CN108882256B - 一种无线传感器网络节点覆盖优化方法和装置 - Google Patents
一种无线传感器网络节点覆盖优化方法和装置 Download PDFInfo
- Publication number
- CN108882256B CN108882256B CN201810956400.8A CN201810956400A CN108882256B CN 108882256 B CN108882256 B CN 108882256B CN 201810956400 A CN201810956400 A CN 201810956400A CN 108882256 B CN108882256 B CN 108882256B
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- individuals
- probability
- value
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
- H04W16/20—Network planning tools for indoor coverage or short range network deployment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
- H04W16/225—Traffic simulation tools or models for indoor or short range network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种无线传感器网络节点覆盖优化方法和装置,本申请提供的无线传感器网络节点覆盖优化方法,对遗传算法和模拟退火算法进行改进,将改进的遗传算法和改进的模拟退火算法相结合,减小了局部收敛的可能性,将终止进化的条件设置为在总进化代数等于预置进化代数LG或当连续LG/4代种群中最优适应值不发生变化时终止算法,避免了更新代数过少造成的局部最优和更新次数过多带来的算法效率低下问题,具有增强无线传感器网络节点覆盖的局部搜索,并且能够提高收敛速度,减少计算量和提高优化效率的优点。
Description
技术领域
本申请涉及无线通信技术领域,尤其涉及一种无线传感器网络节点覆盖 优化方法和装置。
背景技术
无线传感器网络(Wireless Sensor Network)是具有计算、存储和无线通 信能力的小型智能设备组成的分布式感知网络。网络中的感知节点(传感器) 具有自组织特性,通过采用多跳式的路由转发方式,能够完成特定区域或特 定环境下信息的手机和数据的转发。由于传感器网络所具有的灵活快速的组 网特点,可靠而高适应性的生存能力,因此,被广泛应用于军事以及民用领 域。
无线传感器网络中的初期节点分布有两种方式,一种是大规模的随机部 署,另一种是针对特定的用途进行有目的的部署。对于大规模的随机部署模 式,为了取得较好的网络分布,必须投入远大于实际需要的冗余感知节点, 以便获得较好的节点密度,而对于一些非紧急状态下的传感器网络节点分布, 进行又针对性的节点设置,不仅能够减少冗余节点的数量,降低网络的路由 和拓扑维护负载,减少能有消耗,而且能够扩大网络的感知范围,因此,如 何在特定区域中获得最优的感知节点分布成为传感器网络组网中的一个重要的问题。
目前,应用遗传算法(GA,Genetic Algorithms)和模拟退火算法(SA, SimulatedAnnealing)解决无线传感器网络节点的优化问题,虽然遗传算法具 有良好的全局搜索能力,在优化无线传感器网络节点覆盖问题上取得了一定 的优化效果,但是由于遗传算法自身的缺陷,利用遗传算法优化无线传感器 网络节点,存在局部搜索能力差,易产生早熟使得算法过早收敛。模拟退火 算法从某一较高的温度出发,这个温度称为初始温度,伴随着温度参数的不 断下降,算法中的解趋于稳定,但可能这样的稳定解是一个局部最优解,此时,模拟退火算法中会以一定的概率跳出这样的局部最优解,以寻找目标函 数的全局最优解,虽然现有的模拟退火算法采用蒙特卡洛(Metropolis)概率 接受准则,具有较强的局部搜索能力,能够避免陷入局部最优解,但是,存 在收敛速度慢、计算量大和效率不高的问题。
发明内容
本申请实施例提供了一种无线传感器网络节点的覆盖优化方法和装置, 具有增强无线传感器网络节点覆盖的局部搜索,并且能够提高收敛速度,减 少计算量和提高优化效率的优点。
有鉴于此,本申请第一方面提供了一种无线传感器网络节点覆盖优化方 法,所述方法包括:
101、根据预置适应值函数和建立的无线传感器网络模型中的每个个体当 前位置,计算每个个体的第一适应值,将所述无线传感器网络模型的所有个 体按照第一适应值的大小进行排序,所述适应值函数为 f(X)=ω1f1(X)+ω2[1-f2(X)],其中,f1(X)为覆盖率,f2(X)为消耗率,ω1和ω2为 权重,且ω1+ω2=1,ω1∈(0,1),ω2∈(0,1);
102、对所述无线传感器网络模型中的种群进行个体的选择遗传、交叉遗 传和变异遗传,分别计算所述交叉遗传和所述变异遗传后的个体的第二适应 值,根据所述第二适应值、所述第一适应值和预置替代规则进行种群的新旧 个体替代,所述预置替代规则为:
对于个体的选择遗传,判断若子代种群中是否存在大于第一父代种群的 最优个体的第一适应值的第一子代种群个体,若否,则将所述第一父代种群 的最优个体加入到所述第一子代种群中,将所述第一子代种群的第二适应值 最小的所述第一子代种群个体淘汰,若是,保留所述第一子代种群中的最优 个体;
对于个体的交叉遗传和变异遗传,分别将交叉或变异后产生的新个体与 其对应的第二父代种群中随机选择的小于平均适应值的父代个体进行适应值 比较,若所述新个体的所述第二适应值大于所述父代个体的所述第一适应值, 则将所述新个体替代所述父代个体,否则,执行步骤103;
103、根据所述新个体的所述第一适应值、所述平均适应值和模拟退火温 度,根据预置概率公式计算替代概率,若所述替代概率大于预置概率,则将 所述新个体替代所述父代个体,否则,保留所述父代个体,其中,所述模拟 退火温度为T=[(fi(X)-favg]2,fi(X)为个体i的适应值,favg为种群的平均适应 值,所述预置概率公式为fh(X)为父代个体的适应值, f(Xg)为新个体的适应值;
优选地,步骤101之前,还包括:
100、建立无线传感器网络模型,根据所述无线传感器网络模型建立初始 种群,并初始化算法参数,所述算法参数包括:种群数M,交叉概率pc,交 叉概率上限pcmax,交叉概率下限pcmin,变异概率pm,变异概率上限pmmax,变 异概率下限pmmin。
优选地,所述交叉遗传具体包括:
根据所述种群数M确定交叉点数范围,在所述交叉点数范围内选择随机 数n作为交叉遗传点数,在种群中随机选取两个个体作为父代个体,随机选 取所述父代个体上的n个位置按所述叉概率pc进行交换,所述叉概率pc为其中,f′为参与交叉的两个个体中较大 的适应值,fmax为种群中最大适应值,favg为种群中平均适应值。
优选地,所述变异遗传具体包括:
本申请第二方面提供无线传感器网络节点覆盖优化装置,包括:
适应值计算模块,用于根据预置适应值函数和建立的无线传感器网络模 型中的每个个体当前位置,计算每个个体的第一适应值,将所述无线传感器 网络模型的所有个体按照第一适应值的大小进行排序,所述适应值函数为 f(X)=ω1f1(X)+ω2[1-f2(X)],其中,f1(X)为覆盖率,f2(X)为消耗率,ω1和ω2为 权重,且ω1+ω2ω1,ω1∈(0,1),ω2∈(0,1);
第一替代模块,用于对所述无线传感器网络模型中的种群进行个体的选 择遗传、交叉遗传和变异遗传,分别计算所述交叉遗传和所述变异遗传后的 个体的第二适应值,根据所述第二适应值、所述第一适应值和预置替代规则 进行种群的新旧个体替代,所述预置替代规则为:
对于个体的选择遗传,判断若子代种群中是否存在大于第一父代种群的 最优个体的第一适应值的第一子代种群个体,若否,则将所述第一父代种群 的最优个体加入到所述第一子代种群中,将所述第一子代种群的第二适应值 最小的所述第一子代种群个体淘汰,若是,保留所述第一子代种群中的最优 个体;
对于个体的交叉遗传和变异遗传,分别将交叉遗传或变异遗传后产生的 新个体与其对应的第二父代种群中随机选择的小于平均适应值的父代个体进 行适应值比较,若所述新个体的所述第二适应值大于所述父代个体的所述第 一适应值,则将所述新个体替代所述父代个体,否则,触发第二替代模块;
所述第二替代模块,用于根据所述新个体的所述第一适应值、所述平均 适应值和模拟退火温度,根据预置概率公式计算替代概率,若所述替代概率 大于预置概率,则将所述新个体替代所述父代个体,否则,保留所述父代个 体,其中,所述模拟退火温度为T=[(fi(X)-favg]2,fi(X)为个体i的适应值,favg为种群的平均适应值,所述预置概率公式为fh(X)为 父代个体的适应值,f(Xg)为新个体的适应值;
优选地,所述装置还包括:
初始化模块,用于建立无线传感器网络模型,根据所述无线传感器网络 模型建立初始种群,并初始化算法参数,所述算法参数包括:种群数M,交 叉概率pc,交叉概率上限pcmax,交叉概率下限pcmin,变异概率pm,变异概率 上限pmmax,变异概率下限pmmin。
本申请第三方面提供一种无线传感器网络节点覆盖优化设备,所述设备 包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行上述任一项所述的无线 传感器网络节点覆盖优化方法。
本申请第四方面提供一种计算机可读存储介质,所述计算机可读存储介 质用于存储程序代码,所述程序代码用于执行上述的任意一种无线传感器网 络节点覆盖优化方法。
本申请第五方面提供一种包括指令的计算机程序产品,当其在计算机上 运行时,使得所述计算机执行上述的任意一种无线传感器网络节点覆盖优化 方法。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供的无线传感器网络节点覆盖优化方法,通过改进的适应值函 数,即预置适应值函数,对无线传感器网络模型中的个体进行适应值计算, 得到每个个体的第一适应值,再对无线传感器网络模型中的种群进行个体的 选择遗传、交叉遗传和变异遗传,计算交叉遗传或变异遗传后的个体的第二 适应值,根据第一适应值、第二适应值和预置替代规则完成种群的新旧个体 替代,在替代规则中,采用改进的模拟退火算法对种群进行最优个体求解, 以预置概率公式计算替代概率,根据替代概率对种群个体进行新旧个体替代,计算方式简单,运行速度快,将遗传算法和改进的模拟退火算法结合,减小 了局部收敛的可能性,将终止进化的条件设置为在总进化代数等于预置进化 代数LG或当连续代种群中最优适应值不发生变化时终止算法,避免了更 新代数过少造成的局部最优和更新次数过多带来的算法效率低下问题,具有 增强无线传感器网络节点覆盖的局部搜索,并且能够提高收敛速度,减少计 算量和提高优化效率的优点。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所 需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申 请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的 前提下,还可以根据这些附图获得其它的附图。
图1为本申请提供的一种无线传感器网络节点覆盖优化方法的一个实施 例的流程示意图;
图2为本申请提供的一种无线传感器网络节点覆盖优化方法的另一个实 施例的流程示意图;
图3为本申请提供的一种无线传感器网络节点覆盖优化装置的结构示意 图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实 施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然, 所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本 申请中的实施例,本领域普通技术人员在缺少做出创造性劳动的前提下所获 得的所有其他实施例,都属于本申请保护的范围。
本申请设计了一种无线传感器网络节点覆盖优化方法和装置,具有增强 无线传感器网络节点覆盖的局部搜索,并且能够提高收敛速度,减少计算量 和提高优化效率的优点。
为了便于理解,请参阅图1,本申请提供的一种无线传感器网络节点覆盖 优化方法的一个实施例,包括:
步骤101:根据预置适应值函数和建立的无线传感器网络模型中的每个个 体当前位置,计算每个个体的第一适应值,将无线传感器网络模型的所有个 体按照第一适应值的大小进行排序,适应值函数为f(X)=ω1f1(X)+ω2[1-f2(X)], 其中,f1(X)为覆盖率,f2(X)为消耗率,ω1和ω2为权重,且ω1+ω2=1,ω1∈(0,1), ω2∈(0,1)。
需要说明的是,覆盖率指的是当前使用的传感器条件下,传感器工作覆 盖范围与整个区域面积的比值;消耗率指的是所需要的传感器数量与总传感 器数量的比值。一般地,覆盖率越大越好,消耗率越小越好,本申请实施例 中的适应值函数通过两个权重ω1和ω2,将覆盖率和消耗率整合到一起,可以 灵活地选择合适的权重进行优化。本申请中的将无线传感器网络模型的所有 个体按照第一适应值的大小进行排序,可以是由大到小进行排序,也可以是 由小到大进行排序。
步骤102:对无线传感器网络模型中的种群进行个体的选择遗传、交叉遗 传和变异遗传,分别计算交叉遗传和变异遗传后的个体的第二适应值,根据 第二适应值、第一适应值和预置替代规则进行种群的新旧个体替代,预置替 代规则为:
对于个体的选择遗传,判断若子代种群中是否存在大于第一父代种群的 最优个体的第一适应值的第一子代种群个体,若否,则将第一父代种群的最 优个体加入到第一子代种群中,将第一子代种群的第二适应值最小的第一子 代种群个体淘汰,若是,保留第一子代种群中的最优个体;
对于个体的交叉遗传和变异遗传,分别将交叉遗传或变异遗传后产生的 新个体与其对应的第二父代种群中随机选择的小于平均适应值的父代个体进 行适应值比较,若新个体的第二适应值大于父代个体的第一适应值,则将新 个体替代父代个体,否则,执行步骤103。
需要说明的是,选择遗传采用精英选择方式,假设到第i代种群Xi,该种 群最优个体为即第i代种群中的第j个个体为最优解。第i+1代种群Xi+1, 若Xi+1代种群中不存在比适应度值大的个体,则将加入到种群Xi+1中,为 保持种群数不变,将适应度值最小的个体淘汰;若Xi+1代种群中存在比适应 度值大的个体,则不替换并将Xi+1代种群中最优个体保留下来。
对于个体的交叉遗传和变异遗传,分别将交叉遗传或变异遗传后产生的 新个体与其对应的第二父代种群中随机选择的小于平均适应值的父代个体进 行适应值比较,若新个体的第二适应值大于父代个体的第一适应值,则将新 个体替代父代个体,否则,执行步骤103。
步骤103:根据新个体的第一适应值、平均适应值和模拟退火温度,根据 预置概率公式计算替代概率,若替代概率大于预置概率,则将新个体替代父 代个体,否则,保留父代个体,其中,模拟退火温度为T=[(fi(X)-favg]2,fi(X) 为个体i的适应值,favg为种群的平均适应值,预置概率公式为 fh(X)为父代个体的适应值,f(Xg)为新个体的适应 值。
需要说明的是,通过交叉和变异产生的新个体,计算其适应值,并分别 与上一代种群中随机选择适应值小于该种群的平均适应值的个体进行比较, 若新个体适应值大于种群中平均适应值的个体的适应值,则替代旧个体,否 则使用模拟退火算法决定新个体是否替代旧个体。
种群中小于该种群的平均适应值的个体的选择过程为:将种群中每个个 体的适应值计算出来,并进行排序,按适应值由小到大的顺序确定选择个体 的个数,一般可设置适应值范围为(最小适应值,平均适应值),在此适应值 范围内随机选取一个个体作为参照与新个体进行比较。
设T为模拟退火中的温度,则T描述为:T=[f(Xi)-favg]2,式中f(Xi)为 个体i的适应度值,favg为种群的平均适应度值,以概率替换旧个体,fh(X)为父代个体的适应值,f(Xg)为新个体的适应值。对模拟 退火算法的温度参数T进行了改进,计算方式简单,且代入概率计算公式 能够以较小的概率实现新个体的选择。
需要说明的是,本申请实施例中,预置进化代数LG是可以根据实际网络 情况进行设置的,将终止进化的条件设置为在总进化代数等于预置进化代数 LG或当连续代种群中最优适应值不发生变化时终止算法,终止条件随着 种群更新代数的变化而动态地变化,可以得到更加符合实际情况的最优解, 避免了更新代数过少造成的局部最优和更新次数过多带来的算法效率低下问 题。
本申请实施例提供的无线传感器网络节点覆盖优化方法,通过改进的适 应值函数,即预置适应值函数,对无线传感器网络模型中的个体进行适应值 计算,得到每个个体的第一适应值,再对无线传感器网络模型中的种群进行 个体的选择遗传、交叉遗传和变异遗传,计算交叉遗传或变异遗传后的个体 的第二适应值,根据第一适应值、第二适应值和预置替代规则完成种群的新 旧个体替代,在替代规则中,采用改进的模拟退火算法对种群进行最优个体 求解,以预置概率公式计算替代概率,根据替代概率对种群个体进行新旧个体替代,计算方式简单,运行速度快,将遗传算法和改进的模拟退火算法结 合,减小了局部收敛的可能性,将终止进化的条件设置为在总进化代数等于 预置进化代数LG或当连续代种群中最优适应值不发生变化时终止算法, 避免了更新代数过少造成的局部最优和更新次数过多带来的算法效率低下问 题,具有增强无线传感器网络节点覆盖的局部搜索,并且能够提高收敛速度, 减少计算量和提高优化效率的优点。
为了便于理解,请参阅图2,本申请提供的一种无线传感器网络节点覆盖 优化方法的另一个实施例,包括:
步骤201:建立无线传感器网络模型,根据无线传感器网络模型建立初始 种群,并初始化算法参数,算法参数包括:种群数M,交叉概率pc,交叉概 率上限pcmax,交叉概率下限pcmin,变异概率pm,变异概率上限pmmax,变异概 率下限pmmin。
需要说明的是,设定初始种群数为M,每一个个体为一组解,每组解为 含有N个元素的数组。每个个体可表示为:其中表示使用传感器j,表示不使用传感器j,初始种群表示为 X=[X1,X2,…,XM]。本申请实施例中,无线传感器网络模型可以是在在S×Q区 域内随机散步N个传感半径为r的无线传感器,无线传感器网络模型的建立 过程可以是:
假设将N个参数相同的传感器节点投放到特定区域A。传感器节点集合 C={c1,c2,…,cN},其中ci={xi,yi,r},(xi,yi)是节点坐标,r是传感半径。A是二 维平面,被离散化为m×n个栅格点,通过公式计算栅格点(x,y),1≤x≤m,1≤y≤n有没有被节点ci覆盖,其中,1为被覆盖, 0为未被覆盖。
对任意的像素点(x,y),只要存在一个整数i∈[1,2,…,N],使得P(x,y,ci)=1,即该点存在于一个传感器节点ci的监测范围内,就认为它被覆盖。由此可统计 出区域A内被覆盖的总节点数D。并定义为该无线传感器网络的覆盖 率。设总传感器数目为N,激活的传感器数目为n,则消耗率可表示为
步骤202:根据预置适应值函数和建立的无线传感器网络模型中的每个个 体当前位置,计算每个个体的第一适应值,将无线传感器网络模型的所有个 体按照第一适应值的大小进行排序,适应值函数为f(X)=ω1f1(X)+ω2[1-f2(X)], 其中,f1(X)为覆盖率,f2(X)为消耗率,ω1和ω2为权重,且ω1+ω2=1,ω1∈(0,1), ω2∈(0,1)。
步骤203:对无线传感器网络模型中的种群进行个体的选择遗传、交叉遗 传和变异遗传,分别计算交叉遗传和变异遗传后的个体的第二适应值,根据 第二适应值、第一适应值和预置替代规则进行种群的新旧个体替代,预置替 代规则为:
对于个体的选择遗传,判断若子代种群中是否存在大于第一父代种群的 最优个体的第一适应值的第一子代种群个体,若否,则将第一父代种群的最 优个体加入到第一子代种群中,将第一子代种群的第二适应值最小的第一子 代种群个体淘汰,若是,保留第一子代种群中的最优个体;
对于个体的交叉遗传和变异遗传,分别将交叉遗传或变异遗传后产生的 新个体与其对应的第二父代种群中随机选择的小于平均适应值的父代个体进 行适应值比较,若新个体的第二适应值大于父代个体的第一适应值,则将新 个体替代父代个体,否则,执行步骤204。
步骤204:根据新个体的第一适应值、平均适应值和模拟退火温度,根据 预置概率公式计算替代概率,若替代概率大于预置概率,则将新个体替代父 代个体,否则,保留父代个体,其中,模拟退火温度为T=[(fi(X)-favg]2,fi(X) 为个体i的适应值,favg为种群的平均适应值,预置概率公式为 fh(X)为父代个体的适应值,f(Xg)为新个体的适应 值。
需要说明的是,步骤202至步骤205与步骤101至步骤104一致,在此 不再进行详细赘述。
进一步地,交叉遗传具体包括:
根据种群数M确定交叉点数范围,在交叉点数范围内选择随机数n作为 交叉遗传点数,在种群中随机选取两个个体作为父代个体,随机选取父代个 体上的n个位置按交叉概率pc进行交换,交叉概率pc为 其中,f′为参与交叉的两个个体中较大 的适应值,fmax为种群中最大适应值,favg为种群中平均适应值。
进一步地,变异遗传具体包括:
需要说明的是,本申请实施例中,使用改进的交叉概率计算公式和改进 的变异概率计算公式,可根据个体的不同适应度值确定相应的交叉概率与变 异概率。当适应值在(favg,fmax)范围内时,若种群内大部分个体适应值与平均适 应值favg差不多,且favg接近种群最大适应值fmax时,其交叉概率、变异概率被 提高,使算法跳出局部收敛。本申请实施例中,以随机数的形式动态地确定 交叉点数及交叉位置,有效地扩大了种群个体的生成范围,既最大限度保留 了最优解,又增加了交叉概率和变异概率的计算,增大了全局最优解的寻找 可能性。
需要说明的是,本申请实施例中选择的交叉点范围为若交叉 点范围的右边界小于会导致个体的可选择范围过小,若交叉点范围的右 边界大于则交叉点数过多,容易产生较大变动,造成新的个体的适应值 比旧的个体的适应值小易产生淘汰个体,将交叉点范围设置为能够 使得结果更为可靠。
为了便于理解,请参阅图3,本申请提供的一种无线传感器网络节点覆盖 优化装置的一个实施例,包括:
适应值计算模块301,用于根据预置适应值函数和建立的无线传感器网络 模型中的每个个体当前位置,计算每个个体的第一适应值,将无线传感器网 络模型的所有个体按照第一适应值的大小进行排序,适应值函数为 f(X)=ω1f1(X)+ω2[1-f2(X)],其中,f1(X)为覆盖率,f2(X)为消耗率,ω1和ω2为 权重,且ω1+ω2=1,ω1∈(0,1),ω2∈(0,1);
第一替代模块302,用于对无线传感器网络模型中的种群进行个体的选择 遗传、交叉遗传和变异遗传,分别计算交叉遗传和变异遗传后的个体的第二 适应值,根据第二适应值、第一适应值和预置替代规则进行种群的新旧个体 替代,预置替代规则为:
对于个体的选择遗传,判断若子代种群中是否存在大于第一父代种群的 最优个体的第一适应值的第一子代种群个体,若否,则将第一父代种群的最 优个体加入到第一子代种群中,将第一子代种群的第二适应值最小的第一子 代种群个体淘汰,若是,保留第一子代种群中的最优个体;
对于个体的交叉遗传和变异遗传,分别将交叉遗传或变异遗传后产生的 新个体与其对应的第二父代种群中随机选择的小于平均适应值的父代个体进 行适应值比较,若新个体的第二适应值大于父代个体的第一适应值,则将新 个体替代父代个体,否则,触发第二替代模块303;
第二替代模块303,用于根据新个体的第一适应值、平均适应值和模拟退 火温度,根据预置概率公式计算替代概率,若替代概率大于预置概率,则将 新个体替代父代个体,否则,保留父代个体,其中,模拟退火温度为 T=[(fi(X)-favg]2,fi(X)为个体i的适应值,favg为种群的平均适应值,预置概 率公式为fh(X)为父代个体的适应值,f(Xg)为新个 体的适应值;
进一步地,装置还包括:
初始化模块300,用于建立无线传感器网络模型,根据无线传感器网络模 型建立初始种群,并初始化算法参数,算法参数包括:种群数M,交叉概率pc, 交叉概率上限pcmax,交叉概率下限pcmin,变异概率pm,变异概率上限pmmax, 变异概率下限pmmin。
本申请实施例还提供一种无线传感器网络节点覆盖优化设备,包括:处 理器以及存储器:
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行前述的任意一种无线传感器网络 节点覆盖优化方法。
本申请实施例还提供一种计算机可读存储介质,用于存储程序代码,程 序代码用于前述的任意一种无线传感器网络节点覆盖优化方法。
本申请实施例还提供一种包括指令的计算机程序产品,当其在计算机上 运行时,使得计算机执行前述的任意一种无线传感器网络节点覆盖优化方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描 述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应 过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等 (如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次 序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申 请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外, 术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如, 包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地 列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方 法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个” 是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存 在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存 在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后 关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项 中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或 c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或 “a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和 方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示 意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可 以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个 ***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间 的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合 或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作 为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方, 或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或 者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中, 也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单 元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单 元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售 或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本 申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的 全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个 存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机, 服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步 骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-Only Memory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制; 尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应 当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其 中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案 的本质脱离本申请各实施例技术方案的精神和范围。
Claims (7)
1.一种无线传感器网络节点覆盖优化方法,其特征在于,包括:
101、根据预置适应值函数和建立的无线传感器网络模型中的每个个体当前位置,计算每个个体的第一适应值,将所述无线传感器网络模型的所有个体按照第一适应值的大小进行排序,所述适应值函数为f(X)=ω1f1(X)+ω2[1-f2(X)],其中,f1(X)为覆盖率,f2(X)为消耗率,ω1和ω2为权重,且ω1+ω2=1,ω1∈(0,1),ω2∈(0,1);
102、对所述无线传感器网络模型中的种群进行个体的选择遗传、交叉遗传和变异遗传,分别计算所述交叉遗传和所述变异遗传后的个体的第二适应值,根据所述第二适应值、所述第一适应值和预置替代规则进行种群的新旧个体替代,所述预置替代规则为:
对于个体的选择遗传,判断子代种群中是否存在大于第一父代种群的最优个体的第一适应值的第一子代种群个体,若否,则将所述第一父代种群的最优个体加入到所述第一子代种群中,将所述第一子代种群的第二适应值最小的所述第一子代种群个体淘汰,若是,保留所述第一子代种群中的最优个体;
对于个体的交叉遗传和变异遗传,分别将交叉遗传或变异遗传后产生的新个体与其对应的第二父代种群中随机选择的小于平均适应值的父代个体进行适应值比较,若所述新个体的所述第二适应值大于所述父代个体的所述第一适应值,则将所述新个体替代所述父代个体,并执行步骤104,若所述新个体的所述第二适应值小于所述父代个体的所述第一适应值,执行步骤103;
103、根据所述新个体的所述第一适应值、所述平均适应值和模拟退火温度,使用预置概率公式计算替代概率,若所述替代概率大于预置概率,则将所述新个体替代所述父代个体,否则,保留所述父代个体,其中,所述模拟退火温度为T=[(fi(X)-favg]2,fi(X)为个体i的适应值,favg为种群的平均适应值,所述预置概率公式为fh(X)为父代个体的适应值,f(Xg)为新个体的适应值,并执行步骤104;
2.根据权利要求1所述的无线传感器网络节点覆盖优化方法,其特征在于,步骤101之前,还包括:
100、建立无线传感器网络模型,根据所述无线传感器网络模型建立初始种群,并初始化算法参数,所述算法参数包括:种群数M、交叉概率pc、交叉概率上限pcmax、交叉概率下限pcmin、变异概率pm、变异概率上限pmmax和变异概率下限pmmin。
6.一种无线传感器网络节点覆盖优化装置,其特征在于,包括:
适应值计算模块,用于根据预置适应值函数和建立的无线传感器网络模型中的每个个体当前位置,计算每个个体的第一适应值,将所述无线传感器网络模型的所有个体按照第一适应值的大小进行排序,所述适应值函数为f(X)=ω1f1(X)+ω2[1-f2(X)],其中,f1(X)为覆盖率,f2(X)为消耗率,ω1和ω2为权重,且ω1+ω2=1,ω1∈(0,1),ω2∈(0,1);
第一替代模块,用于对所述无线传感器网络模型中的种群进行个体的选择遗传、交叉遗传和变异遗传,分别计算所述交叉遗传和所述变异遗传后的个体的第二适应值,根据所述第二适应值、所述第一适应值和预置替代规则进行种群的新旧个体替代,所述预置替代规则为:
对于个体的选择遗传,判断子代种群中是否存在大于第一父代种群的最优个体的第一适应值的第一子代种群个体,若否,则将所述第一父代种群的最优个体加入到所述第一子代种群中,将所述第一子代种群的第二适应值最小的所述第一子代种群个体淘汰,若是,保留所述第一子代种群中的最优个体;
对于个体的交叉遗传和变异遗传,分别将交叉遗传或变异遗传后产生的新个体与其对应的第二父代种群中随机选择的小于平均适应值的父代个体进行适应值比较,若所述新个体的所述第二适应值大于所述父代个体的所述第一适应值,则将所述新个体替代所述父代个体,并触发输出模块,若所述新个体的所述第二适应值小于所述父代个体的所述第一适应值,触发第二替代模块;
所述第二替代模块,用于根据所述新个体的所述第一适应值、所述平均适应值和模拟退火温度,使用预置概率公式计算替代概率,若所述替代概率大于预置概率,则将所述新个体替代所述父代个体,若所述新个体的所述第二适应值小于所述父代个体的所述第一适应值,保留所述父代个体,其中,所述模拟退火温度为T=[(fi(X)-favg]2,fi(X)为个体i的适应值,favg为种群的平均适应值,所述预置概率公式为fh(X)为父代个体的适应值,f(Xg)为新个体的适应值,并触发所述输出模块;
7.根据权利要求6所述的无线传感器网络节点覆盖优化装置,其特征在于,所述装置还包括:
初始化模块,用于建立无线传感器网络模型,根据所述无线传感器网络模型建立初始种群,并初始化算法参数,所述算法参数包括:种群数M、交叉概率pc、交叉概率上限pcmax、交叉概率下限pcmin、变异概率pm、变异概率上限pmmax和变异概率下限pmmin。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810956400.8A CN108882256B (zh) | 2018-08-21 | 2018-08-21 | 一种无线传感器网络节点覆盖优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810956400.8A CN108882256B (zh) | 2018-08-21 | 2018-08-21 | 一种无线传感器网络节点覆盖优化方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108882256A CN108882256A (zh) | 2018-11-23 |
CN108882256B true CN108882256B (zh) | 2020-11-10 |
Family
ID=64321240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810956400.8A Active CN108882256B (zh) | 2018-08-21 | 2018-08-21 | 一种无线传感器网络节点覆盖优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108882256B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109495903A (zh) * | 2019-01-28 | 2019-03-19 | 广东工业大学 | 一种路由器仿真部署方法、***及相关装置 |
CN109787836A (zh) * | 2019-02-01 | 2019-05-21 | 北京邮电大学 | 基于遗传算法的vnf调度方案的确定方法及装置 |
CN111182574A (zh) * | 2019-07-30 | 2020-05-19 | 内蒙古大学 | 一种基于遗传算法的apteen路由协议优化方法及其优化装置 |
CN112469050B (zh) * | 2019-09-06 | 2023-01-10 | 西安邮电大学 | 一种基于改进灰狼优化器的wsn三维覆盖增强方法 |
CN112765842B (zh) * | 2020-12-31 | 2024-05-07 | 西安理工大学 | 一种组合式绝缘子均压结构优化设计方法 |
CN112949010B (zh) * | 2021-02-26 | 2023-06-09 | 中国联合网络通信集团有限公司 | 一种覆盖优化方法和装置 |
CN116307214A (zh) * | 2023-03-23 | 2023-06-23 | 无锡物联网创新中心有限公司 | 一种基于nsga-ii算法的自动配棉方法及相关装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101832909A (zh) * | 2010-03-12 | 2010-09-15 | 江苏大学 | 基于模拟退火-遗传算法近红外光谱特征子区间选择方法 |
CN105430707A (zh) * | 2015-11-03 | 2016-03-23 | 国网江西省电力科学研究院 | 一种基于遗传算法的无线传感网多目标优化路由方法 |
-
2018
- 2018-08-21 CN CN201810956400.8A patent/CN108882256B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101832909A (zh) * | 2010-03-12 | 2010-09-15 | 江苏大学 | 基于模拟退火-遗传算法近红外光谱特征子区间选择方法 |
CN105430707A (zh) * | 2015-11-03 | 2016-03-23 | 国网江西省电力科学研究院 | 一种基于遗传算法的无线传感网多目标优化路由方法 |
Non-Patent Citations (2)
Title |
---|
改进的自适应模拟退火算法及其在过程综合中的应用;杜红彬,等;《高校化学工程学报》;20020228;第16卷(第1期);全文 * |
模拟退火分层遗传算法及其在(N+M)容错***优化中的应用研究;刘刚;《内蒙古工业大学硕士论文》;20050501;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108882256A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108882256B (zh) | 一种无线传感器网络节点覆盖优化方法和装置 | |
Yi et al. | An improved NSGA-III algorithm with adaptive mutation operator for Big Data optimization problems | |
Sun et al. | Secure routing protocol based on multi-objective ant-colony-optimization for wireless sensor networks | |
CN105430706B (zh) | 一种基于改进粒子群算法的无线传感网络路由优化方法 | |
CN108846472A (zh) | 一种自适应遗传粒子群混合算法的优化方法 | |
Sitanayah et al. | A fault-tolerant relay placement algorithm for ensuring k vertex-disjoint shortest paths in wireless sensor networks | |
CN108737569B (zh) | 一种面向移动边缘计算环境的服务选择方法 | |
CN109800910A (zh) | 一种基于禁忌搜索的超启发式算法的车辆路径优化方法 | |
CN108197708A (zh) | 一种基于Spark的并行化遗传算法 | |
CN109582985A (zh) | 一种改进的遗传退火的片上网络映射方法 | |
CN106843997A (zh) | 一种基于Spark与优化MBBO算法的并行虚拟机聚合方法 | |
KR101565694B1 (ko) | 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템 | |
Siddiqi et al. | A memory efficient stochastic evolution based algorithm for the multi-objective shortest path problem | |
CN111412795B (zh) | 测试点设置方案生成方法及装置 | |
CN108921354A (zh) | 一种基于粒子群优化的蚁群算法求解tsp问题的方法 | |
KR101609457B1 (ko) | 대용량 그래프 데이터베이스에서 하한 경계값에 기초하여 메디안 노드를 검색하는 방법 | |
CN116017476A (zh) | 无线传感器网络覆盖设计方法、装置 | |
Zhu et al. | Community mining in complex network based on parallel genetic algorithm | |
CN111107604B (zh) | 无人平台信息感知网络的快速优化方法和装置 | |
CN110048945B (zh) | 一种节点移动性分簇方法及*** | |
CN109451554B (zh) | 一种无线网络路径优化方法及*** | |
CN113141272A (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
CN112529143A (zh) | 一种目标邻居学习粒子群优化方法 | |
CN113344140A (zh) | 一种基于剪枝条件的不确定数据序列扫描方法及*** | |
Ren et al. | Multi-feature fusion energy-saving routing in internet of things based on hybrid ant colony algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |