基于免疫算法无线传感网络覆盖研究.docVIP

基于免疫算法无线传感网络覆盖研究 　　【摘 要】普遍研究的无线传感器模型有0-1感知、概率感知模型。前者不够准确，偏理想化；后者符合实际，但冗余较多，计算量偏大。采用混合感知模型，通过搭建无线传感网络（WSN）的网格数学模型，用免疫多目标算法对其进行优化，理论分析及仿真结果均表明该模型具有可行性和优良的覆盖性能。 　　【关键词】传感器模型 混合感知模型 网络覆盖 免疫多目标 　　[Abstract] Traditional wireless sensor models include 0-1 perception model and probabilistic sensing model. The former is idealized and not accurate enough. In contrast， the latter gets closer to the real result， but suffers from huge computation. A mixed perception model adopted in this paper， by building a wireless sensor network （WSN） grid mathematical model， the model is optimized by means of multi-objective immune algorithm. Theoretical analysis and simulation results show that the model has satisfactory feasibility and excellent coverage. 　　[Key words]sensor model mixed perceptual model network coverage immune multi-objective 　　1 引言 　　微机电系统、片上系统、无线通信和低功耗嵌入式技术的飞速发展，孕育出无线传感器网络（WSN，Wireless Sensor Networks），并以其低功耗、低成本、分布式和自组织的特点带来了信息感知的一场变革。由于传感器节点能量有限，覆盖范围和形状不稳定，在进行高密度部署时容易造成传感器节点分布不均匀，节点严重冗余，因此如何对网络覆盖进行优化，以较少传感器节点获得较高网络覆盖率，成为当前WSN研究中的关键课题。 　　针对WSN覆盖优化问题，大量学者对其进行研究并取得较多的成果，但大部分的成果都是基于0-1感知模型和概率模型。0-1感知模型是一种离散的理想模型，适用于理论研究和数学证明。概率感知模型是一种连续模型，探测概率为目标到传感器的欧氏距离成指数关系。当用网格数学模型建模时，这种概率感知模型在计算时会产生大量数据，对实验结果并没有明显提升。文献[1]中使用了混合感知模型，在覆盖率一样的情况下比0-1模型使用更少的传感器节点，虽然在一定程度上减少了冗余覆盖，但是采取的算法属于单目标优化，不能同时使覆盖率和节点利用率达到最优。 　　本文采用混合感知模型，能较为实际地反映真实网络。网格化建模后能较大地简化概率计算数据，且能很好地处理联合侦测概率的计算，同时采用基于浓度的克隆选择多目标优化算法（CCSMOA），完成对可行解区域的全面搜索。另外，还区别个体的性能，在进化过程中加大优良个体的克隆倍数的同时也不放弃较差个体，以此来保证算法的优良性能，使区域覆盖率和节点利用率同时达到最优。 　　2 无线传感器的基本模型 　　2.1 0-1感知模型 　　0-1感知模型是最简单的感知模型，其探测范围可以近似认为是圆形，圆心的位置为传感器，圆的半径为节点的感知半径。如果目标节点被传感器覆盖到，则目标节点到传感器节点的欧氏距离就要小于或等于传感器的感知半径r（i）[2]。 　　根据上述描述，可以建立数学模型如下： 　　2.2 概率感知模型 　　随着传感器与监控目标间距离的增大，传感器对目标的感知概率也逐渐减小直至无法感知，称为“概率感知模型”[3]。概率模型的探测概率函数可以表示为： 　　由式（2）可得，概率模型是一个感知概率随着目标节点j与传感器节点欧氏距离d（i，j）增大而成指数衰减的模型，λ是传感器节点的衰减系数，只有当d（i，j）为0时，p（x，y）才等于1。 　　2.3 混合感知模型 　　由于感知概率在靠近模型处一定范围内接近于1，在距离节点较远处接近为0，这种模型兼具0-1模型和概率模型的特点，所以也称作混合感知模型[1]。 　　2.4 节点的联合感知 　　在随机部署中，一个目标可能被2个或以上的传感器节点覆盖，这个目标的叠加的覆盖概率为：