到影响的部分，其余部分保持原通信半径不变）。
[0037] 4.根据W上步骤的设定值对网络进行初始化。
[0038] 在上述步骤3中，判断障碍物对节点是否有影响的原理，是通过判断节点的通信圆 与障碍物的交点个数，若没有交点或只有一个交点时，则不改变当前节点的通信半径，若有 两个交点，则根据上述路径损耗模型计算出新的通信半径r，但仅改变收到影响的部分，其 余部分保持原通信半径不变。附图3即为初始化后的网络图。
[0039] 网络初始化后即可根据节点部署方案的不同目的进行优化。
[0040] -种障碍物条件下基于虚拟力导向的粒子群算法提高网络覆盖率的方法，具体步 骤如下：
[0041] 1.在已初始部署的网络中，对节点进行初始化，赋予节点初始速度值和位置。
[0042] 2.计算各节点粒子的适应值。
[0043] 3.计算惯性权重值，并判断是否大于0,若小于0则结束算法。
[0044] 4.步骤3中惯性权重值若小于0则更新各粒子节点的位置及速度。
[0045] 5.重复步骤2,并比较各适应值，保存最优值。
[0046] 6.重复步骤3直至惯性权重小于0。
[0047] 附图4即为上述步骤流程图。附图5为网络优化后的效果图。
[0048] 在上述步骤1中，对粒子群的初始化原理为，在连续空间坐标系中，标准粒子群算 法的数学描述如下:设粒子群规模为N，捜索空间为Q维，则空间中粒子的坐标位置向量为Xi =化1，Xi2，…，XiQ )，粒子的速度向量为Vi = ( Vil，Vi2，…，ViQ )，捜索过程中粒子的个体最佳 位置Pi = ( Pil，Pi2，…，PiQ )，群体最佳位置Pg = (Pgl，Pg2，…，PgQ )。
[0049] 在上述步骤3中，惯性权重CO初始设定为定值，但是经研究发现，动态的减小惯性 因子W，可W使算法更加稳定，效果比较好，其中线型函数的递减优于凸函数的递减策略。因 为算法开始阶段，大的惯性因子可W是算法不容易陷入局部最优，到算法的后期，小的惯性 因子可W使收敛速度加快，使收敛更加平稳，不至于出现振荡现象。所W本文的惯性权重W 采用线性递减策略，其递减函数为
[0050] W=MaxW-QirCount* ((MaxW-MinW)/LoopCount)
[0051 ] 其中LoopCount是迭代次数；CurCount表示当前迭代数;MaxW代表初始权重;MinW 为最终权重。
[0052] 在上述步骤4中，粒子群算法对位置和速度的更新原理如下：
[0053] Xi(k+l)=Xi 化）+r*Vi(k+l)
[0054] Vi(k+l)=w*Vi(；k)+ci*;ri*[Pi(k)-Xi(k)]+C2*r2*l!Pg(k)-Xi(k)]
[0055] 其中r是约束因子;W表示惯性权重；ci、C2分别表示粒子跟踪个体最优值和群体最 优值的权重系数;ri、n是[0，1]区间内均匀分布的随机数。
[0056] 在引入虚拟力算法后，实现虚拟力导向的粒子群算法，该算法对粒子速度更新的 原理进行了改进，如下：
[0057] Vi(k+l)=w*Vi(；k)+ci*;ri*[Pi(k)-Xi(k)]+C2*r2*l!Pg(k)-Xi(k)]+C3*r3*gi(t)
[0058] 其中C3是用于调节虚拟力影响的加速因子，n是独立于ri和n的在[0，1]区间内均 匀分布的随机数，gi(t)是对应与粒子i的位置向量在虚拟力作用下的距离。
[0059] -种障碍物条件下基于虚拟力导向的粒子群算法提高网络连通性的方法，具体步 骤如下(附图6为网络优化后的效果图）：
[0060] 1.初始化网络，将网络中已经连通的节点连接成簇。
[0061] 2.判断网络中簇的个数是否为1，若为1则算法结束。
[0062] 3.步骤2中的簇数若不为1，则通过虚拟力导向的粒子群算法在网络中寻找能连接 最多节点个数的位置，新增一个传感器节点，形成一个新的簇。
[0063] 4.重复步骤2,直至整个网络为一个完整的簇。
【主权项】
1. 一种障碍物条件下基于虚拟力导向的粒子群算法提高网络覆盖率的方法，其包括的 具体步骤如下： (1) 设置生猪养殖场区域大小a*b;无线传感器网络大小规模N，其中可设置固定节点个 数为Λ，移动节点个数为N2;无线节点的通信半径R; (2) 设置障碍物墙壁数量为m，如m = 4即为有四堵墙将区域平均分为五部分，且墙壁长 度默认与区域长度相同； (3) 在给定区域范围内随机分布节点，并判断每个节点是否受到障碍物影响，若没有影 响则保持初始设定的通信半径R，否则根据无线信号传输的对数路径损耗模型改变通信半 径为r(仅改变收到影响的部分，其余部分保持原通信半径不变）； (4) 根据虚拟力导向的粒子群算法对无线传感器网络中的节点进行优化部署，固定节 点的位置不变，移动节点相应改变，实现提高网络覆盖率。2. -种障碍物条件下基于虚拟力导向的粒子群算法提高网络连通性的方法，具体步骤 如下： (1) 设置生猪养殖场区域大小a*b;无线传感器网络大小规模N，默认所有节点均为固定 节点;无线节点的通信半径R; (2) 设置障碍物墙壁数量为m，如m = 4即为有四堵墙将区域平均分为五部分，且墙壁长 度默认与区域长度相同； (3) 在给定区域范围内随机分布节点，并判断每个节点是否受到障碍物影响，若没有影 响则保持初始设定的通信半径R，否则根据无线信号传输的对数路径损耗模型改变通信半 径为r(仅改变收到影响的部分，其余部分保持原通信半径不变）； (4) 将已分布的节点连接成簇，根据虚拟力导向的粒子群算法寻找区域范围内最优的 位置一一可以连接最多的节点成为一个新的簇，在此位置布置一个新的节点； (5) 重复步骤4直至区域内所有的节点全部连接在一个簇内为止。
【专利摘要】本发明涉及一种基于虚拟力导向的粒子群算法在无线传感器网络的部署方法。本发明的方法为：利用基于虚拟力导向的粒子群算法进行网络优化，在考虑生猪养殖环境中，网络节点在遇到障碍物墙壁后通信范围会发生改变的情况，分别针对网络覆盖率和网络连通性两种问题进行了网络优化。
【IPC分类】H04W84/18, H04W40/32, H04W24/02, H04W16/18
【公开号】CN105636067
【申请号】CN201610035962
【发明人】郑丽敏, 李爽, 朱虹, 田立军
【申请人】中国农业大学
【公开日】2016年6月1日
【申请日】2016年1月20日