一种有向传感器网络覆盖优化方法、系统、设备及介质

本发明涉及传感器网络优化领域，特别是涉及一种有向传感器网络覆盖优化方法、系统、设备及介质。

背景技术：

1、无线传感器网络(wireless sensor networks，wsns)是由大量微型传感器节点组成的网络，有着不需人为交互便可得到想要的数据的特点而被广泛关注，并被应用于农业、军事和日常生活等环境当中。有向传感器网络(directional sensor networks，dsns)作为其重要分支，也发挥着不小的作用，具体表现在信息时代的不断发展，人们对于所需信息的精度和多样性也在不断增加，对于信息的需求也早已不局限于如温湿度等简单的数据，因此，不仅在工业界上，学术界对于dsns的关注及运用也越来越多。

2、在dsns中，对目标的有效覆盖是对目标区域内进行有效的数据收集的基础。网络覆盖率目前已经被重点关注且广泛研究，然而实现dsns的覆盖优化不仅要实现所需网络覆盖率，也需要考虑其他因素，如主观选择激活节点的数量从而延长网络寿命。对于一些人类无法直接到达的环境，可通过飞机空投等随机抛洒的方式实现传感器的部署，然而这种部署方式很难达到所需网络覆盖率，因此可通过传感器节点执行控制算法实现网络覆盖率和节点激活数量的优化。

3、在较早dsns覆盖优化的研究中，当考虑到控制网络能耗从而延长网络寿命，不少研究者选择将能耗当作约束条件来实现网络覆盖率的增强。随着多目标优化的思想的到来，部分研究者除了覆盖率外将影响网络寿命的因素也当作目标函数，通过加权的方式将多个目标函数合成为一个目标函数，并优化该目标函数从而实现多个目标的优化。然而这种方式有着目标权值难以确定，各个目标之间量纲不统一从而容易导致鲁棒性差等弊端。因此另一部分学者利用pareto或archive集的思想解决多目标优化的问题，这种解决方法可同时优化多个目标，可以让决策者有偏向性的选择优化方案，并且完美贴合实现dsns覆盖优化。

4、现有技术中名为《改进多目标蚁狮算法的wsns节点部署策略》的期刊论文中提到一种基于多目标蚁狮算法的节点部署策略，基于多目标蚁狮算法的节点部署策略的基本原理为：在迭代开始前先利用混沌映射初始化解空间，在迭代过程中模仿蚁狮的狩猎行为，利用围绕蚁狮随机游走算子更新最优解，其中边界收缩因子i从原来的阶跃式增加的函数改为连续性增加的函数，该改进方法可以使上下界的变化呈现逐步递减的趋势，从而改进了原有算法全局搜索能力较差的缺点。最后运用该算法与帕累托思想相结合，有效解决覆盖率和连通度的多目标问题。

5、上述现有的节点部署策略优化的多目标包括覆盖率和连通度，然而缺乏了对网络寿命的研究。并且，节点的部署问题属于np-hard问题，实质是一个非线性的多目标优化问题，复杂度高，不宜求解。综上，现有的优化策略未考虑到优化网络寿命因素，且该策略所用到的启发式算法相对落后，其寻优能力有待提高。

技术实现思路

1、基于此，本发明实施例提供一种有向传感器网络覆盖优化方法、系统、设备及介质，能提高寻优能力，实现用更少的传感器达到更高的网络覆盖率，从而优化网络覆盖率和网络寿命。

2、为实现上述目的，本发明实施例提供了如下方案：

3、一种有向传感器网络覆盖优化方法，包括：

4、从原始种群中提取帕累托前沿；所述原始种群中包括p个原始的猎物；一个猎物表示一个方案；所述方案包括有向传感器网络的n个传感器的感知方向和激活状态；所述帕累托前沿包括所述原始种群中满足设定优化条件的原始的方案；

5、采用多目标行军蚁优化器计算当前迭代次数下的种群中满足设定优化条件的a个方案以及与a个方案的关联程度大于设定程度值的b个方案；a个方案和b个方案构成优化方案集合；a对应猎物数量；b对应招募到的行军蚁数量；

6、采用平均适应度值自适应器判断当前迭代次数下的优化方案集合是否陷入局部最优，并根据判断结果和当前迭代次数下的优化方案集合对当前迭代次数下的种群进行更新，得到当前更新后的种群；

7、采用多目标竞争选择器对当前迭代次数下的种群进行优化，得到当前迭代次数下的优化种群；

8、将当前更新后的种群、所述帕累托前沿和当前迭代次数下的优化种群进行合并，并选取当前迭代次数下的合并种群中满足设定优化条件的前p个方案，得到当前迭代次数下的更新种群；

9、判断当前迭代次数是否达到设定最大迭代次数；

10、若是，则将当前迭代次数下的更新种群确定为最优种群；所述最优种群中的方案表征有向传感器网络采用最优数量的传感器达到最优的网络覆盖率；

11、若否，则将当前迭代次数下的更新种群作为下一迭代次数下的种群，更新迭代次数后，返回采用多目标行军蚁优化器计算当前迭代次数下的种群中满足设定优化条件的a个方案以及与a个方案的关联程度大于设定值的b个方案的步骤。

12、本发明还提供了一种有向传感器网络覆盖优化系统，包括：

13、帕累托前沿提取模块，用于从原始种群中提取帕累托前沿；所述原始种群中包括p个原始的猎物；一个猎物表示一个方案；所述方案包括有向传感器网络的n个传感器的感知方向和激活状态；所述帕累托前沿包括所述原始种群中满足设定优化条件的原始的方案；

14、优化方案集合确定模块，用于采用多目标行军蚁优化器计算当前迭代次数下的种群中满足设定优化条件的a个方案以及与a个方案的关联程度大于设定程度值的b个方案；a个方案和b个方案构成优化方案集合；a对应猎物数量；b对应招募到的行军蚁数量；

15、局部最优判断模块，用于采用平均适应度值自适应器判断当前迭代次数下的优化方案集合是否陷入局部最优，并根据判断结果和当前迭代次数下的优化方案集合对当前迭代次数下的种群进行更新，得到当前更新后的种群；

16、多目标优化模块，用于采用多目标竞争选择器对当前迭代次数下的种群进行优化，得到当前迭代次数下的优化种群；

17、种群合并及更新模块，用于将当前更新后的种群、所述帕累托前沿和当前迭代次数下的优化种群进行合并，并选取当前迭代次数下的合并种群中满足设定优化条件的前p个方案，得到当前迭代次数下的更新种群；

18、迭代次数判断模块，用于判断当前迭代次数是否达到设定最大迭代次数；

19、最优种群确定模块，用于若当前迭代次数达到设定最大迭代次数，则将当前迭代次数下的更新种群确定为最优种群；所述最优种群中的方案表征有向传感器网络采用最优数量的传感器达到最优的网络覆盖率；

20、迭代返回模块，用于若当前迭代次数未达到设定最大迭代次数，则将当前迭代次数下的更新种群作为下一迭代次数下的种群，更新迭代次数后，返回所述优化方案集合确定模块。

21、本发明还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的有向传感器网络覆盖优化方法。

22、本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述有向传感器网络覆盖优化方法。

23、根据本发明提供的具体实施例，本发明公开了以下技术效果：

24、本发明实施例结合多目标行军蚁优化器、平均适应度值自适应器和多目标竞争选择器来控制有向传感器网络中传感器的激活状态和感知方向，实现用更少的传感器达到更高的网络覆盖率，从而优化网络覆盖率和网络寿命。