基于改进物种生灭优化算法的传感器网络覆盖优化方法技术

提出一种利用改进的物种生灭算法对传感器网络覆盖率进行优化的方法，该方法包括下列步骤：建立传感器概率覆盖模型；聚类分簇；采用SED

【技术实现步骤摘要】
基于改进物种生灭优化算法的传感器网络覆盖优化方法


[0001]本专利技术涉及传感器网络覆盖优化技术，具体涉及一种利用改进的物种生灭算法对传感器网络覆盖率进行优化的方法。

技术介绍

[0002]覆盖率是对传感器网络监控区域探测的一种度量，反映了传感器网络所能提供感知服务的质量。目前，关于传感器网络覆盖的优化方法主要是基于二进制覆盖模型（圆盘模型或0
‑
1模型），形成两类传感器网络覆盖方法：一是基于几何学的传感器网络覆盖方法，这类方法通过节点之间的几何关系，求解节点的最优位置部署；二是基于群智能优化算法的传感器网络覆盖方法，这类方法通过采用群智能优化算法，避免了复杂的几何推导，但存在容易陷入局部最优，早熟收敛，迭代次数大等问题。
[0003]由于传感器的覆盖模型通常不是理论上的圆盘覆盖模型，而是概率覆盖模型，但基于概率覆盖模型的传感器网络覆盖优化往往比较复杂，难以应用几何学的方法，因此，针对符合传感器探测实际的概率覆盖模型，传感器网络覆盖优化采用群智能优化算法来优化传感器节点的位置部署更加简便、容易。
[0004]《物种生灭算法》（系统工程与电子技术，2018，40（4）：941
‑
947）是专利技术人根据生物进化史中已被发现的物种大爆发和大灭绝现象，并借鉴物种灾变进化理论的思想，提出的一种新的进化计算（evolutionary computing，EC）算法，通过对物种执行大爆发和大灭绝实现寻优，并通过引入主支转移和物种衍生能力收缩等策略达到平衡算法全局寻优能力与局部寻优能力的目的，具有较高质量的最优解以及较强的稳定性。

技术实现思路

[0005]为了解决基于概率覆盖模型的传感器网络覆盖优化难以采用几何学优化方法的问题，同时为了进一步提高物种生灭（species explode and deracinate， SED）算法的优化性能，本专利技术提出一种基于改进物种生灭优化算法的传感器网络覆盖优化方法，具体包括下列步骤：第一步：建立如式（1）所示的传感器概率覆盖模型；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，表示第j个传感器对距离为R处的目标的感知概率，传感器感知半径为r
s
，不确定的感知范围为δ
×
r
s
，δ为小于1的系数，表
示目标T与传感器S
j
之间的距离，x
t
、y
t
分别表示目标点处的坐标，、分别表示传感器S
j
的坐标；λ1、λ2、β1、β2是与传感器特性有关的参数，α1、α2分别为第一和第二输入参数，其取值与r
s
和d(S
j
, T)有关，其关系式为
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）第二步：聚类分簇；采用K均值K
‑
means算法对静态传感器进行聚类，将所有传感器节点划分为4个簇；在每一簇中心位置和优化区域的中心位置各布置一个动态传感器作为簇首和网络中心点；第三步：采用SED
‑
PSO算法优化剩余动态传感器节点的位置布署；SED
‑
PSO算法步骤包括：（1）设置物种生灭算法参数，包括：幸存物种的数量S，物种的衍生能力A，物种的生代数G，物种的爆发倍数M，收缩系数α，算法的迭代次数FE
max
；（2）设置PSO算法参数，包括：种群大小P，第一学习因子c1和第二学习因子c2，惯性权重因子ω，粒子的最大正移动速度v
max
和最大负移动速度v
‑
max
，算法的迭代次数iter；（3） 建立适应度函数；基于改进物种生灭优化算法的传感器网络覆盖的适应度函数为覆盖率的倒数；（4）根据优化区域的范围，采用随机化的方式初始化物种生灭算法，计算每个物种的适应度值；每一个物种的每一维初始化公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，X
s,d
表示第s个物种的第d维的值，A
s
表示第s个物种的衍生能力，s=1, 2,
ꢀ…
, S表示第s个幸存物种；d=1, 2,
…
, D，表示优化问题的第d维，D表示优化问题的维数，rand代表(0, 1)之间的随机数；[L
min
, L
max
]表示搜索区间，L
min
, L
max
分别为搜索区间的下限和上限；A∈[A
min
, A
max
]，A
max
表示最大的物种衍生能力，A
min
≥0表示最小的物种衍生能力；（5）对每一个幸存物种进行一次爆发；每一次大爆发时，新物种的产生如下式所示；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)其中，表示在第k次优化中的第s个物种在第j次爆发时衍生的新物种，表示在第k次优化中的第s个幸存物种，rand为与同维的(0, 1)之间的随机向量，表示在第k次优化中的第s个物种的衍生能力，表示在第k次优化中的第s个物种第j次爆发衍生的新物种的衍生能力，j=1, 2,
ꢀ…
, M，表示第j次爆发；（6）对每一次爆发产生的新物种进行越界判断和处理；爆发所产生物种的每一维，
其数值应在[L
min
, L
max
]区间之内，若不在此区间内，则该维越界；对越界物种的该维数值，用随机函数产生[L
min
, L
max
]区间内的随机数进行代替；若未越界，则不用处理；（7）采用PSO算法对每次爆发产生的新物种进行深度迭代；
①ꢀ
在爆发产生的新物种基础上，生成N个粒子，每个粒子每一维的生成公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)其中，表示第i个粒子的第d维的值，表示第i个粒子的第d维的速度值，i=1, 2,
ꢀ…
, N表示第i个粒子；表示的第d维的值；
②ꢀ
对每个粒子进行越界判断和处理；每个粒子的每一维，其数值应在[L
min
, L
max
]区间之内，若不在此区间内，则该维越界；对越界粒子的该维数值，用随机函数产生[L
min
, L
max
]区间内的随机数进行代替；若未越界，则不用处理；
③ꢀ
根据所建立的适应度函数，计算N个粒子的适应度值，选出全局最优解g，并令粒子自身最优解为粒子当前的值；
④ꢀ
对每个粒子速度的每一维按照下式进行更新；
ꢀꢀꢀꢀꢀꢀꢀꢀ
(10)其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进物种生灭优化算法的传感器网络覆盖优化方法，其特征在于，具体包括下列步骤：第一步：建立如式（1）所示的传感器概率覆盖模型；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，表示第j个传感器对距离为R处的目标的感知概率，传感器感知半径为r
s
，不确定的感知范围为δ
×
r
s
，δ为小于1的系数，表示目标T与传感器S
j
之间的距离，x
t
、y
t
分别表示目标点处的坐标，、分别表示传感器S
j
的坐标；λ1、λ2、β1、β2是与传感器特性有关的参数，α1、α2分别为第一和第二输入参数，其取值与r
s
和d(S
j
, T)有关，其关系式为
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）第二步：聚类分簇；采用K均值K
‑
means算法对静态传感器进行聚类，将所有传感器节点划分为4个簇；在每一簇中心位置和优化区域的中心位置各布置一个动态传感器作为簇首和网络中心点；第三步：采用SED
‑
PSO算法优化剩余动态传感器节点的位置布署；SED
‑
PSO算法步骤包括：（1）设置物种生灭算法参数，包括：幸存物种的数量S，物种的衍生能力A，物种的生代数G，物种的爆发倍数M，收缩系数α，算法的迭代次数FE
max
；（2）设置PSO算法参数，包括：种群大小P，第一学习因子c1和第二学习因子c2，惯性权重因子ω，粒子的最大正移动速度v
max
和最大负移动速度v
‑
max
，算法的迭代次数iter；（3） 建立适应度函数；基于改进物种生灭优化算法的传感器网络覆盖的适应度函数为覆盖率的倒数；（4）根据优化区域的范围，采用随机化的方式初始化物种生灭算法，计算每个物种的适应度值；每一个物种的每一维初始化公式为：(4)(5)其中，X
s,d
表示第s个物种的第d维的值，A
s
表示第s个物种的衍生能力，s=1, 2,
ꢀ…
, S表示第s个幸存物种；d=1, 2,
…
, D，表示优化问题的第d维，D表示优化问题的维数，rand代表(0, 1)之间的随机数；[L
min
, L
max
]表示搜索区间，L
min
, L
max
分别为搜索区间的下限和上限；A∈[A
min
, A
max
]，A
max
表示最大的物种衍生能力，A
min
≥0表示最小的物种衍生能力；（5）对每一个幸存物种进行一次爆发；每一次大爆发时，新物种的产生如下式所示；
(6)(7)其中，表示在第k次优化中的第s个物种在第j次爆发时衍生的新物种，表示在第k次优化中的第s个幸存物种，rand为与同维的(0, 1)之间的随机向量，表示在第k次优化中的第s个物种的衍生能力，表示在第k次优化中的第s个物种第j次爆发衍生的新物种的衍生能力，j=1, 2,
ꢀ…
, M，表示第j次爆发；（6）对每一次爆发产生的新物种进行越界判断和处理；爆发所产生物种的每一维，其数值应在[L
min
, L
max
]区间之内，若不在此区间内，则该维越界；对越界物种的该维数值，用随机函数产生[L
min
, L
max
]区间内的随机数进行代替；若未越界，则不用处理；（7）采用PSO算法对每次爆发产生的新物种进行深度迭代；
①ꢀ
在爆发产生的新物种基础上，生成N个粒子，每个粒子每一维的生成公式为：(8)(9)其中，表示第i个粒子的第d维的值，表示第i个粒子的第d维的速度值，i=1, 2,
ꢀ…
, N表示第i个粒子；表示的第d维的值；
②ꢀ
对每个粒子进行越界判断和处理；每个粒子的每一维，其数值应在[L
min
, L
max
]区间之内，若不在此区间内，则该维越界；对越界粒子的该维数值，用随机函数产生[L
min
, L
max
]区间内的随机数进行代替；若未越界，则不用处理；
③ꢀ
根据所建立的适应度函数，计算N个粒子的适应度值，选出全局最优解g，并令粒子自身最优解为粒子当前的值；
④ꢀ
...

【专利技术属性】
技术研发人员：杨永建，甘轶，程嗣怡，申林，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：