基于網(wǎng)格化及改進(jìn)粒子群算法的無(wú)線傳感網(wǎng)覆蓋增強(qiáng)算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種無(wú)線傳感網(wǎng)覆蓋增強(qiáng)算法，尤其涉及一種基于網(wǎng)格化及改進(jìn)粒子 群算法的無(wú)線傳感網(wǎng)覆蓋增強(qiáng)算法。
【背景技術(shù)】
[0002] 近年來(lái)，無(wú)線傳感器網(wǎng)絡(luò)（wireless sensor networks, WSN)廣泛應(yīng)用在各個(gè)領(lǐng) 域，如軍事，環(huán)境監(jiān)測(cè)，醫(yī)療健康等。無(wú)線傳感器是一種新型的無(wú)線網(wǎng)絡(luò)，與傳統(tǒng)的無(wú)線網(wǎng) 絡(luò)相比，它具有低成本、低功耗、多功能等優(yōu)點(diǎn)。WSN的傳感器節(jié)點(diǎn)不僅具備信息采集的能 力，同時(shí)也具備數(shù)據(jù)處理和無(wú)線通信的能力，這些傳感器節(jié)點(diǎn)被密集部署在指定的目標(biāo)區(qū) 域內(nèi)，通過(guò)無(wú)線通信和自組織方式用來(lái)感知、采集和處理目標(biāo)區(qū)域內(nèi)各種數(shù)據(jù)信息，并將所 感知和采集到的數(shù)據(jù)和信息傳送給監(jiān)控中心或終端用戶，協(xié)作完成指定的任務(wù)。
[0003] 在無(wú)線傳感器網(wǎng)絡(luò)中，節(jié)點(diǎn)存在以下限制：功率受限；通信半徑有限；感知能力有 限?；谶@些限制在監(jiān)測(cè)目標(biāo)區(qū)域時(shí)常常達(dá)不到所需要的覆蓋率，并且由于一般的部署傳 感器節(jié)點(diǎn)方式為隨機(jī)布點(diǎn)，以上這些因素都會(huì)導(dǎo)致目標(biāo)區(qū)域的覆蓋空洞，時(shí)因而導(dǎo)致一些 重要數(shù)據(jù)和信息無(wú)法被感知。傳統(tǒng)的覆蓋空洞解決辦法是：增加目標(biāo)區(qū)域里的傳感器節(jié)點(diǎn) 數(shù)量；更換性能更好也即是具有更強(qiáng)感知能力、通信能力、和電源功率的傳感器。但以上辦 法均會(huì)導(dǎo)致部署開(kāi)支增大以及資源的浪費(fèi)。
[0004] 通過(guò)上述描述，我們可以看到無(wú)線傳感網(wǎng)里的覆蓋問(wèn)題其實(shí)就是節(jié)點(diǎn)部署問(wèn)題， 通過(guò)對(duì)傳感器節(jié)點(diǎn)的合理部署達(dá)到對(duì)覆蓋的最優(yōu)化控制。
[0005] 基于傳統(tǒng)PS0算法和網(wǎng)格劃分，本領(lǐng)域提出一種基于網(wǎng)格化及改進(jìn)粒子群算法的 無(wú)線傳感網(wǎng)覆蓋增強(qiáng)算法，將粒子群里的每個(gè)粒子都抽象為一個(gè)包含傳感器節(jié)點(diǎn)最優(yōu)部署 位置的解，其中每個(gè)粒子都包含了節(jié)點(diǎn)位置信息，粒子的好壞由覆蓋率的高低決定，每個(gè)粒 子將在可行解空間中運(yùn)動(dòng)，由一個(gè)速度變量決定其方向和距離，并通過(guò)不斷地向自我以及 群體里的最優(yōu)粒子學(xué)習(xí)經(jīng)過(guò)駐代搜索后得到最優(yōu)解。
[0006] 傳統(tǒng)PS0算法問(wèn)題在于，其慣性權(quán)重是線性遞減的，如公式所示：
[0008] 這易導(dǎo)致收斂速度過(guò)慢并容易在非最優(yōu)解上耗費(fèi)過(guò)多的迭代次數(shù)導(dǎo)致從而導(dǎo)致 節(jié)點(diǎn)計(jì)算量的增加，浪費(fèi)有限的節(jié)點(diǎn)能量。并且前期的全局搜索能力也有限，使得粒子在后 期沒(méi)有良好的局部搜索性能，易陷入次最優(yōu)解從而導(dǎo)致輸出解不是節(jié)點(diǎn)最佳部署位置。

【發(fā)明內(nèi)容】

[0009] (一）要解決的技術(shù)問(wèn)題
[0010] 本發(fā)明要解決的技術(shù)問(wèn)題就是如何提供一種合適的無(wú)線移動(dòng)傳感器網(wǎng)絡(luò)覆蓋增 強(qiáng)方法，避免運(yùn)用傳統(tǒng)PS0算法時(shí)存在的收斂速度過(guò)慢、全局搜索能力太小的問(wèn)題。
[0011] (二）技術(shù)方案
[0012] 為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種基于網(wǎng)格化及改進(jìn)粒子群算法的無(wú)線 傳感網(wǎng)覆蓋增強(qiáng)算法，其特征在于，包括以下步驟：
[0013] 步驟一：初始化粒子群規(guī)模、粒子初始速度、粒子坐標(biāo)，初始化每個(gè)粒子維度；
[0014] 步驟二：初始化區(qū)域目標(biāo)大小，根據(jù)計(jì)算量確定合適的網(wǎng)格化程度；
[0015] 步驟三：計(jì)算每個(gè)網(wǎng)格點(diǎn)被覆蓋概率以及整個(gè)目標(biāo)區(qū)域的覆蓋率；
[0016] 其中節(jié)點(diǎn)與網(wǎng)格點(diǎn)之間的距離為：
[0018]目標(biāo)區(qū)域被覆蓋的概率為：
[0020] 因此目標(biāo)區(qū)域的覆蓋率為：
[0022] 步驟四：開(kāi)始整個(gè)粒子群的迭代過(guò)程，更新每個(gè)粒子的速度及位置；
[0023] 其中，假設(shè)一個(gè)由Μ個(gè)粒子組成的群體在D維的搜索空間以一定的速度運(yùn)動(dòng)，D維 的搜索空間是節(jié)點(diǎn)最佳部署的解維數(shù)；粒子i在第d維t時(shí)刻的狀態(tài)屬性設(shè)置如下：
[0026] 式中1彡d彡D ;xld(t)和vld(t)代表粒子i在t時(shí)刻的位置和速度；ω為慣性權(quán) 重，代表粒子對(duì)前一輪迭代的自我繼承程度Α和r2是均勻分布在（0, 1)區(qū)間的隨機(jī)數(shù)；Cl和c2是學(xué)習(xí)因子，分別代表向自我以及最優(yōu)粒子的學(xué)習(xí)程度；pld(t)代表粒子i在t時(shí)刻經(jīng) 歷過(guò)的最好位置；pgd(t)代表群體所有微粒在t時(shí)刻經(jīng)歷過(guò)的最好位置；
[0028] 分別代表初始慣性權(quán)重以及終止慣性權(quán)重；k代表控制因子，控制ω 與t變化曲線的平滑度；
[0029] 步驟五：根據(jù)覆蓋率篩選出最優(yōu)粒子，每個(gè)粒子繼續(xù)依照最佳粒子位置以及自我 的最佳位置更新自己的速度及位置；
[0030] 步驟六：判斷迭代是否滿足要求，不滿足則繼續(xù)從步驟三迭代更新粒子信息；
[0031] 步驟七：完成迭代要求，結(jié)束流程。
[0032] 優(yōu)選地，k值為0.5。
[0033] (三）有益效果
[0034] 本發(fā)明的一種基于網(wǎng)格化及改進(jìn)粒子群算法的無(wú)線傳感網(wǎng)覆蓋增強(qiáng)算法，在基于 傳統(tǒng)的PS0算法以及無(wú)線傳感網(wǎng)絡(luò)網(wǎng)格化的基礎(chǔ)上，提出了一種改進(jìn)型PS0算法，其特征在 于，在傳統(tǒng)粒子群優(yōu)化算法基礎(chǔ)上引入非線性慣性因子。相較于傳統(tǒng)算法，改進(jìn)PS0算法具 有更好地收斂能力以及全局搜索能力，極大的減少了節(jié)點(diǎn)的計(jì)算量并與此同時(shí)給出了更優(yōu) 的節(jié)點(diǎn)部署策略，提升了覆蓋率。
【附圖說(shuō)明】
[0035] 為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本 發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以 根據(jù)這些附圖獲得其他的附圖。
[0036] 圖1 :本發(fā)明提供的一種線移動(dòng)傳感器網(wǎng)絡(luò)覆蓋增強(qiáng)方法的流程示意圖；
[0037] 圖2 :目標(biāo)區(qū)域網(wǎng)格化示意圖；
【具體實(shí)施方式】
[0038] 下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明的實(shí)施方式作進(jìn)一步詳細(xì)描述。以下實(shí)施例用于 說(shuō)明本發(fā)明，但不能用來(lái)限制本發(fā)明的范圍。
[0039] 在無(wú)線傳感器網(wǎng)絡(luò)中，為了有效的計(jì)算覆蓋率，填補(bǔ)覆蓋空洞，將網(wǎng)絡(luò)網(wǎng)格化如圖 2所示。
[0040] 圖2即是基于網(wǎng)格的網(wǎng)絡(luò)覆蓋模型。目標(biāo)區(qū)域被定義為一個(gè)二維平面，面積大小 為M*N，區(qū)域被分為1個(gè)網(wǎng)格點(diǎn)，網(wǎng)格點(diǎn)坐標(biāo)為（X，y)，將節(jié)點(diǎn)隨機(jī)部署在目標(biāo)區(qū)域內(nèi)后，假 設(shè)任意一個(gè)傳感器節(jié)點(diǎn)Cl的坐標(biāo)為（xi，yi)，則節(jié)點(diǎn)與網(wǎng)格點(diǎn)之間的距離為：
[0042]目標(biāo)區(qū)域被覆蓋的概率為：
[0044] 因此目標(biāo)區(qū)域的覆蓋率為：
[0046] 其中A為目標(biāo)區(qū)域所劃分的網(wǎng)格點(diǎn)規(guī)模。
[0047] 假設(shè)一個(gè)由Μ個(gè)粒子組成的群體在D維的搜索空間以一定的速度運(yùn)動(dòng)，D維的搜 索空間是節(jié)點(diǎn)最佳部署的解維數(shù)；粒子i在第d維t時(shí)刻的狀態(tài)屬性設(shè)置如下：
[0048] vid(t+l) = ω (t)*vid(t)+c1r1*(pid(t)-x id(t))+c2r2*(pgd(t)-xid(t)) (4)
[0049] xid(t+l) = xid(t)+vid(t+l) (5)
[0050] 式中1彡d彡D ;xld(t)和vld(t)代表粒子i在t時(shí)刻的位置和速度；ω為慣性權(quán) 重，代表粒子對(duì)前一輪迭代的自我繼承程度Α和r2是均勻分布在（0, 1)區(qū)間的隨機(jī)數(shù)；Cl和c2是學(xué)習(xí)因子，分別代表向自我以及最優(yōu)粒子的學(xué)習(xí)程度；pld(t)代表粒子i在t時(shí)刻經(jīng) 歷過(guò)的最好位置；pgd(t)代表群體所有微粒在t時(shí)刻經(jīng)歷過(guò)的最好位置的索引號(hào)；
[0052] 分別代表初始慣性權(quán)重以及終止慣性權(quán)重；k代表控制因子，控制ω 與t變化曲線的平滑度；k值取不同值時(shí)，慣性權(quán)重隨迭代次數(shù)的變化曲線是不同的，我們 為了確定k值的大小試驗(yàn)了在不同k值時(shí)網(wǎng)絡(luò)覆蓋率的表現(xiàn)，并最終選定k值取0. 5。
[0053] 綜上述，本實(shí)施例實(shí)質(zhì)是在傳統(tǒng)PS0算法的基礎(chǔ)上結(jié)合無(wú)線傳感網(wǎng)的節(jié)點(diǎn)特性， 提出一種非線性慣性權(quán)重的改進(jìn)PS0算法（Nonlinear Inertial Weight Particle Swarm Optimization, NIW-PSO)在增強(qiáng)網(wǎng)絡(luò)覆蓋中的應(yīng)用。
[0054] 基于NIW-PSO算法以及目標(biāo)區(qū)域網(wǎng)格化的增強(qiáng)覆蓋方案流程為：
[0055] 步驟一：初始化粒子群規(guī)模、粒子初始速度、粒子坐標(biāo)，初始化每個(gè)粒子維度；
[0056] 步驟二：初始化區(qū)域目標(biāo)大小，根據(jù)計(jì)算量確定合適的網(wǎng)格化程度；
[0057] 步驟三：根據(jù)公式（2) (3)計(jì)算每個(gè)網(wǎng)格點(diǎn)被覆蓋概率以及整個(gè)區(qū)域的覆蓋率；
[0058] 步驟四：開(kāi)始整個(gè)粒子群的迭代過(guò)程，根據(jù)公式（4) (5) (6)更新每個(gè)粒子的速度 及位置；
[0059] 步驟五：根據(jù)覆蓋率篩選出最優(yōu)粒子，每個(gè)粒子繼續(xù)依照最佳粒子位置以及自我 的最佳位置更新自己的速度及位置；
[0060] 步驟六：判斷迭代是否滿足要求，不滿足則繼續(xù)從步驟三迭代更新粒子信息；
[0061] 步驟七：完成迭代要求，結(jié)束流程。
[0062] 其流程圖如圖1所不。
[0063] 以上實(shí)施方式僅用于說(shuō)明本發(fā)明，而非對(duì)本發(fā)明的限制。盡管參照實(shí)施例對(duì)本發(fā) 明進(jìn)行了詳細(xì)說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，對(duì)本發(fā)明的技術(shù)方案進(jìn)行各種組合、 修改或者等同替換，都不脫離本發(fā)明技術(shù)方案的精神和范圍，均應(yīng)涵蓋在本發(fā)明的權(quán)利要 求范圍當(dāng)中。
【主權(quán)項(xiàng)】
1. 一種基于網(wǎng)格化及改進(jìn)粒子群算法的無(wú)線傳感網(wǎng)覆蓋增強(qiáng)算法，其特征在于，包括 以下步驟： 步驟一：初始化粒子群規(guī)模、粒子初始速度、粒子坐標(biāo)，初始化每個(gè)粒子維度； 步驟二：初始化區(qū)域目標(biāo)大小，根據(jù)計(jì)算量確定合適的網(wǎng)格化程度； 步驟三：計(jì)算每個(gè)網(wǎng)格點(diǎn)被覆蓋概率以及整個(gè)目標(biāo)區(qū)域的覆蓋率； 其中節(jié)點(diǎn)與網(wǎng)格點(diǎn)之間的距離為：步驟四：開(kāi)始整個(gè)粒子群的迭代過(guò)程，更新每個(gè)粒子的速度及位置； 其中，假設(shè)一個(gè)由M個(gè)粒子組成的群體在D維的搜索空間以一定的速度運(yùn)動(dòng)，D維的搜 索空間是節(jié)點(diǎn)最佳部署的解維數(shù)；粒子i在第d維t時(shí)刻的狀態(tài)屬性設(shè)置如下： vid (t+1) =W(t) *vid(t)+C^1* (pid(t)-Xid(t))+c2r2*(pgd(t)-Xid(t))xid(t+l) =xid(t)+vid(t+l) 式中I彡d彡D;xld(t)和vld(t)代表粒子i在t時(shí)刻的位置和速度；《為慣性權(quán)重， 代表粒子對(duì)前一輪迭代的自我繼承程度和r2是均勻分布在（0, 1)區(qū)間的隨機(jī)數(shù)；Cl和 C2是學(xué)習(xí)因子，分別代表向自我以及最優(yōu)粒子的學(xué)習(xí)程度；pld(t)代表粒子i在t時(shí)刻經(jīng)歷 過(guò)的最好位置；Pgd (t)代表群體所有微粒在t時(shí)刻經(jīng)歷過(guò)的最好位置；?start和分別代表初始慣性權(quán)重以及終止慣性權(quán)重；k代表控制因子，控制《與t變化曲線的平滑度； 步驟五：根據(jù)覆蓋率篩選出最優(yōu)粒子，每個(gè)粒子繼續(xù)依照最佳粒子位置以及自我的最 佳位置更新自己的速度及位置； 步驟六：判斷迭代是否滿足要求，不滿足則繼續(xù)從步驟三迭代更新粒子信息； 步驟七：完成迭代要求，結(jié)束流程。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，k值為0. 5。
【專(zhuān)利摘要】本發(fā)明涉及一種基于網(wǎng)格化及改進(jìn)粒子群算法的無(wú)線傳感網(wǎng)覆蓋增強(qiáng)算法，在基于傳統(tǒng)的PSO算法以及無(wú)線傳感網(wǎng)絡(luò)網(wǎng)格化的基礎(chǔ)上，提出了一種改進(jìn)型PSO算法，其特征在于，在傳統(tǒng)粒子群優(yōu)化算法基礎(chǔ)上引入非線性慣性因子。相較于傳統(tǒng)算法，改進(jìn)PSO算法具有更好地收斂能力以及全局搜索能力，極大的減少了節(jié)點(diǎn)的計(jì)算量并與此同時(shí)給出了更優(yōu)的節(jié)點(diǎn)部署策略，提升了覆蓋率?？蓮V泛應(yīng)用于運(yùn)用到無(wú)線傳感器網(wǎng)絡(luò)的在各個(gè)領(lǐng)域，如軍事，環(huán)境監(jiān)測(cè)，醫(yī)療健康等。
【IPC分類(lèi)】H04W84/18, H04W16/18
【公開(kāi)號(hào)】CN105228159
【申請(qǐng)?zhí)枴緾N201410273109
【發(fā)明人】李秀華, 康琳, 司紅江, 林侃成, 張英海, 王衛(wèi)東
【申請(qǐng)人】北京郵電大學(xué)
【公開(kāi)日】2016年1月6日
【申請(qǐng)日】2014年6月18日