异构有向传感器网络部署方法
【技术领域】
[0001] 本发明涉及现代智能控制系统中的无线传感器网络技术，具体的说是一种异构有 向传感器网络部署方法。
【背景技术】
[0002] 近年来，随着微机电技术的发展，视频传感器、超声波传感器和红外传感器等传感 器价格越来越低廉，使得有向传感器网络的应用越来越广泛，被广泛应用在智能停车系统、 远程医疗救助和海洋环境监测等场合。覆盖控制作为有向传感器网络的一个基本问题，是 反映网络服务质量的重要指标，近年来受到越来越多研究者的重视。虽然对有向传感器网 络覆盖问题进行研究，并取得了一定的成果，但所有研究成果均假定节点类型相同，节点各 种参数比如感知半径和感知角度都完全一致的同构有向传感器网络，忽略了节点异构性对 有向传感器网络覆盖性能的影响。
[0003] 同时近年来出现了很多将智能算法与传感器网络节点覆盖算法相结合的算法，比 如利用遗传算法、粒子群算法、差分算法等智能算法对传感器网络覆盖性能进行优化。可 是，这些算法在解决离散变量优化时容易出现"早熟收敛"和陷入局部最小值的缺点，同时 算法性能依赖于参数选择，并且随着节点部署规模的增加，其优化效率逐渐降低。
【发明内容】
[0004] 针对上述问题，本发明提供了一种异构有向传感器网络部署方法，对异构有向传 感器网络覆盖问题进行研究，提出改进和声搜索算法的求解方案，引入差分算法的变异机 制，以单位覆盖成本最低为选择节点的标准，结合最大的网络覆盖的优化目标，加强和声 搜索算法在多目标优化问题上的性能，解决异构有向传感器节点部署过程中的冗余部署问 题，从而降低网络部署成本并提高网络服务质量。
[0005] 为达到上述目的，本发明采用的具体技术方案如下：
[0006] 一种异构有向传感器网络部署方法，其关键步骤在于包括以下步骤：
[0007] 步骤1:网络初始化；
[0008] 将预设区域视为二维平面，随机部署N个传感器节点,其中i= 1，2,…，N表示 传感器的序号，j= 1，2,…，M表示传感器的种类，利用N位二进制编码X/表示N个传感器 节点的状态并将其作为种群优化的个体；
[0009] 如果x/ =1，则表示传感器节点被选中，处于工作状态；如果xf=G，则表示传 感器节点S/未被选中，处于休眠状态；
[0010] 步骤2:为了降低部署成本提高网络覆盖率，以网络部署成本和网络覆盖率作为 评价指标，再计算出不同种类不同数量传感器节点组合的部署成本和网络覆盖率，并计算 基于网络部署成本和网络覆盖率的个体适应度值；
[0011] 步骤3 :利用二进制和声搜索算法确定传感器节点作为最终的部署策略，克服遗 传算法、粒子群算法、差分算法等智能算法容易出现"早熟收敛"和陷入最小值等缺陷，同时 二进制和声搜索算法不会因为节点部署规模的增加，而造成优化率降低，该二进制和声搜 索算法的具体方法为：
[0012] 步骤3-1 :参数及种群初始化；
[0013] 从可行域随机产生H个和声初始解放入和声记忆库HM中，设定和声记忆保留概率 HMCR的初始值HMCR(O)、和声记忆保留概率HMCR的最小值HMCRnun、最大迭代次数G、差分算 法中的缩放因子F以及调整概率的参数b;
[0014]步骤3-2 :按照公式（1)计算迭代次数为g+1时的和声记忆保留概率HMCR(g+1)， g= 0 ~G-1 ;
[0016] 步骤3-3 :以和声记忆保留概率HMCR(g+1)对第g次迭代后的和声记忆库HM中的 每个解的分量进行保留，作为新解的分量，新解的剩余分量从问题的可行域中随机产生；
[0017] 步骤3-4 :为了提高离散和声搜索算法的性能，采用差分算法的变异机制对步骤 3-3产生的新解进行扰动；
[0018] 步骤3-5 :按照步骤2计算每一个新解的适应度值，若新解优于和声记忆库HM内 的最差解，则用新解替换最差解；
[0019] 步骤3-6 :判断是否达到最大迭代次数G，若达到，则选择第G次迭代后H个解中适 应度最佳的个体作为全局最优解进行网络部署，否则，返回步骤3-3继续迭代。
[0020] 进一步描述，步骤2中个体适应度值的计算步骤如下：
[0021] 步骤2-1 :为了降低部署成本，按照公式（2)计算网络部署成本：
[0023] 当# =1时，则表示努的部署成本Cf需要记入网络部署总成本中；当#二0时， 则不必计入网络部署成本中；
[0024] 步骤2-2 :为了使预设区域便于计算和规划，将预设区域视为二维平面后划分为 栅格状，总栅格数目为K，被传感器覆盖的栅格数目为K'，按照公式（3)计算网络覆盖率：
[0026] 步骤2-3 :按照公式⑷计算种群中各个个体的适应度值D ;
=-f2,1!2和1 2分别为目标函数F2的上界和下界。
[0029] 再进一步描述，设定传感器节点的感知半径为，感知角度为# 感知方向在
[0, 2 ]上均匀分布，则步骤2-2中，认定栅格被传感器覆盖应满足以下两个条件：
[0030] (1)传感器节点与覆盖点之间的距离小于或者等于传感节点的感知半径Ai;
[0031] (2)传感器节点到覆盖点的向量与传感器节点工作方向之间的夹角小于或等于其 感知角度#的一半。
[0032] 再进一步描述，为了优化二进制和声搜索算法，提高离散和声搜索算法的性能，在 二进制和声搜索算法中引入差分算法的变异机制，步骤3-4中采用差分算法的变异机制对 步骤3-3产生的新解进行扰动的具体方法为：
[0033] 步骤3-4-1 :按照公式（5)计算迭代次数为g+1时，第h个个体的第i位的取值概
[0035] 其中，F为差分算法的缩放因子，b为调整因子，变量MO按照公式（6)计算；
[0037] 公式（6)中<./，?<，,，<，,+表示第g次迭代时，H个个体中随机三个个体的第i 位的取值，』表示第g次迭代时，H个个体中适应度值最高个体的第i位的取值，表 示第g次迭代时，个体h的第i位的取值；
[0038] 步骤3-4-2 :按照公式（7)确定第g+1次迭代时，个体h的第i位的取值；
[0039]
[0040] 其中，rand()表示区间（0,1)之间的随机数。
[0041] 本发明显著效果是：提出了一种改进和声搜索算法解决异构有向传感器网络节点 成本优化部署方法，通过引入差分算法中的变异机制，并且采用改进的适应度评价体系，将 多目标优化求解问题转化为单目标求解问题，提高了算法在多目标求解问题方面的优化能 力，降低了部署成本，提高了网络覆盖率。
【附图说明】
[0042] 图1是本发明的算法流程图；
[0043] 图2是有向传感器感知模型；
[0044] 图3是不同算法传感器节点平均适应度对比图；
[0045] 图4是不同算法传感器节点网络部署成本对比图；
[0046] 图5是不同算法传感器节点网络覆盖率对比图。
【具体实施方式】
[0047] 下面结合附图和具体实施例对本发明作进一步详细说明：
[0048] 如图1所示，一种异构有向传感器网络部署方法，按照以下步骤进行：
[0049] 步骤1:网络初始化；
[0050] 将预设区域视为二维平面，假设该二维平面为A，随机部署N个传感器节点S/，其 中i= 1，2,…，N表示传感器的序号，j= 1，2,…，M表示传感器的种类，利用N位二进制编 码#表示N个传感器节点的状态并将其作为种群优化的个体；
[0051] 如果Jt/ =1，则表示传感器节点6*/被选中，处于工作状态；如果< 则表示传 感器节点沒/未被选中，处于休眠状态；
[0052] 在具体实施过程中，该二维平面A的大小为40X40,N= 300,M= 3,即采用300 位二进制编码表示300个传感器节点的状态，传感器节点的其他参数如表1所示：
[0053] 表1传感器参数设置
[0054]
[0055] 步骤2:为了降低部署成本提高网络覆盖率，以网络部署成本和网络覆盖率作为 评价指标，并计算基于网络部署成本和网络覆盖率的个体适应度值；
[0057] 当彳=1时，则表示匁的部署成本 < 需要记入网络部署总成本中；当Af=Q:时， 则不必计入网络部署成本中；
[0058] 步骤2-2 :将预设区域视为二维平面后划分为栅格状，栅格的大小为1X1，二维平 面A的大小为40X40,则总栅格数目为K= 1600,设定传感器节点的感知半径为r?，感知角 度为《/，感知方向在[0, 2JT]上均匀分布，具体参数见表1，而要认定栅格被传感器覆盖， 需要传感器节点s(xs，ys)和被传感器节点覆盖的覆盖点p(x，y)之间满足以下两个条件，具 体如图2所示：
[0059] (1)传感器节