无线传感网络移动节点位置并行微粒群优化策略(自动保存的).docVIP

无线传感网络移动节点位置并行微粒群及定位优化方法 学号 姓名：张萍 摘 要 网络节点位置优化是无线传感网络研究的核心问题之一。无线传感网络通常由固定节点和少量移动节点构成，传统的虚拟力导向算法无法解决固定节点对移动节点优化的约束。该文针对这一问题,提出了基于并行微粒群算法的优化策略。微粒群算法具有适于解决连续空间多维函数优化问题、能快速收敛至全局最优解的特点，并行框架提高了算法的运行效率，降低了算法的运算复杂度，使算法能够满足无线传感网络的需求。通过并行微粒群算法搜索不同状态下无线传感节点的最优位置，使无线传感网络能够利用移动节点实现网络结构的动态重组，最大化网络覆盖范围，提高网络测量可靠性。实验证明，并行微粒群优化策略能快速有效地实现无线传感网络移动节点位置优化。 然而，对于相应的定位算法则层出不穷，此文也介绍了基于RSSI校验的无线传感器网络节点定位算法的具体建模来体现相应的位置节点优化策略，并对此进行相应计算机仿真实验与相关定位技术进行比较分析。 关键字： 无线传感网络 . 节点位置优化 . 并行微粒群算法 . 移动节点 . RSSI定位 1.无线传感节点概述与提出 无线传感网络需要大量节点协同完成测量任务，同时也面临着复杂多变的工作环境。根据不同环境合理布置节点,有利于提高无线传感网络的工作效率、降低花费。移动节点使无线传感网络动态自治成为可能。采用移动节点实现对网络结构的动态重组，扩大网络覆盖范围，优化网络性能已成为无线传感网络的关键技术之一。近年来,研究人员尝试从不同角度解决无线传感节点位置优化问题,提出很多有效的方法。文献[3]提出一种用于解决移动节点位置优化问题的分布式自散布算法(DistributedSelf Spreading Algorithm,DSSA)。文献[4]中介绍了两种网格化无线传感节点布置方法MAX_AVG_COV、MAX_MIN_COV,通过放置尽可能少的无线传感节点达到期望的覆盖要求。 在这些算法中,虚拟力导向算法[2,5-7]在扩大网络覆盖范围,优化网络连接性能方面表现得突出,能够满足仅由移动节点构成的无线传感网络的位置优 化需求.但对于由固定节点和移动节点构成的无线传感网络,最终优化结果受固定节点的影响,无法实现全局最优.事实上,由于移动节点造价高,且节点在移动过程中消耗大量能量,因此,全部采用移动节点构建无线传感网络是不现实的.为解决含有固定节点的无线传感网络节点位置优化问题,本文提出了基于并行微粒群算法(Parallel Particle SwarmOptimization,PPSO)的无线传感网络节点位置优化策略，利用微粒群算法优化无线传感网络移动节点位置，并通过并行框架降低算法的计算时间和运算复杂度，提高算法效率.实验证明,提出的并行微粒群优化策略能实时有效地实现无线传感网络移动节点的位置优化配置. 2.问题模型与假设 无线传感网络由大量具有感知能力、无线通信能力的传感节点构成.节点位置优化策略通过有效配置节点位置,扩大网络有效覆盖面积提高网络测量和通信性能.通常,无线传感网络由固定节点和移动节点构成.各节点具有相同的测量范围r、测量可靠度和通信半径c.假设节点si的位置为(xi,yi),目标位于(x,y),则目标与节点si的距离为d(si,P)=(xi-x)2+(yi-y)2。对于二进制测量模型,则节点si对目标的检测概率为cxy(si)=1,d(si,P)r0,其它(1)事实上,由于受到环境干扰,无线传感节点对目标的测量概率应呈一定特性的概率分布.为此,研究人员提出了一种概率测量模型[8],即 cxy(si)=0, r+re≤d(si,P)e(-α1λ1β1/λ2β2+α2)， r-red(si,P)r+re1,d(si,P)≤r-re(2)， 其中,re(0rer)是传感节点测量可靠性参数.α1,β1,β2,α2是用于调整节点测量概率的参数,该参数与传感节点的测量特性有关.λ1和λ2为输入参数,其 定义如下式所示: λ1=re-r+d(si,P) (3) λ2=re+r -d(si,P) (4) 当re≈0时,概率测量模型与二进制测量模型类似. 当re0时,无线传感节点对目标的测量概率有可能小于1.这意味着在测量过程中,需采用多个无线传感节点同时测量目标,以提高目标测量概率.多个无线传感节点对目标的联合测量概率如下所示:cx,y(Sov)=1-∏si∈Sov(1-cx,y(si)) (5)其中,Sov为测量目标的无线传感节点集合.令cth为节点测量概率阈值,则目标可被有效测量的条件为minx,ycx,y(si,sj)≥cth(6) 网络初始化时,各