【技术实现步骤摘要】
基于改进人工蜂鸟算法的传感器网络覆盖优化方法及系统
[0001]本专利技术属于群智能优化算法领域和无线传感网
,具体涉及一种基于改进人工蜂鸟算法的传感器网络覆盖优化方法及系统。
技术介绍
[0002]随着互联网、物联网、人工智能和自动化的快速发展,人类社会已经进入全球智能化阶段。物联网的发展激励了传感器技术的进步,如何高效部署复杂的WSN是目前面临的重要难题。WSN经常用在人力难以到达的恶劣环境中,往往采用无人机随机部署节点的方式,容易出现覆盖空洞,导致监测区域信息采集不足,进而影响网络整体性能。
[0003]混合WSN是一种特殊类型的WSN,兼顾了部署灵活性和部署成本,大量应用于实际生活中。由于混合WSN包含部分固定节点和移动节点,部署的随机性和不确定性大大增加。随着规模增大,传统的精确算法不仅容易陷入局部最优解,计算代价也呈指数级函数增长,计算时间令人难以接受。因此,精确算法的适用范围较窄,不再是解决混合WSN覆盖优化问题的最佳选择。
[0004]针对上述问题,有必要设计一种混合无线传感器网络覆盖优化方法,实现传感器节点的最优部署。
技术实现思路
[0005]针对现有技术中存在的问题,本专利技术提供一种基于改进人工蜂鸟算法的传感器网络覆盖优化方法及系统,应用于混合WSN覆盖优化问题中,实现传感器节点的最优部署。
[0006]本专利技术是通过以下技术方案来实现:
[0007]一种基于改进人工蜂鸟算法的传感器网络覆盖优化方法,包括以下步骤:
[0008]步 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进人工蜂鸟算法的传感器网络覆盖优化方法,其特征在于,包括以下步骤:步骤1、以布尔感知模型作为节点感知模型,并结合监测区域覆盖率最大化的目标函数,建立混合WSN覆盖优化模型;根据混合WSN覆盖优化模型对蜂鸟种群进行编码,并用PWLCM混沌映射初始化蜂鸟种群;步骤2、确定各蜂鸟进入引导觅食阶段或领地觅食阶段,然后结合Levy飞行更新种群中所有蜂鸟的位置;步骤3、确定步骤2更新后的各蜂鸟之间的欧式距离,并用基于热力覆盖的均匀化方法更新所有蜂鸟的位置;步骤4、根据步骤3更新后的各蜂鸟适应度值对蜂鸟种群进行排序,更新劣质蜂鸟位置,并利用基于非线性收敛因子的柯西高斯逐维扰动方法更新最优蜂鸟的位置,得到传感器最优部署方案;步骤5、当传感器最优部署方案未达到设定条件或未达到最大迭代次数,将本次迭代得到的所有传感器部署方案作为初始种群,重复步骤2
‑
4,直至传感器最优部署方案达到设定条件或达到最大迭代次数。2.根据权利要求1所述的基于改进人工蜂鸟算法的传感器网络覆盖优化方法,其特征在于,步骤2中引导觅食阶段的蜂鸟位置更新方法如下:根据蜂鸟的优先级和适应度值确定目标食物源,然后计算蜂鸟向目标食物源移动后的候选位置和候选适应度值,当候选适应度值比原适应度值更优,根据候选位置更新蜂鸟的位置。3.根据权利要求1所述的基于改进人工蜂鸟算法的传感器网络覆盖优化方法,其特征在于,步骤2中领地觅食阶段的蜂鸟位置更新方法如下:采用Levy飞行的解生成方法计算蜂鸟移动后的候选位置和候选适应度值,当候选适应度值比原适应度值更优,根据候选位置更新蜂鸟的位置。4.根据权利要求1所述的基于改进人工蜂鸟算法的传感器网络覆盖优化方法,其特征在于,步骤3中更新各蜂鸟位置的基于热力覆盖的均匀化方法如下:对于一只蜂鸟中的一个传感器节点s
i
,将节点s
i
与剩余节点的欧式距离小于分界因子b1的节点筛选为邻居节点;当节点s
i
与邻居节点s
j
的欧式距离大于设定的分界因子b2时,采用聚集操作更新节点s
i
的位置;当节点s
i
与邻居节点s
j
的欧式距离小于设定的分界因子b2且大于分界因子b3时,采用分散操作更新节点s
i
的位置;当节点s
i
与邻居节点s
j
的欧式距离小于分界因子b3时,采用变异操作更新节点s
i
的位置。5.根据权利要求4所述的基于改进人工蜂鸟算法的传感器网络覆盖优化方法,其特征在于,采用聚集操作更新节点s
i
位置的方法如下:所述节点s
i
的移动距离的计算方法如下:D
ij
=k1×
(d(s
i
,s
j
)
‑
【专利技术属性】
技术研发人员:王竹荣,闫琦,王战敏,黑新宏,
申请(专利权)人:西安理工大学,
类型:发明
国别省市:
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。