基于粒子群算法的wsn覆盖优化研究.docxVIP

基于粒子群算法的wsn覆盖优化研究 0 wsn覆盖优化方法 无线传感器网络（wsd）由大量廉价微型传感器节点组成，通过无线通信完成目标监控和信息采集任务。对网络覆盖的测量能够使人们了解监测区域的网络覆盖状况,重新调整传感器节点分布或者指导在将来添加传感器节点时可采取的改进措施,保证测量数据的可靠性,减少资源浪费,延长网络寿命。 近年来,国内外学者在WSN覆盖控制方面进行了大量研究,取得了一定进展。暴露穿越覆盖控制算法采用分布式执行方式,从而得到精度不同的暴露路径。最坏与最佳情况覆盖算法,在最佳与最差两种度量条件下分别得到了临界的网络路径规划结果,指导网络节点的配置。在国内,刘永生等人用随机调度子集划分最优解的方法优化覆盖率;Wang等人提出了两种移动节点的部署方法;周彤等人提出了基于虚拟力的混合感知网络节点部署方法。 标准粒子群算法在空间搜索时,粒子向自身历史最佳位置或群体历史最佳位置聚集,限制了粒子的搜索范围。为了避免陷入早熟,就要增加种群的粒子数或者减弱粒子对当前种群搜索到的全局最优位置的追逐,而增加粒子数将导致算法复杂度加大,减弱粒子对全局最优点的追逐使得算法不易收敛。本文所提出的基于碰撞理论的分簇粒子群覆盖优化策略(CCPSO)是在标准粒子群算法的基础上,采用分簇思想和碰撞策略调整传感器节点,使整个网络覆盖性能得到优化。 1 无线传感器网络系统的模型和问题描述 1.1 基于多个传感器节点同时测量目标的方法 假设二维平面监测区域P被数字离散化为m×n个像素,该目标在该区域上参数相同的传感器节点数目为N,每个节点的坐标均已知,感知半径均为r。传感器节点集表示C={c1,c2,c3,…,cN},点A被ci所覆盖的事件发生的概率ρcov(x,y,ci)表示为 其中:ci=(xi,yi,r)表示以节点坐标(xi,yi)为圆心,感知半径为r的圆;为像素点A(x,y)与ci之间的距离。 基于二元感知模型,文献提出了一种采用多个传感器节点同时测量监测目标的方法来提高监测目标的测量概率。 其中ρcov(C)为节点集联合测量概率。 1.2 基于区域覆盖率 对于区域覆盖率的研究,文献提到将目标区域离散为许多格点,用所有格点被传感器节点覆盖的覆盖率来代表目标区域的区域覆盖率,从而将区域覆盖率的问题转换为点覆盖的问题。 由于节点集C的区域覆盖率R(C)为节点集C的覆盖面积与监测区域P的总面积之比,监测区域P被数字离散化为m×n个像素。用节点集联合测量概率衡量每个像素点是否被传感器节点集所覆盖,得到节点集C的区域覆盖率: 基于以上理论,得出区域覆盖率的计算步骤如下: a)根据式(1)计算一个像素点对每个传感器节点的覆盖率。 b)根据式(2)计算一个像素点对传感器节点集合的联合覆盖率。 c)重复步骤a)和b)计算监测区域每一个像素点对传感器节点集C的联合覆盖率。 d)根据式(3)计算传感器节点集C的区域覆盖率R(C),并将R(C)作为以后覆盖优化算法的优化目标函数。 2 基于冲突理论的集群颗粒群算法 2.1 u3000无线传感器网络的局部寻优算法 粒子群算法(PSO)是目前普遍应用的用于解决多目标优化问题的经典算法之一。其基本思想是随机初始化一群没有体积、没有质量的粒子,将每个粒子视为优化问题的一个可行解,粒子的好坏由一个事先设定的适应度函数来确定。每个粒子在搜索空间中以一定的速度飞行,并根据对个体和群体的飞行经验综合分析来动态调整速度。每一代中,粒子将跟踪两个极值,一个是粒子本身迄今为止找到的最优解,另一个是整个群体迄今为止找到的最优解。假设一个由m个粒子组成的群体在n维搜索空间以一定的速度飞行,粒子i在t时刻的状态属性设置如下: 第i个粒子在n维空间的当前位置为Xi=(Xi1,Xi2,Xi3,…,Xin),第i个粒子在n维空间的当前飞行速度为Vi=(Vi1,Vi2,Vi3,…,Vin),第i个粒子经历的最好位置为Pi=(Pi1,Pi2,Pi3,…,Pin),也是微粒i所经历的具有最好适应值的位置,称为个体最好位置pbest。 设f(x)为最大化的目标函数,根据优化目标不同f(x)也有不同定义。在无线传感器网络中,f(x)通常是指传感器节点的覆盖率,则微粒i的当前最好位置由下式确定: 该群体所有m个粒子中经历过的最好位置为Pg(t),即全局最好位置gbest,满足 粒子在t+1时刻的位置更新通过下式获得: 其中:i表示第i个粒子,j表示粒子所搜索空间的维数;t表示迭代次数;c1是粒子自身加速度权重系数,c2是全局加速度权重系数,通常取c1=c2=2;r1、r2为均匀分布在(0,1)区间的随机数;w为惯性权重系数,计算公式为 其中:t为当前迭代次数,tmax为算法的总迭代次数。Shi指出较大的权重有利于展开全局寻优,较小的权重有利于局部寻优。式(