基于惯性权重蛙跳算法的WSN布局优化.pdf

《基于惯性权重蛙跳算法的WSN布局优化.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第35卷第6期东北电力大学学报Vo1．35．No．62015年12月JournalOfNortheastDianliUniversityDec．．2015文章编号：1005-2992(2015)06—0066—04基于惯性权重蛙跳算法的WSN布局优化滕志军，张晓旭(东北电力大学信息工程学院，吉林吉林132012)摘要：针对传统混合蛙跳算法(ShufledFrogLeapingAlgorithm，SFLA)易陷入局部极值的问题，在青蛙最差个体的更新策略中引入反正切惯性权重加以修正，从而使该算法具有更强的全局搜索能力及局部搜索能力。将提出的改进型蛙跳算法应用到WSN(WirelessSens

2、orNetwork，WSN)覆盖优化问题中，通过理论数据分析及仿真结果证明，改进的蛙跳算法较传统的SFLA、PS0、WIS-SFLA对网络覆盖率有较大的提升，是一种较优的覆盖优化方法。关键词：混合蛙跳算法；覆盖优化；无线传感器网络；布局中图分类号：TN99文献标识码：A无线传感器网络节点的合理部署能够有效提升网络覆盖率，降低网络能耗，延长网络生存周期，是实现无线传感器网络优化的核心问题¨J。混合蛙跳算法(ShufledFrogLeapingAlgorithm，SFLA)是由Lansey及Eusuf于2003年提出的一种基于全局协同搜索的群智能优化算法。本文提出了一种基于混合蛙跳算法的无线

3、传感器网络覆盖策略，并通过在青蛙个体的状态更新过程中引入反正切函数惯性权重来解决传统混合蛙跳算法的“早熟收敛”问题，改进后的蛙跳算法能够实现无线传感器网络的合理化布局，有效提高无线传感器网络的覆盖率。1改进的蛙跳算法1．1基本蛙跳算法混合蛙跳算法是结合了基于遗传行为的模因算法及基于社会行为的粒子群算法的优点，通过模拟青蛙觅食过程而提出的一种新型仿生智能算法。其基本原理为：在D维搜索空间下，随机初始化只具有相同特性结构的青蛙，将每只青蛙的位置视为优化空间中的一个可行解。第i只青蛙在t时刻下的位置为：X(t)=((t)，(t)，⋯，。(t))，计算出每只青蛙的适应度函数值()，并依据适应度函

4、数值的好坏将只青蛙降序排列，将其划分为Q个子群，子群规模为5，其中M，Q，S满足关系式M=Q×5。分组规则为：第1只分配到第1个子群，第2只分配到第2个子群，直到第Q只分配到第Q个子群，然后将第5+1只分配到第1个种群，依次类推，直到将全部青蛙分配完毕为止。在时刻下，对于每个子群，具有最优适应度的青蛙个体记为P(t)：[P。(t)，P(t)，⋯，P。(t)]，具有最差适应度的青蛙个体记为P(t)=[P(t)，P以(t)，⋯，P。(t)r，具有全局最优适应度的青蛙个体记为P(t)=[P。(t)，P(t)，⋯，P(t)。然后在每个子群中进行局部深度搜索，对每个子群中的P(t)在(t+1)时刻

5、的位置通过如下更新策略获得：收稿日期：2015—09—12作者简介：滕志军(1973-)，男，吉林省吉林市人．东北电力大学信息工程学院教授，博士，主要研究方向：无线通信技术第6期滕志军等：基于惯性权重蛙跳算法的WSN布局优化67Dis(t+1)=rand()·(P6(t)一P(t))，(1)其中，rand()为分布于[0，1]之间的随机数，Dis(t+1)表示本次更新时在第i维上的移动步长。【一D，D⋯]为青蛙每次进行更新时的移动步长区间。每次进行更新后，若P(t+1)较尸(t)更优，则用P(t+1)替换原子群中的最差解。否则，用P(t)替换P(t)按下式进行移动步长计算：Dis(t+1

6、)=rand()·(P()一P())，(2)重新按对P(t)行更新。若仍未改进，则需在定义域内随机产生一个新解替换原子群内的P(t)。重复执行以上更新操作直到满足预设的迭代次数即完成一轮各子群的局部深度搜索。然后对各子群的全部青蛙重新进行混合、排序及划分子群，继续执行局部深度搜索，如此反复至达到预设的结束条件为止。1．2蛙跳算法的改进为解决传统的混合蛙跳算法在寻优过程中存在的“早熟收敛”问题，借鉴粒子群算法的更新策略]，将反正切函数惯性权重w引入混合蛙跳算法步长更新策略中以实现蛙跳算法在寻优过程中局部深度搜索与全局信息交换的平衡，提高算法“跳出局部极值”的能力。改进后具体的更新策略如下：

7、newDis(t+1)=W·rand()·(P6(t)一P(t))，(3)P(t+1)=P()+newDis(t+1)，(4)f×Aw=(W一W)×arctan(1．56(1一(=_——)))+W，(5)^smnmm其中：，W取值是0．9和0．4，分别为惯性权重因子的初始值及结束值。t为子群内当前迭代次数，t为当前混合迭代次数。t⋯为子群内迭代次数的最大值，t为混合迭代次数最大值。A是控制因子，取值区间为[0．4，0．7]，适当调整