文摘

近年来,日益严重的水污染问题鼓励研究人员优化水质监测传感器网络(WQMSNs)通过创建新的水下传感器覆盖算法。自传感器监测范围和数量有限的目标,优化3 d目标覆盖的异类多传感器至关重要的3 d目标覆盖率最大化监控水域。提高目标覆盖率,目标分配需要搜索所有可能的组合。优化3 d对水下目标,本研究提出了一种混沌并行人工鱼群算法(CPAFSA)。CPAFSA使用混沌初始化参数选择和整合的全球搜索功能并行操作符。它也适用于精英选择有效地避免局部优化和解决3 d目标覆盖的问题。最终,CPAFSA相比遗传算法(GA)和粒子群优化(PSO)。仿真实验的结果证明了性能优良的CPAFSA实现水下三维目标覆盖。

1。介绍

近年来,随着经济发展和人口增长,环境污染,尤其是水污染越来越严重。水质的监测是预防和控制污染的重要手段,所以研究人员逐渐放眼实时水质监测通过无线传感器1- - - - - -3]。由于范围和目标数的限制传感器监控,必须优化3 d的报道异类多传感器的目标覆盖率最大化水质监测传感器网络(WQMSNs)。然而,最优覆盖的异类多传感器是一个np难问题。详尽的方法被认为是一个可能的方法来解决这个问题,但其计算复杂度太高,适用于实际的实时应用程序。大多数的传感器传感器覆盖范围包括启发式算法研究[4]。在以前的研究中,学者们提出了许多优化算法来解决无线传感器网络(网络)问题,包括遗传算法(GA)和粒子群优化(PSO) (5- - - - - -11]。最近,越来越多的学者提出了不同的优化算法对传感器优化(12- - - - - -16]。优化算法在传感器的应用方向也成为更广泛的(17- - - - - -20.]。

水质监测是预防和控制水污染的一个重要手段。水下质量监测提供可靠的服务和数据分析环境保护和国内用水服务,许多研究人员设计并提出水质监测策略基于无线传感器网络和物联网。

为了提高水下无线传感器网络的覆盖(UWSNs)和扩展其网络的生命周期,文献[21)提出了一种虚拟力和PSO算法相结合。指导优化的粒子群算法,将水下节点移动到一个相对理想的位置,从而加速粒子收敛,使PSO对发展目标的解决方案。针对无线传感器节点的部署,自然启发式布谷鸟搜索算法(22]找到最好的部署位置传感器的三维水下环境。最大化目标覆盖用最少的传感器,作者模型部署的传感器作为一个优化问题。文献[23]研究了水下传感器网络监测覆盖资源分配的方法和提出的定位和部署基于GA的UWSNs节点。该方法可以最大限度地覆盖和保护在军事应用的高价值资产。在[24),作者提出了一种改进的果蝇优化算法来解决三维水下传感器网络覆盖优化问题,设计了一个3 d天基网络覆盖方法。该算法使用果蝇的掠夺的行为优化全局最优监控。该算法可以快速获取传感器节点的部署位置,从而解决3 d覆盖无线传感器节点的部署。在[25),来解决优化问题的节点重新部署覆盖在UWSNs,水下传感器网络提出了基于狼群的重新部署算法搜索技术。他们使用传感器节点,确保覆盖,避免节点过早出现。

研究融合自适应理论和并行理论进行了自1990年代末(26]。发达的21世纪,人工鱼群算法(AFSA)是一种进化优化算法,试图找到最好的解决方案优化问题的随机规则,它探讨了问题地区概率政策(27]。AFSA的理论基础是由(28]。一个混乱的平行人工鱼群算法(CPAFSA)提出了水下三维目标覆盖问题。目标覆盖的模型和监控提出了最大化的覆盖水下三维目标。精英操作符用于当更新个人人工鱼,以确保更好的鱼群体的进化。混合策略的优点一个平行的选择和一个混乱的运营商提高全局探索能力。然后,一种自适应调整方法用于获得更好的实验结果,同时避免当地的最适条件。

为了说明CPAFSA的优势最大化WQMSNs水下三维目标覆盖区域,GA和PSO用于比较。一方面,与遗传算法相比,CPAFSA使用并行操作来提高优化功能。另一方面,CPAFSA可以克服传统遗传算法的早熟问题,利用混沌算子。通过这些新的操作,CPAFSA成为一个合适的全局优化方法找到最优解而不陷入局部最优。CPAFSA可以创建一个可行的解决方案来最大化的水下三维目标覆盖问题的水下三维目标覆盖率异构传感器在一个可接受的时间内。

模拟的结果,基于CPAFSA,遗传算法,算法,表明CPAFSA发展一个好的解决方案实现更高的水下三维目标覆盖率。CPAFSA改善了水下三维目标覆盖的性能通过结合平行调整和混沌优化。它也有助于避免局部最优。

本文的结构如下。部分2阐述了水下三维目标覆盖率和监视,然后,介绍了其目标覆盖率和监测模型。CPAFSA用于扩展性能的水下三维目标覆盖监测部分的问题3。部分4显示了仿真实验的结果和讨论CPAFSA的重要性。然后,部分5总结道。

2。水下三维目标覆盖率和监测模型

WQMSNs的部署问题直接相关的最优配置的通信带宽,节点功率,分析和计算能力,和其他限制资源。也会影响交流的质量,监控,和感知服务在很大程度上。如何确保的目标覆盖监测区域的前提下有限数量的传感器和有限的监测能力是决定监视性能的一个关键问题。本节将讨论水下三维的数学模型在WQMSNs覆盖率和监控目标。

首先,在水下目标的实时监控,因为传感器的感应能力是有限的,通常只传感器可以感知数量有限的目标在他们的监控区域,和每个目标需要由多个异构传感器监测。假设有需要监视目标点在一片水。这些目标点需要覆盖和监控的水下无线传感器,传感器的数量 。方程(1)代表覆盖面WQMSNs的每个传感器和目标之间的关系。

代表之间的覆盖关系矩阵余氯传感器节点和目标节点,和代表之间的覆盖关系余氯传感器节点和监控的目标 。

方程(1)在WQMSNs表明覆盖关系,也就是说, 意味着监控目标是在传感器节点的监测区域, 表明,监测目标监控区域以外的吗传感器。

然后,由于传感器的监测能力有限,只有数量有限的目标点可以监控区域内的传感器节点。方程(2)是用来表达监测传感器节点和在WQMSNs覆盖目标之间的关系。

方程(2)在WQMSNs指出监测的关系, 表明,监测目标在监控范围内的吗传感器节点和是监控。 表明,监控目标监控区域以外的吗传感器,或在监控范围内,但它不是监控。

如果一个传感器节点只能监控目标点的三维覆盖范围,显示监控关系的约束条件

如果每个监控目标点必须由至少监控传感器和传感器可以仅仅监控目标点的覆盖面积,水下三维目标的数学模型在WQMSNs覆盖监测多个目标点

方程(4)代表监控之间的关系矩阵和覆盖矩阵。只有当传感器覆盖目标点,对应的目标点的监控矩阵可以通过传感器监测。考虑到限制目标监测的传感器的数量,也有可能在目标点但不是监控覆盖。

方程(5)使用存储目标点监测的传感器的数量,然后,确定关键是有效监测根据约束条件(6)。

上述澄清优化方向通过建立数学模型水下传感器覆盖和监控目标点。下一节将设计和实现一个CPAFSA,扩展了水下三维覆盖和监测传感器基于模型的率。

3所示。为最大化CPAFSA水下3 d WQMSNs覆盖率和监测率

人工智能的基础模型基于生物行为是自底向上的设计方法。这个模型设计行为感知的一个单一的实体,然后将个人或群体环境中,以便提出解决方案在与环境的交互问题。个人通常没有先进的情报,但它们在集体活动可以展示先进的情报。这种现象被称为群体智慧。个体和社会特性可以产生团队智能合作时在某些活动,如鱼群体。

人工鱼生物鱼群,群是一个抽象的模拟生物的特征行为鱼和他们对环境刺激的反应。个人人工鱼可以通过视觉接收环境信息,并据此做出反应,和个人的行动人工鱼也会影响其他人工鱼个体。人工鱼的感知环境的实现通过愿景。但生物鱼的视觉系统非常复杂,所以采用视野的概念当模拟人工鱼的愿景。图1模拟了人工鱼的视野之间的关系和它的步长。当前状态设置为个人的鱼 ;人工鱼的视野和混乱的选择一个国家在特定的时间 ;如果政府比 ,鱼会随机的一步达到国家 。否则,继续试图随机选择的其他州 。个体鱼尝试越多,他们可以更好的理解环境信息领域的观点。这有助于做出正确的行为决策。但生物鱼的实际搜索行为不能无限增加,检查人工鱼的数量也是有限的。保留不确定的局部优化的人工鱼有利于人工鱼寻找全局最优。

在图1代表个体鱼的当前状态,包括两个参数:视觉的视野和步长。其中,用于其他鱼类个体的知觉在视野内,然后呢当前的可移动的范围吗 。在3 d搜索空间, 。和鱼群体想找区浓度最高的食物,也称健身,表示为 。之间的空间距离表示为个体鱼 。此外,鱼群参数还包括努力的最大数量的鱼成群捕食 ,鱼的拥挤程度 ,和鱼的数量在一个鱼的视野 。

AFSA,主要有四种行为:掠夺行为,聚集行为,行为后,模拟生物鱼群和随机行为。人工鱼的掠夺行为的基本行为。人工鱼使用感知参数环境的改变他们的立场。不同的鱼,食物浓度是不同的。每个鱼比较食物集中在自己的位置与随机选择的食物浓度的感知并选择的移动方向大食物浓度,这样整个鱼群体倾向于高浓度的位置。群集行为意味着每个鱼移动到相邻的其他人工鱼的中心,确保周边地区所有合作伙伴,以降低风险。当群集行为是在进步,AFSA的人工鱼都搬到一个地方的食物集中。每个鱼可以通过分组行为形成一组,一起搬到高浓度的位置。以下是人工鱼的行为追逐最高的鱼类食物密度附近其他鱼。由于鱼群体的性质对食品和远离自然的敌人,当一些人组中寻找食物和在某一方向移动,其他个体将跟随它。以下减少人工鱼的时候探索周围的环境,也减少了计算时间。随机行为是指行为时人工鱼捕食食物的次数达到指定的最大数量的时间,和食物浓度仍然没有增加。这时,鱼随机移动一步到一定状态的视野和使用该状态下一个状态。随机行为有助于个体鱼逃离局部最优。 Besides, an artificial fish swarm is mainly affected by three items in the optimization process: bulletin board, behavior evaluation, and iteration termination conditions.

传统AFSA具有较强的全局收敛性,但它很容易引起问题,鱼成群难以逃离局部最优的后期执行。本节提出CPAFSA。通过混沌映射产生鱼群序列,然后生成混沌自适应函数系数提高的视野和步长鱼。所以人工鱼的视野和步长变化一致的参数要求不同的执行阶段的算法。此外,加强AFSA的低精度最优解决方案,使用并行技术去改善它。我们也使用精英运营商,使鱼群体搜索的效率。部分5比较和分析了优化结果的水下三维覆盖面积CPAFSA,算法和遗传算法。

CPAFSA算法的执行过程智能优化。主要步骤如下:

步骤1:初始化个人人工鱼,移动一步 ,视野 ,许多尝试 ,交通拥堵因素 ,目前的数量 ,最大迭代次数 ,概率的因素 ,常系数

步骤2:适应度函数的计算人工鱼,也称为食物浓度,获得最佳的传感器分配计划,并分配公告板的适应度函数

步骤3:如果中心位置比当前的人工鱼的位置吗并不是太拥挤,集 一步到中心位置;否则,顾不上

步骤4:如果最优鱼在当前的人工鱼的感知范围比人工鱼在当前的状态,而不是太拥挤,集 一步最优鱼;否则,转到步骤5

步骤5:选择一个随机的状态在当前的人工鱼的视野 ,如果 ,集 ,搬到人工鱼一个接一个随机的步骤。如果在尝试次,仍然没有符合条件的结果,选择一个随机位置领域的下一个位置 ,和一个随机的一步是搬到这个位置。更新公告板

步骤6:如果 ,然后设置 转到步骤3;如果 ,切换到Step7

第七步:输出最优计划信息公告栏

图2显示了CPAFSA算法在解决的过程WQMSNs的水下三维覆盖问题。

CPAFSA很大程度上取决于编码方法,该方法解决了水下3 d WQMSNs覆盖率和监控的问题。因为CPAFSA是一个优化算法模拟生物鱼群体、个体人工鱼传感器覆盖问题的解决方案。每个单独的鱼是一个独立的WQMSNs监测优化问题的解决方案。所需的信息构建人工鱼协作可以表示为 。个人人工鱼是编码为一个一维数组 ,它有一个3 d坐标。确定个体鱼的游泳方向数组中的每个元素对应的目标值,以最大化水下三维覆盖。一维数组的编码方案实际上限制了鱼;然后,它可以反映出3 d水质监测传感器网络的覆盖范围。在CPAFSA,一群鱼是由一定数量的个人鱼,这鱼群代表所有的解决方案在水下三维传感器的覆盖问题。

CPAFSA的其他参数设置如下。

系统资源的前提下,如果时间允许,使用一个大的人口可以提高最优解的准确性,提高鱼的能力群跳出局部最优。

人工鱼的视野主要影响其觅食的情况。了解信息尽可能的优化空间,应该使用一个更大的视野,但一个更大的视野将会导致优化精度降低的问题。

当设置人工鱼的步长,有必要考虑鱼视场的大小。随着视野的增加,步长也应该相应的增加;否则,收敛速度将会放缓,但最优解精度会下降。人工鱼设定的步长越小,算法的收敛速度越低,这可能会陷入局部最优。

交通拥堵因素参数综合根据文献[27]。

太多的尝试将导致人工鱼被当地的极端,导致算法过早成熟和增加优化时间。少捕食时间将减少个人人工鱼捕食成功的概率,使人工鱼执行更随机的行为,不可能有利于算法收敛。一般来说,人工鱼捕食尝试不超过次,通常次了。局部最优时不显著和算法复杂度不高,增加捕食的数量是一个有效的手段来提高算法的收敛效率。

公告板记录WOMSNs 3 d监控问题的最佳解决方案在目前的人工鱼群体。当有一个最好的解决方案在公告栏的记录,个人人工鱼在这个迭代过程需要在它的位置比较解决方案与公告板上的最佳解决方案。如果解决方案所代表的鱼比最好的解决方案记录在公告栏,人工鱼的最佳解决方案的价值在董事会结束后将重写这个迭代过程,以便公告板存储优化过程中的最优解。历史最优解。 当初始化公告栏。

假设个体的状态人工鱼CPAFSA此刻和它的适应度函数 ,每个鱼感知其他个体的数量根据其视野并计算出的平均状态为中心点

定义的健身价值中心地位 。如果 ,这意味着该中心有更多的食物,而不是太拥挤,所以它将向中心随机移动一步。否则,将执行个体鱼的猎物的行为。集群行为的数学表达式所示方程(8)和(9)。

CPAFSA的群集行为的伪代码如图3。

以下行为模拟的过程一群生物鱼朝着食物来源。当某种鱼发现食物,周围的鱼会游向食物。在人工鱼群CPAFSA,这种行为是模仿当前人工鱼寻找位置鱼在其最大的健身价值 。当有 ,和相应的健身价值 意味着目前位置并不拥挤,人工鱼将随机最优方向的一步。否则,个人人工鱼将猎物。方程(10)和(9)表达的数学行为。

图4显示了CPAFSA的伪代码的行为。

捕食动物的本能和生物进化的基础。当生物鱼发现食物浓度较高的区域,他们会本能地游到那里。这种行为体现在群CPAFSA人工鱼。鱼个体随机选择状态的位置其感知范围内 ,和获得健身价值在这个时刻。如果 ,个体鱼位置随机的一步。如果 ,个体鱼随机选择一个位置再判断。当迭代达到的最大数量并且现在仍然没有找到一个合格的 ,人工鱼将执行到一个随机的状态,也就是说,随机选择一个领域的国家搬到那个状态,从而避免了局部最优。掠夺和随机行为是用数学语言表达方程(11)- (13)。

的掠夺和随机行为CPAFSA使用伪代码如图5。

作为非线性系统中的一种普遍存在的现象,混乱的多样性和多尺度。这些特征使混沌理论有很大的潜在应用领域的算法优化。水下三维非线性工程优化问题的传感器覆盖问题WQMSNs, CPAFSA使用混沌映射来确定初始水下传感器的坐标和目标,可以节省工作量,提高了随机性。然后,CPAFSA应用混沌搜索的个人游泳过程个人的人工鱼提高搜索能力的个体鱼和局部优化的能力。

CPAFSA解决WQMSNs问题从鱼群体的角度,并添加并行运算符可以大大提高解决方案的质量和算法的准确性。并行模型包括细粒度模型,主从模型,和粗粒度模型。细粒度模型主要用于大规模的计算机系统。它可以最大化算法的并行处理能力,但硬件要求很高。主从模型有一个主处理器和多个从处理器。在这个模型中,鱼的全球加工业务群主处理器执行,和以下行为,聚集行为,随机行为,掠夺行为在二级处理器执行。粗粒度模型整体并行模型。模型将整个大型鱼类群划分为多个分散的鱼成群。每个独立分散鱼群体的发展。进化一定代数后,比较不同鱼成群并复制优秀的个人其他鱼成群,从而提高算法的搜索能力在当地的环境。 CPAFSA uses a coarse-grained parallel model to improve the overall optimization capabilities of WQMSNs in this paper.

4所示。结果与讨论

在本节中,我们比较CPAFSA, PSO和GA算法,分析算法的性能在解决WQMSNs水下三维覆盖和监测优化。CPAFSA的优点,在解决这个问题通过仿真实验证实了不同的参数设置。三个算法判断利弊通过一个共同的适应度函数的优化效果。

一般参数设置,传感器的监测范围 。传感器的数量是35和监控目标的数量是100。监控目标的位置和传感器节点随机分布由于混沌算子。同时,每个目标点需要进行3传感器,和一个传感器只能监控4目标点的覆盖范围。此外,CPAFSA、算法和遗传算法使用相同的代数和规模进行比较。表1- - - - - -3显示的参数值CPAFSA、算法和遗传算法。

在CPAFSA,个别学校的人工鱼的数量设置为40。步长和视野参数的设置对算法的性能有重要影响。根据水下CPAFSA优化3 d WQMSNs覆盖问题4,视野和步长参数设置,根据相关文献的综合评价,拥挤因素和群集设置的最大数量29日- - - - - -31日]。表1显示了这些参数。

PSO是一群优化算法受鸟群捕食的现象。实现空间的计算解决方案通过个体之间的协作和模仿。粒子的速度矢量特性,这决定了鸟的飞行状态。粒子按照最好的粒子在搜索空间中的当前状态和优化初始化随机粒子通过迭代找到最好的结果。的过程在每一代中,粒子通过跟踪两个极值进行更新。极端值1是粒子的历史最优解,和极端值2是整个粒子的最优解。每个粒子聚集在一定的速度最好的位置在自己的历史和最好的位置在附近实现候选解决方案的进化历史。表2显示了算法的参数。

遗传算法是一种结合了遗传优化算法理论与计算机技术。许多方面在这个算法是源于自然进化理论。染色体携带生物体的遗传物质,控制着生物体的性状和基因功能和遗传物质的组合表示,和价值的基因被称为一个等位基因。一定数量的基因组成染色体。染色体上的位置称为轨迹。基因和位点的组合决定了染色体的特征,和一个生物体的特性是外部表现。遗传算子如选择概率和交叉概率需要设置在GA。此外,在运行的过程中算法,遗传算法也需要设置参数如个人代码字符串的长度和大小。表3显示了遗传算法的参数设置。

图6显示成功的目标数目的变化监测水下传感器节点的数量的增加引起的。(a)、(b) (c)和(d),分别代表的情况下传感器节点监测半径是120米,140米,160米,180米。从图可以看出,随着传感器数量的增加,目标成功地监测GA和PSO的比例有所上升,但他们总是低于CPAFSA。CPAFSA优化通过平行比较,这就增加了搜索范围相比前两个算法。同时,CPAFSA会通过更新过程的最优解在每一次迭代过程中,可以更有效地监控更多的目标。根据图3、表4和5分别显示目标节点的比例增加成功监视CPAFSA GA相比,PSO。从表中可以看出,CPAFSA成功监控目标的比例总是高于PSO 1.00%到23.80%,高于GA和3.20%到25.80%。CPAFSA可以显著提高监控的效果。

图6还表明,当传感器数量的增加,目标成功地监控CPAFSA通常增加更多的比其他两种算法。原因是随着传感器和目标数量的持续增长,3 d的复杂性对水下传感器继续增加。传统的遗传算法和PSO易陷入早熟收敛,而CPAFSA并行运算符添加到代码中,可以执行广泛的全局优化。此外,集群和觅食搜索可以将全局搜索转换为本地搜索,可以改善之间的平衡的粗搜索与细搜索,提高了算法收敛速度,避免了陷入局部极值。

图7显示的数量目标成功监控当目标点的数量是100,传感器的数量是80年和100年,和相应的半径是130米,150米,分别。水下三维覆盖监测方法是基于CPAFSA,遗传算法和PSO WQMSNs。成功的定义目标监测率的百分比的数量目标成功地监测传感器覆盖范围内目标的总数。测试算法的实际效果在不同类型的传感器,我们设置的传感器数量(a)到80年,半径130米。设置传感器的数量(b)到80年,和半径150米。然后,传感器的数量设置为100 (c),半径设置为130米。和传感器的数量(d)被设置为100;半径设置为150米。仿真实验的结果说明随着一代又一代的算法增加,PSO-based目标覆盖监测率快速稳定,这表明该算法将很快达到当地极端,很难跳出优化阶段。基于遗传的覆盖率目标覆盖方法是稳步增加。 However, because GA uses a fixed zero-one code, it is difficult to introduce new genes when the mutation rate is low, and it is easy to fall into premature maturity. When the probability of mutation is high, individual adaptability will fluctuate greatly, and the target success monitoring rate will also be high. It is difficult to improve. The single fish in CPAFSA adopts zero-one coding based on chaos to avoid evolutionary stagnation caused by local optimization. It can be seen from the figure that CPAFSA can always monitor more targets than PSO and GA regardless of the same number of sensors but different radii or the same number of sensors and different radii.

图8显示成功的监测目标的百分比根据CPAFSA,遗传算法和PSO WQMSNs。确定利用算法在不同条件下的性能,传感器的数量(a)被设置为90,和半径设置为190米。设置传感器的数量在80 (b)和半径200米。传感器的数量(c)被设置为70,和半径设置为210米。传感器的数量(d)设置为60,和半径设置为220米。从图可以看出,基于CPAFSA成功监测目标的百分比(a)、(b)、(c)和(d)都高于90%,算法和遗传算法成功地监测目标的百分比减少传感器数量减少。在一定条件下,算法和遗传算法相比,CPAFSA可以使用传感器WQMSNs更有效的覆盖率和监控。

验证CPAFSA的性能,本节比较了该算法与粒子群算法和遗传算法成功的数量和比例的监控目标。仿真结果表明,新提出的CPAFSA具有较强的全局优化能力比算法和遗传算法在解决WQMSN水下三维覆盖优化问题,它并没有过早地聚集。

5。结论

针对最优水质监测传感器网络的覆盖范围,本文提出了一种新的混沌蜂群算法并行人工鱼。在算法设计之前,一个水下三维覆盖模型建立了解决传感器覆盖范围和监控问题。这个模型优化3 d的报道水下无线传感器目标点时,传感器是有限的。防止AFSA收敛过快的优化过程和陷入局部最优,CPAFSA使用混沌算子来提高CPAFSA的随机性的初始设置。这个算法提高了全球鱼类群优化并行策略的能力;因此,AFSA优化和精度是解决不足的缺点。除此之外,该算法还结合了精英算子和自适应算子在优化过程中,从而提高单个人工鱼的优化效率,防止无效的搜索。

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

本文由陆战队创新人才计划,拨款2020号cb001;青年和中年的科学和工程Techno-logical陆战队的创新领先的人才计划,拨款2018号cb006;中国博士后科学基金会拨款220531号;资金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。