PSO算法優化可充電無線傳感器網絡

楊巍

遼寧錦州渤海大學工學院

PSO算法優化可充電無線傳感器網絡

楊巍

遼寧錦州渤海大學工學院

節點感知范圍的限制性是和傳感器節點的相關物理結構特性有著重要的聯系，所以不可以確保監測區域的范圍能夠滿足具體的需求，無線傳感器網絡的覆蓋控制問題的特征是群體自組織，本文基于PSO算法構建了覆蓋優化策略，確保了覆蓋率的實現。

無線傳感器網絡 PSO 覆蓋率

1 無線傳感器網絡概述

無線傳感器網絡所具有的能力主要包括了計算、感知以及通信等，采用的方式是結合隨機性散播與確定性部署，在某監測區域的附近部署節點。無線傳感器網絡的結構圖如圖1所示。

圖1 無線傳感器網絡的結構圖

無線傳感器網絡主要的作用是感知被監測區域所處的環境，實現數據的采集與轉發，從而最終將數據進行分析后，傳遞給監測中心抑或是用戶終端，用戶根據一些基礎的網絡設施從而遠程監測以及訪問監測中心，最終達到實時跟蹤人類由于環境的變化而發生的變化等。傳感器節點一般結構示意圖如圖2所示。

圖2 傳感器節點結構示意圖

2 粒子群算法概述

在20世紀50年代中期，出現了多種仿生群智能算法，比如蜂群算法與細菌群體優化算法等，通過這些算法從而進一步地處理了一些復雜的問題。1987年誕生了PSO（粒子群優化算法）的模型理論，在1995年Kennedy提出了PSO算法。PSO算法作為高效與新穎并行的一種群智能算法，算法中不包括相關的目標函數梯度信息，而且參數也比較少，實現起來比較容易，得出的問題的精確度也很高。

3 粒子群算法原理

在基于鳥群捕食行為的相關研究，Kennedy提出了PSO算法，在粒子群算法中，將鳥設定成候選可行解也就是所謂的粒子，該候選可行解是D維搜索空間中的解。其中候選可行解的最優值是和鳥與食物之間的距離有著直接的影響關系，粒子解群的進化也就意味著鳥群的遷徙，根據鳥群飛行中的速度初始化的，以及兩個“極值點”，這極值點主要指的是歷史最優解與全局極值，從而進一步判斷鳥的飛行方向，并且決定鳥的移動位置，最終實現優化算法。

PSO算法實現起來比較方便，而且所具有的參數也比較少，但是粒子群算法也存在著不足之處：①影響粒子局部階段性的最優解會受到粒子在飛行過程中所處的歷史位置影響，而影響所求值的精確度；②設置的參數值不當或設置的數目不對，會導致整個求解過程中求解能力減低，使得全局極值點不是最優。

4 粒子群算法改進

根據G-PSO算法中的粒子的運動情況的變化從而進行最差機遇粒子群算法的設計，螢火蟲粒子群算法的設計基于L-PSO算法，考慮到全局版粒子群算法較快的收斂速度和局部版粒子群算法的收斂慢，不太會出現局部極值點，然而有著較快的全局版粒子群算法和收斂比較慢的很容易出現早熟的局部極值點，結合螢火蟲粒子群算法和全局版粒子群算法最終形成的算法是GLG-PSO算法，當實驗中的參數設置一致，進行結果分析，并且分析算法的優缺點。WCG-PSO算法流程如圖3所示。

圖3 WCG-PSO算法流程

4.1 改進算法實驗結果對比分析

當參數設定是一樣的時候，分析算法的改進情況如下。

圖4 改進算法覆蓋優化實驗對比圖

位置的變化范圍是從[0，20]到[0，20]，節點的個數設置為20，迭代次數設置為400，感知的半徑設置為r=3，而速度的變化范圍區間是[-2，2]。算法改進的仿真對比結果如圖4所示。

實驗對比結果表如表1所示。

表1 實驗對比結果表

從表1中能夠發現，全局版粒子群算法能夠對隨機散播方式的傳感器節點所產生的WSN的覆蓋率進行改善，覆蓋率提高了6.57%，而且當參數設置是一樣的情況下WCG-PSO算法的覆蓋率比G-PSO算法高出3.16%，其中的收斂速度也提高了32.04%。

結語：本文介紹了PSO算法優化網絡，物聯網的末梢神經是無線傳感器網絡，主要集合了信息傳輸與融合處理以及感知數據等的智能群體型，對目標區域進行監測，將來自人類客觀世界中的物理信息進行采集，確定性部署多數人類很難達到監測區，確保覆蓋率的實現。

[1]梁英,于海斌,曾鵬.應用PSO優化基于分簇的無線傳感器網絡路由協議[J]. 控制與決策, 2006, 21(4):453-456

[2]蔣暢江,石為人,向敏,等.基于PSO的無線傳感器網絡節能分簇協議[J]. 計算機工程, 2010, 36(8):15-17

[3]范興剛,王翊,介婧,等.基于離散PSO的分層多鏈無線傳感器網絡路由算法[J].傳感技術學報, 2010, 23(7):1006-1011

[4]張斌,陳國龍,郭文忠.無線傳感器網絡中帶PSO-BPNN的時空預測算法[J].小型微型計算機系統, 2014, 35(9):2052-2057