基于多智能体进化算法的无线传感器网络优化方法技术

本发明专利技术公开一种基于多智能体进化算法的无线传感器网络优化方法，其步骤如下：(1)构建无线传感器网络；(2)设置最大迭代次数；(3)构建智能体网格；(4)采用带惩罚的蒙特卡罗方法计算智能体能量；(5)邻域竞争操作；(6)变异操作；(7)确定局部最优智能体；(8)自学习操作；(9)虚拟力操作；(10)判断循环代数是否达到最大迭代次数，若是，执行步骤(11)，否则，循环代数加1，执行步骤(3)；(11)输出无线传感器网络优化结果。本发明专利技术加快了优化无线传感器网络的速度，降低了无线传感器间的干扰，适用于优化大规模的无线传感器网络。

【技术实现步骤摘要】

本专利技术属于通信
，更进一步涉及无线通信
中的一种基于多智能体进化算法的无线传感器网络优化方法。本专利技术可用于优化无线传感器网络中无线传感器的分布，用无线传感器对一定规模的区域进行监测，使无线传感器对监测区域的覆盖范围达到最大。
技术介绍
无线传感器网络是一种能够有效获得信息的无线网络。无线传感器网络已经广泛的应用在军事、社会生产和生活中，例如战场监督、灾难救援、目标识别、天气监控、灾害干预、医疗护理等方面。无线传感器网络一般是指将一定数目的无线传感器分布在一个规模较大的区域进行监测。因此，如何去布局这些无线传感器的位置使覆盖范围达到最大是一个很重要的技术问题。当无线传感器数目较少时，可以进行人为放置，当无线传感器数目较大时，必须考虑如何合理的放置无线传感器。当无线传感器放置不合理时，无线传感器之间会造成干扰，使得信息传输不可靠。传统的优化方法只适用于无线传感器数目较少时，当无线传感器数目较多时，计算速度慢，耗时长。基于多智能体进化算法的无线传感器网络优化方法，不仅能降低成本，加快计算速度，还能增强无线传感器网络的稳定性。YourimYoon等人在其发表的论文“AnEfficientGeneticAlgorithmforMaximumCoverageDevelopmentinWirelessSensorNetworks”(《IEEETransactionsonCybernetics》文章编号：2168-2267(2013))中公开了一种基于有效遗传算法的无线传感器网络覆盖优化方法。该方法在遗传算法的基础上加入归一化方法，对解空间进行搜索，用种群中的个体串来对无线传感器的位置和覆盖半径进行编码，将无线传感器的覆盖面积作为适应度函数，用蒙特卡罗方法，对适应度函数进行求解，经过多次迭代，保留种群中适应度函数值最大的个体，直到满足终止条件停止。该方法存在的不足之处是，当无线传感器数目较多时，寻优速度慢，耗时长，搜索空间较大，收敛速度慢，迭代次数较多。南京理工大学在其申请的专利“基于虚拟力算法的无线传感网覆盖优化方法与系统”(申请号：201410579915.2，申请公布号：CN104333866A)中公开了一种基于虚拟力算法的无线传感网覆盖优化方法与系统。该方法包括以下步骤：1.设定无线传感网的监测区域范围、传感器的探测距离；2.无线传感器在监测区域范围内的布撒；3.确定无线传感器节点的坐标值；4.计算各节点之间距离，存储至节点坐标矩阵，计算各节点的受力情况；5.判断节点移动是否满足约束条件：如果是则以当前的节点坐标矩阵作为节点位置数据输出，否则进入下一步骤，判断节点位置与监测区域范围的边界之间的距离是否超过距离阈值：如果未超过，则使节点受力后正常移动，如果超过，则使节点停止向监测区域范围的边界方向的移动，回弹第二距离阈值，然后返回步骤3。该方法存在的不足之处是，计算速度慢，耗时长，无线传感器对监测区域的覆盖范围较小，无线传感器间的覆盖重叠较大，使无线传感器间造成干扰，信息传输不可靠。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足，提供一种基于多智能体进化算法的无线传感器网络优化方法，以使无线传感器对监测区域的覆盖范围达到最大。本专利技术包括有如下步骤：(1)构建无线传感器网络：(1a)输入无线传感器网络的工作区域范围；(1b)输入三种无线传感器的覆盖半径；(1c)将三种无线传感器随机散布在无线传感器网络的工作区域之中，完成一个无线传感器网络的构建；(2)设置最大迭代次数：在[0，500]的范围内，根据多智能体进化算法的优化结果，设置多智能体进化算法的最大迭代次数；(3)构建智能体网格：将一个无线传感器网络作为一个智能体，用81个智能体构建成大小为9×9智能体网格；(4)采用带惩罚的蒙特卡罗方法，计算大小为9×9的智能体网格中每一个智能体的能量；(5)对大小为9×9的智能体网格执行邻域竞争操作；(6)对大小为9×9的智能体网格执行变异操作；(7)确定大小为9×9的智能体网格的局部最优智能体：采用带惩罚的蒙特卡罗方法，计算变异后大小为9×9智能体网格中每个智能体的能量，将能量最大的智能体作为9×9局部最优智能体；(8)自学习操作：(8a)在[0，100]的范围内，根据多智能体进化算法的优化结果，设置自学习操作的最大迭代次数；(8b)将每一个无线传感器网络作为一个智能体，用25个智能体构建一个大小为5×5的智能体网格；(8c)采用带惩罚的蒙特卡罗方法，计算大小为5×5的智能体网格中每个智能体的能量；(8d)对大小为5×5的智能体网格执行邻域竞争操作；(8e)对大小为5×5的智能体网格执行变异操作；(8f)采用带惩罚的蒙特卡罗方法，计算变异后的智能体网格中每个智能体的能量，找出能量最大的智能体作为5×5局部最优智能体；(8g)将9×9局部最优智能体的能量与5×5局部最优智能体的能量进行比较，若5×5局部最优智能体的能量大于9×9局部最优智能体的能量时，用5×5局部最优智能体更新9×9局部最优智能体；(8h)将更新后的9×9局部最优智能体作为最优无线传感器网络；(8i)判断当前自学习操作的循环代数是否达到最大迭代次数，若是，则执行步骤(9)，否则，将自学习操作的循环代数加1后，执行步骤(8d)；(9)虚拟力操作：(9a)从最优无线传感器网络中任意选取一个无线传感器；(9b)按照下式，计算所选无线传感器分别与除所选无线传感器之外的每一个无线传感器间的距离：其中，dm表示第m个无线传感器与除第m个无线传感器之外的第n个无线传感器之间的距离，xm和ym分别表示第m个无线传感器的横、纵坐标位置，xn和yn分别表示除了第m个无线传感器之外第n个无线传感器的横、纵坐标位置；(9c)按照下式，计算所选无线传感器分别与除所选无线传感器之外的每一个无线传感器的覆盖半径之和：Lm＝Rm+Rn其中，Lm表示第m个无线传感器与除第m个无线传感器之外的第n个无线传感器的覆盖半径之和，Rm表示第m无线传感器的覆盖半径，Rn表示除第m个无线传感器之外的第n个无线传感器的覆盖半径；(9d)判断无线传感器间的距离dm是否小于覆盖半径之和Lm,若是，对第m个无线传感器施加排斥力，否则，对第m个无线传感器施加吸引力；(9e)判断最优无线传感器网络中每一个无线传感器是否已被选取，若是，则执行步骤(10)，否则，执行步骤(9a)；(10)判断当前多智能体进化算法的循环代数是否达到最大迭代次数，若是，则执行步骤(11)，否则，将多智能体进化算法的循环代数加1后，执行步骤(3)；(11)输出无线传感器网络分布结果。本专利技术与现有技术相比具有如下优点：第一，由于本专利技术采用带惩罚的蒙特卡罗方法，计算智能体网格中每个智能体的能量，减少了寻优过程的迭代次数，快速的找到了最优无线传感器网络，克服了现有技术中的传统方法收敛速度慢、耗时长、迭代次数较多的缺点。使得本专利技术加快了优化无线传感器网络的收敛速度，缩短了寻找最优无线传感器网络的时间。第二，由于本专利技术对智能体网格执行邻域竞争操作，缩小了无线传感器网络寻优的搜索空间，加快了无线传感器网络的寻优过程，克服了现有技术中的传统方法搜索空间大、计算量大的缺点。使得本专利技术缩小了搜索空间，大大减少了寻优过程的计算本文档来自技高网...

【技术保护点】
一种基于多智能体进化算法的无线传感器网络优化方法，包括以下步骤：(1)构建无线传感器网络：(1a)输入无线传感器网络的工作区域范围；(1b)输入三种无线传感器的覆盖半径；(1c)将三种无线传感器随机散布在无线传感器网络的工作区域之中，完成一个无线传感器网络的构建，(2)设置最大迭代次数：在[0，500]的范围内，根据多智能体进化算法的优化结果，设置多智能体进化算法的最大迭代次数；(3)构建智能体网格：将一个无线传感器网络作为一个智能体，用81个智能体构建成大小为9×9智能体网格；(4)采用带惩罚的蒙特卡罗方法，计算大小为9×9的智能体网格中每一个智能体的能量；(5)对大小为9×9的智能体网格执行邻域竞争操作；(6)对大小为9×9的智能体网格执行变异操作；(7)确定大小为9×9的智能体网格的局部最优智能体：采用带惩罚的蒙特卡罗方法，计算变异后大小为9×9的智能体网格中每个智能体的能量，将能量最大的智能体作为9×9局部最优智能体；(8)自学习操作：(8a)在[0，100]的范围内，根据多智能体进化算法的优化结果，设置自学习操作的最大迭代次数；(8b)将每一个无线传感器网络作为一个智能体，用25个智能体构建一个大小为5×5的智能体网格；(8c)采用带惩罚的蒙特卡罗方法，计算大小为5×5的智能体网格中每个智能体的能量；(8d)对大小为5×5的智能体网格执行邻域竞争操作；(8e)对大小为5×5的智能体网格执行变异操作；(8f)采用带惩罚的蒙特卡罗方法，计算变异后的智能体网格中每个智能体的能量，找出能量最大的智能体作为5×5局部最优智能体；(8g)将9×9局部最优智能体的能量与5×5局部最优智能体的能量进行比较，若5×5局部最优智能体的能量大于9×9局部最优智能体的能量时，用5×5局部最优智能体更新9×9局部最优智能体；(8h)将更新后的9×9局部最优智能体作为最优无线传感器网络；(8i)判断当前自学习操作的循环代数是否达到最大迭代次数，若是，则执行步骤(9)，否则，将自学习操作的循环代数加1后，执行步骤(8d)；(9)虚拟力操作：(9a)从最优无线传感器网络中任意选取一个无线传感器；(9b)按照下式，计算所选无线传感器分别与除所选无线传感器之外的每一个无线传感器间的距离：dm=(xm-xn)2+(ym-yn)2]]>其中，dm表示第m个无线传感器与除第m个无线传感器之外的第n个无线传感器之间的距离，xm和ym分别表示第m个无线传感器的横、纵坐标位置，xn和yn分别表示除了第m个无线传感器之外第n个无线传感器的横、纵坐标位置；(9c)按照下式，计算所选无线传感器分别与除所选无线传感器之外的每一个无线传感器的覆盖半径之和：Lm＝Rm+Rn其中，Lm表示第m个无线传感器与除第m个无线传感器之外的第n个无线传感器的覆盖半径之和，Rm表示第m无线传感器的覆盖半径，Rn表示除第m个无线传感器之外的第n个无线传感器的覆盖半径；(9d)判断无线传感器间的距离dm是否小于覆盖半径之和Lm,若是，对第m个无线传感器施加排斥力，否则，对第m个无线传感器施加吸引力；(9e)判断最优无线传感器网络中每一个无线传感器是否已被选取，若是，则执行步骤(10)，否则，执行步骤(9a)；(10)判断当前多智能体进化算法的循环代数是否达到最大迭代次数，若是，则执行步骤(11)，否则，将多智能体进化算法的循环代数加1后，执行步骤(3)；(11)输出无线传感器网络分布结果。...

【技术特征摘要】
1.一种基于多智能体进化算法的无线传感器网络优化方法，包括以下步骤：(1)构建无线传感器网络：(1a)输入无线传感器网络的工作区域范围；(1b)输入三种无线传感器的覆盖半径；(1c)将三种无线传感器随机散布在无线传感器网络的工作区域之中，完成一个无线传感器网络的构建，(2)设置最大迭代次数：在[0，500]的范围内，根据多智能体进化算法的优化结果，设置多智能体进化算法的最大迭代次数；(3)构建智能体网格：将一个无线传感器网络作为一个智能体，用81个智能体构建成大小为9×9智能体网格；(4)采用带惩罚的蒙特卡罗方法，计算大小为9×9的智能体网格中每一个智能体的能量；(5)对大小为9×9的智能体网格执行邻域竞争操作；(6)对大小为9×9的智能体网格执行变异操作；(7)确定大小为9×9的智能体网格的局部最优智能体：采用带惩罚的蒙特卡罗方法，计算变异后大小为9×9的智能体网格中每个智能体的能量，将能量最大的智能体作为9×9局部最优智能体；(8)自学习操作：(8a)在[0，100]的范围内，根据多智能体进化算法的优化结果，设置自学习操作的最大迭代次数；(8b)将每一个无线传感器网络作为一个智能体，用25个智能体构建一个大小为5×5的智能体网格；(8c)采用带惩罚的蒙特卡罗方法，计算大小为5×5的智能体网格中每个智能体的能量；(8d)对大小为5×5的智能体网格执行邻域竞争操作；(8e)对大小为5×5的智能体网格执行变异操作；(8f)采用带惩罚的蒙特卡罗方法，计算变异后的智能体网格中每个智能体的能量，找出能量最大的智能体作为5×5局部最优智能体；(8g)将9×9局部最优智能体的能量与5×5局部最优智能体的能量进行比较，若5×5局部最优智能体的能量大于9×9局部最优智能体的能量时，用5×5局部最优智能体更新9×9局部最优智能体；(8h)将更新后的9×9局部最优智能体作为最优无线传感器网络；(8i)判断当前自学习操作的循环代数是否达到最大迭代次数，若是，则执行步骤(9)，否则，将自学习操作的循环代数加1后，执行步骤(8d)；(9)虚拟力操作：(9a)从最优无线传感器网络中任意选取一个无线传感器；(9b)按照下式，计算所选无线传感器分别与除所选无线传感器之外的每一个无线传感器间的距离：dm=(xm-xn)2+(ym-yn)2]]>其中，dm表示第m个无线传感器与除第m个无线传感器之外的第n个无线传感器之间的距离，xm和ym分别表示第m个无线传感器的横、纵坐标位置，xn和yn分别表示除了第m个无线传感器之外第n个无线传感器的横、纵坐标位置；(9c)按照下式，计算所选无线传感器分别与除所选无线传感器之外的每一个无线传感器的覆盖半径之和：Lm＝Rm+Rn其中，Lm表示第m个无线传感器与除第m个无线传感器之外的第n个无线传感器的覆盖半径之和，Rm表示第m无线传感器的覆盖半径，Rn表示除第m个无线传感器之外的第n个无线传感器的覆盖半径；(9d)判断无线传感器间的距离dm是否小于覆盖半径之和Lm,若是，对第m个无线传感器施加排斥力，否则，对第m个无线传感器施加吸引力；(9e)判断最优无线传感器网络中每一个无线传感器是否已被选取，若是，则执行步骤(10)，否则，执行步骤(9a)；(10)判断当前多智能体进化算法的循环代数是否达到最大迭代次数，若是，则执行步骤(11)，否则，将多智能体进化算法的循环代数加1后，执行步骤(3)；(11)输出无线传感器网络分布结果。2.根据权利要求1所述的基于多智能体进化算法的无线传感器网络优化方法，其特征在于，步骤(1a)中所述的无线传感器网络的工作区域范围为100×100米。3.根据权利要求1所述的基于多智能体进化算法的无线传感器网...

【专利技术属性】
技术研发人员：刘静，焦李成，聂世荣，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61