【技术实现步骤摘要】
本专利技术属于无线传感器网络领域，具体涉及一种无线传感器网络的多目标动态优化决策方法。
技术介绍
1、无线传感器网络具有传感器节点数量庞大和应用环境恶劣的特点，为了实现无线传感器网络覆盖范围尽可能大以及能量补给困难情况下的长时间运行，在设计时需要考虑无线传感器网络数据传输能耗、覆盖率和无均匀度等多个关键目标。现有的传感器网络动态优化决策方法研究主要聚焦于能耗均衡单个目标，对能耗、覆盖率和均匀度的综合优化兼顾不足，而且通常假设节点与簇头一一对应，通过在冗余传感器节点中寻找能耗最优解的连通支配集，或将节点最优位置以一定的优化策略进行动态变换实现能耗均衡。虽然有助于提升无线传感器网络的能耗均衡效果，但缺乏对无线传感器网络多目标的综合优化；此外，布设冗余传感器节点的方法同时大幅增加了传感器网络的投入成本，而节点最优位置动态变换的方法额外增加了能耗。
技术实现思路
1、本专利技术针对现有方法的不足之处，提出了一种无线传感器网络的多目标动态优化决策方法。引入可以连接多个簇头的传感器活动节点，构建综合传输能耗、覆盖率和均匀度的传感器网络多目标协同优化模型，通过自适应加权和方法建立优化多目标函数，并采用启发式学习算法求解得到优化决策解，在不额外布设冗余传感器节点或节点最优位置动态变换的情况下，实现了线传感器网络的传输能耗、覆盖率和均匀度的协同优化，优化传输能耗的同时保证传感器网络的覆盖率和均匀度。
2、针对分布有n个传感器节点s＝{s1,s2,...,sn}、半径为l、面积为v的圆形检
3、步骤1、无线传感器网络多目标优化决策模型
4、将检测区域内的n个传感器分为k个簇，按照簇内传感器与其他簇簇头的距离，将传感器分为固定节点和活动节点，所述固定节点在感知范围内仅能连接一个簇头，所述活动节点在感知范围内能同时连接多个簇头，根据数据传输需要择优选取。建立如下目标函数：
5、(1)无线传感器网络覆盖率目标函数
6、在上述圆形检测区域内均匀取m个点，网络覆盖率目标函数c为：
7、
8、其中，p(pj)为区域内点pj被传感器覆盖到的概率：
9、
10、p(si，pj)表示传感器si能够感知到点pj的概率：
11、
12、其中，rs为传感器的感知半径，d(si，pj)表示传感器节点si到点pj的欧式距离：
13、
14、其中，(xi，yi)是传感器si的平面坐标，(aj，bj)是点pj的平面坐标。
15、(2)无线传感器网络能耗目标函数
16、传感器si向簇头zj发送k比特数据所需的能耗etx(k，d)为：
17、
18、其中，d(si，zj)为传感器si与zj间的欧式距离，j＝1，...，k。eelec为单位比特的传输数据电路所需能耗量；εfs和εmp为功率放大器的能耗系数；dc表示传输距离的阈值：
19、
20、传感器si接收数据时无需考虑距离，所需的能量erx(k)为：
21、erx(k)＝keelec (7)
22、定义选择簇头的行为布尔变量α(i，j)，用以描述活动节点对不同簇头的选择：
23、
24、并限制一个活动节点在同一个时刻仅从k个簇头中选择一个进行数据上传：
25、
26、簇头所需的能耗量为：
27、
28、其中，eda表示簇头融合处理单位比特数据所需的能耗量，dtosink为簇头到管理节点间的距离，nrx、nda分别为接收数据的来源节点个数和需要处理的数据组个数：
29、
30、nda＝nrx+1 (12)
31、其中，μ为簇内固定节点的数量，γ为簇内活动节点的数量。
32、簇内固定节点所需能耗量emember(k)为：
33、
34、则簇内所有节点的能耗量ecluster(k)为：
35、ecluster(k)＝ehead(k)+nrxemember(k) (14)
36、因此传感器网络的能耗总和目标函数e为：
37、
38、(3)无线传感器网络均匀度目标函数
39、定义传感器的均匀度为所有传感器间距离的标准差之和的均值，均匀度目标函数u如下：
40、
41、
42、其中，l为传感器si相邻的传感器个数，d(si，sj)为传感器si、sj之间的欧氏距离，mi为传感器si与所有相邻传感器之间欧氏距离的均值。
43、(4)无线传感器网络配置多目标函数
44、采用自适应加权和算法，构建无线传感器多目标函数如下：
45、
46、
47、其中，cmax、emax以及umax分别为无线传感器网络覆盖率、能耗以及节点均匀度的理论最大值。λc、λe、λu为对应的权重，满足λc、λe、λu＞0。约束条件中，μ≤nrx≤μ+γ限制了向簇头传输信息的节点个数大于固定节点个数且不超过固定节点与活动节点的总个数，限制了簇内固定节点、活动节点的数量与节点总数的关系，dc≤rs限制了传感器与簇头间的传输距离阈值不能超过传感器的感知半径。
48、步骤2、基于粒子群优化算法的最优求解器设计
49、粒子群算法通过模拟鸟类觅食行为进行优化，数学模型表示为：在一个n维的目标空间中，有一个粒子数量为np的群体，每个粒子对应一个n维向量，其中第χ个粒子的位置为飞行的速度为vχ，χ＝1，2，...，np。f(χ)为需要寻优的目标函数，pbestχ是第χ个粒子在搜寻过程中得到的最佳位置，gbest为整个群体经过信息分享、综合比较得出的全局最优位置，在每一次迭代之后，粒子按照下式来更新自己位置、速度与最大适应度值：
50、
51、
52、
53、
54、其中，q表示迭代次数；ω为惯性权重；c1是自我学习因子，c2是群体学习因子；r1、r2是服从[0，1]上的均匀随机数。经过多次迭代后，np个粒子会收敛到同一个位置，即最优解的位置，该位置对应的适应度值为最优适应度。
55、采用粒子群算法求取步骤1中无线传感器网络配置多目标函数的最优解，实现活动节点对簇头的选择，具体方法如下：
56、s2.1、初始化粒子群
57、初始化所有粒子，采用拉丁超立方体抽样法来对粒子位置和粒子速度进行赋值，并限制粒子最大速度10％o≤vmax≤20％o。
58、s2.2、参数调整
59、选取粒子群规模np∈[20，1000]，较小的粒子群规模容易陷入局部最优，而较大的粒子群规模可以提高收敛性，更快找到全局最优解，但是计算量会增大；当粒子群规模增大至一本文档来自技高网...
【技术保护点】
1.一种无线传感器网络的多目标动态优化决策方法，其特征在于：针对分布有N个传感器节点S＝{S1，S2，...，SN}、半径为L、面积为V的圆形检测区域，通过以下步骤输出决策：
2.如权利要求1所述一种无线传感器网络的多目标动态优化决策方法，其特征在于：针对无线传感器网络建立如下目标函数：
3.如权利要求2所述一种无线传感器网络的多目标动态优化决策方法，其特征在于：建立的多目标函数为：
4.如权利要求1或3所述一种无线传感器网络的多目标动态优化决策方法，其特征在于：使用粒子群优化算法，求取多目标函数的最大值，实现活动节点对簇头的选择，具体方法如下：
5.如权利要求4所述一种无线传感器网络的多目标动态优化决策方法，其特征在于：设置粒子群规模Np∈[20，1000]，迭代次数q∈[50，100]，学习因子c1，c2∈[0，4]。
【技术特征摘要】
1.一种无线传感器网络的多目标动态优化决策方法，其特征在于：针对分布有n个传感器节点s＝{s1，s2，...，sn}、半径为l、面积为v的圆形检测区域，通过以下步骤输出决策：
2.如权利要求1所述一种无线传感器网络的多目标动态优化决策方法，其特征在于：针对无线传感器网络建立如下目标函数：
3.如权利要求2所述一种无线传感器网络的多目标动态优化决策方法，其特征在于：...
【专利技术属性】
技术研发人员：严求真，王科朝，陈宇汀，应瑜婷，吴旭东，黄国恩，
申请(专利权)人：杭州芯享科技有限公司，
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。