一种采用改进的人工蜂群算法的无线传感器部署方法
【技术领域】
[0001] 本发明设及一种利用改进的人工蜂群算法的无线传感器部署方法，是一种无线传 感器部署算法。
【背景技术】
[0002] 随着计算机、无线通信技术W及传感器的发展，无线传感器网络(WSN)获得蓬勃发 展。由于无线传感器网络中的传感器需要采集很多物理位置相关的数据，无线传感器的位 置会影响其覆盖范围，所W确定传感器的位置是无线传感器网络中传感器部署的一个重要 内容。现在的无线传感器部署算法很多，但是很少有算法可W同时实现静态部署和动态部 署两种部署策略。本发明就实现了一种可W动态或静态进行无线传感器部署的方法。
【发明内容】
[0003] 本发明目的是：提出一种利用改进的人工蜂群算法部署无线传感器的方法，既可 W用于静态部署也可W用于动态部署，计算出的无线传感器覆盖率较高，并且该方法的收 敛速度也较快。
[0004] 初始化步骤，雇佣蜂步骤，计算选择概率步骤，跟随蜂步骤，侦查蜂步骤。算法的流 程与原始的人工蜂群算法相同，主要在各步骤中对原始的食物源初始化W及食物源优化策 略进行改进，提高了食物源优化的初始基准W及食物源优化的效率。
[0005] 利用改进的人工蜂群算法的无线传感器部署方法，应用在一个给定的空间中部署 无线传感器W达到最大的无线传感器覆盖问题，首先，输入需要部署无线传感器的区域，包 括待部署空间的长宽，无线传感器的数量，无线传感器的覆盖半径;其次，指定无线传感器 的覆盖半径和数量，最后，不断调整无线传感器的位置，已尽可能达到最大的无线传感器覆 盖率。
[0006] 通过改进的人工蜂群算法生成初始的部署方案，不断进行优化，直到达到较高的 无线传感器覆盖率。
[0007] 利用改进的人工蜂群算法进行无线传感器部署的具体步骤包含W下五步：
[000引1)初始化步骤:假设需要将N个覆盖半径为r的无线传感器部署在一个边长为a的 正方形房间；设定参数scale,表示切割出的小空间的边长和无线传感器覆盖半径的比例， 参数scale的取值范围为[2,4]，根据空间的切割逆向推出；根据此参数计算出无线传感器 均匀分布的数量count;
[0010] 对count和N进行比较，如果count大于N，那么无线传感器的数量无法满足运一比 例的均匀分布，那么需要调整参数scale的大小重新进行计算；如果count刚好等于N，那么 初始化就能将所有无线传感器按顺序装入对应的切割出的小空间中，即在小空间的范围中 进行坐标的随机取得;大部分情况下，count小于N，运时就将前count个无线传感器在对应 的小空间中进行初始化，而剩余的无线传感器在进行全局范围的随机取值.
[0011]食物源的初始化方法如下：
[001^ Xij=( Xmax-Xmin ) X rand ( 0 , I ) +Xmin ,
[0013] 其中i为食物源序号，j为食物源中的变量编号，Xmin和Xmax分别为变量Xij取值范围 的最小值和最大值，对于前count个无线传感器，Xmin和Xmax为每个对应小的正方形的坐标上 下限，而对于剩余的N-COimt个无线传感器，Xmin和Xmax的取值范围为整个大的方形的坐标上 下限;rand(0，l)为随机取得的（0，1)之间的随机数;随机算法总共生成SN个食物源(xi，ie [1，SN])，SN-般取蜂群大小的一半，每个食物源包含M个变量(Xij，j e [ 1，M]);
[0014] 4)雇佣蜂步骤：
[0015] 雇佣蜂步骤会对每个食物源进行邻居优化;雇佣蜂根据其对于食物源i的位置进 行邻居捜索，随机获取食物源i的邻居食物源k，并且通过邻居食物源优化其对应的食物源， 公式如下：
[0016] yu = xij+rand(-l, 1) X (祉广Xij)，
[0017] 其中je[l，M]为所要优化的变量序号，分别为当前食物源和当前食物源选定的邻 居食物源，rancKO，1)为[-1，1 ]之间随机取得的随机数；当经过邻居优化取得的变量值超过 其取值范围Xmin和Xmax时，直接去其接近的最值，此处的Xmin和Xmax值根据初始化步骤的改变 需要做出相应的变化，对于前count个无线传感器，Xmin和Xmax为每个对应小的正方形的坐标 上下限，而对于剩余的N-COimt个无线传感器，Xmin和Xmax的取值范围为整个大的方形的坐标 上下限;雇佣蜂会比较原始的食物源Xi和优化后的食物源yi的适应度，如果原始食物源Xi的 适应度更高，则不改变食物源，对食物源的优化计数trail加1;如果优化后的食物源yi的适 应度更高，则将原始食物源Xi替换成邻居优化后的食物源yi，并将优化计数trai 1置0;
[0018] 设置优化计数trail是为了在侦查蜂阶段选择无法再优化的食物源重新初始化而 设置得到；
[0019] 在进行一次邻居优化后，雇佣蜂会对对应的食物源继续进行优化，策略为:循环生 成随机数r，只要^MR，就继续进行优化，只有随机数r取值取得大于等于MR的值时，才停止 优化;其中MR为邻居优化阔值，是算法中预先设定的常数；
[0020] 当所有的雇佣蜂对每个食物源都进行邻居优化之后，记录邻居优化后所有食物源 的新的适应度:适应度描述一个解即食物源对于全局最优解的近似程度，计算方式一般跟 所求解的具体问题相关;适应度fitnessi的计算在标准人工蜂群算法中如下面的公式所 示：
[0022] 其中，fi为解i在求解问题函数中对应的函数值；
[0023] 5)计算选择概率步骤：
[0024] 在原始的人工蜂群算法中，选择概率的计算方式为计算食物源适应度在所有食物 源适应度之和中所占的比例；
[0025] 为了能够更好的控制跟随蜂阶段的优化进度，改进的人工蜂群算法中引入了参数 选择概率阔值0来控制选择概率的计算，方法如下：
[0027]其中选择概率阔值0为算法一开始需要设定好的参数，取值范围为[0，1];0值越 大，计算所得的选择概率probk越小，跟随蜂步骤对于低适应度的食物源进行邻居优化的概 率越高；e值越小，计算所得的选择概率probk越大，跟随蜂步骤越可能对于高适应度的食物 源进行优化；
[002引4)跟随蜂步骤：
[0029] 在跟随蜂步骤中，原始的人工蜂群算法会通过选择概率决定要优化的食物源，对 食物源进行邻居优化。
[0030] 在改进的人工蜂群算法中，邻居优化采用了一种新的策略，加入了邻居因子和遗 忘因子两个参数，将邻居优化与当前食物源和选择的邻居食物源的适应度yu建立了关联， 方法如下公式所示。
[0031 ] YU = q X xij+T X rand(-l, 1) X (Xkjj-Xij),
[0032] 其中Tl为邻居因子，T为遗忘因子;Tl与当前食物源邻居优化选择的邻居食物源有 关，与循环次数正相关W防止陷入局部最优;T与当前待优化食物源有关，与循环次数负相 关，用于保持当前食物源的信息;运两个参数的计算如下公式所示；
[0033] T = AX CO t,
[0034] q二AX 〇h，
[0035] 其中A为根据当前食物源和所选定的邻居源的关系，为算法一开始要设定的两个 常数值，运两个常数值一个大于1，一个小于1。当当前食物源的邻居食物源的适应度低于当 前食物源的适应度时，则A〉l;反之则A<1。只与当前循环数相关，关系如下公式所示。
[003引其中《1，《2,《3,《4，a，e为算法一开始需要设定的常数，iter为算法的当前循环 次数，1113^07(316为算法设定的最大循环次数。0和0的取值范围分别为[0.8，1]和[1，1.2]。
[0039] 5)侦查蜂步骤：
[0040] 侦查蜂步骤会通过食物源已进行邻居优化的尝试次数优化计数trail对食物源进 行优化。
[0041] 根据雇佣蜂中对邻居优化的描述，食物源每进行一次邻居优化，如果食物源未优 化成功，即生成的新的食物源适应度低于原始食物源，则该食物源的优化计数trai 1加1，反 之，则该食物源的优化计数trai 1置0;
[0042] 在侦查蜂步骤，侦察蜂会对尝试次数超过最大尝试次数limit的食物源中优化计 数trail最大的一个食物源进行重新初始化。
[0043] 经过W上步骤的循环之后，我们可W得到一个较好的传感器部署方案，根据该方 案部署即可。
[0044] 在本发明中的应用的改进的人工蜂群算法中，相比原始的人工蜂群算法，对于人 工蜂群算法的初始化步骤，雇佣蜂步骤，计算选择概率步骤，跟随蜂步骤进行了改良，已达 到更好的初始解生成W及更快的收敛速度。
[0045] 本发明的有益效果是:通过一种改进的人工蜂群算法，逐步优化部署结果，已达到 较高的无线传感器覆盖率。采用改进的人工蜂群算法的无线传感器部署方法，既可W用于 静态部