文摘

工业无线传感器网络的应用程序(IWSNs)经常出现在现代工业,通常是部署大量的传感器节点在监测区域。这种部署方式改进的健壮性IWSNs但介绍许多冗余节点,从而增加不必要的开销。本文的目的是增加的寿命IWSNs在不改变传感器的物理设施,确保覆盖尽可能多的。因此,我们提出一种量子克隆灰太狼优化(QCGWO)算法,设计一个传感器工作周期模型(SDCM)基于真实工厂条件,并使用了SDCM QCGWO优化。具体来说,QCGWO结合了量子计算的概念和克隆操作避免算法陷入局部最优。随后,我们比较该算法与遗传算法(GA)和模拟退火(SA)算法。实验结果表明,基于QCGWO IWSNs的生命周期长于GA和SA和QCGWO的收敛速度也高于GA和SA。与传统IWSN工作模式相比,我们的模型和算法可以有效地延长IWSNs的一生,从而大大减少了维护成本没有更换传感器节点在实际工业生产。

1。介绍

工业无线传感器网络(IWSNs)在工厂,越来越多的应用程序的方式来延长的寿命IWSNs不改变物理设施已经成为一个热点问题(1,2]。本文的内容包括传感器的设计工作周期模型(SDCM) IWSN建模和基于灰太狼的小说群智能算法为优化SDCM优化。通过使用SDCM,我们可以方便地增加IWSNs在工厂的生命周期,从而避免耗时的,劳动密集型的,有时不可能在现实生活中操作(3]。此外,使用人工智能算法建立优化模型可以有效地延长IWSNs的生命周期,从而减少IWSNs的维护成本,提高工厂的效益(4,5]。此外,充分利用现有的设备可以减少废弃的一代设备和保护环境的基础上减少资源。

在这个研究中,我们调查IWSNs经常用于工厂、化学传感器等监测有害气体的含量,在工业生产压力传感器,超声波传感器在工业自动化领域。我们发现这些IWSNs基本上是通过使用传统的广泛的方法,然后定期控制节能的一些传感器进入睡眠状态(6]。这种方法有两个缺点,一个是它不能满足完全覆盖的需求,另一个原因是它不能减少能耗的传感器。

本文的目标是增加IWSNs的生命周期和降低工厂成本的更换传感器设备。上面的目标是出于实际需要在工厂7,8]。一般来说,使用无线传感器在工厂的目的是为确保安全生产监测生产环境条件。然而,实现全覆盖监测在生产车间,工厂已经将冗余传感器确保IWSNs的性能,导致大量浪费能源和加速传感器更换传感器(9]。在这种情况下,有必要提出一个方法,可以有效地利用冗余传感器减少传感器数量的替代品。

在改善IWSNs一生的问题,这是必要的,以确保高覆盖率的目标,然后执行一个传感器节点工作周期(10- - - - - -12]。当建立SDCM,我们综合考虑传感器的监测范围和工作时间,然后给一个数学可IWSNs的一生。因此,我们可以使用一个人工智能算法优化通过SDCM IWSNs的生命周期。设计模型验证了一系列仿真实验。对于一个给定的IWSN数据,它可以输入SDCM传感器的工作时间和覆盖能力,然后使用我们的算法优化IWSNs SDCM较长的生命周期。

本研究的创新如下:(i)工业无线传感器节点的睡眠模式建模,提出了和传感器工作周期模型。通过SDCM IWSNs的寿命可以延长使用智能算法,从而有效地减少IWSNs工厂的维护成本。(2)小说GWO-based智能算法,它使用在量子计算和量子概率振幅克隆的概念在生物学来避免陷入局部最优,从而提高算法的可用性。此外,该算法的性能比较与GA和SA。

论文的结构可以表示如下。相对研究传感器节中给出的工作周期2。随后,部分3显示了IWSN一生的评价方法和建立SDCM。节4,以取得最优IWSN一生,我们引入一个新的基于灰太狼的群体智能算法的优化。部分5提出了模型和算法的性能通过仿真实验和讨论。最后,在节6结论部分。

2。相关工作

当前研究的责任周期IWSNs可分为三种类型。第一个也是最是设计一个路由协议用于减少传感器的不必要的通信开销;第二种类型使用人工智能的方法来处理传感器数据获取合适的工作周期的模式;第三类IWSNs数学方法应用于模型,然后优化传感器节点的工作周期。

首先,一个合适的路由协议可以减少IWSNs通信的传感器。在[13),作者使用三倍的方法改善的生命周期IWSNs通过调整传感器节点的工作周期过程,然后主动模式和睡眠模式之间切换根据获得的信任值的节点。另一方面,为了更好地提高IWSNs的服务质量,本文(14)提出了剩余能量的AODV路由协议,实现降低能源消耗的IWSNs通过跨层设计。类似于纸(18),另一个跨层路由方法也提出了。在[15),作者调整节点转发的唤醒和睡眠阶段通过路由和MAC层的合作。然后,论文(16anycast]提出了一种路由协议。每个传感器节点决定如何基于本地信息的传输数据和动态改变节点的工作周期状态。更重要的是,为了解决能源消耗过度的问题IWSNs水槽节点周围的节点,这篇论文(17)提出了一种基于水槽节点的路径优化的方法,并建立相应的能量消耗模型。从其他的角度,本文18)使用多次反射通信减少节点的远程通信开销,提出了一种路由协议为集群节点,并使用一个多次反射模拟退火算法选择中间节点。在[19),作者提出一个感知路由协议包括网络调度和任务周期,这有助于持续监测传感器节点。然而,上面的方法改善工作周期模型通过使用路由协议不考虑位置的无线传感器在现实环境。他们只减少每个传感器节点的能量消耗但是忽略的前提下有大量的冗余节点IWSNs。

其次,人工智能技术还可以有效地提高传感器节点的工作周期。在[20.],作者利用强化学习最大化传感器节点的感知质量,然后执行工作周期基于可用的能量,并利用收集到的能量节点不断适应变化的环境。IWSNs的延长生存期的目的相同,该论文(21)表达的位置分布传感器作为一个优化问题,然后提出了一种杜鹃算法来解决这个问题,从而获取传感器节点的最优位置。在[22),作者使用q学习技术和线性回归函数来设计一个MAC协议。协议考虑了负载条件和性能之间的关系,使q学习的缺点,它可以做低延迟传感器调度。虽然这些方法可以改善IWSNs的生命周期,他们不考虑算法的收敛速度,他们也未能充分利用IWSNs冗余节点。

最后,有一些研究从其他方面优化传感器工作周期。在[23),作者考虑异步任务的不对称周期,获得节点的上限和下限的责任周期,并使用块设计建立责任周期模型。摘要(21)使用经验数据来发现噪音最大的发现时间和责任周期之间的关系通过分析提出的误差模型,并得出结论:相同的工作周期值在非对称情况下可以实现低延迟。然而,它只考虑如何使用节点周期性获取低延迟信息传输,不注意延长IWSNs的生命周期。

先前的研究只解决问题减少每个传感器节点的通信开销,从而实现增加IWSNs的生命周期的目的。他们没有充分利用大量的冗余节点,不考虑解决问题的整个网络。我们可以更进一步的基础上以前的工作。在满足工业生产的需求的前提下,我们使用周期性关闭冗余节点,减少每个节点的通信开销,因此IWSNs一生中最大的。

在本文中,我们从整个无线传感器网络和IWSNs模型真正的工厂。特别是,我们的模型不仅考虑传感器节点的覆盖能力,也使得传感器节点的生命周期可衡量的,哪个更方便后续的优化。为了减少传感器通信,我们设计一种新的启发式优化算法,可有效提高收敛性能和避免陷入局部最优,这样的生命周期IWSNs可以延长。

3所示。系统模型

3.1。问题描述

在真正的工厂现场,目标IWSNs可以分为两种类型的报道。一个是完全覆盖,这意味着每一个目标被至少一个传感器节点和监控覆盖在每一个时刻。另一种是为了提高覆盖率,这通常是用在环境中是不可能全覆盖。在大多数情况下,工厂的位置传感器是冗余的,旨在减少事故的发生。多余的位置经常满足全覆盖的要求。冗余节点的前提下,我们可以对传感器节点执行周期性工作对于节约能源,从而延长IWSNs的生命周期。

本文目的是促进建模传感器节点的工作周期问题从数学的角度来看,我们提出一个可测量的传感器寿命的概念,可以解释如下:一般工业传感器有其服务寿命,不同类型的传感器有不同的价值观,甚至相同类型的传感器将有不同的寿命值。然而,让工厂生产的传感器在市场上更具竞争力,制造商经常给传感器的理论寿命。工作比平时更严重的条件下,理论寿命可以通过转换工作一生一定的计算公式。因此,理论寿命的传感器,我们可以把一生和数学模型通过工作周期的操作。

为了更好地理解传感器工作周期模型(SDCM),我们用一个例子来说明它。在图1,三个目标由三个传感器节点监测循环监测半径和监控的要求是完全覆盖。传感器节点 , ,和分别是由点位于圆心,监视的目标 , ,和由三角形,象征,这个圆代表传感器节点的监测范围。

根据图1,我们可以知道涵盖了和 , 涵盖了和 ,和涵盖了 , ,和 。假设每个传感器节点的生命周期可以分为两轮。如果周期性工作没有执行的总工作时间整个IWSNs两轮,如下:第一轮,我们打开 , ,和 ,第二轮,我们也做 , ,和在主动模式。然而,确保完全覆盖的前提下,如果我们将传感器分为不同的覆盖集,只打开一个覆盖在每一轮,我们可以延长的生命周期IWSNs通过周期性工作。具体来说,在上述情况下,和可以形成一套覆盖,可以另一个。在第一和第二轮,我们只能打开和和关闭节约能源。第二轮结束时,能量的和是疲惫;在第三和第四回合,我们打开节点。第四轮,年底三个传感器节点的能量已经耗尽。显然,IWSNs的生命周期已经从之前的两轮增加到四个轮通过周期性工作同时确保完全覆盖的目标。

在现代IWSNs,增加冗余节点和传感器的覆盖范围的提高,传感器节点的工作周期运行起着越来越重要的作用。随后,我们建立一个数学模型使用一个优化SDCM人工智能算法。

3.2。传感器工作周期模型

假设有传感器节点和IWSNs监控目标。SDCM,为了确保传感器完成全覆盖的目标,我们首先创建一个矩阵为表达覆盖传感器和目标之间的关系,可以显示为 在哪里代表了监控之间的关系传感器和目标。 意味着传感器无法检测到目标节点,和 意味着目标节点在监测范围内的传感器。

然而,一个覆盖关系矩阵建立SDCM是不够的,还需要创建一个工作周期序列矩阵。结合前面描述的概念可衡量的一生中,我们将每个传感器的理论一生分成轮。不难得出结论,整个无线传感器网络的最大的生活轮,是传感器的数量。工作周期序列矩阵可以表示为 在哪里 表明,在圆,传感器节点处于活动状态, 表示,传感器节点处于睡眠状态的圆的。

获得监控矩阵之间的传感器节点和监控目标在每一轮,我们需要乘以矩阵和矩阵 。这种方法的原因是一个工作周期序列矩阵行和列和是一个传感器覆盖矩阵行和列。获得监控关系矩阵传感器节点和监控目标,有必要用矩阵的矩阵获得的一个矩阵行和列。的行代表监测传感器对目标的关系。如果元素都是1行, ,这意味着传感器网络已完成的全覆盖轮,达成设定的目标。如果有0的行,任务失败圆的。可以显示为监控矩阵 在方程(3), 意味着监控目标圆不是由任何传感器监控, 代表,监控目标圆是监控传感器。完全覆盖矩阵所示的要求是连续的元素都是正数。

计算IWSNs的生命周期,我们定义适应度函数代表的行数,第一个元素0出现在矩阵和定义约束条件。因此,SDCM可以表示为一个适应度函数(4和约束条件5)。 在哪里代表了工作周期序列矩阵,表示每个传感器的寿命周期数。适应度函数的原因(4)因为在传感器节点完全覆盖的要求,只有行矩阵中的元素都是1,也就是说任务完成了。由于覆盖不能出现缺口,IWSNs的生命周期价值是第一个零元素出现的行数- 1。方程(5)显示每个传感器的工作寿命不超过轮。

随后,由于传感器工作周期的复杂性增加指数与传感器节点的数量和工作一生,我们决定使用一种新的启发式算法来解决这个问题。

4所示。QCGWO-Based责任周期IWSNs最大化网络的生命周期

IWSNs,获得的传感器网络寿命最长的工作周期问题显然是一个NP-difficult问题。为了获得最优解的传感器工作周期,我们设计一个基于灰狼的启发式优化算法优化(拥有)算法。GWO是一群智能优化算法在2014年提出,它操作简单的特点和一些参数。然而,传统的拥有是容易陷入局部最优,及其全球搜索能力是很难控制的。为了克服这些缺点,我们将量子计算的概念和克隆与拥有,然后提出一种量子克隆灰狼优化(QCGWO)算法。

QCGWO的描述过程是编码问题,人口的初始化,健身计算和类部门,更新狼人口和算法参数,量子概率振幅和量子旋转大门,克隆扩张,和终止操作。

4.1。编码问题

在传感器的责任周期的问题,关键是要控制传感器在适当的时候打开,这样可以充分利用冗余节点和传感器网络的能源消耗可以降低。假设不同的传感器在IWSNs可分为相同数量的一生,因为开幕式和闭幕式是一组布尔值,我们决定使用二进制编码的工作周期问题。零意味着传感器在这一轮是关闭的;否则,1意味着传感器在这一轮打开。有两个核心矩阵在上述传感器工作周期的问题,一个是传感器覆盖矩阵 ,,另一个是传感器工作周期序列矩阵 。覆盖矩阵算法只生成一次,后续工作周期操作都基于它。每个狼QCGWO序列矩阵 ,和矩阵通过该算法优化,直到算法结束,一个最优解。提高理解序列矩阵 ,我们给一个例子说明。假设每个传感器的工作寿命是2轮IWSNs和有两个传感器,然后矩阵的行是 ,列2。的编码矩阵可以表示为 在(6),在每一列的总和1是2,这意味着传感器的生命周期是2轮。第一列显示第一个传感器将在第二和第三轮,第二列表示,第二个传感器将在第一轮和第二轮。

4.2。种群初始化

QCGWA,每个狼都是潜在的最优解。由于每个狼携带一个二维矩阵 ,采用三维编码方法。首先,它是必要的传感器节点之间的距离计算和监控目标;然后,传感器覆盖矩阵根据生成的监控范围传感器。此外,由于传感器工作周期的特殊性问题,我们需要确保每个传感器开启一生轮的最大数量;因此,最初的狼人口需要满足一定的限制。假设有传感器节点在IWSNs和每个传感器节点的最大生命周期轮,然后初始化个体的人口可以表示为

在(7)和(8),个人是一个二进制位,表示状态的传感器,0意味着传感器,1是指传感器。

4.3。健身计算和类

QCGWO的建议是基于灰狼的特点。灰狼是一群动物,他们有一个严格的社会等级的人口,如图2。有狼的数量和工作责任的差异在不同的类。具体来说,排名最高的狼被称为阿尔法狼或占主导地位的狼。更重要的是,阿尔法狼不一定是最强的狼人群中,但最优管理集团,它的作用是决定组织活动。第二个类β狼狼,这帮助阿尔法狼做出决定和潜在候选人阿尔法狼。第三类被称为δ狼狼,他们通常服从命令αβ狼和狼。最后,ω狼是在最低水平;他们地位最低,但有助于维持狼群的整体作战能力。

在QCGWO,需要计算每个个体的适应度狼组获得不同级别的狼。初始化种群后,我们可以计算每个个体的适应度根据方程(4),然后,最高的个人健身分为α狼,剩下的人分为β狼,δ狼,狼和ω根据他们的健康。

4.4。狼的数量和算法参数的更新

QCGWO的更新机制,流程环绕猎物的狼是模仿;具体来说,QCGWO认为狼的位置和猎物的位置。每个更新操作的人口进行根据猎物的位置,以便实现搜索问题的解空间。传感器节点的工作周期问题,最高的猎物是指个人健康。随后,更新过程可以表示为 在(9)和(10),和代表当前位置的狼和猎物,分别是当前迭代数,然后呢狼代表之间的距离和猎物。和是两个向量的系数,它们可以表示为 在哪里的收敛因子随迭代的数量从2到0,然后呢和在[0,1]随机数。

在QCGWO,猎物的近似位置是在α,β,δ狼。随后,所有狼人群中环绕估计位置。狼的运动过程可以表示为

在方程(12)- (17), , ,和代表的位置α,β,δ狼,分别。 , ,和表示距离当前个人α,β,分别和δ狼。更重要的是,狼围捕猎物的过程中显示了吗 在(18),代表当前的迭代次数。

4.5。量子概率振幅和量子门旋转

QCGWO利用量子计算的天然的并行机制更新人口。与传统的灰狼优化算法相比,量子概率振幅的增加QCGWO大大增强了全局并行搜索功能,这是一个很大的区别QCGWO和传统的拥有。通过结合量子比特和量子叠加状态,可以有效提高收敛速度,解决大规模问题的传感器工作周期。此外,QCGWO表示人口中的每一只狼与一组二进制量子概率振幅位。在最初的狼人,所有量子位概率振幅在每个狼是由物流混沌映射,所示 在(19), 表明,处于混乱状态的映射,表示生成的量子概率振幅,是传感器的数量。

毕竟人口更新的狼,为了提高种群多样性,量子门旋转需要更新根据量子比特阿尔法狼在当前的人口。可以显示为更新过程 在(20.),和代表量子概率振幅循环之前,是量子旋转角。

4.6。克隆扩张

克隆扩张的目的是最大化保护个人与高适应性,可明显提高收敛QCGWO的性能。与此同时,在量子概率振幅的影响下,克隆算子的应用不会降低算法的全局搜索能力,和克隆和量子的组合有效地提高QCGWO的性能。此外,克隆的父母的选择是基于个体在当前人口的健康。适应度越高,越有可能个人选择。为同一目的增加人口的多样性,传统的克隆操作QCGWO更新,并通过多级克隆克隆的人口进行了优化。具体的克隆操作可以表示如图3。

4.7。终止操作

在每个迭代中,QCGWO将重复上述过程。如果QCGWO达到指定的数量的迭代中,它将被终止。

4.8。算法的步骤

QCGWO的详细过程如下所示。

步骤1。初始化参数QCGWO,随机初始化的位置传感器和目标,然后生成传感器覆盖矩阵 ,随机生成初始种群。初始量子概率振幅为0.5,和初始迭代

步骤2。计算每一个狼的健身人群中,发现 , ,和在当前的人口,并设置他们的位置 , ,和 ,分别。

步骤3。根据方程(更新所有个人的位置18)。

步骤4。计算狼的健身人群中,发现 , ,和在当前的人口,并设置他们的位置 , ,和 ,分别。

第5步。更新参数 , ,和的算法。

步骤6。健身进行排序,并选择最高的个人健身作为母公司执行复制操作。

步骤7。进行大规模的人口对克隆变异操作。量子概率振幅突变过程使用。

步骤8。计算克隆的人口的健康,使用克隆的人口作为人口为下一次迭代过程。

第9步。更新量子概率振幅根据最高的个人健身,并执行量子门旋转。

第10步。 ,如果达到最大迭代次数,终止算法,否则去一步3。

QCGWO的算法流程图如图4。

5。结果与讨论

QCGWO方法解决传感器工作周期问题我们建议将采取一系列的实验中,GA和SA和QCGWO而证明其有效性。算法的比较条件下进行不同数量的传感器,监测目标,不同的一生最大的传感器,监测区域半径。此外,所有的机器上的测试用例是完成R7 4800 h 2.9 GHz CPU、和健身中使用的算法是根据公式计算(4)。

使三个算法的目的是在相同的实验条件下相比,我们统一定义中常用的参数传感器IWSNs工作周期问题。迭代的数量设置为100代,人口规模是40。IWSNs的监测区域设置为边长的正方形区域,200年和传感器的坐标和目标节点是随机生成的。QCGWO,量子概率振幅的初始值设置为0.5,量子门旋转的概率设置为0.05,和0.3克隆操作的突变率。在GA,突变率的人口是0.1,和两点交叉方法交叉。SA的初始温度是200,退火方法指数下降和退火因子是0.95。

表1- - - - - -3显示数据的实验条件5- - - - - -7,分别。

在数据5(一个)- - - - - -5 (d)三种算法的收敛速度。具体来说,图5(一个)表明QCGWO聚合速度比GA和SA和QCGWO一直保持快速的迭代过程中收敛速度。相比之下,SA掉进40过早收敛的迭代,和GA也掉进了过早收敛60迭代,所以他们也无法找到最佳的解决方案。在图5 (b)QCGWO获得的最大网络寿命是32.56。然而,遗传算法得到的最优解是25.08,股价是23.14轮获得的和最优的解决方案。QCGWO的解决方案是高于GA和SA 28%和39%,分别。在图5 (c)、GA和SA在大约30落入局部最优迭代,而QCGWO有效跳出局部最优的良好的全局搜索能力。更重要的是,在图吗5 (d)QCGWO一直保持快速的收敛速度,直到第90代发现最优解45.68;然而,由于过早收敛和弱跳出局部最优的能力,最高的解决方案通过GA和SA 33.43和28.59,分别低于QCGWO的网络生命周期。解决方案的比较三种算法在图的质量5表所示4。

根据表4,很明显的质量解决方案通过使用QCGWO优于GA和SA。尤其是IWSNs的规模扩大时,QCGWO的优势更加突出。

数据6(一)- - - - - -6 (d)更清楚地显示三个算法的趋势线图表的形式。根据图6(一)在第十代,QCGWO的网络生命周期价值已经高于GA和SA。从那时起,QCGWO一直保持着领先地位,发现最优解40.10。随后,图6 (b)表明,GA和SA 40代陷入早熟收敛,从而导致的局部最优解36.47和27.89,分别,而51.66 QCGWO有效地获得最优解。在数据6 (c)和6 (d)在早期的迭代中,QCGWO、GA和SA很快聚集,但很明显,GA和SA陷入局部收敛。因此,GA和SA只有局部最优解,而QCGWO获得比他们更好的解决方案。一般来说,QCGWO有更好的性能比GA和SA,在图的三种算法的收敛速度6可以显示为表吗5。

根据表5,我们可以发现,在相同的实验条件下,迭代的数量达到指定数量的QCGWO一生轮总是小于GA和SA QCGWO的证明了良好的收敛性能。

使网络生存期的目的通过三个算法更明显,数字7(一)- - - - - -7 (d)使用条形图来显示数据。在图7(一)通过QCGWO最大网络寿命值,GA,股价是42.40,31.50,和30.30,分别。在数据7 (c)和7 (d),网络寿命得到QCGWO也是最高的,值为49.35,62.90,和87.67,分别。此外,遗传算法获得的值是35.30,50.40,和61.33,分别解决方案获得的股价是31.50,47.60,和53.67,分别。因此,在特定的实验条件下,QCGWO总是表现好于GA和SA。

6。结论

本文的目的是延长IWSNs的生命周期。因此,我们模拟了真正的工厂,工业传感器网络提出了一种量子克隆灰狼优化(QCGWO)算法,设计了传感器工作周期模型从不同的角度与之前的作品相比,和提出了一个可测量的传感器寿命的概念。我们提出的算法解决方案精度高的优势,强大的收敛性能,强大的全局搜索能力。更重要的是,QCGWO学习传统的灰狼优化算法(拥有),但我们取得了重要的创新结合拥有一些当前流行的技术,包括量子算子和克隆算子,从而有效地弥补弱点的拥有很容易陷入局部最优。

验证了该模型的有效性不同实验条件5,结果表明,该模型可以实现延长网络的生命周期。此外,为了证明该算法在解决传感器的优势工作周期问题,我们比较QCGWO GA和SA。结果表明,QCGWO更具竞争力比GA和SA提高IWSNs的一生。最后,我们想强调,提出模型和QCGWO能够成功解决传感器工作周期问题,本文中提出的方法提供了一个新的视角IWSNs延长网络的生命周期。

数据可用性

在这项研究中提出的数据都可以在请求从相应的作者。由于隐私不公开的数据。

信息披露

资助者没有作用的设计研究;在收集、分析或解释数据;写的手稿;或决定发布结果。

的利益冲突

作者宣称没有利益冲突。

确认

本文由陆战队创新人才计划,拨款2020号cb001,青年和中年的项目主要科技创新人才计划,授予2018号cb006,中国博士后科学基金会授予220531号,资助项目高水平人才研究石河子大学,格兰特RCZK2018C38数量,和石河子大学的项目,格兰特ZZZC201915B数量。