張紅霞

摘 要： 傳統(tǒng)無線傳感器網絡覆蓋優(yōu)化方法所選算法的結構不合理，使其覆蓋能力、迭代能力和有效性無法維系網絡基本功能，為此提出粒子群算法的無線傳感器網絡覆蓋優(yōu)化方法。通過構建無線傳感器網絡認知模型，將網絡覆蓋優(yōu)化工作轉化成求取目標物體最大覆蓋幾率問題，使用粒子群算法對模型進行編碼，利用模型適應度函數(shù)給出的約束值對網絡節(jié)點位置進行更新，實現(xiàn)對無線傳感器網絡覆蓋率的優(yōu)化。通過分析仿真實驗結論可知，與傳統(tǒng)方法相比，該方法具有更強的覆蓋能力、迭代能力和有效性。

關鍵詞： 粒子群算法； 無線傳感器網絡； 覆蓋優(yōu)化方法； 模型適應度函數(shù)

中圖分類號： TN711?34； TP212.9 文獻標識碼： A 文章編號： 1004?373X（2017）09?0050?04

Abstract： The algorithm selected by the traditional wireless sensor network coverage optimization method has unreasonable structure， which makes its coverage ability， iteration ability and effectiveness incapable of sustaining the network basic functions， therefore a wireless sensor network coverage optimization method based on particle swarm optimization algorithm is proposed. The cognitive model of the wireless sensor network is constructed to convert the network coverage optimization into the getting of the maximum coverage probability of the target object， and encoded with the particle swarm optimization algorithm. The constraint value given by the model fitness function is used to update the location of network node， so as to optimize the coverage probability of the wireless sensor network. The simulation experiment conclusion indicates， in comparison with the traditional methods， the method has higher coverage ability， iteration ability and effectiveness.

Keywords： particle swarm optimization algorithm； wireless sensor network； coverage optimization method； model fitness function

0 引 言

無線傳感器網絡是一種以監(jiān)控為基礎，對目標事物實施觀察的技術，對人類生產、生活的各個方面有著深遠影響。無線傳感器網絡擁有若干節(jié)點，所有節(jié)點上都安裝了微處理芯片和傳感器，為節(jié)點提供數(shù)據(jù)分析和傳輸能力，進而獲取到目標事物的監(jiān)控數(shù)據(jù)，預測事物的發(fā)展方向[1]。但節(jié)點的分析和傳輸能力并非是無窮的，若使無線傳感器網絡能夠更好地達成其對目標事物的預測功能，需要令無線傳感器網絡對目標事物實施完全覆蓋[2]。這一問題的提出為學術界指引了新的研究方向。

無線傳感器網絡的覆蓋優(yōu)化實際上是在節(jié)點資源有限的條件下，經由變更節(jié)點方位、增減節(jié)點布置、改善網絡性能等方式，優(yōu)化節(jié)點資源劃分的問題，其與節(jié)點能量和目標事物監(jiān)控等問題關系密切[3]。傳統(tǒng)的無線傳感器網絡覆蓋優(yōu)化方法對無線傳感器網絡結構進行了深層分析，有效反映了節(jié)點能量和目標事物監(jiān)控等信息的流通方向。但由于所選算法的結構不合理，傳統(tǒng)方法的覆蓋能力、迭代能力和有效性均需要得到進一步改善[4]。因而，使用粒子群算法的強迭代能力和實用性，提出一種能夠實現(xiàn)節(jié)點資源實質性優(yōu)化的無線傳感器網絡覆蓋優(yōu)化方法。

1 無線傳感器網絡覆蓋優(yōu)化問題

1.1 無線傳感器網絡模型

在無線傳感器網絡中，節(jié)點數(shù)量以及節(jié)點劃分區(qū)域直接關系著無線傳感器網絡對目標事物覆蓋死角面積，增多節(jié)點數(shù)量能夠提高網絡覆蓋密度。將節(jié)點更多地劃分在離目標事物距離近的區(qū)域內，可以增強網絡數(shù)據(jù)傳輸?shù)陌踩院蜏蚀_性[5]。無線傳感器網絡認知模型搭建的目的就是對無線傳感器網絡的覆蓋死角進行定義和測量，為此，基于粒子群算法的無線傳感器網絡覆蓋優(yōu)化方法可看成是對認知模型的參數(shù)優(yōu)化問題。

傳感器網絡節(jié)點容易受到噪音和電磁波的擾亂造成傳輸誤差，這些因不可抗拒因素導致的一系列縮減網絡覆蓋率問題被統(tǒng)稱為無效事件[6]。設無線傳感器網絡認知模型在起點坐標為、終點坐標為的節(jié)點上測量到存在無效事件的幾率為，降低即可提高覆蓋率。的定義式為：

2 粒子群算法的傳感器網絡覆蓋優(yōu)化

根據(jù)上述描述，使用粒子群算法優(yōu)化無線傳感器網絡覆蓋率，簡要介紹粒子群算法的基本原理，對網絡覆蓋優(yōu)化流程進行重點設計。

2.1 粒子群算法的工作原理

粒子群算法是進化算法的一個流派，也是生物隨機索引算法中的一個分支，是當前的研究熱點。粒子群算法的基本原理如圖1所示。

由圖1可知，粒子群算法的實現(xiàn)非常簡單，其基本原理就是使用迭代方式得到最優(yōu)解，對粒子的速度和坐標進行實時更新[7]。算法先初始化粒子，將歷史最優(yōu)解賦予粒子。在算法進入迭代流程前，先設置一個位置參數(shù)的最大值，即循環(huán)系數(shù)，負責控制算法的迭代次數(shù)。每迭代一次，位置參數(shù)的值便增加1，當大于循環(huán)系數(shù)，則停止迭代。粒子群算法的迭代工作可得到粒子適應度，并以適應度為標準依次更新粒子的歷史最優(yōu)解、粒子群最優(yōu)解以及粒子的速度和坐標[8]。粒子速度與坐標的更新方程為：

式中：是粒子初始設定值；是粒子群算法的學習因子，通常取值為2；是隨機參數(shù)；是粒子適應度約束值。

2.2 無線傳感器網絡覆蓋優(yōu)化流程

基于粒子群算法的無線傳感器網絡覆蓋優(yōu)化方法的優(yōu)化流程如圖2所示。

首先對模型進行編碼，其目的是固定節(jié)點位置，粒子群算法的編碼是一種二進制百兆數(shù)據(jù)碼，編碼長度與無線傳感器網絡節(jié)點數(shù)量相等。當模型中節(jié)點參數(shù)滿足為獲取的最大值，粒子群算法的編碼結果應滿足下式：

式（6）中的元素取值為0或1，0表示傳感器節(jié)點可以被重新安置，1表示固定節(jié)點。

適應度是評價最優(yōu)解質量的函數(shù)，在粒子群算法進行迭代工作前，需要提前設置適應度函數(shù)并計算出無線傳感器網絡認知模型的初始適應度，方便對迭代結果進行對比，輸出最合適的節(jié)點優(yōu)化位置，實現(xiàn)對無線傳感器網絡覆蓋率的最佳優(yōu)化。

在式（6）給出的編碼基礎上，使用式（7）計算模型適應度：

式中：無線傳感器網絡覆蓋率瞬時值可通過式（4）進行求??；和分別表示在無線傳感器網絡中的初始權重和實際權重。

當式（7）滿足時，可達最大值。因此，粒子群算法迭代工作的目標就是令。實現(xiàn)迭代目標后，基于粒子群算法的無線傳感器網絡覆蓋優(yōu)化方法需要對無線傳感器網絡的節(jié)點位置進行更新，并輸出優(yōu)化后的無線傳感器網絡覆蓋率。

3 實驗結果與分析

實驗利用計算機仿真技術給出一個半徑為3 m的無線傳感器網絡。仿真實驗初期，無線傳感器網絡的初始覆蓋率為21%。在此基礎上對本文提出的基于粒子群算法的無線傳感器網絡覆蓋優(yōu)化方法進行仿真實驗。同時，對文獻[4]和文獻[7]中的方法也分別進行仿真實驗。將三種方法下的實驗結果進行對比，確定出本文方法的覆蓋能力、迭代能力和有效性是否能夠超越傳統(tǒng)方法。

提升無線傳感器網絡覆蓋率是文獻[4，7]以及本文方法提出的基本目標。在最大化提升覆蓋率的同時，方法的迭代性能也不容忽視。迭代性能是保證無線傳感器網絡覆蓋優(yōu)化方法能夠持續(xù)提升覆蓋率的基礎，迭代性能不強的方法，即便在某一節(jié)點上的覆蓋率很高，也無法長期維持無線傳感器網絡的穩(wěn)定運行[9]。圖3，圖4分別是三種方法的覆蓋率、迭代次數(shù)與無線傳感器網絡節(jié)點感知半徑的關系圖。

由圖3可知，文獻[4，7]、本文方法的覆蓋率在仿真實驗開始初期就出現(xiàn)了較大的分歧，并且，文獻[4]的初期覆蓋率最低，本文方法最高。隨著節(jié)點感知半徑的增大，文獻[4]的覆蓋率增長迅速，最后穩(wěn)定在85%左右。文獻[7]在節(jié)點感知半徑為3 m時的覆蓋率較高，為92%，并仍存在增長趨勢。本文方法在節(jié)點感知半徑為3 m時的覆蓋率最高，為98%，也存在增長趨勢。

將圖4代入到圖3中進行分析可知，在相同的仿真實驗條件下，本文方法能夠以最少的迭代次數(shù)獲取最高的覆蓋率。綜合來講，與傳統(tǒng)方法相比，本文方法具有更強的覆蓋能力和迭代能力。

無線傳感器網絡覆蓋優(yōu)化方法的有效性表現(xiàn)在相同覆蓋率條件下傳感器的運轉數(shù)量，數(shù)量越少，方法的資源利用率和適應度越高，有效性就越強。仿真實驗在無線傳感器網絡的節(jié)點上安裝了80個傳感器，在不斷變更覆蓋率的條件下，將三種方法下傳感器的運轉數(shù)量記錄于表1中。

由表1可以得出，從傳感器運轉數(shù)量的平均值、極大值和極小值來看，文獻[4，7]的傳感器運轉數(shù)量都要多于本文方法，驗證出本文方法能夠合理利用無線傳感器網絡資源，適應度高，有效性強。

4 結 語

本文提出基于粒子群算法的無線傳感器網絡覆蓋優(yōu)化方法，構建了無線傳感器網絡認知模型，對網絡覆蓋優(yōu)化的具體流程進行重點設計，并在仿真實驗中對方法的覆蓋能力、迭代能力和有效性進行驗證。結果表明，與傳統(tǒng)方法相比，本文方法具有更強的覆蓋能力、迭代能力和有效性，能夠實現(xiàn)對無線傳感器網絡節(jié)點資源的實質性優(yōu)化。

參考文獻

[1] 林威建，郝泳濤.基于改進粒子群的無線傳感器網絡覆蓋優(yōu)化算法[J].電腦知識與技術，2015，11（28）：36?39.

[2] 王改云，胡錦艷.基于BP神經網絡和蟻群的WSN分簇算法的研究[J].現(xiàn)代電子技術，2015，38（17）：45?48.

[3] 彭大志，王艷.基于混合粒子群算法的無線傳感器網絡路由協(xié)議[J].測控技術，2014，33（7）：93?97.

[4] CLARKE D P， AL?ABDELI Y M， KOTHAPALLI G. The impact of using particle swarm optimization on the operational characteristics of a stand?alone hydrogen system with on?site water production [J]. International journal of hydrogen energy， 2014， 39（28）： 15307?15319.

[5] 馮秀芳，呂淑芳.基于RSSI和分步粒子群算法的無線傳感器網絡定位算法[J].控制與決策，2014，29（11）：1966?1972.

[6] 劉明偉，張曉濱，楊東山.移動環(huán)境下多情景源用戶情景序列的提取[J].西安工程大學學報，2015，29（6）：746?750.

[7] 馮琳，冉曉旻，梅關林.基于改進粒子群算法的無線傳感網絡覆蓋優(yōu)化[J].太赫茲科學與電子信息學報，2015，13（3）：486?490.

[8] 汪華斌，曾少寧，羅偉.基于粒子群優(yōu)化的無線傳感器網絡節(jié)點定位算法[J].惠州學院學報，2014，34（3）：67?70.

[9] 張亞明，高曉丁.基于PID控制技術的供水網控制系統(tǒng)設計[J].西安工程大學學報，2015，29（5）：578?582.

[10] 魏全增，陳機林，高強，等.基于遺傳優(yōu)化RBF神經網絡的電動負載模擬器控制[J].現(xiàn)代電子技術，2015，38（21）：113?117.