杨巍

辽宁锦州渤海大学工学院

PSO算法优化可充电无线传感器网络

杨巍

辽宁锦州渤海大学工学院

节点感知范围的限制性是和传感器节点的相关物理结构特性有着重要的联系，所以不可以确保监测区域的范围能够满足具体的需求，无线传感器网络的覆盖控制问题的特征是群体自组织，本文基于PSO算法构建了覆盖优化策略，确保了覆盖率的实现。

无线传感器网络 PSO 覆盖率

1 无线传感器网络概述

无线传感器网络所具有的能力主要包括了计算、感知以及通信等，采用的方式是结合随机性散播与确定性部署，在某监测区域的附近部署节点。无线传感器网络的结构图如图1所示。

图1 无线传感器网络的结构图

无线传感器网络主要的作用是感知被监测区域所处的环境，实现数据的采集与转发，从而最终将数据进行分析后，传递给监测中心抑或是用户终端，用户根据一些基础的网络设施从而远程监测以及访问监测中心，最终达到实时跟踪人类由于环境的变化而发生的变化等。传感器节点一般结构示意图如图2所示。

图2 传感器节点结构示意图

2 粒子群算法概述

在20世纪50年代中期，出现了多种仿生群智能算法，比如蜂群算法与细菌群体优化算法等，通过这些算法从而进一步地处理了一些复杂的问题。1987年诞生了PSO（粒子群优化算法）的模型理论，在1995年Kennedy提出了PSO算法。PSO算法作为高效与新颖并行的一种群智能算法，算法中不包括相关的目标函数梯度信息，而且参数也比较少，实现起来比较容易，得出的问题的精确度也很高。

3 粒子群算法原理

在基于鸟群捕食行为的相关研究，Kennedy提出了PSO算法，在粒子群算法中，将鸟设定成候选可行解也就是所谓的粒子，该候选可行解是D维搜索空间中的解。其中候选可行解的最优值是和鸟与食物之间的距离有着直接的影响关系，粒子解群的进化也就意味着鸟群的迁徙，根据鸟群飞行中的速度初始化的，以及两个“极值点”，这极值点主要指的是历史最优解与全局极值，从而进一步判断鸟的飞行方向，并且决定鸟的移动位置，最终实现优化算法。

PSO算法实现起来比较方便，而且所具有的参数也比较少，但是粒子群算法也存在着不足之处：①影响粒子局部阶段性的最优解会受到粒子在飞行过程中所处的历史位置影响，而影响所求值的精确度；②设置的参数值不当或设置的数目不对，会导致整个求解过程中求解能力减低，使得全局极值点不是最优。

4 粒子群算法改进

根据G-PSO算法中的粒子的运动情况的变化从而进行最差机遇粒子群算法的设计，萤火虫粒子群算法的设计基于L-PSO算法，考虑到全局版粒子群算法较快的收敛速度和局部版粒子群算法的收敛慢，不太会出现局部极值点，然而有着较快的全局版粒子群算法和收敛比较慢的很容易出现早熟的局部极值点，结合萤火虫粒子群算法和全局版粒子群算法最终形成的算法是GLG-PSO算法，当实验中的参数设置一致，进行结果分析，并且分析算法的优缺点。WCG-PSO算法流程如图3所示。

图3 WCG-PSO算法流程

4.1 改进算法实验结果对比分析

当参数设定是一样的时候，分析算法的改进情况如下。

图4 改进算法覆盖优化实验对比图

位置的变化范围是从[0，20]到[0，20]，节点的个数设置为20，迭代次数设置为400，感知的半径设置为r=3，而速度的变化范围区间是[-2，2]。算法改进的仿真对比结果如图4所示。

实验对比结果表如表1所示。

表1 实验对比结果表

从表1中能够发现，全局版粒子群算法能够对随机散播方式的传感器节点所产生的WSN的覆盖率进行改善，覆盖率提高了6.57%，而且当参数设置是一样的情况下WCG-PSO算法的覆盖率比G-PSO算法高出3.16%，其中的收敛速度也提高了32.04%。

结语：本文介绍了PSO算法优化网络，物联网的末梢神经是无线传感器网络，主要集合了信息传输与融合处理以及感知数据等的智能群体型，对目标区域进行监测，将来自人类客观世界中的物理信息进行采集，确定性部署多数人类很难达到监测区，确保覆盖率的实现。

[1]梁英,于海斌,曾鹏.应用PSO优化基于分簇的无线传感器网络路由协议[J]. 控制与决策, 2006, 21(4):453-456

[2]蒋畅江,石为人,向敏,等.基于PSO的无线传感器网络节能分簇协议[J]. 计算机工程, 2010, 36(8):15-17

[3]范兴刚,王翊,介婧,等.基于离散PSO的分层多链无线传感器网络路由算法[J].传感技术学报, 2010, 23(7):1006-1011

[4]张斌,陈国龙,郭文忠.无线传感器网络中带PSO-BPNN的时空预测算法[J].小型微型计算机系统, 2014, 35(9):2052-2057