基于混沌优化细菌觅食算法的传感器节点部署策略的制作方法

本发明涉及构建群智能算法优化传感器节点部署模型与仿真实现，属于无线传感器网络优化覆盖监测区域领域。

背景技术：

广泛应用于地质监测、环境保护等领域的自组织多跳无线传感器网络(wirelesssensornetwork，wsn)具有部署灵活、成本低廉、覆盖范围广等优点，但监测区域的大范围随机部署会带来节点分布不均匀问题。针对该问题，众多学者运用群智能仿生算法进行优化处理。比如采用人工鱼群算法构建网络覆盖模型，通过模型求解来优化网络覆盖；利用概率感知模型将遗传算法与粒子群算法相结合来优化网络覆盖；使用有效质心和重叠质心改进虚拟力计算公式和节点往复运动优化网络节点部署。上述群智能算法在wsn网络覆盖优化问题上取得了较大成效，但也存在诸如求解复杂度高、收敛速度慢、收敛精度低、运算成本大等问题。

于是，本领域技术人员目光转向混沌优化的细菌觅食算法(chaosoptimizationbacterialforagingalgorithm，cobfo)，并基于该算法对监测区域节点部署情况进行仿真，但是研究表明，现有细菌觅食算法对全局空间寻优能力差，搜索速度和搜索精确度均有待提高，且容易陷入局部最优及产生早熟。

技术实现要素：

本发明要解决的技术问题，在于提供一种基于混沌优化细菌觅食算法的传感器节点部署策略。

本发明通过下述方案实现：基于混沌优化细菌觅食算法的传感器节点部署策略，其包括以下步骤：

步骤一：初始化及设置循环变量；

步骤二：判断菌落迁徙算子运行次数是否达到最大迭代值，若是则进入步骤三，若否则进入步骤四；

步骤三：结束算法并输出最优细菌组合；

步骤四：判断菌落繁殖算子运行次数是否达到，若是则进入步骤五，若否则进入步骤六；

步骤五：计算网络覆盖率及更新位置，改进迁徙算子，然后返回步骤二；

步骤六：改进的翻转概率翻转后计算细菌的趋化步长及反弹步长，细菌翻转操作后通过混沌扰动产生的混沌序列选择方向进行游动，判断菌落趋化算子运行次数是否达到，若是则进入步骤七，若否则进入步骤八；

步骤七：改进繁殖算子，对细菌进行交叉变量操作，然后返回步骤四；

步骤八：改善细菌的适应度，细菌趋向运动后返回步骤六。

在所述步骤一中，随机初始化n个坐标作为传感器节点，细菌的趋化、复制、迁徙次数分别为nc,nre,ned；操作的计数参数设置为g,s,l，单个细菌的趋化步长为c，在相同方向最大趋化步数为nc(i)，迁徙概率为ped；循环变量由1开始递增，趋化循环g最大值为nc、复制循环s最大值为,nre、迁徙循环l最大值为ned；

式中，n是细菌的总数，lmax和lmin分别是监测区域的下限和上限。

所述步骤二中是根据下式计算细菌的迁徙概率pself，当细菌不满足迁徙概率则删除此细菌，在菌群内重新选取细菌，然后判断迁徙次数是否达到最大迭代值，

其中jhealth是能量值函数，ped是原始迁徙概率。

所述步骤四中细菌趋化循环后进行选择性繁殖，先对细菌适应度排序，淘汰一半较差适应度的细菌，然后分裂复制另一半细菌以保持细菌总数不变，则第个细菌适应度累加和为：

式中j（i，g，s，l）代表细菌i在l次驱散、s次复制、g次趋化时的适应度。

在所述步骤五中，通过式计算出不同细菌组合的覆盖率，找出覆盖率最大的一组，更新信息，其中为权值，。

在所述步骤六中，按式改进的翻转概率翻转后根据

式和式计算细菌的趋化步长及反弹步长，细菌翻转操作后通过混沌扰动产生的混沌序列选择方向进行游动，其游动的单位步长为c(i)，表示选择混沌游动方向后位置的适应度值以确定是否更新位置信息；

混沌扰动过程如下：

由

式可知，选择初值，混沌映射参数后由混沌系统迭代出确定的混沌顺序序列；

式中为混沌控制参数；

a.搜索细菌的通过式映射到式logistic方程定义域(0,1)上；

其中，为节点坐标范围；

b.通过logistic方程进行多次迭代，得到混沌序列：

c.把产生的混沌序列通过式逆映射

从而返回原解空间并产生一个含有混沌变量的可解混沌序列：

。

在所述步骤七中，计计算并排序各个细菌适应度，选出菌群适应度高的一半细菌作为菌群精英细菌；对适应度值较差的半数细菌用交叉算子与挑选出的精英细菌进行杂交，生成个新细菌，然后用变异算子对交叉操作后的一半细菌进行变异操作后复制分裂构成新细菌群。

在所述步骤八中，若细菌的适应度改善，则继续沿相同方向游动，当适应度不再改善或达到最大趋化次数停止游动。

本发明的有益效果为：在用混沌优化的细菌觅食算法得到的节点覆盖方案中wsn节点在监测区域中均匀分布，产生极少的节点冗余，并且覆盖率能够到98.84%，几乎没有覆盖空洞。与随机部署节点的策略比较，通过混沌序列优化细菌觅食算法得到节点部署策略网络覆盖率提高了8.71%，节点在监测区域分布更加均匀，重复覆盖的区域更少，节点的冗余度极低，达到了wsn优化覆盖的目的,而且优化的算法使用更少的节点就能有效覆盖监测区域，节约了部署成本，同时也极大地延长了wsn的监测时间。

附图说明

图1为本发明基于混沌优化细菌觅食算法的传感器节点部署策略的算法流程示意图。

图2为随机节点覆盖方法节点部署。

图3为随机部署节点的覆盖率曲线。

图4为bfo优化覆盖节点部署。

图5为bfo优化覆盖率曲线。

图6为cbfo优化部署策略。

图7为cbfo优化部署策略覆盖率曲线。

图8为生存周期对比曲线。

图9为节点剩余能量对比曲线。

图10为时迭代轨迹图。

图11为时迭代轨迹图。

图12为时迭代轨迹图。

图13为时迭代轨迹图。

图14为时迭代轨迹图。

具体实施方式

下面结合图1-14对本发明进一步说明，但本发明保护范围不局限所述内容。

为了清楚，不描述实际实施例的全部特征，在下列描述中，不详细描述公知的功能和结构，因为它们会使本发明由于不必要的细节而混乱，应当认为在任何实际实施例的开发中，必须做出大量实施细节以实现开发者的特定目标，例如按照有关系统或有关商业的限制，由一个实施例改变为另一个实施例，另外，应当认为这种开发工作可能是复杂和耗费时间的，但是对于本领域技术人员来说仅仅是常规工作。

本发明通过下述方案实现：基于混沌优化细菌觅食算法的传感器节点部署策略，其包括以下步骤：

步骤一：初始化及设置循环变量；

步骤二：判断菌落迁徙算子运行次数是否达到最大迭代值，若是则进入步骤三，若否则进入步骤四；

步骤三：结束算法并输出最优细菌组合；

步骤四：判断菌落繁殖算子运行次数是否达到，若是则进入步骤五，若否则进入步骤六；

步骤五：计算网络覆盖率及更新位置，改进迁徙算子，然后返回步骤二；

步骤六：改进的翻转概率翻转后计算细菌的趋化步长及反弹步长，细菌翻转操作后通过混沌扰动产生的混沌序列选择方向进行游动，判断菌落趋化算子运行次数是否达到，若是则进入步骤七，若否则进入步骤八；

步骤七：改进繁殖算子，对细菌进行交叉变量操作，然后返回步骤四；

步骤八：改善细菌的适应度，细菌趋向运动后返回步骤六。

在所述步骤一中，随机初始化n个坐标作为传感器节点，细菌的趋化、复制、迁徙次数分别为nc,nre,ned；操作的计数参数设置为g,s,l，单个细菌的趋化步长为c，在相同方向最大趋化步数为nc(i)，迁徙概率为ped；循环变量由1开始递增，趋化循环g最大值为nc、复制循环s最大值为,nre、迁徙循环l最大值为ned；

式中，n是细菌的总数，lmax和lmin分别是监测区域的下限和上限。

所述步骤二中是根据下式计算细菌的迁徙概率pself，当细菌不满足迁徙概率则删除此细菌，在菌群内重新选取细菌，然后判断迁徙次数是否达到最大迭代值，

其中jhealth是能量值函数，ped是原始迁徙概率。

所述步骤四中细菌趋化循环后进行选择性繁殖，先对细菌适应度排序，淘汰一半较差适应度的细菌，然后分裂复制另一半细菌以保持细菌总数不变，则第个细菌适应度累加和为：

式中j（i，g，s，l）代表细菌i在l次驱散、s次复制、g次趋化时的适应度。

在所述步骤五中，通过式计算出不同细菌组合的覆盖率，找出覆盖率最大的一组，更新信息，其中为权值，。

在所述步骤六中，按式改进的翻转概率翻转后根据

式和式计算细菌的趋化步长及反弹步长，细菌翻转操作后通过混沌扰动产生的混沌序列选择方向进行游动，其游动的单位步长为c(i)，表示选择混沌游动方向后位置的适应度值以确定是否更新位置信息；

混沌扰动过程如下：

由

式可知，选择初值，混沌映射参数后由混沌系统迭代出确定的混沌顺序序列；

式中为混沌控制参数；

a.搜索细菌的通过式映射到式logistic方程定义域(0,1)上；

其中，为节点坐标范围；

b.通过logistic方程进行多次迭代，得到混沌序列：

c.把产生的混沌序列通过式逆映射

从而返回原解空间并产生一个含有混沌变量的可解混沌序列：

。

在所述步骤七中，计计算并排序各个细菌适应度，选出菌群适应度高的一半细菌作为菌群精英细菌；对适应度值较差的半数细菌用交叉算子与挑选出的精英细菌进行杂交，生成个新细菌，然后用变异算子对交叉操作后的一半细菌进行变异操作后复制分裂构成新细菌群。

在所述步骤八中，若细菌的适应度改善，则继续沿相同方向游动，当适应度不再改善或达到最大趋化次数停止游动。

在matlab2010b环境下进行仿真实验。监测区域为的矩形平面内随机分布200个传感器节点。每个传感器节点代表菌群中的一个细菌，节点的监测区域半径，通信距离，初始化算法的各项参数，初始化节点能量，趋化步长c是0.05,，反弹碰壁系数为0.05，迁徙概率为0.25，单方向翻转最大次数为10次，实验结果如图2-9所示。图2、图3为随机分布节点对监测区域进行覆盖时节点的部署情况及覆盖率曲线图，图4、图5为用bfo优化后得到的wsn部署节点情况及优化覆盖曲线，图6、图7为用cobfo算法优化后得到的wsn部署节点情况，其中黑点表示传感器节点坐标位置信息，圆表示节点覆盖面积区域。

分析图2-9可知，随机节点部署策略中节点在区域分布极不均匀，出现覆盖空洞的同时也存在有大量的节点冗余和大面积重复覆盖，节点覆盖率为90.13%，经过细菌觅食算法优化节点部署后使节点覆盖更加均匀，大幅减少重复覆盖区域，但仍然存在少量冗余节点和覆盖空洞，其覆盖率为95.27%。在用混沌优化的细菌觅食算法得到的节点覆盖方案中wsn节点在监测区域中均匀分布，产生极少的节点冗余，并且覆盖率能够到98.84%，几乎没有覆盖空洞。与随机部署节点的策略比较，通过混沌序列优化细菌觅食算法得到节点部署策略网络覆盖率提高了8.71%，节点在监测区域分布更加均匀，重复覆盖的区域更少，节点的冗余度极低，达到了wsn优化覆盖的目的,而且优化的算法使用更少的节点就能有效覆盖监测区域，节约了部署成本，同时也极大地延长了wsn的监测时间。

表一部署策略比较

由表一可知，混沌优化过的细菌觅食节点部署策略其网络平均覆盖率高于其它对比算法，且使用的节点个数少于其他节点部署算法，节点的利用率、能量平衡性优于其他节点部署算法且搜索最优覆盖策略的速度最快，通过互相对比发现，cbfo优化算法能够有效提高节点的利用率、网络覆盖率、降低节点能量消耗及延长网络生存寿命。

讨论初值及参数对混沌映射系统的影响研究

logistic映射系统对初值和参数十分敏感，混沌序列会随着不同的初值和参数而变化，通过研究不同初值和参数在映射方程迭代500次后得到的轨迹图得到较好的全局搜索序列。结果如图10-14所示：

由结果可知，当时得到的迭代混沌序列较为理想，能够对局部搜索区域进行全局搜索。

尽管已经对本发明的技术方案做了较为详细的阐述和列举，应当理解，对于本领域技术人员来说，对上述实施例做出修改或者采用等同的替代方案，这对本领域的技术人员而言是显而易见，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。