一种基于人工蜂群算法的无线传感器网络链路可靠性优化算法的制作方法

1.本发明涉及无线传感器网络链路可靠性优化方法，具体为一种基于人工蜂群算法的无线传感器网络链路可靠性优化方法，属于物联网应用技术领域。


背景技术：

2.无线传感器网络(wireless sensor networks,wsns)是一种多跳自组织的信息感知、采集与传输系统，能在多种环境下获取详尽、准确的数据，实现人与客观世界的信息交互。wsn网络链路可靠性其本质上表达的是网络优质通信的能力，即网络传输错误率最小的情况。同时，网络链路可靠性也是评价无线传感器网络所提的供服务质量的一个标准。复杂区域的链路可靠性优化问题属于np难的问题，人工蜂群算法常被用来解决这一类问题。
3.传统的人工蜂群算法解决该类问题的过程，存在以下两类问题：
4.1、人工蜂群算法本身存在全局搜索能力强、局部搜索能力弱的缺点，并且算法和问题本身结合不够，对不同的链路可靠性问题普适性不足；
5.2、传统链路可靠性问题解决的主要是基于二维区域的链路可靠性计算，未针对三维进行。
6.因此，本发明中，为解决wsns链路可靠性最优部署问题，将问题的适应性等特征融入传统的人工蜂群算法，随着迭代的进行，算法自动进行全局搜索以及局部搜索能力的平衡，实现更为有效的链路可靠性计算。


技术实现要素：

7.本发明的目的就在于为了解决上述的问题，而提出一种基于人工蜂群算法的无线传感器网络链路可靠性优化算法，本发明中，将问题的适应性等特征融入传统的人工蜂群算法，随着迭代的进行，算法自动进行全局搜索以及局部搜索能力的平衡，实现更为有效的链路可靠性计算。
8.本发明的目的可以通过以下技术方案实现：一种基于人工蜂群算法的无线传感器网络链路可靠性优化算法，具体包括以下步骤：
9.步骤一：将被监测三维区域划分为l
×w×
h个像素点形成点集ra，在网络中总共部署|s|个传感器节点，满足网络的覆盖和连通需求，s为总体传感器节点集合，其为预置传感器节点集合s
p
和增补传感器节点集合sa的合集，即s＝s
p
∪sa；
10.步骤二：在网络先预置传感器节点集合s
p
部署到点集ra上，满足当前网络覆盖性及连通性需求再按照以下步骤基于人工蜂群算法进行增补节点sa的部署使得网络平均链路正确性最大化；
11.步骤三：初始化人工蜂群算法的参数，种群数ps、问题维度d(在本发明中为增补传感器的数目，即d＝|sa|)、最大循环次数maxitr以及食物源未更新次数limit；其中，雇佣蜂和跟随蜂各占种群数量的一半为np，侦察蜂设为1个，算法适应值设定为网络平均链路正确
性，从三维的角度进行wsns链路可靠性的计算，从而适用于更多的应用场景；
12.步骤四：在s
p
节点集部署的基础上，将d个传感器在监测区域内进行随机部署生成初始随机解，作为人工蜂群算法的初始食物源，在候选公式的全局搜索部分引入了线性变化参数，该部分随着迭代次数的增加而衰弱。线性因素使得算法的全局寻优能力随着迭代次数的增大适当的衰弱，能够随着迭代过程动态平衡算法的全局和局部寻优能力；
13.步骤五：将网络平均链路正确性f
anr
作为食物源的适应值，计算如下：
[0014][0015]
其中，f
anr
∈[0,1]，ri是传感器i的可靠性，定义如下
[0016][0017]
其中，是在节点i和基站之间的点不交路的数量，是两个设备之间第k条不交路的跳数，err是本地信道误差；不交路算法是由ford和fulkerson提出的最大流算法所提供，基于ford和fulkerson方法来生成最大的点不交路，从而提升wsns通信过程中的多链路可靠性，再结合算法优化，从多链路以及每条链路条数触发，综合提升wsns整体网络的链路通信可靠性；
[0018]
步骤六：雇佣蜂阶段，每个雇佣蜂采用下式进行候选解生成，并通过贪婪选择保留更好的解；
[0019][0020]
其中，φ
ij
∈[-1,1]，均为随机变量，y为全局最优解，引入了问题的适应值，用来弹性调整算法搜索步长进而使算法适应于不同问题的变量，fiti是第i个个体的适应值，fit
min
是最小适应值，l＝curitr/maxitr是一个线性变化的参数，根据算法的迭代次数进行调整，maxitr是算法迭代的最大次数，curitr是算法当前所在的迭代次数，在雇佣蜂阶段和跟随蜂阶段均采用改进的搜索方法，进而使得算法能够自适应平衡全局和局部搜索能力，实现算法前期能够充分探索搜索空间，后期可以以较快的速度进行收敛；
[0021]
步骤七：根据下式计算每个食物源将要被跟随蜂选择的概率；
[0022][0023]
步骤八：每个跟随蜂进行食物源探索时，首先随机产生一个随机数r∈[0,1)，将r同pi进行比较，如果等于或大于，则采取步骤四中的方法进行食物源探索，即生成新的覆盖率，否则，由下一个跟随蜂进行探索，直到探索次数同整体跟随峰数量相同；
[0024]
步骤九：侦查蜂阶段，当某个食物源多次被探索并且未更新的次数达到limit时，采用与步骤三相同的方式进行食物源初始化；
[0025]
步骤十：记忆覆盖率最好的食物源的节点布局；
[0026]
步骤十一：循环次数增加1；
[0027]
步骤十二：如果超过循环次数，则返回最佳适应值，程序结束，否则回到步骤五；
[0028]
步骤十三：结束。
[0029]
与现有技术相比，本发明的有益效果是：
[0030]
1、本发明从三维的角度进行wsns链路可靠性的计算，从而适用于更多的应用场景。
[0031]
2、本发明在候选公式的全局搜索部分引入了线性变化参数，该部分随着迭代次数的增加而衰弱。线性因素使得算法的全局寻优能力随着迭代次数的增大适当的衰弱，能够随着迭代过程动态平衡算法的全局和局部寻优能力。
[0032]
3、本发明基于ford和fulkerson方法来生成最大的点不交路，从而提升wsns通信过程中的多链路可靠性，再结合算法优化，从多链路以及每条链路条数触发，综合提升wsns整体网络的链路通信可靠性。
[0033]
4、本发明在雇佣蜂阶段和跟随蜂阶段均采用改进的搜索方法，进而使得算法能够自适应平衡全局和局部搜索能力，实现算法前期能够充分探索搜索空间，后期可以以较快的速度进行收敛。
[0034]
5、本发明与之前的人工蜂群算法寻求链路可靠性的过程相比，该发明解决的是wsns三维角度下的整体网络链路可靠性问题，发明中引入了食物源的适应值来调整搜索过程，使得解决方法的全局寻优和局部寻优能力更强，从而更为有效的解决wsn的覆盖问题。
附图说明
[0035]
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
[0036]
图1为本发明的一种基于人工蜂群算法的无线传感器网络链路可靠性优化算法的整体实施流程图。
具体实施方式
[0037]
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0038]
请参阅图1所示，一种基于人工蜂群算法的无线传感器网络链路可靠性优化算法，具体包括以下步骤：
[0039]
步骤一：将被监测三维区域划分为l
×w×
h个像素点形成点集ra，在网络中总共部署|s|个传感器节点，满足网络的覆盖和连通需求，s为总体传感器节点集合，其为预置传感器节点集合s
p
和增补传感器节点集合sa的合集，即s＝s
p
∪sa；
[0040]
步骤二：在网络先预置传感器节点集合s
p
部署到点集ra上，满足当前网络覆盖性及连通性需求再按照以下步骤基于人工蜂群算法进行增补节点sa的部署使得网络平均链路正确性最大化；
[0041]
步骤三：初始化人工蜂群算法的参数，种群数ps、问题维度d(在本发明中为增补传感器的数目，即d＝|sa|)、最大循环次数maxitr以及食物源未更新次数limit；其中，雇佣蜂和跟随蜂各占种群数量的一半为np，侦察蜂设为1个，算法适应值设定为网络平均链路正确性，；
[0042]
步骤四：在s
p
节点集部署的基础上，将d个传感器在监测区域内进行随机部署生成初始随机解，作为人工蜂群算法的初始食物源；
[0043]
步骤五：将网络平均链路正确性f
anr
作为食物源的适应值，计算如下：
[0044][0045]
其中，f
anr
∈[0,1]，ri是传感器i的可靠性，定义如下
[0046][0047]
其中，是在节点i和基站之间的点不交路的数量，是两个设备之间第k条不交路的跳数，
err
是本地信道误差；不交路算法是由ford和fulkerson提出的最大流算法所提供；
[0048]
步骤六：雇佣蜂阶段，每个雇佣蜂采用下式进行候选解生成，并通过贪婪选择保留更好的解；
[0049][0050]
其中，φ
ij
∈[-1,1]，均为随机变量，y为全局最优解，引入了问题的适应值，用来弹性调整算法搜索步长进而使算法适应于不同问题的变量，fiti是第i个个体的适应值，fit
min
是最小适应值，l＝curitr/maxitr是一个线性变化的参数，根据算法的迭代次数进行调整，maxitr是算法迭代的最大次数，curitr是算法当前所在的迭代次数；
[0051]
步骤七：根据下式计算每个食物源将要被跟随蜂选择的概率；
[0052][0053]
步骤八：每个跟随蜂进行食物源探索时，首先随机产生一个随机数r∈[0,1)，将r同pi进行比较，如果等于或大于，则采取步骤四中的方法进行食物源探索，即生成新的覆盖率，否则，由下一个跟随蜂进行探索，直到探索次数同整体跟随峰数量相同；
[0054]
步骤九：侦查蜂阶段，当某个食物源多次被探索并且未更新的次数达到limit时，采用与步骤三相同的方式进行食物源初始化；
[0055]
步骤十：记忆覆盖率最好的食物源的节点布局；
[0056]
步骤十一：循环次数增加1；
[0057]
步骤十二：如果超过循环次数，则返回最佳适应值，程序结束，否则回到步骤五；
[0058]
步骤十三：结束。
[0059]
本发明从三维的角度进行wsns链路可靠性的计算，从而适用于更多的应用场景；
[0060]
本发明在候选公式的全局搜索部分引入了线性变化参数，该部分随着迭代次数的增加而衰弱。线性因素使得算法的全局寻优能力随着迭代次数的增大适当的衰弱，能够随着迭代过程动态平衡算法的全局和局部寻优能力；
[0061]
本发明基于ford和fulkerson方法来生成最大的点不交路，从而提升wsns通信过程中的多链路可靠性，再结合算法优化，从多链路以及每条链路条数触发，综合提升wsns整
体网络的链路通信可靠性；
[0062]
本发明在雇佣蜂阶段和跟随蜂阶段均采用改进的搜索方法，进而使得算法能够自适应平衡全局和局部搜索能力，实现算法前期能够充分探索搜索空间，后期可以以较快的速度进行收敛；
[0063]
本发明与之前的人工蜂群算法寻求链路可靠性的过程相比，该发明解决的是wsns三维角度下的整体网络链路可靠性问题，发明中引入了食物源的适应值来调整搜索过程，使得解决方法的全局寻优和局部寻优能力更强，从而更为有效的解决wsn的覆盖问题。
[0064]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。