APP下载

基于离散粒子群算法的无线传感器网络拓扑优化

2021-09-14黄红波王勇智

电脑知识与技术 2021年22期
关键词:无线传感器网络网络拓扑

黄红波 王勇智

摘要:无线传感器网络技术的出现使得农业更加精准化、智能化,其在农业上的应用环境如果园与水果大棚等往往具有面积大、作物多等特点,需要更多的传感器节点以用于监测。由于传感器节点往往使用电池进行供电,有限的能量也给网络的鲁棒性带来了更大的挑战。基于离散粒子群算法设计了一种无线传感器网络的拓扑优化算法,在保证网络覆盖的情况下,通过尽可能减少活动节点的数量来降低网络的能量损耗,延长网络的生命周期,从而提高无线传感器网络的鲁棒性。

关键词:无线传感器网络;离散粒子群优化算法;网络拓扑

Abstract:The emergence of wireless sensor network technology makes agriculture more precise and intelligent. Its application environment in agriculture, such as gardens and fruit greenhouses, often has the characteristics of a large area and many crops, and more sensor nodes are needed for monitoring. Since batteries often power sensor nodes, limited energy brings more significant challenges to the network's robustness. This paper sets up a topology optimization algorithm for wireless sensor networks based on the discrete particle swarm algorithm. Under the condition of ensuring network coverage, the energy loss of the network is reduced by reducing the number of active nodes as much as possible, and the life cycle of the network is prolonged, thereby improving the robustness of the wireless sensor network.

Key words:wireless sensor network; discrete particle swarm optimization algorithm; network topology

1 引言

无线传感器网络的迅速发展,推动了农业的精准化、智能化发展。为最大化无线传感器网络的生命周期,保障农业环境监测的稳定性,研究降低网络能耗的方法至关重要[1,2]。粒子群算法(Particle Swarm Optimization, PSO)[3]模仿鸟群、鱼群等群体智能,将连续空间的优化求解问题转化为粒子朝着全局最优解不断移动的过程,其搜索速度快、效率高、算法简单,但对于离散的优化问题处理不佳[4]。为了解决在进行农业大棚环境监测过程中,无线传感器网络存在的各节点剩余能量及负载不均的问题,我们设计了一种基于离散粒子群算法的网络拓扑优化算法(DiscreteParticle Swarm OptimizationforTopologyControl, DPSOTC),算法采用一个激活函数将连续空间内的粒子位置转化为离散空间内的位置,通过将节点的邻居节点数以及剩余能量等建立适应度函数,来优化无线传感器网络的拓扑,能有效求出满足网络覆盖条件下所需的最少活动节点数,从而能提高无线传感器网络的生命周期,增强网络的鲁棒性。

2粒子群优化算法简述

在粒子群算法中,每个粒子在初始化时将被分配一个随机的位置与速度,每个粒子的位置代表着一个可行解。对于种群规模为[Np],维度为[D]的种群,一个粒子[i∈[1,Np]]在第[t+1]次迭代时,[d∈[1,D]]维的解空间位置

3基于离散粒子群算法的无线传感器网络拓扑优化算法

粒子群算法的优化求解问题是一个连续空间问题,而无线传感器网络中节点的活动与否是一个离散空间问题。为将粒子群算法应用到精准农业的无线传感器网络拓扑优化问题中,我们设计了一种基于离散粒子群算法的无线传感器网络拓扑优化算法DPSOTC。

算法首先采用一个激活函数将连续空间内的粒子位置[Xi,dt]转化为离散空间内的位置[Bi,dt],激活函数定义如下:

通过该函数,粒子当前在连续空间内的位置[Xi,dt]将被转化为[ (0,1)]上的输出,并且其值越接近于1代表粒子在连续空间内的位置越大,其值越接近于0则连续空间内的位置越小。通过设置一个阈值,可以将激活函数的输出划分为0和1两类,即离散空间内的位置[Bi,dt]。

其中,阈值[rand]為[0,1]范围内的一个满足均匀分布的随机数。[Bi,dt]表示第t次迭代后,粒子群中第[i]个粒子的位置所代表的无线传感器网络中第[d]个节点的状态。为0表示该节点处于休眠状态,为1则表示该节点处于活动状态。通过统计粒子在所有维度的位置,即可得到无线传感器网络中所有节点的状态,即网络拓扑。

针对农业无线传感器网络监测面积大、节点多、地势复杂、作物多样化以及要求低能耗等特点,结合相应农业监测系统的设计原理和需求分析,我们提出的算法PSOTC在搜索过程中更倾向于寻找节点邻居数大、剩余能量多且活动节点少的解。为了解决这个问题,我们将公式(3)、(4)中的适应度函数进行了针对的改进,提出了一个基于节点[d]的邻居数[Nd]、剩余能量[Ed]以及其在离散空间的位置[Bi,d]的适应度函数,以此评估算法在每次迭代过程中所有粒子构成的网络拓扑的优劣,其值越小代表着得到的网络拓扑越优秀。即

猜你喜欢

无线传感器网络网络拓扑
基于通联关系的通信网络拓扑发现方法
能量高效的无线传感器网络拓扑控制
2017款捷豹F-PACE网络拓扑图及图注
劳斯莱斯古斯特与魅影网络拓扑图
基于无线传感器网络的绿色蔬菜生长环境监控系统设计与实现
基于无线传感器网络的葡萄生长环境测控系统设计与应用
一种改进的基于RSSI最小二乘法和拟牛顿法的WSN节点定位算法
对无线传感器网络MAC层协议优化的研究与设计
无线传感器网络技术综述
基于多任务异步处理的电力系统序网络拓扑分析