[发明专利]一种基于DPSO的智能无线传感网络分簇控制方法

摘要

一种基于DPSO的智能无线传感网络分簇控制方法，包括以下步骤：1)、接收所述智能无线传感网络的n个传感器节点的ID和位置信息；2)、随机初始化每个粒子的速度和位置；3)、计算出每个粒子的适应度函数值后，得出所有粒子中最小的适应度函数值和对应的粒子位置；4)更新粒子的速度和新位置；5)、每个粒子根据更新后的粒子位置再计算这一代的适应度函数值；选择适应度值最小的粒子为全局最优粒子；6)、判断迭代轮数是否达到最大迭代轮数，如果否则返回步骤4)，如果是，根据全局最优粒子的位置中的传感器节点编号分离出各个最优簇首和它的簇内节点，形成全局最优的簇结构划分。本发明分簇均匀、分簇结果稳定、便于进行可靠通信。

主权项

1.一种基于DPSO的智能无线传感网络分簇控制方法，其特征在于：所述分簇控制方法包括以下步骤：1）、接收所述智能无线传感网络的n个传感器节点的ID和位置信息；2）、粒子的维数n代表有n个传感器节点，其中每一维里的数字代表每个节点的编号，m代表每个簇内都有相等的m个节点， CH代表簇首，假设i是n维粒子的坐标，如果i对m取余结果为1，则i代表的是簇首的坐标，否则为簇内节点坐标；随机初始化每个粒子的速度和位置，每个粒子的速度随机初始化为n/2个粒子位置坐标交换的序列；3）、根据每个粒子随机初始化的粒子位置来计算每个粒子的适应度函数值，适应度函数定义如下：       (4)式（4）中，D_ji-jch代表第j个簇中第i个簇内节点到簇首的距离，i从簇内第一个节点到第m个节点，j从第一个簇到第n个簇；mean是求平均值的函数，var是求方差的函数；计算出每个粒子的适应度函数值后，得出所有粒子中最小的适应度函数值和对应的粒子位置，该粒子即为初始时粒子的全局最优位置，粒子的初始个体最优位置即为每个粒子的当前位置，个体最优适应度函数值为当前适应度函数值；4）粒子根据如下的公式来更新其速度和新位置:(2)(3)其中x_in = (x_i1, x_i2, . . . , x_in)代表粒子i的位置，每个位置就是问题的一个解，v_in = (v_i1, v_i2, . . . , v_in)代表粒子i的速度，p_in = (p_i1, . . . , p_in)代表粒子i的个体最优位置，p_gn= (p_g1, . . . , p_gn)代表所有粒子的全局最优位置，c₁是粒子个体学习因子，c₂是群体学习因子，w是惯性权重因子；保证每轮迭代中公式（2）中的c₁+c₂+w＝1且c₁=c₂，公式（2）和（3）中的位置+速度，位置－位置，速度+速度，因子×速度按照以下定义进行：位置+速度：旧位置与速度“+”的结果为新位置；位置－位置：两个位置的“－”的结果为一个速度；速度+速度：两个速度的“+”的结果为新速度，即将两个速度的交换序列合并；因子×速度：因子与速度的“*”结果仍然为一速度，定义为速度中的每一个交换序列以因子的值为概率保留；5）、每个粒子根据更新后的粒子位置同样根据公式（4）计算这一代的适应度函数值；每个粒子比较新的适应度函数值和自己的个体最优适应度函数值，如果新的适应度函数值小于历史个体最优适应度函数值，则将个体最优粒子位置更新为新的粒子位置，并保存新的个体最优适应度函数值，并更新一个变量t_pbest=0，该变量表示粒子个体历史最优适应度函数值连续没有发生变化的迭代轮数；如果新的适应度函数值没有比历史个体最优适应度函数值更小，则更新变量t_pbest＝t_pbest+1；所有粒子更新完新的适应度函数值和个体最优位置后，得出所有粒子中最小的适应度函数值，如果该全局最优适应度值小于历史保存的全局最小适应度函数值，则将该粒子的位置更新为新的全局最优粒子位置，并保存新的全局最优适应度函数值；6）、判断迭代轮数是否达到最大迭代轮数，如果否则返回步骤4），如果是，根据全局最优粒子的位置中的传感器节点编号分离出各个最优簇首和它的簇内节点，形成全局最优的簇结构划分。