基于改进粒子群算法的WSN节点部署优化

文章目录

  • 一、理论基础
    • 1、PSO算法(经典粒子群算法)
    • 2、UPSO算法(均匀搜索粒子群算法)
    • 3、CPSO算法(本文算法)
  • 二、仿真实验与结果分析
  • 三、参考文献
  • 四、Matlab仿真程序

一、理论基础

1、PSO算法(经典粒子群算法)

请参考这里。

2、UPSO算法(均匀搜索粒子群算法)

由文献[1]的推导,UPSO算法的位置和速度更新公式如下: { v i ( t + 1 ) = w v i ( t ) + c [ r p i ( t ) + ( 1 − r ) p g ( t ) − x i ( t ) ] x i ( t + 1 ) = x i ( t ) + v i ( t + 1 ) (1) \begin{dcases}v_i(t+1)=wv_i(t)+c[rp_i(t)+(1-r)p_g(t)-x_i(t)]\\x_i(t+1)=x_i(t)+v_i(t+1)\end{dcases}\tag{1} { vi(t+1)=wvi(t)+c[rpi(t)+(1r)pg(t)xi(t)]xi(t+1)=xi(t)+vi(t+1)(1)

3、CPSO算法(本文算法)

为避免基本粒子群算法早熟收敛,提高算法寻优效率,在满足粒子群稳定性条件基础上,通过分析惯性权重对粒子行为的影响,提出一种惯性权重余弦自适应调整策略,改进惯性权重公式定义为 w ( t ) = 0.1 + 0.9 c o s ( t / m a x g e n ) (2) w(t)=0.1+0.9cos(t/maxgen)\tag{2} w(t)=0.1+0.9cos(t/maxgen)(2)通过余弦调整惯性权重,较之固定权重增加了粒子群行为的自适应性,算法初期惯性权重较大,粒子行为较为分散,具有较大的搜索空间,避免算法陷入局部最优,提高全局搜索能力;随着算法运行惯性权重逐渐减小,粒子行为集中,缩小搜索空间,提高局部寻优能力,加速算法收敛。
同时为加强粒子学习能力,避免陷入局部最优,参考文献[2]提出基于惯性权重的学习因子调整策略,并根据粒子行为稳定性条件进行修正,得出结论,学习因子 h 1 , h 2 h_1,h_2 h1,h2公式为 { h 1 ( t ) = 1.3 + 1.2 c o s ( π w ( t ) ) h 2 ( t ) = 2 − 1.2 c o s ( π w ( t ) ) (3) \begin{dcases}h_1(t)=1.3+1.2cos(\pi w(t))\\h_2(t)=2-1.2cos(\pi w(t))\end{dcases}\tag{3} { h1(t)=1.3+1.2cos(πw(t))h2(t)=21.2cos(πw(t))(3)因此,改进粒子群算法的速度和位置更新公式为 v i ( t + 1 ) = w ( t ) v i ( t ) + h 1 ( t ) r 1 ( t ) [ p i ( t ) − x i ( t ) ] + h 2 ( t ) r 2 ( t ) [ p g ( t ) − x i ( t ) ] (4) v_i(t+1)=w(t)v_i(t)+h_1(t)r_1(t)[p_i(t)-x_i(t)]+h_2(t)r_2(t)[p_g(t)-x_i(t)]\tag{4} vi(t+1)=w(t)vi(t)+h1(t)r1(t)[pi(t)xi(t)]+h2(t)r2(t)[pg(t)xi(t)](4) x i ( t + 1 ) = x i ( t ) + v i ( t + 1 ) (5) x_i(t+1)=x_i(t)+v_i(t+1)\tag{5} xi(t+1)=xi(t)+vi(t+1)(5)改进粒子群算法主要流程如图1所示。
基于改进粒子群算法的WSN节点部署优化_第1张图片

图1 改进粒子群算法流程

二、仿真实验与结果分析

实验环境参数设置如下:为模拟WSN环境布局,实验空间设置为50m×50m方形区域,在该区域内随机部署35个同构传感器节点,节点感知半径 R s = 5 m R_s=5m Rs=5m,通信半径 R c = 10 m R_c=10m Rc=10m,感知误差半径 R e = 0.1 m R_e=0.1m Re=0.1m,采用与文献[3]相同的节点覆盖模型。
为进行有效对比验证,3种算法参数设置中,种群规模 N N N统一设置为50,迭代次数 m a x g e n maxgen maxgen统一设置为300,其中本文改进算法惯性权重与学习因子设置分别选取式(2)、式(3);基本粒子群算法惯性权重设置为1,学习因子 h 1 = h 2 = 2.5 h_1=h_2=2.5 h1=h2=2.5;文献[1]均匀搜索粒子群算法惯性权重设置为1,学习因子 h = 2.5 h=2.5 h=2.5
图2为3种算法网络覆盖率对比曲线。
基于改进粒子群算法的WSN节点部署优化_第2张图片

图2 网络覆盖率对比曲线

图3~图6为初始部署图和3种算法的优化覆盖图。
基于改进粒子群算法的WSN节点部署优化_第3张图片

图3 初始部署

基于改进粒子群算法的WSN节点部署优化_第4张图片

图4 PSO算法优化覆盖

基于改进粒子群算法的WSN节点部署优化_第5张图片

图5 UPSO算法优化覆盖

基于改进粒子群算法的WSN节点部署优化_第6张图片

图6 CPSO(本文改进算法)优化覆盖

结果表明,改进算法在保证粒子群稳定性的基础上,提高了粒子群算法收敛速度以及全局搜索能力,显著提升了无线传感器网络节点部署的覆盖率。

三、参考文献

[1] 吴晓军, 杨战中, 赵明. 均匀搜索粒子群算法[J]. 电子学报, 2011, 039(006):1261-1266.
[2] 赵远东, 方正华. 带有权重函数学习因子的粒子群算法[J]. 计算机应用, 2013, 33(08):2265-2268.
[3] 徐钦帅, 何庆, 魏康园. 改进蚁狮算法的无线传感器网络覆盖优化[J]. 传感技术学报, 2019, 32(02):266-275.
[4] 李少波, 张成龙, 郑凯. 基于改进粒子群算法的制造车间WSN部署优化[J]. 仪表技术与传感器, 2017(10).

四、Matlab仿真程序

下载地址:
https://download.csdn.net/download/weixin_43821559/18207887

你可能感兴趣的:(无线传感器网络,matlab,matlab,WSN节点部署,粒子群算法)