一种基于MaOEA/P-GM无线传感器网络部署方法
一种基于maoea/p-gm无线传感器网络部署方法
技术领域
1.本发明涉及一种无线传感器网络部署方法，特别是涉及一种基于maoea/p-gm无线传感器网络部署方法。
背景技术：
2.随着物联网的快速发展，作为其关键技术之一的无线传感器网络技术也随之高速发展，无线传感器网络是物联网的底层体系组成部分，也是其最主要的和最基本的组成部分，wsns（wireless sensor networks）是由大量传感器节点通过无线通信技术形成的多跳网络，凭借其分布式处理带来的监测精度高、容错性能好、覆盖区域大、可远程监控等优点, wsns已成为国内外研究的热点，覆盖问题是wsns研究领域的关键问题之一，其反映了传感器网络提供的感知服务质量，亦是评价传感器网络性能一个重要指标。快速并且优秀的部署出覆盖率大、网络生存周期长、通信迅速的无线传感器网络是人们追求的目标。
技术实现要素：
3.本发明的目的在于提供一种基于maoea/p-gm无线传感器网络部署方法，本发明提出了gm（guided mutation）变异算子，通过计算变异点及附近位置的覆盖度，根据覆盖度总和与感知面积的比值进行有导向的变异，从而实现快速进化，在面对大面积无线传感器网络部署时会有更快的效率。
4.本发明的目的是通过以下技术方案实现的：一种基于maoea/p-gm无线传感器网络部署方法，所述方法包括以下步骤：步骤一：将目标空间（即成本、覆盖率、连通性和负载均衡作为坐标轴而形成的空间）划分为投影维和自由维，并将投影维分解为多个投影格；并分别为每一个投影格进行步骤二到步骤五；步骤二：为该投影格初始化种；步骤三：在种中进行交叉变异操作，其中交叉为正常交叉，变异则根据变异点附近的覆盖度进行导向变异，即覆盖度过高则偏向变异为无节点，覆盖度过低则偏向变异为感知结点等；步骤四：将变异后的种进行排序，落在投影格的个体放入收敛精英队列中，落在投影格外的个体放入投影精英队列中，将收敛精英队列放到投影精英队列之前，再截取种大小数量的个体进行下一轮进化，直到达到迭代次数或满足其他结束条件；步骤五：根据个体间的支配关系，将不被支配的个体插入到目标解集中，并删除目标解集中被插入个体支配的个体；步骤六：输出目标解集。
5.本发明的优点与效果是：本发明将成本、覆盖率、连通性和负载均衡作为需要优化的四个目标，充分考虑了无线传感器网络部署的区域覆盖度不均的特性，通过导向变异的方法解决了原算法在进化
过程中需要大量迭代次数和种大小才能获得优质解集的问题。其maoea/p-gm算法减少了求得无线传感器网络部署方案所需时间，在面对大面积的无线传感器网络部署时会有更快的效率。
附图说明
6.图1为本发明单元格覆盖度模型示意图；图2为本发明覆盖区域过度覆盖示意图；图3为本发明覆盖区域低覆盖率示意图；图4 为本发明三维目标空间的投影面划分示意图。
具体实施方式
7.下面结合附图所示实施例对本发明进行详细说明。
8.本发明基于maoea/p-gm算法的无线传感器网络部署方法包括以下步骤：步骤一：将目标空间（即成本、覆盖率、连通性和负载均衡作为坐标轴而形成的空间）划分为投影维和自由维，并将投影维分解为多个投影格。并分别为每一个投影格进行步骤二到步骤五；步骤二：为该投影格初始化种。
9.步骤三：在种中进行交叉变异操作，其中交叉为正常交叉，变异则根据变异点附近的覆盖度进行导向变异，即覆盖度过高则偏向变异为无节点，覆盖度过低则偏向变异为感知结点等。
10.步骤四：将变异后的种进行排序，落在投影格的个体放入收敛精英队列中，落在投影格外的个体放入投影精英队列中，将收敛精英队列放到投影精英队列之前，再截取种大小数量的个体进行下一轮进化，直到达到迭代次数或满足其他结束条件。
11.步骤五：根据个体间的支配关系，将不被支配的个体插入到目标解集中，并删除目标解集中被插入个体支配的个体。
12.步骤六：输出目标解集。
13.关于gm 变异算子。在无线传感器网络部署中，将一个单位面积的部署空间视为一个单元格，则每个单元格由四种状态，分别为：空白、sink节点、sensor节点、sink节点与sensor节点，为方便表示，分别用0，1，2和3这四种基因型来表示四种状态。而将所有的单元格的基因连在一起，就组成了整个部署区域的染体，便可用来表示整个部署空间。
14.无线传感器网络中节点分布较为分散，部署面积较为巨大，而在常规多目标算法中的变异算子为完全随机变异，想得到理想的解就需要大量的变异计算，需要耗费大量时间和算力。为了解决这一问题，本发明提出了gm（guided mutation）变异算子，通过计算变异点及附近位置的覆盖度，根据覆盖度总和与感知面积的比值进行有导向的变异，从而实现快速进化。
15.根据单元格被感知节点覆盖的情况计算出覆盖度，例如将被一个感知节点覆盖的单元格的覆盖度设定为1，将被两个感知节点覆盖的单元格的覆盖度设定为2，依此类推，则单元格的覆盖度如图1所示，其中圆圈表示感知节点覆盖范围，单元格中数字表示覆盖度。
16.对于每个单元格，设定单元格对应感知区域，当该单元格为感知节点时的可感知
的区域即为该单元格的感知区域。当某一单元格对应的基因需要进行变异操作时，则根据该单元格的感知区域的覆盖度的总和covsum感知区域的面积s的大小进行不同的变异操作。
17.当covsum远大于s时，说明该区域已经被过度覆盖，如图2所示，需要减少当前的感知节点，则该单元格定向变异为空白单元格（无感知节点的单元格）；当covsum远小于s时，说明该区域的覆盖率过小，如图3所示，则将该单元格变异为有感知节点的单元格，从而增大覆盖率。
18.当covsum与s相差不大时，说明该单元格的覆盖情况处于较理想状态，则根据初始化时设定的基因生成概率进行基因的变异操作。
19.如图2覆盖区域过度覆盖、图3覆盖区域低覆盖率示意图。
20.关于maoea/p-gm算法。maoea/p-gm（multi-objective evolutionary algorithm based on the projection plane
ꢀ‑ꢀ
guided mutation）算法将所有求解目标分为投影维和自由维两部分，由投影维组成的面（可以是一维线，可以是二维平面，也可以是三位以上的超平面）叫做投影面，并将投影面划分为许多投影格。一个三维目标空间的投影面划分案例如图4所示。
21.maoea/p-gm算法即使用gm变异算子进行变异操作的maoea/p算法。该算法采用双精英策略，将进化求得的个体分为落在投影格内和落在投影格外两部分，将落在投影格内的个体作为下一次本投影格迭代的个体，而落在投影格外的个体则通过筛选作为其他投影格的初始个体进行迭代。
技术特征：
1.一种基于maoea/p-gm无线传感器网络部署方法，其特征在于，所述方法包括以下步骤：步骤一：将目标空间（即成本、覆盖率、连通性和负载均衡作为坐标轴而形成的空间）划分为投影维和自由维，并将投影维分解为多个投影格；并分别为每一个投影格进行步骤二到步骤五；步骤二：为该投影格初始化种；步骤三：在种中进行交叉变异操作，其中交叉为正常交叉，变异则根据变异点附近的覆盖度进行导向变异，即覆盖度过高则偏向变异为无节点，覆盖度过低则偏向变异为感知结点等；步骤四：将变异后的种进行排序，落在投影格的个体放入收敛精英队列中，落在投影格外的个体放入投影精英队列中，将收敛精英队列放到投影精英队列之前，再截取种大小数量的个体进行下一轮进化，直到达到迭代次数或满足其他结束条件；步骤五：根据个体间的支配关系，将不被支配的个体插入到目标解集中，并删除目标解集中被插入个体支配的个体；步骤六：输出目标解集。
技术总结
一种基于MaOEA/P-GM无线传感器网络部署方法，涉及一种无线传感器网络部署方法，该方法将目标空间（即成本、覆盖率、连通性和负载均衡作为坐标轴而形成的空间）划分为投影维和自由维，并将投影维分解为多个投影格；该投影格初始化种；在种中进行交叉变异操作；将变异后的种进行排序，直到达到迭代次数或满足其他结束条件；根据个体间的支配关系，将不被支配的个体插入到目标解集中，并删除目标解集中被插入个体支配的个体；输出目标解集。从而实现快速进化，在面对大面积无线传感器网络部署时会有更快的效率。署时会有更快的效率。
