精英免疫蚁群文中针对任务分配任务执行效率最大化的农业无线传感器网络

文摘

农业的研究无线传感器网络(AWSNs)中扮演一个重要的角色在设施农业领域的技术。中的温度和湿度节点AWSNs非常小,他们是有限的计算、网络管理、信息收集和存储大小。在这种情况下,任务分配中扮演着重要角色在改善的性能AWSNs减少能源消耗和计算约束。然而,任务分配的优化是一个非线性约束优化问题的复杂性增加时有限的计算能力和权力等约束。在这篇文章中,一个精英免疫蚁群优化(EIACO)提出了处理任务分配优化的问题,这是出于免疫理论和精英的优化理论。EIACO使用蚁群优化(ACO)结合克隆算子和精英算子在一起任务分配的优化。EIACO的表现与不同数量的温度和湿度传感器节点和任务比较了遗传算法(GA)和模拟退火(SA)算法。仿真结果表明,该EIACO有更好的任务执行效率和收敛速度高于GA和SA。此外,EIACO的收敛速度快于GA和SA。因此,整个系统由该算法可以提高效率。

1。介绍

与快速发展的研究和开发高效的软件算法,电子和移动网络显示巨大的潜力在计算,管理网络,收集信息,低成本、和自适应1]。农业无线传感器网络(AWSNs)是由一些无线传感器监测环境的温度和湿度(2]。每个温度和湿度传感单元包括数据采集、计算能力,短程无线电发射机,数据存储和电源(3- - - - - -7]。AWSNs已经应用于许多重要领域如智能家庭、军事、自动化援助为老年人监视器、环境、多媒体监控,避免和交通(8,9]。

最近新兴的成功AWSN技术鼓励研究人员开发新的任务分配算法。一般情况下,温度和湿度传感器是小和计算能力有限10]。小心任务分配方案可以有效的优化是一个实现理想的高能消费目标,包括计算能力约束。任务分配问题在本质上是组合的,由无数的硬约束,如[有限计算能力和计算能力11,12]。

在本文中,一个EIACO-based任务分配方法提出了任务执行效率最大化。评估效率的算法,首先给出了任务分配的数学模型。之后,免疫和精英选择机制引入蚁群优化(ACO)。任务分配的适应度函数是用来优化任务执行效率。结果表明,该免疫策略和精英策略改进EIACO的全局搜索能力。

在模拟EIACO显示一个伟大的找到最优个体的能力。它也可以避免当地的最适条件。模拟表明,实现成AWSNs时EIACO有更好的性能。

剩下的纸是组织如下。部分2讨论了相关工作。部分3介绍了任务分配模型和我们的问题描述。拟议中的EIACO然后扩展到优化任务分配的性能4。仿真和结果的部分5。最后,结论部分6。

2。相关工作

在无线传感器网络中,一个有效的任务分配方案可以达到低总计算时间以及低能源成本,增加网络的奖励,提高网络的生命周期。在[13),一个分布式任务分配策略基于粒子群优化(PSO)算法。此外,可以快速、直接分配任务。为了减少能源消耗和延长寿命,heuristic-based算法。任务分发给传感器节点在不同分配阶段平衡工作负载(14]。在[15),一个社交网络优化算法处理任务分配问题减少总计算时间和能源成本。

穷举搜索可以实现任务执行效率高与其它方案相比,但其计算复杂度太高,实际实现。出于这个原因,许多启发式的实际情况(16),如遗传算法(GA),蚁群优化(ACO)和粒子群优化。针对这个问题在异构无线传感器网络中,遗传算法是第一个发现并评估其能力通过任务执行效率(17]。它已经被用于任务分配网络中传感器的资源和计算能力是有限的。事实证明,有限的计算能力的计算复杂度成倍增加传感器节点的数量和目标。在[18),股价可以实现任务执行效率高在处理任务分配问题。在[19GA),作者提出了一个方案来提高系统性能更好的网络总系统效率。遗传算法适应性强,但有很多问题,比如计算复杂度。在他们的工作,他们的任务执行效率最大化,但忽视能力约束的计算(20.,21]。

3所示。任务分配模型

在本节中,任务分配的数学模型,给出AWSNs对计算能力和计算能力有限的约束。在[22],作者用一种极大极小模型与非线性约束来演示AWSNs的任务分配问题。在晚些时候23),作者显示类似的模型更少数量的传感器节点和目标。该模型比第一个更灵活和更适合不同需求的流动。

本文优化模型由无线传感器节点位于坐标描述。模型可以表示仅仅是假设任务和温度和湿度传感器节点AWSN系统。传感器节点随机部署在一个特定的区域,执行和任务分配的网关。网关节点存储所有传感器的位置信息;传感器分配任务。

假定的紧迫性任务已分配评估和排名。分配任务的优势已被评估和评价。的紧迫性任务分配 ,和的优点任务分配给传感器估计 ,因此每个传感器分配一个效益价值的任务 。在方程(1),代表的利益价值分配的任务。在方程(2),所有任务的奖励分配计算和最大的回报需要追求。

这里,一只蚂蚁,3传感器节点,4任务模型中假定。蚂蚁随机生成一个解决方案(5)。

的优势被分配给任务传感器估计 。

每个任务都有紧迫感的价值

一个解决方案是随机生成为了存储分配结果(5)。节中描述的编码方法4。

真正的编码需要转换成一个二进制编码方法以执行下一个操作。显示为二进制分配矩阵

根据(3)和(6),计算(7)。它代表的优势被分配给任务传感器。是二进制分配矩阵。 代表,任务分配传感器。否则,不分配的任务传感器。是优势矩阵。利用矩阵中的值表示的利用价值被分配给任务传感器。

的单位矩阵列生成在在接下来的公式。传感器的数量对应的列数 。计算可以显示在(11)。

代表的利益价值分配任务;它可以计算的

在AWSNs,任务分配不仅需要满足应用程序的服务质量的需求,但也应该尽可能地提高总的任务执行效率。任务执行的效率是指执行的和每个传感器节点完成任务的效率。自从AWSNs中的温度和湿度节点异构,传感器节点的执行效率是不同的,所以总任务执行效率产生的传感器节点的映射也可能不同。任务的分配通常达到更好的性能和更高的总为应用程序任务执行效率。因此,网关需要执行一项任务进度根据每个传感器节点的执行能力和每个任务的负载大小。

4所示。EIACO-Based任务分配AWSNs任务执行效率最大化

在AWSNs解决任务分配的问题,提出了基于EIACO优化方案。它的灵感来自于真实的蚂蚁在自然24]。利用算法,它结合了这两个精英算子和免疫算子的优点。这种策略使EIACO处理任务分配和直接搜索到最优的解决方案。在EIACO我们的策略,重要的改进是精英算子和免疫算子被添加到传统的ACO算法。

传统的ACO算法,由意大利学者民宿在1990年代。后来,人们更加关注这个新算法的应用和发展在仿生学25]。传统的ACO算法来源于蚂蚁社区的行为。蚂蚁使用信息素信息与他人交流,这样每只蚂蚁能找到一条从巢穴到食物的位置(最短的距离26]。民宿m .发现著名的旅行商问题(TSP)非常类似于蚂蚁觅食行为。努力后,ACO算法被成功地用于解决TSP问题(27,28]。它使用蚁群觅食的特点,如离散优化EIACO算法可以解决的。

EIACO是近似优化的技术引起的群体智慧。的过程中找到最佳的奖励可以分为早期适应阶段和后期合作阶段。早期的适应阶段,信息素的变化不断的时候,蚂蚁通过。蚂蚁经过的时间越多,信息素越高,因此,任务与任务执行效率更高更有可能被分配给传感器节点。后期的合作,任务分配的问题是通过信息素的解决环境问题,这将形成一个自组织的合作关系。个人的自我组织的合作关系将导致更好的性能。

EIACO的主要部分描述的初始化、健康评估、路径选择、信息素更新和终止条件。

4.1。解决方案的编码

编码的主要步骤是通过EIACO解决。EIACO的过程中,它将直接影响到健身计算、路径选择、信息素更新。编码方法包括二进制编码和真正的编码。在这篇文章中,真正的编码是用来促进寻找更大的空间。假设有蚂蚁和传感器的数量和任务和 ,分别。每只蚂蚁在访问的所有任务生成一个解决方案。人口可以描述如下。在公式(13),代表之间的关系蚂蚁,传感器节点,的任务。在公式(14),蚂蚁的数量是5,传感器和任务的数量是8和10个,分别。因此,随机生成的5个人为了存储分配结果。

4.2。蚂蚁的初始化

人口是编码的基础上创建的。它的目标是创建一个链接之间的任务分配和EIACO问题。在最初的刺激,个体是随机生成的初始种群。初始种群包含个人,可以被描述为 。公式(14)显示了初始种群,其中包含5个人。它代表8传感器和10之间的分配关系的任务。

4.3。健康评估

目标函数的收敛性有更大的影响力EIACO。每只蚂蚁都有一个解决方案的路径选择。换句话说,每只蚂蚁都有其相应的健身目标。奖励与健康相比不同的蚂蚁。健身在本文计算传感器节点和任务之间的奖励。健身EIACO可以评估(2)。健身的目的是追求最好的奖励任务执行效率高。因此,它的目的是最大化回报获得任务执行效率。根据(1)和(2),如果是大的,那么是更大的,变得更好。

4.4。路径选择

有蚂蚁和每只蚂蚁具有以下特点:推进价值和路径上的信息素数量确定哪些传感器节点将被选择的蚂蚁。信息素的总量在两个节点之间的连接路径。蚂蚁的行走规则如下:蚂蚁必须完成旅行,他们不能两次访问相同的节点。当蚂蚁完成旅行,它让一定数量的信息素在路上,旅行。一开始,两个节点的路径上的信息素数量是相同的。当蚂蚁选择下一个节点,路径上的信息素数量和效益价值确定哪些节点将被选择的蚂蚁。代表了蚂蚁的概率选择下一个传感器节点的路径 从任务的在每一代的任务。和分别是两个相邻节点选择的道路上。

当蚂蚁选择下一个节点,路径的信息素和利益价值是用来计算的概率选择下一个节点。如果条件满足,节点可以选择。的概率蚂蚁访问的节点到节点在从方程(一代计算15)。根据公式(15),使用轮盘赌奇怪选择每条路径上的传感器节点。

在方程(15),代表迭代时间。表示路径上的信息素 在一代;利益分配的价值吗传感器节点任务可以通过方程计算(17)。和代表的重量信息素和受益的重量值,分别。他们确定信息素的比例和利益价值。时的值选择这个传感器节点的概率很大,是伟大的,当的价值大,蚂蚁更有可能选择的传感器节点基于效益价值任务分配给传感器。在方程(15),当信息素的浓度和效益价值很大,蚂蚁选择传感器节点的概率会增加。

在方程(16),矩阵的紧急程度吗任务分配,它由相同的矩阵,即 。根据(3)和(16),是一个矩阵的效益值可以计算(17)。

4.5。信息素更新

的过程中找到最佳的解决方案,有必要计算信息素。蚂蚁留下的信息素传感器节点传感器节点访问传感器节点时。随着迭代次数的增加,信息素挥发而积累。同样,在EIACO算法中,每只蚂蚁路径上的信息素更新后一个步骤或一个旅行。路径上的信息素浓度 在 一代中更新

在公式(18), 显示值路径上的蚂蚁留下的信息素 在一代 。 信息素的蒸发系数避免无限增长路径上的信息素。和 在方程(19)代表了信息素的增量信息蚂蚁的路径 在 的一代。

公式(20.)显示了ant-cycle EIACO计算的系统模型 。

在公式(20.),是一个常数和路径上的蚂蚁发布的信息素强度单位 。 代表值,任务被分配给受益传感器节点。在ant-cycle系统模型中,蚂蚁释放信息素,蚂蚁发现了一个最优的解决方案。ant-cycle系统模型运用的整体信息。

4.6。终止条件

刺激后,EIACO将检查条件是否满足。如果迭代次数,算法将被终止。

4.7。精英策略

EIACO精英策略介绍。在EIACO,信息素数量更新公式如下:

在公式(21)和(22),表示路径上的信息素量的增加 发现精英蚂蚁。代表精英蚂蚁的数量。代表的利益价值与精英策略分配一项任务。

4.8。免疫策略

与传统算法不同,本文提出EIACO免疫策略的任务分配问题。免疫系统的主要机制,开发领域的无线传感器网络基于免疫理论,应用于任务分配的问题。免疫策略是一种全局优化方法。全局搜索能力强的优点,保持抗体的多样性和鲁棒性。因此,免疫策略是用于处理任务分配的问题。

免疫算子原理EIACO如下。第一步是识别抗原。抗原可以被描述为任务分配的问题。然后,创建初始种群的记忆细胞。亲和需要计算评估产生的奖励蚂蚁。如果终端条件不满意,有必要执行免疫选择、克隆、突变、抑制突变等。下一步是刷新的人口。奖励性能较低的解决方案是被一个新生成的解决方案形成抗体。

免疫算子EIACO使用免疫机制来加速收敛。同时,个人之间的相似性是用来确保人口的多样性,以避免陷入局部最优。

4.9。基本步骤

EIACO算法的步骤如下。

步骤1。初始化参数。迭代的最大数量 。初始的迭代次数 。信息素值设置、效益价值和信息素挥发系数。蚂蚁的数量 。 用于初始化信息素信息优势 , 。

步骤2。添加的迭代次数, 。

步骤3。添加一个蚂蚁的数量, 。

步骤4。计算的概率选择下一个节点基于公式(15)。

第5步。如果 ,转到步骤3;否则,执行步骤6。

步骤6。更新信息素。

步骤7。如果条件满足,刺激的数量 ,输出的奖励。否则,转到步骤2。

5。仿真和结果

在本节中,提出EIACO方法的性能测试并与GA和SA AWSNs任务分配的方法。EIACO的性能与不同数量的温度和湿度传感器节点和目标。所有病例都由电脑与奔腾2.4 GHz CPU。正如前面指出的,目标函数的部分3是演示方案优化任务分配的有效性。

在我们的模拟,EIACO的性能将会与GA和SA。的所有运行EIACO、GA和SA算法后终止100代,人口规模是50。EIACO,信息素的重量是2和效益价值的重量是2;信息素挥发系数为0.98。在遗传算法中,交叉概率为0.85,变异概率是0.05。在SA,原始温度的值被定义为200和退火温度的值被定义为0.85。

EIACO的奖励、GA和SA与不同的传感器和任务表中列出1。它显示了任务执行效率与EIACO的迭代次数,GA, SA和不同数量的传感器的任务分配问题和任务,分别。

数据1(一)- - - - - -1 (d)显示的收敛EIACO、GA和SA,分别。图1(一)说明显然EIACO有更好的性能比GA和SA当传感器的数量是8和任务的数量是15。图1(一)表明,SA的最佳回报低于EIACO执行比遗传算法GA。在最初的50个迭代,EIACO千差万别的回报和收敛速度提高随着世代的增加。从50到100次迭代,EIACO接近6.81的奖励;然而,GA仍远非如此,奖励的价值是6.27。股价是5.72的奖励。EIACO优于GA和SA在任务执行效率约50代之后;人口的多样性与精英EIACO算子和免疫算子将提高。在所有100个迭代,SA的报酬低于GA, EIACO更大的收敛速度。在数据1 (b)- - - - - -1 (d),EIACO执行的回报比GA和SA解决任务分配问题的数字传感器是15日,20日,分别和任务的数量是30岁,40岁,到100年,分别。GA和SA显示比EIACO收敛速度较慢,收敛于一个次优的解决方案。EIACO显示平均利润,没有过早收敛GA和SA的共同特征。总的来说,EIACO更成功和理想的任务分配和它的收敛速度比GA和SA当一代又一代的数量是一样的。

EIACO的性能、GA和SA与直方图如图2。在图2(一个),EIACO取得了更好的结果相比GA和SA当传感器的数量是8和100代后任务的数量是15。SA的回报小于GA的奖励,和EIACO比遗传算法提供了一个更好的性能。在数据2 (b)- - - - - -2 (d)相似的结论,得出的数字传感器是15日,20日,分别和任务的数量是30岁,40岁,到100年,分别。总的来说,EIACO的性能优于其他两种算法。

在图320、10传感器,传感器,30传感器,40个传感器被认为是。目标函数方程(1)和(2)是用来评估奖励。在图3(一个)100次迭代后,EIACO的传感器,GA, SA是10个,奖励增加任务的数量从10时达到。这表明EIACO更有效比遗传算法和遗传算法的性能比SA。在数据3 (b)- - - - - -3 (d),可比的结果给出的数字传感器20、30和40。EIACO总是表现优于GA和SA。

6。结论

因此,精英免疫蚁群优化(EIACO)提出了AWSNs任务分配。通过引入EIACO为任务分配的问题,一个数学模型,评估任务执行的效率是AWSNs设计任务执行效率最大化。奖励的EIACO仿真结果验证任务执行效率、GA和SA的比较。节5任务,该算法具有较高的执行效率比传统GA和SA的方法,特别是对于AWSNs有很多目标和温度和湿度传感器节点。进一步验证的有效性EIACO-based任务分配AWSNs任务执行效率最大化。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本文由中国国家自然科学基金(61662063),石河子大学的研究项目(没有高级人才。RCZX201530)和重大科技项目的队(2017号aa005-04)。

引用

1. z太阳、y . Liu和l .道“攻击定位任务分配在无线传感器网络中基于多目标二进制粒子群优化,“网络和计算机应用》杂志上卷。112年,29-40,2018页。视图:出版商的网站|谷歌学术搜索
2. y . w . Yu黄,a . Garcia-Ortiz“分布式最优在线任务分配算法对无线传感器网络来说,“IEEE传感器杂志,18卷,不。1,第458 - 446页,2018。视图:出版商的网站|谷歌学术搜索
3. m . Okhovvat m . r . Kangavari, h . Zarrabi”分析任务分配模型在演员无线传感器网络,”2017年IEEE 7日消费电子产品——柏林国际会议(ICCE-Berlin),页195 - 199年,柏林,德国,2017年9月。视图:出版商的网站|谷歌学术搜索
4. y太阳,w .董,y陈,“一种改进的基于蚁群优化的路由算法在无线传感器网络中,“IEEE通信信,21卷,不。6,1317 - 1320年,2017页。视图:出版商的网站|谷歌学术搜索
5. j .江、g .汉和c·朱”一个复杂任务解决方案基于无线传感器网络节点合作,”2016年IEEE 22日国际会议上并行计算和分布式系统(ICPADS)武汉,页264 - 269年,中国,2016年12月。视图:出版商的网站|谷歌学术搜索
6. 王x和梁问:,“有效的传感器选择方案,无线传感器网络在微型智能电网","IEEE系统杂志,12卷,不。1,第547 - 539页,2015。视图:出版商的网站|谷歌学术搜索
7. 答:a . Ferjani n Liouane, Kacem,“任务分配对于使用逻辑gate-based进化算法的无线传感器网络,”2016年国际会议控制、决策和信息技术(CoDIT),页654 - 658,圣朱利安的马耳他、2016年4月。视图:出版商的网站|谷歌学术搜索
8. p . Neamatollahi m . Naghibzadeh, s . Abrishami”Fuzzy-based搜集任务调度终身增强在无线传感器网络中,“IEEE传感器杂志,17卷,不。20日,第6844 - 6837页,2017年。视图:出版商的网站|谷歌学术搜索
9. s . Aroua Korbi, y Ghamri-Doudane, l . A . Saidane“分布式无私的频谱分配智能微型智能电网"认知无线传感器网络,”2017年IEEE无线通信和网络会议(WCNC)旧金山,页1 - 6、钙、美国,2017年3月。视图:出版商的网站|谷歌学术搜索
10. 诉Raee, m . d . zain Naboulsi, r . Glitho”在虚拟无线传感器网络节能任务分配,”2018年IEEE计算机和通信(ISCC)研讨会上Natal,页976 - 979年,巴西,2018年6月。视图:出版商的网站|谷歌学术搜索
11. y . w . Yu黄、大肠丁和a . Garcia-Ortiz”联合分层无线传感器网络的任务分配方法,”2018年第七届国际会议上现代电路和系统技术(MOCAST)塞萨洛尼基,页1 - 4,希腊,2018年5月。视图:出版商的网站|谷歌学术搜索
12. m·m·哈桑和a . Alsanad”资源配置cloud-assisted软件定义的无线传感器网络,”IEEE传感器杂志,16卷,不。20日,第7408 - 7401页,2016年。视图:出版商的网站|谷歌学术搜索
13. x阴,w·戴,b . Li l . Chang和c·李,“异构无线传感器网络协同任务分配”,国际期刊的分布式传感器网络,13卷,不。10篇文章ID 155014771773574, 2017。视图:出版商的网站|谷歌学术搜索
14. 张x阴,k, b, A . k . Sangaiah和j·王,“任务分配策略在异构无线传感器网络基于集群的复杂的应用程序,“国际期刊的分布式传感器网络,14卷,不。8篇文章ID 155014771879535, 2018。视图:出版商的网站|谷歌学术搜索
15. a . Niccolai f . Grimaccia m . Mussetta, r . Zich”最优任务分配在无线传感器网络中通过社交网络优化,“数学,7卷,不。4 p。315年,2019年。视图:出版商的网站|谷歌学术搜索
16. r . j . Zhang Heusdens, r·c·亨德里克•“Rate-distributed基于空间滤波降噪在无线传感器网络中,“IEEE / ACM交易音频、语音和语言处理,26卷,不。11日,第2026 - 2015页,2018年。视图:出版商的网站|谷歌学术搜索
17. 焦y和乔,“节能资源分配为异构的认知无线电网络双层交叉遗传算法的基础上,“通信和网络杂志》上,18卷,不。1,第122 - 112页,2016。视图:出版商的网站|谷歌学术搜索
18. l . k . Wang元,t .宫崎骏,d .曾庆红,s .郭和y太阳,“战略antieavesdropping游戏无线协作网络物理层安全,”IEEE车辆技术,卷66,不。10日,9448 - 9457年,2017页。视图:出版商的网站|谷歌学术搜索
19. 吴r·汉y高,c, d,“一个有效的多目标优化算法的频谱分配cognitive-radio-based物联网,”IEEE访问》第六卷,第12867 - 12858页,2018年。视图:出版商的网站|谷歌学术搜索
20. h·w·简,赵,h .曹国伟,t·k·施“增强WRSN SA-based充电算法,”2016年国际无线通信和移动计算会议(IWCMC)帕福斯,页1012 - 1017年,塞浦路斯,2016年9月。视图:出版商的网站|谷歌学术搜索
21. c . m .你们y . Wang戴,x,“最小曝光路径问题的混合遗传算法的无线传感器网络基于一个数值功能极端的模式,”IEEE车辆技术,卷65,不。10日,8644 - 8657年,2016页。视图:出版商的网站|谷歌学术搜索
22. Bi和y . j .,“计算率最大化无线供电mobile-edge计算二进制计算卸载,”IEEE无线通信,17卷,不。6,4177 - 4190年,2018页。视图:出版商的网站|谷歌学术搜索
23. w·李、刘朱,x, w·肖和l .杨”SDN智能任务执行控制模型的无线传感器和演员网络”2016年IEEE 83车辆技术会议(职业训练局春天),页1 - 5,南京,中国,2016年5月。视图:出版商的网站|谷歌学术搜索
24. p . Neamatollahi m . Naghibzadeh s Abrishami, m . h . Yaghmaee“分布式无线传感器网络搜集任务调度使用动态超轮政策,”IEEE移动计算,17卷,不。2、334 - 347年,2018页。视图:出版商的网站|谷歌学术搜索
25. p . Bhardwaj a . Panwar o·奥兹德米尔et al .,“增强的多波段认知无线电网络中的动态频谱接入通过优化资源配置,“IEEE无线通信,15卷,不。12日,第8106 - 8093页,2016年。视图:出版商的网站|谷歌学术搜索
26. Marano和p .威雷特”,在能量采集传感器网络资源分配,”IEEE在网络信号和信息处理,4卷,不。3、585 - 598年,2018页。视图:出版商的网站|谷歌学术搜索
27. l . f . Li l . Wang孟,y,问:潘,“时间模式设计在无线传感器网络传输能量分配”专业的沟通,11卷,不。7,1028 - 1035年,2017页。视图:出版商的网站|谷歌学术搜索
28. y y壮族、c·吴和张“Non-preference bi-objective复合事件屏障覆盖算法在三维传感器网络,”IEEE访问》第六卷,第34097 - 34086页,2018年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Mengying徐和杰周。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。