一种面向大规模无线传感网络部署优化的空间约简方法技术

本发明专利技术提供了一种面向大规模无线传感网络部署优化的空间约简方法，包括：S10，随机生成NP个采样点，成一个初始化的种群Pop；S20，更新目标函数；S30，评估初始化种群Pop的个体，获取最优个体x

【技术实现步骤摘要】
一种面向大规模无线传感网络部署优化的空间约简方法


[0001]本专利技术涉及无线传感网络部署、计算智能和计算机应用
，尤其涉及一种面向大规模无线传感网络部署优化的空间约简方法。

技术介绍

[0002]无线传感网络部署优化是对无线传感器的地理位置进行合理布局以达到一定的目标。假定在给定的地理区域范围内，将一定数目的无线传感器设置在不同的地理位置上，以使得相应的目标最大化或最小化(如覆盖率最大化、重叠区域最小化或无线传感器建设成本及维护成本最小化)。
[0003]对于一个无线传感网络部署优化问题，它的决策变量为每个无线传感网络部署的经度、纬度和高度，采用给定实值范围内的实数类型值表示。经度的取值范围为给定地理多边形区域的最小经度至最大经度，纬度的取值范围为给定地理多边形区域的最小纬度至最大纬度。高度的取值范围通常设置为[0，2000]。因此，一个无线传感网络部署优化问题的解即各无线传感器的经度、纬度和高度所组成的向量，该向量需要所有无线传感器的布局位置必须位于给定的地理区域范围内(即满足多边形区域约束)。在处理该问题时，多个目标可根据用户的偏好进行加权，目标评估的过程需要调用仿真工具对选址方案进行评估。无线传感网络部署优化问题本质上可以看作一个实值优化问题，问题形式如下：
[0004][0005]s.t.g
i
(x)≤0 i＝1，2，
…
，W
[0006]其中f(x)是目标函数，x＝(x1，x2，...，x
D
)是D维的决策变量向量，每个变量x
j
的取值上下界为U
j
和L
j
(j＝1，2，...，D)，同时要找的解x需要满足每个无线传感器位于给定的多边形区域内，W为无线传感器的个数，每个g
i
(x)代表每个无线传感器的多边形区域约束函数。
[0007]目前对无线传感网络部署优化问题的求解要么依赖人的经验，要么使用演化算法对其进行求解，并没有考虑大规模无线传感网络部署优化的场景。在实际的无线传感网络部署中，一个城市某个区的无线传感器规划的数量可能成百上千，从而使得各无线传感器相关的参数数量成百上千甚至上万。一方面，人根本无法有效应对这么复杂的情景，另一方面演化算法在目标问题的决策变量个数增加(比如大于100时)，会出现快速下降，不能在有限的时间内提供满足质量的解。

技术实现思路

[0008]本专利技术旨在至少解决现有技术中存在的技术问题之一。
[0009]本专利技术提供了一种面向大规模无线传感网络部署优化的空间约简方法，该所述面向大规模无线传感网络部署优化的空间约简方法包括：S10，以所有无线传感器的经度和纬度作为决策变量，根据决策变量的取值范围随机生成NP个采样点，每个采样点的决策变量
在取值范围内随机生成，NP个采样点组成一个初始化的种群Pop＝{x1，x2，...，x
NP
}，其中，任一个体x
i
代表着一种无线传感网络部署方案，任一无线传感网络部署方案包括每个无线传感器的经度和纬度， i＝1，2，...，NP，NP为整数；S20，采用罚函数法根据每个个体的无线传感器和约束更新目标函数；S30，使用目标函数评估初始化种群Pop的个体，获取初始化种群Pop中的最优个体x
best
；S40，初始化迭代次数cycle为1；S50，进入新的演化周期，将所有无线传感器随机分为m组，根据m组无线传感器形成m个子种群，其中，第k个子种群为无线传感器随机分为m组，根据m组无线传感器形成m个子种群，其中，第k个子种群为为x
i
的第k组分量，k＝1，2，......，m，m为整数；S60，初始化k＝1；S70，对第k个子种群Pop
k
进行演化Max_Gen代；S80，更新k为k+1，并返回S70，直至k＝m，完成对m个子种群的演化Max_Gen代；S90，将演化更新后的子种群Pop1、Pop2、...、Pop
m
按照顺序重新拼接成包含所有变量的种群Pop；更新迭代次数cycle为cycle+1，返回执行S50，直至满足算法终止条件，输出最优个体x
best
以完成面向大规模无线传感网络部署优化的空间约简方法。
[0010]进一步地，S70具体包括：S71，将第k个子种群Pop
k
替换x
best
的第k组分量形成第一完整个体，使用目标函数评估第一完整个体，更新当前最优个体x
best
； S72，初始化gen＝1；S73，使用自适应差分演化算法SaNSDE对Pop
k
进行演化；S74，更新gen为gen+1，并返回S73，直至gen＝Max_Gen。
[0011]进一步地，S73具体包括：S731，第k个子种群中的每个个体按照SaNSDE的变异操作生成变异个体变异个体与当前对应的个体进行交叉操作生成测试个体获取第k个新群体S732，根据调整测试个体的决策变量分量，获取调整后的第k个新群体其中，为调整后的测试个体的第j个分量，为调整前的测试个体的第j个分量，为上界，为下界，j＝1，2，......，D，D为整数；S733，将调整后的第k个新群体Off
k*
替换x
best
的第k组分量形成第二完整个体，使用目标函数评估第二完整个体，更新当前最优个体x
best
；S734，一一对比第k个子种群Pop
k
与调整后的第k个新群体 off
k*
中的个体，若调整后的测试个体的目标数值大于个体的目标数值，则选择调整后的测试个体替换个体更新第k个子种群Pop
k
；S735，将更新后的第k个子种群Pop
k
替换x
best
的第k组分量形成第三完整个体，使用目标函数评估第三完整个体，更新当前最优个体x
best
。
[0012]进一步地，在S20中，采用射线法判断每个个体中的无线传感器是否均满足约束，若不满足，则在预设目标函数的基础上增加惩罚项作为新的目标函数。
[0013]进一步地，惩罚项为惩罚因子与不满足约束的无线传感器数的乘积。
[0014]进一步地，算法终止条件为可用计算资源为零。
[0015]应用本专利技术的技术方案，提供了一种面向大规模无线传感网络部署优化的空间约简方法，该面向大规模无线传感网络部署优化的空间约简方法通过初始化一个种群Pop，该种群含有多个个体，每个个体表示一个无线传感网络部署方案。然后，整个演化被分成多个周期(cycle)，在每个cycle，算法将所有无线传感器相关的经度和纬度参数分成m组，根据分组，获得多个子种群 Pop
k
(k＝1，2，...，m)，第k个子种群的个体只包含种群Pop的第k组参数。之后，对每个子种群Pop
k
演化一定的代数。本专利技术的面向大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向大规模无线传感网络部署优化的空间约简方法，其特征在于，所述面向大规模无线传感网络部署优化的空间约简方法包括：S10，以所有无线传感器的经度和纬度作为决策变量，根据决策变量的取值范围随机生成NP个采样点，每个采样点的决策变量在取值范围内随机生成，NP个采样点组成一个初始化的种群Pop＝{x1，x2，...，x
NP
}，其中，任一个体x
i
代表着一种无线传感网络部署方案，任一无线传感网络部署方案包括每个无线传感器的经度和纬度，i＝1，2，...，NP，NP为整数；S20，采用罚函数法根据每个个体的无线传感器和约束更新目标函数；S30，使用目标函数评估初始化种群Pop的个体，获取初始化种群Pop中的最优个体x
best
；S40，初始化迭代次数cycle为1；S50，进入新的演化周期，将所有无线传感器随机分为m组，根据m组无线传感器形成m个子种群，其中，第k个子种群为子种群，其中，第k个子种群为为x
i
的第k组分量，k＝1，2，......，m，m为整数；S60，初始化k＝1；S70，对第k个子种群Pop
k
进行演化Max_Gen代；S80，更新k为k+1，并返回S70，直至k＝m，完成对m个子种群的演化Max_Gen代；S90，将演化更新后的子种群Pop1、Pop2、...、Pop
m
按照顺序重新拼接成包含所有变量的种群Pop；更新迭代次数cycle为cycle+1，返回执行S50，直至满足算法终止条件，输出最优个体x
best
以完成面向大规模无线传感网络部署优化的空间约简方法。2.根据权利要求1所述的面向大规模无线传感网络部署优化的空间约简方法，其特征在于，S70具体包括：S71，将第k个子种群Pop
k
替换x
best
的第k组分量形成第一完整个体，使用目标函数评估第一完整个体，更新当前最优个体x
best
；S72，初始化g...

【专利技术属性】
技术研发人员：张虎，董昊臻，杨杰华，吴康，常衢通，罗吉文，刘同林，
申请(专利权)人：航天科工智能运筹与信息安全研究院武汉有限公司，
类型：发明
国别省市：