一种基于多策略改进蜜獾算法的无线传感器网络部署方法技术

本发明专利技术实施公开了一种基于多策略改进蜜獾算法的无线传感器网络部署方法，在算法初始化阶段，使用改进的Tent映射初始化种群，在保证种群随机性的同时进一步提升种群平衡；计算传感器覆盖率的时候，综合考虑了温度、湿度、地形等因素对传感器节点覆盖衰减的影响；在算法挖掘阶段，引入两种模式的改进莱维飞行策略，增强算法的随机搜索能力的同时，减少算法搜索时间，提升算法的收敛能力；在算法采蜜阶段，使用基于差分思想的柯西变异对最优解进行优化，提高算法跳出局部最优的能力，避免算法个体早熟。熟。熟。

【技术实现步骤摘要】
一种基于多策略改进蜜獾算法的无线传感器网络部署方法

：
[0001]本专利技术属于无线传感器网络
，特别涉及一种基于多策略改进蜜獾算法的无线传感器网络部署方法。

技术介绍
：
[0002]无线传感器网络是一种低成本、自适应性高的无线网络，它广泛应用于各个领域，如农业生产、环境监测、医疗健康等。无线传感器网络的传感器节点不仅具备信息采集能力，同时也具备数据处理和无线通信的能力，这些传感器节点被密集部署在指定的目标区域内，通过无线通信和自组织方式来感知、采集和处理目标区域内各种数据信息，并将所感知和采集到的数据传送给监控中心或用户终端，协作完成指定的任务。
[0003]在建立无线传感器网络时，一般将传感器随机部署在需要监测的目标区域内，这种部署方式可以较快速地完成传感器部署，但是不能保证目标区域的完全覆盖，从而产生盲区。同时也可能导致重叠覆盖区域过多，造成资源浪费；传感器节点过于密集也会造成较大的通信开销，导致传感器的能量消耗过大，减少传感器使用寿命。因此，需要有一种合理的无线传感器网络节点部署方法，来优化节点部署，提高无线传感器网络的节点覆盖率以及使用寿命。
[0004]专利号CN107277830A公开了专利技术一种基于粒子群优化和变异算子的无线传感器网络节点部署方法，其方案中首先将所有传感器节点随机散布在目标区域当中，将各传感器的初始坐标作为粒子群算法中的粒子初始位置，无线传感器网络的覆盖率作为目标适应值函数；采用粒子群算法寻找全局最优解，从而得到粒子自身的最优值，通过改进惯性权重计算方法，提高算法的局部搜索能力，同时，给粒子一个变异概率，避免算法陷入局部最优解。但是，该方法的收敛速度不够快，全局搜索能力不强。
[0005]专利号CN105228159B公开了专利技术基于网格化以及改进粒子群算法的无线传感器网覆盖增强算法，在基于传统PSO算法以及无线传感网络网格化的基础上，提出了一种改进型PSO算法，引入非线性惯性因子，提高了算法的收敛能力。但是，该算法没有考虑陷入局部最优解的情况。
[0006]因此，设计一种收敛速度快、搜索能力强、最优解精度高的无线传感器网络节点的部署方案，是需要解决的问题。
[0007]公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路
：
[0008]本专利技术的目的在于提供一种基于多策略改进蜜獾算法的无线传感器网络部署方法，利用多策略改进蜜獾算法的寻优过程寻找无线传感器网络节点的最优部署方案，从而克服上述现有技术中的缺陷。
[0009]为实现上述目的，本专利技术提供了一种基于多策略改进蜜獾算法的无线传感器网络
部署方法，其步骤为：
[0010]S01、使用改进Tent混沌映射初始化监测区域内的无线传感器网络节点的部署位置，随机生成多种无线传感器网络节点的部署方案，这些部署方案的集合作为种群；
[0011]S02、采用概率感知模型计算种群的覆盖率，将种群的覆盖率作为种群的适应度值；
[0012]S03、对种群进行迭代，设置一个随机概率g1，g1∈rand()，rand()生成0到1之间的随机数，如果g1大于0.5，则进入挖掘阶段，否则进入采蜜阶段；
[0013]S04、在算法的挖掘阶段，根据迭代次数变化对结合果蝇飞行优化算法以及结合黄金正弦搜索机制的两种改进莱维飞行策略进行概率选择，更新无线传感器网络节点的部署位置，并根据更新后的无线传感器网络节点的部署位置计算无线传感器网络节点的适应度值；
[0014]S05、在算法的采蜜阶段，采用基于差分思想的柯西变异策略对无线传感器网络节点的部署位置进行变异，计算无线传感器网络节点的适应度值，与变异前的无线传感器节点进行适应度值大小比较，选择适应度值大的作为当前区域内最优无线传感器网络节点部署位置；
[0015]S06、判断迭代次数是否达到最大迭代次数，到达最大迭代次数则退出迭代，输出最优结果，否则重复执行步骤S03
‑
S05。
[0016]优选地，技术方案中，步骤S01中，步骤S01中，改进Tent混沌映射的映射函数为：
[0017][0018]z0∈rand()，
[0019]其中，z
i
为第i次的映射函数值，N
t
为无线传感器网络节点个数，rand()生成0到1之间的随机数；
[0020]改进Tent混沌映射初始化无线传感器网络节点的部署位置：
[0021][0022]其中，ub和lb是搜索空间的上、下界，t表示迭代次数，i表示第i个种群，表示第t次迭代中、第i个节点种群的部署位置。
[0023]优选地，技术方案中，步骤S02中，综合考虑监测区域内温度、湿度、地形以及距离的影响，采用概率感知模型作为覆盖率计算模型，无线传感器网络节点的覆盖率作为适应度值，概率感知模型为：
[0024][0025]其中，s和p分别为无线传感器网络节点和目标点，无线传感器网络节点s的部署位置的坐标为(s
x
,s
y
)，目标点p为监测区域里面的各个网格点，目标点p坐标为(p
x
,p
y
)，R
H
表示湿度，T表示温度，d(s,p)表示传感器节点s与目标点p之间的欧氏距离，其中
r
s
为传感器节点的感知半径，r
u
是地形因素对节点感知能力影响的度量，r
u
表示为：
[0026][0027]其中，k为地形参数，k
max
为地形参数的最大值。
[0028]在监测区域内目标点被无线传感器网络节点覆盖的概率P
s
为：
[0029]P
s
＝1
‑
Π
s∈area
(1
‑
f(d(s，p)))，
[0030]其中，Π
s∈area
()为监测区域内无线传感器网络节点未覆盖概率的累乘；
[0031]根据无线传感器网络节点对目标点的覆盖情况，求解无线传感器网络节点对监测区域的覆盖率，将覆盖率作为适应度值R
area
：
[0032]R
area
＝∑P
s
/S
area
[0033]其中S
area
为监测区域的面积。
[0034]优选地，技术方案中，步骤S04中，在算法挖掘阶段，对两种模式的改进莱维飞行策略进行概率选择，选择概率fp为：
[0035][0036]其中，t为迭代次数，T
max
为最大迭代次数。
[0037]如果fp大于0.5，采用结合果蝇飞行优化算法的莱维飞行策略，否则采用结合黄金正弦搜索机制的莱维飞行策略；其中采用结合果蝇飞行优化算法的莱维飞行策略更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多策略改进蜜獾算法的无线传感器网络部署方法，其步骤为：S01、使用改进Tent混沌映射初始化监测区域内的无线传感器网络节点的部署位置，随机生成多种无线传感器网络节点的部署方案，这些部署方案的集合作为种群；S02、采用概率感知模型计算种群的覆盖率，将种群的覆盖率作为种群的适应度值；S03、对种群进行迭代，设置一个随机概率g1，g1∈rand()，rand()生成0到1之间的随机数，如果g1大于0.5，则进入挖掘阶段，否则进入采蜜阶段；S04、在算法的挖掘阶段，根据迭代次数变化对结合果蝇飞行优化算法以及结合黄金正弦搜索机制的两种改进莱维飞行策略进行概率选择，更新无线传感器网络节点的部署位置，并根据更新后的无线传感器网络节点的部署位置计算无线传感器网络节点的适应度值；S05、在算法的采蜜阶段，采用基于差分思想的柯西变异策略对无线传感器网络节点的部署位置进行变异，计算无线传感器网络节点的适应度值，与变异前的无线传感器节点进行适应度值大小比较，选择适应度值大的作为当前区域内最优无线传感器网络节点部署位置；S06、判断迭代次数是否达到最大迭代次数，到达最大迭代次数则退出迭代，输出最优结果，否则重复执行步骤S03
‑
S05。2.根据权利要求1所述的基于多策略改进蜜獾算法的无线传感器网络部署方法，其特征在于：步骤S01中，改进Tent混沌映射的映射函数为：z0∈rand()，其中，z
i
为第i次的映射函数值，N
t
为无线传感器网络节点个数，rand()生成0到1之间的随机数；改进Tent混沌映射初始化无线传感器网络节点的部署位置：其中，ub和lb是搜索空间的上、下界，t表示迭代次数，i表示第i个种群，表示第t次迭代中、第i个节点种群的部署位置。3.根据权利要求1所述的一种基于多策略改进蜜獾算法的无线传感器网络部署方法，其特征在于：步骤S02中，综合考虑监测区域内温度、湿度、地形以及距离的影响，采用概率感知模型作为覆盖率计算模型，无线传感器网络节点的覆盖率作为适应度值，概率感知模型为：其中，s和p分别为无线传感器网络节点和目标点，无线传感器网络节点s的部署位置的坐标为(s
x
,s
y
)，目标点p为监测区域里面的各个网格点，目标点p坐标为(p
x
,p
y
)，R
H
表示湿度，T表示温度，d(s,p)表示无线传感器网络节点s与目标点p之间的欧氏距离，其中
r
s
为无线传感器网络节点的感知半径，r
u
是地...

【专利技术属性】
技术研发人员：黄德昌，蔡芳龙，吴章，朱路，黄招娣，熊海泉，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：