一种物联网电力宽带载波节能算法制造技术

本发明专利技术公开了电力线宽带载波技术领域的一种物联网电力宽带载波节能算法，使用改进的粒子群优化算法搜索最大链路权重并进行二次优化得到全局最优解，以实现最大限度地节能，算法实现起来更加简单，收敛更快。对粒子群初始化；基于适应度函数计算粒子的适应度值；对个体极值和群体极值进行历史最优化替代；计算各粒子最大适应度值和平均适应度值的差值，将个体适应度差值作为输入，自适应调节速度和位置，更新粒子速度、位置得到子代种群；动态调整子代个体产生新一代粒子群；新一代粒子群中的各粒子通过个体极值和群体极值更新自身的速度和位置；获取链路权重最大值，使用改进的粒子群优化算法搜索最大链路权重并进行二次优化得到全局最优解。

An energy-saving algorithm of Internet of things power broadband carrier

【技术实现步骤摘要】
一种物联网电力宽带载波节能算法
本专利技术属于电力线宽带载波
，具体涉及一种物联网电力宽带载波节能算法。
技术介绍
在无线通信领域，通过地理自适应保真能量模型来优化移动AdHoc(点对点)无线网络中的能量消耗。已有使用基因算法(GA)和模拟退火(SA)元启发算法在移动AdHoc网络中从两个方向上产生能量来比较能量最小化过程。基于地域自适应保真算法(GAF)是移动AdHoc无线网络中最著名的拓扑管理方案被用于移动AdHoc网络的节能管理。在无线AdHoc网络中节点负责数据的传输是以电池做电源的，因此需要节能以提高电池使用时间。相似的节点进入相同网格并且负责数据传输。因此，某个时刻只有一个可以是有效的收发数据的节点并且其余的节点就成为浪费能量的节点。
技术实现思路
为解决现有技术中的不足，本专利技术提供一种物联网电力宽带载波节能算法，使用改进的粒子群优化算法搜索最大链路权重并进行二次优化得到全局最优解，从而得到最小业务流量，以实现最大限度地节能，算法实现起来更加简单，收敛更快。为达到上述目的，本专利技术所采用的技术方案是：一种物联网电力宽带载波节能算法，包括：步骤1：对粒子群进行初始化，同时随机初始化各粒子；输入粒子群优化算法的参数和链路权重向量作为参数；把链路权重向量作为优化目标函数；步骤2：基于适应度函数，进行各粒子适应度值计算；将粒子个体作为系统变量输入，基于约束条件产生可行解；步骤3：针对粒子进行当前适应度值与历史最优适应度值比较，同时进行历史最优值替代；步骤4：针对粒子进行当前适应度与种群历史最优适应度值比较，并进行历史最优值替换；步骤5：计算各粒子最大适应度值和平均适应度值的差，获得个体适应度差值，将个体适应度差值作为输入，自适应调节各粒子的速度和位置，更新粒子速度、位置得到子代种群；步骤6：动态调整子代种群的个体产生新一代粒子群；步骤7：新一代粒子群中的各粒子通过个体极值和群体极值更新自身的速度和位置；对每个粒子，将其适应度值与最优值进行比较，如果较好，则将其作为当前的最好位置，比较当前所有的个体极值和群体极值的值，更新群体极值；步骤8：如果获得链路权重最大值，则结束，否则跳转至步骤5；步骤9：根据最大链路权重计算变量强度，并计算最小流量；步骤10：重新初始化粒子群，每一个粒子个体都对应着一个网格长度；根据物联网电力宽带载波能耗模型输入模型参数和改进的粒子群优化算法参数；把物联网电力宽带载波能耗模型作为优化目标函数；重复步骤2至步骤7；步骤11：如果获得整个系统最小总能耗，则结束，否则跳转至步骤5。一种改进的粒子群优化算法，包括：步骤1：对粒子群进行初始化，同时随机初始化各粒子；步骤2：基于适应度函数，计算各粒子的当前适应度值；步骤3：针对粒子进行当前适应度值与历史最优适应度值比较，同时进行历史最优值替代；步骤4：针对粒子进行当前适应度值与种群历史最优适应度值比较，并进行历史最优值替换；步骤5：计算各粒子最大适应度值和平均适应度值的差，获得个体适应度差值，将个体适应度差值作为输入，自适应调节各粒子的速度和位置，更新粒子速度、位置得到子代种群；步骤6：对子代种群的各粒子进行动态调整，产生新一代粒子群；步骤7：新一代粒子群中的各粒子通过个体极值和群体极值更新自身的速度和位置；步骤8：如果获得最优值，则结束，否则跳转至步骤2。与现有技术相比，本专利技术所达到的有益效果：(1)本专利技术所述物联网电力宽带载波节能算法，通过使用改进的粒子群优化算法搜索最大链路权重得到全局最优解，并且使用改进的粒子群算法进行二次优化，计算最大链路权重，得到最小业务流量，实现最大限度地节能目的；(2)本专利技术所述改进的粒子群优化算法，通过计算最大适应度值和平均适应度值的差值，自适应调节粒子的速度和位置，动态调整子代个体，实现起来更加简单，收敛更快，可防止早熟收敛。附图说明图1是本专利技术实施例提供的一种物联网电力宽带载波节能算法的流程示意图；图2是采用本专利技术实施例提供的一种物联网电力宽带载波节能算法的配电网的总能量消耗曲线图；图3是采用本专利技术实施例提供的一种物联网电力宽带载波节能算法的配电网的最大链路权重图；图4是采用本专利技术实施例提供的一种物联网电力宽带载波节能算法的配电网采用最大链路权重计算得到最小流量时得到的最小网络总能耗图。具体实施方式下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。本专利技术提供一种改进的粒子群优化算法(改进的PSO)，首先在可行解空间中初始化一群粒子，每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标标识该粒子特征。基于对鸟类捕食行为的模拟，粒子群优化算法(PSO)可以计算出多个粒子共存及合作最优的路径最优解。粒子本身在飞行过程中所获取的最好位置被记作个体极值Pbest,整个粒子群所获得的最优位置可以记作群体极值Gbest，用H维速度Vi＝(vi1，vi2，…，viH)与位置Pi＝(pi1，pi2，…，piH)进行粒子状态的表示，通过针对自身速度与位置进行状态更新，可以产生新一代群体。粒子在解空间中运动，通过跟踪个体极值Pbest和群体极值Gbest更新个体位置，个体极值Pbest是个体所经历位置中计算得到的适应度值最优位置，群体极值Gbest是指种群中的所有粒子搜索到的适应度最优位置。粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值，群体极值的适应度值更新个体极值Pbest和群体极值Gbest位置。在每一次迭代过程中，粒子通过个体极值和群体极值更新自身的速度和位置，更新公式如下：其中，表示第k+1次迭代后粒子的速度，w表示惯性权值，表示第k次迭代后粒子的速度，c1表示第一学习因子常数，c2表示第二学习因子常数，表示第k次迭代后第一随机数，取值范围是「0，1」，表示第k次迭代后粒子个体极值，表示第k次迭代后粒子的位置，表示第k次迭代后第二随机数，取值范围是「0，1」，表示第k次迭代后粒子群体极值，k表示迭代次数；其中，表示第k+1次迭代后粒子的位置。当w＝0.8，c1＝c2＝1.8，k＝100时，算法收敛性较好。PSO算法没有选择、交叉、变异等操作算子，PSO有记忆的功能，PSO与遗传算法的信息共享机制不同，遗传算法是互相共享信息，整个种群的移动是比较均匀地向最优区域移动，而在PSO中，只有Gbest或Pbest给出信息给其他粒子，属于单向的信息流动，整个搜索更新过程是跟随当前最优解的过程。因此，在一般情况下，PSO的收敛速度更快。改进的PSO计算各粒子最大适应度值和平均适应度值的差值，根据差值自适应调节速度和位置，使得个体极值和群体极值更新。为了防止早熟收敛，对粒子群的个体进行动态调整，本文档来自技高网...

【技术保护点】
1.一种物联网电力宽带载波节能算法，其特征是，包括：/n步骤1：对粒子群进行初始化，同时随机初始化各粒子；输入粒子群优化算法的参数和链路权重向量作为参数；把链路权重向量作为优化目标函数；/n步骤2：基于适应度函数，进行各粒子适应度值计算；将粒子个体作为系统变量输入，基于约束条件产生可行解；/n步骤3：针对粒子进行当前适应度值与历史最优适应度值比较，同时进行历史最优值替代；/n步骤4：针对粒子进行当前适应度与种群历史最优适应度值比较，并进行历史最优值替换；/n步骤5：计算各粒子最大适应度值和平均适应度值的差，获得个体适应度差值，将个体适应度差值作为输入，自适应调节各粒子的速度和位置，更新粒子速度、位置得到子代种群；/n步骤6：动态调整子代种群的个体产生新一代粒子群；/n步骤7：新一代粒子群中的各粒子通过个体极值和群体极值更新自身的速度和位置；对每个粒子，将其适应度值与最优值进行比较，如果较好，则将其作为当前的最好位置，比较当前所有的个体极值和群体极值的值，更新群体极值；/n步骤8：如果获得链路权重最大值，则结束，否则跳转至步骤5；/n步骤9：根据最大链路权重计算变量强度，并计算最小流量；/n步骤10：重新初始化粒子群，每一个粒子个体都对应着一个网格长度；根据物联网电力宽带载波能耗模型输入模型参数和改进的粒子群优化算法参数；把物联网电力宽带载波能耗模型作为优化目标函数；重复步骤2至步骤7；/n步骤11：如果获得整个系统最小总能耗，则结束，否则跳转至步骤5。/n...

【技术特征摘要】
1.一种物联网电力宽带载波节能算法，其特征是，包括：
步骤1：对粒子群进行初始化，同时随机初始化各粒子；输入粒子群优化算法的参数和链路权重向量作为参数；把链路权重向量作为优化目标函数；
步骤2：基于适应度函数，进行各粒子适应度值计算；将粒子个体作为系统变量输入，基于约束条件产生可行解；
步骤3：针对粒子进行当前适应度值与历史最优适应度值比较，同时进行历史最优值替代；
步骤4：针对粒子进行当前适应度与种群历史最优适应度值比较，并进行历史最优值替换；
步骤5：计算各粒子最大适应度值和平均适应度值的差，获得个体适应度差值，将个体适应度差值作为输入，自适应调节各粒子的速度和位置，更新粒子速度、位置得到子代种群；
步骤6：动态调整子代种群的个体产生新一代粒子群；
步骤7：新一代粒子群中的各粒子通过个体极值和群体极值更新自身的速度和位置；对每个粒子，将其适应度值与最优值进行比较，如果较好，则将其作为当前的最好位置，比较当前所有的个体极值和群体极值的值，更新群体极值；
步骤8：如果获得链路权重最大值，则结束，否则跳转至步骤5；
步骤9：根据最大链路权重计算变量强度，并计算最小流量；
步骤10：重新初始化粒子群，每一个粒子个体都对应着一个网格长度；根据物联网电力宽带载波能耗模型输入模型参数和改进的粒子群优化算法参数；把物联网电力宽带载波能耗模型作为优化目标函数；重复步骤2至步骤7；
步骤11：如果获得整个系统最小总能耗，则结束，否则跳转至步骤5。


2.根据权利要求1所述的物联网电力宽带载波节能算法，其特征是，所述步骤6：对粒子群的各粒子进行动态调整，产生新一代粒子群；包括，
引入移民算子，在每一代进化过程中以一定的淘汰率将最差个体淘汰，然后用产生的新个体代替；
过滤相似个体，对子代个体按适应度值排序，依次计算各粒子最大适应度值和平均适应度值的差值和所述差值小于门限delta的相似个体间的广义海明距离；若满足所述差值小于所述门限delta且所述广义海明距离小于所述门限delta，则滤除该粒子；
动态补充子代新个体，将父代中适应度值较高的多个个体随机进行多次变异，产生出新个体，加入子代，产生新一代粒子群。


3.根据权利要求1所述的物联网电力宽带载波节能算法，其特征是，在所述步骤7中，采用公式(1)更新新一代粒子群中各粒子的速度，采用公式(2)更新新一代粒子群中各粒子的位置：



其中，表示第k+1次迭代后粒子的速度，w表示惯性权值，表示第k次迭代后粒子的速度，c1表示第一学习因子常数，c2表示第二学习因子常数，表示第k次迭代后第一随机数，表示第k次迭代后粒子个体极值，表示第k次迭代后粒子的位置，表示第k次迭代...

【专利技术属性】
技术研发人员：叶丹，丁旸，孙侃，卜权，张长祥，余洋，王二王，唐飞，
申请(专利权)人：佳源科技有限公司，
类型：发明
国别省市：江苏;32