CN103957549B - 基于遗传算法的河流局域无线传感器节点分布优化方法 - Google Patents
基于遗传算法的河流局域无线传感器节点分布优化方法 Download PDFInfo
- Publication number
- CN103957549B CN103957549B CN201410202917.XA CN201410202917A CN103957549B CN 103957549 B CN103957549 B CN 103957549B CN 201410202917 A CN201410202917 A CN 201410202917A CN 103957549 B CN103957549 B CN 103957549B
- Authority
- CN
- China
- Prior art keywords
- river
- monitoring node
- monitoring
- represent
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种基于遗传算法的河流局域无线传感器节点分布优化方法。本发明使用遗传算法将河流局部区域监测节点分布优化问题转化为0/1规划问题,通过染色体的遗传、交叉及变异等遗传算法操作,并通过适应度值的比较最终实现监测节点的合理分布优化选取。另外,发明的算法采用了多个评估指标对适应度进行加权评估,分别是“水位分布差异率”、“流速分布差异率”、“水质分布差异率”、“河道坡度比降”和“河流走向参数”,这可以供决策者根据河流局部区域的水文环境的差异,灵活调整指标权重,从而提升算法的适应性。
Description
技术领域
本发明涉及无线传感器分布优化方法,具体是一种基于遗传算法的河流局域无线传感器节点分布优化方法。
背景技术
我国幅员辽阔、江河众多,并且分布广泛、环境复杂,对河流流域水文资料进行采集和管理是一项重要基础性工作,每年均需投入大量人力、物力。并且随着经济的发展,自然环境遭受到了严重的破坏,水污染日益严重,采取现代化的监测手段加强对河流流域水文数据的采集和汇总,已变得尤为重要。
目前对于河流流域水文数据监测,比较常见的是在河流周边特定位置设置若干监测点,然后采取人工监测或是设备监测的方式,定期收集所需要的水文数据,然后再集中进行分析。近年来,随着检测技术及传感器技术的发展,已经出现了若干可以对河流流域水文数据进行实时在线监测的电子设备,并且借助通信技术,通过构建传输网络实现对河流流域水文数据的监测和远程传输。
然而,对于如城市排污口等河流特定局部区域,局部水文环境过于复杂,主要体现在:一方面对于河床纵向断面,由于其为类梯形结构,存在上下对流的情况,因此在同一位置所布置的监测设备所检测到的数据在河床纵向断面不具备一致性,另一方面对于河流表面,由于河流径流走向复杂,河流水文数据会随着径流走向的河岸宽度发生变化,不具备一致性。通过以上分析可见对于河流特定局部区域,其区域范围内为具有各向异性的不均匀体,因此,对于局域监测节点的选取不宜采用通常的大区域监测网络节点均匀分布设计方法,主要是由于不能满足河流局域水文数据监测完备性、整体性、有效性的要求,这就需要根据河流局域水文数据对监测节点分布进行合理优化。
目前,通过公开文献可以查阅到关于传感器网络覆盖优化方法相关的专利申请以及学术期刊论文,包括公开号为CN101459915的发明专利“基于遗传算法的无线传感器网络节点覆盖优化方法”、公开号为CN103237312A的发明专利“一种无线传感器网络节点覆盖优化算法”,刘玉英等发表于《传感技术学报》2009年第6期的“一种基于遗传算法的无线传感器网络节点优化方法”,张石等发表于《东北大学学报(自然科学版)》2007年第4期的“无线传感器网络中移动节点的分布优化问题”,雷霖等发表于《电子科技大学学报》2009年第2期的“基于遗传算法的无线传感器网络路径优化”,以及吕广辉等发表于《微型机及应用》2010年第15期的“一种基于遗传算法的无线传感器网络覆盖模型”。虽然上述两项专利申请及四篇公开期刊文献提出了有关传感器网络节点覆盖优化方法以及网络路径优化方法,但就该方法本身其旨在如何解决在一定范围内部署无线传感器时的网络覆盖及路径优化问题,评判方法优劣的标准为是否实现了对要部署区域的覆盖率,或是在区域内是否实现了无线传感器网络传输路由。其所涉及的研究及发明内容并没有涉及到如何利用所监测对象的特性以及固有属性来进行监测节点布局的优化,因此其所研究的成果及发明申请的内容是不能够满足或应用于河流局部区域监测节点布局优化工作。
虽然上述专利申请及公开文献给出了一种在一定区域内进行传感器布局覆盖优化的方法,但就河流排污口等河流局部区域水文数据监测而言,由于局部水文环境过于复杂,并且在监测节点小范围内,水文数据具有一致性的特点,其监测节点的分布更多考量的是监测节点所监测采集到的数据能否反映河流局部区域水文环境的全貌,以及各监测节点所采集到的数据是否具有典型性,与上述两项发明专利申请所专注的重点是不一致的,并且目前在河流流域水文监测领域尚未出现有关监测节点分布优化方法的报道。
发明内容
本发明的目的是根据上述河流排污口等河流局部区域水文数据监测的需要,考虑到局部水文环境过于复杂,并且在监测节点小范围内,水文数据具有一致性的特点,以及监测节点所监测采集到的数据要能反映河流局部区域水文环境的全貌,各监测节点所采集到的数据要具有典型性的要求,提供一种基于遗传算法的河流局域无线传感器节点分布优化方法。
一种基于遗传算法的河流局域无线传感器节点分布优化方法,包括如下步骤:
(1)优化问题描述:针对河流局部区域监测节点分布的需要,假设在局域内按网格状均匀分布N个水文数据采集监测节点;
(2)初始化遗传算法参数,并对染色体进行第一代编码,这里采用二进制随机编码方式,0表示不使用该监测节点,1表示使用该监测节点,则对于N个监测节点生成长度为N的二进制串,如下式所示:
X=[x1,x2,…,xN] xi={0,1}
(3)计算每个染色体的适应度,适应度函数为:
f(X)=w1f1(X)+w2f2(X)+w3f3(X)+w4β1+w5β2
其中,f1表示水位分布差异率,f2表示流速分布差异率,f3表示水质分布差异率,β1表示河道坡度比降,β2表示河流走向参数,β1和β2对于特定河流区域属于河流基础地形数据,S={S1,S2,…,SN}表示监测节点集合,S*={Sj,|xj=1}表示S的子集,N(S*)表示S*的大小,分别表示对应监测节点位置的河流水位、流速和水质,分别表示对应所有使用监测节点位置的河流平均水位、平均流速和平均水质,w1、w2、w3、w4和w5分别表示f1、f2、f3、β1和β2的权重。对于河道坡度比降β1高的地方,其对应河流的流速和流量就会增加,而河流走向参数β2的大小与地球自转偏向力有关,其也会影响河流的流量和流速;
(4)对计算后适应度进行排序,并按比例选取最优解;
(5)按照轮盘赌方法,选择染色体到下一代染色体群体;
(6)对下一代染色体群体执行交叉、变异操作,本发明采用多点交叉和均匀变异;
(7)如果满足终止条件,则结束,否则回到步骤3)继续进行计算,当计算结束时,其所得到的最优解为长度为N的二进制串,该串中的1的位置序号表示经过分布优化计算后所确定的需要使用的监测节点序号,通过其即可获知对于河流局部区域监测所需要采用的监测节点。
本发明使用遗传算法将河流局部区域监测节点分布优化问题转化为0/1规划问题,通过染色体的遗传、交叉及变异等遗传算法操作,并通过适应度值的比较最终实现监测节点的合理分布优化选取。另外,发明的算法采用了多个评估指标对适应度进行加权评估,分别是“水位分布差异率”、“流速分布差异率”、“水质分布差异率”、“河道坡度比降”和“河流走向参数”,这可以供决策者根据河流局部区域的水文环境的差异,灵活调整指标权重,从而提升算法的适应性。
附图说明
图1是本发明基于遗传算法的河流局域无线传感器节点分布优化方法的流程图;
图2是采用本发明方法进行算例测算时,适应度值随迭代次数变化的优化效果示意图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述。
对于如城市排污口等河流特定局部区域,由于局部水文环境过于复杂,因此不能按照河流流域整体监测中所采用的按照如沿河流径流固定距离方式进行监测节点分布布局的方式,这主要是由于局部水文环境变化较大,少量的监测节点无法反应局部水文环境的全貌,并且在监测节点小范围内,水文数据具有一致性。因此,必然要增加监测节点的布置数量,这就需要对监测节点的分布进行合理优化,即达到能够反映局部水文环境全貌的目的,又要降低监测节点的布置数量,同时各监测节点所采集到的数据应具有典型性。
一般情况下,监测节点分布优化模型的问题描述如下:假设在河流局部区域按网格状均匀分布N个水文数据采集监测节点,监测节点集合为S={S1,S2,…,SN},这里可以采用分别计算在开启或者关闭该监测节点的情况下,对所有启用的监测节点所采集到的水文数据的差异性进行评估,选取最能反映局部区域水文环境全貌以及所采集数据最具典型性的开启监测节点组合作为节点分布最优组合。
本发明采用遗传算法作为工具,对河流局域监测节点分布优化问题进行智能计算求解,并将节点分布优化问题转化为一个0/1规划问题,以求得在假设网格状分布的众多监测节点中实际选择布置哪一些,在保证能够反映河流局部水文环境全貌并且所采集到的数据最具典型性的情况下,只需要在若干位置布置最少的监测节点。
在本发明中,将河流局部区域按网格状均匀分布N个水文数据采集监测节点按照遗传算法基本理论,进行二进制染色体编码,即N个监测节点编码为长度为N的二进制串,如下式所示:
X=[x1,x2,…,xN] xi={0,1}
其中,xi=0表示不使用该监测节点,xi=1表示使用该监测节点。
分别计算每个染色体编码的适应度函数值来评价群体中的每个染色体的适应值。在河流局域监测节点分布优化问题中,采用了“水位分布差异率”、“流速分布差异率”、“水质分布差异率”、“河道坡度比降”和“河流走向参数”五个指标,分别反映了河流局部区域内各采集节点水文数据的差异性,差异越大说明对水文环境全貌的反映程度越高,监测节点所采集到的数据越具有典型性。
在本发明中,采用f1来表示水位分布差异率,采用f2来表示流速分布差异率,采用f3来表示水质分布差异率,采用β1表示河道坡度比降,采用β2表示河流走向参数,β2和β2对于特定河流区域属于河流基础地形数据。对于监测节点集合S={S1,S2,…,SN},S*={Sj,|xj=1}表示S的子集情况下,f1、f2和f3的定义式分别为:
其中,N(S*)表示S*的大小,分别表示对应监测节点位置的河流水位、流速和水质,分别表示对应所有使用监测节点位置的河流平均水位、平均流速和平均水质。通过分别计算f1、f2和f3并结合β1、β2,可以计算染色体最终的适应度值为:
f(X)=w1f1(X)+w2f2(X)+w3f3(X)+w4β1+w5β2
其中w1、w2、w3、w4和w5分别表示f1、f2、f3、β1和β2的权重,并且w1+w2+w3+w4+w5=1。另外,由于的量纲不同,这里在计算过程中需要将其进行归一化操作,即转化到[0,1]区间。经过上述运算即可以得到最终的染色体适应度f,该值越大,表示所对应的节点分布方案越优。
在本发明中,采用轮盘赌选择下一子代群体,并采用多点交叉和均匀变异算法对群体中的染色体进行改变。
轮盘赌即选择染色体i的概率和染色体的适应度值成正比,适应度较高的染色体被选择的可能性较高,并能够在下一子代中重复出现。
多点交叉的做法是,产生长度为N的随机二进制序列,基于该随机二进制序列选择交叉点,为1的位置上交叉,为0的位置不交叉。假设N的大小为20,并且交叉之前的两个染色体分别为:
产生的随机二进制序列为[00101100010101110100],则交叉产生的两个新染色体为:
均匀变异的做法是,为群体中的每个染色体中的每个基因产生一个随机数ρ∈[0,1],如果该随机数小于变异概率ρm,则选择该染色体的基因进行变异。假设要变异的染色体为:
变异算子选择该染色体的第2、8位的基因进行变异,则新产生的染色体为:
其中为新生成的0/1随机数。
经过上述循环迭代优化计算,当计算结束时,其所得到的最优解为长度为N的二进制串,该串中的1的位置序号表示经过分布优化计算后所确定的需要使用的监测节点序号,通过其即可获知对于河流局部区域监测所需要采用的监测节点。
为了进一步说明本发明的具体实施过程,这里基于某城市的一个污染企业河流排污口水文数据监测需要给出采用本发明算法进行监测节点布局优化的测试算例。在此算例中,以污染企业河流排污口为边界中心,划定1000m×1000m的监测区域。假定按照均匀网格状安装100个监测节点,这里使用本发明的优化算法对监测节点的布局做优化选择。遗传算法的参数设定为:群体规模为50,变异概率ρm=0.05,在遗传算法中一般通过循环进化迭代的方式对初始染色体群体进行运算以找出最优染色体,在这里将遗传迭代运算的代数设定为150,水位分布差异率、流速分布差异率、水质分布差异率、河道坡度比降、河流走向参数的权重分别为w1=0.125、w2=0.125、w3=0.5、w4=0.125和w5=0.125。20次优化计算的平均适应度值(差异性值)为0.9458,平均需要的监测节点数量为15.6。图2给出了本算例中,采用遗传算法进行迭代优化,其平均适应度值(差异性值)随着迭代次数的增加的变化曲线,随着迭代次数的增加,其平均适应度值(差异性值)不断增大,表明每次迭代计算后,对应的节点分布方案越优。当迭代到150代,其平均适应度值(差异性值)已达最大值,表明此时的节点分布方案最优。
另外,为了将本发明方法与通常的河流局域监测节点选取方法的效果进行对比,这里针对算例中所优选的16个监测节点,进一步采用通常河流局域监测节点选取过程中所采用的参数,包括“水位差”、“流速差”,并分别取权重为w1=0.5、w2=0.5,经过计算所选取的监测节点“水位差”、“流速差”参数的差异性值为0.7654。从而看出与本发明中的方法相比,采用通常河流局域监测节点选取方法中的“水位差”、“流速差”参数为依据所获得监测节点分布反映河流局域水文数据的能力低于本发明方法中的以“水位分布差异率”、“流速分布差异率”、“水质分布差异率”、“河道坡度比降”和“河流走向参数”参数为依据所获得监测节点分布反映河流局域水文数据的能力。
因此,从优化测算及参数对比结果可以看出,采用本发明方法进行布局优化选择,依据监测节点所采集数据反映该排污口水文数据全貌的能力以及所采集数据的典型性作为判据,可以很好地实现河流局部区域监测节点分布优化的设计。
Claims (1)
1.一种基于遗传算法的河流局域无线传感器节点分布优化方法,其特征在于包括如下步骤:
(1)优化问题描述:针对河流局部区域监测节点分布的需要,假设在局域内按网格状均匀分布N个水文数据采集监测节点;
(2)初始化遗传算法参数,并对染色体进行第一代编码,这里采用二进制随机编码方式,0表示不使用该监测节点,1表示使用该监测节点,则对于N个监测节点生成长度为N的二进制串,如下式所示:
X=[x1,x2,…,xN] xi={0,1}
(3)计算每个染色体的适应度,适应度函数为:
f(X)=w1f1(X)+w2f2(X)+w3f3(X)+w4β1+w5β2
其中,f1表示水位分布差异率,f2表示流速分布差异率,f3表示水质分布差异率,β1表示河道坡度比降,β2表示河流走向参数,β1和β2对于特定河流区域属于河流基础地形数据,S={S1,S2,…,SN}表示监测节点集合,S*={Sj,|xj=1}表示S的子集,N(S*)表示S*的大小,分别表示对应监测节点位置的河流水位、流速和水质,分别表示对应所有使用监测节点位置的河流平均水位、平均流速和平均水质,w1、w2、w3、w4和w5分别表示f1、f2、f3、β1和β2的权重;
(4)对计算后适应度进行排序,并按比例选取最优解;
(5)按照轮盘赌方法,选择染色体到下一代染色体群体;
(6)对下一代染色体群体执行交叉、变异操作;
(7)如果满足终止条件,则结束,否则回到步骤3)继续进行计算,当计算结束时,其所得到的最优解为长度为N的二进制串,该串中的1的位置序号表示经过分布优化计算后所确定的需要使用的监测节点序号,通过其即可获知对于河流局部区域监测所需要采用的监测节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410202917.XA CN103957549B (zh) | 2014-05-14 | 2014-05-14 | 基于遗传算法的河流局域无线传感器节点分布优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410202917.XA CN103957549B (zh) | 2014-05-14 | 2014-05-14 | 基于遗传算法的河流局域无线传感器节点分布优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103957549A CN103957549A (zh) | 2014-07-30 |
CN103957549B true CN103957549B (zh) | 2017-05-10 |
Family
ID=51334752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410202917.XA Active CN103957549B (zh) | 2014-05-14 | 2014-05-14 | 基于遗传算法的河流局域无线传感器节点分布优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103957549B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104270773B (zh) * | 2014-10-17 | 2017-07-07 | 长江水利委员会长江科学院 | 基于遗传算法多目标优化的流域传感器覆盖网优化方法 |
CN111698306B (zh) * | 2020-06-04 | 2021-08-06 | 中国科学院地理科学与资源研究所 | 一种基于物联网的水文实时流数据采集处理方法 |
CN112070309B (zh) * | 2020-09-10 | 2021-03-30 | 西南民族大学 | 一种智慧收奶平台*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103175513A (zh) * | 2013-03-01 | 2013-06-26 | 戴会超 | 水利工程影响下基于物联网的流域水文水质监控***及方法 |
WO2013116527A1 (en) * | 2012-01-31 | 2013-08-08 | The University Of Toledo | Methods and devices for detection and measurement of analytes |
-
2014
- 2014-05-14 CN CN201410202917.XA patent/CN103957549B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013116527A1 (en) * | 2012-01-31 | 2013-08-08 | The University Of Toledo | Methods and devices for detection and measurement of analytes |
CN103175513A (zh) * | 2013-03-01 | 2013-06-26 | 戴会超 | 水利工程影响下基于物联网的流域水文水质监控***及方法 |
Non-Patent Citations (1)
Title |
---|
基于遗传算法的多传感器优化布站研究;周磊;《中国优秀硕士论文全文数据库》;20130615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103957549A (zh) | 2014-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chacon-Hurtado et al. | Rainfall and streamflow sensor network design: a review of applications, classification, and a proposed framework | |
Emamgholizadeh et al. | Prediction the groundwater level of bastam plain (Iran) by artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) | |
CN104270773B (zh) | 基于遗传算法多目标优化的流域传感器覆盖网优化方法 | |
Chitsazan et al. | Forecasting groundwater level by artificial neural networks as an alternative approach to groundwater modeling | |
Li et al. | Development of a stepwise-clustered hydrological inference model | |
Wolfs et al. | Development of discharge-stage curves affected by hysteresis using time varying models, model trees and neural networks | |
Tapoglou et al. | Groundwater-level forecasting under climate change scenarios using an artificial neural network trained with particle swarm optimization | |
Fadaee et al. | Suspended sediment prediction using integrative soft computing models: on the analogy between the butterfly optimization and genetic algorithms | |
Currell et al. | A new assessment framework for transience in hydrogeological systems | |
Haghighi et al. | Reliability-based layout design of sewage collection systems in flat areas | |
Yilmaz et al. | Runoff estimation by machine learning methods and application to the Euphrates Basin in Turkey | |
Nie et al. | Simulation and uncertainty analysis for groundwater levels using radial basis function neural network and support vector machine models | |
CN103957549B (zh) | 基于遗传算法的河流局域无线传感器节点分布优化方法 | |
Sahoo et al. | Efficacy of ANFIS-GOA technique in flood prediction: a case study of Mahanadi river basin in India | |
Qiu et al. | Seepage Monitoring Models Study of Earth‐Rock Dams Influenced by Rainstorms | |
Dehghanian et al. | Evaluation of coupled ANN-GA model to prioritize flood source areas in ungauged watersheds | |
Zaji et al. | Efficient methods for prediction of velocity fields in open channel junctions based on the artifical neural network | |
Rosin et al. | A committee evolutionary neural network for the prediction of combined sewer overflows | |
Gökbulak et al. | Comparison of rainfall-runoff relationship modeling using different methods in a forested watershed | |
Xiong et al. | Prediction of flooding in the downstream of the Three Gorges Reservoir based on a back propagation neural network optimized using the AdaBoost algorithm | |
Kumar et al. | Adaptive neuro-fuzzy interface system based performance monitoring technique for hydropower plants | |
Yadav et al. | Application of Artificial Neural Network and Genetic Algorithm Based Artificial Neural Network Models for River Flow Prediction. | |
Ismail et al. | Simulation of horizontal well performance using Visual MODFLOW | |
Ceron et al. | Hydrological seasonal forecast over France: feasibility and prospects | |
Kilinc et al. | Daily scale river flow forecasting using hybrid gradient boosting model with genetic algorithm optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |