CN116017476A - 无线传感器网络覆盖设计方法、装置 - Google Patents
无线传感器网络覆盖设计方法、装置 Download PDFInfo
- Publication number
- CN116017476A CN116017476A CN202211681115.2A CN202211681115A CN116017476A CN 116017476 A CN116017476 A CN 116017476A CN 202211681115 A CN202211681115 A CN 202211681115A CN 116017476 A CN116017476 A CN 116017476A
- Authority
- CN
- China
- Prior art keywords
- population
- populations
- food source
- updating
- target
- 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
Classifications
-
- 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
Abstract
本申请提供一种无线传感器网络覆盖设计方法、装置、电子设备及存储介质,该无线传感器网络覆盖设计方法包括:基于多个种群中各种群的适应度值选择食物源位置;其中,各种群中包括多个网络节点;基于食物源位置,在多个种群中更新种群集合中各种群的位置;其中,种群集合为多个种群中至少一个种群所构成的集合;基于更新位置后的多个种群中各种群的适应度值,更新食物源位置;根据模拟退火更新食物源位置以及各种群的适应度值,以基于更新后的食物源位置更新种群集合中各种群的位置,得到多个种群中各种群的目标位置和目标适应度值。本申请实施例的技术方案可提高无线传感器网络覆盖效果。
Description
技术领域
本申请属于无线通信中无线网络覆盖优化技术领域,具体而言,涉及一种无线传感器网络覆盖设计方法、装置、电子设备及存储介质。
背景技术
无线传感器网络是由多个节点、互联互通组建数据传输网络,因具有低功耗、多功能和便捷组网等优势,在交通物流、森林防护、农业和环境探测等领域得到了广泛应用。在实际应用中,多采用人工随机的方式进行节点部署,大多依靠个人经验,但随着网络中传感器节点数量的不断增加,节点冗余和人工工作量繁杂,因此需要对传感器节点进行自适应智能部署,如何提升传感器节点覆盖率,降低成本投入成为目前急需解决的问题。
由于传统算法在提升无线传感器网络节点覆盖率问题上,容易陷入局部最优,近些年以来,研究人员通过观察并模拟自然界生物的捕食行为或物理现象,提出了众多的启发式优化算法,樽海鞘群群算法(Salp Swarm Algorithms,SSA)作为一种新的启发式优化算法,2017年由Mirjalili教授等人提出,与遗传算法、萤火虫优化算法、粒子群算法和引力搜索算法等6种优化算法相比,SSA算法具有调节参数少和准确性高等优势,但在寻优迭代过程中依然存在容易陷入局部最优、收敛速度慢的问题。
发明内容
为解决上述技术问题,本申请的实施例提供了一种无线传感器网络覆盖设计方法、装置、电子设备、计算机可读存储介质。
根据本申请实施例的一个方面,提供了一种无线传感器网络覆盖设计方法,包括:基于多个种群中各种群的适应度值选择食物源位置;其中,各种群中包括多个网络节点;基于所述食物源位置,在所述多个种群中更新种群集合中各种群的位置;其中,所述种群集合为所述多个种群中至少一个种群所构成的集合;基于更新位置后的多个种群中各种群的适应度值,更新食物源位置;根据模拟退火更新食物源位置以及各种群的适应度值,以基于更新后的食物源位置更新所述种群集合中各种群的位置,得到所述多个种群中各种群的目标位置和目标适应度值。
在一实施例中,在所述基于多个种群中各种群的适应度值选择食物源位置之前,所述方法还包括:
根据各种群中多个网络节点的位置计算各种群的覆盖率;
将所述各种群的覆盖率作为各种群的适应度值。
在一实施例中,所述根据各种群中多个网络节点的位置计算各种群的覆盖率,包括:
根据所述多个网络节点的位置计算各网络节点相对于预设点的检测概率;
基于所述各网络节点相对于预设点的检测概率,获取对应种群相对于所述预设点的联合检测概率;
基于所述联合检测概率,获取对应种群的覆盖率。
在一实施例中,在所述基于多个种群中各种群的适应度值选择食物源位置之前,所述方法还包括:
获取初始的多个种群;
对所述初始的多个种群进行混沌映射序列初始化,得到所述多个种群。
在一实施例中,所述基于所述食物源位置,在所述多个种群中更新种群集合中各种群的位置,包括:
在所述种群集合中确定领导者和追随者;
基于所述食物源位置,更新所述领导者的位置;
基于所述领导者的位置,更新所述种群集合中追随者的位置。
在一实施例中,所述基于所述领导者的位置,更新所述种群集合中追随者的位置,包括:
根据预设的可调参数,确定不同的惯性权值;
基于所述领导者的位置以及所述惯性权值,更新所述种群集合中追随者的位置。
在一实施例中,所述根据模拟退火更新食物源位置以及各种群的适应度值,以基于更新后的食物源位置更新所述种群集合中各种群的位置,得到所述多个种群中各种群的目标位置和目标适应度值,包括:
在原食物源位置周围随机产生目标种群;
若所述目标种群的适应度值大于当前食物源位置所对应的适应度值,则基于所述目标种群的适应度值更新食物源位置;
若所述目标种群的适应度值不大于当前食物源位置所对应的适应度值,则将所述多个种群中的各种群以预设概率接受所述目标种群所在的位置,以进行退温操作。
根据本申请实施例的一个方面,提供了一种无线传感器网络覆盖设计装置,包括:食物源位置获取模块,配置为基于多个种群中各种群的适应度值选择食物源位置;其中,各种群中包括多个网络节点;位置更新模块,配置为基于所述食物源位置,在所述多个种群中更新种群集合中各种群的位置;其中所述种群集合为所述多个种群中至少一个种群所构成的集合;食物源位置更新模块,配置为基于更新位置后的多个种群中各种群的适应度值,更新食物源位置;模拟退火模块,配置为根据模拟退火更新食物源位置以及各种群的适应度值,以基于更新后的食物源位置更新所述种群集合中各种群的位置,得到所述多个种群中各种群的目标位置和目标适应度值。
根据本申请实施例的一个方面,提供了一种电子设备,包括一个或多个处理器;存储装置,用于存储一个或多个计算机程序,当所述一个或多个计算机程序被所述一个或多个处理器执行时,使得所述电子设备实现如上所述的无线传感器网络覆盖设计方法。
根据本申请实施例的一个方面,提供了一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行如上所述的无线传感器网络覆盖设计方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实施例中提供的无线传感器网络覆盖设计方法。
在本申请的实施例所提供的技术方案中,通过种群的适应度值选择食物源位置,以对种群进行位置更新,同时引入模拟退火来使种群以一定的概率接受适应度值较差的解来提升跳出局部最优的能力,以此保证无线传感器网络覆盖的效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术者来讲,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。在附图中:
图1是本申请涉及的一种实施环境的示意图;
图2是本申请的一示例性实施例示出的无线传感器网络覆盖设计方法流程图;
图3是本申请的另一示例性实施例示出的无线传感器网络覆盖设计方法流程图;
图4是图2中所示实施例的步骤S230在一示例性实施例中的流程图;
图5是本申请的一示例性实施例示出的函数的收敛对比曲线;
图6是本申请的另一示例性实施例示出的函数的收敛对比曲线;
图7是本申请的另一示例性实施例示出的函数的收敛对比曲线;
图8是本申请的一示例性实施例示出的覆盖率提升对比曲线图;
图9是本申请的一示例性实施例示出的无线传感器网络覆盖设计方法的线传感器网络覆盖效果图;
图10是本申请的一示例性实施例示出的SSA算法的线传感器网络覆盖效果图;
图11是本申请的一示例性实施例示出的无线传感器网络覆盖设计装置的结构示意图;
图12示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
还需要说明的是:在本申请中提及的“多个”是指两个或者两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
以下将对本申请实施例提出的无线传感器网络覆盖设计方法、装置、电子设备、存储介质进行详细说明。
首先请参阅图1,图1是本申请涉及的一种实施环境的示意图。该实施环境包括终端100和服务器端200,终端100和服务器端200之间通过有线或者无线网络进行通信。
终端100用于多个种群,该多个种群为樽海鞘种群,每个中群中包括有多个网络节点,且各种群中网络节点的个数相同。终端100还将多个种群发送至服务器端200,服务器端200中基于多个种群进行无线传感器网络覆盖设计,得到各种群的目标位置和目标适应度值,最后可通过终端100自带的显示模块可视化展示各种群的目标位置和目标适应度值。
示例性的,终端100在收到多个种群的数据后,会将多个种群发送至服务器端200;服务器端200中基于多个种群中各种群的适应度值选择食物源位置;基于食物源位置,在多个种群中更新种群集合中各种群的位置;其中种群集合为多个种群中至少一个种群所构成的集合;基于更新位置后的多个种群中各种群的适应度值,更新食物源位置;根据模拟退火更新食物源位置以及各种群的适应度值,以基于更新后的食物源位置更新种群集合中各种群的位置,得到多个种群中各种群的目标位置和目标适应度值。
其中,终端100可以是智能手机、平板、笔记本电脑、计算机等任意能够实现数据可视化的电子设备,本处不进行限制。服务器端200可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,其中多个服务器可组成一区块链,而服务器为区块链上的节点,服务器端200还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器,本处也不对此进行限制。
当然,本实施例中提出的无线传感器网络覆盖设计方法也可单独在终端100中完成。
图2是根据一示例性实施例示出一种无线传感器网络覆盖设计方法的流程图。该无线传感器网络覆盖设计方法可应用于图1所示的实施环境,并由该实施环境中的服务器端200具体执行,应该理解的是,该方法也可以是用于其他的示例性实施环境,并由其它实施环境中的设备具体执行,本实施例不对该方法所适用的实施环境进行限制。
如图2所示,在一示例性实施例中,该方法可以包括步骤S210至步骤S270,详细介绍如下:
步骤S210:基于多个种群中各种群的适应度值选择食物源位置。
本实施例中的无线传感器网络覆盖设计方法是基于樽海鞘群算法所得到的,首先,会设置算法参数并初始化种群,先确定种群个数,如N个种群,此时的N个种群为初始的多个种群,每个种群中包括多个网络节点,且网络节点的数量相同。
然后确定最大迭代次数Lmax,可调参数λ,惯性权值ωmax和ωmin,该最大迭代次数为多个种群迭代的次数,可调参数λ、惯性权值ωmax和ωmin用于后续进行“阶梯式”更新种群位置。
本实施例中,所得到的初始的多个种群还进行混沌映射序列初始化,得到用于后续处理的多个种群。
具体地,混沌映射具有随机性、遍历性和有序性等特点,将混沌映射引入到人工蜂群算法、灰狼算法等启发式优化算法,利用其求解经典函数的最优解,可以增加种群的多样性,加快算法前期的收敛速度。因此,此处选用Tent混沌产生的序列初始化种群来改进SSA算法,该混沌映射序列初始化如下:
其中,xt+1是第t+1个种群,xt是第t个种群。
将该混沌映射序列初始化公式经过伯努利移位变换后的表达式为:
xt+1=(2t)mod1
本实施例中,对初始的多个种群进行混沌映射序列初始化,得到多个种群,该多个种群可视为一个N×d的矩阵,N为多个种群的种群数量,d为每个种群中网络节点的数量。
本实施例中,得到多个种群后,计算每个樽海鞘个体(各种群)的适应度值,选取适应度值最大的种群的位置作为食物源位置,对应无线传感器网络覆盖最佳的节点位置。
该种群的适应度值为种群的覆盖率,通过种群中各网络节点的位置计算得到:根据种群中各网络节点的位置计算各网络节点相对于预设点的检测概率;基于各网络节点相对于预设点的检测概率,获取对应种群相对于预设点的联合检测概率;基于联合检测概率,获取对应种群的覆盖率,该覆盖率即为种群的适应度值。
步骤S230:基于食物源位置,在多个种群中更新种群集合中各种群的位置。
樽海鞘链中的个体的位置矢量F定义在N维搜索空间中,是由N个维度为d的个体组成,迭代过程中,一种被称为F的食物源是樽海鞘链移动的目标位置,领导者通过更新自己的位置逐渐向食物源靠近,追随者也同步更新位置。
本实施例中,在更新种群位置时,不针对所有种群进行更新,而是先在多个种群中选取种群集合,种群集合为多个种群中至少一个种群所构成的集合,如是一半的樽海鞘个体等;然后对该种群集合中的樽海鞘个体进行位置更新。
本实施例中,对种群集合中的领导者和追随者位置更新时,通过可调参数λ的变化,选定不同的惯性权值,如根据λ的不同,选择ωmax或ωmin,以此更新追随者位置。
步骤S250:基于更新位置后的多个种群中各种群的适应度值,更新食物源位置。
当对种群集合中的樽海鞘个体的位置进行更新后,即得到更新位置后的多个种群,此时,则可再计算更新位置后的多个种群中各种群的适应度值,如果此时发现存在某个樽海鞘个体的适应度值比原来的食物源位置所对应的适应度值高,则更新食物源位置,否则,则原来的食物源位置不改变。
步骤S270:根据模拟退火更新食物源位置以及各种群的适应度值,以基于更新后的食物源位置更新种群集合中各种群的位置,得到多个种群中各种群的目标位置和目标适应度值。
本实施例中,引入模拟退火算法以一定的概率接受适应度值较差的解来提升跳出局部最优的能力。
具体地,在原食物源位置周围随机产生一个新的种群,即目标种群,该目标种群与多个种群的大小相同,也为N×d的矩阵,计算目标种群的适应度值,若目标种群中存在樽海鞘个体的适应度值优于原食物源适应度值,则更新食物源位置,即将目标种群中适应度值最大的樽海鞘个体的位置作为新的食物源位置;若目标种群的适应度值不大于当前食物源位置所对应的适应度值,则预设概率P接受目标种群中樽海鞘个体的位置,进行退温操作t=t×0.99,记录下整个迭代过程中适应度值最小大的食物源位置及其适应度值。
该预设概率P的计算方式为:
其中,fnew(Xj)是模拟退火阶段产生的目标种群中第j个樽海鞘个体的适应度值,T表示第j次迭代温度,fnew(Xj)的值越大,表示适应度值越好,当fnew(Xj)<f(Xj)时,完全接受fnew(Xj)(替换概率P为1),否则以概率P接受劣质解Xj,引入模拟退火算法后的SSA算法,在食物源位置周围范围内初始化新的种群,以一定概率下接受劣质解来更新食物源位置,并更新多个种群中领导者和追随者的位置,增加了领导者和追随者个体的多样性。
本实施例中的步骤S230至步骤S270为一次迭代过程,在当前迭代次数小于最大迭代次数Lmax之前,重复步骤S230至步骤S270,的迭代过程,直到达到设定的精度要求或最大迭代次数,输出多个种群中各种群的目标位置和目标适应度值,并可从各种群的目标位置和目标适应度值中选择最优的位置和最优适应度值做无线传感器网络覆盖设计。
本实施例中的无线传感器网络覆盖设计发方法,采用Tent混沌映射初始化种群,增强种群的均匀性和遍历性,提高前期的收敛速度;在追随者更新公式中引入使用惯性权值“阶梯式”调整策略,更好的兼顾全局探索能力和局部开发能力;在算法的后期,引入模拟退火中的Boltzmann选择机制,以一定的概率接受适应度值较差的解来提升跳出局部最优的能力,收敛速度加快的同时也提高了收敛精度,以此提高无线传感器网络覆盖的效果和节点利用率。
同时,该无线传感器网络覆盖设计方案减少无线设计人员的人工工作量,不在需要手动去规划,实现了传感器节点的自适应智能部署,提升设计人员的工作效率,也降低了成本投入;而除传感器节点的自适应智能部署以外,还可以应用于光缆线路的规划、室内无线室分天线的布点等涉及规划寻优的场景。
图3是根据另一示例性实施例示出一种无线传感器网络覆盖设计方法的流程图。该方法实施于图2中的步骤S210之前,如图3所示,在一示例性实施例中,该方法可以包括步骤S310至步骤S330,详细介绍如下:
步骤S310:根据各种群中多个网络节点的位置计算各种群的覆盖率。
本实施例中提出一种适应度值的获取方法,具体通过概率预测在二维空间中研究无线传感器网络覆盖率的问题。
该各种群的覆盖率通过以下方式计算得到:根据多个网络节点的位置计算各网络节点相对于预设点的检测概率;基于各网络节点相对于预设点的检测概率,获取对应种群相对于预设点的联合检测概率;基于联合检测概率,获取对应种群的覆盖率。
在一具体实施例中,设某个种群内有n个网络节点,Ai表示第i个网络节点,其中,i∈[1,2,…,n],且每个网络节点具有相同的属性和参数,网络节点的通信半径为r1,感应半径为r2,满足r1=2r2。
假设节点Ai所处的位置为(xi,yi),测量范围内任意点(预设点)坐标为p(x,y),所以Ai相对p的检测概率可表示如下:
其中,Cp(Ai,p)是Ai相对于预设点的检测概率,re是网络节点测量的可靠性参数,且0<re<r2,d(Ai,p)是Ai到p的欧氏距离;α1、α2、β1、β2为传感器节点属性相关参数,且满足α1=re-r2+d(Ai,p),α2=re+r2-d(Ai,p)β1,λ1与λ2是输入参数。
通过各网络节点到预设点的检测概率,可算出该种群内个网络节点对p的联合检测概率,可表示为:
其中,Aall表示种群内的所有网络节点,。在这里设定的检测阈值为0.8,也就是说,当联合检测概率小于0.8时,就可以认为点p不被检测;反之,就认为点p可以被检测。
一般假设覆盖区域为规则矩形,将矩形等比例分割成M×N个等面积的小矩形,每个小矩形看作一个p点,同时计算出被检测点的数量,两者的乘积即为覆盖面积,联合检测概率与矩形面积的比值即为该种群的覆盖率:
其中,(xp,yp)为点p的坐标,m和n为M×N个等面积的小矩形的长宽,Cr为种群的覆盖率。
步骤S330:将各种群的覆盖率作为各种群的适应度值。
本实施例中,将种群的覆盖率作为种群的适应度值,覆盖率越大,适应度值越好,越可以被当作樽海鞘算法中的食物源位置。
本实施例中基于对无线传感器网络覆盖设计,将种群的覆盖率作为适应度值,以此将种群的位置向覆盖率更大的方向更新,来提高无线传感器网络覆盖的效果。
图4是针对图2中所示实施例的步骤S230在一示例性实施例中的流程图。如图4所示,在一示例性实施例中,步骤S230基于食物源位置,在多个种群中更新种群集合中各种群的位置的过程可以包括步骤S410至步骤S450,详细介绍如下:
步骤S410:在种群集合中确定领导者和追随者。
在樽海鞘种群分为两组:领导者和追随者,领导者是锁链中最前面的个体,其余为追随者
本实施例中,可基于种群集合中各种群的适应度值来确定领导者,如将适应度值最高的种群作为领导者,则其他种群即为追随者。
步骤S430:基于食物源位置,更新领导者的位置。
领导者通过更新自己的位置逐渐向食物源位置靠近,其更新公式为:
其中,为樽海鞘链中第一只个体(领导者)在j维空间的位置,Fj为j维空间中食物源位置,ubj为j维空间中搜索的上限,lbj为j维空间中搜索的上限,c2与c3是区间内的随机数,它们指示第j维中的下一个位置是否应该朝向正无穷大或负无穷大以及步长,c1为SSA算法重要的自适应调整参数,其定义公式如下:
式中,l是当前迭代次数,Lmax是定义的最大迭代次数,随着迭代次数的变化,c1可以动态的权衡SSA算法的全局探索能力和局部开发能力。
步骤S450:基于领导者的位置,更新种群集合中追随者的位置。
在樽海鞘算法中,一般通过以下方式来更新追随者的位置:
不同地,本实施例中针对SSA算法容易陷入局部最优的缺陷,提出的“阶梯式”惯性权值调整策略,惯性权值在算法前期取固定最大值用于提高算法的全局探索能力,在算法后期取固定最小值用来提高算法的局部开发能力,即根据预设的可调参数,确定不同的惯性权值;基于领导者的位置以及惯性权值,更新种群集合中追随者的位置以此更新追随者的位置:
其中,ωmax为最大惯性权值,ωmin为到最小惯性权值,t为当前迭代次数,Lmax为最大迭代次数。λ∈(0,1)表示迭代前期时间占整个周期的比例:取λ>0.5时,与可调参数的区别算法前期分配了更多的时间比例进行全局搜索,进而扩大寻优范围;取λ<0.5时,算法后期占用更多的时间进行局部开发,进而寻求更高的收敛精度,这样,通过调整λ,可有效地兼顾算法的全局探索能力和局部开发能力,通过多次尝试(0,1)范围内不同的λ的取值,观察对比寻优效果,最终确定λ的取值。
本实施例中,提出通过可调参数λ来调整惯性权值,以此对追随者的位置进行更新,减少在进行无线传感器网络覆盖设计容易陷入局部最优的缺陷的问题,提高覆盖效率。
基于图1至图4中提出的无线传感器网络覆盖设计方法,本实施例中对该方法的有效性进行验证,选择单峰、多峰合计14个Benchmark基准函数进行算法寻优测试。在一具体实施例中,测试环境与参数设置为种群规模设置为100,最大迭代次数设置为1000,重复运算50次,取最优收敛值、平均值和标准差。
由于本实施例中的无线传感器网络覆盖设计方法中的可调参数λ决定了不同惯性权值在整个迭代周期中所占有的时间比例,以调整算法的全局探索能力和局部开发能力,本实施例测试了不同的λ(0.1,0.2,0.4,0.5,0.6,0.7,0.9等7种取值)情况下,测试函数寻优结果,其最优收敛值、平均值和标准差,得到如下表1中的结果,其中f1至f14为14个Benchmark基准函数。
表1
根据表1可知,本实施例中的无线传感器网络覆盖设计方法,在λ取值为0.4时,对于大多数测试函数而言,相比其他取值,具有显著的优势,同时,考虑到原樽海鞘群算法的后期收敛精度不高,为提高这一性能,在后续进行无线传感器网络覆盖设计是,可将λ设为0.4。
本实施例中,还将本实施例中提出的无线传感器网络覆盖设计方法(简称STSA-SSA)与其他算法在无线传感器网络覆盖设计上进行函数测试比较,如传统SSA算法、蚁狮优化算法(ALO)、粒子群优化算法(PSO)、飞蛾扑火优化算法(MFO)、蜻蜓优化算法(DA)和多神经优化算法(MVO),得到如表2所示的仿真结果,对表2中的仿真结果进行无重复双因素分析和Friedman秩和验证,其显著性水平值设定为5%,结果见表3的无重复双因素分析和表4的Friedman秩和验证。
表2
F(检验统计量) | P-value(观测到的显著性水平) | Fcrit(检验临界值) |
1.1082 | 0.3650 | 1.8478 |
表3
算法 | 秩均值 |
本方案(STSA-SSA) | 1.14 |
SSA | 3.71 |
MVO | 4.57 |
ALO | 5.07 |
DA | 6.36 |
PSO | 3.43 |
MFO | 3.71 |
表4
从表2-表4可以得到,无论是单峰函数或者多峰函数的求解,本实施例中的无线传感器网络覆盖设计方法在收敛精度、寻优能力和稳定性方面相比较与其它算法具有明显的优势,进一步验证了其能全局探索能力和跳出局部最优解的能力的提升,具有更好的寻优效果和鲁棒性,对仿真结果进行无重复双因素分析可知,7种算法在显著性水平值下无明显差异,Friedman秩和验证中本实施例中的无线传感器网络覆盖设计方法的秩均值最小,进一步验证其算法性能优于其他智能算法。
7种算法在单峰和多峰函数计算中收敛精度存在明显的差异,为更加直观的呈现不同的算法在函数求解过程中的收敛情况,图5-图7给出9个基准测试函数的收敛图,其中,图5中的(a)、(b)、(c)分别为函数f1至f3的收敛对比曲线,图6中的(a)、(b)、(c)分别为函数f4至f8的收敛对比曲线,图7中的(a)、(b)、(c)分别为函数f9至f12的收敛对比曲线;图5-图7中的图例中横坐标为1000迭代次数,纵坐标为收敛适应度值,对于绝大部分的单峰和多峰函数,本无线传感器网络覆盖设计方法在迭代前期能够快速收敛,中后期惯性权值“阶梯式”调整策略和模拟退火算法的结合增强跳出局部最优的能力并持续全局探索,达到或接近最高的收敛精度。
另一方面,本实施例中还对比了本方案中无线传感器网络覆盖设计方法(STSA-SSA)的网络覆盖效果和原樽海鞘群算法(SSA)进行无线传感器网络覆盖设计的网络覆盖效果,使用Matlab软件对其进行仿真实验,测试环境与参数设置:测试环境采用微软64位操作系统,所有的算法性能检验均采用MATLAB编程来实现;在边长60m的正方形区域内,随机部署70个节点,感应半径r2=5m,,传感器节点属性相关参数α1=1,α2=0,β1=1,β2=1.5,得到如下表5所示的覆盖率、如图8所示的覆盖率提升对比曲线图、图9所示的本方案的无线传感器网络覆盖效果图以及如10所示的SSA方案下传感器网络覆盖效果图:
算法 | SSA | 本方案(STSA-SSA) |
覆盖率 | 80.9% | 81.3% |
表5
根据图8-图10以及表5可知,本方案中提出的无线传感器网络覆盖设计方法(STSA-SSA)在无线传感器网络覆盖率得到了明显的改善,提升了0.4%,能够以较少的部署成本达到较好的覆盖效果。
图11是根据一示例性实施例示出的一种无线传感器网络覆盖设计装置的结构示意图。如图11所示,在一示例性实施例中,该装置包括:食物源位置获取模块1110,配置为基于多个种群中各种群的适应度值选择食物源位置;其中,各种群中包括多个网络节点;位置更新模块1130,配置为基于食物源位置,在多个种群中更新种群集合中各种群的位置;其中种群集合为多个种群中至少一个种群所构成的集合;食物源位置更新模块1150,配置为基于更新位置后的多个种群中各种群的适应度值,更新食物源位置;模拟退火模块1170,配置为根据模拟退火更新食物源位置以及各种群的适应度值,以基于更新后的食物源位置更新种群集合中各种群的位置,得到多个种群中各种群的目标位置和目标适应度值。
本实施例所提出的无线传感器网络覆盖设计装置可用于提高无线传感器网络覆盖效率。
在一实施例中,无线传感器网络覆盖设计装置还包括:覆盖率获取模块,配置为根据各种群中多个网络节点的位置计算各种群的覆盖率;适应度值获取模块,配置为将各种群的覆盖率作为各种群的适应度值。
在一实施例中,覆盖率获取模块包括:检测概率获取单元,配置为根据多个网络节点的位置计算各网络节点相对于预设点的检测概率;联合检测概率获取单元,配置为基于各网络节点相对于预设点的检测概率,获取对应种群相对于预设点的联合检测概率;覆盖率获取单元,配置为基于联合检测概率,获取对应种群的覆盖率。
在一实施例中,无线传感器网络覆盖设计装置还包括:初始种群获取模块,配置为获取初始的多个种群;初始化模块,配置为对初始的多个种群进行混沌映射序列初始化,得到多个种群。
在一实施例中,位置更新模块包括:成员确定单元,配置为在种群集合中确定领导者和追随者;领导者更新单元,配置为基于食物源位置,更新领导者的位置;追随者更新单元,配置为基于领导者的位置,更新种群集合中追随者的位置。
在一实施例中,追随者更新单元包括:惯性权值确定板块,配置为根据预设的可调参数,确定不同的惯性权值;追随者更新板块,配置为基于领导者的位置以及惯性权值,更新种群集合中追随者的位置。
在一实施例中,模拟退火模块包括:目标种群生成单元,配置为在原食物源位置周围随机产生目标种群;食物源位置更新单元,配置为若目标种群的适应度值大于当前食物源位置所对应的适应度值,则基于目标种群的适应度值更新食物源位置;退温单元,配置为若目标种群的适应度值不大于当前食物源位置所对应的适应度值,则将多个种群中的各种群以预设概率接受目标种群所在的位置,以进行退温操作。
需要说明的是,上述实施例所提供的无线传感器网络覆盖设计装置与上述实施例所提供的无线传感器网络覆盖设计方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。
本申请的实施例还提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得电子设备实现上述各个实施例中提供的无线传感器网络覆盖设计方法。
图12示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图12示出的电子设备的计算机系统1200仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图12所示,计算机系统1200包括中央处理单元(Central Processing Unit,CPU)1201,其可以根据存储在只读存储器(Read-Only Memory,ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(Random Access Memory,RAM)1203中的程序而执行各种适当的动作和处理,例如执行上述实施例中的方法。在RAM 1203中,还存储有系统操作所需的各种程序和数据。CPU 1201、ROM 1202以及RAM1203通过总线1204彼此相连。输入/输出(Input/Output,I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205:包括键盘、鼠标等的输入部分1206;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1207;包括硬盘等的存储部分1208;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口1205。可拆卸介质1211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1210上,以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分1209从网络上被下载和安装,和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(CPU)1201执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种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前的无线传感器网络覆盖设计方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的无线传感器网络覆盖设计方法。
上述内容,仅为本申请的较佳示例性实施例,并非用于限制本申请的实施方案,本领域普通技术人员根据本申请的主要构思和精神,可以十分方便地进行相应的变通或修改,故本申请的保护范围应以权利要求书所要求的保护范围为准。
Claims (10)
1.一种无线传感器网络覆盖设计方法,其特征在于,包括:
基于多个种群中各种群的适应度值选择食物源位置;其中,各种群中包括多个网络节点;
基于所述食物源位置,在所述多个种群中更新种群集合中各种群的位置;其中,所述种群集合为所述多个种群中至少一个种群所构成的集合;
基于更新位置后的多个种群中各种群的适应度值,更新食物源位置;
根据模拟退火更新食物源位置以及各种群的适应度值,以基于更新后的食物源位置更新所述种群集合中各种群的位置,得到所述多个种群中各种群的目标位置和目标适应度值。
2.根据权利要求1所述的方法,其特征在于,在所述基于多个种群中各种群的适应度值选择食物源位置之前,所述方法还包括:
根据各种群中多个网络节点的位置计算各种群的覆盖率;
将所述各种群的覆盖率作为各种群的适应度值。
3.根据权利要求2所述的方法,其特征在于,所述根据各种群中多个网络节点的位置计算各种群的覆盖率,包括:
根据所述多个网络节点的位置计算各网络节点相对于预设点的检测概率;
基于所述各网络节点相对于预设点的检测概率,获取对应种群相对于所述预设点的联合检测概率;
基于所述联合检测概率,获取对应种群的覆盖率。
4.根据权利要求1所述的方法,其特征在于,在所述基于多个种群中各种群的适应度值选择食物源位置之前,所述方法还包括:
获取初始的多个种群;
对所述初始的多个种群进行混沌映射序列初始化,得到所述多个种群。
5.根据权利要求1所述的方法,其特征在于,所述基于所述食物源位置,在所述多个种群中更新种群集合中各种群的位置,包括:
在所述种群集合中确定领导者和追随者;
基于所述食物源位置,更新所述领导者的位置;
基于所述领导者的位置,更新所述种群集合中追随者的位置。
6.根据权利要求5所述的方法,其特征在于,所述基于所述领导者的位置,更新所述种群集合中追随者的位置,包括:
根据预设的可调参数,确定不同的惯性权值;
基于所述领导者的位置以及所述惯性权值,更新所述种群集合中追随者的位置。
7.根据权利要求1所述的方法,其特征在于,所述根据模拟退火更新食物源位置以及各种群的适应度值,以基于更新后的食物源位置更新所述种群集合中各种群的位置,得到所述多个种群中各种群的目标位置和目标适应度值,包括:
在原食物源位置周围随机产生目标种群;
若所述目标种群的适应度值大于当前食物源位置所对应的适应度值,则基于所述目标种群的适应度值更新食物源位置;
若所述目标种群的适应度值不大于当前食物源位置所对应的适应度值,则将所述多个种群中的各种群以预设概率接受所述目标种群所在的位置,以进行退温操作。
8.一种无线传感器网络覆盖设计装置,其特征在于,包括:
食物源位置获取模块,配置为基于多个种群中各种群的适应度值选择食物源位置;其中,各种群中包括多个网络节点;
位置更新模块,配置为基于所述食物源位置,在所述多个种群中更新种群集合中各种群的位置;其中所述种群集合为所述多个种群中至少一个种群所构成的集合;
食物源位置更新模块,配置为基于更新位置后的多个种群中各种群的适应度值,更新食物源位置;
模拟退火模块,配置为根据模拟退火更新食物源位置以及各种群的适应度值,以基于更新后的食物源位置更新所述种群集合中各种群的位置,得到所述多个种群中各种群的目标位置和目标适应度值。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个计算机程序,当所述一个或多个计算机程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1-7中的任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行权利要求1-7中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211681115.2A CN116017476A (zh) | 2022-12-26 | 2022-12-26 | 无线传感器网络覆盖设计方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211681115.2A CN116017476A (zh) | 2022-12-26 | 2022-12-26 | 无线传感器网络覆盖设计方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116017476A true CN116017476A (zh) | 2023-04-25 |
Family
ID=86028170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211681115.2A Pending CN116017476A (zh) | 2022-12-26 | 2022-12-26 | 无线传感器网络覆盖设计方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116017476A (zh) |
-
2022
- 2022-12-26 CN CN202211681115.2A patent/CN116017476A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
US20210365782A1 (en) | Method and apparatus for generating neural network model, and computer-readable storage medium | |
CN110070117B (zh) | 一种数据处理方法及装置 | |
Abd Elaziz et al. | A Grunwald–Letnikov based Manta ray foraging optimizer for global optimization and image segmentation | |
CN110503192A (zh) | 资源有效的神经架构 | |
CN110688219B (zh) | 基于反向混沌布谷鸟搜索的自适应权重负载均衡算法 | |
Ye et al. | An adaptive image enhancement technique by combining cuckoo search and particle swarm optimization algorithm | |
CN110619082B (zh) | 一种基于重复搜索机制的项目推荐方法 | |
Leboucher et al. | Convergence proof of an enhanced particle swarm optimisation method integrated with evolutionary game theory | |
CN109960755B (zh) | 一种基于动态迭代快速梯度的用户隐私保护方法 | |
WO2023071592A1 (zh) | 面向超大搜索空间的网络结构搜索方法、系统及介质 | |
Fan et al. | Neighborhood centroid opposite-based learning Harris Hawks optimization for training neural networks | |
Kundu et al. | A hybrid salp swarm algorithm based on TLBO for reliability redundancy allocation problems | |
CN112819152B (zh) | 一种神经网络训练方法及装置 | |
CN110503181B (zh) | 用于生成多层神经网络的方法和装置 | |
CN113971090A (zh) | 分布式深度神经网络的分层联邦学习方法及装置 | |
CN116017476A (zh) | 无线传感器网络覆盖设计方法、装置 | |
Zhang et al. | AFOA: an adaptive fruit fly optimization algorithm with global optimizing ability | |
EP4202676A1 (en) | Method and apparatus for multi-task scheduling, device and storage medium | |
CN115019083A (zh) | 基于少样本学习的词嵌入图神经网络的细粒度图分类方法 | |
CN116050557A (zh) | 电力负荷预测方法、装置、计算机设备和介质 | |
CN113837252A (zh) | 聚类处理方法和装置 | |
CN113128677A (zh) | 模型生成方法和装置 | |
Gharehchopogh et al. | A new hybrid whale optimization algorithm and golden jackal optimization for data clustering | |
US20230054360A1 (en) | Machine learning consolidation |
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 |