基于改进遗传算法的无线传感器网络覆盖优化

Ｎｅｔｗｏｒｋ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　

一种基于遗传算法的无线传感器网络覆盖模型　

吕广辉　，崔逊学　，侯战胜　

（１．江西联创通信有限公司，江西南昌３３００９６；　

２．解放军炮兵学院计算机学院，安徽合肥２３００３１；　

３．南京邮电大学计算机学院，江苏南京２１０００３）　

摘　要：在无线传感器网络中，传感器节点的分布通常具有随机性和密集性，监测区域会出现覆　

盖盲区或者覆盖重叠。为此，推导出了无线传感器最优覆盖模型计算最少节点个数的公式，对遗传算　

法中的适应度函数公式做了改进，将多重覆盖率和覆盖率的组合作为适应度函数。根据遗传算法的　

相关内容和流程图。利用遗传算法对覆盖策略做了仿真模拟，证明了所选用的方法的正确和优越性。　

关键词：无线传感器网络；覆盖；节点；遗传算法　

中图分类号：ＴＰ２１２．９　文献标识码：Ａ　文章编号：１６７４—７７２０（２０１０１１５—００５９—０４　

Ａ　ｃｏｖｅｒａｇｅ　ｍｏｄｅｌ　ｏｆ　ｗｉｒｅｌｅｓｓ　ｓｅｎｓｏｒ　ｎｅｔｗｏｒｋｓ　ｂａｓｅｄ　ｏｎ　ｇｅｎｅｔｉｃ　

ａｌｇｏｒｉｔｈｍ　

ＬＶ　Ｇｕａｎｇ　Ｈｕｉ　，ＣＵＩ　Ｘｕｎ　Ｘｕｅ　，ＨＯＵ　Ｚｈａｎ　Ｓｈｅｎｇ３　

（１．Ｊｉａｎｇｘｉ　Ｌｉａｎ　Ｃｈｕａｎｇ　Ｔｏｎｇｘｉｎ　Ｃｏ．Ｌｔｄ，Ｎａｎｃｈａｎｇ　３３００９６，Ｃｈｉｎａ；　２．Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ，ＰＬＡ　ｔｈｅ　Ａｒｔｉｌｌｅｒｙ　Ａｃａｄｅｍｙ　Ｃｏｌｌｅｇｅ，Ｈｅｆｅｉ　２３００３　１，Ｃｈｉｎａ；　

３．Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ，Ｎａｎｊｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｐｏｓｔｓ＆Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ，Ｎａｎｊｉｎｇ　２１０００３，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ａｓ　ｓｅｎｓｏｒ　ｎｏｄｅｓ　ｉｎ　ＷＳＮ　ａｒｅ　ｕｓｕａｌｌｙ　ｄｉｓｔｒｉｂｕｔｅｄ　ｒａｎｄｏｍｌｙ　ａｎｄ　ｄｅｎｓｅｌｙ，ｔｈｉｓ　ｍａｙ　ａｒｉｓｅ　ｔｏ　ｃｏｖｅｒａｇｅ　ｈｏｌｅｓ　ａｎｄ　

2018年 软 件 2018, Vol. 39, No. 1 第39卷 第1期 COMPUTER ENGINEERING & SOFTWARE 国际IT传媒品牌

基金项目: 国家自然科学基金(61271007)；国家自然科学基金(60872157) 作者简介: 沙娓娓(1988)，女，汉族，硕士生，研究方向：无线通信技术。通讯联系人: 刘增力(1966)，男，汉族，教授，研究方向：现代信号处理。 基于改进蚁群算法的无线传 感器网络的路由优化 沙娓娓1，刘增力2 （1. 昆明理工大学 信息工程与自动化学院，云南 昆明 650500；2. 昆明理工大学 民航学院，云南 昆明 650500） 摘 要: 结合无线传感器网络的特点，即能量有限，在无线传感网络路由中引入蚁群算法，并提出改进的IARA算法。在考虑节点的能量、传输方向和节点间距离等因素的基础上，结合Matlab仿真以及解析数值等方法，具体从如下几方面改进蚁群算法，其一启发函数；其二更新信息素；其三概率选择公式。通过仿真表明，该算法具有多方面优势，具体体现在能量消耗少以及生存周期长等方面。 关键词: 无线传感器网络；蚁群优化；路由算法 ；能量；生命周期 中图分类号: TP212.9 文献标识码: A DOI：10.3969/j.issn.1003-6970.2018.01.001 本文著录格式：沙娓娓，刘增力. 基于改进蚁群算法的无线传感器网络的路由优化[J]. 软件，2018，39（01）：0104 Optimization of Wireless Sensor Network Routing based on Improved Ant Colony Algorithm SHA Wei-wei1, LIU Zeng-li2 (1. Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China; 2. Faculty of civil aviation, Kunming University of Science and Technology, Kunming 650500, China) 【Abstract】: As the energy of sensor nodes in wireless sensor network (WSN) is limited, and colony optimization algorithm was applied to solve the routing problems in WSN, and an improved ant-based routing algorithm (IARA) was proposed. Considering the factors of nodes energy, transmitting direction, and distance between nodes, through numerical analysis and matlab simulation, the probabilistic selecting formula and the pheromone updating formula in the basic ant colony optimization algorithm is modified. The algorithm has many advantages, such as less energy consumption and long life cycle. 【Key words】: Wireless sensor networks (WSNs); Ant colony optimization(ACO); Routing algorithm; Energy; Life cycle 0 引言 无线传感器网络：指利用无线通信的方法，将微型传感器节点（被感知对象的内部、附件之中）组成多跳自组织网络，在环境监测、国家安全以及军事侦察等相关领域得以普遍应用[1]。传感器节点由电池提供能量，同时具有数量多、体积小等特点，一旦完成部署，即难以继续补充能量。所以在设计无线传感器网络路由协议时，要充分考虑节点能量问题，以延长网络生存周期达到传输大量数据的要求[2]。 Dorigo针对TSP的问题，提出全新的模拟进化算法——蚁群优化算法[3]。与此同时随着该算法的应用，有效解决指派、调度以及旅行商等各类优化组合问题[4]。 Kassabalidis等潜心多年研究，结合蚁群算法，提出Ant-Net算法[5]，该算法中蚂蚁主要可分为两大类：其一是具有收集节点信息作用的前向蚂蚁；其二为返回蚂蚁，将前向蚂蚁收集的信息，反馈在路由表之中。 Schoonderwoerd R等人通过概率选择和更新路径的方式，提出ABC算法[6]，此算法中蚂蚁从源节 第39卷 第1期 软 件

Network World • 网络天地

Electronic Technology & Software Engineering 电子技术与软件工程• 1<

页【关键词】蚁群算法 无线传感器 网络优化

1 无线传感器技术概述当前对静态无线传感器网络覆盖范围的研究已经取得了有益的成果。库马尔等人首先提出了高K势垒范围和低K势垒范围的概念，并开发了一种算法来评估应用领域是否被强K势垒覆盖，在以随机方式使用的传感器网络中，获得低K覆盖围栏的重要条件。基于加权图确定Anwar Saypulla Buddy静态无线传感器网络中强障碍数量的限制，我们提出了一种最大流量算法，Habib Mostarfire（Habib Mostafai）及其同事提出了一种分布式自学习算法，用于研究静态无线传感器网络中K势垒的高覆盖率问题。库马尔和他的同事们还使用传感器节点形成一个强大的K防护膜，可以探测相同的生存时间和其他生存时间栅栏结构算法，并延长网络生存时间计划，提出的算法是OptimalSleep Wakeup，JieTian等人提出了一个二维问题来覆盖K栅栏，并将应用区域划分为多个子区域来构建栅栏。雷利和鲍贤湛及其合作者对低范围围栏的问题进行了调查，并分析了弱围栏的覆盖范围。Balister等人研究了一种可靠的方法来预测节点的部署密度，以便随机使用传感器网络形成围栏的覆盖，并可根据预期的浓度永久连接。2 系统模型2.1 相关定义穿越路径(CrossingPath)，是检测目标的起始点和终点位于监视区域A的上限和下限，并且区间A的起始点和终点之间的任何曲线称为截距轨迹。当区域A沿着该路径移动时，如果至少通过K传感器节点不能检测到被监基于改进蚁群算法的无线传感器网络优化文/朱重龙本文通过对无线传感器技术的阐述，提出了一种最大流量算法，用于研究静态无线传感器网络中K势垒的高覆盖率问题。摘 要视对象，则单色K防护盖（强障碍盖）的识别是区域A是K强覆盖并且能够打电话。当被监测物体沿路径通过应用区域时，可以检测到至少K个传感器节点，即3 K栅栏交叉电阻（应变势垒交叉涂层）的定义满足定义2。其次，有一个没有共同传感器节点的交叉口围栏，A区域称为交叉十字架。定义4分布方向将传感器放置在分段区域A时，是指未提供指定传感器节点区域中传感器节点区域的方向。定义5确定围栏的两个相邻传感器节点的连接方向与展开方向之间的角度，二元感知模型：平面节点N、点m与P（N，M）=“iI1Dis（N，m）≤R0D是相同的识别概率，由每个点给出（M）（N，M）>R（1）（1）在这种情况下，（N，M）是点n和m之间的欧式距离，R是识别半径，本文中的测试是传感器，侧重于感知的模型，模型定义基于节点和检测半径，定义3监控区域A的定义半径，至少两个围栏和区域A的涂层通过监控的区域，但是两个栅栏的状况不太可能重叠K-Fence，Cross-Coat k-Fence，即使隔音十字架，无论选择的路径如何，都要适用于监视区域，Cross-K fence是一个强大的K-fence，基于这个非K-Fence交叉K-fence中提出的算法2.2 缓冲区域划分模型应用区域是长度为l且宽度为h的矩形，记这个区域为A。使用原点o（0,0）处的应用程序区域的左下角定义坐标轴，假设使用GPS或节点的位置技术来研究节点的位置，任务区域中的节点i的位置坐标可以由M表示为ni（xi，yi）和节点的数量，检测到的节点的半径为R。创建K时，将区域A划分为静态无线传感器，网络中A=组（A1，A2，A3，AK）所示的k个相等部分。各个子区域的宽度是相同的Wa=H/K和人工智能。在本文中，与k个区域A相同的子区域的长度是基于每个子区域的蚂蚁去除算法而固定的。但是，如果将供应区域A严格划分为k个子区域，则不断地消耗资源。许多传感器节点位于子区域Ai的上限和下限附近，不能用于子区域Ai围栏，但是在子区域Ai+1或Ai-1中需要围栏配置。为了解决上述问题，本文提出了一种划分缓冲区的方法，尽管暂存区域不再以这种方式划分为行，但缓冲区域用于隔离暂存区域A，一种特定的分割方法具有缓冲宽度Wb。蚁群算法主要在围栏配置过程中选择Ai子场中的传感器节点，如果没有节点满足Ai的条件，则算法要确定是否存在满足缓冲区的要求，选择节点后，将突出显示该节点。接下来，当相邻子域Ai创建栅栏时，不再选择所选节点。缓冲分离方法将应用字段划分为k个子字段，并且需要k-1个缓冲带。这由缓冲区（b1，b2，b3，...，bk-1）表示。每个子区域Ai的宽度改变，其中A1和Ak的宽度为Wa=h/k-Wb/2，其他的子区域具有Wa=h/k-Wb。3 蚁群算法构建栅栏3.1 基本蚁群算法介绍蚁群算法基于蚁群寻食优化方法。蚁群系统是一种分布式生物系统。蚂蚁与蚂蚁之间的相互合作可以解决独个蚂蚁无法完成的困难任务。传统的蚁群算法解决了旅行者的问题（TaskSlingSalesman，TSP）。在TSP问题中，包括n个城市，城市i和j之间的路径是b（i，j），目前有蚁群寻找TRP问题的最佳解决方案。在Manti中，在从n个城市随机发现的起始时间的陆地道路上发现信息素浓度τij（0）=C，事实上，基于状态Pkij（t）和τij（t）的转移概率，选择接近TNTK的距离，并且信息素浓度B（I，J）和ηij（t）是城市I和J之间的推断信息。当蚂蚁穿过城市时，他们被禁忌，以避免重复移动到同一个城市。Pkij（t）=ïïïiïïααα（t）ββij（t）s∈allowkταis（t）ββis（t）jallowedk0otherwise（2）等式（2），推理信息ij ij（t）=1/D和i、j之间的距离。Allowedk=City-Tabuk表示蚂蚁能够去所选城市。α和β表示信息素的浓度或经验信息的含义，蚂蚁解决了重复去所有城市的困难。接下来，我们需要更新每个收费连接路线的信息素，以下更新规则为：τij（t+N）=（1-））τij（t）+Δτij（3）：Verflüchtigungspheromon系数ε（0.1）重复信息素后，路径为ρb（i，j）基于网络天地 • Network World

龙源期刊网

基于混沌粒子群算法的无线传感器网络覆盖优化

作者：刘维亭,范洲远

来源：《计算机应用》2011年第02期

摘 要:

为了改善传感器节点随机部署时的不合理分布,提高网络覆盖率,以网络覆盖率为优化目标,提出了基于混沌粒子群的无线传感器网络覆盖优化算法。该算法利用混沌运动的遍历性和随机性,克服了粒子群算法后期陷入局部最优的缺点。仿真结果表明，该算法比基本粒子群算法具有更好的覆盖优化效果。

关键词:

无线传感器网络;混沌;粒子群算法;覆盖优化;覆盖率

中图分类号:

TP393.04; TN915.04

文献标志码:A

英文标题

Coverage optimization of wireless sensor networks based on

chaos particle swarm algorithm

英文作者名

英文地址(

School of Electronics and Information, Jiangsu University of Science and Technology, Zhenjiang

Jiangsu 212003, China

英文摘要

Abstract: 龙源期刊网

coverage rate, taking the network coverage rate as the optimized goal, an optimization method of

wireless sensor networks coverage based on Chaos Particle Swarm Optimization (CPSO) was