一种无线传感器网络中基于多目标进化算法的优化覆盖方法技术

本发明专利技术提出一种无线传感器网络中基于多目标进化算法的优化覆盖方法，首先创建无线传感器网络的数学模型及目标函数，随机生成一种群，采用基于非支配排序和维度双向搜索的多目标进化算法主要流程如下：维持一个大小为N的种群，并通过不断迭代，引导算法逼近Pareto最优前沿。在每一次迭代过程中，首先给定一个种群Pt；引入基于改进差分运算的双向定向局部搜索策略用于产生一个更好的种群Pt′；然后，采用快速非支配排序算法对合并种群Pt∪Pt′进行排序并生成偏序边界，引入新分布度维持策略与快速非支配排序算法结合，以选择一个新的种群进入下一次进化，最终获得使得无线传感器网络所有节点的总工作功率小，同时又能保证覆盖率的最大化的种群方案。

【技术实现步骤摘要】

本专利技术涉及无线传感器
，尤其涉及无线传感器网络中基于多目标进化算法的优化覆盖方法。
技术介绍
无线传感器网络(Wireless Sensor Networks，简称WSN)是由大量的廉价微型传感器节点组成的一种无线自组织网络。将传感器节点布置到目标区域时，节点感知信号会受环境、距离等因素影响，传感器节点的感知概率呈现很强的不确定性，传感器节点与监测像素点的欧式距离越近，像素点被感知的概率就越大，数据的可靠性越高，反之则越小，数据的可靠性越低。现有的覆盖算法多数研究无线传感器网络的使用寿命，而在使得网络连通的前提下尽可能使所有节点的总工作功率小，同时又能保证覆盖率的最大化是无线传感器技术中的重要研究方向。因此涉及到多目标优化的算法，在过去的几十年中，人们提出了许多的用于解决MOPs(多目标优化问题)的算法，大致可以分为以下几类：传统算法，进化算法(evolutionary algorithms，简称EA)，模因算法(memetic algorithms，简称MA)，粒子群优化算法(particle swarm optimization algorithms，简称PSO)，蚁群算法(ant colony algorithms，简称ACA)，模拟退火法(simulated annealing algorithms，简称SA)，免疫系统法(artificial immune systems，简称AIS)，禁忌搜索法(tabu search algorithms，简称TS)以及分散搜索法(scatter search algorithms，简称SS)等。在MOPs算法中，有一些基于EA的著名的算法，称之为多目标进化算法(multiobjective evolutionary algorithms，简称MOEAs)。
技术实现思路
本专利技术一种新的基于非支配排序和维度双向搜索的多目标进化算法，以实现无线传感器网络中的优化覆盖，使得网络连通的前提下尽可能使所有节点的总工作功率小，同时又能保证覆盖率的最大化，具体方案如下：无线传感器网络中基于多目标进化算法的优化覆盖方法，包括以下步骤：S1、创建无线传感器网络覆盖数学模型：假设任意传感器节点的感知半径为Rs，在概率感知模型中，二维监测区域内一个像素点P(x，y)被传感器节点si(xi，yi)监测到的概率可以表示为： C p ( s i ) = e - α · d ( s v · P ) ]]>式中，d(si，P)表示像素点P到传感器节点si的欧式距离，式中α＝d(si，P)-(Rs-Re)，容错感知半径Re(0＜Re＜Rs),表示像素点P与节点si距离在某一范围内时点P可以被监测，设置概率感知门限Cth，若点P被有效感知，则必须满足Cp(si)≥Cth简化概率感知模型下的网络覆盖率，定义：定义子集ai为传感器节点si的工作状态，当ai为0时，表示该节点处于休眠状态，当ai为1时，表示该节点处于全功率工作状态，当0＜ai＜1时，表示该节点处于某一功率工作状态。建立多个目标函数，构建总目标函数，种群中某一个个体P＝(a1，a2，...，aN)即代表一种覆盖集方案；S2、随机产生符合S1总目标函数解集的一初始种群Po，利用维度双向搜索产生变异种群P′t：对于一个具有N个个体的种群Pt，定义其中的一个个体：(xi，t(x1，i，t，x2，i，t，...，xn，i，t)T其中，i表示该个体为种群Pt中的第i个个体，t表示当前的进化代数，同时定义个体xi，t第k个变量xk，i，t的双向邻域Sk，i，t： S k , i , t = { w k , i , t - , w k , i , t +本文档来自技高网...

【技术保护点】
无线传感器网络中基于多目标进化算法的优化覆盖方法，其特征在于，包括以下步骤：S1、创建无线传感器网络覆盖数学模型：假设任意传感器节点的感知半径为Rs，在概率感知模型中，二维监测区域内一个像素点P(x，y)被传感器节点si(xi，yi)监测到的概率可以表示为：式中，d(si，P)表示像素点P到传感器节点si的欧式距离，式中α＝d(si，P)‑(Rs‑Re)，容错感知半径Re(0＜Re＜Rs),表示像素点P与节点si距离在某一范围内时点P可以被监测。设置概率感知门限Cth，若点P被有效感知，则必须满足Cp(si)≥Cth简化概率感知模型下的网络覆盖率，定义：定义子集αi为传感器节点si的工作状态，当αi为0时，表示该节点处于休眠状态，当ai为1时，表示该节点处于全功率工作状态，当0＜ai＜1时，表示该节点处于某一功率工作状态,建立多个目标函数，构建总目标函数，种群中某一个个体P＝(a1，a2，...，aN)即代表一种覆盖集方案；S2、随机产生符合S1总目标函数解集的一初始种群Po，利用维度双向搜索产生变异种群P′t：对于一个具有N个个体的种群Pt，定义其中的一个个体：xi，t(x1，i，t，x2，i，t，...，xn，i，t)T其中，i表示该个体为种群Pt中的第i个个体，t表示当前的进化代数，同时定义个体xi，t第k个变量xk，i，t的双向邻域Sk，i，t：其中，k表示解向量的的第k维；和分别是从种群Pt中随机选择的两个个体；c为一个服从高斯分布N(μ，σ2)的干扰因子；判断每一次产生的新个体是否优于并替换当前个体：采用支配关系判断两个个体的优劣：假定有两个个体x与w，其优劣比较存在以下三种情况：x支配w，即x＜w，则x个体优于w个体；w支配x，即w＜x，则w个体优于x个体；w与x互不支配，即x＜＞w，则w个体与x个体等优,根据以上的三种情况，采用了如下的替换机制：1)且则随机选择一个替换xi，t；2)则用替换xi，t；3)则用替换xi，t；4)且则随机选择一个替换xi，t；5)则用替换xi，t；6)则用替换xi，t。除上诉6种情况外，将不做任何操作；S3、合并种群Pt和P′t，利用快速非支配排序方法将种群Pt∪P′t分成若干个非支配层级，假定一共分为g个非支配层级：F＝(F1，F2，...，Fg)；S4、根据非支配排序结果，Pt+1中的个体依次被选择，首先将F1中的个体都加入到Pt+1中，判断此时Pt+1的大小是否超过N，若还未超过N，再将F2中的个体都 加入到Pt+1中去，此时再做判断，依次进行下去；S5、假定Fl(l∈[1，g])加入到Pt+1中后，Pt+1的大小超过了N，采用插空法分布度维持策略，从Fl中选择(N‑|Pt+1|)个个体加入到Pt+1中，使得Pt+1的种群大小正好为N,插空法分布度维持策略如下：假设要从F个点中选择K个点，使所选择出来的点尽量均匀地分布在解空间中，S51、定义两个集合P和Paccept，集合P存储F个即将被选择的点，集合Paccept储存已经被选择的点；S52、计算备选点集P中的每个点到已选点集Paccept的最小欧几里距离，记为Dis[x]，其中x为P中的个体；S53、选择P中Dis[x]最大的一个点加入到Paccept中，更新Paccept；S54、更新P中未被选择点的Dis[x]；S55、重复步骤S52及S53直至K个点都被选择出来，S6、将Pt+1作为下一次的输入重复S2至S5步骤，直至达到指定的迭代次数。...

【技术特征摘要】
1.无线传感器网络中基于多目标进化算法的优化覆盖方法，其特征在于，包括以下步骤：S1、创建无线传感器网络覆盖数学模型：假设任意传感器节点的感知半径为Rs，在概率感知模型中，二维监测区域内一个像素点P(x，y)被传感器节点si(xi，yi)监测到的概率可以表示为：式中，d(si，P)表示像素点P到传感器节点si的欧式距离，式中α＝d(si，P)-(Rs-Re)，容错感知半径Re(0＜Re＜Rs),表示像素点P与节点si距离在某一范围内时点P可以被监测。设置概率感知门限Cth，若点P被有效感知，则必须满足Cp(si)≥Cth简化概率感知模型下的网络覆盖率，定义：定义子集αi为传感器节点si的工作状态，当αi为0时，表示该节点处于休眠状态，当ai为1时，表示该节点处于全功率工作状态，当0＜ai＜1时，表示该节点处于某一功率工作状态,建立多个目标函数，构建总目标函数，种群中某一个个体P＝(a1，a2，...，aN)即代表一种覆盖集方案；S2、随机产生符合S1总目标函数解集的一初始种群Po，利用维度双向搜索产生变异种群P′t：对于一个具有N个个体的种群Pt，定义其中的一个个体：xi，t(x1，i，t，x2，i，t，...，xn，i，t)T其中，i表示该个体为种群Pt中的第i个个体，t表示当前的进化代数，同时定义个体xi，t第k个变量xk，i，t的双向邻域Sk，i，t：其中，k表示解向量的的第k维；和分别是从种群Pt中随机选择的两个个体；c为一个服从高斯分布N(μ，σ2)的干扰因子；判断每一次产生的新个体是否优于并替换当前个体：采用支配关系判断两个个体的优劣：假定有两个个体x与w，其优劣比较存在以下三种情况：x支配w，即x＜w，则x个体优于w个体；w支配x，即w＜x，则w个体优于x个体；w与x互不支配，即x＜＞w，则w个体与x个体等优,根据以上的三种情况，采用了如下的替换机制：1)且则随机选择一个替换xi，t；2)则用替换xi，t；3)则用替换xi，t；4)且则随机选择一个替换xi，t；5)则用...

【专利技术属性】
技术研发人员：林凡，吴鹏程，王备战，张志宏，夏侯建兵，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35