[发明专利]基于多智能体进化算法的无线传感器网络优化方法

摘要

本发明公开一种基于多智能体进化算法的无线传感器网络优化方法，其步骤如下：(1)构建无线传感器网络；(2)设置最大迭代次数；(3)构建智能体网格；(4)采用带惩罚的蒙特卡罗方法计算智能体能量；(5)邻域竞争操作；(6)变异操作；(7)确定局部最优智能体；(8)自学习操作；(9)虚拟力操作；(10)判断循环代数是否达到最大迭代次数，若是，执行步骤(11)，否则，循环代数加1，执行步骤(3)；(11)输出无线传感器网络优化结果。本发明加快了优化无线传感器网络的速度，降低了无线传感器间的干扰，适用于优化大规模的无线传感器网络。

主权项

1.一种基于多智能体进化算法的无线传感器网络优化方法，包括以下步骤：(1)构建无线传感器网络：(1a)输入无线传感器网络的工作区域范围；(1b)输入三种无线传感器的覆盖半径；(1c)将三种无线传感器随机散布在无线传感器网络的工作区域之中，完成一个无线传感器网络的构建，(2)设置最大迭代次数：在[0，500]的范围内，根据多智能体进化算法的优化结果，设置多智能体进化算法的最大迭代次数；(3)构建智能体网格：将一个无线传感器网络作为一个智能体，用81个智能体构建成大小为9×9智能体网格；(4)采用带惩罚的蒙特卡罗方法，计算大小为9×9的智能体网格中每一个智能体的能量；所述的带惩罚的蒙特卡罗方法的具体步骤如下：第1步，按照下式，计算与每个智能体对应的每个无线传感器网络的覆盖面积：其中，S_k表示与第k个智能体对应的第p个无线传感器网络的覆盖面积，k与p的数值相等，N表示均匀散布在工作区域中的粒子数，q表示落在被无线传感器网络覆盖的工作区域中的粒子数，A表示无线传感器网络的工作区域的面积；第2步，按照下式，计算与第k个智能体对应的第p个无线传感器网络中具有重叠覆盖的所有无线传感器间的惩罚值：φ_k(C)＝λ×∑S'(C_i,C_j)其中，φ_k(C)表示与第k个智能体对应的第p个无线传感器网络中具有重叠覆盖的所有无线传感器间的惩罚值，λ表示数值大于零的惩罚因子，∑表示求和操作，S'(C_i,C_j)表示无线传感器网络中第i个无线传感器C_i与第j个无线传感器C_j的重叠覆盖度，当无线传感器C_i与C_j重叠覆盖时，S'(C_i,C_j)取值1，当无线传感器C_i与C_j无重叠覆盖时，S'(C_i,C_j)取值0；第3步，按照下式，计算智能体网格中每个智能体的能量：Energy_k＝S_k+φ_k(C)其中，Energy_k表示智能体网格中第k个智能体的能量，S_k表示与第k个智能体对应的第p个无线传感器网络的覆盖面积，φ_k(C)表示与第k个智能体对应的第p个无线传感器网络中具有重叠覆盖的所有无线传感器间的惩罚值；(5)对大小为9×9的智能体网格执行邻域竞争操作；所述邻域竞争操作的具体步骤如下：第1步，任选一个智能体，从所选智能体的上下左右四个邻域中，找出四个邻域中能量最大的智能体；第2步，将能量最大智能体的能量与所选智能体的能量进行比较，若能量最大智能体的能量大于所选智能体的能量时，用能量最大的智能体更新所选智能体，得到更新后的智能体；(6)对大小为9×9的智能体网格执行变异操作；所述的变异操作是指，将一个符合高斯分布的随机扰动加到更新后的智能体上，得到变异后的智能体；(7)确定大小为9×9的智能体网格的局部最优智能体：采用与步骤(4)相同的带惩罚的蒙特卡罗方法，计算变异后大小为9×9的智能体网格中每个智能体的能量，将能量最大的智能体作为9×9局部最优智能体；(8)自学习操作：(8a)在[0，100]的范围内，根据多智能体进化算法的优化结果，设置自学习操作的最大迭代次数；(8b)将每一个无线传感器网络作为一个智能体，用25个智能体构建一个大小为5×5的智能体网格；(8c)采用与步骤(4)相同的带惩罚的蒙特卡罗方法，计算大小为5×5的智能体网格中每个智能体的能量；(8d)对大小为5×5的智能体网格，执行与步骤(5)相同的邻域竞争操作；(8e)对大小为5×5的智能体网格，执行与步骤(6)相同的变异操作；(8f)采用与步骤(4)相同的带惩罚的蒙特卡罗方法，计算变异后的智能体网格中每个智能体的能量，找出能量最大的智能体作为5×5局部最优智能体；(8g)将9×9局部最优智能体的能量与5×5局部最优智能体的能量进行比较，若5×5局部最优智能体的能量大于9×9局部最优智能体的能量时，用5×5局部最优智能体更新9×9局部最优智能体；(8h)将更新后的9×9局部最优智能体作为最优无线传感器网络；(8i)判断当前自学习操作的循环代数是否达到最大迭代次数，若是，则执行步骤(9)，否则，将自学习操作的循环代数加1后，执行步骤(8d)；(9)虚拟力操作：(9a)从最优无线传感器网络中任意选取一个无线传感器；(9b)按照下式，计算所选无线传感器分别与除所选无线传感器之外的每一个无线传感器间的距离：其中，d_m表示第m个无线传感器与除第m个无线传感器之外的第n个无线传感器之间的距离，x_m和y_m分别表示第m个无线传感器的横、纵坐标位置，x_n和y_n分别表示除了第m个无线传感器之外第n个无线传感器的横、纵坐标位置；(9c)按照下式，计算所选无线传感器分别与除所选无线传感器之外的每一个无线传感器的覆盖半径之和：L_m＝R_m+R_n其中，L_m表示第m个无线传感器与除第m个无线传感器之外的第n个无线传感器的覆盖半径之和，R_m表示第m无线传感器的覆盖半径，R_n表示除第m个无线传感器之外的第n个无线传感器的覆盖半径；(9d)判断无线传感器间的距离d_m是否小于覆盖半径之和L_m,若是，对第m个无线传感器施加排斥力，否则，对第m个无线传感器施加吸引力；(9e)判断最优无线传感器网络中每一个无线传感器是否已被选取，若是，则执行步骤(10)，否则，执行步骤(9a)；(10)判断当前多智能体进化算法的循环代数是否达到最大迭代次数，若是，则执行步骤(11)，否则，将多智能体进化算法的循环代数加1后，执行步骤(3)；(11)输出无线传感器网络分布结果。