基于PSO算法无线传感器网络覆盖优化的研究

【摘要】：无线传感器网络(Wireless Sensor Network-WSN)作为物联网的“末梢神经”,是一种综合数据感知与采集、融合处理和信息传输功能于一体的无线自组织智能群体型网络信息系统,其典型的应用就是监测某个目标区域,采集人们所需的各种客观世界的物理信息,实际情况中,大部分监测区域都是人类无法直接到达进行确定性部署的,但可以通过随机散播传感节点以自组织的方式形成WSN。传感器节点其物理结构固有的特性导致节点感知范围是有限的,故不能有效地保证监测区域的覆盖率达到应用的需求,因此WSN要想得到广泛的实际应用,覆盖率必须得到保证,这关系着网络的性能及服务质量。由于无线传感器网络是典型的群体型网络,其覆盖控制问题很明显地具有群体自组织的特征,因此本文在群体智能算法的基础上建立了覆盖优化策略,论文的主要工作如下： 1、分析了全局版粒子群(Global Particle Swarm Optimization:G-PSO)和局部版粒子群(Local Particle Swarm Optimization:L-PSO)算法形成、原理、步骤及流程,在主频：2.30GHZ, Matlab-R2012a环境下对G-PSO、L-PSO算法设计区域覆盖优化仿真实验(以下实验环境均同上)并分析影响因子,根据实验结果提出改进思路。 2、针对G-PSO算法中最差粒子在整个种群进化过程中的变化情况,设计了最差机遇全局粒子群算法(The Worst Challenge G-PSO)WCG-PSO,通过仿真实验,将WCG-PSO与G-PSO在同等实验参数条件下进行对比分析。 3、分析局部版粒子群L-PSO邻域学习粒子的影响力及效果,提出了萤火虫粒子群算法(Glowworm L-PSO)GL-PSO,将萤火虫中的吸引度与亮度关系思想引入到局部邻域获取中,通过仿真实验,将GL-PSO与L-PSO在同等实验参数条件下进行对比分析。 4、将G-PSO与GL-PSO算法融合形成GLG-PSO。并通过在同等实验参数条件下设计覆盖优化仿真实验,并与上述几种改进的算法对比,得出GL-PSO覆盖方案较优,融合后的GLG-PSO算法性能不及GL-PSO,但为下面进一步的改进提供了思路。 5、将GL-PSO与混洗蛙跳算法融合形成(GL-PSO)-Shuffled Frog Leaping Algorithm: GLPSO-SFLA算法,利用蛙跳算法的深度局部搜索及全局交流的思想并结合萤火虫粒子群算法的优质邻域学习信息进行优化,并与上述的G-PSO、WCG-PSO、L-PSO、GL-PSO、 GLG-PSO算法在同等实验参数条件下进行实验对比,得出GLPSO-SFLA算法的覆盖方案最优,使得随机部署节点自组织的无线传感器网络区域覆盖率达到最高。

【关键词】： 覆盖优化   粒子群优化   最差机遇   萤火虫   改进融合   混洗蛙跳算法融合  
【学位授予单位】：南京理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TN929.5;TP212.9
【目录】：

• 摘要3-4
• Abstract4-8
• 1 绪论8-12
• 1.1 研究问题8
• 1.2 研究目的8-9
• 1.3 研究现状9-10
• 1.4 论文结构安排10-12
• 2 无线传感器网络概述12-20
• 2.1 无线传感器网络相关介绍12-15
• 2.1.1 网络概述12-13
• 2.1.2 网络协议栈结构13
• 2.1.3 网络分类13-14
• 2.1.4 传感器节点物理结构14
• 2.1.5 节点感知模型14-15
• 2.2 覆盖数学模型及分析15-16
• 2.3 覆盖类型分类16-17
• 2.4 群智能算法在覆盖优化中的研究17-18
• 2.5 本章小结18-20
• 3 粒子群算法在覆盖优化中的研究20-40
• 3.1 粒子群算法概述20-21
• 3.1.1 粒子群算法简介20
• 3.1.2 粒子群算法产生20-21
• 3.2 粒子群算法原理21-22
• 3.3 粒子群算法研究22-23
• 3.4 粒子群算法仿真实验23-27
• 3.4.1 全局粒子群算法步骤23-24
• 3.4.2 实验仿真及最差粒子分析24-25
• 3.4.3 局部粒子群算法步骤25-26
• 3.4.4 实验仿真及邻域学习粒子分析26-27
• 3.5 粒子群算法改进27-38
• 3.5.1 最差机遇粒子群WCG-PSO算法分析27-30
• 3.5.2 萤火虫粒子群算法GL-PSO分析30-33
• 3.5.3 G-PSO与GL-PSO融合的GLG-PSO算法33-36
• 3.5.4 改进算法实验结果对比分析36-38
• 3.6 本章小结38-40
• 4 GL-PSO与混洗蛙融合的覆盖优化算法GLPSO-SFLA40-56
• 4.1 混洗蛙跳算法概述40-41
• 4.1.1 算法简介及研究成果40-41
• 4.1.2 混洗蛙跳算法产生41
• 4.2 混洗蛙跳算法模型建立41-43
• 4.2.1 混洗蛙算法原理41-42
• 4.2.2 混洗蛙算法流程42-43
• 4.3 算法参数分析43-45
• 4.3.1 模因组数目与模因组内蛙的个数43-44
• 4.3.2 模因组内局部迭代的次数44-45
• 4.3.3 参数总结45
• 4.4 GL-PSO算法与混洗蛙SFLA融合的GLPSO-SFLA算法45-52
• 4.4.1 PSO与SFLA算法融合的研究45-46
• 4.4.2 GL-PSO与SFLA融合的GLPSO-SFLA算法思想46-52
• 4.5 实验仿真对比分析52-54
• 4.6 本章小结54-56
• 5 总结与展望56-58
• 5.1 论文总结56-57
• 5.2 论文展望57-58
• 致谢58-60
• 参考文献60-64
• 附录64-66

下载全文  更多同类文献   团体订阅中心

CAJ全文下载

(如何获取全文？ 欢迎：购买知网充值卡、在线充值、在线咨询)

CAJViewer阅读器支持CAJ、PDF文件格式