论文部分内容阅读
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。