CN116916475A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116916475A CN116916475A CN202311003675.7A CN202311003675A CN116916475A CN 116916475 A CN116916475 A CN 116916475A CN 202311003675 A CN202311003675 A CN 202311003675A CN 116916475 A CN116916475 A CN 116916475A
- Authority
- CN
- China
- Prior art keywords
- wireless sensor
- sensor network
- algorithm
- network node
- improved
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 241000282346 Meles meles Species 0.000 title claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 235000012907 honey Nutrition 0.000 claims abstract description 7
- 238000005065 mining Methods 0.000 claims abstract description 7
- 238000012876 topography Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 16
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 12
- 230000000739 chaotic effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 6
- 239000010931 gold Substances 0.000 claims description 6
- 229910052737 gold Inorganic materials 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 239000002245 particle Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000282345 Meles Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Nonlinear Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明实施公开了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,在算法初始化阶段,使用改进的Tent映射初始化种群,在保证种群随机性的同时进一步提升种群平衡;计算传感器覆盖率的时候,综合考虑了温度、湿度、地形等因素对传感器节点覆盖衰减的影响;在算法挖掘阶段,引入两种模式的改进莱维飞行策略,增强算法的随机搜索能力的同时,减少算法搜索时间,提升算法的收敛能力;在算法采蜜阶段,使用基于差分思想的柯西变异对最优解进行优化,提高算法跳出局部最优的能力,避免算法个体早熟。
Description
技术领域:
本发明属于无线传感器网络技术领域,特别涉及一种基于多策略改进蜜獾算法的无线传感器网络部署方法。
背景技术:
无线传感器网络是一种低成本、自适应性高的无线网络,它广泛应用于各个领域,如农业生产、环境监测、医疗健康等。无线传感器网络的传感器节点不仅具备信息采集能力,同时也具备数据处理和无线通信的能力,这些传感器节点被密集部署在指定的目标区域内,通过无线通信和自组织方式来感知、采集和处理目标区域内各种数据信息,并将所感知和采集到的数据传送给监控中心或用户终端,协作完成指定的任务。
在建立无线传感器网络时,一般将传感器随机部署在需要监测的目标区域内,这种部署方式可以较快速地完成传感器部署,但是不能保证目标区域的完全覆盖,从而产生盲区。同时也可能导致重叠覆盖区域过多,造成资源浪费;传感器节点过于密集也会造成较大的通信开销,导致传感器的能量消耗过大,减少传感器使用寿命。因此,需要有一种合理的无线传感器网络节点部署方法,来优化节点部署,提高无线传感器网络的节点覆盖率以及使用寿命。
专利号CN107277830A公开了发明一种基于粒子群优化和变异算子的无线传感器网络节点部署方法,其方案中首先将所有传感器节点随机散布在目标区域当中,将各传感器的初始坐标作为粒子群算法中的粒子初始位置,无线传感器网络的覆盖率作为目标适应值函数;采用粒子群算法寻找全局最优解,从而得到粒子自身的最优值,通过改进惯性权重计算方法,提高算法的局部搜索能力,同时,给粒子一个变异概率,避免算法陷入局部最优解。但是,该方法的收敛速度不够快,全局搜索能力不强。
专利号CN105228159B公开了发明基于网格化以及改进粒子群算法的无线传感器网覆盖增强算法,在基于传统PSO算法以及无线传感网络网格化的基础上,提出了一种改进型PSO算法,引入非线性惯性因子,提高了算法的收敛能力。但是,该算法没有考虑陷入局部最优解的情况。
因此,设计一种收敛速度快、搜索能力强、最优解精度高的无线传感器网络节点的部署方案,是需要解决的问题。
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多策略改进蜜獾算法的无线传感器网络部署方法,利用多策略改进蜜獾算法的寻优过程寻找无线传感器网络节点的最优部署方案,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多策略改进蜜獾算法的无线传感器网络部署方法,其步骤为:
S01、使用改进Tent混沌映射初始化监测区域内的无线传感器网络节点的部署位置,随机生成多种无线传感器网络节点的部署方案,这些部署方案的集合作为种群;
S02、采用概率感知模型计算种群的覆盖率,将种群的覆盖率作为种群的适应度值;
S03、对种群进行迭代,设置一个随机概率g1,g1∈rand(),rand()生成0到1之间的随机数,如果g1大于0.5,则进入挖掘阶段,否则进入采蜜阶段;
S04、在算法的挖掘阶段,根据迭代次数变化对结合果蝇飞行优化算法以及结合黄金正弦搜索机制的两种改进莱维飞行策略进行概率选择,更新无线传感器网络节点的部署位置,并根据更新后的无线传感器网络节点的部署位置计算无线传感器网络节点的适应度值;
S05、在算法的采蜜阶段,采用基于差分思想的柯西变异策略对无线传感器网络节点的部署位置进行变异,计算无线传感器网络节点的适应度值,与变异前的无线传感器节点进行适应度值大小比较,选择适应度值大的作为当前区域内最优无线传感器网络节点部署位置;
S06、判断迭代次数是否达到最大迭代次数,到达最大迭代次数则退出迭代,输出最优结果,否则重复执行步骤S03-S05。
优选地,技术方案中,步骤S01中,步骤S01中,改进Tent混沌映射的映射函数为:
z0∈rand(),
其中,zi为第i次的映射函数值,Nt为无线传感器网络节点个数,rand()生成0到1之间的随机数;
改进Tent混沌映射初始化无线传感器网络节点的部署位置:
其中,ub和lb是搜索空间的上、下界,t表示迭代次数,i表示第i个种群,表示第t次迭代中、第i个节点种群的部署位置。
优选地,技术方案中,步骤S02中,综合考虑监测区域内温度、湿度、地形以及距离的影响,采用概率感知模型作为覆盖率计算模型,无线传感器网络节点的覆盖率作为适应度值,概率感知模型为:
其中,s和p分别为无线传感器网络节点和目标点,无线传感器网络节点s的部署位置的坐标为(sx,sy),目标点p为监测区域里面的各个网格点,目标点p坐标为(px,py),RH表示湿度,T表示温度,d(s,p)表示传感器节点s与目标点p之间的欧氏距离,其中rs为传感器节点的感知半径,ru是地形因素对节点感知能力影响的度量,ru表示为:
其中,k为地形参数,kmax为地形参数的最大值。
在监测区域内目标点被无线传感器网络节点覆盖的概率Ps为:
Ps=1-Πs∈area(1-f(d(s,p))),
其中,Πs∈area()为监测区域内无线传感器网络节点未覆盖概率的累乘;
根据无线传感器网络节点对目标点的覆盖情况,求解无线传感器网络节点对监测区域的覆盖率,将覆盖率作为适应度值Rarea:
Rarea=∑Ps/Sarea
其中Sarea为监测区域的面积。
优选地,技术方案中,步骤S04中,在算法挖掘阶段,对两种模式的改进莱维飞行策略进行概率选择,选择概率fp为:
其中,t为迭代次数,Tmax为最大迭代次数。
如果fp大于0.5,采用结合果蝇飞行优化算法的莱维飞行策略,否则采用结合黄金正弦搜索机制的莱维飞行策略;其中采用结合果蝇飞行优化算法的莱维飞行策略更新无线传感器网络节点部署位置为:
其中,表示在第t次迭代中的无线传感器网络节点最优部署位置,/>为第t+1次迭代中无线传感器网络节点部署位置,α为步长控制量,α=2×exp(-t/Tmax),/>为点对点乘法,fly为果蝇飞行步长,Levy(λ)为随机搜索路径;Levy(λ)表示为:
其中,β取值为1.5,μ和v分别服从正态分布的随机数,当v的方差σv=1时,μ的方差σμ表示为:
采用结合黄金正弦搜索机制的莱维飞行策略更新无线传感器网络节点部署位置为:
其中,c1=ah+b(1-h),c2=a(1-h)+bh,a、b是取值为0到π的随机数,h是黄金分割率系数,取值为0.6183;dis为无线传感器网络最优节点与当前节点的距离,r1、r2为0到1的随机数,abs()为绝对值函数。
优选地,技术方案中,步骤S05中,采用改进的柯西变异策略更新无线传感器网络节点部署位置为:
其中,为柯西变异公式。
与现有技术相比,本发明具有如下有益效果:
使用改进Tent混沌映射初始化种群,丰富了种群多样性,在保证种群多样性的同时进一步提升种群的均匀性;在使用概率感知模型计算无线传感器网络节点覆盖率的时候,还考虑了地形、温度、湿度对传感器节点感知的影响,考虑更加全面,引入了结合果蝇优化算法以及结合黄金正弦搜索机制的改进莱维飞行策略,对这两种改进策略进行概率选择,促进了算法的全局搜索,减少了算法搜索时间,提升了算法的收敛能力;通过基于差分思想的柯西变异对最优解进行优化,提高了算法跳出局部最优的能力,避免了算法个体早熟。
附图说明:
图1为初始随机部署的无线传感器网络节点分布示意图;
图2为使用基于非线性惯性因子改进的粒子群算法优化无线传感器网络节点分布示意图;
图3为使用标准蜜獾算法优化无线传感器网络节点分布示意图;
图4为本发明基于多策略改进蜜獾算法的无线传感器网络部署方法步骤流程图;
图5为本发明基于多策略改进蜜獾算法的无线传感器网络部署方法的改进Tent混沌映射示意图;
图6为本发明基于多策略改进蜜獾算法优化无线传感器网络节点分布示意图;
图7为本发明基于多策略改进蜜獾算法与改进型粒子群算法以及标准蜜獾算法的算法训练对比图。
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4所示,本发明提供了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,其步骤为:
S01、在WSN中,设置初始种群数量为50、节点数量为35、监测区域面积50×50、节点感知半径为5、最大迭代次数500,监测区域内每个网格点作为目标点;
S02、使用改进Tent混沌映射初始化监测区域内的无线传感器网络节点的部署位置,随机生成多种无线传感器网络节点的部署方案,这些部署方案的集合作为种群;步骤S01中,改进Tent混沌映射的映射函数为:
z0∈rand(),
其中,zi为第i次的映射函数值,Nt为无线传感器网络节点个数,rand()生成0到1之间的随机数;
改进Tent混沌映射初始化无线传感器网络节点的部署位置:
其中,ub和lb是搜索空间的上下界,t表示迭代次数,i表示第i个种群,表示第t次迭代中、第i个节点种群的部署位置;
S03、综合考虑监测区域内温度、湿度、地形以及距离的影响,采用概率感知模型计算种群的覆盖率,将种群的覆盖率作为种群的适应度值;概率感知模型为:
其中,s和p分别为无线传感器网络节点和目标点,无线传感器网络节点s的部署位置的坐标为(sx,sy),目标点p为监测区域里面的各个网格点,目标点p坐标为(px,py),RH表示湿度,T表示温度,d(s,p)表示传感器节点s与目标点p之间的欧氏距离,其中rs为传感器节点的感知半径,ru是地形因素对节点感知能力影响的度量,ru表示为:
其中,k为地形参数,kmax为地形参数的最大值;
在监测区域内目标点被无线传感器网络节点覆盖的概率Ps为:
Ps=1-Пs∈area(1-f(d(s,p))),
其中,Πs∈area()为监测区域内无线传感器网络节点未覆盖概率的累乘;
根据无线传感器网络节点对目标点的覆盖情况,求解无线传感器网络节点对监测区域的覆盖率,将覆盖率作为适应度值Rarea:
Rarea=∑Ps/Sarea
其中Sarea为监测区域的面积;
S04、通过对步骤s01中的算法进行迭代实现种群的迭代,设置一个随机概率g1,g1∈rand(),rand()生成0到1之间的随机数,如果g1大于0.5,则进入挖掘阶段,否则进入采蜜阶段;
S05、在算法的挖掘阶段,根据迭代次数变化对结合果蝇飞行优化算法以及结合黄金正弦搜索机制的两种改进莱维飞行策略进行概率选择,更新无线传感器网络节点的部署位置,并根据更新后的无线传感器网络节点的部署位置计算无线传感器网络节点的适应度值;选择概率fp为:
其中,t为迭代次数,Tmax为最大迭代次数。
如果fp大于0.5,采用结合果蝇飞行优化算法的莱维飞行策略,否则采用结合黄金正弦搜索机制的莱维飞行策略;其中采用结合果蝇飞行优化算法的莱维飞行策略更新无线传感器网络节点部署位置为:
其中,表示在第t次迭代中的无线传感器网络节点最优部署位置,/>为第t+1次迭代中无线传感器网络节点部署位置,α为步长控制量,α=2×exp(-t/Tmax),/>为点对点乘法,fly为果蝇飞行步长,Levy(λ)为随机搜索路径;Levy(λ)表示为:
其中,β取值为1.5,μ和v分别服从正态分布的随机数,当v的方差σv=1时,μ的方差σμ表示为:
将计算出的的坐标(sx,sy)带入步骤S03中计算适应度值Rarea;
采用结合黄金正弦搜索机制的莱维飞行策略更新无线传感器网络节点部署位置为:
其中,c1=ah+b(1-h),c2=a(1-h)+bh,a、b是取值为0到π的随机数,h是黄金分割率系数,取值为0.6183;dis为无线传感器网络最优节点与当前节点的距离,r1、r2为0到1的随机数,abs()为绝对值函数;将计算出的的坐标(sx,sy)带入步骤S03中计算适应度值Rarea;
S06、在算法的采蜜阶段,采用基于差分思想的柯西变异策略对无线传感器网络节点的部署位置进行变异,更新后的无线传感器网络节点部署位置为:
其中,为柯西变异公式;将计算出的/>的坐标(sx,sy)带入步骤S03中计算适应度值Rarea;与变异前的无线传感器节点进行适应度值大小比较,选择适应度值大的作为当前区域内最优无线传感器网络节点部署位置;
S07、判断迭代次数是否达到最大迭代次数,到达最大迭代次数则退出迭代,输出最优结果,否则重复执行S04-S06。
如图1所示,矩形为监测区域,长宽均为50,节点个数为35,节点感知半径为5,红点表示无线传感器网络节点位置,所示圆形区域为传感器节点覆盖范围,节点分布散乱,冗余度高,初始随机部署的覆盖率为66.44%。
如图2所示,使用基于非线性惯性因子改进的粒子群算法优化后,无线传感器网络覆盖率从66.44%提升到了81.4%;如图3所示,使用标准蜜獾算法优化后,无线传感器网络覆盖率从71.48%提升到了83.52%;如图6所示,使用多策略改进蜜獾算法优化后,无线传感器网络的初始覆盖率从73.32%提升到了89.08%;如图5所示,该映射方法提高了种群初始的均匀性,从而增强算法的搜索能力。
如图7所示,相比于基于非线性惯性因子改进的粒子群算法(IPSO)、标准蜜獾算法(HBA),在初始化阶段,多策略改进蜜獾算法(IHBA)的覆盖率最高,在迭代过程中,多策略改进蜜獾算法的搜索能力更强,跳出局部最优能力也更强,收敛速度更快。
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 (5)
1.一种基于多策略改进蜜獾算法的无线传感器网络部署方法,其步骤为:
S01、使用改进Tent混沌映射初始化监测区域内的无线传感器网络节点的部署位置,随机生成多种无线传感器网络节点的部署方案,这些部署方案的集合作为种群;
S02、采用概率感知模型计算种群的覆盖率,将种群的覆盖率作为种群的适应度值;
S03、对种群进行迭代,设置一个随机概率g1,g1∈rand(),rand()生成0到1之间的随机数,如果g1大于0.5,则进入挖掘阶段,否则进入采蜜阶段;
S04、在算法的挖掘阶段,根据迭代次数变化对结合果蝇飞行优化算法以及结合黄金正弦搜索机制的两种改进莱维飞行策略进行概率选择,更新无线传感器网络节点的部署位置,并根据更新后的无线传感器网络节点的部署位置计算无线传感器网络节点的适应度值;
S05、在算法的采蜜阶段,采用基于差分思想的柯西变异策略对无线传感器网络节点的部署位置进行变异,计算无线传感器网络节点的适应度值,与变异前的无线传感器节点进行适应度值大小比较,选择适应度值大的作为当前区域内最优无线传感器网络节点部署位置;
S06、判断迭代次数是否达到最大迭代次数,到达最大迭代次数则退出迭代,输出最优结果,否则重复执行步骤S03-S05。
2.根据权利要求1所述的基于多策略改进蜜獾算法的无线传感器网络部署方法,其特征在于:步骤S01中,改进Tent混沌映射的映射函数为:
z0∈rand(),
其中,zi为第i次的映射函数值,Nt为无线传感器网络节点个数,rand()生成0到1之间的随机数;
改进Tent混沌映射初始化无线传感器网络节点的部署位置:
其中,ub和lb是搜索空间的上、下界,t表示迭代次数,i表示第i个种群,表示第t次迭代中、第i个节点种群的部署位置。
3.根据权利要求1所述的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,其特征在于:步骤S02中,综合考虑监测区域内温度、湿度、地形以及距离的影响,采用概率感知模型作为覆盖率计算模型,无线传感器网络节点的覆盖率作为适应度值,概率感知模型为:
其中,s和p分别为无线传感器网络节点和目标点,无线传感器网络节点s的部署位置的坐标为(sx,sy),目标点p为监测区域里面的各个网格点,目标点p坐标为(px,py),RH表示湿度,T表示温度,d(s,p)表示无线传感器网络节点s与目标点p之间的欧氏距离,其中rs为无线传感器网络节点的感知半径,ru是地形因素对无线传感器网络节点感知能力影响的度量,ru表示为:
其中,k为地形参数,kmax为地形参数的最大值;
在监测区域内目标点被无线传感器网络节点覆盖的概率Ps为:
Ps=1-Πs∈area(1-f(d(s,p))),
其中,Πs∈area()为监测区域内无线传感器网络节点未覆盖概率的累乘;
根据无线传感器网络节点对目标点的覆盖情况,求解无线传感器网络节点对监测区域的覆盖率,将覆盖率作为适应度值Rarea:
Rarea=∑Ps/Sarea
其中Sarea为监测区域的面积。
4.根据权利要求1所述的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,其特征在于:步骤S04中,在算法挖掘阶段,对两种模式的改进莱维飞行策略进行概率选择,选择概率fp为:
其中,t为迭代次数,Tmax为最大迭代次数。
如果fp大于0.5,采用结合果蝇飞行优化算法的莱维飞行策略,否则采用结合黄金正弦搜索机制的莱维飞行策略;其中采用结合果蝇飞行优化算法的莱维飞行策略更新无线传感器网络节点部署位置为:
其中,表示在第t次迭代中的无线传感器网络节点最优部署位置,/>为第t+1次迭代中无线传感器网络节点部署位置,α为步长控制量,α=2×exp(-t/Tmax),/>为点对点乘法,fly为果蝇飞行步长,Levy(λ)为随机搜索路径;Levy(λ)表示为:
其中,β取值为1.5,μ和v为分别服从正态分布的随机数,当v的方差σv=1时,μ的方差σμ表示为:
采用结合黄金正弦搜索机制的莱维飞行策略更新无线传感器网络节点部署位置为:
其中,c1=ah+b(1-h),c2=a(1-h)+bh,a、b是取值为0到π的随机数,h是黄金分割率系数,取值为0.6183;dis为无线传感器网络最优节点与当前节点的距离,r1、r2为0到1的随机数,abs()为绝对值函数。
5.根据权利要求1所述的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,其特征在于:步骤S05中,采用改进的柯西变异策略更新无线传感器网络节点部署位置为:
其中,为柯西变异公式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311003675.7A CN116916475B (zh) | 2023-08-10 | 2023-08-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311003675.7A CN116916475B (zh) | 2023-08-10 | 2023-08-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116916475A true CN116916475A (zh) | 2023-10-20 |
CN116916475B CN116916475B (zh) | 2024-05-07 |
Family
ID=88351059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311003675.7A Active CN116916475B (zh) | 2023-08-10 | 2023-08-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116916475B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118102325A (zh) * | 2024-04-19 | 2024-05-28 | 华东交通大学 | 三维有向传感器网络覆盖控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106162663A (zh) * | 2015-03-16 | 2016-11-23 | 江南大学 | 一种基于改进蜂群算法的传感节点覆盖方法 |
CN110087247A (zh) * | 2019-05-30 | 2019-08-02 | 吉林大学 | 一种虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法及应用 |
CN111818535A (zh) * | 2020-06-05 | 2020-10-23 | 温州大学 | 一种融合多种群优化算法的无线局域网三维优化部署方法 |
CN115243273A (zh) * | 2022-09-23 | 2022-10-25 | 昆明理工大学 | 一种无线传感器网络覆盖优化方法及装置、设备、介质 |
CN115578038A (zh) * | 2022-10-28 | 2023-01-06 | 云南电网有限责任公司 | 面向大规模批量轮换任务的电能表物流调度方法及系统 |
CN116208969A (zh) * | 2023-03-09 | 2023-06-02 | 南京信息工程大学 | 基于改进海洋捕食者算法的无线传感器网络覆盖优化方法 |
CN116261149A (zh) * | 2023-02-12 | 2023-06-13 | 长沙理工大学 | 一种无线传感器网络中传感器节点的部署方法及系统 |
-
2023
- 2023-08-10 CN CN202311003675.7A patent/CN116916475B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106162663A (zh) * | 2015-03-16 | 2016-11-23 | 江南大学 | 一种基于改进蜂群算法的传感节点覆盖方法 |
CN110087247A (zh) * | 2019-05-30 | 2019-08-02 | 吉林大学 | 一种虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法及应用 |
CN111818535A (zh) * | 2020-06-05 | 2020-10-23 | 温州大学 | 一种融合多种群优化算法的无线局域网三维优化部署方法 |
CN115243273A (zh) * | 2022-09-23 | 2022-10-25 | 昆明理工大学 | 一种无线传感器网络覆盖优化方法及装置、设备、介质 |
CN115578038A (zh) * | 2022-10-28 | 2023-01-06 | 云南电网有限责任公司 | 面向大规模批量轮换任务的电能表物流调度方法及系统 |
CN116261149A (zh) * | 2023-02-12 | 2023-06-13 | 长沙理工大学 | 一种无线传感器网络中传感器节点的部署方法及系统 |
CN116208969A (zh) * | 2023-03-09 | 2023-06-02 | 南京信息工程大学 | 基于改进海洋捕食者算法的无线传感器网络覆盖优化方法 |
Non-Patent Citations (2)
Title |
---|
王振东: "一种增强型麻雀搜索算法的无线传感器网络覆盖优化研究", 传感技术学报, vol. 34, no. 6, 15 June 2021 (2021-06-15) * |
许杰, 汤显峰: "融合莱维飞行与混合变异的蝠鲼觅食优化传感器节点覆盖策略", 传感技术学报, vol. 36, no. 4, 15 April 2023 (2023-04-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118102325A (zh) * | 2024-04-19 | 2024-05-28 | 华东交通大学 | 三维有向传感器网络覆盖控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116916475B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zivkovic et al. | Wireless sensor networks life time optimization based on the improved firefly algorithm | |
CN107277830B (zh) | 一种基于粒子群优化和变异算子的无线传感器网络节点部署方法 | |
Arya et al. | Performance analysis of deep learning-based routing protocol for an efficient data transmission in 5G WSN communication | |
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 | |
CN111065103B (zh) | 一种多目标优化的无线传感器网络节点部署方法 | |
Ghorpade et al. | Enhanced differential crossover and quantum particle swarm optimization for IoT applications | |
CN103354642B (zh) | 一种提高移动传感器网络覆盖率的方法 | |
CN103648139B (zh) | 基于文化蚁群算法的无线传感器网络节点部署设计方法 | |
Pal et al. | Robot path planning using swarm intelligence: A survey | |
Venturini et al. | Distributed reinforcement learning for flexible and efficient UAV swarm control | |
CN115243273B (zh) | 一种无线传感器网络覆盖优化方法及装置、设备、介质 | |
CN110062327A (zh) | 小生境灰狼优化DV-Hop算法的无线传感器网络节点定位方法 | |
CN102014344A (zh) | 一种基于dpso的智能无线传感网络分簇控制方法 | |
CN113573333B (zh) | 一种基于虚拟力的粒子群异构WSNs覆盖优化算法 | |
Liang et al. | Collaborative energy-efficient moving in Internet of Things: Genetic fuzzy tree versus neural networks | |
CN113242563A (zh) | 一种无线传感器网络覆盖率优化方法及系统 | |
Huang | Multi-node topology location model of smart city based on Internet of Things | |
Hajjej et al. | An efficient deployment approach for improved coverage in wireless sensor networks based on flower pollination algorithm | |
Hegde et al. | Wireless sensor networks: network life time enhancement using an improved grey wolf optimization algorithm | |
Hemavathi et al. | HFLFO: Hybrid fuzzy levy flight optimization for improving QoS in wireless sensor network | |
Angadi et al. | Computational intelligence techniques for localization and clustering in wireless sensor networks | |
CN110868730B (zh) | 一种基于非合作博弈的移动传感器覆盖增强方法 | |
CN106953801A (zh) | 基于层级结构学习自动机的随机最短路径实现方法 | |
Kumar | Optimized range-free 3D node localization in wireless sensor networks using firefly algorithm | |
Xie et al. | Multi-objective mayfly optimization algorithm based on dimensional swap variation for RFID network planning |
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 |