基于人工智能的螢火蟲群優(yōu)化算法在無線傳感器中的應用研究

仇 偉

(國網(wǎng)曲阜市供電公司,山東 曲阜 273100)

0 引言

無線傳感網(wǎng)絡(WSN)即多個傳感器節(jié)點在數(shù)據(jù)傳輸空間中接收數(shù)據(jù)信息[1]。每個傳感器均具備數(shù)據(jù)處理的功能,且還能同時擁有多個傳感器,所有傳感器節(jié)點的運行便是傳感工作。由于無線傳感器存在接收信號、節(jié)點能量不足等問題,WSN節(jié)點的部署問題及網(wǎng)絡覆蓋范圍因此十分關鍵,需要重點關注。

1 網(wǎng)絡覆蓋模型

信息的接收與網(wǎng)絡覆蓋面有較大關聯(lián),選取WSN網(wǎng)絡節(jié)點時,需要根據(jù)網(wǎng)絡覆蓋面建立模型,求解覆蓋范圍及覆蓋率[2],量化網(wǎng)絡覆蓋率選擇概率感知模型和0/1感知模型。

1.1 0/1感知模型

0/1感知模型可以將一些客觀因素排除,在二維空間內(nèi)應用較廣,視傳感器節(jié)點為區(qū)域圓,半徑為r,圓心為Ci(xi,yi),若區(qū)域內(nèi)無信號源則則為0,若區(qū)域內(nèi)有信號源需≥1。

假設任意目標點O(像素點)的坐標(xj,yj)在傳感器網(wǎng)絡監(jiān)測區(qū)內(nèi),那么O與圓心的距離為歐氏距離,公式如下:

(1)

O點是否被區(qū)域覆蓋,判斷如下:

(2)

1.2 感知概率模型

在對該方法進行建模時,由于外界條件的變化,本文采用了一種基于認知概率的方法。在實際應用中,所建立的知覺概率模型是可行的。假設2D平面上的監(jiān)控對象(x,y)是該傳感器網(wǎng)絡中的一個節(jié)點的坐標,并且它可以出現(xiàn)在任何一個地方,記(xk,yk)是該地區(qū)監(jiān)控對象點k的坐標,那么,該傳感器網(wǎng)絡上的監(jiān)控概率就可以用Ck(si,k)來表達,即:

Ck(si,k)-

(3)

上式中,re表示可靠的測量參數(shù);Rs為節(jié)點感知半徑;節(jié)點zi與目標點k的歐氏距離以d(zi,k)表示。

2 WSN網(wǎng)絡覆蓋優(yōu)化算法

2.1 粒子群優(yōu)化算法(PSO)

PSO算法采用了一種新的微粒群優(yōu)化模型,該模型中的每一個微粒群都代表一個自適應函數(shù)。粒子具有2個特性,一個是速度,一個是位置。在此基礎上,將各粒子在不同的位置上進行優(yōu)化求解,得到各粒子的最佳解,也就是各粒子的最佳值,而粒子的速度ua和位置xa的更新則由空間最優(yōu)值和個體最優(yōu)值決定。當一個循環(huán)結束后,最佳的解決方案被稱為pa,并且該空間的最佳解決方案被稱為f。每個粒子可根據(jù)下述公式進行更新迭代:

ua=wua+C1rand()(pa-xa)+C2rand()(f-xa)

(4)

(5)

pa=xa

(6)

上式中,w代表慣性因子,數(shù)值越高,粒子空間尋優(yōu)能力越強,而在局部空間內(nèi)尋優(yōu)較弱;rand()表示在(0,1)之間隨機出現(xiàn)且均勻分布的數(shù)值;C1和C2是粒子的學習因子。所有粒子均出現(xiàn)變化,通過更新速度和位置獲取空間及個體最優(yōu)值,到規(guī)定程度時停止。

2.2 螢火蟲群優(yōu)化算法(GSO)

物理空間中存在螢火蟲,而螢火蟲可以通過熒光素吸引附近的螢火蟲,算法存在3個假設:

(1)在同一區(qū)域內(nèi),如果有一只是雌性或雄性的螢火蟲,則會受到附近其他的螢火蟲的吸引。

(2)每只螢火蟲的視覺范圍是受限的(作為決策半徑)。隨著螢火蟲的減少,決策半徑變大。

(3)熒光素含量高的螢火蟲可以將附近的螢火蟲聚集在一起。

如果在i個時間點上,M個螢火蟲在n個維度上被隨機分割,那么,在t個時間點上,可選擇適應度函數(shù)為f(xt(i)),螢火蟲所在區(qū)域可表示為xt(i),熒光素含量可以Lt(i)表示,若決策半徑為rt(i),那熒光素含量為:

Lt(i+1)=(1-ρ)Lt(i)+βf(xt(i))

(7)

式中,ρ為熒光素散發(fā)后含量;β為熒光素含量。

若設時間段為i,則在i時間段內(nèi),兩只螢火蟲(a和b)相互移動的概率表示為:

(8)

式中,螢火蟲(t)在i時間段的決策半徑表示為Zt(i)。

設時間段為i,則在第i時間段,螢火蟲(t)的所在區(qū)域為:

(9)

i時刻內(nèi),螢火蟲t下一刻決策半徑為:

rt(i+1)=min{rs,rt(i),α|Nmax-Ni(t)|}

(10)

式中,決策半徑的改善率表示為α;決策半徑的改善區(qū)間表示為Nmax;決策半徑值相符合的運動距離表示為rs。

2.3 改進GSO算法(IGSO)

本項目擬結合 PSO與 GSO兩種優(yōu)化方法,建立一種新的基于遺傳優(yōu)化的 IGSO方法,通過對微粒的運動速率、熒光素濃度、判決半徑等參數(shù)的優(yōu)化配置,得到微粒的最優(yōu)判決半徑,并對其進行優(yōu)化求解。在此基礎上,通過對粒子運動過程中的位置、速度、熒光素含量等信息進行更新,并結合空間最優(yōu)解和個體最優(yōu)解,最終實現(xiàn)粒子的位置和速度更新。

3 仿真實驗

3.1 實驗內(nèi)容

綜合性對比IGSO、WOA、PSO算法的仿真結果,分析3種算法在無線傳感器隨機分布問題的改善效率,最后求出覆蓋率。性能仿真實驗表達了所有算法特點,用控制變量方法改變一個參數(shù),實現(xiàn)參數(shù)對覆蓋率的影響[3]。以坐標值為研究對象,定義和調(diào)整粒子適應值,讓其向目標值靠近并達到最優(yōu)覆蓋率。

3.2 粒子規(guī)模對實驗的影響

3.2.1 粒子規(guī)模變化實驗參數(shù)設置

迭代次數(shù)maxgen=400,區(qū)域邊長L=50,通信半徑R=5,離散粒度data=1,最小速度umin=-2,最大速度umin=2,位置最小值popmin=0,位置最大值popmax=50。

3.2.2 粒子規(guī)模變化實驗

(1)當節(jié)點數(shù)量為35時,取粒子規(guī)模sizepop為80、60、40、20,結果如表1所示。

表1 粒子規(guī)模對覆蓋率的影響(n=35)

(2)節(jié)點數(shù)量為45時,取粒子規(guī)模sizepop為80、60、40、20,結果如表2所示。

表2 粒子規(guī)模對覆蓋率的影響(n=45)

由表1—2得出,粒子大小的差異會影響到各類算法的最佳覆蓋范圍(即增益),增益速率是一個重要的評價標準。節(jié)點數(shù)相同時,較PSO算法和WOA算法相比,IGSO算法最優(yōu)覆蓋率和提升率均較高。

3.3 迭代次數(shù)對實驗的影響

3.3.1 迭代次數(shù)變化實驗參數(shù)設置

區(qū)域邊長L=50,通信半徑R=5,離散粒度data=1,最小速度umin=-2,最大速度umin=2,位置最小值popmin=0,位置最大值popmax=50,節(jié)點數(shù)量n=35,粒子規(guī)模sizepop=80。

3.3.2 迭代次數(shù)變化實驗

迭代次數(shù)maxgen=200、300、400、500,覆蓋率優(yōu)化結果如表3所示。

表3 迭代次數(shù)對覆蓋率的影響(n=35)

由表3可見,迭代次數(shù)的增加容易影響覆蓋率和提升率,但也有局限性,迭代次數(shù)無法決定覆蓋率高低。因為3種算法屬貪心算法,局部區(qū)域出現(xiàn)最優(yōu)解,且會對空間最優(yōu)解造成影響,使得迭代數(shù)和覆蓋范圍之間的相關性較弱。在相同的情況下,IGSO算法好于 WOA算法和PSO算法。

3.4 最優(yōu)實驗結果

迭代次數(shù)、粒子規(guī)模與節(jié)點數(shù)量中,采用控制變量法變化其中一項,觀察實驗結果。如圖1—3所示,體現(xiàn)了WSN網(wǎng)絡中IGSO算法、PSO算法和WOA算法的實驗結果。結果顯示,IGSO算法網(wǎng)絡覆蓋率為0.916,與PSO算法和WOA算法相比更優(yōu),其中迭代次數(shù)=400,通信半徑R=5,離散粒度data=1,最小速度umin=-2,最大速度umin=2,位置最小值popmin=0,位置最大值popmax=50,節(jié)點數(shù)=45,粒子規(guī)模=35,符合優(yōu)秀標準?？梢?同等條件下,IGSO算法優(yōu)于PSO和WOA算法。

圖1 IGSO算法的優(yōu)化結果和最優(yōu)覆蓋率

圖2 PSO算法的優(yōu)化結果和最優(yōu)覆蓋率

圖3 WOA算法的優(yōu)化結果和最優(yōu)覆蓋率

4 結語

要想整合人工智能技術和無線傳感器,需要解決覆蓋問題,探究算法,解決無線傳感器節(jié)點部署問題。本文為使WSN的覆蓋范圍達到最大目標,給出了WSN的最佳覆蓋范圍。采用 IGSO方法可以提高系統(tǒng)的覆蓋效率,使系統(tǒng)的結點得到迅速的覆蓋。仿真效果得出,相同條件下IGSO算法優(yōu)于PSO算法和WOA算法。