DE202023100084U1 - Ein System zur Optimierung der Konnektivität und Abdeckung in einem drahtlosen Zielsensornetz - Google Patents

Abstract

Ein System zur Optimierung der Konnektivitäts- und Abdeckungsprobleme in einem drahtlosen Zielsensornetzwerk, wobei das System umfasst:
eine Populationsverarbeitungseinheit zum Durchführen einer Lösungskodierung und zum Erzeugen einer Anfangspopulation, wobei Zeichenketten aus Nullen und Einsen zum Einführen von Lösungen oder Suchagenten verwendet werden und eine zufällige Gruppe dieser Suchagenten als eine Anfangspopulation betrachtet wird;
eine Fitnessfunktions-Verarbeitungseinheit zum Formulieren einer Fitnessfunktion, wobei ein erhaltener Fitnesswert das Qualitätsniveau eines Suchagenten bestimmt;
eine Aktualisierungsverarbeitungseinheit zum Aktualisieren der erzeugten Population durch Implementieren des vorgeschlagenen hybriden Tunikaschwarm-Optimierungs- und Salp-Schwarm-Optimierungs-Algorithmus (HTSS), wobei die Merkmalsverwertungsfähigkeit des Salp-Schwarm-Algorithmus (SSA) durch Implementieren des Tunikaschwarm-Algorithmus (TSA) verbessert wird; und
eine Archivverarbeitungseinheit zum Aktualisieren des Archivs, wobei nicht dominante Lösungen, die durch die Verbesserung der Merkmalsverwertungsfähigkeit von SSA mit der Anwendung von TSA bestimmt werden, zum Archiv hinzugefügt werden, um es zu aktualisieren.

Description

• BEREICH DER ERFINDUNG
• Die vorliegende Offenbarung bezieht sich auf das Gebiet der drahtlosen Sensornetzwerke. Die vorliegende Offenlegung schlägt ein System zur Optimierung der Konnektivität und Abdeckung Fragen in Ziel drahtlose Sensornetzwerk. Insbesondere bezieht sich die vorliegende Offenlegung auf ein System, das einen effektiven multikriteriellen hybriden Tunikate- und Salp-Schwarm-Optimierer für die Optimierung von Konnektivitäts- und Abdeckungsproblemen in drahtlosen Zielsensornetzwerken einsetzt.
• HINTERGRUND DER ERFINDUNG
• Drahtlose Sensornetzwerke (WSN) haben in jüngster Zeit in der wissenschaftlichen Gemeinschaft eine bedeutende Entwicklung erfahren. Es sind sowohl strukturelle als auch unstrukturierte Formen von WSN möglich. Aufgrund der großen Ansammlung von Sensorknoten in einem unstrukturierten WSN werden die Sensorknoten zufällig im Erfassungsbereich verteilt. Dies hat zur Folge, dass die Fehlererkennung und das Konnektivitätsmanagement in diesem WSN problematisch werden. Die Sensorknoten werden in einem strukturierten WSN in einer vorher festgelegten Art und Weise verteilt. Die Konnektivitäts- und Abdeckungsprobleme gelten jedoch als die schwierigste und wichtigste WSN-Herausforderung, die es zu lösen gilt. Die Abdeckungseigenschaft in WSN bezieht sich auf ein höheres Maß an Zuverlässigkeit in der gesamten überwachten Zone. Die Konnektivitätsskalen haben sich aufgrund der verbesserten Knotenkommunikation erhöht.
• Zwei wichtige Überlegungen, wie z. B. (a) die Wahl effizienter Verbindungssteuerungsstrategien und (b) die Ermittlung der idealen Gebietsabdeckung oder der Bedingungen für den Einsatz von Knoten, haben einen erheblichen Einfluss auf den Einsatz von WSN. Die gewünschten Ereignisse sollten auf der Grundlage des spezifizierten Interessengebiets (Field of Interest, FOI) identifiziert und erfasst werden, dann sollten die Knoten eingesetzt werden. Um sicherzustellen, dass die erforderliche Anzahl von Sensorknoten einen bestimmten FOI-Punkt überwachen kann, sollte der erforderliche Abdeckungsgrad der eingesetzten WSNs korrekt eingehalten werden. Darüber hinaus kann die Installation von WSN gefördert werden, indem die wichtige und schwierige Aufgabe der Aufrechterhaltung der Netzwerkkonnektivität berücksichtigt wird.
• Die Konnektivität eines WSN ist dadurch definiert, dass ein Sensorknoten über einen vertrauenswürdigen Pfad zu einer ausgewählten Daten-/Gateway-Senke gelangt. Da es keine Pfade zur Datensenke gibt, ist es schwierig, die Daten zu verarbeiten, die der Sensorknoten erfasst hat. Infolgedessen erweist sich der Einsatz von WSN-Systemen bei der Aufrechterhaltung der Netzkonnektivität als eine schwierige Aufgabe. Die Dienstgüte (QoS) in WSN wird unter Berücksichtigung der Netzabdeckung und der Konnektivität als Bewertungsmaßstäbe bewertet, um die erfolgreiche Verarbeitung/Weiterleitung von erworbenen oder entdeckten Informationen und die strenge Überwachung bestimmter FOI angemessen zu bestimmen.
• Folglich wird die Aufrechterhaltung der Netzwerkkonnektivität als eine schwierige und wichtige Aufgabe angesehen, wenn eine kleinere Anzahl von ressourcenbeschränkten Knoten ausgewählt wird, um die Abdeckung zu maximieren. In den letzten Jahrzehnten haben verschiedene Wissenschaftler neue Methoden entwickelt, um das Verbindungs- und Abdeckungsproblem (auch bekannt als Kommunikationsproblem) in zielbasierten WSNs zu lösen. Evolutionäre Ansätze haben in den letzten Jahren ihre Leistung in technischen Anwendungen verbessert.
• In Anbetracht der vorangegangenen Diskussion wird deutlich, dass ein System zur Optimierung der Konnektivität und Abdeckung in drahtlosen Sensornetzen benötigt wird.
• ZUSAMMENFASSUNG DER ERFINDUNG
• Die vorliegende Offenlegung bezieht sich auf ein System zur Optimierung der Konnektivitäts- und Abdeckungsprobleme in einem drahtlosen Zielsensornetz. In der vorliegenden Offenbarung wird ein effektiver multikriterieller hybrider Tunika- und Salp-Schwarm-Optimierer zur Optimierung der erwähnten Konnektivitäts- und Abdeckungsprobleme eingesetzt, wobei dieser vorgeschlagene Optimierungsansatz auf einem hybriden Tunika-Schwarm-Optimierer (TSO) und Salp-Schwarm-Optimierer (SSO) basiert, wobei die in den drahtlosen Sensornetzwerken enthaltenen Sensorknoten auf der Grundlage einer bestimmten Mindestanzahl ausgewählter möglicher Positionen platziert werden können. In dem vorgeschlagenen Optimierungsansatz verbessern die TSO-Operatoren die Fähigkeit des SSO, die Merkmale zu nutzen, was darauf zurückzuführen ist, dass die TSO-Operatoren als lokale Suchoperatoren fungieren. Einfacher ausgedrückt, werden diese hybriden Algorithmusoperatoren zur Ableitung der Fitnessfunktion verwendet, auf die dann der Schritt der Lösungsdarstellung folgt. Der vorgeschlagene Ansatz arbeitet mit drei einfachen Schritten, wobei zunächst eine Population generiert wird und im nächsten Schritt der hybride Algorithmus zur Optimierung von Schwärmen und Salpeterschwärmen (HTSS) die Lösung aktualisiert und im letzten Schritt die nicht-dominante Lösung bestimmt wird. In der vorliegenden Veröffentlichung werden zur Bewertung des vorgeschlagenen Ansatzes zwei verschiedene Szenarien drahtloser Sensornetzwerke für die Durchführung von Simulationen des vorgeschlagenen Ansatzes herangezogen. Die Simulationsergebnisse haben die herausragende Leistung des vorgeschlagenen Ansatzes bei der Lösung von Abdeckungs- und Konnektivitätsproblemen in drahtlosen Sensornetzen gezeigt.
• Die vorliegende Offenlegung zielt darauf ab, ein System zur Optimierung der Konnektivitäts- und Abdeckungsprobleme in einem drahtlosen Zielsensornetzwerk bereitzustellen. Das System umfasst: eine Populationsverarbeitungseinheit zum Durchführen einer Lösungskodierung und zum Erzeugen einer Anfangspopulation, wobei Zeichenketten aus Nullen und Einsen zum Einführen von Lösungen oder Suchagenten verwendet werden und eine zufällige Gruppe dieser Suchagenten als eine Anfangspopulation betrachtet wird; eine Fitnessfunktionsverarbeitungseinheit zum Formulieren einer Fitnessfunktion, wobei ein erhaltener Fitnesswert das Qualitätsniveau eines Suchagenten bestimmt; eine Aktualisierungsverarbeitungseinheit zum Aktualisieren der erzeugten Population durch Implementieren eines vorgeschlagenen hybriden Tunika-Schwarm-Optimierungs- und Salp-Schwarm-Optimierungs-Algorithmus (HTSS), wobei die Merkmalsausnutzungsfähigkeit des Salp-Schwarm-Algorithmus (SSA) durch Implementieren des Tunika-Schwarm-Algorithmus (TSA) verbessert wird; und eine Archivverarbeitungseinheit zum Aktualisieren des Archivs, wobei nicht-dominierte Lösungen, die durch die Verbesserung der Merkmalsausnutzungsfähigkeit des SSA mit der Anwendung des TSA bestimmt werden, zum Archiv hinzugefügt werden, um es zu aktualisieren.
• Ein Ziel der vorliegenden Offenbarung ist es, ein System zur Optimierung der Konnektivität und der Abdeckung in einem drahtlosen Sensornetzwerk bereitzustellen.
• Ein weiteres Ziel der vorliegenden Offenlegung ist eine HTSS-basierte Lösung zur Optimierung der Konnektivität und Abdeckung in drahtlosen Sensornetzwerken.
• Ein weiteres Ziel der vorliegenden Offenlegung ist es, die Fähigkeit von SSO zur Ausnutzung von Merkmalen mit Hilfe von TSO zu verbessern, indem dessen lokale Suchoperatoren verwendet werden.
• Ein weiteres Ziel der vorliegenden Offenlegung ist es, die Leistung des vorgeschlagenen Ansatzes zu bewerten, indem zwei verschiedene Szenarien simuliert werden, nämlich ein zufälliges und ein gitterbasiertes Modell.
• Zur weiteren Verdeutlichung der Vorteile und Merkmale der vorliegenden Offenbarung wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf bestimmte Ausführungsformen gegeben, die in den beigefügten Figuren dargestellt sind. Es wird davon ausgegangen, dass diese Figuren nur typische Ausführungsformen der Erfindung darstellen und daher nicht als Einschränkung des Umfangs der Erfindung zu betrachten sind. Die Erfindung wird mit zusätzlicher Spezifität und Detail mit den beigefügten Figuren beschrieben und erläutert werden.
• Figurenliste
• Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Offenbarung werden besser verstanden, wenn die folgende detaillierte Beschreibung unter Bezugnahme auf die beigefügten Figuren gelesen wird, in denen gleiche Zeichen gleiche Teile in den Figuren darstellen, wobei:
• 1 ein Blockdiagramm eines Systems zur Optimierung der Konnektivität und der Abdeckung in einem drahtlosen Zielsensornetz gemäß einer Ausführungsform der vorliegenden Offenbarung zeigt; und
• 2 ein Arbeitsablaufdiagramm des auf einem hybriden Algorithmus zur Optimierung von Tunikaschwärmen und Salpschwärmen (HTSS) basierenden vorgeschlagenen Ansatzes gemäß einer Ausführungsform der vorliegenden Offenbarung zeigt.
• Der Fachmann wird verstehen, dass die Elemente in den Figuren der Einfachheit halber dargestellt sind und nicht unbedingt maßstabsgetreu gezeichnet wurden. Die Flussdiagramme veranschaulichen beispielsweise das Verfahren anhand der wichtigsten Schritte, um das Verständnis der Aspekte der vorliegenden Offenbarung zu verbessern. Darüber hinaus kann es sein, dass eine oder mehrere Komponenten der Vorrichtung in den Figuren durch herkömmliche Symbole dargestellt sind, und dass die Figuren nur die spezifischen Details zeigen, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung relevant sind, um die Figuren nicht mit Details zu überfrachten, die für Fachleute, die mit der vorliegenden Beschreibung vertraut sind, leicht erkennbar sind.
• DETAILLIERTE BESCHREIBUNG
• Um das Verständnis der Erfindung zu fördern, wird nun auf die in den Figuren dargestellte Ausführungsform Bezug genommen und diese mit bestimmten Worten beschrieben. Es versteht sich jedoch von selbst, dass damit keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, wobei solche Änderungen und weitere Modifikationen des dargestellten Systems und solche weiteren Anwendungen der darin dargestellten Grundsätze der Erfindung in Betracht gezogen werden, wie sie einem Fachmann auf dem Gebiet der Erfindung normalerweise einfallen würden.
• Der Fachmann wird verstehen, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und nicht als einschränkend angesehen werden.
• Wenn in dieser Beschreibung von „einem Aspekt“, „einem anderen Aspekt“ oder ähnlichem die Rede ist, bedeutet dies, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder eine bestimmte Eigenschaft, die im Zusammenhang mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Offenbarung enthalten ist. Daher können sich die Ausdrücke „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Ausdrücke in dieser Beschreibung alle auf dieselbe Ausführungsform beziehen, müssen es aber nicht.
• Die Ausdrücke „umfasst“, „enthaltend“ oder andere Variationen davon sollen eine nicht ausschließliche Einbeziehung abdecken, so dass ein Verfahren oder eine Methode, die eine Liste von Schritten umfasst, nicht nur diese Schritte einschließt, sondern auch andere Schritte enthalten kann, die nicht ausdrücklich aufgeführt sind oder zu einem solchen Verfahren oder einer solchen Methode gehören. Ebenso schließen eine oder mehrere Vorrichtungen oder Teilsysteme oder Elemente oder Strukturen oder Komponenten, die mit „umfasst...a“ eingeleitet werden, nicht ohne weitere Einschränkungen die Existenz anderer Vorrichtungen oder anderer Teilsysteme oder anderer Elemente oder anderer Strukturen oder anderer Komponenten oder zusätzlicher Vorrichtungen oder zusätzlicher Teilsysteme oder zusätzlicher Elemente oder zusätzlicher Strukturen oder zusätzlicher Komponenten aus.
• Sofern nicht anders definiert, haben alle hierin verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Fachmann auf dem Gebiet, zu dem diese Erfindung gehört, allgemein verstanden wird. Das System, die Methoden und die Beispiele, die hier angegeben werden, dienen nur der Veranschaulichung und sind nicht als Einschränkung gedacht.
• Ausführungsformen der vorliegenden Offenbarung werden im Folgenden unter Bezugnahme auf die beigefügten Figuren im Detail beschrieben.
• Die in dieser Spezifikation beschriebenen Funktionseinheiten werden als Geräte bezeichnet. Ein Gerät kann in programmierbaren Hardware-Geräten wie Prozessoren, digitalen Signalprozessoren, zentralen Verarbeitungseinheiten, feldprogrammierbaren Gate-Arrays, programmierbaren Logik-Arrays, programmierbaren Logik-Geräten, Cloud-Verarbeitungssystemen oder Ähnlichem implementiert sein. Die Geräte können auch in Software für die Ausführung durch verschiedene Arten von Prozessoren implementiert werden. Ein identifiziertes Gerät kann einen ausführbaren Code enthalten und kann beispielsweise einen oder mehrere physische oder logische Blöcke von Computeranweisungen umfassen, die beispielsweise als Objekt, Prozedur, Funktion oder anderes Konstrukt organisiert sein können. Die ausführbare Datei eines identifizierten Geräts muss jedoch nicht physisch an einem Ort liegen, sondern kann aus verschiedenen, an unterschiedlichen Orten gespeicherten Anweisungen bestehen, die, wenn sie logisch zusammengefügt werden, das Gerät bilden und den angegebenen Zweck des Geräts erfüllen.
• Der ausführbare Code eines Geräts oder Moduls kann ein einzelner Befehl oder eine Vielzahl von Befehlen sein und kann sogar über mehrere verschiedene Codesegmente, verschiedene Anwendungen und mehrere Speichergeräte verteilt sein. In ähnlicher Weise können Betriebsdaten innerhalb des Geräts identifiziert und dargestellt werden, und sie können in jeder geeigneten Form vorliegen und in jeder geeigneten Art von Datenstruktur organisiert sein. Die Betriebsdaten können als ein einziger Datensatz gesammelt werden oder über verschiedene Orte, einschließlich verschiedener Speichergeräte, verteilt sein und können zumindest teilweise als elektronische Signale in einem System oder Netzwerk vorliegen.
• Wenn in dieser Beschreibung von „einer ausgewählten Ausführungsform“, „einer Ausführungsform“ oder „einer Ausführungsform“ die Rede ist, bedeutet dies, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder eine bestimmte Eigenschaft, die im Zusammenhang mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform des offengelegten Gegenstands enthalten ist. Daher beziehen sich die Ausdrücke „eine ausgewählte Ausführungsform“, „in einer Ausführungsform“ oder „in einer Ausführungsform“ an verschiedenen Stellen in dieser Beschreibung nicht unbedingt auf dieselbe Ausführungsform.
• Darüber hinaus können die beschriebenen Merkmale, Strukturen oder Eigenschaften in jeder geeigneten Weise in einer oder mehreren Ausführungsformen kombiniert werden. In der folgenden Beschreibung werden zahlreiche spezifische Details angegeben, um ein umfassendes Verständnis der Ausführungsformen des offengelegten Gegenstands zu ermöglichen. Der Fachmann wird jedoch erkennen, dass der offengelegte Gegenstand auch ohne eines oder mehrere der spezifischen Details oder mit anderen Methoden, Komponenten, Materialien usw. ausgeführt werden kann. In anderen Fällen werden bekannte Strukturen, Materialien oder Vorgänge nicht im Detail gezeigt oder beschrieben, um zu vermeiden, dass Aspekte des offengelegten Gegenstandes verdeckt werden.
• Gemäß den beispielhaften Ausführungsformen können die offengelegten Computerprogramme oder -module auf viele beispielhafte Arten ausgeführt werden, beispielsweise als Anwendung, die im Speicher eines Geräts resident ist, oder als gehostete Anwendung, die auf einem Server ausgeführt wird und mit der Geräteanwendung oder dem Browser über eine Reihe von Standardprotokollen wie TCP/IP, HTTP, XML, SOAP, REST, JSON und anderen ausreichenden Protokollen kommuniziert. Die offengelegten Computerprogramme können in beispielhaften Programmiersprachen geschrieben werden, die vom Speicher auf dem Gerät oder von einem gehosteten Server ausgeführt werden, wie BASIC, COBOL, C, C++, Java, Pascal oder Skriptsprachen wie JavaScript, Python, Ruby, PHP, Perl oder andere ausreichende Programmiersprachen.
• Einige der offengelegten Ausführungsformen umfassen oder beinhalten die Datenübertragung über ein Netzwerk, z. B. die Übermittlung verschiedener Eingaben oder Dateien über das Netzwerk. Das Netzwerk kann beispielsweise das Internet, Wide Area Networks (WANs), Local Area Networks (LANs), analoge oder digitale drahtgebundene und drahtlose Telefonnetzwerke (z. B. PSTN, Integrated Services Digital Network (ISDN), ein zellulares Netzwerk und Digital Subscriber Line (xDSL)), Radio, Fernsehen, Kabel, Satellit und/oder andere Übertragungs- oder Tunnelmechanismen zur Übertragung von Daten umfassen. Das Netz kann mehrere Netze oder Teilnetze umfassen, von denen jedes z. B. einen drahtgebundenen oder drahtlosen Datenpfad enthalten kann. Das Netz kann ein leitungsvermitteltes Sprachnetz, ein paketvermitteltes Datennetz oder ein beliebiges anderes Netz für die Übertragung elektronischer Kommunikation umfassen. Das Netzwerk kann beispielsweise Netzwerke umfassen, die auf dem Internet-Protokoll (IP) oder dem asynchronen Übertragungsmodus (ATM) basieren, und es kann Sprache unterstützen, indem es z. B. VoIP, Voice-over-ATM oder andere vergleichbare Protokolle für die Sprachdatenkommunikation verwendet. In einer Implementierung umfasst das Netzwerk ein zellulares Telefonnetz, das so konfiguriert ist, dass es den Austausch von Text- oder SMS-Nachrichten ermöglicht.
• Beispiele für ein Netzwerk sind unter anderem ein Personal Area Network (PAN), ein Storage Area Network (SAN), ein Home Area Network (HAN), ein Campus Area Network (CAN), ein Local Area Network (LAN), ein Wide Area Network (WAN), ein Metropolitan Area Network (MAN), ein Virtual Private Network (VPN), ein Enterprise Private Network (EPN), das Internet, ein Global Area Network (GAN) und so weiter.
• 1 zeigt ein Blockdiagramm eines Systems zur Optimierung der Konnektivitäts- und Abdeckungsprobleme in einem drahtlosen Zielsensornetz gemäß einer Ausführungsform der vorliegenden Offenbarung. Das System 100 umfasst eine Populationsverarbeitungseinheit 102 zur Durchführung der Lösungskodierung und zur Erzeugung einer Anfangspopulation, wobei Zeichenfolgen aus Nullen und Einsen zur Einführung von Lösungen oder Suchagenten verwendet werden und eine Zufallsgruppe dieser Suchagenten als Anfangspopulation betrachtet wird.
• In einer Ausführungsform wird eine Fitnessfunktion-Verarbeitungseinheit 104 zur Formulierung einer Fitnessfunktion verwendet, wobei ein erhaltener Fitnesswert das Qualitätsniveau eines Suchagenten bestimmt;
• In einer Ausführungsform wird eine Aktualisierungsverarbeitungseinheit 106 verwendet, um die erzeugte Population zu aktualisieren, indem der vorgeschlagene hybride Algorithmus zur Optimierung von Tunikaschwarm und Salp-Schwarm (HTSS) implementiert wird, wobei die Fähigkeit zur Ausnutzung von Merkmalen des Salp-Schwarm-Algorithmus (SSA) durch die Implementierung des Tunikaschwarm-Algorithmus (TSA) verbessert wird.
• In einer Ausführungsform wird eine Archivverarbeitungseinheit 108 zur Aktualisierung des Archivs verwendet, wobei nicht-dominante Lösungen, die durch die Verbesserung der Merkmalsauswertungsfähigkeit von SSA mit der Anwendung von TSA bestimmt werden, zum Archiv hinzugefügt werden, um es zu aktualisieren.
• In einer Ausführungsform kann die Anzahl der möglichen Orte anhand der Länge jedes Suchagenten ermittelt werden, wobei jeder Agent in einer Population durch die Kombination von Binärzahlen dargestellt wird.
• In einer Ausführungsform beginnt die Formulierung der Fitnessfunktion mit der Auswahl der geringsten Anzahl potenzieller Positionen, anschließend werden Ziele mit einer Abdeckung von l und dann Sensorknoten mit einer Konnektivität von n bewertet, und schließlich werden die multikriteriellen Fitnessfunktionen mithilfe eines gewichteten Summenansatzes erstellt.
• In einer Ausführungsform, mit der Umsetzung der hybriden Tunika-Schwarm-Optimierer und Salp-Schwarm-Optimierer (HTSS) Algorithmus, optimale Lösung erreicht wird, wobei in einem ersten Schritt, die Auswahl der besten Lösung durchgeführt wird, dann die Fitness-Wert-Wahrscheinlichkeit ist Computer für jede Lösung.
• In einer Ausführungsform werden die nicht-dominierten Lösungen, die das Archiv AR beibehalten, für die Auswahl der besten Lösung durch die Anwendung des Leader-Auswahlmechanismus bei Vorhandensein von mehr als einer Zielfunktion angenommen, und dann wird eine einzelne nicht-dominierte Lösung aus allen nicht-dominierten Lösungen ausgewählt, die das am wenigsten überfüllte Segment enthält, indem ein Leader-Auswahlalgorithmus verwendet wird, und dann wird diese ausgewählte nicht-dominierte Lösung als die beste Lösung betrachtet.
• In einer Ausführungsform wird eine neue Population zum Archiv AR hinzugefügt, um sowohl dominierte als auch nicht dominierte Lösungen zu bestimmen, und dann werden alle nicht dominierten Lösungen von AR mit jeder neu erhaltenen Lösung verglichen.
• In einer Ausführungsform werden zwei der Lösungen im Archiv AR vertauscht, wenn eine Lösung im Archiv AR von einer der Lösungen dominiert wird, wobei die Menge der Lösungen, die von einer Lösung dominiert werden, aus dem Archiv AR entfernt wird, dann wird dem Archiv AR eine Lösung hinzugefügt, wobei die aktuelle Lösung, die von einer der Lösungen im Archiv AR dominiert wird, ignoriert wird.
• In einer Ausführungsform beträgt die Komplexität des vorgeschlagenen Algorithmus für die Optimierung von Tunika- und Salp-Schwärmen (HTSS) O(t_max((γ × F + (M - γ) × F) + B × M²).
• In einer Ausführungsform können eine Populationsverarbeitungseinheit (102), eine Fitnessfunktionsverarbeitungseinheit (104), eine Aktualisierungsverarbeitungseinheit (106) und eine Archivverarbeitungseinheit (108) in programmierbaren Hardwarevorrichtungen wie Prozessoren, digitalen Signalprozessoren, zentralen Verarbeitungseinheiten, feldprogrammierbaren Gate-Arrays, programmierbarer Array-Logik, programmierbaren Logikvorrichtungen, Cloud-Verarbeitungssystemen oder dergleichen implementiert werden.
• 2 zeigt ein Arbeitsablaufdiagramm des vorgeschlagenen Ansatzes auf der Grundlage eines hybriden Algorithmus zur Optimierung von Tunikaschwärmen und Salpschwärmen (HTSS) gemäß einer Ausführungsform der vorliegenden Offenbarung. Das vorgeschlagene System verwendet einen hybriden TSO-Algorithmus (Tunicate Swarm Optimizer) und SSO-Algorithmus (Salp Swarm Optimizer) (HTSS) für die Platzierung von potenziellen Positionsknoten, wobei dieser Ansatz n-verbundene Sensorknoten und l-verbundene Zielpunkte umfasst. Auf der Grundlage einer Gruppe von Zielpunkten wird das Problem der Abdeckung und Konnektivität gelöst, indem eine Reihe von Sensorknoten durch die Identifizierung einer Mindestanzahl möglicher oder potenzieller Standorte festgelegt wird.
• Zunächst wird die Population generiert, dann aktualisiert der Algorithmus des Hybrid Tunicated Swarm Optimizer und Salp Swarm Optimizer (HTSS) die Lösung, und schließlich werden die nicht dominierenden Lösungen als beste Lösung bestimmt. Der gesamte Prozess des vorgeschlagenen Ansatzes wird im Folgenden Schritt für Schritt im Detail erläutert.
• Schritt 1: Kodierungslösungen und Ausgangspopulation.
• Die Zeichenfolge aus Einsen und Nullen wird verwendet, um Suchagenten oder Lösungen vorzustellen. Die Länge der einzelnen Suchagenten kann zur Berechnung der Anzahl der potenziellen Standorte verwendet werden. Der Sensorknoten wird am i-ten potenziellen Standort positioniert, wenn festgestellt wird, dass der für den i-ten Standort eines Agenten oder einer Lösung zugewiesene Wert 1 ist. Der Standortwert Null zeigt jedoch an, dass sich kein Sensorknoten an der i-ten realisierbaren Position befindet. Eine zufällige Gruppe von Agenten wird als Ausgangspopulation betrachtet, wobei jeder Agent in der Population durch eine Kombination von Binärzahlen dargestellt wird.
• Schritt 2: Formulierung der Fitnessfunktion
• Der erhaltene Wert der Fitnessfunktion bestimmt das Qualitätsniveau eines Agenten. Eine große Herausforderung bei der Formulierung der Fitnessfunktion ist der Prozess der Auswahl einer minimalen Anzahl potenzieller Positionen für eine gegebene Menge potenzieller Positionen. Dabei hat ein gewisser Umfang von l und n vordefinierten Werten dazu geführt, dass die eingesetzten Sensorknoten n-verbunden sind und k-alle Ziele abdeckt.
• Der vollständige Prozess der Formulierung der Fitnessfunktion wird im Folgenden beschrieben.
1. 1. Auswahl der geringsten Anzahl von potentiellen Positionen, wobei die N Anzahl von potentiellen Punkten aus L potentiellen Positionen für die Platzierung von Sensorknoten ausgewählt wird, wobei die Gleichung (1) die Ableitung des ersten Ziels darstellt. $$\text{minimieren}{\text{. OF}}_1=\text{N}/\text{L}$$
   
2. 2. Bewertung des Ziels mit l-Abdeckung, wobei der Erfassungsbereich von ti, der einen Satz von Sensorknoten abdeckt, als Abdeckung (ti) dargestellt wird. Für ein Ziel ti werden die Abdeckungskosten wie in Gleichung (2) angegeben. $$\text{Deckungskoste}\left(\text{ti}\right)=\{\begin{array}{l}\mathrm{1,}\text{ if}|\text{Abdeckung}\left(\text{ti}\right)|\ge 1\hfill \\ 1-|\text{Abdeckung}\left(\text{ti}\right)|\text{ansonsten}\hfill \end{array}$$
   
   Das zweite Ziel ergibt sich somit aus Gleichung (3). Ziel 2: $$\text{Maximum OF2}=1/\text{M}\times 1{\displaystyle {\sum }_{i=1}^M\text{AbdeckungKosten }\left(\text{ti}\right)}$$
   
3. 3. Auswertung der Sensorknoten mit n-Konnektivität, wobei Comm(si) für die Sensorknoten steht, die sich innerhalb des Kommunikationsbereichs von si befinden. Für einen Knoten si repräsentiert ConnectCost(si) die berechneten Konnektivitätskosten, wie in Gleichung (4) dargestellt. $$\text{Deckungskoste}\left(\text{ti}\right)=\{\begin{array}{l}\text{n},\text{ if}|\text{Komm}\left({\text{s}}_{\text{i}}\right)|\ge \text{n}\hfill \\ \text{n}-|\text{Ko}\text{mm}\left({\text{s}}_{\text{i}}\right)|\text{ansonsten}\hfill \end{array}$$
   
   Daraus ergibt sich das dritte Ziel in Gleichung (5) Zielsetzung 3: $$\text{Maximum OF3}=\text{1}/\text{N}\times \text{n}{\displaystyle {\sum }_{i=1}^M\text{ConnectCost}\left({\text{s}}_{\text{i}}\right)}$$
   
• Es ist festzustellen, dass die oben genannten Ziele nicht übereinstimmen. Für die Sensornetzwerke werden die n-Konnektivität und die l-Abdeckung des Ziels durch die Auswahl der am besten geeigneten Standorte sichergestellt.
• In einer Ausführungsform wird ein gewichteter Summenansatz (WSA) zur Erstellung der multikriteriellen Fitnessfunktion verwendet. Bei diesem Ansatz wird der Gewichtungswert β1 zur Multiplikation jedes Ziels verwendet, wobei die Gleichungen (6) und (7) zur Bildung einer einzigen Skalierungszielfunktion verwendet werden, indem die mehreren Ziele übertragen und dann die gesamten multiplizierten Werte addiert werden. $$\text{fit}=\text{Max}\left\{{\mathrm{\beta }}_1\times \left(1-{\text{OF}}_1\right)+{\mathrm{\beta }}_{\text{2}}\times {\text{OF}}_{\text{2}}+{\mathrm{\beta }}_3\times {\text{OF}}_{\text{3}}\right\}$$

  

  $$\begin{array}{l}\text{ fit}=\text{Max}\{{\mathrm{\beta }}_1\times \left(1-\text{N}/\text{L}\right)+{\mathrm{\beta }}_2\times 1/\text{M}\times 1{\displaystyle {\sum }_{i=1}^M\text{AbdeckungKosten}\left(\text{ti}\right)+}{\mathrm{\beta }}_3\times \text{1}/\text{N}\times \text{n}{\displaystyle {\sum }_{i=1}^M}\\ \text{ConnectCost}\left({\text{s}}_{\text{i}}\right)\}\end{array}$$

  
• Wobei in den obigen Gleichungen, β₁ + β₂ + β₃ = 1 and 0 ≤ βi ≤ 1, ∀ i, 1 ≤ i ≤ 3 Bedingungen berücksichtigt werden.
• Schritt 3: Aktualisierung der Population mit dem vorgeschlagenen HTSS-Algorithmus.
• In diesem Schritt wird die Fähigkeit der SSA, Merkmale zu nutzen, durch die Anwendung von TSA verbessert, so dass mit dem vorgeschlagenen neuen HTSS-Algorithmus eine optimale Lösung erreicht wird. Der Hauptmangel der traditionellen SSA besteht darin, dass der Suchbereich nur mit einem Zufallsoperator untersucht wird. Dies hat zur Folge, dass die Konvergenzrate bei SSA durch das Einfangen lokaler optimaler Punkte verringert wird. TSA-Mitarbeiter sind darauf trainiert, diese Mängel zu beheben. Der erste Schritt bei HTSS ist die Wahl der besten Lösung. Anschließend wird die Wahrscheinlichkeit des Fitnesswerts für jede Lösung berechnet. Das MOP-Auswahlverfahren unterscheidet sich von der SOP-Auswahlmethode. Mit anderen Worten: Die beste Zielfunktion wurde vom SOP akzeptiert, um die optimale Lösung auszuwählen.
• Wenn mehr als eine Zielfunktion vorhanden ist, wird eine Leader-Auswahlmethode verwendet, um die beste Lösung unter den nicht dominierenden Optionen auszuwählen, die das Archiv AR beibehalten. Mit einem Leader-Selection-Algorithmus wird eine nicht dominierende Lösung unter den nicht dominierenden Lösungen mit dem am wenigsten überlasteten Segment ausgewählt. Die gewählte Option wird als die derzeit beste Option p^b betrachtet. Zusätzlich wählt die Roulette-Rad-Methode p^b mit der Wahrscheinlichkeit (P_Sel) aus. $$\text{Psel}=\text{C}*{\text{N}}_{\text{seg}}$$

  
• Die Anzahl der im i-ten Segment enthaltenen pareto-optimalen Lösungen wird durch N_seg dargestellt, und eine Konstante wird verwendet, um C > 1 zu bezeichnen.
• Das Symbol Pr steht für die Wahrscheinlichkeit, dass SSA oder TSA zur Aktualisierung der Lösungen eingesetzt wird. Die Wahrscheinlichkeit wird für jede Lösung unter Berücksichtigung des ersten objektiven Funktionsmaßes des MOP bewertet, wie unten dargestellt. $$P{r}_1=\frac{{ƒ}_1}{{\displaystyle {\sum }_{i=1}^N{ƒ}_1}}$$

  
• Bei der herkömmlichen TSA und SSA wird die aktuelle Lösung Pi auf der Grundlage der Pr;- und P^b-Werte aktualisiert. Wenn beispielsweise festgestellt wird, dass Pr_i > ∞ ist, wird xi mit Hilfe des SSA-Operators aktualisiert, andernfalls wird die aktuelle Lösung mit Hilfe der TSA-Operatoren aktualisiert.
• Unter der Bedingung Pr_i < Schwellenwert ∞ wird die aktuelle Lösung pi meist auf einen Punkt der Stagnation gezogen. Folglich ermöglicht diese Neigung den TSA-Beschäftigten, ihre Arbeit effektiv zu erledigen. Gleichung 9 bietet einen nützlichen Weg, um zwischen TSA und SSA zu wechseln, anstatt einen Zufallsansatz zu verwenden. Sobald jedoch festgestellt wird, dass der Pr;-Wert niedrig ist, werden TSA-Operatoren eingesetzt, um die aktuelle Lösung zu verbessern. Bei der Wahl der Funktion in Gleichung 9 werden Einschränkungen vermieden, und anstelle der ursprünglichen Fitnessfunktion kann eine andere Funktion verwendet werden.
• Schritt 4: Aktualisieren des Archivs AR.
• Die nicht-dominanten Lösungen werden durch eine Steigerung der Merkmalsauswertungsfähigkeiten von SSA bestimmt und in die AR für die Aktualisierung der Archiv-AR eingebracht. Daher ist es wichtig, die Geschwindigkeit der PF-Konvergenz zu erhöhen, indem die besten nicht-dominierten Lösungen ausgewählt werden.
• Die zusätzliche Population wird zu AR hinzugefügt, um sowohl dominierte als auch nicht dominierte Lösungen zu ermitteln. Die Pareto-Dominanz wird verwendet, um alle nicht-dominierten AR-Lösungen mit jeder neu entdeckten Lösung im folgenden Schritt zu vergleichen. Es ist entscheidend, zwei der Antworten in AR zu vertauschen, wenn eine der Lösungen eine andere dominiert. Die Menge der Lösungen, die von einer Lösung dominiert werden, wird von AR abgezogen. Eine Lösung wird zu AR hinzugefügt, wenn eine Lösungsmenge entfernt wird. Außerdem wird die aktuelle Lösung, die von einer der AR-Lösungen dominiert wird, nicht berücksichtigt.
• In einer Ausführungsform hat der vorgeschlagene HTSS-Algorithmus eine Berechnungskomplexität von O(t_max((γ × F + (M - γ) × F) + B × M²), wobei γ für den Teil von M steht, der nur mit Hilfe von SSO ausgewertet wird. Der zweite Teil B × M2 steht für die Komplexität der Sortierung, die eine schnelle und nicht dominierende Zuordnung der Crowding Distance ist. Außerdem steht B für die Anzahl der Zielfunktionen, M für die Populationsgröße, tmax für die maximale Anzahl der Iterationen und F für die Kosten der Zielfunktion.
• In einer Ausführungsform wird die Leistung des HTSS-Algorithmus durch die Durchführung von vier Standard-Testfunktionen bewertet. Die Effizienz des vorgeschlagenen HTSS-Algorithmus wird durch den Vergleich mit dem genetischen Algorithmus (GA), der Kuckuckssuche (CS), dem Partikelschwarmoptimierer (PSO), dem SSO und dem TSO bewertet. Die beste erhaltene optimale Lösung wird in Bezug auf Faktoren wie Standardabweichung (SD) und mittlere Abweichung (MD) dargestellt. Die Untersuchung zeigt, dass der HTSS für vier Benchmark-Testfunktionen die beste Optimierungsleistung in Bezug auf MD und SD aufweist (f1, f2, f3 und f4). Mit anderen Worten: TSO wird als zweitbester Optimierer anerkannt, und der HTSS-Algorithmus ist der beste Optimierer insgesamt. Bei vier Benchmark-Testfunktionen liefert die HTSS-Methode jedoch die besten Ergebnisse der Wettbewerber. Darüber hinaus übertraf der HTSS-Algorithmus andere konventionelle metaheuristische Algorithmen wie PSO, GA, CS und SSO in Bezug auf die Erzeugung konkurrenzfähiger und effizienter Lösungen. Für die Simulation wird eine NS2-Plattform mit Windows 10 und einem Intel Core i7-2450M Prozessor mit einer Taktfrequenz von 2.60 GHz und 8 GB RAM verwendet.
• In einer Ausführungsform werden zwei verschiedene Netzszenarien für den Testprozess verwendet. Für die Tests wird in beiden Szenarien ein Erfassungsbereich von 500 × 500 Quadratmetern festgelegt, wobei der Standort der Basisstation an der Seite des Bereichs mit 500, 300 angegeben wird. Jeder Gitterkreuzpunkt in einem Szenario-I-Gittermodell zeigt jeden potenziellen Punkt an. Das Szenario-II, in dem die Platzierung der potentiellen Punkte zufällig erfolgt, wird durch ein Zufallsmodell dargestellt.
• Bei der Simulation des vorgeschlagenen Algorithmus beträgt der Suchagent 80 und die maximale Iteration 100. Bei SSA werden die drei Parameter α, β und δ zufällig im Intervall [0,1] erzeugt, und der Parameter α wird während der Iteration aktualisiert. Bei TSA sind die Variablen c1, c2 und c3 Zufallszahlen, die im Bereich von [0, 1] liegen. Der Algorithmus wird unter Berücksichtigung der Anfangspopulation von 80 Agenten angewendet. Es wurde festgestellt, dass die Gewichtsfaktoren β1, β2 und β3 jeweils einen anderen Wert haben. Die Werte β1 = 0.3, β2 = 0.35 und β3 = 0.35 führen zu besseren Ergebnissen. Es wird festgestellt, dass die erreichten Ziele und die unterschiedlichen Gewichtungswerte in Prozent (%) für l = 2 und n = 2 beide 2 sind.
• Den Simulationsergebnissen zufolge hat die vorgeschlagene HTSS-basierte Lösung die Probleme der Abdeckung und Konnektivität in zielbasierten WSNs effektiver gelöst als die anderen fünf bestehenden Algorithmen. Der vorgeschlagene Ansatz hat seine herausragende Leistung bei der Lösung von Abdeckungs- und Konnektivitätsproblemen in drahtlosen Netzwerken gezeigt.
• Die Figuren und die vorangehende Beschreibung geben Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. So kann beispielsweise die Reihenfolge der hier beschriebenen Prozesse geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Flussdiagramms nicht in der gezeigten Reihenfolge ausgeführt werden; auch müssen nicht unbedingt alle Aktionen durchgeführt werden. Auch können die Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt. Zahlreiche Variationen sind möglich, unabhängig davon, ob sie in der Beschreibung explizit aufgeführt sind oder nicht, wie z. B. Unterschiede in der Struktur, den Abmessungen und der Verwendung von Materialien. Der Umfang der Ausführungsformen ist mindestens so groß wie in den folgenden Ansprüchen angegeben.
• Vorteile, andere Vorzüge und Problemlösungen wurden oben im Hinblick auf bestimmte Ausführungsformen beschrieben. Die Vorteile, Vorzüge, Problemlösungen und Komponenten, die dazu führen können, dass ein Vorteil, ein Nutzen oder eine Lösung auftritt oder ausgeprägter wird, sind jedoch nicht als kritisches, erforderliches oder wesentliches Merkmal oder Komponente eines oder aller Ansprüche zu verstehen.
• Bezugszeichenliste

100

Ein System zur Optimierung der Konnektivität und der Abdeckung in einem drahtlosen Zielsensornetz.

102

Populationsverarbeitungseinheit

104

Verarbeitungseinheit für die Fitnessfunktion

106

Aktualisierungsverarbeitungseinheit

108

Archiv-Verarbeitungseinheit

202

Definieren von Parametern

204

Erzeugung einer zufälligen Population

206

Berechnen der Zielfunktion

208

Aktualisierung des Archivs AR

210

Auswahl des besten Individuums

212

Berechnung der Fitness

214

Aktualisierung mit dem Salp-Schwarm-Optimierer

216

Aktualisierung mit Hilfe des Tunika-Schwarm-Optimierers

218

Aktualisierung des Archivs AR

220

Erreichen der maximalen Iteration

Claims (8)

1. Ein System zur Optimierung der Konnektivitäts- und Abdeckungsprobleme in einem drahtlosen Zielsensornetzwerk, wobei das System umfasst: eine Populationsverarbeitungseinheit zum Durchführen einer Lösungskodierung und zum Erzeugen einer Anfangspopulation, wobei Zeichenketten aus Nullen und Einsen zum Einführen von Lösungen oder Suchagenten verwendet werden und eine zufällige Gruppe dieser Suchagenten als eine Anfangspopulation betrachtet wird; eine Fitnessfunktions-Verarbeitungseinheit zum Formulieren einer Fitnessfunktion, wobei ein erhaltener Fitnesswert das Qualitätsniveau eines Suchagenten bestimmt; eine Aktualisierungsverarbeitungseinheit zum Aktualisieren der erzeugten Population durch Implementieren des vorgeschlagenen hybriden Tunikaschwarm-Optimierungs- und Salp-Schwarm-Optimierungs-Algorithmus (HTSS), wobei die Merkmalsverwertungsfähigkeit des Salp-Schwarm-Algorithmus (SSA) durch Implementieren des Tunikaschwarm-Algorithmus (TSA) verbessert wird; und eine Archivverarbeitungseinheit zum Aktualisieren des Archivs, wobei nicht dominante Lösungen, die durch die Verbesserung der Merkmalsverwertungsfähigkeit von SSA mit der Anwendung von TSA bestimmt werden, zum Archiv hinzugefügt werden, um es zu aktualisieren.
2. System nach Anspruch 1, wobei die Anzahl der möglichen Orte aus der Länge jedes Suchagenten ermittelt werden kann, wobei jeder Agent in einer Population durch die Kombination von Binärzahlen dargestellt wird.
3. System nach Anspruch 1, wobei die Formulierung der Eignungsfunktion mit der Auswahl der geringsten Anzahl potenzieller Positionen beginnt, anschließend werden Ziele mit einer Abdeckung von l bewertet, dann werden Sensorknoten mit einer Konnektivität von n bewertet, und schließlich werden die multikriteriellen Eignungsfunktionen durch Anwendung eines gewichteten Summenansatzes erstellt.
4. System nach Anspruch 1, wobei mit der Implementierung des Algorithmus zur Optimierung des hybriden Tunikaschwarms und des Salp-Schwarms (HTSS) eine optimale Lösung erreicht wird, wobei im ersten Schritt die Auswahl der besten Lösung durchgeführt wird und dann die Wahrscheinlichkeit des Fitnesswerts für jede Lösung berechnet wird.
5. System nach Anspruch 4, wobei die nicht-dominierten Lösungen, die das Archiv AR beibehalten, zur Auswahl der besten Lösung durch die Anwendung eines Leader-Auswahlmechanismus bei Vorhandensein von mehr als einer Zielfunktion angenommen werden, und dann eine einzelne nicht-dominierte Lösung aus allen nicht-dominierten Lösungen ausgewählt wird, die das am wenigsten überfüllte Segment enthält, indem ein Leader-Auswahlalgorithmus verwendet wird, und dann diese ausgewählte nicht-dominierte Lösung als die beste Lösung betrachtet wird.
6. System nach Anspruch 1, wobei eine neue Population zum Archiv AR hinzugefügt wird, um sowohl dominierte als auch nicht dominierte Lösungen zu bestimmen, und dann alle nicht dominierten Lösungen von AR mit jeder neu erhaltenen Lösung verglichen werden.
7. System nach Anspruch 6, wobei zwei der Lösungen im Archiv AR ausgetauscht werden, wenn eine Lösung im Archiv AR von einer der Lösungen dominiert wird, wobei die Menge der Lösungen, die von einer Lösung dominiert werden, aus dem Archiv AR entfernt wird, dann wird dem Archiv AR eine Lösung hinzugefügt, wobei die aktuelle Lösung, die von einer der Lösungen im Archiv AR dominiert wird, ignoriert wird.
8. System nach Anspruch 1, wobei die Komplexität des vorgeschlagenen Algorithmus für hybride Tunika-Schwarm-Optimierung und Salp-Schwarm-Optimierung (HTSS) als O(t_max((γ × F + (M - γ) × F) + B × M²).

Images