没有合适的资源?快使用搜索试试~ 我知道了~
基于改良麻雀搜索优化的WSN节点部署策略.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 2 浏览量
2022-12-01
09:06:32
上传
评论
收藏 1.23MB DOCX 举报
温馨提示
试读
14页
基于改良麻雀搜索优化的WSN节点部署策略.docx
资源推荐
资源详情
资源评论
1. 引言
无线传感器网络作为一种智能的信息获取系统,依靠内部数量众多的无线传感器节点
通过电磁波信号实现数据的传播与交互,同时对外界对象进行感知监测以实现信息的采集
与传输.因其所具有的功耗小、造价低廉、容错性强等优势而被广泛应用于图像识别
[1]
、能
源采集
[2]
、智能交通
[3]
、医护保健
[4, 5]
、电力传输
[6]
、温度测控
[7]
、隐私保护
[8]
、水下探测
[9]
、
声光感知
[10]
等诸多领域.在发展初期,人工设置节点是网络的主要部署形式,但随着应用程
度的不断加深,受限于待监测区域客观条件等因素影响,大多采取随机抛撒节点并通过自
组织方式构成网络系统,而该种节点部署方式往往具有分布不均匀、重叠度高、区域覆盖
率低的缺陷,极大的影响了节点对监测对象的感知质量,从而在一定程度上负面限制了网
络性能的发挥.因此,为了保证网络能够高性能的完成对指定区域的监测任务,则必须要对
节点进行部署优化.与此同时,网络覆盖优化问题作为节点部署方案中的一项重要内容,长
期以来都是研究的热点.
近年来,智能计算的蓬勃发展为节点部署优化开辟了新的研究思路.在具体解决问题
时,学者们通过设计行之有效的节点感知模型以充分契合部署环境,另一方面,研究人员
致力于提升 WSN 覆盖优化算法的搜索性能,以期算法在模型中发挥出物尽其用的效果:
何庆等
[11]
采用权重因子与混合概率分布模型改进了正余弦优化算法,提高了算法的抗极值
能力;宋明智等
[12]
将维度选择机制应用于虚拟力粒子群算法,使算法的寻优过程更加高
效;于文杰等
[13]
将外推公式结合人工蜂群算法,弥补了原算法收敛精度低的缺陷;周海鹏
等
[14]
提出了一种自适应混沌粒子群优化算法,具有了较强的自适应能力;以上改进算法应
用于节点部署优化,相比于原算法,均能在一定程度上提升网络的覆盖性能.
基于以上研究,本文在麻雀搜索算法(Sparrow Search Algorithm, SSA)
[15]
的基础上,通
过引入正余弦指引机制对算法的迭代寻优过程进行改进,同时针对算法停滞与搜索粒子聚
集问题,采用 Lévy 随机步长建立相应的扰动机制,提出改良型麻雀搜索算法(Reformative
Sparrow Search Algorithm, RSSA).在性能测试部分,利用 RSSA 对 6 个基准函数进行求解优
化,并将结果与原算法(SSA)、粒子群优化算法(PSO)、改进的正余弦优化算法(SCASL)进
行对比,验证了改进算法在寻优性能方面的优越性,继而将所提算法结合覆盖模型应用于
WSN 节点部署优化,并在文献[11-13]的部署条件下分别对比相应优化算法,结果验证了
RSSA 对于节点部署优化的有效性.
2. 数学模型
无线传感器节点作为网络系统的末梢结构,是感知和监测外界对象的基本单位,通过
对节点部署所得到的区域覆盖率将直接影响到网络的服务质量
[16]
,故本文将网络的区域覆
盖率作为对覆盖优化的评价指标,针对使覆盖率实现最大化的问题进行求解.
假设在二维指定平面 A 内随机抛撒 V 个同构无线传感器节点,记这些节点集合为
C={c
1
, c
2
, …, c
v
},每个节点的具有相同的感知半径 R
s
和通信半径 R
c
,满足 R
c
=2R
s
,节点坐
标位置为 C
i
=(x
i
, y
i
), i=1, 2, …, V,采用文献[17]的处理方法将平面区域 A 离散化为 m×n 个
像素点,则节点 i 到任意像素点 z(x, y)的欧氏距离为:
d(ci,z)=(x−xi)2+(y−yi)2−−−−−−−−−−−−−−−−√d(ci,z)=(x−xi)2+(y−yi)2
(1)
文献[18]指出,若像素点到节点 i 的欧氏距离在其感知半径内,定义该像素点已处于
被覆盖状态,设该事件发生的概率为 P,所采用的布尔感知模型为:
P(ci,z)={1,d(ci,z)≤Rs0,otherwiseP(ci,z)={1,d(ci,z)≤Rs0,otherwise
(2)
事实上,布尔感知模型在实际的网络覆盖中过于理想化,鉴于部署环境的复杂性,任
一像素点是否能被节点感知也呈现一定的概率分布:
P(ci,z)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪1,exp(−λ1αβ11αβ22+λ2),0,d(ci,z)≤Rs−ReRs−Re<d(ci,z)<Rs+Reotherwise P(ci,z)={1,d(ci,z)≤Rs−Reexp(−λ1α1β1α2β2+λ2),Rs−Re<d(ci,z)<Rs+Re0,otherwise
(3)
式中,R
e
为节点测量可靠性参数;α
1
=R
e
-R
s
+d(c
i
, z);α
2
=R
e
+R
s
-d(c
i
, z);λ
1
、λ
2
、β
1
、β
2
为与节点有关的测量参数,本文取 λ
1
=1,λ
2
=0,β
1
=1,β
2
=1.5.由式(3)概率感知模型可以可
出,节点 c
i
对像素点的检测概率不再是非 0 即 1 的情况,同时加入了参数进行调控,完善
了布尔型感知模型不够准确的缺点.
依据式(3)得到对像素点检测概率后,计算区域内所有节点对目标点的联合检测概率:
P(C,z)=1−∏i=1V(1−P(ci,z))P(C,z)=1−∏i=1V(1−P(ci,z))
(4)
式中,P(C, z)为联合检测概率;C 为传感器节点集合;V 为区域内节点数量.一般地,
设置 P
th
为像素点能被节点检测到的概率阀值,判定当 P(C, z)≥P
th
时,目标像素点才可被节
点有效监测.本文取 P
th
的数值为 0.8.
前面提到区域 A 被离散化为 m×n 个像素点,统计其中满足联合概率密度要求的像素
点个数,则网络覆盖率定义为被节点有效检测到的个数与区域内全部目标点的比值:
Pcov=∑x=1m∑y=1nP(C,z)m×nPcov=∑x=1m∑y=1nP(C,z)m×n
(5)
式中,P
cov
为区域覆盖率.
3. 优化算法
3.1 基本的麻雀搜索算法 SSA
在 SSA 算法中,全部的搜索粒子被视作麻雀种群,在规避被捕食风险的同时,通过
在解空间内搜索最好的觅食位置来达到优化的目的.其中,发现者位置更新公式为:
Xt+1i,j=⎧⎩⎨Xti,j⋅exp(−iα⋅Itermax),R2<STXti,j+Q⋅L,R2≥STXi,jt+1={Xi,jt⋅exp(−iα⋅Itermax),R2<STXi,jt+Q⋅L,R2≥ST
(6)
式中,t 表示当前迭代次数;X
i, j
t
表示当前第 i 只发现者麻雀 j 维的坐标位置;Iter
max
为
最大迭代次数;α 是一个属于(0, 1]的随机数;Q 是一个服从正态分布的随机数;L 为一个
内部元素均为 1 的一维矩阵,由公式可知,发现者拥有两种更新位置的方式,具体的选择
则依赖于预警值 R
2
(R
2
∈[0, 1])与安全值 ST(ST∈[0.5, 1])值的比较.
在种群中除发现者外其余麻雀均为加入者,具有两种更新位置的方式,其中排在种群
后半部分的加入者由于适应度值较低将单独觅食,其余加入者将跟随发现者前往更好的觅
食位置.加入者位置更新公式为:
Xt+1i,j=⎧⎩⎨⎪⎪⎪⎪Q⋅exp(Xtworst−Xti,ji2),i>n/2Xt+1p+∣∣Xti,j−Xt+1p∣∣⋅A+⋅L,otherwiseXi,jt+1={Q⋅exp(Xworstt−Xi,jti2),i>n/2Xpt+1+|Xi,jt−Xpt+1|⋅A+⋅L,otherwise
(7)
式中,n 代表麻雀数量;X
p
为当前发现者所占据的最佳觅食位置;X
worst
为当前最差觅
食位置;A 为内部元素均为 1 或-1 的一维矩阵,且 A
+
=A
T
(AA
T
)-1,Q、L 同式(6).
除上述两种角色外,SSA 算法规定在所有麻雀中按比例随机挑选部分兼具“预警者”职
能,其作用是为避免被捕食风险而进一步更新其所在位置.预警者位置更新公式为:
Xt+1i,j=⎧⎩⎨⎪⎪⎪⎪Xtbest+β⋅∣∣Xti,j−Xtbest∣∣,fi>fgXti,j+K⋅(∣∣Xti,j−Xtworst∣∣(fi−fw)+ε),fi=fgXi,jt+1={Xbestt+β⋅|Xi,jt−Xbestt|,fi>fgXi,jt+K⋅(|Xi,jt−Xworstt|(fi−fw)+ε),fi=fg
(8)
式中,f
i
为预警者个体适应度值;f
g
代表全局最优适应度值;X
best
t
为全局最佳觅食位
置;β、K 为步长控制参数;ε 是一个极小的常数,作用是避免分母位置上出现零的情况.
3.2 多策略融合改良的麻雀搜索算法 RSSA
作为一种单属性、流程简单的群体智能优化算法,SSA 算法对应用于特定的优化问题
具有充足的潜力,而考虑到在 WSN 节点部署优化中 SSA 算法还存在着遍历性低、跳跃性
搜索以及在寻优过程中易出现搜索停滞的现象,故针对以上不足之处,在原算法中加入正
余弦指引机制和停滞扰动机制,对 SSA 算法提出改进,以便于其更好的应用于 WSN 节点
部署优化中,从而有效提高区域覆盖率.
3.2.1 正余弦指引机制
从式(1)发现者位置更新模型可知,当 R
2
≥ST 时发现者的位置将按正态分布随机移动至
当前区域附近,这种仅依赖于发现者个体信息的位置更新方式并未充分结合当前最优解的
指导,致使算法在迭代前期的搜索性能不佳,而当 R
2
<ST 时,随着迭代次数的增大发现者
的搜索空间会逐渐趋于狭隘,并且由于指数函数的特性,使得发现者的位置更新呈现出跳
跃式状态,故该方式不仅会使算法出现搜索盲区,而且容易导致迭代陷入局部最优.为了改
善上述情况,利用文献[19]中改进的正弦余弦算法公式替代发现者更新模型,加入最优位
置信息指引寻优过程,引入惯性权重因子,动态调整麻雀个体对自身位置信息的依赖程
度,并参考粒子群算法思想,引入个体所搜索到的历史最优位置,对模型进行改进使发现
剩余13页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3552
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功