改进杂草算法求解WSN节点分布优化问题
文章目录
- 一、理论基础
- 1、问题描述
- 2、改进的杂草算法
- (1)IWO算法描述
- (2)立方混沌算子
- (3)高斯变异算子
- (4)算法伪代码
- 二、仿真分析
- 三、参考文献
一、理论基础
1、问题描述
假设一个二维平面区域A可以离散成s×s的网格,每个网格的面积为 1。若整个区域内分布着nnn个无线传感器节点,每个节点都可以通过某种特殊方式(像北斗导航)来获取自身位置,并拥有相同的感知半径RRR。因此,区域 A 上的所有WSN节点集可被描述成:S={s1,s2,⋯,sn}(1)S=\{s_1,s_2,\cdots,s_n\}\tag{1}S={s1,s2,⋯,sn}(1)其中,si=(xi,yi)(i=1,2,⋯,n)s_i=(x_i,y_i)(i=1,2,\cdots,n)si=(xi,yi)(i=1,2,⋯,n),(xi,yi)(x_i,y_i)(xi,yi)为节点sis_isi在区域A中的坐标。对于任意网格点pj=(xj,yj)(j=1,2,⋯,m×n)p_j=(x_j,y_j)(j=1,2,\cdots,m×n)pj=(xj,yj)(j=1,2,⋯,m×n),它与节点sis_isi之间的距离为dij=(xi−xj)2+(yi−yj)2(2)d_{ij}=\sqrt{(x_i-x_j)^2+(y_i-y_j)^2}\tag{2}dij=(xi−xj)2+(yi−yj)2(2)WSN节点测量模型主要有两种:(1)二元测量模型;(2)概率测量模型。文中采用比较常见的概率测量模型来计算其覆盖率Cij={1dij≤R−Reexp(−λ1α1ε1α2ε2+λ2)R−Re<dij<R+Re0else(3)C_{ij}=\begin{dcases}1\quad d_{ij}≤R-R_e\\exp\left(\frac{-\lambda_1\alpha_1^{\varepsilon_1}}{\alpha_2^{\varepsilon_2}+\lambda_2}\right)\quad R-R_e<d_{ij}<R+R_e\\0\quad else\end{dcases}\tag{3}Cij=⎩⎪⎪⎨⎪⎪⎧1dij≤R−Reexp(α2ε2+λ2−λ1α1ε1)R−Re<dij<R+Re0else(3)其中,Re(0<Re<R)R_e(0<R_e<R)Re(0<Re<R)为传感器的有效测量半径;α1=Re−R+dij\alpha_1=R_e-R+d_{ij}α1=Re−R+dij;α2=Re+R−dij\alpha_2=R_e+R-d_{ij}α2=Re+R−dij,其他量为测量参数。
如果所有节点被检测都是相互独立事件,那么由点pjp_jpj被单个节点检测的概率可得到它同时被所有节点检测到的综合概率为Cj=1−∏i=1n(1−Cij)(4)C_j=1-\prod_{i=1}^n (1-C_{ij})\tag{4}Cj=1−i=1∏n(1−Cij)(4)其中,若CjC_jCj大于或等于某个特定阈值CtC_tCt,则认为点pjp_jpj可被节点检测;;反之,若CjC_jCj小于CtC_tCt,则认为pjp_jpj不能被检测到。通过多次试验,文中选择Ct=0.75C_t=0. 75Ct=0.75。
进而,通过点pjp_jpj被检测到的综合概率来衡量每个网格的覆盖率,即通过式 (4) 来计算每个网格点的被检测概率,将被检测到的网格点个数占网格总数的比例作为WSN的覆盖率。具体的数学描述为Cs=∑j=1m×nCjm×n(5)C_s=\frac{\displaystyle\sum_{j=1}^{m×n}C_j}{m×n}\tag{5}Cs=m×nj=1∑m×nCj(5)因此,WSN 节点分布优化问题可描述成目标区域A上的nnn个无线传感器节点通过优化算法达到对整个目标区域的覆盖。也就是,该问题可转换为式
(5) 的最大化问题,即max(∑j=1m×nCjm×n)(6)max\left(\frac{\sum_{j=1}^{m×n}C_j}{m×n}\right)\tag{6}max(m×n∑j=1m×nCj)(6)
2、改进的杂草算法
(1)IWO算法描述
请参考这里。
(2)立方混沌算子
采用立方映射混沌算子来改进杂草位置的初始化,使得产生的种群位置更均匀。根据下式产生混沌序列y(n+1)=4y(n)3−3y(n)(n=0,1,⋯⋯)(7)y(n+1)=4y(n)^3-3y(n)(n=0,1,\cdots\cdots\tag{7})y(n+1)=4y(n)3−3y(n)(n=0,1,⋯⋯)(7)其中,y(n)∈[−1,1]y(n)∈[-1,1]y(n)∈[−1,1]。将混沌序列映射到优化变量的取值空间内,利用混沌特性来实现对杂草初始位置的搜索。具体步骤为
(1)对于D维空间内的M个个体,随机产生一个D维向量Y={y1,⋯,yd}\boldsymbol Y=\{y_1,\cdots,y_d\}Y={y1,⋯,yd}作为第一个杂草个体,其中yi∈[−1,1],1≤i≤dy_i∈[-1,1],1≤i≤dyi∈[−1,1],1≤i≤d。
(2)利用式(7)对Y\boldsymbol YY逐维进行M−1M-1M−1次迭代,产生其余M−1M-1M−1个个体。
(3)将产生的混沌变量根据式(8)映射到解的搜索空间内xid=xL+(1+yid)xU−xL2(8)x_{id}=x_L+(1+y_{id})\frac{x_U-x_L}{2}\tag{8}xid=xL+(1+yid)2xU−xL(8)其中,xidx_{id}xid为杂草iii在第ddd维的位置;yidy_{id}yid为式(7)产生的杂草iii的第ddd维值;xUx_UxU和xLx_LxL分别为xidx_{id}xid取值的上下限。
(3)高斯变异算子
为避免IWO算法陷入局部最优,在随机选择一定数量的杂草种子后,采用高斯变异算子对其进行操作。变异后的个体Vi\boldsymbol V_iVi可由下列公式计算:Vi=Xi+e(XB−Xi)(9)\boldsymbol V_i=\boldsymbol X_i+e(\boldsymbol X_B-\boldsymbol X_i)\tag{9}Vi=Xi+e(XB−Xi)(9)其中,eee表示均值为0、方差为1的高斯分布;XB\boldsymbol X_BXB为当前种群中适应度值最高的个体。当变异个体Vi\boldsymbol V_iVi的值不在搜索范围内时,通过下式来重新寻找位置Vi=XL+e(XU−XL)(10)\boldsymbol V_i=\boldsymbol X_L+e(\boldsymbol X_U-\boldsymbol X_L)\tag{10}Vi=XL+e(XU−XL)(10)
(4)算法伪代码
引入立方混沌算子和高斯变异算子来改进传统的IWO算法,产生了改进的IWO算法。IIWO算法的伪代码如下所示:
图1 IIWO算法伪代码
二、仿真分析
为了检验IIWO算法在处理WSN节点分布优化问题的有效性,仿真设WSN的有效监控范围为50m×50m50m ×50m50m×50m的正方形区域,每个传感器节点的感知半径RRR为5m,在监控范围内随机分布着35个WSN节点。通过IWO算法、CPSO算法和IIWO算法分别对这些节点的布局进行优化,都迭代300代,3 种算法的种群数均设置为30。3种算法的网络覆盖率对比图如图2所示。
图2 3种算法网络覆盖率最优解的迭代曲线
图3~6分别是WSN节点初始部署、IWO优化覆盖图、CPSO优化覆盖图和IIWO优化覆盖图。
图3 WSN节点初始部署
图4 IWO优化覆盖
图5 CPSO优化覆盖
图6 IIWO优化覆盖
三、参考文献
[1] 单文桃, 王鑫, 丁力. 改进杂草算法求解WSN节点分布优化问题[J]. 机床与液压, 2018, 46(22): 84-88.
[2] 心升明月. 基于入侵杂草算法的函数寻优算法. CSDN博客.
改进杂草算法求解WSN节点分布优化问题相关推荐
- 基于入侵杂草和花授粉混合算法的WSN节点部署优化
文章目录 一.理论基础 1.节点与覆盖模型 2.入侵杂草算法 3.花授粉算法 二.仿真分析 三.参考文献 一.理论基础 1.节点与覆盖模型 请参考这里. 2.入侵杂草算法 请参考这里. 3.花授粉算法 ...
- 基于改进粒子群算法的WSN节点部署优化
文章目录 一.理论基础 1.PSO算法(经典粒子群算法) 2.UPSO算法(均匀搜索粒子群算法) 3.CPSO算法(本文算法) 二.仿真实验与结果分析 三.参考文献 一.理论基础 1.PSO算法(经典 ...
- 【WSN】基于改进鲸鱼算法算法实现无线传感器网络wsn节点部署优化matlab源码
1 算法介绍 1.1 wsn模型 1.2 鲸鱼算法 鲸鱼优化算法(WOA),该算法模拟了座头鲸的社会行为,并引入了气泡网狩猎策略. 1.1 灵感 鲸鱼被认为是世界上最大的哺乳动物.一头成年鲸可以长达 ...
- 改进灰狼优化算法在WSN节点部署中的应用
文章目录 一.理论基础 1.节点与覆盖模型 2.灰狼优化算法基本原理 3.改进灰狼优化算法 (1)非线性收敛因子 (2)δ\deltaδ狼的融合变异 二.节点部署优化算法 1.算法步骤 2.算法流程图 ...
- 【优化布局】基本蚁狮算法在WSN节点部署中的应用matlab源码
1 简介 为了有效提高无线传感器网络的节点覆盖率,提出一种基于蚁狮算法的网络覆盖优化方法. 2 部分代码 %% 清除环境变量 clear; clc;%% 网络参数 L = 100; % 区域边长 V ...
- 基本蚁狮算法在WSN节点部署中的应用
文章目录 一.理论基础 1.WSN节点覆盖模型 2.基本蚁狮算法 二.仿真实验与分析 三.参考文献 一.理论基础 1.WSN节点覆盖模型 请参考这里. 2.基本蚁狮算法 蚁狮优化算法 ALO(Ant ...
- 【选址优化】基于粒子群算法求解配电网抢修选址优化问题含Matlab源码
1 简介 基于粒子群算法求解配电网抢修选址优化问题. 2 部分代码 function DrawCircle(Circle1, Circle2, r, 3600, s)plot(model.trou ...
- matlab改进灰狼算法求解路径优化
灰狼 优 化 算 法 ( grey wolf optimization algo-rithm,GWO) 是模仿灰狼等级划分和灰狼捕食行为而提出的群智能搜索算法.该算法具有控制参数少.收敛速度快和计算简 ...
- 【优化求解】基于改进的遗传算法求解考虑环境效益DG优化问题含Matlab源码
1 简介 资源优化是网络计划优化的重要组成部分,它包括资源均衡优化问题和资源有限条件下项目调度问题.由于近年来出现的智能算法不依赖于梯度信息和其它辅助知识,并适用于大规模复杂问题的求解,因此以遗传算法 ...
最新文章
- 【Ubuntu】安装中文输入法、终端不支持中文的解决方法
- 已知3个坐标点xy画圆弧_这25张图片,让你彻底看懂25个复杂的数学公式!
- sql to sqlalchemy 实例教程
- asterisk 学习笔记1
- Bmp格式与编程读取解析
- oracle database version,Oracle Database Version History
- 数据分析与R语言视频教程
- 必学:入行电商产品经理必备知识,原来这么简单
- 计算机基础教材编写委员,大学计算机基础论文关于凸现应用型人才培养的大学计算机基础教材建设论文范文参考资料...
- 网页截图怎么截一整张_如何网页截图?(截长图)
- lnmp下配置PHP虚拟主机vhost
- 快速学习-mocha 简介与入门
- android恢复 模式,Android Doze模式使用命令启用和恢复
- 粉末成型工艺(粉末冶金粉末注射成型)
- PayPal 注册和使用详解
- anistropic filer
- 【软考-软件设计师精华知识点笔记】第十章 网络与信息安全
- Spark的shuffle机制
- linux 添加用户、权限
- 高级计算机培训 英语教案设计,第四课时英语教案设计
热门文章
- linux下脚本录制工具——script和scriptreplay
- UT、IT、ST、UAT
- 基于Python+django的 医院排队叫号系统-计算机毕业设计
- ebay 后台HTML有尺寸宽度要求吗,eBay产品尺码问题需要注意的事项
- 计算一个字节里有多少位为1
- DARPA举办AlphaDogfight决赛,AI 操控战斗机5:0战胜人类飞行员
- OpencvSharp的Mat类型数组传入c++的DLL
- sql查询每科成绩的最高分_编写SQL语句查询出每个各科班分数最高的同学的名字,班级名称,课程名称,分数...
- k8s containerd集群配置安装完整踩坑教程
- 《漫步》flash动画制作全记录五