基于改进量子粒子群的WSN网络覆盖优化研究

发布时间：2017-08-01 10:32

  本文关键词：基于改进量子粒子群的WSN网络覆盖优化研究

  更多相关文章： PSO QPSO 拟万有引力 拟库仑力 能耗均衡

【摘要】：无线传感器网络(Wireless Sensor Network,WSN)综合了传感器技术、微机电系统技术、嵌入式计算机技术和通信等技术,由大量价格低廉的传感器节点组成。因为其具有高监测精度、高容错性、大覆盖区域、可远程监控等优点,被广泛应用于军事、农业和环境监测等领域。由于每个传感器的感知范围有限,为保证整个区域都在监测范围之内,就需要确定合适的覆盖策略,使WSN网络覆盖趋于最大化。此外,WSN网络通常部署在恶劣甚至非常危险的环境中,WSN节点的电源更换、电池再充电等工作往往无法进行。因此,在WSN覆盖问题研究中,除了以网络的最大化覆盖为优化目标外,还需要探讨节点的感知范围与能量消耗之间的关系,以实现节能的WSN优化部署。论文针对WSN节能、优化部署问题展开研究,以粒子群、量子粒子群理论为基础,建立了WSN覆盖优化模型,提出了改进的量子粒子群WSN部署算法,它通过动态调整感知半径有效地减小了节点能量消耗,实现了90%以上的网络覆盖率。论文结构安排如下:第1章介绍了WSN网络概念、论文研究背景和意义,以及研究现状。第2章介绍WSN部署相关问题以及典型的网络覆盖算法。第3章研究了基本粒子群算法在WSN部署中的应用,提出了一种改进的量子粒子群网络部署算法;分析了感知半径对WSN覆盖性能的影响,通过动态调整感知半径,从覆盖率和能耗角度出发优化网络部署。第4章对提出的改进量子粒子群WSN部署算法进行性能仿真与分析。结论部分对全文进行总结,指出本论文的不足之处,并对其发展方向进行展望。第3章和第4章是本文的研究重点。在第3章中,考虑到粒子群算法不能保证全局收敛,量子粒子群算法具有很强的全局优化能力,但量子粒子群的区域重复覆盖率较高,因此对量子粒子群算法进行了改进:在量子粒子群算法的位置进化方程中引进了“拟万有引力”和“拟库仑力”两个影响因子,这样可以合理调节传感器节点之间的距离,在降低区域重复覆盖率的同时可以实现快速寻优。此外,由于每个传感器节点感知半径不同,能耗也不同,通过动态调整感知半径,可以使每个传感器节点消耗的能量趋于最小化,实现WSN覆盖的最优化、节能化。第4章是是算法的性能仿真,结果表明:改进的量子粒子群WSN网络覆盖优化算法在覆盖率以及收敛速度方面均优于粒子群算法和量子粒子群算法,同时该算法在降低网络能耗方面也具有一定优势。
【关键词】：PSO QPSO 拟万有引力 拟库仑力 能耗均衡
【学位授予单位】：兰州交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN929.5;TP212.9
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-15
• 1.1 论文研究背景9
• 1.2 网络体系结构与特点9-12
• 1.2.1 WSN系统组成9-10
• 1.2.2 无线传感器节点结构10-11
• 1.2.3 无线传感网络特点11-12
• 1.3 无线传感网络研究现状12-13
• 1.4 研究意义13
• 1.5 论文的主要工作及结构安排13-14
• 1.6 本章小结14-15
• 2 WSN网络部署问题相关研究15-28
• 2.1 覆盖问题15-21
• 2.1.1 基本概念15-16
• 2.1.2 节点感知模型16-18
• 2.1.3 覆盖类型18-20
• 2.1.4 覆盖性能指标20-21
• 2.2 典型的覆盖控制算法21-25
• 2.2.1 基于计算几何学的覆盖策略22-24
• 2.2.2 基于能量有效的扩展覆盖24
• 2.2.3 基于领土捕食者的气味标记法覆盖控制策略24-25
• 2.3 能耗问题25-27
• 2.3.1 WSN网络中能量消耗分析25-26
• 2.3.2 降低能耗延长网络生命周期的主要方式26-27
• 2.4 本章小结27-28
• 3 基于改进量子粒子群的WSN网络覆盖优化研究28-41
• 3.1 粒子群算法28-30
• 3.1.1 基本粒子群算法原理28-30
• 3.1.2 基本粒子群算法存在的问题30
• 3.2 量子粒子群算法30-32
• 3.2.1 量子粒子群算法原理30-31
• 3.2.2 PSO算法和QPSO算法比较31-32
• 3.3 拟物力算法原理32-33
• 3.3.1“拟万有引力”模型32
• 3.3.2“拟库仑力”模型32-33
• 3.4 改进的粒子群算法基本原理33-34
• 3.5 改进量子粒子群算法34-40
• 3.5.1 改进量子粒子群算法设计34-35
• 3.5.2 改进量子粒子群算法流程35-36
• 3.5.3 动态调整感知半径均衡能耗36-37
• 3.5.4 覆盖优化模型的建立37-40
• 3.6 本章小结40-41
• 4 算法性能分析与仿真41-50
• 4.1 仿真参数的设置和环境假设41
• 4.2 仿真结果及分析41-49
• 4.2.1 改进量子粒子群算法覆盖性能仿真结果及分析41-45
• 4.2.2 权重参数 μ1和半径加速因子 λ 对能耗的影响45-46
• 4.2.3 感知半径对覆盖性能的影响46-49
• 4.3 本章小结49-50
• 结论50-52
• 致谢52-53
• 参考文献53-56
• 攻读学位期间的研究成果56

【参考文献】

中国期刊全文数据库 前6条

1 王超;范兴刚;王恒;杨静静;;一种高效强K-栅栏覆盖构建算法[J];传感技术学报;2015年02期

2 刘爱东;桂周;;基于模拟退火的PSO算法在舰载机回收中的应用[J];指挥控制与仿真;2014年05期

3 冯钧;;分布式的WSN覆盖优化控制算法研究[J];山东轻工业学院学报(自然科学版);2012年04期

4 张慧斌;王鸿斌;胡志军;;PSO算法全局收敛性分析[J];计算机工程与应用;2011年34期

5 方伟;孙俊;谢振平;须文波;;量子粒子群优化算法的收敛性分析及控制参数研究[J];物理学报;2010年06期

6 唐俊;;PSO算法原理及应用[J];计算机技术与发展;2010年02期

中国硕士学位论文全文数据库 前2条

1 索龙翔;WSN休眠调度算法研究[D];吉林大学;2014年

2 林祝亮;基于粒子群算法的无线传感网络覆盖问题优化策略研究[D];浙江工业大学;2009年

，

本文编号：603829