[发明专利]一种融合多种群优化算法的无线局域网三维优化部署方法

权利要求书

1.一种融合多种群优化算法的无线局域网三维优化部署方法，其特征在于，所述方法包括以下步骤：

步骤S1、获取无线AP布置范围，并将所述无线AP布置范围进行网格离散化处理后，在网格离散化处理后的无线AP布置范围中，设定三种类型障碍物及每一种类型障碍物对应的信号衰减值；

步骤S2、将无线AP的位置坐标x，y、z以及功率p均设置为计算变量；

步骤S3、设置算法相关参数，包括定义4n个果蝇群体，每个果蝇种群的大小S_p和最大迭代次数I_max；其中，

果蝇种群表示如下：

4n个果蝇群体中每个个体的位置信息由公式(2)中对应的(X,Y)二维坐标给出：

其中，下标字母f代表果蝇优化中引入的变量；

初始化果蝇群位置，由下面的公式(3)、(4)和(5)计算得出：

其中，p_max为AP发射功率p的最大值；p_min为AP发射功率p的最小值；rand()是产生一个位于区间[0,1]上的随机数的函数；

初始化果蝇搜索时的飞行速度：

步骤S4、首先计算第k次迭代时，果蝇个体j到原点的距离：

其中，由公式(8)计算第k次迭代时第j个种群中所有果蝇个体的位置：

然后计算出相应的味道浓度判断值：

步骤S5、将所得到的味道浓度判定值代入目标函数(10)中，计算每一行的适应度：

其中，η_l为不满足约束条件下的惩罚函数，其约束优化问题表示为C_∑为无线AP对目标点的覆盖率，且c(AP_i,L_j)为第i个无线接入点AP_i对第j个目标测试点L_j的覆盖概率，且β为传播路径中的信号衰减，且其中，为AP_i到测试点位置(x，y，z)的距离，γ为路径损耗指数，表示路径损耗随距离的增长率，它依赖于周围环境和建筑物类型；d₀为参考距离；α是基准距离d₀的功率；β_s是由室内障碍物引起的功率损耗，且当AP与被覆盖目标点之间跨障碍物时加上相应的障碍物衰减值；

步骤S6、根据所求解函数的适应度，利用公式(11)分别找到并记录群体中具有最佳味道浓度值的果蝇及其相应的位置以及群体中具有最差味道浓度值的果蝇及其相应的位置

步骤S7、分别计算种群中每行果蝇F_l的适应度与最优果蝇之间的味道浓度差值和与最差果蝇之间的味道浓度差值

步骤S8、若则将第l行果蝇划分到以最差果蝇为中心的较差子群中，然后转步骤S9；否则将第l行果蝇划分到以最优果蝇为中心的较优子群中，然后转步骤S10；

步骤S9、较差子群中的果蝇利用视觉向最优果蝇位置飞去，在最优个体的指导下按照粒子群搜索策略进行搜索，在第k次(k0)迭代中，第j个种群的第l个果蝇首先按公式(13)来更新自己的飞行速度，然后按照公式(14)来更新自己的位置：

其中，w为非负惯性权重，随着迭代次数的增加而递减，且w利用公式(15)计算：

w_max为最大惯性权重，w_min为最小惯性权重，k是当前的迭代次数，I_max为算法迭代总次数；c₁,c₂为粒子的学习因子，调节学习的最大步长；r₁,r₂是区间[0,1]上的随机数；x_{f,j,l_pbest},y_{f,j,l_pbest}是第j个种群的第l个果蝇记录的自身经过的最优位置坐标；

步骤S10、较优子群中的果蝇个体围绕着全局最优信息做Levy飞行，在第k次(k0)迭代中，第j个种群的第l个果蝇位置更新如公式(16)所示：

其中，a为控制果蝇个体步长的参数；Levy(λ)是产生Levy飞行距离的函数；

步骤S11、进入迭代寻优，重复执行步骤S4到步骤S10，直到迭代次数达到最大迭代次数I_max或者满足其他条件后退出迭代；

步骤S12、输出具有全局最优味道浓度的果蝇信息，即得到无线AP最小的总功率以及相应的位置。