一种基于自适应混合粒子群算法的Mesh网关部署优化方法与流程

一种基于自适应混合粒子群算法的mesh网关部署优化方法
技术领域
1.本发明属于通信技术领域，具体涉及一种mesh网关部署优化方法。


背景技术：

2.在现在5g网络的迅速发展过程中，物联网，被视为继互联网之后的又一次资讯技术革命浪潮，在万物互联的世界中，无线mesh网络的重要性越来越突出。同时在无线mesh网络多网关特征中，网关部署优化算法至关重要，直接影响到整个网络的服务质量，如何进行有效的部署网关，可以最大程度上改善mesh网的服务质量。
3.文献“基于pso的无线mesh网关优化部署算法[j].传感技术学报，2008”，提出了一种基于粒子群算法进行求解来部署mesh网关。该方法首先进行网络模型初始化，路由粒子编码信息，采用pso迭代公式进行求解。但是该方法中采用固定的惯性权重，未区分社会因子。故该方法对粒子初始化速度和位置十分敏感，其本身不能有效的解决离散和组合优化等问题，而且参数的设定需要根据实际的情况进行设定，对动态网络网关部署适应度低，非常容易陷入局部最优解，导致收敛精度低甚至不收敛。


技术实现要素：

[0004]
为了克服现有技术的不足，本发明提供了一种基于自适应混合粒子群算法的mesh网关部署优化方法，提出利用改进的混合粒子群算法——自适应混合粒子群优化(adaptive hybrid particle swarm optimization，ahpso)算法，来解决全局粒子群算法(pso)算法在动态网络的网关部署陷入局部最优解的问题。首先基于路由节点位置的具体分布，建立网关节点和邻近节点的拓扑关系，建立模型来计算其适值函数，然后采用改进惯性权重和社会因子ahpso算法，对其寻找全局最优解，最后根据节点粒子部署历史记录各类最优位置，调整其速度，采用改进后的迭代函数进行迭代更新，求得最优解。本发明方法能够快速地收敛逼近于全局最优值，在较大的程度上能够防止陷入局部最优解，从而解决收敛精度低甚至不收敛的问题，同时提高了对动态网络网关部署的适应度。
[0005]
本发明解决其技术问题所采用的技术方案包括如下步骤：
[0006]
步骤1：初始化节点粒子的信息，部署m个网关节点，每个节点粒子有n维，第i个网关节点粒子的坐标表示为：xi＝(x
i1
,x
i2
,x
i3
,
…
x
in
)，第i个网关节点粒子的速度表示为：vi＝(v
i1
,v
i2
,v
i3
,
…vin
)，设置最大迭代次数num和收敛阈值ε；
[0007]
步骤2：定义与网关wk的距离小于通信半径的节点组成的集合为网关邻接集合gask；网络中的任一节点到网关wk的跳数表示为：
[0008][0009]
其中vi、vj分别表示第i个节点和第j个节点；
[0010]
则适值函数f(x)表示为：
[0011]
[0012]
其中，s表示mesh网的规模；
[0013]
步骤3：使用适值函数f(x)更新个体最优解，即节点粒子在部署过程中的历史最优位置pi＝(p
i1
,p
i2
,p
i3
,
…
p
in
)，接着更新全局最优解，即整个粒子群在飞行过程中的历史最优位置pg＝(p
g1
,p
g2
,p
g3
,
…
p
gn
)，接着更新粒子的邻域的最优值)，接着更新粒子的邻域的最优值
[0014]
步骤4：更新迭代次数n，采用改进后的sigmoid函数确定惯性权重ω，表示如下：
[0015][0016]
式中：e为自然常数，k为sigmoid曲线最大值，ke为sigmoid曲线的曲率，即曲线的变化速率；
[0017]
步骤5：将惯性权重ω带入第i个节点粒子的速度和位置更新迭代公式(4)和式(5)：
[0018][0019][0020]
其中，v
it 1
为t 1时刻的节点粒子的速度，v
it
为t时刻的节点粒子的速度，为t 1时刻的节点粒子的位置，为t时刻的节点粒子的位置；c1为节点粒子的个体学习因子，其值为一个加速度常数；c2为节点粒子的社会学习因子，其值为一个加速度常数；ξ和η为0到1范围内的随机数；q为全局社会因子和局部社会因子相对所占的比重，0《q《1；
[0021]
步骤6：判定是否达到最大迭代次数num或者连续两次计算结果间的差值小于收敛阈值ε，满足其中任一条件时就结束迭代，否则重复步骤4和步骤5，反复迭代更新后，得到最优解。
[0022]
优选地，所述最大迭代次数num取值在240～260之间，收敛阈值ε取值在0.0003～0.001之间。
[0023]
本发明的有益效果如下：
[0024]
与采用pso算法进行网关部署相比较，ahpso算法的整体优化效果要优于传统pso算法,pso算法受到网络结构本身的影响较小，但是受到随机化初始的初值影响较大，也相对容易陷入局部最优。ahpso算法采用自适应权重和局部搜索后，在一定程度上有效关联了无线mesh网络的拓扑结构，更新粒子的速度变化，增加的局部搜索使得算法的搜索精度高，不容易陷入局部最优解，而且稳定性强。
附图说明
[0025]
图1是本发明方法流程图。
[0026]
图2是本发明实施例根据实际场景路由节点位置画的部署分布图。
[0027]
图3是本发明实施例网关路由节点的部署优化结果图。
具体实施方式
[0028]
下面结合附图和实施例对本发明进一步说明。
[0029]
一种基于自适应混合粒子群算法的mesh网关部署优化方法，包括如下步骤：
[0030]
步骤1：初始化节点粒子的信息，部署m个网关节点，每个节点粒子有n维，第i个网关节点粒子的坐标表示为：xi＝(x
i1
,x
i2
,x
i3
,
…
x
in
)，第i个网关节点粒子的速度表示为：vi＝(v
i1
,v
i2
,v
i3
,
…vin
)，设置最大迭代次数num和收敛阈值ε；
[0031]
步骤2：定义与网关wk的距离小于通信半径的节点组成的集合为网关邻接集合gask；网络中的任一节点到网关wk的跳数表示为：
[0032][0033]
则适值函数f(x)表示为：
[0034][0035]
步骤3：使用适值函数f(x)更新个体最优解，即节点粒子在部署过程中的历史最优位置pi＝(p
i1
,p
i2
,p
i3
,
…
p
in
)，接着更新全局最优解，即整个粒子群在飞行过程中的历史最优位置pg＝(p
g1
,p
g2
,p
g3
,
…
p
gn
)；
[0036]
步骤4：更新迭代次数n，采用改进后的sigmoid函数确定惯性权重ω，表示如下：
[0037][0038]
式中：e为自然常数，k为sigmoid曲线最大值，ke为sigmoid曲线的曲率，即曲线的变化速率；
[0039]
步骤5：将惯性权重ω带入第i个节点粒子的速度和位置更新迭代公式(4)和式(5)：
[0040][0041][0042]
其中，v
it 1
为t 1时刻的节点粒子的速度，v
it
为t时刻的节点粒子的速度，为t 1时刻的节点粒子的位置，为t时刻的节点粒子的位置；c1为节点粒子的个体学习因子，其值为一个加速度常数；c2为节点粒子的社会学习因子，其值为一个加速度常数；ξ和η为0到1范围内的随机数；q为全局社会因子和局部社会因子相对所占的比重，0《q《1；
[0043]
步骤6：判定是否达到最大迭代次数num或者连续两次计算结果间的差值小于收敛阈值ε，满足其中任一条件时就结束迭代，否则重复步骤4和步骤5，反复迭代更新后，得到最优解。
[0044]
优选地，所述最大迭代次数num取值在240～260之间，收敛阈值ε取值在0.0003～0.001之间。
[0045]
具体实施例：
[0046]
参照图1，首先采集mesh网络多网关特征场景的节点分布位置，并处理得到节点的分布图，然后建立最小跳数的计算模型，即mesh网关部署的优化问题，转化为上述计算模型求最优解问题，采用改进后的混合粒子群算法进行求解，多次反复迭代，求得实际网关节点的部署最优方案。
[0047]
1、由mesh网络场景与传感器节点实际部署位置数据,建立路由节点地理位置分布
图，根据路由节点通信范围计算得到路由节点与网关、传感器的连接参数，进而构建其拓扑连接图，计算得到mesh网络规模的大小s。
[0048]
2、参照图2，初始化图中的50个节点分布图，每个节点粒子坐标xi＝(x
i1
,x
i2
)，速度表示为：vi＝(v
i1
,v
i2
)，同时设定迭代次数240次和迭代结果之差阈值0.0005。
[0049]
3、以每个路由器通信距离为半径，路由器候选部署位置为每个中心点，得到候选部署位置无线链路连接参数，根据候选部署位置以及传感器节点位置，结合路由器与传感节点通信范围。整个网络的第k个网关wk的坐标wk＝(ak,bk)，与网关wk的距离小于通信半径的节点组成的集合称为网关邻接集合gask(gateway adjacency set)，那么网络中的任一节点到网关的跳数大小写成下式：
[0050][0051]
计算得到适值函数：
[0052][0053]
4、计算适值函数后，根据适值函数f(x)的结果来更新节点最优解，即该节点在部署过程中的历史最优位置pi＝(p
i1
,p
i2
)，接着更新全局最优解，即整个网关节点在飞行过程中的历史最优位置pg＝(p
g1
,p
g2
)。
[0054]
5、更新迭代次数，采用改进后的sigmoid函数来计算迭代公式的惯性权重：
[0055][0056]
6、将惯性权重ω带入到迭代公式，第i个节点粒子的速度和位置更新公式分别如下：
[0057][0058][0059]
式中：
[0060]
ω为惯性因子，其值为非负数。当ω较大时，全局的搜索能力强，局部的搜索能力弱，当ω较小时，全局的搜索能力弱，局部的搜索能力强。
[0061]
c1为粒子的个体学习因子，其值为一个加速度常数。
[0062]
c2为粒子的社会学习因子，其值亦为一个加速度常数。
[0063]
ξ和η为一个0到1范围内的随机数，可避免粒子过早收敛，增加粒子群广域搜索能力。
[0064]
q为全局社会因子和局部社会因子相对所占的比重，0《q《1，当q值较大的时候，全局社会因子影响较大，搜索速度较快，当q值小的时候，局部社会因子影响较大，搜索速度较慢，避免过早收敛。
[0065]
7、判断是否符合迭代次数和阈值设置，如果未到达全局最优解，迭代次数加1，重复第5、6、7步，通过反复迭代更新计算，得到最优部署方案，如图3所示。