【技术实现步骤摘要】
一种虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法及应用
本专利技术涉及无线传感器覆盖优化领域，具体涉及一种虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法及应用。
技术介绍
虽然无线传感器网络(Wirelesssensornetwork，WSN)最初是为军事应用而设计的，但目前WSN也大量应用于民用，应用领域包括车辆跟踪、森林监测、地震观察和建筑监测以及水资源监测等。覆盖率是WSN性能的一个重要的衡量指标，如何使用有限数量的传感器节点最大范围地对覆盖目标区域进行监测，一直是WSN技术的热点之一。无线传感器通常是随机投撒在被监测区域，这将造成节点分部不均匀从而导致被监测区域的覆盖率较低，因此通过有目标地调整传感器节点位置来提高被监测区域的WSN覆盖率具有重要意义。采用群智能优化算法解决WSN覆盖优化问题的研究逐渐增多。1999年，群体智能的概念被正式提出，任何由社会昆虫群体和动物群体的集体行为启发而提出的算法和分布式问题的解决方案都称为群体智能研究，由其演化出来的算法称为群智能优化算法。文献采用遗传算法来解决WSN覆盖优化问题，遗传算法具有较好的...
【技术保护点】
1.一种虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法，其特征在于，包括如下步骤：步骤一、随机确定所述无线传感器网络覆盖节点中N个节点位置为真实节点的初始位置；步骤二、通过修改的嵌入莱维飞行的灰狼搜索算法初始化所述初始位置的解为虚拟节点位置
【技术特征摘要】
1.一种虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法，其特征在于，包括如下步骤：步骤一、随机确定所述无线传感器网络覆盖节点中N个节点位置为真实节点的初始位置；步骤二、通过修改的嵌入莱维飞行的灰狼搜索算法初始化所述初始位置的解为虚拟节点位置步骤三、通过如下修改的嵌入莱维飞行的灰狼搜索算法进行搜索每组解的位置：以及通过如下修改的嵌入莱维飞行的灰狼搜索算法进行更新每组解的位置：步骤四、通过如下改进虚拟力算法计算虚拟力：以及通过如下计算调整每组解节点的位置：步骤五、通过优胜劣汰选择规则式，保留由改进虚拟力算法求得的更优解通过第t代的更优解判断是否更新最优解α狼、最优解β狼，并且直到达到规定的更新次数；其中，所述优胜劣汰选择规则式为2.如权利要求1所述的虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法，其特征在于，在所述步骤二和所述步骤三中的嵌入莱维飞行的灰狼搜索算法计算包括如下步骤：步骤1、进行种群初始化，其过程为Xi,j～U(lbj,ubj)；步骤2、进行种群搜索，其过程为步骤3、通过计算目标函数值，得到最优解α狼、最优解β狼，并且通过α狼和β狼的位置及如下公式计算得到其他灰狼的位置：其中，u和v服从正态分布：σv＝1；β是[0,2]的随机数；步骤4、通过如下贪婪选择策略进行判断是否保留更新后的灰狼，并且重复上述过程，直到满足算法终止条件，最后输出最优解：其中，rnew和p是[0,1]的随机数。3.如权利要求1所述的虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法，其特征在于，所述改进虚拟力算法包括如下步骤：步骤1、计算传感器节点sj对节点si的作用力为式中，ωα和ωγ分别为引力和斥力的权重系数，且ωγ＞＞ωα；Dth为产生引力和斥力的阈值，取值为αij为传感器节点i和传感器节点j之间的连线相对于y轴的角度；第i传感器节点所受的合力为为水平方向的合力，为垂直方向的合力；以及通过如下公式对节点位置进行更新：式中，x(k)和y(k)分别为在第k次迭代时传感器节点si的横、纵坐标；MaxStep为无线传感器节点移动的步长；步骤2、对所述传感器节点sj对节点si的作用力进行修正为：式中，R为传感器节点的通信半径。4.如权利要求3所述的虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法，其特征在于，ωα为1，ωγ为1000。5.如权利要求3所述的虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法，其特征在于，MaxStep为1.2m。6.一种无线传感器网络覆盖优化的应用，其特征在于，使用如权利要求1-5中任一项所述的虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法，包括如下步骤：步骤一、确定监测区域大小以及要部署的传感器...
【专利技术属性】
技术研发人员：杨晓萍，王世鹏，王佳帅，刘哲，李娟，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。