寻优能力增强型越界免疫粒子群算法
发布时间：2021-01-11 03:16
PSO算法是提高WSN覆盖的一种全局优化算法。针对布尔感知模型与实际情况有所差别,且存在粒子搜索速度变慢的问题。提出了一种寻优能力增强型越界免疫粒子群算法（optimized ability enhancement and out of bounds immune PSO,OAEBI-PSO）,采用概率感知模型,在粒子越界和粒子更新两方面做出了改进,得到了更高的覆盖率,并且避免陷入局部最优。仿真表明,该算法能够平均提高11%的覆盖率,并且通过50次的蒙特卡罗实验,表明该算法具有较强的稳定性。
【文章来源】：太原科技大学学报. 2019,40(02)
【文章页数】：7 页
【部分图文】：
布尔感知模型Fig．1Booleanperceptionmodel
其中d(s，z)为感知区域内任意一点z到节点s的欧几里德距离。图2概率感知模型Fig．2Probabilityperceptionmodel图2为概率感知模型，在监测区域内，任意一点z处产生的数据能够被传感器节点s感知到的概率为:p(s，z)=0，d(s，z)rs－1≥θλ2exp(－λ1αB11αβ22)，－θ$d(s，z)rs－1＜θλ2，d(s，z)rs－1＜－θ(2)其中d(s，z)为感知目标z与感知节点的欧几里德距离，λ1，λ2，β1，β2是和传感器物理特性有关的参数，α1，α2为输入参数，其取值与rs和d(s，z)有关，关系式如下:α1=rs(θ－1)+d(s，z)α2=rs(θ－1)－d(s，z{)(3)事实上，任何一个节点对目标的感知概率都小于1，所以需要多个传感器节点协同感知目标。那么可以得出这样的结论:监测区域当中的所有传感器节点能够同时检测到z的概率为:Cz(sall，z)=1－∏i∈n(1－p(s，z))(4)其中sall表示监测区域当中传感器节点的集合，n为节点数。1．2区域覆盖率为了更直观地反映性能，本文把测试区域划分成了(m×n)的网格，并将其离散成相应的点。将区域覆盖的问题转化为点覆盖问题。节点集C的覆盖面积和测试区域的总面积之间的比值，就是节点集C的区域覆盖率P(C)．则节点集C的区域覆盖率为［17］:P(C)=∑Cz(sall，z)m×n(5
(0，1)之间的随机实数，K为粒子探索的范围，L为搜索空间的长度，Grid是网格粒度。式(11)是一种递减的加权方式，初期的时候，由于K取值较大，获得了更为广泛的搜索范围，使得全局搜索能力得到了提高，加快了算法的收敛;到了迭代后期，K取值较小，增强了局部搜索的能力，更利于精细搜索，寻找更优解。对比式(9)可以看出，此方法不仅具有方向随机性，并且探索的长度也作了限制，免去了无谓的探索，提高了能量利用率。2．3OAEBI-PSO算法步骤OAEBI-PSO算法的流程图如图3所示，过程如:a)初始化种群参数;b)适应度值检测;c)全局最优和局部最优更新;d)检查是否达到最大迭代次数，如满足则结束，否则进行下一步;e)粒子速度和位置更新;f)检查粒子是否越界，如越界，对越界粒子按照式(8)处理，并跳转下一步，如没有越界，直接进行下一步;g)依据式(10)进行寻优，产生p个探索粒子，比较这p个探索粒子和PSO粒子的适应度值，选取更优的粒子;h)转入步骤c，继续运行。经过上述步骤，OAEBI-PSO算法在粒子越界和粒子寻优两方面做出主要改进，在不丧失粒子多样性的前提下，增强了粒子的寻优能力，节约了时间，提高了效率。图3算法流程图Fig．3Algorithmflowchart3仿真分析本文根据OAEBI-PSO算法进行了MATLAB仿第40卷第2期李强，等:寻优能力增强型越界免疫粒子群算法59
【参考文献】：
期刊论文
[1]改进DPSO算法在数据采集系统信道选择中的应用[J]. 高文华,刘利民,董增寿,薛彬. 太原科技大学学报. 2017(03)
[2]基于改进PSO算法的传感器网络覆盖优化[J]. 杨永建,樊晓光,甘轶,禚真福,王晟达,赵鹏. 系统工程与电子技术. 2017(02)
[3]混合型无线传感器网络覆盖空洞修复算法[J]. 刘洲洲,张雷雷. 电子测量与仪器学报. 2016(07)
[4]基于混沌小生境狼群算法的高密度无线传感器网络高能效分簇方法[J]. 周杰,田敏,钟福如. 甘肃科技. 2016(11)
[5]基于改进离散粒子群算法的传感器优化配置[J]. 马羚,李海军,王成刚,李国峰. 电子学报. 2015(12)
[6]改进二分粒子群优化算法的阵列方向图综合[J]. 禚真福,杨永建,樊晓光,王晟达,南建国,王久崇. 系统工程与电子技术. 2015(11)
[7]逐维判断PSO算法值的WSN覆盖优化[J]. 冯琳,冉晓旻,孙韬. 计算机应用研究. 2015(12)
[8]多传感器优化部署下的机动目标协同跟踪算法[J]. 刘钦,刘峥,刘韵佛,谢荣. 系统工程与电子技术. 2013(02)
[9]基于改进粒子群算法的WSN覆盖优化策略[J]. 冯智博,黄宏光,李奕. 计算机应用研究. 2011(04)
[10]无线传感网络布局的虚拟力导向微粒群优化策略[J]. 王雪,王晟,马俊杰. 电子学报. 2007(11)
本文编号：2969967
【文章来源】：太原科技大学学报. 2019,40(02)
【文章页数】：7 页
【部分图文】：
布尔感知模型Fig．1Booleanperceptionmodel
其中d(s，z)为感知区域内任意一点z到节点s的欧几里德距离。图2概率感知模型Fig．2Probabilityperceptionmodel图2为概率感知模型，在监测区域内，任意一点z处产生的数据能够被传感器节点s感知到的概率为:p(s，z)=0，d(s，z)rs－1≥θλ2exp(－λ1αB11αβ22)，－θ$d(s，z)rs－1＜θλ2，d(s，z)rs－1＜－θ(2)其中d(s，z)为感知目标z与感知节点的欧几里德距离，λ1，λ2，β1，β2是和传感器物理特性有关的参数，α1，α2为输入参数，其取值与rs和d(s，z)有关，关系式如下:α1=rs(θ－1)+d(s，z)α2=rs(θ－1)－d(s，z{)(3)事实上，任何一个节点对目标的感知概率都小于1，所以需要多个传感器节点协同感知目标。那么可以得出这样的结论:监测区域当中的所有传感器节点能够同时检测到z的概率为:Cz(sall，z)=1－∏i∈n(1－p(s，z))(4)其中sall表示监测区域当中传感器节点的集合，n为节点数。1．2区域覆盖率为了更直观地反映性能，本文把测试区域划分成了(m×n)的网格，并将其离散成相应的点。将区域覆盖的问题转化为点覆盖问题。节点集C的覆盖面积和测试区域的总面积之间的比值，就是节点集C的区域覆盖率P(C)．则节点集C的区域覆盖率为［17］:P(C)=∑Cz(sall，z)m×n(5
(0，1)之间的随机实数，K为粒子探索的范围，L为搜索空间的长度，Grid是网格粒度。式(11)是一种递减的加权方式，初期的时候，由于K取值较大，获得了更为广泛的搜索范围，使得全局搜索能力得到了提高，加快了算法的收敛;到了迭代后期，K取值较小，增强了局部搜索的能力，更利于精细搜索，寻找更优解。对比式(9)可以看出，此方法不仅具有方向随机性，并且探索的长度也作了限制，免去了无谓的探索，提高了能量利用率。2．3OAEBI-PSO算法步骤OAEBI-PSO算法的流程图如图3所示，过程如:a)初始化种群参数;b)适应度值检测;c)全局最优和局部最优更新;d)检查是否达到最大迭代次数，如满足则结束，否则进行下一步;e)粒子速度和位置更新;f)检查粒子是否越界，如越界，对越界粒子按照式(8)处理，并跳转下一步，如没有越界，直接进行下一步;g)依据式(10)进行寻优，产生p个探索粒子，比较这p个探索粒子和PSO粒子的适应度值，选取更优的粒子;h)转入步骤c，继续运行。经过上述步骤，OAEBI-PSO算法在粒子越界和粒子寻优两方面做出主要改进，在不丧失粒子多样性的前提下，增强了粒子的寻优能力，节约了时间，提高了效率。图3算法流程图Fig．3Algorithmflowchart3仿真分析本文根据OAEBI-PSO算法进行了MATLAB仿第40卷第2期李强，等:寻优能力增强型越界免疫粒子群算法59
【参考文献】：
期刊论文
[1]改进DPSO算法在数据采集系统信道选择中的应用[J]. 高文华,刘利民,董增寿,薛彬. 太原科技大学学报. 2017(03)
[2]基于改进PSO算法的传感器网络覆盖优化[J]. 杨永建,樊晓光,甘轶,禚真福,王晟达,赵鹏. 系统工程与电子技术. 2017(02)
[3]混合型无线传感器网络覆盖空洞修复算法[J]. 刘洲洲,张雷雷. 电子测量与仪器学报. 2016(07)
[4]基于混沌小生境狼群算法的高密度无线传感器网络高能效分簇方法[J]. 周杰,田敏,钟福如. 甘肃科技. 2016(11)
[5]基于改进离散粒子群算法的传感器优化配置[J]. 马羚,李海军,王成刚,李国峰. 电子学报. 2015(12)
[6]改进二分粒子群优化算法的阵列方向图综合[J]. 禚真福,杨永建,樊晓光,王晟达,南建国,王久崇. 系统工程与电子技术. 2015(11)
[7]逐维判断PSO算法值的WSN覆盖优化[J]. 冯琳,冉晓旻,孙韬. 计算机应用研究. 2015(12)
[8]多传感器优化部署下的机动目标协同跟踪算法[J]. 刘钦,刘峥,刘韵佛,谢荣. 系统工程与电子技术. 2013(02)
[9]基于改进粒子群算法的WSN覆盖优化策略[J]. 冯智博,黄宏光,李奕. 计算机应用研究. 2011(04)
[10]无线传感网络布局的虚拟力导向微粒群优化策略[J]. 王雪,王晟,马俊杰. 电子学报. 2007(11)
本文编号：2969967
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2969967.html
