[发明专利]基于混合多目标粒子群算法的无线传感网络中继节点部署算法

说明书

本发明公开了一种基于混合多目标粒子群算法的无线传感网络中继节点部署算法；本发明主要研究单层网络中的中继节点部署问题，并且主要研究的网络属性为网络的平均能耗和网络通行链路的可靠性。混合多目标粒子群算法是一类新兴的多目标进化算法。它的核心思想是在多目标粒子群算法的基础上引入最优邻居学习以及遗传算法中的交叉变异拥挤距离的策略，从而显著提高算法的搜索效率。由于混合多目标粒子群算法是一种基于种群的算法，可以同时维护一组具有不同偏好的候选解，因而非常适合于求解多目标优化问题。而且，大量的实际应用表明，混合多目标粒子群算法比通常的多目标进化算法具有更高的搜索效率。

技术领域

本发明涉及无线传感器网络、物联网和智能计算技术领域，尤其是一种基于混合多目标粒子群算法的无线传感网络中继节点部署算法。

背景技术

无线传感网络(wireless sensor networks,WSN)是由监测区域内大量的具有数据采集、数据处理和信息无线传输功能的传感器节点(sensor node,SN)、具有数据转发功能的中继节点(relay node，RN)以及具有数据汇聚作用的网关节点(base station,BS)共同组成。SN感知、采集和处理网络覆盖区域内的信息，通过RN组成多跳的网络形式最终将数据传送给GN。GN是连接外界的通道，由GN负责将监测到的信息最终传到相关终端进行进一步分析利用。该技术是信息科学领域中新兴学科与传统学科交叉综合的结果，在环境领域、医疗卫生、智能家居等方面有着广泛的应用前景。今年来，关于WSN的研究包括诸多方面。例如，在网络层的优化技术，包括多跳能效性路由的建立、数据聚合和分级的网络拓扑控制；在数据链路层的研究主要包括碰撞的避免、输出功率控制、空闲侦听的最小化等；在应用层的研究则有自适应性激活节点和负载平衡等。

众所周知，一个实用型WSN投入应用面临的首要问题就是网络中各类节点的布局问题，我们以用于地铁隧道监测的WSN为例。用于监测裂痕等信息的SN安装在地铁隧道内壁，其布局位置由实际需求决定，这些SN利用无线通信的方式把收集到的数据经由隧道内壁上的RN节点汇总至BS，然后BS把数据集中传输到服务器等装置。可以看出，SN和BS位置的位置是相对固定的，为了保证SN和BS之间数据传输的可靠性、及时性，同时解决SN与BS之间距离过长而导致的能耗过高的问题，就需要在其之间合理的部署RN，这就是本专利所研究的RN的部署问题。相关的RN部署问题，已被一些文献证实是NP-HARD的。

在涉及RN部署的WSN中，以路由结构为需求的研究主要分为单层网络(single-tiered)和双层网络(two-tiered).单层网络中，SN除采集数据外还可以转发其他SN或RN的数据；在双层网络中，SN仅将自身所采集的数据发送给RN或BS。

发明内容

本发明在此提供一种基于混合多目标粒子群算法的无线传感网络中继节点部署算法；本专利主要研究单层网络中的中继节点部署问题，并且主要研究的网络属性为网络的平均能耗和网络通行链路的可靠性。混合多目标粒子群算法是一类新兴的多目标进化算法。它的核心思想是在多目标粒子群算法的基础上引入最优邻居学习以及遗传算法中的交叉变异拥挤距离的策略，从而显著提高算法的搜索效率。由于混合多目标粒子群算法是一种基于种群的算法，可以同时维护一组具有不同偏好的候选解，因而非常适合于求解多目标优化问题。而且，大量的实际应用表明，混合多目标粒子群算法比通常的多目标进化算法具有更高的搜索效率。

本发明是这样实现的，构造一种基于混合多目标粒子群算法的无线传感网络中继节点部署算法，其特征在于：算法的步骤为：

步骤1：初始化算法的相关参数及产生一个初始种群；

步骤2：将产生的新解中的非支配解存入全局最优解集合；

步骤3：采用遗传算法的中选择交叉操作和变异操作产生N个新个体；

步骤4：当前个体向与其欧式距离排在前q个的个体学习，用最好的邻居解xnbest作为自身的历史最优解；