[发明专利]一种多目标优化的无线传感器网络节点部署方法

权利要求书

1.一种多目标优化的无线传感器网络节点部署方法，其特征在于，包括以下步骤：

(1)对种群中的粒子进行初始化，计算群体中粒子的自身最好位置，设置算法的初始参数；

对群体中粒子的位置x_i(0)和速度v_i(0)进行初始化，全局随机产生M种节点部署方案对应M个粒子，其中每个粒子是一个2×N维的矩阵，代表被监测区域中N个传感器节点的坐标信息，矩阵中的每个元素是[varMin,varMax]之间的随机数，其中varMin与varMax代表被监测区域的两个边界数值，初始化粒子的自身最优位置pbest_i(0)＝x_i(0)，惯性权重ω以及学习因子c₁和c₂；

(2)对群体中各个粒子的目标函数进行计算；

选取区域覆盖率、网络总能耗和网络生命周期这三个指标作为需要优化的目标函数，这里将目标函数转化为一个三维向量[F₁(k),F₂(k),F₃(k)]；

其中F₁(k)、F₂(k)和F₃(k)分别表示第k(0≤k≤M)个节点部署方案的区域非覆盖率，网络总能耗和网络生命周期的函数值；

F₃(k)＝-LT

其中，Cov代表被监测区域的覆盖率，e_i是每个传感器节点s_i消耗的总能量；

通过将被监测区域划分为m×n个网格点，并在区域中放置N个传感器节点组成的传感器集合S，设第i(i∈[1,N])个传感器节点s_i的坐标为s_i＝(s_x,s_y)，对于区域中第j个网格点p_j＝(p_x,p_y)，网格点p_j被传感器集合S覆盖的概率为：

其中，传感器节点s_i与网格点p_j之间的欧式距离如下所示：

采用布尔感知模型，当传感器节点的中心与网格点的欧式距离小于节点感知半径R_s时，认为网格点p_j在传感器节点s_i的覆盖范围内，如下式所示：

因此被监测区域的整体覆盖率表示为工作区域中被传感器覆盖的网格点的个数与网格点总数的比率，如下式所示：

e_i＝ME+TE_i×d_i+RE_i×α_i

其中，ME为节点维持工作能耗，是每个节点保证正常工作的基本能耗，为固定值；TE_i为数据传输能耗，是在传输中将接收到的数据与自己的数据一同发送到下一节点所需要的能耗，RE_i为接收上游节点数据的能耗；d_i表示节点i到汇聚节点的最短路径距离，α_i表示节点i接受到数据并将数据传送到汇聚节点的路径中经过的传感器的数量；

当节点i的初始能量为E₀并且消耗能量为e_i时，传感器节点的使用寿命由t_i＝E₀/e_i确定，设定网络中的第一个传感器节点能量耗尽时整个网络停止工作，网络的生存周期为：

(3)根据帕累托支配原则，将种群中的非支配解存入到外部档案中；

对于每一个节点部署方案X_k，设定它可支配的部署方案数量为dom(k)＝0，针对目标函数中的三个元素[F₁(k),F₂(k),F₃(k)]，分别将该节点部署方案与其他方案进行比较，如果满足则方案X_k支配X_k+1，并记为再对无线传感器网络节点部署方案X_k可支配的部署方案数量dom(k)加1，如果节点部署方案X_k对其他所有部署方案X_q(t＝1,…,M,q≠k)均满足则表明部署方案X_k为帕累托最优解，并将这个方案存入档案集里，继续对剩余部署方案进行上述操作，直到外部档案集初始化完成；

(4)创建网格，计算档案集里粒子的密度信息；

计算在第t次迭代时目标空间的边界和再计算区域的模：和然后遍历档案集里的粒子，计算所在区域的编号，最后计算区域信息和粒子的密度估计值；

所在区域的编号由三部分组成：

其中，D＝M₀×M₀×M₀为目标空间要划分的立方体数，Int(·)为取整函数，F₁(k)，F₂(k)和F₃(k)为粒子k的目标函数值；

(5)在档案集里根据粒子的密度信息选取全局最优解，并更新粒子的速度和位置信息；

根据下式计算档案集A_t里优于群体粒子P_k,t的粒子集A^k；

根据下式计算档案集A^k中密度最小的粒子集G^k；

G^k＝min{Density(A_l),l＝1,2,…,|A^k|,A_l∈A^k}

其中，|A_t|表示档案集A_t里的粒子数目；Density为粒子密度估计值的计算函数；

若G^k中粒子数量大于1，从G^k中随机选择一个成员作为全局最优解，gbest(t)＝rand{G^k}；

按照下式对粒子k的速度信息进行更新：

v_ki(t+1)＝w·v_ki(t)+c₁·r₁·(pbest_ki(t)-x_ki(t))+c₂·r₂·(gbest_ki(t)-x_ki(t))

再按照下式更新粒子的位置信息：

x_ki(t+1)＝x_ki(t)+v_ki(t+1)

其中，i∈[1,N]；r₁和r₂是[0,1]间的随机数；

(6)加入虚拟力算子，计算每个传感器所受虚拟力的大小，对每个粒子中包含的传感器位置信息进行优化调节；

包括：

其中，和分别为传感器节点s_i和s_j受到的排斥力和吸引力，R_i和R_j分别为两个节点的感知半径，d(s_i,s_j)为两个传感器之间的欧式距离，节点间的距离阈值d_th等于两个传感器节点的感知半径之和R_i+R_j；

此外，还需要考虑边界对节点的斥力作用，当传感器节点与边界的距离小于节点的感知半径时，边界对该节点施加排斥力：

其中，b表示监测区域的边界，d(s_i,b)为节点s_i到边界的距离；

将每个传感器受到的吸引力与排斥力分别叠加，根据受力情况对传感器节点进行位置调整，得到：

其中，α_a与α_r分别为引力权重和斥力权重，n_a和n_r分别为传感器节点s_i受到的引力与斥力次数，F_rx和F_ry为节点s_i受到的斥力分别在x和y轴的分量，F_ax和F_ay为节点s_i受到的引力分别在x和y轴的分量，(x_old,y_old)是节点s_i受到虚拟力前的坐标，(x_new,y_new)是节点s_i受虚拟力影响后的节点位置坐标；

(7)对粒子的位置进行越界处理，并更新各个粒子的目标函数值；

检查第k个粒子的位置信息，判断粒子中包含的N个传感器节点是否存在飞出被监测区域的，若存在，则按照以下公式进行调整：

其中，(x_i,y_i)为第k(1≤k≤M)个粒子中第i(1≤i≤N)个传感器节点s_i在被监测区域中的坐标；

(8)计算粒子的变异概率，判断粒子是否进行变异操作，更新个体历史最优解，更新外部档案集；

包括：

变异概率pm(0≤pm≤0.2)为算法最初设定的固定值，计算粒子的变异概率P_k(P_k＝rand)并与pm做比较，当粒子的变异概率小于pm时，对该粒子进行变异操作，对它的位置和速度进行初始化，并重新判定解之间的支配关系；

根据种群中第k个粒子飞行过程中获得的新解X_k与现有的自身最好位置pbest_k比较，如果新解X_k支配了pbest_k，则用新解替换pbest_k作为新的自身最好位置；若新解X_k与pbest_k彼此不受对方的支配，则从两者中随机选择一个作为新的自身最好位置；若pbest_k支配了新解，则保持pbest_k不变；

综合对比所有粒子的目标函数值，将进化得到的新一代群体P_t+1中的非劣解保存到档案集里；首先，判断档案集A_t是否为空集，如果是空集，将进化得到的新群体P_t+1中的非劣解直接拷贝到档案集里，得到：

其中，1≤l≤|P_t+1|；

其次，当档案集A_t非空时，当P_t+1中的粒子优于或独立于档案集里的某个粒子，则将该粒子插入到档案集里面，得到：

其中，1≤l≤|P_t+1|，P_l,t+1表示P_t+1中的第l个粒子，符号表示两个粒子相互独立没有优先的关系；

(9)对档案集进行截断操作；

包括：

当档案集里面的粒子数超过规定大小时，将多余的个体删除来保证档案集的规模，对于粒子数目大于1的立方体区域w，按照下式计算区域中要删除的粒子数PN，随后在区域w中随机删除PN个粒子；

其中，Grid[w]表示立方体区域w中包含的粒子数；

(10)判断是否达到规定的迭代次数，若达到则停止算法并输出档案集里粒子的信息，否则返回步骤五继续迭代。