基于进化算法的大规模无线传感器网络覆盖关键技术研究

发布时间：2017-04-16 20:08

  本文关键词：基于进化算法的大规模无线传感器网络覆盖关键技术研究，由笔耕文化传播整理发布。

【摘要】：随着嵌入式计算机技术和无线通信技术的飞速发展,大规模无线传感器网络开始在全球范围内普及。无线传感器网络的覆盖能力直接关系到网络对监测区域的感知能力。由于无线传感器网络的布置形式多样,包括飞机撒布和人工布置等方式,无线传感器网络的覆盖方式灵活多样。不同于传统的网络覆盖,大多数无线传感器网络覆盖问题既要关注如何通过完善网络中传感器节点的地理位置分布以完成监测任务,又要关注如何分布才能使所有节点间距离不大于通信距离,以便顺利组网,同时还要关注能耗和寿命问题。良好的覆盖控制不仅能更好地完成感知任务,完成对区域或目标的监测,还能降低能耗,有效延长网络寿命。在大规模无线传感器网络中,大量传感器节点组网,感知节点首先要完成对目标区域的覆盖才能进行后续的感知工作。如果未完成对目标和感知区域的覆盖,无线传感器网络就无法完成对待监测目标的物理量监测,网络就会丧失可用性。同样,如果在覆盖目标的过程中没有合适的拓扑控制和节点轮值,网络的能量就会很快耗尽,网络的生存性就会受到威胁。因此在覆盖控制中,针对监测任务制定合适的目标或区域监测方案、拓扑控制方案与节点轮值顺序对无线传感器网络性能至关重要。论文先分析了无线传感器网络覆盖的特点,然后采用进化算法解决了大规模无线传感器网络覆盖中的几个关键问题。论文的主要创新点如下：(1)提出了一种基于量子蚁群进化算法的自组织无线传感器网络目标覆盖方法,建立了相应的系统模型。该方法将量子态矢量引入蚁群算法的编码,运用量子旋转门实现蚁群搜索路线的动态调整。通过利用多只蚂蚁进行并行量子化搜索,扩大了搜索范围,实现了量子进化的并行化。在自组织无线传感器网络环境下,将本文方法与基于遗传算法的目标覆盖方法、基于模拟退火的目标覆盖方法进行了仿真比较。仿真结果表明,在不同半径和感知节点数条件下,本文方法的目标覆盖率相比遗传算法和模拟退火算法分别提高了10个百分点和20个百分点左右,成功检出的目标数相比遗传算法高出6.90%到19.09%,相比模拟退火算法高出32.67%到54.27%,显著提升了监测效果。(2)提出了一种新的量子免疫克隆进化算法来解决全覆盖条件下的节点轮值问题。该方法将问题和其解决方案分别映射为量子比特形式的抗原和抗体,提高了编码效率。通过引入量子旋转门对抗体进行变异操作,加快了算法的收敛速度。在无线传感器网络环境下,将本文方法与基于模拟退火算法的方法、基于遗传算法的方法行了仿真比较。仿真结果表明,在不同的传感器节点数和被监测目标数下,相比其他两种算法,本文提出的基于量子免疫克隆进化算法的无线传感器网络能量高效目标覆盖方法在有限的监测区域范围内不但在生命周期内保持了对目标的全覆盖,而且网络寿命相比基于遗传算法的方法延长2.85%至6.62%,相比基于模拟退火算法的方法延长3.95%至8.61%,有效提高了能量利用效率。(3)提出了一种基于模糊化模拟进化计算的无线传感器网络分簇覆盖方案。该方案运用模糊控制技术和模拟进化计算动态选择无线传感器网络的簇头,对无线传感器网络的通信能耗进行了全局优化。将基于模糊化模拟进化计算的分簇方案与基于粒子群算法的分簇方案及基于量子遗传算法的分簇方案进行了仿真比较。仿真结果表明,在不同传感器节点数和簇头比例时,基于模糊化模拟进化计算的分簇方法相比基于粒子群算法的分簇方法网络通信能耗降低了2.34%到36.02%,相比基于量子遗传算法的分簇方法网络通信能耗降低了18.41%到63.04%,即显著提高了能量效率。
【关键词】：无线传感器网络 分簇覆盖 量子进化算法 蚁群算法 免疫克隆算法 模糊进化算法
【学位授予单位】：北京邮电大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TN929.5;TP212.9
【目录】：

• 摘要4-6
• Abstract6-14
• 第一章 绪论14-26
• 1.1 无线传感器网络简介14-15
• 1.2 无线传感器网络的系统结构15-20
• 1.2.1 系统架构15-16
• 1.2.2 软硬件架构16
• 1.2.3 协议架构16-18
• 1.2.4 管理架构18-19
• 1.2.5 网络结构19-20
• 1.3 无线传感器网络的核心技术20-22
• 1.3.1 时间同步技术20
• 1.3.2 节点定位技术20-21
• 1.3.3 数据融合技术21
• 1.3.4 拓扑控制技术21-22
• 1.3.5 网络安全技术22
• 1.4 无线传感器网络的应用场景22-24
• 1.4.1 工业领域22
• 1.4.2 军事领域22-23
• 1.4.3 智能交通23
• 1.4.4 农业领域23
• 1.4.5 环境保护23
• 1.4.6 智能家居23-24
• 1.4.7 健康领域24
• 1.5 论文研究的意义及创新点24
• 1.6 论文的主要结构24-26
• 第二章 无线传感器网络覆盖基础26-34
• 2.1 无线传感器网络的节点感知模型26-27
• 2.2 无线传感器网络的节点部署方式27-28
• 2.3 覆盖算法的评价方式28-29
• 2.4 无线传感器网络覆盖算法分类29-31
• 2.5 覆盖中的拓扑控制问题31-34
• 2.5.1 研究目标31-32
• 2.5.2 能量高效覆盖与拓扑控制32-34
• 第三章 基于量子蚁群进化算法的自组织无线传感器网络目标覆盖34-52
• 3.1 引言34-35
• 3.2 目标覆盖问题的系统模型35-36
• 3.3 量子蚁群进化算法36-40
• 3.3.1 自然蚁群进行路径搜索的基本原理36-37
• 3.3.2 传统蚁群算法37-38
• 3.3.3 蚁群进化算法解决优化问题38-39
• 3.3.4 量子蚁群进化算法39-40
• 3.4 基于量子蚁群进化算法的无线传感器网络目标覆盖40-46
• 3.4.1 蚁群量子编码40-42
• 3.4.2 初始量子位的生成42
• 3.4.3 量子位状态的测量42
• 3.4.4 蚂蚁适应度的评价42
• 3.4.5 蚂蚁的移动和信息素的更新42-44
• 3.4.6 蚂蚁位置的量子旋转门更新44
• 3.4.7 蚂蚁的变异44-45
• 3.4.8 量子蚁群进化算法的基本流程45-46
• 3.5 仿真及结果分析46-50
• 3.6 小结50-52
• 第四章 基于量子免疫克隆进化算法的无线传感器网络能量高效目标覆盖52-66
• 4.1 引言52-53
• 4.2 无线传感器网络能量高效目标覆盖模型53-58
• 4.2.1 问题定义53-56
• 4.2.2 数学模型56-58
• 4.3 基于量子免疫克隆进化算法的能量高效目标覆盖58-62
• 4.3.1 抗体的量子位编码58-59
• 4.3.2 初始抗体的产生59-60
• 4.3.3 抗体亲和力的测量和计算60
• 4.3.4 抗体选择和克隆扩增60-61
• 4.3.5 抗体的替换与保留61
• 4.3.6 量子免疫克隆进化算法的基本流程61-62
• 4.4 仿真及结果分析62-65
• 4.5 结论65-66
• 第五章 高密度条件下基于模糊化模拟进化计算的无线传感器网络分簇覆盖66-108
• 5.1 引言66-67
• 5.2 高密度传感器网络分簇模型67-68
• 5.3 模拟进化计算68-77
• 5.3.1 模拟进化计算的生物学起源69-70
• 5.3.2 模拟进化计算的遗传学基础70-71
• 5.3.3 模拟进化计算的进化论基础71-73
• 5.3.4 模拟进化计算的三种算子73-75
• 5.3.5 模拟进化计算的分类和具体流程75-76
• 5.3.6 模拟进化计算的优点和局限性76-77
• 5.4 模糊控制理论基础77-84
• 5.4.1 模糊控制基础77-78
• 5.4.2 模糊控制的发展历程78
• 5.4.3 模糊控制的特点78-79
• 5.4.4 经典集合到模糊集合的转换79-80
• 5.4.5 模糊集合的表示方法80-81
• 5.4.6 常用隶属度函数81-82
• 5.4.7 模糊集合的运算及扎德算法82-83
• 5.4.8 模糊量的清晰化83-84
• 5.5 基于模糊控制的模拟进化计算参数自适应调整84-98
• 5.5.1 算法参数自适应调整的基本思想84-85
• 5.5.2 模糊控制器的输入和输出85-86
• 5.5.3 隶属度函数的选择86-93
• 5.5.4 模糊规则与模糊蕴含关系93-95
• 5.5.5 模糊推理及输出模糊量的清晰化95-98
• 5.6 高密度条件下基于模糊化模拟进化计算的传感器网络分簇98-101
• 5.6.1 个体编码、种群编码及初始种群的生成99-100
• 5.6.2 适应度函数的设计100
• 5.6.3 选择运算100
• 5.6.4 交叉运算100-101
• 5.6.5 变异运算101
• 5.6.6 算法参数的模糊调整101
• 5.7 仿真结果及分析101-107
• 5.8 结论107-108
• 第六章 总结与展望108-110
• 参考文献110-118
• 致谢118-120
• 博士期间发表和录用的论文和专利120-121

【参考文献】

中国期刊全文数据库 前1条

1 李擎,郑德玲,唐勇,陈占英;一种新的模糊遗传算法[J];北京科技大学学报;2001年01期

  本文关键词：基于进化算法的大规模无线传感器网络覆盖关键技术研究，，由笔耕文化传播整理发布。

本文编号：311565