |
| CN115866807B true CN115866807B (zh) | 2023-10-27 |
Family
ID=85664479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211458443.6A Active CN115866807B (zh) | 2022-11-17 | 2022-11-17 | 一种基于地形信息的无线传感器网络节点部署方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115866807B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104168581A (zh) * | 2014-09-05 | 2014-11-26 | 合肥工业大学 | 维诺图构造的水面移动基站路径规划方法 |
| CN106131862A (zh) * | 2016-07-01 | 2016-11-16 | 厦门大学 | 无线传感器网络中基于多目标进化算法的优化覆盖方法 |
| CN107343283A (zh) * | 2017-06-02 | 2017-11-10 | 电子科技大学 | 一种基于遗传算法的三维静态无线传感网络部署方法 |
| CN110839245A (zh) * | 2019-10-31 | 2020-02-25 | 杭州电子科技大学 | 一种应用于室内定位的无线传感器网络节点部署方法 |
| CN111542069A (zh) * | 2020-04-17 | 2020-08-14 | 温州大学 | 一种基于快速非支配遗传算法实现无线ap部署优化方法 |
| CN112710318A (zh) * | 2020-12-14 | 2021-04-27 | 深圳市商汤科技有限公司 | 地图生成方法、路径规划方法、电子设备以及存储介质 |
| CN114442621A (zh) * | 2022-01-17 | 2022-05-06 | 浙江大学 | 一种基于四足机器人的自主探索和建图系统 |
| CN114970056A (zh) * | 2022-05-05 | 2022-08-30 | 东南大学 | 基于改进nsga-ii算法二回路系统传感器布置方法 |
| CN115048804A (zh) * | 2022-06-30 | 2022-09-13 | 浙江树人学院 | 一种城市管网多传感器优化部署方法 |
-
2022
- 2022-11-17 CN CN202211458443.6A patent/CN115866807B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104168581A (zh) * | 2014-09-05 | 2014-11-26 | 合肥工业大学 | 维诺图构造的水面移动基站路径规划方法 |
| CN106131862A (zh) * | 2016-07-01 | 2016-11-16 | 厦门大学 | 无线传感器网络中基于多目标进化算法的优化覆盖方法 |
| CN107343283A (zh) * | 2017-06-02 | 2017-11-10 | 电子科技大学 | 一种基于遗传算法的三维静态无线传感网络部署方法 |
| CN110839245A (zh) * | 2019-10-31 | 2020-02-25 | 杭州电子科技大学 | 一种应用于室内定位的无线传感器网络节点部署方法 |
| CN111542069A (zh) * | 2020-04-17 | 2020-08-14 | 温州大学 | 一种基于快速非支配遗传算法实现无线ap部署优化方法 |
| CN112710318A (zh) * | 2020-12-14 | 2021-04-27 | 深圳市商汤科技有限公司 | 地图生成方法、路径规划方法、电子设备以及存储介质 |
| CN114442621A (zh) * | 2022-01-17 | 2022-05-06 | 浙江大学 | 一种基于四足机器人的自主探索和建图系统 |
| CN114970056A (zh) * | 2022-05-05 | 2022-08-30 | 东南大学 | 基于改进nsga-ii算法二回路系统传感器布置方法 |
| CN115048804A (zh) * | 2022-06-30 | 2022-09-13 | 浙江树人学院 | 一种城市管网多传感器优化部署方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115866807A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mou et al. | Deep reinforcement learning based three-dimensional area coverage with UAV swarm | |
| CN112462803B (zh) | 一种基于改进nsga-ii的无人机路径规划方法 | |
| CN110181508B (zh) | 水下机器人三维航路规划方法及系统 | |
| Al-Bahrani et al. | A novel orthogonal PSO algorithm based on orthogonal diagonalization | |
| CN111553469B (zh) | 一种无线传感器网络数据融合方法、装置和存储介质 | |
| CN110233657A (zh) | 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 | |
| CN106993273A (zh) | 基于距离加权和遗传优化的DV‑Hop定位方法 | |
| CN112291734A (zh) | 一种移动传感器网络区域覆盖优化的方法 | |
| CN111432368A (zh) | 一种适用于稀疏锚节点wsn的测距定位方法 | |
| CN110856184A (zh) | 基于k均值算法的双层结构无线传感器网络节点部署方法 | |
| CN109242026A (zh) | 一种基于杂交水稻算法优化的模糊c均值聚类方法及系统 | |
| CN115866807B (zh) | 一种基于地形信息的无线传感器网络节点部署方法 | |
| CN116400737B (zh) | 一种基于蚁群算法的安全路径规划系统 | |
| CN114025361A (zh) | 面向协同中继任务的多无人机网络拓扑构造与规划方法 | |
| CN115222006A (zh) | 一种基于改进粒子群优化算法的数值函数优化方法 | |
| Tsang et al. | Multi-objective mapping method for 3D environmental sensor network deployment | |
| CN106681135B (zh) | 一种基于混合水滴算法的线缆布线路径搜索方法 | |
| Pan et al. | The phasmatodea population evolution algorithm and its application in 5g heterogeneous network downlink power allocation problem | |
| CN105357681B (zh) | 基于多目标优化的物联网网关部署方法 | |
| Xiao-Ting et al. | Flight path planning based on an improved genetic algorithm | |
| Urade et al. | Study and analysis of particle swarm optimization: a review | |
| CN113905386A (zh) | 一种基于自适应混合粒子群算法的Mesh网关部署优化方法 | |
| CN110377048A (zh) | 一种基于遗传算法的无人机群防御部署方法 | |
| CN116916475B (zh) | 一种基于多策略改进蜜獾算法的无线传感器网络部署方法 | |
| CN112834985A (zh) | 基于反向学习自适应花授粉的可见光定位方法及系统 |
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 |