基于改進(jìn)離散差分算法的匯聚節(jié)點定位方法
【專利摘要】本發(fā)明提供了一種基于改進(jìn)離散差分算法的匯聚節(jié)點定位方法，充分考慮到實際工程中節(jié)點的異構(gòu)性、路由路徑的可靠性對匯聚節(jié)點位置的影響，在改進(jìn)離散差分算法中引入自適應(yīng)的縮放因子，能夠使得算法初期保持較強(qiáng)的全局搜索能力，后期保持較強(qiáng)的局部搜索能力；引入自適應(yīng)的變異機(jī)制，根據(jù)進(jìn)化過程中種群演化的趨勢，選擇合適的變異策略，既能保持種群的多樣性，避免陷入局部最優(yōu)，從而提高離散差分算法的全局優(yōu)化能力，又能使得算法快速收斂，解決了原有差分算法在解決離散變量優(yōu)化時存在的“早熟”收斂和陷入局部最小值的技術(shù)問題，從而得到優(yōu)化的匯聚節(jié)點定位部署，增強(qiáng)了數(shù)據(jù)通信的可靠性，提高了網(wǎng)絡(luò)服務(wù)質(zhì)量。
【專利說明】
基于改進(jìn)離散差分算法的匯聚節(jié)點定位方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及無線傳感器網(wǎng)絡(luò)技術(shù)領(lǐng)域，具體涉及一種基于改進(jìn)離散差分算法的匯 聚節(jié)點定位方法。
【背景技術(shù)】
[0002] 近年來，隨著微機(jī)電技術(shù)的發(fā)展和硬件價格的下降，無線傳感器網(wǎng)絡(luò)的應(yīng)用范圍 日益擴(kuò)大，在環(huán)境監(jiān)測、智能家居、災(zāi)害應(yīng)急和軍事等領(lǐng)域得到了廣泛應(yīng)用。在這些應(yīng)用中， 無線傳感器網(wǎng)絡(luò)系統(tǒng)通常由傳感節(jié)點和匯聚節(jié)點（也稱為s i nk節(jié)點）構(gòu)成。傳感節(jié)點負(fù)責(zé)感 知物理世界參數(shù)的變化并將采集到的數(shù)據(jù)通過單跳或多跳形式傳輸給匯聚節(jié)點。匯聚節(jié)點 較之傳感節(jié)點具有更強(qiáng)的存儲能力、計算處理能力，它負(fù)責(zé)將普通的感知節(jié)點發(fā)給它的信 息進(jìn)行處理后發(fā)給Internet等外部網(wǎng)絡(luò)。由于匯聚節(jié)點一般價格昂貴，并且對傳感器網(wǎng)絡(luò) 的服務(wù)質(zhì)量有重要影響，合理的匯聚節(jié)點布局對增強(qiáng)網(wǎng)絡(luò)的監(jiān)控能力和提高網(wǎng)絡(luò)服務(wù)質(zhì)量 顯得尤為重要。
[0003] 現(xiàn)有的對于匯聚節(jié)點定位的研究，一方面假定參與感知任務(wù)的傳感節(jié)點都是類型 相同的節(jié)點，即所有傳感節(jié)點的感知半徑、通信半徑和能量等參數(shù)都相同，忽略了節(jié)點的異 構(gòu)性才是節(jié)點最普遍的存在形式，所得的研究成果和方法運用于實際工程實踐中存在較大 的差距;另一方面，對匯聚節(jié)點定位方法的研究，大多針對普通節(jié)點到匯聚節(jié)點的傳輸路徑 的長度進(jìn)行優(yōu)化達(dá)到降低能耗的目的，但在一些對可靠性要求比較嚴(yán)格的場合下，最短路 徑有時并不一定最可靠的。
[0004] 群優(yōu)化算法作為一種啟發(fā)式算法，近年來在傳感器網(wǎng)絡(luò)資源優(yōu)化中得到了廣泛應(yīng) 用。差分算法作為一種典型的群優(yōu)化算法，具有運算簡單、受控參數(shù)少和優(yōu)化能力強(qiáng)的特 點，得到了廣大研究者的重視。本發(fā)明利用差分算法優(yōu)化能力強(qiáng)的特點對匯聚節(jié)點的位置 進(jìn)行優(yōu)化，保證傳輸?shù)目煽啃?，同時根據(jù)優(yōu)化模型的特點，對原有差分算法進(jìn)行改進(jìn)，增強(qiáng) 其在離散問題上的優(yōu)化能力，克服原有差分算法的"早熟"收斂和陷入局部最小值的缺點。

【發(fā)明內(nèi)容】

[0005] 本申請通過提供一種基于改進(jìn)離散差分算法的匯聚節(jié)點定位方法，在該改進(jìn)離散 差分算法中引入自適應(yīng)的縮放因子和自適應(yīng)的變異機(jī)制，以解決原有差分算法的"早熟"收 斂和陷入局部最小值的技術(shù)問題，從而得到優(yōu)化的匯聚節(jié)點定位，增強(qiáng)了數(shù)據(jù)通信的可靠 性，提高了網(wǎng)絡(luò)服務(wù)質(zhì)量。
[0006] 為解決上述技術(shù)問題，本申請采用以下技術(shù)方案予以實現(xiàn)：
[0007] -種基于改進(jìn)離散差分算法的匯聚節(jié)點定位方法，包括如下步驟：
[0008] S1:網(wǎng)絡(luò)環(huán)境設(shè)置及節(jié)點部署:在長度為L，寬度為W的二維平面監(jiān)測區(qū)域中進(jìn)行柵 格劃分，將傳感器節(jié)點g隨機(jī)放置在柵格點上，其中，i = 1，2…，M，M為傳感器的類型數(shù)，j = 1，2…，N，N為傳感器的總數(shù)，若節(jié)點^^位于節(jié)點通信半徑內(nèi)，則節(jié)點能將數(shù)據(jù)傳輸至 節(jié)點其中，V，jie j，節(jié)點g到節(jié)點0的數(shù)據(jù)鏈路的可靠性為(0，1)之間的 隨機(jī)數(shù)，匯聚節(jié)點的候選位置也設(shè)置在柵格點上，設(shè)匯聚節(jié)點位置的編碼方式為(X，Y)，其 中，X為匯聚節(jié)點橫坐標(biāo)，Y為匯聚節(jié)點縱坐標(biāo)，X和Y取值范圍為保證匯聚節(jié)點在監(jiān)測區(qū)域 內(nèi)，若匯聚節(jié)點在節(jié)點通信半徑內(nèi)，則節(jié)點$能直接將數(shù)據(jù)傳輸至匯聚節(jié)點，設(shè)定此時 節(jié)點g到匯聚節(jié)點的通信鏈路的可靠性為1; n
[0009] S2:解評價:利用公式^ =-D&d)來評價節(jié)點5]到匯聚節(jié)點sink的可靠 k:=l 性，式中為代價，即運用Di jkstra算法求得節(jié)點到匯聚節(jié)點sink的最佳可靠性路 徑，n為最佳可靠性路徑的跳數(shù)，rk為從節(jié)點到匯聚節(jié)點sink最短路徑中第k跳的可靠性， ln(rk)表示對rk取自然對數(shù)，所有節(jié)點到匯聚節(jié)點sink的可靠性為：C ~ ^^ ;
[0010] Di jkstra算法求解最佳可靠性路徑的方法為：
[0011] A1:假設(shè)用帶權(quán)的鄰接矩陣arcs來表示帶權(quán)有向圖，arcs[i][ j]表示弧<Vi，Vj>上 的權(quán)值(此處即為-In(節(jié)點Si與節(jié)點Sj之間通信鏈路的可靠性））；若< Vl，Vj>不存在，則置 arcs[i][j]為m;S為已找到從v出發(fā)的最佳可靠性路徑的終點的集合，它的初始狀態(tài)為空 集;那么，從v出發(fā)到圖上其余頂點(終點) Vl可能達(dá)到的最佳可靠性路徑長度的初值為：
[0012] D[ i] =arcs[LocateVex(G, v) [ i] ]viG V；
[0013] A2:選擇vj，使得D [ j ] =Min {D [ i ] Vi G V_S}
[0014] Vj是當(dāng)前求得的一條從v出發(fā)的最佳可靠性路徑的終點，令S = SU {j};
[0015] A3:修改從v出發(fā)到集合V-S上任一頂點vk可達(dá)的最佳可靠性路徑長度，若D[j] + arcs[ j][k]<D[k]，則修改D[k]=D[ j]+arcs[ j][k]。
[0016] S3:利用改進(jìn)的離散差分算法對匯聚節(jié)點的位置進(jìn)行優(yōu)化：
[0017] S31:種群及參數(shù)初始化:設(shè)置種群個體數(shù)目NP，最大迭代次數(shù)MAX_ITE，R交叉因子 CR，縮放因子F的最大值為Fu，最小值為Fl，對種群中的NP個個體進(jìn)行初始化(Xi，Yi)，其中，Xi G [Lmin，Lmax]，YiG [Wmin，Wmax]，Lmin為長度L的最小值，Lmax為長度L的最大值，W min為寬度W的 最小值，Wmax為寬度W的最大值；
[0018] S32:計算縮放因子F: ，式中，F(xiàn)(in)為迭 代次數(shù)為in的縮放因子;expO表示以自然常數(shù)e為底數(shù)的指數(shù)函數(shù)；
[0019] S33:變異個體計算及其有效性檢驗：
[0020] S331:變異后的新個體為：
[Vf - PA + F{in) x (Pr2 - Pr.) delta > threshold
[0021] < " = p. + F(in) x (P,wi - P.) + F(in) x (Pr2 - Pr^) delta < threshold
[0022] 其中，
，式中，threshold為閾值，fmean為種群中所有個體適應(yīng)度 的平均值，fbest為種群中適應(yīng)度最好個體的適應(yīng)度值，ri，r2，r3G {1，2，"_，NP}且ri辛r2辛 r3，Pri為種群中序號為ri的個體，Pr2為種群中序號為r2的個體，Pr3為種群中序號為r 3的個 體，Pi為種群中序號為i的個體；
[0023] S332:對變異后的個體Vi的每一維向下取整；
[0024] S333:檢驗取整后新個體Vi的有效性，即檢驗新個體Vi的第一維值是否在[Lmin， Lmax]中，檢驗新個體Vi的第二維值是否在[Wmin，Wmax]中，若能滿足有效性條件，則進(jìn)入步驟 S34，否則，跳轉(zhuǎn)至步驟S334;
[0025] S334:利用隨機(jī)函數(shù)重新生成新個體，并跳轉(zhuǎn)至步驟S332;
[0026] S34:交叉操作： rVu rand{)<CR or j = jniih,
[0027] R .(m + 1) = ^ ^ |^(叫其他
[0028] 式中，iG{l，2,…，NP}，j，j進(jìn)dG{l，2}，rand〇 為(0，1)之間的隨機(jī)數(shù)；
[0029] S4:判斷迭代是否結(jié)束，若下一次迭代次數(shù)in+1大于最大迭代次數(shù)MAX_ITER或者 delta大于閾值tolerance，則迭代結(jié)束，進(jìn)入步驟S5,否則，迭代次數(shù)in+1，跳轉(zhuǎn)至步驟S32 繼續(xù)優(yōu)化；
[0030] S5:利用步驟S2對產(chǎn)生的解的質(zhì)量進(jìn)行評價，選擇種群個體中C最小的個體，即為 匯聚節(jié)點的部署位置。
[0031] 進(jìn)一步地，步驟S334中利用隨機(jī)函數(shù)重新生成新個體的方式為：
[0032] Vi,l = Lmin+rand( ) X (Lmax-Lmin)，Vi,2 = Wmin+rand() X (Wmax-Wmin)，其中，Vi，1 為個體 Vi的第一維值，Vi, 2為個體Vi的第二維值，rand ()為產(chǎn)生隨機(jī)數(shù)的隨機(jī)函數(shù)。
[0033]作為一種優(yōu)選的技術(shù)方案，步驟S31中所述交叉因子CR = 0.9,縮放因子的最大值 Fu = 1，縮放因子的最小值Fl = 0.1;步驟S4中所述threshold = 10-2。
[0034] 與現(xiàn)有技術(shù)相比，本申請?zhí)峁┑募夹g(shù)方案，具有的技術(shù)效果或優(yōu)點是:得到優(yōu)化的 匯聚節(jié)點定位，增強(qiáng)了數(shù)據(jù)通信的可靠性，提高了網(wǎng)絡(luò)服務(wù)質(zhì)量。
【附圖說明】
[0035] 圖1為本發(fā)明的匯聚節(jié)點定位方法流程圖；
[0036] 圖2為利用改進(jìn)的離散差分算法對匯聚節(jié)點的位置進(jìn)行優(yōu)化的流程圖；
[0037]圖3為算法收斂性對比圖；
[0038]圖4為不同部署節(jié)點下算法優(yōu)化能力對比圖。
【具體實施方式】
[0039] 本申請實施例通過提供一種基于改進(jìn)離散差分算法的匯聚節(jié)點定位方法，在該改 進(jìn)離散差分算法中引入自適應(yīng)的縮放因子和自適應(yīng)的變異機(jī)制，以解決原有差分算法的 "早熟"收斂和陷入局部最小值的技術(shù)問題，從而得到優(yōu)化的匯聚節(jié)點定位，增強(qiáng)了數(shù)據(jù)通 信的可靠性，提高了網(wǎng)絡(luò)服務(wù)質(zhì)量。
[0040] 為了更好的理解上述技術(shù)方案，下面將結(jié)合說明書附圖以及具體的實施方式，對 上述技術(shù)方案進(jìn)行詳細(xì)的說明。
[0041] -種基于改進(jìn)離散差分算法的匯聚節(jié)點定位方法，如圖1所示，包括如下步驟： [0042] S1:網(wǎng)絡(luò)環(huán)境設(shè)置及節(jié)點部署:在長度為L，寬度為W的二維平面監(jiān)測區(qū)域中進(jìn)行柵 格劃分，將傳感器節(jié)點g隨機(jī)放置在柵格點上，其中，i = 1，2…，M，M為傳感器的類型數(shù)，j = 1，2…，N，N為傳感器的總數(shù)，若節(jié)點5；;位于節(jié)點通信半徑內(nèi)，則節(jié)點能將數(shù)據(jù)傳輸至 節(jié)點$，.其中，V，iiei;，jie j，節(jié)點#到節(jié)點<的數(shù)據(jù)鏈路的可靠性為(0，1)之間的 隨機(jī)數(shù)，匯聚節(jié)點的候選位置也設(shè)置在柵格點上，設(shè)匯聚節(jié)點位置的編碼方式為(X，Y)，其 中，X為匯聚節(jié)點橫坐標(biāo)，Y為匯聚節(jié)點縱坐標(biāo)，X和Y取值范圍為保證匯聚節(jié)點在監(jiān)測區(qū)域 內(nèi)，若匯聚節(jié)點在節(jié)點g通信半徑內(nèi)，則節(jié)點<能直接將數(shù)據(jù)傳輸至匯聚節(jié)點，設(shè)定此時 節(jié)點g到匯聚節(jié)點的通信鏈路的可靠性為1;
[0043] 至于柵格劃分的粒度，需要根據(jù)具體監(jiān)測任務(wù)和監(jiān)測對象的性質(zhì)來決定，在本實 施例中，二維平面大小為8X8, 即L = 8，W = 8,柵格劃分的粒度為1X1，共設(shè)置了2種類型的 傳感器節(jié)點，每一種類型均有10個傳感器節(jié)點，即M=2，N=20,類型一的傳感器通信半徑為 4,類型二的傳感器通信半徑為6,若節(jié)點之間存在通信鏈路，該通信鏈路的可靠性為0到1之 間的隨機(jī)數(shù)。 n
[0044] S2 :解評價:利用公式C、.,來評價節(jié)點g到匯聚節(jié)點sink的可靠 性，式中為代價，即運用Di jkstra算法求得節(jié)點$到匯聚節(jié)點sink的最佳可靠性路 徑，n為最佳可靠性路徑的跳數(shù)，^為從節(jié)點g到匯聚節(jié)點sink最短路徑中第k跳的可靠性， In(rk)表示對rk取自然對數(shù)，所有節(jié)點到匯聚節(jié)點sink的可靠性為：C = IC\
[0045] Di jkstra算法求解最佳可靠性路徑的方法為：
[0046] A1:假設(shè)用帶權(quán)的鄰接矩陣arcs來表示帶權(quán)有向圖，arcs[i][ j]表示弧<vi，vj>上 的權(quán)值(此處即為-In(節(jié)點S1與節(jié)點P之間通信鏈路的可靠性））；若< Vl，Vj>不存在，則置 arcs[i][j]為為已找到從v出發(fā)的最短路徑的終點的集合，它的初始狀態(tài)為空集;那 么，從v出發(fā)到圖上其余頂點(終點) Vl可能達(dá)到的最佳可靠性路徑長度的初值為：
[0047] D[ i] =arcs[LocateVex(G, v) [ i] ]viG V；
[0048] A2:選擇vj，使得D [ j ] =Min {D [ i ] Vi G V_S}
[0049] Vj是當(dāng)前求得的一條從v出發(fā)的最佳可靠性路徑的終點，令S = SU {j};
[0050] A3:修改從v出發(fā)到集合V-S上任一頂點vk可達(dá)的最佳可靠性路徑長度，若D[j] + arcs[ j][k]<D[k]，則修改D[k]=D[ j]+arcs[ j][k]。
[0051] S3:利用改進(jìn)的離散差分算法對匯聚節(jié)點的位置進(jìn)行優(yōu)化，如圖2所示：
[0052] S31:種群及參數(shù)初始化:設(shè)置種群個體數(shù)目NP，最大迭代次數(shù)MAX_ITE，R交叉因子 CR，縮放因子F的最大值為Fu，最小值為Fl，對種群中的NP個個體進(jìn)行初始化(Xi，Yi)，其中，Xi G [Lmin，Lmax]，YiG [Wmin，Wmax]，Lmin為長度L的最小值，Lmax為長度L的最大值，W min為寬度W的 最小值，Wmax為寬度W的最大值；
[0053] 在本實施例中，設(shè)種群的個體數(shù)目NP = 30，最大迭代次數(shù)MAX_ITER = 200，Lmin = 0， Lmax = 7，Wmin = 0，Wmax = 7，CR = 0.9，F(xiàn)u=l，F(xiàn)l = 0.1，threshold=10-2。
[0054] S32:計算縮放因子F:
1式中，F(xiàn)(in)為迭 代次數(shù)為in的縮放因子;expO表示以自然常數(shù)e為底數(shù)的指數(shù)函數(shù)；
[0055] 從上式中可以看出，在算法開始初期，縮放因子F取值較小，使得算法保持較好的 搜索能力，隨著迭代次數(shù)增加，F(xiàn)的值逐漸增大，增強(qiáng)了算法局部優(yōu)化能力。
[0056] S33:變異個體計算及其有效性檢驗：
[0057] S331:變異后的新個體為： =戽 + F(/?) X (/^ - pr3) delta > threshold
[0058] < h 二乃 + FO) X d, - f) + F衡)X (4 -尸，）delta ^threshold
[0059] 其中
，式中，threshold為閾值，其值一般由解決問題的特點來 定，若為高維問題，取值為10'若為低維問題，取值為l〇_2，fm_為種群中所有個體適應(yīng)度的 平均值，fbest為種群中適應(yīng)度最好個體的適應(yīng)度值，ri，r2，r3G {1，2，"_，NP}且ri辛r2辛r3， Prl為種群中序號為ri的個體，Pr2為種群中序號為r2的個體，Pr3為種群中序號為r 3的個體，Pi 為種群中序號為i的個體；
[0060] S332:對變異后的個體Vi的每一維向下取整；
[00611 S333 :檢驗取整后新個體Vi的有效性，即檢驗新個體Vi的第一維值是否在[Lmin， Lmax]中，檢驗新個體Vi的第二維值是否在[Wmin，Wmax]中，若能滿足有效性條件，則進(jìn)入步驟 S34，否則，跳轉(zhuǎn)至步驟S334;
[0062] S334:利用隨機(jī)函數(shù)重新生成新個體，并跳轉(zhuǎn)至步驟S332;
[0063] 隨機(jī)函數(shù)重新生成新個體的具體方式為:Vi,l = Lmin+rand() X (Lmax-Lmin)，Vi，2 = Wmin+randO X (wmax-wmin)，其中，Vi;1為個體Vi的第一維值，乂"為個體乂冊第二維值，^!!^) 為產(chǎn)生隨機(jī)數(shù)的隨機(jī)函數(shù)。
[0064] S34:交叉操作： r \VU ra/?t/() <CR or j = jnnhl
[0065] P,(in + X) = i ，J 其他
[0066] 式中，i G {1，2，…，NP}，j，j進(jìn)dG {1，2}，rand()為(0，1)之間的隨機(jī)數(shù)；
[0067] S4:判斷迭代是否結(jié)束，若下一次迭代次數(shù)in+1大于最大迭代次數(shù)MAX_ITER或者 delta大于閾值tolerance，則迭代結(jié)束，進(jìn)入步驟S5,否則，迭代次數(shù)in+1，跳轉(zhuǎn)至步驟S32 繼續(xù)優(yōu)化；
[0068] S5:利用步驟S2對產(chǎn)生的解的質(zhì)量進(jìn)行評價，選擇種群個體中C最小的個體，即為 匯聚節(jié)點的部署位置。 n
[0069] 由于本發(fā)明中采用Cv.Z/〃(/).)評價解的質(zhì)量，代價函數(shù)中為了計算方便 廣 k-A 添加了一個負(fù)號，對于本發(fā)明的優(yōu)化目標(biāo)匯聚節(jié)點部署位置，使得節(jié)點到匯聚節(jié)點的路徑 可靠性最好，即選擇使得 Sj ,smk 能取得最小值的解。
[0070] 基于改進(jìn)離散差分算法運行后的結(jié)果如圖3和圖4所示，其中所有的結(jié)果均為15次 算法運行后得到結(jié)果的平均值。圖3為在部署異構(gòu)節(jié)點數(shù)為20的情況下，本發(fā)明提出的改進(jìn) 離散差分算法與原有差分算法收斂性能比較，從圖3可以看出，改進(jìn)離散差分算法由于采用 了參數(shù)自適應(yīng)的縮放因子以及根據(jù)種群進(jìn)化特點而自適應(yīng)選擇的變異策略，較之原有的差 分算法具備較好的收斂性能，同時能種群得到的解的質(zhì)量優(yōu)于原有差分算法（由于本實施 例目標(biāo)函數(shù)為最小值函數(shù)，也就是適應(yīng)度越小越好）。為了更好地比較兩種算法在不同部署 節(jié)點的情況下的目標(biāo)優(yōu)化能力，在同樣的部署區(qū)域內(nèi)，通過改變部署節(jié)點的數(shù)目從而得到 不同節(jié)點布局密度情況下的匯聚節(jié)點的優(yōu)化位置，結(jié)果如圖4所示，從圖4可以看出，改進(jìn)離 散差分算法在不同的節(jié)點部署密度情況下，目標(biāo)優(yōu)化能力都優(yōu)于原有差分算法，證明了改 進(jìn)離散差分算法的有效性。
[0071] 本申請的上述實施例中，本發(fā)明提供了一種基于改進(jìn)離散差分算法的匯聚節(jié)點定 位方法，充分考慮到實際工程中節(jié)點的異構(gòu)性、路由路徑的可靠性對匯聚節(jié)點位置的影響， 采用根據(jù)進(jìn)化種群的特點控制參數(shù)自適應(yīng)和變異策略自適應(yīng)的改進(jìn)離散差分算法，在改進(jìn) 離散差分算法中引入自適應(yīng)的縮放因子，能夠使得算法初期保持較強(qiáng)的全局搜索能力，后 期保持較強(qiáng)的局部搜索能力；引入自適應(yīng)的變異機(jī)制，根據(jù)進(jìn)化過程中種群演化的趨勢，選 擇合適的變異策略，既能保持種群的多樣性，避免陷入局部最優(yōu)，從而提高離散差分算法的 全局優(yōu)化能力，又能使得算法快速收斂，解決了原有差分算法的"早熟"收斂和陷入局部最 小值的技術(shù)問題，從而得到優(yōu)化的匯聚節(jié)點定位部署，增強(qiáng)了數(shù)據(jù)通信的可靠性，提高了網(wǎng) 絡(luò)服務(wù)質(zhì)量。
[0072] 應(yīng)當(dāng)指出的是，上述說明并非是對本發(fā)明的限制，本發(fā)明也并不僅限于上述舉例， 本技術(shù)領(lǐng)域的普通技術(shù)人員在本發(fā)明的實質(zhì)范圍內(nèi)所做出的變化、改性、添加或替換，也應(yīng) 屬于本發(fā)明的保護(hù)范圍。
【主權(quán)項】
1. 一種基于改進(jìn)離散差分算法的匯聚節(jié)點定位方法，其特征在于，包括如下步驟： S1:網(wǎng)絡(luò)環(huán)境設(shè)置及節(jié)點部署:在長度為L，寬度為W的二維平面監(jiān)測區(qū)域中進(jìn)行柵格劃 分，將傳感器節(jié)點^隨機(jī)放置在柵格點上，其中，i = l，2···，Μ，Μ為傳感器的類型數(shù)，j = 1， 2…，N，N為傳感器的總數(shù)，若節(jié)點01位于節(jié)點gi通信半徑內(nèi)，則節(jié)點g.i能將數(shù)據(jù)傳輸至節(jié) 點0，其中，i' 41￡1;_]"，」1^夂節(jié)點&11到節(jié)點>^的數(shù)據(jù)鏈路的可靠性為(0，1)之間的隨 機(jī)數(shù)，匯聚節(jié)點的候選位置也設(shè)置在柵格點上，設(shè)匯聚節(jié)點位置的編碼方式為(X，Y)，其中， X為匯聚節(jié)點橫坐標(biāo)，Υ為匯聚節(jié)點縱坐標(biāo)，X和Υ取值范圍為保證匯聚節(jié)點在監(jiān)測區(qū)域內(nèi)，若 匯聚節(jié)點在節(jié)點$通信半徑內(nèi)，則節(jié)點$能直接將數(shù)據(jù)傳輸至匯聚節(jié)點，設(shè)定此時節(jié)點S； 到匯聚節(jié)點的通信鏈路的可靠性為1; S2:解評價:利用公3Η平價節(jié)點*^到匯聚節(jié)點s i nk的可靠性，式 中，為代價，即運用Di jkstra算法求得節(jié)點$到匯聚節(jié)點sink的最佳可靠性路徑，η 為最佳可靠性路徑的跳數(shù)，rk為從節(jié)點$到匯聚節(jié)點sink最短路徑中第k跳的可靠性，In(rk)表示對rk取自然對數(shù)，所有節(jié)點到匯聚節(jié)點s ink的可靠性為： S3:利用改進(jìn)的離散差分算法對匯聚節(jié)點的位置進(jìn)行優(yōu)化： S31:種群及參數(shù)初始化:設(shè)置種群個體數(shù)目NP，最大迭代次數(shù)MAX_ITE，交叉因子CR，縮 放因子F的最大值為Fu，最小值為Fl，對種群中的NP個個體進(jìn)行初始化(Xi，Yi)，其中，Xi e [Lmin，Lmax]，Yie [Wmin，Wmax]，Lmin為長度L的最小值，Lmax為長度L的最大值，W min為寬度W的最 小值，Wmax為寬度W的最大值； S32:計算縮放因子F:ζ中，F(xiàn)(in)為迭代次 數(shù)為in的縮放因子;expO表示以自然常數(shù)e為底數(shù)的指數(shù)函數(shù)； S33:變異個體計算及其有效性檢驗： S331:變異后的新個體為：其4，中，threshold為閾值，fme3an為種群中所有個體適應(yīng)度的平 均值，fbest為種群中適應(yīng)度最好個體的適應(yīng)度值，ri，r2，r3e {1，2,…，NP}且η辛Γ2辛r3，Pri 為種群中序號為ri的個體，Pr2為種群中序號為r2的個體，Pr3為種群中序號為r3的個體，Pi為 種群中序號為i的個體； S332:對變異后的個體Vi的每一維向下取整； S333:檢驗取整后新個體Vi的有效性，即檢驗新個體Vi的第一維值是否在[Lmin，Lmax]中， 檢驗新個體Vi的第二維值是否在[Wmin，Wmax]中，若能滿足有效性條件，則進(jìn)入步驟S34,否 貝1J，跳轉(zhuǎn)至步驟S334; S334:利用隨機(jī)函數(shù)重新生成新個體，并跳轉(zhuǎn)至步驟S332; S34:交叉操作：式中，1￡{1，2，'"，即}，]_，>_^{1，2}，瓜11(1()為(0，1)之間的隨機(jī)數(shù)； S4:判斷迭代是否結(jié)束，若下一次迭代次數(shù)in+Ι大于最大迭代次數(shù)MAX_ITER或者 delta大于閾值tolerance，則迭代結(jié)束，進(jìn)入步驟S5,否則，迭代次數(shù)in+Ι，跳轉(zhuǎn)至步驟S32 繼續(xù)優(yōu)化； S5:利用步驟S2對產(chǎn)生的解的質(zhì)量進(jìn)行評價，選擇種群個體中C最小的個體，即為匯聚 節(jié)點的部署位置。2. 根據(jù)權(quán)利要求1所述的基于改進(jìn)離散差分算法的匯聚節(jié)點定位方法，其特征在于，步 驟S334中利用隨機(jī)函數(shù)重新生成新個體的方式為： Vi,l = Lmin+rand〇 X (Lmax-Lmin)，Vi,2=Wmin+rand〇 X (Wmax-Wmin)，其中，Vi,l為個體Vi的第 一維值，Vi,2為個體Vi的第二維值，rand()為產(chǎn)生隨機(jī)數(shù)的隨機(jī)函數(shù)。3. 根據(jù)權(quán)利要求1所述的基于改進(jìn)離散差分算法的匯聚節(jié)點定位方法，其特征在于，步 驟S31中所述交叉因子CR = 0.9，縮放因子的最大值Fu = 1，縮放因子的最小值Fl = 0.1。
【文檔編號】H04W84/18GK105959912SQ201610098466
【公開日】2016年9月21日
【申請日】2016年2月23日
【發(fā)明人】李明
【申請人】重慶工商大學(xué)