基于粒子群算法的无线传感器网络覆盖优化
张红霞
摘 要： 传统无线传感器网络覆盖优化方法所选算法的结构不合理，使其覆盖能力、迭代能力和有效性无法维系网络基本功能，为此提出粒子群算法的无线传感器网络覆盖优化方法。通过构建无线传感器网络认知模型，将网络覆盖优化工作转化成求取目标物体最大覆盖几率问题，使用粒子群算法对模型进行编码，利用模型适应度函数给出的约束值对网络节点位置进行更新，实现对无线传感器网络覆盖率的优化。通过分析仿真实验结论可知，与传统方法相比，该方法具有更强的覆盖能力、迭代能力和有效性。
关键词： 粒子群算法； 无线传感器网络； 覆盖优化方法； 模型适应度函数
中图分类号： TN711?34； TP212.9 文献标识码： A 文章编号： 1004?373X（2017）09?0050?04
Abstract： The algorithm selected by the traditional wireless sensor network coverage optimization method has unreasonable structure， which makes its coverage ability， iteration ability and effectiveness incapable of sustaining the network basic functions， therefore a wireless sensor network coverage optimization method based on particle swarm optimization algorithm is proposed. The cognitive model of the wireless sensor network is constructed to convert the network coverage optimization into the getting of the maximum coverage probability of the target object， and encoded with the particle swarm optimization algorithm. The constraint value given by the model fitness function is used to update the location of network node， so as to optimize the coverage probability of the wireless sensor network. The simulation experiment conclusion indicates， in comparison with the traditional methods， the method has higher coverage ability， iteration ability and effectiveness.
Keywords： particle swarm optimization algorithm； wireless sensor network； coverage optimization method； model fitness function
0 引 言
无线传感器网络是一种以监控为基础，对目标事物实施观察的技术，对人类生产、生活的各个方面有着深远影响。无线传感器网络拥有若干节点，所有节点上都安装了微处理芯片和传感器，为节点提供数据分析和传输能力，进而获取到目标事物的监控数据，预测事物的发展方向[1]。但节点的分析和传输能力并非是无穷的，若使无线传感器网络能够更好地达成其对目标事物的预测功能，需要令无线传感器网络对目标事物实施完全覆盖[2]。这一问题的提出为学术界指引了新的研究方向。
无线传感器网络的覆盖优化实际上是在节点资源有限的条件下，经由变更节点方位、增减节点布置、改善网络性能等方式，优化节点资源划分的问题，其与节点能量和目标事物监控等问题关系密切[3]。传统的无线传感器网络覆盖优化方法对无线传感器网络结构进行了深层分析，有效反映了节点能量和目标事物监控等信息的流通方向。但由于所选算法的结构不合理，传统方法的覆盖能力、迭代能力和有效性均需要得到进一步改善[4]。因而，使用粒子群算法的强迭代能力和实用性，提出一种能够实现节点资源实质性优化的无线传感器网络覆盖优化方法。
1 無线传感器网络覆盖优化问题
1.1 无线传感器网络模型
在无线传感器网络中，节点数量以及节点划分区域直接关系着无线传感器网络对目标事物覆盖死角面积，增多节点数量能够提高网络覆盖密度。将节点更多地划分在离目标事物距离近的区域内，可以增强网络数据传输的安全性和准确性[5]。无线传感器网络认知模型搭建的目的就是对无线传感器网络的覆盖死角进行定义和测量，为此，基于粒子群算法的无线传感器网络覆盖优化方法可看成是对认知模型的参数优化问题。
传感器网络节点容易受到噪音和电磁波的扰乱造成传输误差，这些因不可抗拒因素导致的一系列缩减网络覆盖率问题被统称为无效事件[6]。设无线传感器网络认知模型在起点坐标为、终点坐标为的节点上测量到存在无效事件的几率为，降低即可提高覆盖率。的定义式为：
2 粒子群算法的传感器网络覆盖优化
根据上述描述，使用粒子群算法优化无线传感器网络覆盖率，简要介绍粒子群算法的基本原理，对网络覆盖优化流程进行重点设计。
2.1 粒子群算法的工作原理
粒子群算法是进化算法的一个流派，也是生物随机索引算法中的一个分支，是当前的研究热点。粒子群算法的基本原理如图1所示。
由图1可知，粒子群算法的实现非常简单，其基本原理就是使用迭代方式得到最优解，对粒子的速度和坐标进行实时更新[7]。算法先初始化粒子，将历史最优解赋予粒子。在算法进入迭代流程前，先设置一个位置参数的最大值，即循环系数，负责控制算法的迭代次数。每迭代一次，位置参数的值便增加1，当大于循环系数，则停止迭代。粒子群算法的迭代工作可得到粒子适应度，并以适应度为标准依次更新粒子的历史最优解、粒子群最优解以及粒子的速度和坐标[8]。粒子速度与坐标的更新方程为：
式中：是粒子初始设定值；是粒子群算法的学习因子，通常取值为2；是随机参数；是粒子适应度约束值。
2.2 无线传感器网络覆盖优化流程
基于粒子群算法的无线传感器网络覆盖优化方法的优化流程如图2所示。
首先对模型进行编码，其目的是固定节点位置，粒子群算法的编码是一种二进制百兆数据码，编码长度与无线传感器网络节点数量相等。当模型中节点参数满足为获取的最大值，粒子群算法的编码结果应满足下式：
式（6）中的元素取值为0或1，0表示传感器节点可以被重新安置，1表示固定节点。
适应度是评价最优解质量的函数，在粒子群算法进行迭代工作前，需要提前设置适应度函数并计算出无线传感器网络认知模型的初始适应度，方便对迭代结果进行对比，输出最合适的节点优化位置，实现对无线传感器网络覆盖率的最佳优化。
在式（6）给出的编码基础上，使用式（7）计算模型适应度：
式中：无线传感器网络覆盖率瞬时值可通过式（4）进行求取；和分别表示在无线传感器网络中的初始权重和实际权重。
当式（7）满足时，可达最大值。因此，粒子群算法迭代工作的目標就是令。实现迭代目标后，基于粒子群算法的无线传感器网络覆盖优化方法需要对无线传感器网络的节点位置进行更新，并输出优化后的无线传感器网络覆盖率。
3 实验结果与分析
实验利用计算机仿真技术给出一个半径为3 m的无线传感器网络。仿真实验初期，无线传感器网络的初始覆盖率为21%。在此基础上对本文提出的基于粒子群算法的无线传感器网络覆盖优化方法进行仿真实验。同时，对文献[4]和文献[7]中的方法也分别进行仿真实验。将三种方法下的实验结果进行对比，确定出本文方法的覆盖能力、迭代能力和有效性是否能够超越传统方法。
提升无线传感器网络覆盖率是文献[4，7]以及本文方法提出的基本目标。在最大化提升覆盖率的同时，方法的迭代性能也不容忽视。迭代性能是保证无线传感器网络覆盖优化方法能够持续提升覆盖率的基础，迭代性能不强的方法，即便在某一节点上的覆盖率很高，也无法长期维持无线传感器网络的稳定运行[9]。图3，图4分别是三种方法的覆盖率、迭代次数与无线传感器网络节点感知半径的关系图。
由图3可知，文献[4，7]、本文方法的覆盖率在仿真实验开始初期就出现了较大的分歧，并且，文献[4]的初期覆盖率最低，本文方法最高。随着节点感知半径的增大，文献[4]的覆盖率增长迅速，最后稳定在85%左右。文献[7]在节点感知半径为3 m时的覆盖率较高，为92%，并仍存在增长趋势。本文方法在节点感知半径为3 m时的覆盖率最高，为98%，也存在增长趋势。
将图4代入到图3中进行分析可知，在相同的仿真实验条件下，本文方法能够以最少的迭代次数获取最高的覆盖率。综合来讲，与传统方法相比，本文方法具有更强的覆盖能力和迭代能力。
无线传感器网络覆盖优化方法的有效性表现在相同覆盖率条件下传感器的运转数量，数量越少，方法的资源利用率和适应度越高，有效性就越强。仿真实验在无线传感器网络的节点上安装了80个传感器，在不断变更覆盖率的条件下，将三种方法下传感器的运转数量记录于表1中。
由表1可以得出，从传感器运转数量的平均值、极大值和极小值来看，文献[4，7]的传感器运转数量都要多于本文方法，验证出本文方法能够合理利用无线传感器网络资源，适应度高，有效性强。
4 结 语
本文提出基于粒子群算法的无线传感器网络覆盖优化方法，构建了无线传感器网络认知模型，对网络覆盖优化的具体流程进行重点设计，并在仿真实验中对方法的覆盖能力、迭代能力和有效性进行验证。结果表明，与传统方法相比，本文方法具有更强的覆盖能力、迭代能力和有效性，能够实现对无线传感器网络节点资源的实质性优化。
参考文献
[1] 林威建，郝泳涛.基于改进粒子群的无线传感器网络覆盖优化算法[J].电脑知识与技术，2015，11（28）：36?39.
[2] 王改云，胡锦艳.基于BP神经网络和蚁群的WSN分簇算法的研究[J].现代电子技术，2015，38（17）：45?48.
[3] 彭大志，王艳.基于混合粒子群算法的无线传感器网络路由协议[J].测控技术，2014，33（7）：93?97.
[4] CLARKE D P， AL?ABDELI Y M， KOTHAPALLI G. The impact of using particle swarm optimization on the operational characteristics of a stand?alone hydrogen system with on?site water production [J]. International journal of hydrogen energy， 2014， 39（28）： 15307?15319.
[5] 冯秀芳，吕淑芳.基于RSSI和分步粒子群算法的无线传感器网络定位算法[J].控制与决策，2014，29（11）：1966?1972.
[6] 刘明伟，张晓滨，杨东山.移动环境下多情景源用户情景序列的提取[J].西安工程大学学报，2015，29（6）：746?750.
[7] 冯琳，冉晓旻，梅关林.基于改进粒子群算法的无线传感网络覆盖优化[J].太赫兹科学与电子信息学报，2015，13（3）：486?490.
[8] 汪华斌，曾少宁，罗伟.基于粒子群优化的无线传感器网络节点定位算法[J].惠州学院学报，2014，34（3）：67?70.
[9] 张亚明，高晓丁.基于PID控制技术的供水网控制系统设计[J].西安工程大学学报，2015，29（5）：578?582.
[10] 魏全增，陈机林，高强，等.基于遗传优化RBF神经网络的电动负载模拟器控制[J].现代电子技术，2015，38（21）：113?117.
摘 要： 传统无线传感器网络覆盖优化方法所选算法的结构不合理，使其覆盖能力、迭代能力和有效性无法维系网络基本功能，为此提出粒子群算法的无线传感器网络覆盖优化方法。通过构建无线传感器网络认知模型，将网络覆盖优化工作转化成求取目标物体最大覆盖几率问题，使用粒子群算法对模型进行编码，利用模型适应度函数给出的约束值对网络节点位置进行更新，实现对无线传感器网络覆盖率的优化。通过分析仿真实验结论可知，与传统方法相比，该方法具有更强的覆盖能力、迭代能力和有效性。
关键词： 粒子群算法； 无线传感器网络； 覆盖优化方法； 模型适应度函数
中图分类号： TN711?34； TP212.9 文献标识码： A 文章编号： 1004?373X（2017）09?0050?04
Abstract： The algorithm selected by the traditional wireless sensor network coverage optimization method has unreasonable structure， which makes its coverage ability， iteration ability and effectiveness incapable of sustaining the network basic functions， therefore a wireless sensor network coverage optimization method based on particle swarm optimization algorithm is proposed. The cognitive model of the wireless sensor network is constructed to convert the network coverage optimization into the getting of the maximum coverage probability of the target object， and encoded with the particle swarm optimization algorithm. The constraint value given by the model fitness function is used to update the location of network node， so as to optimize the coverage probability of the wireless sensor network. The simulation experiment conclusion indicates， in comparison with the traditional methods， the method has higher coverage ability， iteration ability and effectiveness.
Keywords： particle swarm optimization algorithm； wireless sensor network； coverage optimization method； model fitness function
0 引 言
无线传感器网络是一种以监控为基础，对目标事物实施观察的技术，对人类生产、生活的各个方面有着深远影响。无线传感器网络拥有若干节点，所有节点上都安装了微处理芯片和传感器，为节点提供数据分析和传输能力，进而获取到目标事物的监控数据，预测事物的发展方向[1]。但节点的分析和传输能力并非是无穷的，若使无线传感器网络能够更好地达成其对目标事物的预测功能，需要令无线传感器网络对目标事物实施完全覆盖[2]。这一问题的提出为学术界指引了新的研究方向。
无线传感器网络的覆盖优化实际上是在节点资源有限的条件下，经由变更节点方位、增减节点布置、改善网络性能等方式，优化节点资源划分的问题，其与节点能量和目标事物监控等问题关系密切[3]。传统的无线传感器网络覆盖优化方法对无线传感器网络结构进行了深层分析，有效反映了节点能量和目标事物监控等信息的流通方向。但由于所选算法的结构不合理，传统方法的覆盖能力、迭代能力和有效性均需要得到进一步改善[4]。因而，使用粒子群算法的强迭代能力和实用性，提出一种能够实现节点资源实质性优化的无线传感器网络覆盖优化方法。
1 無线传感器网络覆盖优化问题
1.1 无线传感器网络模型
在无线传感器网络中，节点数量以及节点划分区域直接关系着无线传感器网络对目标事物覆盖死角面积，增多节点数量能够提高网络覆盖密度。将节点更多地划分在离目标事物距离近的区域内，可以增强网络数据传输的安全性和准确性[5]。无线传感器网络认知模型搭建的目的就是对无线传感器网络的覆盖死角进行定义和测量，为此，基于粒子群算法的无线传感器网络覆盖优化方法可看成是对认知模型的参数优化问题。
传感器网络节点容易受到噪音和电磁波的扰乱造成传输误差，这些因不可抗拒因素导致的一系列缩减网络覆盖率问题被统称为无效事件[6]。设无线传感器网络认知模型在起点坐标为、终点坐标为的节点上测量到存在无效事件的几率为，降低即可提高覆盖率。的定义式为：
2 粒子群算法的传感器网络覆盖优化
根据上述描述，使用粒子群算法优化无线传感器网络覆盖率，简要介绍粒子群算法的基本原理，对网络覆盖优化流程进行重点设计。
2.1 粒子群算法的工作原理
粒子群算法是进化算法的一个流派，也是生物随机索引算法中的一个分支，是当前的研究热点。粒子群算法的基本原理如图1所示。
由图1可知，粒子群算法的实现非常简单，其基本原理就是使用迭代方式得到最优解，对粒子的速度和坐标进行实时更新[7]。算法先初始化粒子，将历史最优解赋予粒子。在算法进入迭代流程前，先设置一个位置参数的最大值，即循环系数，负责控制算法的迭代次数。每迭代一次，位置参数的值便增加1，当大于循环系数，则停止迭代。粒子群算法的迭代工作可得到粒子适应度，并以适应度为标准依次更新粒子的历史最优解、粒子群最优解以及粒子的速度和坐标[8]。粒子速度与坐标的更新方程为：
式中：是粒子初始设定值；是粒子群算法的学习因子，通常取值为2；是随机参数；是粒子适应度约束值。
2.2 无线传感器网络覆盖优化流程
基于粒子群算法的无线传感器网络覆盖优化方法的优化流程如图2所示。
首先对模型进行编码，其目的是固定节点位置，粒子群算法的编码是一种二进制百兆数据码，编码长度与无线传感器网络节点数量相等。当模型中节点参数满足为获取的最大值，粒子群算法的编码结果应满足下式：
式（6）中的元素取值为0或1，0表示传感器节点可以被重新安置，1表示固定节点。
适应度是评价最优解质量的函数，在粒子群算法进行迭代工作前，需要提前设置适应度函数并计算出无线传感器网络认知模型的初始适应度，方便对迭代结果进行对比，输出最合适的节点优化位置，实现对无线传感器网络覆盖率的最佳优化。
在式（6）给出的编码基础上，使用式（7）计算模型适应度：
式中：无线传感器网络覆盖率瞬时值可通过式（4）进行求取；和分别表示在无线传感器网络中的初始权重和实际权重。
当式（7）满足时，可达最大值。因此，粒子群算法迭代工作的目標就是令。实现迭代目标后，基于粒子群算法的无线传感器网络覆盖优化方法需要对无线传感器网络的节点位置进行更新，并输出优化后的无线传感器网络覆盖率。
3 实验结果与分析
实验利用计算机仿真技术给出一个半径为3 m的无线传感器网络。仿真实验初期，无线传感器网络的初始覆盖率为21%。在此基础上对本文提出的基于粒子群算法的无线传感器网络覆盖优化方法进行仿真实验。同时，对文献[4]和文献[7]中的方法也分别进行仿真实验。将三种方法下的实验结果进行对比，确定出本文方法的覆盖能力、迭代能力和有效性是否能够超越传统方法。
提升无线传感器网络覆盖率是文献[4，7]以及本文方法提出的基本目标。在最大化提升覆盖率的同时，方法的迭代性能也不容忽视。迭代性能是保证无线传感器网络覆盖优化方法能够持续提升覆盖率的基础，迭代性能不强的方法，即便在某一节点上的覆盖率很高，也无法长期维持无线传感器网络的稳定运行[9]。图3，图4分别是三种方法的覆盖率、迭代次数与无线传感器网络节点感知半径的关系图。
由图3可知，文献[4，7]、本文方法的覆盖率在仿真实验开始初期就出现了较大的分歧，并且，文献[4]的初期覆盖率最低，本文方法最高。随着节点感知半径的增大，文献[4]的覆盖率增长迅速，最后稳定在85%左右。文献[7]在节点感知半径为3 m时的覆盖率较高，为92%，并仍存在增长趋势。本文方法在节点感知半径为3 m时的覆盖率最高，为98%，也存在增长趋势。
将图4代入到图3中进行分析可知，在相同的仿真实验条件下，本文方法能够以最少的迭代次数获取最高的覆盖率。综合来讲，与传统方法相比，本文方法具有更强的覆盖能力和迭代能力。
无线传感器网络覆盖优化方法的有效性表现在相同覆盖率条件下传感器的运转数量，数量越少，方法的资源利用率和适应度越高，有效性就越强。仿真实验在无线传感器网络的节点上安装了80个传感器，在不断变更覆盖率的条件下，将三种方法下传感器的运转数量记录于表1中。
由表1可以得出，从传感器运转数量的平均值、极大值和极小值来看，文献[4，7]的传感器运转数量都要多于本文方法，验证出本文方法能够合理利用无线传感器网络资源，适应度高，有效性强。
4 结 语
本文提出基于粒子群算法的无线传感器网络覆盖优化方法，构建了无线传感器网络认知模型，对网络覆盖优化的具体流程进行重点设计，并在仿真实验中对方法的覆盖能力、迭代能力和有效性进行验证。结果表明，与传统方法相比，本文方法具有更强的覆盖能力、迭代能力和有效性，能够实现对无线传感器网络节点资源的实质性优化。
参考文献
[1] 林威建，郝泳涛.基于改进粒子群的无线传感器网络覆盖优化算法[J].电脑知识与技术，2015，11（28）：36?39.
[2] 王改云，胡锦艳.基于BP神经网络和蚁群的WSN分簇算法的研究[J].现代电子技术，2015，38（17）：45?48.
[3] 彭大志，王艳.基于混合粒子群算法的无线传感器网络路由协议[J].测控技术，2014，33（7）：93?97.
[4] CLARKE D P， AL?ABDELI Y M， KOTHAPALLI G. The impact of using particle swarm optimization on the operational characteristics of a stand?alone hydrogen system with on?site water production [J]. International journal of hydrogen energy， 2014， 39（28）： 15307?15319.
[5] 冯秀芳，吕淑芳.基于RSSI和分步粒子群算法的无线传感器网络定位算法[J].控制与决策，2014，29（11）：1966?1972.
[6] 刘明伟，张晓滨，杨东山.移动环境下多情景源用户情景序列的提取[J].西安工程大学学报，2015，29（6）：746?750.
[7] 冯琳，冉晓旻，梅关林.基于改进粒子群算法的无线传感网络覆盖优化[J].太赫兹科学与电子信息学报，2015，13（3）：486?490.
[8] 汪华斌，曾少宁，罗伟.基于粒子群优化的无线传感器网络节点定位算法[J].惠州学院学报，2014，34（3）：67?70.
[9] 张亚明，高晓丁.基于PID控制技术的供水网控制系统设计[J].西安工程大学学报，2015，29（5）：578?582.
[10] 魏全增，陈机林，高强，等.基于遗传优化RBF神经网络的电动负载模拟器控制[J].现代电子技术，2015，38（21）：113?117.
