【技术实现步骤摘要】
本专利技术属于无线传感器网络领域，具体涉及一种基于群体智能优化算法的wsn部署方法。
技术介绍
1、随着互联网和人工智能技术的不断进步，物联网已成为当今科技领域的热门研究目标。无线传感器网络作为物联网的核心支撑技术之一，对物联网起着支撑作用。无线传感器网络(wireless sensor network,wsn)是由多个无线传感器节点组成的网络，其检测和收集不同类型的环境数据，包括温度、湿度、气压、光和声音，然后将该数据传送到一个或多个基站或中心节点。无线传感器网络已广泛用于目标跟踪，环境监测、军事应用、医疗应用等，可以帮助人们更好地了解环境状况，提高生产力，减少资源浪费，改善生活质量。
2、由于其日益普及，无线传感器网络本身的性能引起越来越多的关注。尤其是网络应用的可靠性和网络服务的质量。部署在指定的监测区域内的节点与保证连接可以用来解释无线传感器网络的覆盖优化的挑战。为了达到覆盖要求，人们通常会随机散布大量的传感器节点，由于传感器节点功率和稳定性的性能限制，往往会造成较大的覆盖盲区或节点冗余，缩短了网络寿命，降低了网络可靠性，并在能耗和成本方面造成大量的资源浪费，因此覆盖优化是无线传感器网络的一个重要研究课题。
3、无线传感器网络中的覆盖优化挑战可以通过群体智能优化方法得到更好的解决。许多研究使用群体智能优化方法来限制无线传感器网络的覆盖范围。例如，将粒子群优化(pso)引入wsn以优化网络覆盖，结合组合数学的概念改进了pso，以实现更短的时间消耗和更高的覆盖率；将鲸鱼优化算法(woa)与wsn结合，
4、尽管当前引入了群体智能这类的优化技术对无线传感器网络中的覆盖优化，但是大多数算法只能对某类特殊问题的优化效果较好，还没有出现针对wsn覆盖优化问题的算法，因此，对于这个问题还有更多的探索性。并且目前许多群体智能算法都存在收敛速度较慢和收敛精度不高以及容易陷入局部最优等缺点，设计和改进的关键在于平衡多样化探索(exploration)和集中式挖掘(exploitation)之间的关系。多样化探索允许算法在尽可能大的可行域内探索全局最优解，以避免陷入局部最优，但耗时较长，获得的最优解的精度较差。集中式挖掘则允许算法在某个区域使用累积的经验和搜索过程中的知识进行细致和深入的挖掘，从而更快、更准确的求出最优解，但挖掘也使得算法容易陷入局部最优。
5、因此，如何平衡多样化探索和集中式挖掘之间的关系，为更多、更复杂的wsn覆盖优化问题寻找更好、更稳定的算法成为当前群体智能优化算法需要解决的问题。
技术实现思路
1、为解决以上现有技术问题，本专利技术采用了一种基于群体智能优化算法的wsn部署方法，包括：构建wsn覆盖模型，根据wsn覆盖模型构建wsn目标函数；根据精英反向学习方法、莱维飞行策略、布朗运动策略改进群体智能优化算法，采用改进后的群体智能优化算法根据wsn目标函数计算wsn部署策略；所述wsn为传感器节点。
2、构建wsn覆盖模型包括：构建传感器节点组：node{node1,...,noden}，其中，传感器节点nodei＝(xi,yi,r)，(xi,yi)为传感器节点的位置，r为传感器节点的感测半径；根据传感器节点组计算传感器节点的覆盖面积。
3、wsn目标函数为：
4、
5、其中，coverratio为传感器节点集合的覆盖面积，pcov为传感器节点的覆盖面积，m、n为目标监控区域的长度和宽度。
6、采用改进的群体智能优化算法根据wsn目标函数计算wsn部署策略包括：
7、s1、采用精英反向学习策略进行种群初始化；所述种群包括多个个体，每个个体代表传感器节点的位置；
8、s2、采用莱维飞行下的运动策略、布朗运动下的运动策略对初始化后的种群个体进行第一阶段更新，采用躲避机制对第一阶段更新后的种群个体进行第二阶段更新，得到第二阶段更新后的种群个体；
9、s3、计算第二阶段更新后的种群个体对应的wsn目标函数值，选择wsn目标函数值最小的种群个体作为最佳的种群个体，即最佳的传感器节点位置；
10、s4、当达到最大迭代次数t时，得到最终的种群个体，即最终的传感器节点位置；否则回到步骤s2，对最佳的种群个体进行更新。
11、对种群个体进行第一阶段更新包括：
12、计算每个种群个体xt[i,j]对应的wsn目标函数值，根据wsn目标函数值在种群个体xt[i,j]中选择精英节点；其中，i为种群个体的索引，j为种群个体的维度的索引，t为当前迭代次数；
13、计算自适应参数alpha；若alpha大于0.5，则利用莱维飞行下的运动策略根据精英节点计算新的种群个体否则，利用布朗运动下的运动策略根据精英节点计算新的种群个体
14、更新精英节点，计算和更新后的精英节点对应的wsn目标函数，根据和更新后的精英节点对应的wsn目标函数得到第一阶段更新后的种群个体。
15、自适应参数alpha的计算方式为：
16、
17、其中，rand()为随机函数，t为最大迭代次数。
18、利用莱维飞行下的运动策略计算新的种群个体包括：
19、
20、其中，xt[i,j]表示种群个体，r为从0到1的随机数，xtleader表示精英节点，l为莱维飞行的函数，sinθ、cosθ表示平面坐标的二维分量。
21、利用布朗运动下的运动策略计算新的种群个体包括：
22、
23、其中，xt[i,j]表示种群个体，r为从0到1的随机数，xtleader表示精英节点，rb为布朗运动策略。
24、根据wsn目标函数得到第一阶段更新后的种群个体包括：
25、
26、其中，为第一阶段更新后的种群个体，fnew1为新的种群个体的目标函数值，fleader为精英节点的目标函数值，xt[i,j]为种群个体。
27、根据躲避机制对第一阶段更新后的种群个体进行第二阶段更新包括：
28、设置警告值，根据警告值计算新的种群个体
29、
30、计算种群个体和种群个体对应的wsn目标函数，根据种群个体和种群个体对应的wsn目标函数得到第二阶段更新后的种群个体；
31、其中，为第一阶段更新后的种群个体，r为服从正态分布的随机数，d为矩阵，d的每个元素都为1，t为最大迭代次数，t为当前迭代次数，r为感测半径，alpha为自适应参数，wv为警告值。
32、有益效果：
33、本专利技术结合精英反向学习策略、莱维飞行策略、本文档来自技高网...
【技术保护点】
1.一种基于群体智能优化算法的WSN部署方法，其特征在于，包括：构建WSN覆盖模型，根据WSN覆盖模型构建WSN目标函数；根据精英反向学习方法、莱维飞行策略、布朗运动策略改进群体智能优化算法，采用改进后的群体智能优化算法根据WSN目标函数计算WSN部署策略；所述WSN为传感器节点。
2.根据权利要求1所述的一种基于群体智能优化算法的WSN部署方法，其特征在于，构建WSN覆盖模型包括：构建传感器节点组：Node{node1,...,nodeN}，其中，传感器节点nodei＝(xi,yi,r)，(xi,yi)为传感器节点的位置，r为传感器节点的感测半径；根据传感器节点组计算传感器节点的覆盖面积。
3.根据权利要求1所述的一种基于群体智能优化算法的WSN部署方法，其特征在于，WSN目标函数为：
4.根据权利要求1所述的一种基于群体智能优化算法的WSN部署方法，其特征在于，采用改进的群体智能优化算法根据WSN目标函数计算WSN部署策略包括：
5.根据权利要求4所述的一种基于群体智能优化算法的WSN部署方法，其特征在于，对种群个体进行第一阶段
6.根据权利要求5所述的一种基于群体智能优化算法的WSN部署方法，其特征在于，自适应参数alpha的计算方式为：
7.根据权利要求5所述的一种基于群体智能优化算法的WSN部署方法，其特征在于，利用莱维飞行下的运动策略计算新的种群个体包括：
8.根据权利要求5所述的一种基于群体智能优化算法的WSN部署方法，其特征在于，利用布朗运动下的运动策略计算新的种群个体包括：
9.根据权利要求5所述的一种基于群体智能优化算法的WSN部署方法，其特征在于，根据WSN目标函数得到第一阶段更新后的种群个体包括：
10.根据权利要求4所述的一种基于群体智能优化算法的WSN部署方法，其特征在于，根据躲避机制对第一阶段更新后的种群个体进行第二阶段更新包括：
...【技术特征摘要】
1.一种基于群体智能优化算法的wsn部署方法，其特征在于，包括：构建wsn覆盖模型，根据wsn覆盖模型构建wsn目标函数；根据精英反向学习方法、莱维飞行策略、布朗运动策略改进群体智能优化算法，采用改进后的群体智能优化算法根据wsn目标函数计算wsn部署策略；所述wsn为传感器节点。
2.根据权利要求1所述的一种基于群体智能优化算法的wsn部署方法，其特征在于，构建wsn覆盖模型包括：构建传感器节点组：node{node1,...,noden}，其中，传感器节点nodei＝(xi,yi,r)，(xi,yi)为传感器节点的位置，r为传感器节点的感测半径；根据传感器节点组计算传感器节点的覆盖面积。
3.根据权利要求1所述的一种基于群体智能优化算法的wsn部署方法，其特征在于，wsn目标函数为：
4.根据权利要求1所述的一种基于群体智能优化算法的wsn部署方法，其特征在于，采用改进的群体智能优化算法根据wsn目标...
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。