基于節(jié)點(diǎn)能量的無線傳感器網(wǎng)絡(luò)能量均衡覆蓋策略

基于節(jié)點(diǎn)能量的無線傳感器網(wǎng)絡(luò)能量均衡覆蓋策略

0基于網(wǎng)絡(luò)能效均衡的多目標(biāo)覆蓋優(yōu)化策略在無線傳感器網(wǎng)絡(luò)（無線傳感器網(wǎng)絡(luò)）覆蓋優(yōu)化控制方法中，網(wǎng)絡(luò)覆蓋率和節(jié)點(diǎn)生產(chǎn)力的平衡是重點(diǎn)研究的問題。文獻(xiàn)[1]采用混沌粒子群算法,以網(wǎng)絡(luò)覆蓋率為優(yōu)化目標(biāo),由算法迭代出覆蓋率最優(yōu)傳感器節(jié)點(diǎn)集,從而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的覆蓋控制。文獻(xiàn)[2]針對(duì)異構(gòu)傳感網(wǎng)絡(luò)節(jié)點(diǎn)初始隨機(jī)部署時(shí)產(chǎn)生覆蓋盲區(qū)和覆蓋冗余的問題,以降低節(jié)點(diǎn)成本和提高網(wǎng)絡(luò)覆蓋率為目標(biāo),引入ε目標(biāo)約束法,提出一種基于粒子群算法和魚群算法的群混合算法,實(shí)現(xiàn)網(wǎng)絡(luò)覆蓋率和成本之間的平衡和優(yōu)化。在WSNs網(wǎng)絡(luò)傳輸層,受限于傳感器節(jié)點(diǎn)自身的電池能量,節(jié)點(diǎn)間采用自組織和多跳的方式進(jìn)行通信和數(shù)據(jù)傳輸,而網(wǎng)絡(luò)簇頭的頻繁更換和發(fā)送成簇信息,將消耗大量節(jié)點(diǎn)能量。因此,網(wǎng)絡(luò)能耗均衡也是一個(gè)重要的指標(biāo)。文獻(xiàn)[1,2]均利用改進(jìn)迭代算法,對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)的位置進(jìn)行尋優(yōu),即在網(wǎng)絡(luò)的拓?fù)鋵?對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行最優(yōu)部署,實(shí)現(xiàn)覆蓋率最大化目標(biāo),但文獻(xiàn)[1,2]都沒有考慮能量均衡對(duì)網(wǎng)絡(luò)性能的影響。文獻(xiàn)[3]建立以網(wǎng)絡(luò)覆蓋率和網(wǎng)絡(luò)能量均衡作為優(yōu)化目標(biāo)函數(shù),將節(jié)點(diǎn)的靜態(tài)感知能量損耗作為能量均衡指標(biāo),在每次算法迭代中,計(jì)算每個(gè)區(qū)域的剩余能量,并結(jié)合覆蓋率得到綜合優(yōu)化指數(shù)。文獻(xiàn)[4]提出一種基于WSNs能耗、能耗均衡和覆蓋率多目標(biāo)優(yōu)化覆蓋控制策略。在構(gòu)建網(wǎng)絡(luò)模型的基礎(chǔ)上,以覆蓋率、能耗和網(wǎng)絡(luò)能耗均衡為優(yōu)化目標(biāo),實(shí)現(xiàn)網(wǎng)絡(luò)性能的綜合優(yōu)化。文獻(xiàn)[3,4]將能量均衡引入到覆蓋率控制中,實(shí)現(xiàn)了多目標(biāo)覆蓋優(yōu)化,但文中的能量是基于節(jié)點(diǎn)的感知能耗,沒有考慮節(jié)點(diǎn)的動(dòng)態(tài)通信能耗。本文提出了一種基于節(jié)點(diǎn)的動(dòng)態(tài)通信能耗結(jié)合網(wǎng)絡(luò)覆蓋率的多目標(biāo)覆蓋優(yōu)化策略。該策略將LEACH1優(yōu)化策略的覆蓋1.1最大覆蓋率的確定假定區(qū)域?yàn)槎S平面,擬在區(qū)域上投放n個(gè)傳感器節(jié)點(diǎn)。設(shè)c式中d(c設(shè)目標(biāo)區(qū)域被離散化為M×N個(gè)網(wǎng)格,每個(gè)網(wǎng)格的面積表示為1,則可得C由上可知,式(1)的最大值就是網(wǎng)絡(luò)的最大覆蓋率。但對(duì)一個(gè)能量有限的WSNs,僅以最大覆蓋率為優(yōu)化目標(biāo)是片面的。覆蓋率高的網(wǎng)絡(luò)和能量消耗均衡的網(wǎng)絡(luò)并沒有對(duì)應(yīng)關(guān)系。為此,要充分優(yōu)化網(wǎng)絡(luò)的覆蓋性能,一個(gè)好的優(yōu)化方案必須同時(shí)兼顧覆蓋率和動(dòng)態(tài)通信能耗兩方面的要求。1.2應(yīng)的路由協(xié)議運(yùn)用LEACH協(xié)議對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)間的通信進(jìn)行模擬,得到節(jié)點(diǎn)的通信能耗和網(wǎng)絡(luò)的剩余能量。LEACH是一種自組織自適應(yīng)的路由協(xié)議,簇內(nèi)成員節(jié)點(diǎn)將數(shù)據(jù)發(fā)送給簇首,簇首對(duì)數(shù)據(jù)融合后將數(shù)據(jù)發(fā)送給Sink節(jié)點(diǎn)。因?yàn)榇厥椎哪芎妮^大,可以通過每輪隨機(jī)的選取簇首來平均節(jié)點(diǎn)的能量消耗,達(dá)到能耗均衡的目的。若設(shè)傳感器節(jié)點(diǎn)數(shù)為N,每輪的簇頭數(shù)為K,則每輪各簇的能耗每輪的簇群總能耗為設(shè)傳感節(jié)點(diǎn)的初始能量為E當(dāng)節(jié)點(diǎn)的當(dāng)前剩余能量小于0,則表示該節(jié)點(diǎn)已經(jīng)死亡。1.3綜合覆蓋率和綜合能量指數(shù)本文綜合考慮網(wǎng)絡(luò)覆蓋率和網(wǎng)絡(luò)通信能耗參數(shù),采用線性加權(quán)和法得到覆蓋率和能量綜合指數(shù)為其中,w2遺傳算法2:一種新的遺傳策略差分進(jìn)化(DE)算法算法的操作過程如下:1)反學(xué)習(xí)方法初始化種群在種群初始化時(shí)采用反學(xué)習(xí)方法,可以增加初始種群解的多樣性,加快算法的全局收斂速度。設(shè)解向量的維數(shù)為D,種群數(shù)為NP,r為進(jìn)化代數(shù),則每代的解向量可表示為設(shè)解向量的搜索空間為種群初始解向量可表示為初始解向量產(chǎn)生對(duì)應(yīng)的反向解可表示為將初始解和方向解帶入式(2),選取適應(yīng)度值較大的個(gè)體作為初始種群的解向量。2)種群變異種群變異策略是從父代種群中根據(jù)變異算子生成新個(gè)體。新個(gè)體解向量由下式產(chǎn)生其中,整數(shù)a,b,c∈[1,NP]且和當(dāng)前個(gè)體i互不相同。本文采用文獻(xiàn)[13]提出的變異因子F的自適應(yīng)調(diào)整策略,有利于始終保持種群的多樣性,加強(qiáng)局部搜索能力和收斂速度。3)種群交叉種群交叉策略是新舊個(gè)體按照交叉概率交換部分元素,形成新的個(gè)體。新個(gè)體解向量可由下式產(chǎn)生其中,CR為交叉概率。4)種群選擇將經(jīng)過變異,交叉操作得到U5)人工蜂群搜索策略DE算法在進(jìn)化中后期,由于種群多樣性的降低,當(dāng)優(yōu)化復(fù)雜的多峰問題時(shí),如果有個(gè)體陷入局部最優(yōu)跳不出去,則它會(huì)將附近的個(gè)體向局部最優(yōu)區(qū)域引導(dǎo);當(dāng)很多個(gè)體陷入局部最優(yōu)區(qū)域時(shí),容易出現(xiàn)早熟現(xiàn)象。針對(duì)上述DE算法的缺陷,本文引入文獻(xiàn)[11]提出的人工蜂群搜索策略。在該策略中,新的候選解向種群中隨機(jī)選擇的個(gè)體移動(dòng),由于選擇的隨機(jī)性,適應(yīng)值好的個(gè)體和適應(yīng)值差的個(gè)體被選擇的概率是相同的,從而使種群中的個(gè)體盡快跳出局部最優(yōu)點(diǎn),達(dá)到避免早熟的目的。3基于letch仿真為了驗(yàn)證本文提出的覆蓋優(yōu)化策略的有效性,設(shè)計(jì)了Matlab仿真程序,并將DE和改進(jìn)DE算法對(duì)優(yōu)化策略的仿真結(jié)果進(jìn)行對(duì)比。各項(xiàng)實(shí)驗(yàn)參數(shù)如下:算法迭代次數(shù)r圖1為運(yùn)用DE和改進(jìn)DE算法對(duì)覆蓋率和能量綜合指數(shù)的仿真結(jié)果對(duì)比圖。由圖1可知,DE算法在290代時(shí)陷入了早熟收斂,最優(yōu)值維持在6.109直到迭代結(jié)束。改進(jìn)DE算法相較于DE算法最優(yōu)值搜索速率更快,在迭代期間沒有陷入早熟,迭代結(jié)束時(shí)最優(yōu)值為6.184。圖2、圖3分別為經(jīng)過DE算法和改進(jìn)DE算法對(duì)優(yōu)化目標(biāo)迭代得到的最優(yōu)節(jié)點(diǎn)分布在LEACH仿真下區(qū)域剩余能量和仿真輪數(shù)的關(guān)系。由圖2、圖3可知,經(jīng)DE算法得到的最優(yōu)節(jié)點(diǎn)分布在LEACH仿真輪數(shù)為400時(shí)區(qū)域能量為8.4J,而經(jīng)改進(jìn)DE算法得到的最優(yōu)節(jié)點(diǎn)分布對(duì)應(yīng)的區(qū)域能量則為8.6J,可見改進(jìn)DE算法的仿真結(jié)果優(yōu)于DE算法。若假設(shè)投放到區(qū)域的節(jié)點(diǎn)數(shù)量增多,節(jié)點(diǎn)的能耗參數(shù)加大,由上二種算法得到的區(qū)域能量差值則會(huì)更大。圖4、圖5分別為經(jīng)DE算法和改進(jìn)經(jīng)DE算法得到的最優(yōu)節(jié)點(diǎn)在區(qū)域中的分布。由圖4、圖5可知,經(jīng)改進(jìn)DE算法得到的節(jié)點(diǎn)在區(qū)域中分布地更加均勻,節(jié)點(diǎn)相互重疊區(qū)域更少,有利于覆蓋率增加和網(wǎng)絡(luò)的能量均衡。4能耗動(dòng)