本發(fā)明涉及一種無線傳感器網(wǎng)絡(luò)節(jié)點覆蓋方法，尤其是一種基于改進蜂群算法的傳感節(jié)點覆蓋方法，屬于無線通信與智能的技術(shù)領(lǐng)域。

背景技術(shù)：

無線傳感器網(wǎng)絡(luò)的各種應(yīng)用中網(wǎng)絡(luò)覆蓋是一個基本問題。為了達到預(yù)期的網(wǎng)絡(luò)覆蓋率要求，傳統(tǒng)的方法是利用大規(guī)模部署靜態(tài)節(jié)點，但過多的節(jié)點容易引起通信沖突；而利用移動傳感器節(jié)點可以改善這種狀況，考慮到移動節(jié)點的成本問題，如何優(yōu)化移動節(jié)點位置并通過有限節(jié)點實現(xiàn)覆蓋范圍的最大化成為一個值得研究的領(lǐng)域。近年來，已涌現(xiàn)出許多將節(jié)點布局問題與優(yōu)化算法結(jié)合的智能優(yōu)化算法，如粒子群算法、遺傳算法、模擬退火算法等，這些方法均能夠提高網(wǎng)絡(luò)覆蓋率。

本發(fā)明將提供一種基于改進蜂群算法的傳感節(jié)點覆蓋方法。蜂群算法(ABC)是一種模擬群體蜜蜂覓食特性的智能優(yōu)化算法，具有參數(shù)設(shè)置簡單、易于實現(xiàn)的特點，得到了廣泛關(guān)注。與遺傳算法、粒子群算法等智能計算方法相比，該算法的突出優(yōu)點是每次迭代中都進行全局和局部搜索，因而找到最優(yōu)解的概率大大增加，并在較大程度上避免了局部最優(yōu)。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是在傳統(tǒng)蜂群算法的跟隨蜂的食物源更新方案中引入遺忘因子和變學(xué)習(xí)因子，提出一種基于帶學(xué)習(xí)因子蜂群優(yōu)化算法的移動傳感網(wǎng)節(jié)點覆蓋方法，其計算復(fù)雜度低，具有高效搜索和全局搜索的能力，能達到實現(xiàn)最佳空間覆蓋的效果。

按照本發(fā)明提供的技術(shù)方案，所述基于改進蜂群算法的傳感節(jié)點覆蓋方法包括如下步驟：

Step 1：初始化蜂群規(guī)模N，采蜜蜂種群規(guī)模為N_e，跟隨蜂種群規(guī)模為N_f，初始迭代k＝1，蜂群進化代數(shù)M；隨機生成由N個蜜蜂組成的初始搜索群體{S₁，…，S_N}，每只蜜蜂(個體)代表一種D個傳感節(jié)點位置分布方案(這里，S_i＝(s_i1，…，s_iD)，i＝1，2…，N，t＝1，2…，D，s_id＝(x_id，y_id)表示第i個搜索個體中第d個傳感器的坐標)；D個傳感器節(jié)點分布于二維平面監(jiān)測區(qū)域Q內(nèi)，將二維平面監(jiān)測區(qū)域數(shù)字離散化為a×b個格點，每個格點坐標用A_j(x_j，y_j)，j＝1，2，…，ab表示，x_j，y_j分別表示格點A_j在監(jiān)測區(qū)域的橫、縱坐標。

Step 2：利用公式R_i(S_i)＝∑_jρ_j(S_i)/(a×b)(j＝1，…，ab，i＝1，…，N)計算 每只蜜蜂的網(wǎng)絡(luò)覆蓋率，其中：${\mathrm{\ρ}}_j\left(S_i\right)=1-\underset{d=1}{\overset{D}{\mathrm{\Π}}}(1-{\mathrm{\ρ}}_j(A_j,s_{\mathrm{id}},m)),$表示傳感節(jié)點s_id與格點A_j之間距離不大于感知半徑為m的概率；d(A_j，s_id)表示傳感節(jié)點s_id與格點A_j之間距離。

Step 3：按照種群適應(yīng)度大小，將蜜蜂分為采蜜蜂和跟隨蜂。

Step 4：更新采蜜蜂蜜源。對于每只采蜜蜂，在原蜜源附近采蜜，按下式

v_id＝s_id+r(s_id-s_hd)

產(chǎn)生新的蜜源，并計算其適應(yīng)度值，式中i，h＝1，2…，N，h≠i，j＝1，2…，D，r是[-1，1]之間的隨機數(shù)，若其適應(yīng)度值更高，則取代原蜜源；否則放棄此蜜源。

Step 5：更新跟隨蜂的狀態(tài)。對于每只跟隨蜂，按照與采蜜蜂種群適應(yīng)度值成比例的的概率選擇一個采蜜蜂，并在其鄰域內(nèi)根據(jù)下式

v_id＝λx_id+c₁r₁(p_id-x_id)+c₂r₂(g_d-x_id)

產(chǎn)生新的蜜源，式中λ是遺忘因子，表示搜索下一個蜜源時對當前蜜源的記憶強度，p_id表示每只蜜蜂自身的歷史最好位置，即個體極值，g_d表示所有蜜蜂的歷史最好位置，即全局最優(yōu)解，r₁和r₂是[-1，1]之間的隨機數(shù)，c₁，c₂表示學(xué)習(xí)因子，c₁＝1/(1+k^0.25)，c₂＝k/M，用于調(diào)整蜜蜂自身經(jīng)驗和社會群體經(jīng)驗在整個尋優(yōu)過程中所起的作用的參數(shù)。若新產(chǎn)生的蜜源適應(yīng)度值更高，則跟隨蜂變成采蜜蜂，并取代原蜜源位置。

Step 6：記錄種群最終更新后的個體極值、全局最優(yōu)解以及最優(yōu)適應(yīng)度值。

Step 7：記錄每只采蜜蜂覓食同一蜜源的次數(shù)，當覓食同一蜜源的次數(shù)超過臨界閾值時，該采蜜蜂退化為跟隨蜂，并重新隨機初始化其位置。

Step 8：如果滿足終止條件，則停止計算并輸出最優(yōu)網(wǎng)絡(luò)覆蓋率及相應(yīng)的參數(shù)S_best；否則，k：＝k+1，轉(zhuǎn)Step 2。

其中，

所述Step 1中，初始化蜂群規(guī)模N需要根據(jù)具體的問題規(guī)模進行設(shè)定；個體向量的維數(shù)大小D就是網(wǎng)絡(luò)覆蓋區(qū)域傳感節(jié)點個數(shù)。

所述Step 5中，為了使蜜蜂充分利用鄰域個體的搜索信息從而更好地尋找全局最優(yōu)點，遺忘因子λ在下一蜜源搜索過程中以動態(tài)下降方式調(diào)整；

所述Step 5中，學(xué)習(xí)因子c₁，c₂采用異步變化方式調(diào)整，在優(yōu)化初期，采用較大的c₁值和較小的c₂值，使蜜蜂盡量發(fā)散到搜索空間，擴大搜索范圍和增加種群的多樣性；在優(yōu)化后期，采用較小的c₁值和較大的c₂值，有利于收斂到全局最優(yōu)解。

本發(fā)明與已有技術(shù)相比具有以下優(yōu)點：本發(fā)明將遺忘因子和學(xué)習(xí)因子異步變化思想整合到蜂群算法中，增強了蜂群的自適應(yīng)優(yōu)化能力，避免了算法早熟收斂，提高了優(yōu)化搜索效率和性能，使搜索個體能容易跳出局部最優(yōu)，增強算 法的全局搜索能力。利用本發(fā)明蜂群算法來優(yōu)化移動傳感節(jié)點的位置，可以有效提高傳感網(wǎng)絡(luò)覆蓋率。

附圖說明

圖1是基于本發(fā)明方法的無線傳感器網(wǎng)絡(luò)節(jié)點覆蓋方法流程圖。

圖2是優(yōu)化前隨機投放的傳感節(jié)點位置分布圖。

圖3是基于本發(fā)明算法優(yōu)化后傳感節(jié)點位置分布圖。

具體實施方式

下面結(jié)合具體附圖和實施例對本發(fā)明作進一步說明。

在使用本發(fā)明所涉及無線傳感器網(wǎng)絡(luò)節(jié)點覆蓋方法時，考慮一個二維平面監(jiān)測區(qū)域Q，將其數(shù)字離散化為a×b個格點，目標傳感節(jié)點在該區(qū)域上參數(shù)相同的傳感器節(jié)點數(shù)目為D，每個節(jié)點的坐標均已知，感知半徑均為m。傳感器節(jié)點集表示S＝{s₁，s₂，…，s_D}，格點A_j(x_j，y_j)(x_j，y_j分別表示格點A_j在監(jiān)測區(qū)域的橫、縱坐標，j＝1，2，…，ab)被s_d所覆蓋的事件發(fā)生的概率ρ_j(A_j，s_d，m)表示為

其中：d(A_j，s_d)表示傳感節(jié)點s_d與格點A_j之間距離。對于具體的二維平面區(qū)域覆蓋問題，可以將目標區(qū)域離散為許多格點，用所有格點被傳感器節(jié)點覆蓋的覆蓋率來代表目標區(qū)域的區(qū)域覆蓋率，從而將區(qū)域覆蓋率的問題轉(zhuǎn)換為點覆蓋問題。節(jié)點集S的區(qū)域覆蓋率為R(S)＝∑_jρ_j(S)/(a×b)(j＝1，…，ab)，即R(S)為節(jié)點集S的覆蓋面積與監(jiān)測區(qū)域Q的總面積之比，其中，ρ_j(S)為第j個格點對節(jié)點集的聯(lián)合測量概率。

區(qū)域覆蓋率的計算步驟如下：

(a)、計算第j個格點對每個傳感器節(jié)點的覆蓋率。

(b)、計算第j個格點對傳感器節(jié)點集合S的聯(lián)合覆蓋率ρ_j(S)。

(c)、重復(fù)步驟(a)和(b)計算監(jiān)測區(qū)域每一個格點對傳感器節(jié)點集S的聯(lián)合覆蓋率。

(d)、根據(jù)式R(S)＝∑_jρ_j(S)/(a×b)計算傳感器節(jié)點集S的區(qū)域覆蓋率R(S)，并將R(S)作為耦合模擬退火覆蓋優(yōu)化算法的優(yōu)化目標函數(shù)。

如圖1所示，實現(xiàn)本發(fā)明無線傳感器網(wǎng)絡(luò)節(jié)點覆蓋方法包括如下步驟：

步驟1：初始化蜂群規(guī)模N＝30，采蜜蜂種群規(guī)模為N_e＝15，跟隨蜂種群規(guī)模為N_f＝15，初始迭代k＝1，蜂群進化代數(shù)M＝500；隨機生成由N個蜜蜂組成的初始搜索群體{S₁，…，S_N}，每只蜜蜂(個體)代表一種D個傳感節(jié)點位置分布方案(這里，S_i＝(s_i1，…，s_iD)，i＝1，2…，N，t＝1，2…，D，s_id＝(x_id，y_id)表示第i個搜索個體中第d個傳感器的坐標)；D個傳感器節(jié)點分布于二維平面監(jiān)測區(qū)域Q內(nèi)，將二維平面監(jiān)測區(qū)域數(shù)字離散化為a×b個格點，每個格點坐標用A_j(x_j，y_j)，j＝1，2，…，ab表示，x_j，y_j分別表示格點A_j在監(jiān)測區(qū)域的橫、縱坐標。

步驟2：利用公式R_i(S_i)＝∑_jρ_j(S_i)/(a×b)(j＝1，…，ab，i＝1，…，N)計算每只蜜蜂的網(wǎng)絡(luò)覆蓋率，其中：${\mathrm{\ρ}}_j\left(S_i\right)=1-\underset{d=1}{\overset{D}{\mathrm{\Π}}}(1-{\mathrm{\ρ}}_j(A_j,s_{\mathrm{id}},m)),$表示傳感節(jié)點s_id與格點A_j之間距離不大于感知半徑為m的概率；d(A_j，s_id)表示傳感節(jié)點s_id與格點A_j之間距離。

步驟3：按照種群適應(yīng)度大小，將蜜蜂分為采蜜蜂和跟隨蜂。

步驟4：更新采蜜蜂蜜源。對于每只采蜜蜂，在原蜜源附近采蜜，按下式

v_id＝s_id+r(s_id-s_hd)

產(chǎn)生新的蜜源，并計算其適應(yīng)度值，式中i，h＝1，2…，N，h≠i，j＝1，2…，D，r是[-1，1]之間的隨機數(shù)，若其適應(yīng)度值更高，則取代原蜜源；否則放棄此蜜源。

步驟5：更新跟隨蜂的狀態(tài)。對于每只跟隨蜂，按照與采蜜蜂種群適應(yīng)度值成比例的的概率選擇一個采蜜蜂，并在其鄰域內(nèi)根據(jù)下式

v_id＝λx_id+c₁r₁(p_id-x_id)+c₂r₂(g_d-x_id)

產(chǎn)生新的蜜源，式中λ＝0.98是遺忘因子，表示搜索下一個蜜源時對當前蜜源的記憶強度，p_id表示每只蜜蜂自身的歷史最好位置，即個體極值，g_d表示所有蜜蜂的歷史最好位置，即全局最優(yōu)解，r₁和r₂是[-1，1]之間的隨機數(shù)，c₁，c₂表示學(xué)習(xí)因子，c₁＝1/(1+k^0.25)，c₂＝k/M，用于調(diào)整蜜蜂自身經(jīng)驗和社會群體經(jīng)驗在整個尋優(yōu)過程中所起的作用的參數(shù)。若新產(chǎn)生的蜜源適應(yīng)度值更高，則跟隨蜂變成采蜜蜂，并取代原蜜源位置。

步驟6：記錄種群最終更新后的個體極值、全局最優(yōu)解以及最優(yōu)適應(yīng)度值。

步驟7：記錄每只采蜜蜂覓食同一蜜源的次數(shù)，當覓食同一蜜源的次數(shù)超過臨界閾值時，該采蜜蜂退化為跟隨蜂，并重新隨機初始化其位置。

步驟8：如果滿足終止條件，則停止計算并輸出最優(yōu)網(wǎng)絡(luò)覆蓋率及相應(yīng)的參數(shù)S_best；否則，k：＝k+1，轉(zhuǎn)步驟2。

下面通過一個仿真實驗來說明本發(fā)明的具體實施方式，并對發(fā)明的算法進 行測試。設(shè)傳感節(jié)點監(jiān)測區(qū)域Q為一個30m×30m的區(qū)域，隨機投放D＝30個無線傳感器，每個傳感器的傳感半徑m＝3。為了方便，將區(qū)域劃分成a×b＝30×30的柵格，利用上述本發(fā)明提出的算法進行覆蓋優(yōu)化，圖2和圖3顯示了覆蓋優(yōu)化結(jié)果。在優(yōu)化過程第1代時，網(wǎng)絡(luò)初始覆蓋率為61.9％，見圖2所示；通過本發(fā)明優(yōu)化方法，網(wǎng)絡(luò)覆蓋率可達到85.5％，見圖3所示。由此可見，利用本發(fā)明設(shè)計的算法可較好地實現(xiàn)傳感節(jié)點的區(qū)域覆蓋。