改进自适应粒子群算法在WSN覆盖优化中的应用.docVIP

改进自适应粒子群算法在WSN覆盖优化中的应用 　　随着计算机网络技术的迅速发展，无线传感器网络(WSN)应运而生。无线传感器网络由多个功能相同或不同的终端传感器节点、路由器和协调器通过自建网络互连的方式组成，它们通过无线通信的方式完成目标监测和信息交互。 　　目前，WSN 网络的节点部署方式可以分为确定性节点部署和自组织节点部署，由于在实际应用中，确定性部署方式存在局限性，自组织节点部署方式得到了广泛的应用。对一个WSN 网络来说，如果能及时检测网络的覆盖率并做有效的调整，能够提高网络中数据的传输质量，减少资源浪费，延长网络生命周期。 　　近年来，许多国内外学者对WSN 网络的覆盖优化策略进行了大量的研究和改进：文献设计了基于共轭梯度法的改进人工萤火虫算法，对WSN 网络节点进行优化后，节点分布均匀，覆盖率较高，但是边界盲区较多;文献提出了基于分群和视野动态调整的改进鱼群算法指导WSN 网络传感器节点的部署，它能使节点较均匀地分布于整个监测区域，相比基本人工鱼群算法的优化结果，覆盖率提高了17.4%;文献在视野自适应变化的基础上将变异因子引入适应度差的个体中，提出了一种改进人工鱼群算法，在WSN 网络覆盖优化应用中取得了不错的效果，提高了网络的覆盖率，然而节点覆盖冗余度较高;文献提出了一种人工鱼群算法与模式搜索法相结合的混合算法，优化后节点覆盖均匀，但存在许多较大盲区;文献通过引入混沌初始化、自适应步长以及视野的机制对人工鱼群算法算法做相应改进，提高了优化稳定性，获得了较高的网络覆盖率，但是边界存在较多盲区，中心冗余度较高;文献提出了一种基于划分搜索空间的粒子群优化算法，算法全局收敛能力较强，能够快速找到覆盖率较高的WSN 网络节点分布，然而算法优化后期局部搜索能力较弱;文献则采用混沌逃逸粒子群优化算法对WSN 网络覆盖率进行优化，效率较高，收敛速度快，但覆盖率较低;文献设计了一种基于逐维判断PSO 算法值的WSN 网络覆盖优化策略，优化效果较理想。 　　然而，这些WSN 网络覆盖优化算法都有一些不足之处，比如改进的人工鱼群算法和萤火虫算法的收敛速度缓慢，虽然能得到较高的WSN 网络覆盖率，但运行时间较长，而改进的粒子群算法虽然收敛速度快，但是稳定性较低，局部搜索能力较差，优化后WSN 网络覆盖率不理想。 　　针对以上算法的不足以及WSN 网络覆盖优化目标，本文设计了基于碰撞回弹策略的一种惯性因子动态变化的自适应粒子群优化算法并应用于WSN 网络的覆盖优化当中，最后通过实验结果验证了本文算法的优越性。 　　1 WSN 覆盖模型 　　1.1 问题分析 　　①由于WSN 网络中每个传感器节点的覆盖范围都是以自身为中心固定半径的圆内，所有传感器节点对监测区域的总覆盖率难以用公式求解，所以，为了简化区域内的覆盖问题，被测区域可以离散化为m times; n 个像素点，假设有x 个像素点被WSN网络覆盖，则覆盖率为x/ (m times; n) 。 　　②被测区域内WSN 网络所有传感器节点具有相同的感知半径和通信半径，且在通信半径大于等于两倍的感知半径时，假如WSN 网络能够实现对监测区域的感知范围全覆盖，则所有传感器节点必然联通。 　　1.2 覆盖模型描述 　　将被测区域离散化为m times; n 个像素点，WSN 网络中有N 个传感器节点，所有节点感知(覆盖)半径均为r 。传感器节点集合为G ={g1, g2,…, gN} ，其中，第i 个传感器节点为gi(i = 1, 2,…, N) ，它的坐标为(xi , yi) 。设像素点H 的坐标为(xH , yH )，则该像素点到第i 个传感器节点的距离为d(gi , H)= (xH - xi)2 + (yH - yi)2 。传感器感知模型这里使用布尔(0- 1) 感知模型，所以像素点H 处被传感器节点i 感知的概率为： 　　一般情况下，一个传感器节点可以被多个传感器节点同时感知，那么像素点H 处的传感器节点被WSN 网络节点集合G 感知的联合概率为：式(3)就是无线传感器网络覆盖优化模型的目标函数。 　　2 粒子群优化(PSO)算法简介 　　粒子群优化(PSO)算法是一种新的全局优化智能算法，它通过个体之间的协作和信息共享来实现对解空间的全局搜索。PSO 算法的优势在于参数少，能够简单容易的实现许多优化问题，目前已经被广泛应用与各种应用领域当中。 　　PSO 算法的数学描述为：假设粒子群中总共有m个粒子，表示为：X = (x1, x2,…, xm)T ;粒子搜索空间为n 维，于是第i 个粒子可表示为：xi = (xi1, xi2,…, xin)T ，(i =