基于粒子群算法的无线传感器网络静态部署算法和节能调度算法的研究

发布时间：2018-01-11 19:38

  本文关键词：基于粒子群算法的无线传感器网络静态部署算法和节能调度算法的研究　出处：《吉林大学》2017年硕士论文　论文类型：学位论文

  更多相关文章： 静态部署 节能调度 粒子群算法 节点个数 能耗

【摘要】：无线传感器网络中因为无线传感器节点自身所携带的能量有限,所以节能问题一直是无线传感器网络研究的重点。在众多的节能技术中本文选择了部署算法和节能调度算法两个方向对无线传感器网络进行节能处理研究。由于随机部署算法随机性较大使得部署的节点数量远比静态部署要多,导致消耗更多的能量,基于能量考虑本文对静态部署技术进行了研究,并提出了一种静态部署算法。考虑到节点剩余能量和到达接收端的相位差对系统能耗的影响,提出了一种协作通信的节能调度算法,并在得到选中节点之后,对节点的发射系数做了一定改善,使得消耗的能量更低。首先研究了现有的部署算法,分析了现有的部署算法都具有不同程度的高复杂性。然后详细描述了二进制粒子群算法,讨论了二进制粒子群算法可以有效地解决二进制整数规划的问题。在此基础上提出了用于静态部署传感器节点的基于二进制粒子群算法的静态部署算法,该算法在满足用户检测要求的同时能够有效减少网络中的传感器节点数。在算法中给出了本文所使用的传感器覆盖模型——截断概率覆盖模型,利用该模型对节点的覆盖率进行计算,并根据节点的覆盖率和节点个数设计了算法的适应度函数,通过改进二进制粒子群算法的速度更新公式,并加上遗弃无用节点的概念,对适应度函数进行求解,以减少传感器节点个数。该算法是一种轻量且高效的部署算法,能够得到接近最优的拓扑情况。仿真实验对该算法进行了分析,并展示了二进制粒子群算法的参数对性能的影响,以及在3种情况下该算法所得到的结果。之后,将算法与之前所述的现有部署算法在计算时间和满足条件的节点个数等方面进行对比,结果表明该算法在有效性和效率方面都有较大提升。进一步提出了基于粒子群算法的协作通信节能调度算法。首先分析了节点到达接收端的相位差和节点剩余能量对网络生存时间的影响,由于不同的相位差会导致到达接收端的信号强度不同,从而不能单纯的用理想模型进行计算,并且每个节点的剩余能量不同,也不能仅根据相位差对节点进行选择。结合这两点对系统能耗的影响,提出了一种协作通信的节能调度算法,有效的解决了部分节点过早耗尽能量而产生覆盖漏洞的问题。其次因为对能耗的影响较大的发射系数求解是一个NP难问题,而且粒子群算法在解决组合优化问题时没有繁琐的变异和交叉过程,计算能耗相对较低,所以,提出利用粒子群算法对其进行进一步的优化。粒子群算法通过生成多维粒子(每个粒子都是一个解决方案),并根据每个粒子的个体历史最优解和种群全局最优解更新每个粒子的位置和向最优解前进的速度,通过迭代产生出最优解决方案。之后在基本粒子群算法的基础上,分析了权重对于解决方案向全局最优解和局部最优解收敛的影响并对其进行改进,从而使粒子群算法能够更快的得到最优解。在仿真实验中,通过该算法和PP算法在网络生存时间和节点剩余能量方面的对比,表明该算法在延长生存时间方面有着显著的效果,而且做到了在节点间均衡能耗。粒子群算法和免疫遗传算法在优化节点发射系数方面的实验结果表明,虽然在免疫遗传算法中个别节点的发射系数比粒子群算法中的要低,但是从整体上来看,粒子群算法对节点发射系数的优化要比免疫遗传算法更优,从而降低了能耗。
[Abstract]:This paper presents an energy saving scheduling algorithm based on binary particle swarm optimization ( PSO ) , which can effectively reduce the number of sensor nodes in the network .

【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP212.9;TN929.5;TP18

【相似文献】

相关期刊论文 前10条

1 黄天赦;叶春明;;采用量子粒子群算法的一类模糊作业车间调度问题的研究[J];现代制造工程;2009年11期

2 秦玉灵;孔宪仁;罗文波;;混沌量子粒子群算法在模型修正中的应用[J];计算机工程与应用;2010年02期

3 陈治明;;新型量子粒子群算法及其性能分析研究[J];福建电脑;2010年05期

4 牛永洁;;一种新型的混合粒子群算法[J];信息技术;2010年10期

5 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

6 刘衍民;赵庆祯;邵增珍;;一种改进的完全信息粒子群算法研究[J];曲阜师范大学学报(自然科学版);2011年01期

7 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[J];计算机工程与应用;2011年05期

8 熊智挺;谭阳红;易如方;陈赛华;;一种并行的自适应量子粒子群算法[J];计算机系统应用;2011年08期

9 孟纯青;;非线性粒子群算法[J];微计算机应用;2011年08期

10 任伟建;武璇;;一种动态改变学习因子的简化粒子群算法[J];自动化技术与应用;2012年10期

相关会议论文 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

相关博士学位论文 前10条

1 李庆伟;粒子群算法及电厂若干问题的研究[D];东南大学;2016年

2 杜毅;多阶段可变批生产线重构的研究[D];广东工业大学;2016年

3 尹浩;求解Web服务选取问题的粒子群算法研究[D];东北大学;2014年

4 邵晴;粒子群算法研究及其工程应用案例[D];吉林大学;2017年

5 王芳;粒子群算法的研究[D];西南大学;2006年

6 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

7 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

8 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

9 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

10 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

相关硕士学位论文 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

，

本文编号：1410948