本发明专利技术公开了一种基于差分进化算法的大规模工业无线传感器网络最优部署方法，通过对节点进行优化部署以保证系统可靠性，涉及工业无线传感器网络和智能计算两个领域。本方法首先根据工业现场实际空间、障碍物、无线传感器功率、精度要求，对空间进行自动坐标化，然后以总节点数和簇头负载标准差最小为目标，冗余需求为约束条件建立节点部署模型，“１”表示在对应网格点布置簇头，“０”表示不布置，并提出了一种新的二进制差分进化算法对该模型进行优化求解。本算法采用一种新的概率预测算子来生成二进制变异个体对种群进行更新。本方法通过对节点进行优化部署，可以在保证系统可靠性的同时降低系统构建成本，并平衡系统能耗，延长网络生命期。
【技术实现步骤摘要】
本专利技术涉及工业无线传感器网络和智能计算两大领域，具体涉及一种基于差分 进化算法的大规模工业无线传感器网络最优部署方法。
技术介绍
随着工业系统不断大型化、复杂化，工业控制系统的规模不断扩大，其安装、 布线成本也不断增加。据统计2001年工业用传感器市场份额为110亿美元，而其安装 和使用成本(主要是布线成本)超过1000亿美元。因此，无线传感器网络(Wireless Sensor Networks, WSNs)的低成本、易用等特征引起了工业界的广泛关注，国际知名控 制系统公司，如爱默生、霍尼韦尔、通用电气等均开展了工业无线传感器网络(Industrial Wireless Sensor Networks，IWSNs)技术的研发。IWSNs是由具有无线通信与计算能力的 传感器节点构成、部署在工业现场环境为某种工业应用提供解决方案的自组织分布式网 络智能系统，是继现场总线技术之后工业控制领域的一个热点技术。IWSNs可以降低工 业测控系统成本，提高工业测控系统应用范围和可靠性。爱默生公司在北美和欧洲几个 现场试验的结果证实，采用工业无线技术数据传输的可靠性在99%以上，而安装成本比 同等有线方案要低90%。针对工业无线技术的巨大前景，美国能源部在2004年发布的 “未来工业计划”中指出这种基于工业无线技术的低成本测控系统是实现到2020年美 国工业整体能耗降低5%目标的主要手段，代表着工业自动化系统技术的发展方向。IWSNs中通常包含三类节点，即传感器节点，簇头和sink节点，其中传感器节 点负责现场数据的采集，簇头接收传感器节点发送过来的数据并将数据整合发送给sink 节点，最后sink节点将数据发送到基站。虽然IWSNs的主要组成部分也是无线传感器节 点，但是与一般的非工业WSN不同，IWSNs的传感器节点部署与工业环境有关，需人工 安装到需要检测的工业设备上，强调对指定点的可靠检测。相比于传统有线网络，一方 面，IWSNs更容易受网络拓扑、环境等因素的影响而发生故障，实际应用中故障也不可 避免。另一方面，IWSNs多跳的通讯方式也导致系统实时性下降，爱默生公司的工业实 验中显示当跳步数超过6时数据的实时性将不能保证。IWSNs作为控制系统的重要组成 部分，一旦其可靠性和实时性得不到保证将直接影响产品质量，甚至产生严重事故，造 成巨大经济损失。因此对于大规模工业应用，特别是闭环控制应用，IWSNs的可靠性和 实时性至关重要。另外，传感器节点一般都采用电池供电，能量非常有限。在大规模工业应用 中，一旦节点能量耗尽，要更换电池必须先对失效节点进行定位，这显然会增大网络维 护的工作量。为了延长传感器节点电池的使用寿命，网络采用分簇结构，使簇内传感器 节点只与本簇簇头通讯，这样传感器节点发送数据只需1跳，降低了能耗。通过布置簇 头收集簇内节点发送来的数据并通过其余簇头以多跳的方式传送到基站。在簇内配置冗 余簇头可以在一个工作簇头出现故障时快速切换到备用簇头使其工作，这样可以提高系统的可靠性。另外，尽管单个的传感器节点并不贵，但是在工业应用中特别是大规模流 程工业中，需要检测和采集的设备和参量都比较多，因此在工业监控现场部署的簇头数 量对网络构建的成本也会有一定的影响。同时由于工业设备都占有一定的空间，工业 现场也存在墙壁等其他障碍物，这些都会影响节点与簇头间的通信，因此，在布置簇头 时，也必须考虑这些障碍物约束。因此，IWSNs冗余节点配置问题实际上是一个带约束的组合优化问题，即在满 足系统冗余需求的约束下，实现系统能耗的均衡与系统构建成本的最小化。相关工作已 经表明，IWSNs节点部署问题是一类NP难问题，传统的确定性优化方法并不能实现对 这一类问题的高效求解。近年来，智能优化算法在求解NP难问题时体现出比传统方法 更大的优势，其中差分进化(Differential Evolution，DE)算法以其强大的全局搜索能力和 鲁棒性，简单易实现的特点引起了研究者的广泛关注。DE是Storn和Price于1995年提 出的一种随机并行搜索算法，是一种基于群体变异的进化算法，包含三个算子，即变异 算子，交叉算子和选择算子。DE的基本思想是首先根据个体之间的差异得到变异种群， 然后变异个体与父代个体进行重组得到中间个体，最后中间种群的个体与父代种群的个 体通过一对一优胜劣汰的竞争进入新一代种群。DE具有实现简单，控制参数少，稳定性 强，全局收敛的优点，目前已广泛应用于约束优化计算，模糊控制器优化设计，神经网 络优化，滤波器设计等方面。然而，基本的DE算法采用的是实数编码，它只能在连续空间进行搜索，因而基 本的DE算法并不能被直接用来求解离散组合优化问题。因为IWSNs冗余节点配置问题 是一类0/1规划问题，为了使DE能够求解该问题，本专利技术设计了一种概率预测算子来生 成二进制个体，从而提出了一种全新的二进制DE算法。
技术实现思路
本专利技术设计了一种基于差分进化算法的大规模工业无线传感器网络最优部署方 法，针对工业监测系统的可靠性需求，以及工业现场障碍物的存在，建立了工业无线传 感器网络优化部署模型，同时提出了一种新的二进制差分进化算法对节点部署模型进行 优化，从而在保证系统可靠性要求的基础上进一步平衡系统能耗，延长网络生存期，并 降低系统构建成本。为达到上述目的，本专利技术采用下述技术方案一种，其特征在 于具体操作步骤如下(1)首先根据工业现场实际空间、障碍物的大小及位置、无线传感器功率、精度 要求，将监测区域划分为MXNXP三维网格并自动坐标化，M、N、P分别对应横、纵、 竖坐标上划分段数，传感器节点和簇头都布置在网格交叉点上。假设在监测区域内随机 布置了 传感器节点，则还有MXNXP-NsA网格点可以用来布置簇头，所以个体的 长度为MXNXP_NS。(2)个体i 表示为向量X1 = [xu，xl2, Lxm], Xij e {0, 1}，V/e {1,2,Le {1,2，L，η},这里NP是种群规模，η = MXNXP-Ns表示可以用来布置簇头的网格总数， Xj = 1表示在第j个空网格点上布置簇头，& = 0表示不布置簇头。因此，每个个体表示一种节点部署方案。(3)设定二进制差分进化算法的各个控制参数，包括种群规模NP，缩放系数F， 交叉概率CR，实数区间[Rmm，Rmax],并随机初始化二进制种群，初始化种群计数器G = O0(4)设定传感器节点的通信半径为Rs，簇头的通信半径为Rch,通常^^^&， 当传感器节点与簇头之间的距离小于等于Rs，并且两者通讯链路之间不存在障碍物时， 认为该节点可以与该簇头通讯，并将此节点作为该簇头的一个负载，否则认为其不能与 该簇头通讯；另外，当两个簇头间的距离小于等于Rcs时，则认为这两个簇头都作为彼 此的负载，簇头的总负载为簇内传感器节点数与可通讯的簇头数之和。(5)根据每个个体χ对应的布置方案，计算所有簇头数量NeH，簇头负载的标准差 LCH ο(6)判断是否每个传感器节点都至少能与2个簇头通讯，若不满足约束条件，则 计算惩罚值POO。(7)评价每个个体的目标值，目标函数为minf (χ) = w*NCH+ (l_w) *LCH+P (χ)其中w，1本文档来自技高网...
【技术保护点】
一种基于差分进化算法的大规模工业无线传感器网络最优部署方法，其特征在于，该方法包括以下步骤：ａ．首先根据工业现场实际空间、障碍物大小及位置、无线传感器功率、精度要求，将监测区域划分为Ｍ×Ｎ×Ｐ三维网格，Ｍ、Ｎ、Ｐ分别对应横、纵、竖坐标上划分段数，传感器节点及簇头都分别部署在网格交叉点上，假设在监测区域内有ＮＳ个传感器节点，则剩下的Ｍ×Ｎ×Ｐ－Ｎ↓［Ｓ］个网格点可以用来布置簇头；ｂ．解的表示：ｘ＝［ｘ↓［１］，ｘ↓［２］，Ｌｘ↓［ｎ］］，ｘ↓［ｊ］∈｛０，１｝，＊ｊ∈｛１，２，Ｌ，ｎ｝这里ｎ＝Ｍ×Ｎ×Ｐ－Ｎ↓［Ｓ］表示可以用来布置簇头的网格总数，ｘ↓［ｊ］＝１表示在第ｊ个空网格点上布置簇头，ｘ↓［ｊ］＝０表示不布置簇头；ｃ．设定二进制差分进化算法的各个控制参数，包括种群规模ＮＰ，缩放系数Ｆ，交叉概率ＣＲ，实数区间［Ｒ↓［ｍｉｎ］，Ｒ↓［ｍａｘ］］，并随机初始化二进制种群，设定种群计数器Ｇ＝０；ｄ．假设传感器节点的通信半径为Ｒ↓［Ｓ］，簇头的通信半径为Ｒ↓［ＣＨ］，通常Ｒ↓［ＣＨ］≥２Ｒ↓［Ｓ］，当传感器节点与簇头之间的距离小于等于Ｒ↓［Ｓ］，并且两者通讯链路之间不存在障碍物时，认为该节点可以与该簇头通讯，并将此节点作为该簇头的一个负载，否则认为其不能与该簇头通讯；另外，簇头之间也需通讯，当两个簇头间的距离小于等于Ｒ↓［ＣＨ］时，则认为这两个簇头都作为彼此的负载，簇头的总负载为簇内与其通讯的传感器节点数与可通讯的簇头数之和；ｅ．假设在监测区域内部署ＮＣＨ个簇头（Ｎ↓［ＣＨ］≤ｎ），节点ｉ可以与Ｎ↓［ｉ］个簇头通讯，簇头ｊ的负载为Ｌ↓［ｊ］。为了延长网络的生存期，必须平衡簇头的能耗，使簇头负载的标准差Ｌ↓［ＣＨ］最小化，定义为：＊＊＊ｆ．为保证工业无线传感器网络的可靠性，要求Ｎ↓［ｉ］≥２，若不满足可靠性约束条件，则利用惩罚函数进行惩罚，惩罚项为ｐ（ｘ）＝ｐ↓［ｃ］×＊ｍａｘ（０，（２－Ｎ↓［ｉ］）｝其中ｐ↓［ｃ］是惩罚系数；ｇ．计算每个个体ｘ的目标函数值，目标函数为：ｍｉｎｆ（ｘ）＝ｗ↑［＊］ＮＣＨ＋（１－ｗ）↑［＊］Ｌ↓［ＣＨ］＋Ｐ（ｘ）ｓ．ｔ．Ｎ↓［ｉ］≥２，ｉ＝１，２，Ｌ↓［ＮＣ］Ｈ其中ｗ，１－ｗ分别是子函数Ｎ↓［ＣＨ］，Ｌ↓［ＣＨ］的权值；ｈ．生成变异种群，公式为：ｍｕｔ↓［ｉ］↑［Ｇ］＝ｘ↓［ｒ１］↑［Ｇ］＋Ｆ＊（ｘ↓［ｒ２］↑［Ｇ］－ｘ↓［ｒ３］↑［Ｇ］），其中ｒ↓［１］，ｒ↓［２］，ｒ↓［３］为［１，ＮＰ］内的随机整数，且ｒ↓［１］≠ｒ↓［２］≠ｒ↓［３］≠ｉ，Ｆ是缩放系数且Ｆ＞０；ｉ．采用概率预测算子来生成二进制变异个体ｕ↓［ｉ］↑［Ｇ］，公式为：＊＊＊其中Ｌ（ｍｕｔ↓［ｉｊ］↑［Ｇ］）＝（ｍｕｔ↓［ｉｊ］↑［Ｇ］－Ｒ↓［ｍｉｎ］）／（Ｒ↓［ｍａｘ］－Ｒ↓［ｍｉｎ］），Ｒ↓［ｍａｘ］，Ｒ↓［ｍｉｎ］分别是实数区间的上下限，且Ｒ↓［ｍｉｎ］≤ｍｕｔ↓［ｉｊ］↑［Ｇ］≤Ｒ↓［ｍａｘ］；ｊ．执行二进制交叉，生成候选个体ｖ↓［ｉ］↑［Ｇ］，公式为：＊＊＊其中ＣＲ是交叉概率且０＜ＣＲ＜１，ｒｄｉ是［１，ＮＰ］内的随机整数且对每个个体的不同维，ｒｄｉ保持不变；ｋ．选择算子：比较候选个体ｖ↓［ｉ］↑［Ｇ］与其父代种群中对应个体ｘ↓［ｉ］↑［Ｇ］的优劣，选择适应值更优的进入下一代Ｇ＋１，公式为：＊＊＊ｌ．如果达到了最大迭代次数，则停止迭代，否则返回步骤（８）继续迭代。...
【技术特征摘要】
1. 一种基于差分进化算法的大规模工业无线传感器网络最优部署方法，其特征在 于，该方法包括以下步骤a.首先根据工业现场实际空间、障碍物大小及位置、无线传感器功率、精度要求， 将监测区域划分为MXNXP三维网格，M、N、P分别对应横、纵、竖坐标上划分段数， 传感器节点及簇头都分别部署在网格交叉点上，假设在监测区域内有Ns个传感器节点， 则剩下的MXNXP-Ns个网格点可以用来布置簇头；b.解的表示2.根据权利要求1所述的一种基于差分进化算法的大规模工业无线传感器网络最优部 署方法，其特征在于该方法根据工业现场实际情况，考虑了工业设备及墙壁等障...
【专利技术属性】
技术研发人员：王灵，付细平，付敬奇，
申请(专利权)人：上海大学，
类型：发明
国别省市：31
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。