文摘gydF4y2Ba

工业无线传感器网络(IWSNs)通常是固定在工业环境中,部署和各种传感器节点相互合作来完成工业生产任务。每个传感器节点的高效工作IWSNs将提高整个网络的效率。自动机器人需要进行及时的检查和维护的IWSNs工业环境。过度检查距离会增加检验成本,增加能量消耗。因此,缩短检验距离可以降低生产能耗,这是非常重要的整个系统的有效运行。然而,IWSNs的最佳检测路径规划是一个np问题,通常只可以通过启发式数学方法解决。本文提出了一种新的自适应免疫蚁群优化(AIACO)优化自动检测路径规划。此外,小说自适应算子和免疫算子的设计是为了防止算法陷入局部最优,提高优化能力。为了验证算法的性能,该算法相比,遗传算法(GA)和免疫克隆算法(ICA)。检查距离的仿真结果表明,使用AIACO IWSNs是低于GA和ICA。 In addition, the convergence speed of AIACO is faster than that of GA and ICA. Therefore, the AIACO proposed in this paper can effectively reduce the inspection energy consumption of the entire IWSN system.

1。介绍gydF4y2Ba

智能制造与信息技术的迅速发展,出现了。IWSNs是智能制造的关键技术之一,他们的组合IWSNs和物联网gydF4y2Ba1gydF4y2Ba- - - - - -gydF4y2Ba3gydF4y2Ba]。与传统的有线工业传感器网络相比,具有快速部署的特点,高灵活性,和自组织。它有广阔的应用前景的智能调度、工业监控、等领域。然而,电池供电的传感器节点限制IWSNs[的整体性能gydF4y2Ba4gydF4y2Ba- - - - - -gydF4y2Ba7gydF4y2Ba]。因此,检查IWSNs可以有效地保证系统的健康运行。由于大规模IWSNs,整个网络检查的成本是非常高的。因此,规划最优检测路径是有效降低检验成本的一种方式(gydF4y2Ba8gydF4y2Ba- - - - - -gydF4y2Ba10gydF4y2Ba]。gydF4y2Ba

在这个阶段,有许多路径规划算法,可用于自动化机器人IWSNs检查,如迅速探索随机树(RRT)算法,迪杰斯特拉算法gydF4y2Ba算法、GA和ICA (gydF4y2Ba11gydF4y2Ba- - - - - -gydF4y2Ba15gydF4y2Ba]。这些算法可以找到一个相对良好的道路,但他们也有各种各样的缺点。Dijkstra算法不适合优化组合优化问题。RRT算法执行随机点连接搜索,很难找到最优路径。虽然gydF4y2Ba增加了启发式的想法,有一个问题,不能保证最优路径。与前三个算法相比,遗传算法和ICA有所改善,但由于收敛速度慢,容易陷入局部最优,算法性能不是很好。gydF4y2Ba

关于上述问题的算法,本文设计一个新的AIACO克服以上的缺点。针对最小化检验开销IWSNs所面临的问题,将路径规划优化技术应用于IWSNs可以有效地降低网络的整体检验开销。AIACO检查路径优化可以提供一个低成本、高效率的信IWSNs检验方法。仿真证明AIACO优化IWSNs检查路径的能力。gydF4y2Ba

主要贡献如下:gydF4y2Ba(1)gydF4y2Ba首先,本文提出了一种自适应免疫蚁群优化(AIACO)来解决优化问题的自动检测路径规划,设计IWSNs路径规划模型,并设计一个新的适应度函数对算法的性能进行评估gydF4y2Ba(2)gydF4y2Ba其次,新的自适应算子和免疫算子的设计是本文以提高算法的优化能力。AIACO结合了自适应算子和免疫算子,具有更好的性能,增强了全局搜索能力,避免陷入局部最优gydF4y2Ba(3)gydF4y2Ba最后,我们比较AIACO的仿真结果与GA和检测路径规划的ICA IWSNs证明AIACO性能优越的路径规划和优化并给出详细的数据和示威活动。更重要的是,它还提供了一种新方法自动检测路径规划的研究领域gydF4y2Ba

剩下的论文的结构如下所示。部分gydF4y2Ba2gydF4y2Ba介绍了相关研究领域的优化检测路径规划IWSNs。部分gydF4y2Ba3gydF4y2Ba显示了路径规划模型。部分gydF4y2Ba4gydF4y2Ba提出了一种自适应免疫蚁群优化解决IWSNs检测路径规划问题。部分gydF4y2Ba5gydF4y2Ba演示了AIACO在解决任务分配问题的有效性通过仿真实验和讨论它。部分gydF4y2Ba6gydF4y2Ba是结论部分。gydF4y2Ba

2。相关工作gydF4y2Ba

近年来,检查路径规划的优化研究IWSNs吸引了大量的学者(gydF4y2Ba16gydF4y2Ba,gydF4y2Ba17gydF4y2Ba]。在IWSNs,一个有效的检验程序可以获得较低的检验时间和更低的成本和提高工业生产效率gydF4y2Ba18gydF4y2Ba,gydF4y2Ba19gydF4y2Ba]。也有很多优化的路径规划算法,它基本上是分为启发式算法和nonheuristic算法。gydF4y2Ba

摘要(gydF4y2Ba20.gydF4y2Ba)提出了一种加权鸽子群无人机在复杂环境和轨迹规划算法引入权重系数计算种群中个体的速度和位置来提高路径规划的质量和效率。然而,该算法容易陷入局部最优的问题,收敛速度慢和不稳定。gydF4y2Ba

在[gydF4y2Ba21gydF4y2Ba],作者旨在快速规划的最优轨迹智能飞机,考虑到误差约束和修正概率约束,构建智能飞机多个约束条件下的轨迹规划模型,并提出了一个基于Dijkstra算法的全局搜索算法来解决模型。作者提出的算法提高了基本的迪杰斯特拉算法通过计算残差和限制飞行距离,所以它具有更好的适应性,解决多个约束条件下的轨迹规划问题。然而,Dijkstra算法不适合解决路径规划问题。gydF4y2Ba

在[gydF4y2Ba22gydF4y2Ba),作者针对节点利用率低、计算量大的问题,在传统的RRT算法。基于快速RRT算法,优化的策略重新选择父节点和修剪的范围,提高了采样方法,并介绍了自适应步长;快RRT算法改进,使算法耗时和路径长度短。同时,节点连接筛选策略添加到消除过度转向角的路径,路径可以搜索在高维环境中。然而,快速RRT算法仍有大量的计算和收敛速度慢,且很难找到最优路径。gydF4y2Ba

在[gydF4y2Ba23gydF4y2Ba),作者提出一种改进的gydF4y2Ba算法。改进算法扩展了传统8-neighborhood搜索到24社区和使用指导向量优化社区的数量,消除冗余节点,提高搜索效率,优化平滑路径。然而,这种算法具有较低的搜索自由,和计划的路径长度仍然很长。gydF4y2Ba

在[gydF4y2Ba24gydF4y2Ba),作者提出了一个移动机械臂路径优化方法基于一种改进遗传算法。通过分析挑选物品的位置,移动机械臂分拣路径模型,并建立了多站在一个车站。点的旅行商(TSP)问题模型,采用一种改进的遗传算法来优化每个站的位置坐标点在工作区中,和计划的最短路径被移动机器人手臂和多站点之间最短的运动路径。然而,该算法仍然有早熟和收敛速度慢的问题。gydF4y2Ba

在[gydF4y2Ba25gydF4y2Ba),作者模拟生物免疫过程的优化路径规划问题,建立了ICA的数学模型。利用随机过程理论、马尔可夫链的收敛序列由ICA的人口是证明。作者验证,该算法保持多样性的能力比一般遗传算法在搜索本地和全球的解决方案。然而,该算法容易陷入局部最优,有收敛精度不足的问题。gydF4y2Ba

针对缺点在上面的文献中,我们提出一个新的解决方案,解决IWSN检测路径规划问题的优化,提高整体IWSN系统的检测速度,提高自动化效率,降低工业生产的成本,提高工业生产效率。gydF4y2Ba

3所示。系统模型gydF4y2Ba

在复杂IWSN环境中,关于网络控制范围和路径规划的限制,为了减少检测路径,一个数学模型,设计了基于二维坐标。这个模型可以实现自动检测的传感器节点在工业环境中,以便检查IWSNs的路径是最短的。该模型可以简单抽象成一个无向图完成gydF4y2Ba 。gydF4y2Ba 代表一个节点组成的集合gydF4y2Ba传感器节点,gydF4y2Ba表示一组每两个节点之间的距离。假设gydF4y2Ba工业传感器节点被安装在工业检测环境中,由整数编码表示gydF4y2Ba ,gydF4y2Ba每个传感器节点的二维坐标是已知的。节点之间的距离gydF4y2Ba和节点gydF4y2Ba是gydF4y2Ba ,gydF4y2Ba可以通过公式计算(gydF4y2Ba1gydF4y2Ba),gydF4y2Ba和gydF4y2Ba代表节点的横坐标gydF4y2Ba和gydF4y2Ba ,gydF4y2Ba分别为,gydF4y2Ba和gydF4y2Ba代表节点的纵坐标gydF4y2Ba和gydF4y2Ba ,gydF4y2Ba分别。本文的最终目标是要找到最短的检验路径减少检验开销。gydF4y2Ba

假设gydF4y2Ba是一组随机生成解决方案检测路径规划,然后呢gydF4y2Ba代表的一个任意的gydF4y2Ba传感器节点集。从机器人检查gydF4y2Ba ,gydF4y2Ba检查到gydF4y2Ba ,gydF4y2Ba然后返回gydF4y2Ba 。gydF4y2Ba一组检查路径是由公式(gydF4y2Ba2gydF4y2Ba)。每两个节点之间的距离检测路径的表示gydF4y2Ba 。gydF4y2Ba总路径长度由检查gydF4y2Ba ,gydF4y2Ba可以通过公式计算(gydF4y2Ba3gydF4y2Ba)。gydF4y2Ba代表的距离gydF4y2Ba通过所有节点gydF4y2Ba ;gydF4y2Ba 代表的距离gydF4y2Ba来gydF4y2Ba 。gydF4y2Ba

为了更清楚地解释模型,假设gydF4y2Ba工业传感器节点,和一个随机检验计划。这条路是用公式表达(gydF4y2Ba4gydF4y2Ba)。两个之间的距离gydF4y2Ba节点可以在向量顺序计算,和总路径长度可以根据公式计算(gydF4y2Ba3gydF4y2Ba)。gydF4y2Ba

IWSNs的检测路径规划必须不仅满足实际生产需求,而且整个IWSNs降低检验成本。路径越短,检验系统的效率越高。检查路径是指一次性的轨迹,机器人遍历检查系统中每个传感器节点。特别是在大规模IWSNs,检验的难度随着节点数的增加呈指数增长。因此,一个优秀的检测路径规划程序可以实现网络检查成本和更高的网络运行效率较低。gydF4y2Ba

4所示。AIACO减少能源消耗在IWSNs自动检测路径规划gydF4y2Ba

针对在IWSNs检测路径规划的问题,提出了一种新的AIACO优化算法。在提出AIACO策略,新的自适应算子和免疫算子的设计。运营商可以使AIACO计划检查路径最短,找到最好的解决方案。gydF4y2Ba

基本蚁群优化往往收敛精度不足,容易陷入局部最优。因此,本文提出了一个创新在AIACO自适应策略。在信息素更新阶段,信息素更新可以调整根据算法的运行时间,从而增加整个AIACO的全球搜索功能。一个新的克隆免疫策略是为了加快算法收敛。在ant-cycle模型,评估每只蚂蚁的适应度在蚁群中,一个克隆免疫方法克隆精英蚂蚁和根据免疫机制形成一个新的殖民地。因此,这两个新策略可以提高AIACO的能力解决IWSNs检测路径规划问题。gydF4y2Ba

AIACO的执行步骤如图所示gydF4y2Ba1gydF4y2Ba。gydF4y2Ba

使用以下详细步骤说明了算法流程图如图gydF4y2Ba1gydF4y2Ba。gydF4y2Ba

步骤1。gydF4y2Ba设计编码规则。使用整数编码。gydF4y2Ba

步骤2。gydF4y2Ba初始化蚁群。构造一个蚁群符合条件的路径规划模型。蚁群可以抽象为一个整数矩阵。集gydF4y2Ba蚂蚁和gydF4y2Ba传感器节点。矩阵可以表示为gydF4y2Ba 。gydF4y2Ba

步骤3。gydF4y2Ba循环每只蚂蚁。生成一组的蚁群的解决方案。gydF4y2Ba

步骤4。gydF4y2Ba调整挥发系数。使用一种自适应机制来改变指数因子。gydF4y2Ba

第5步。gydF4y2Ba更新信息素。使用动态变化更新挥发的因素。gydF4y2Ba

步骤6。gydF4y2Ba计算蚂蚁的健身。根据每个个体的健康评估的质量计划。gydF4y2Ba

步骤7。gydF4y2Ba克隆精英蚂蚁。克隆适应力最强的蚂蚁和使用免疫重新生成一个新的殖民地。重复步骤gydF4y2Ba6gydF4y2Ba。gydF4y2Ba

步骤8。gydF4y2Ba重复步骤gydF4y2Ba3gydF4y2Ba,gydF4y2Ba4gydF4y2Ba,gydF4y2Ba5gydF4y2Ba,gydF4y2Ba6gydF4y2Ba,gydF4y2Ba7gydF4y2Ba。当迭代的上限是满足。gydF4y2Ba

第9步。gydF4y2Ba输出路径最短的检查。gydF4y2Ba

在算法gydF4y2Ba1gydF4y2Ba,我们将展示整个IACGA算法伪代码流。gydF4y2Ba

本文讨论详细的过程提出AIACO IWSNs解决检测路径规划问题在接下来的部分。分别解释方面的初始化、计算的健身、路径选择、新运营商,更新信息素。gydF4y2Ba

4.1。编码方案gydF4y2Ba

的第一个步骤,用AIACO解决IWSN检查路径规划是根据系统模型设计编码方案。的检测路径的问题,无线传感器网络是自动化机器人开始从一个传感器节点随机,反复检查所有节点,不能检查。最后,回到起点。解决问题的最终目标是使机器人的路径最短的,也就是说,检验成本降到最低。编码方案将直接影响算法的效率。本文使用整数编码来提高程序的性能。编码的设计是使用多个蚂蚁的蚁群并行搜索路径和使用的情报组织计划的最短路径。由蚂蚁代表一个解决方案,每个路径遍历gydF4y2Ba表示一组检查路径蚁群产生的计划。一个蚂蚁为代表gydF4y2Ba ,gydF4y2Ba和蚁群为代表的数量gydF4y2Ba 。gydF4y2Ba IWSNs代表所有传感器节点。gydF4y2Ba表示选择的传感器节点gydF4y2Ba蚂蚁在gydF4y2Ba的一步。用公式表达编码方案(gydF4y2Ba5gydF4y2Ba)。gydF4y2Ba

关于编码方案的直观表示,集gydF4y2Ba3,gydF4y2Ba8。蚁群的方案是由公式(gydF4y2Ba6gydF4y2Ba)。三个蚂蚁代表三个不同的检验计划。gydF4y2Ba

4.2。最初的蚁群gydF4y2Ba

蚁群的初始化和编码检测路径规划模型。编码主要解决了抽象的检验计划和AIACO之间的连接问题,并使用数学和计算机程序来解决这个问题。蚁群的初始化是第一个编码信息素时的初始值。我们假设第一个搜索不受费洛蒙的影响差异,和自由搜索方法可以用来更好地模拟自然蚁群寻找食物。因此,生成的路径规划方案gydF4y2Ba蚂蚁。最初的蚁群计划可以简单描述gydF4y2Ba 。gydF4y2Ba的路径gydF4y2Ba蚂蚁可以表示为gydF4y2Ba 。gydF4y2Ba例如,特定的准则gydF4y2Ba蚂蚁和gydF4y2Ba节点是反映在公式(gydF4y2Ba5gydF4y2Ba)。gydF4y2Ba

结合公式的数据(gydF4y2Ba5gydF4y2Ba),图gydF4y2Ba2gydF4y2Ba显示了初始化的场景。8个传感器节点是无线传感器网络初始化。三个蚂蚁被随机放置在传感器节点2,4日和7在初始化期间,开始计划各自检查路径,最后完成检验任务。评估的质量检查路线计划通过计算路径长度。gydF4y2Ba

4.3。健康评估gydF4y2Ba

适应度函数是评价的质量检验的标准路径。适应度函数设计本文旨在评估发现的蚁群的最短路径。AIACO适应度函数基本上决定了方向的程序操作。检查路径越短,被选中的概率越大的蚂蚁。蚁群中的每个蚂蚁都有自己的评价价值。AIACO体现了自然蚂蚁的搜索过程,通过搜索路径,然后把路径上信息素。在本文中,蚂蚁的评估是基于检测路径的长度。这项研究的目标是尽量减少检验IWSNs道路。检查的评估价值路径可以通过公式计算(gydF4y2Ba3gydF4y2Ba)。gydF4y2Ba

4.4。选择路径gydF4y2Ba

当蚁群的蚂蚁开始寻找一条路径,路径上的可见性和信息素含量是重要的因素。这两个因素决定了蚂蚁的选择去下一个传感器节点。在公式(gydF4y2Ba7gydF4y2Ba),gydF4y2Ba是两个传感器节点之间的路径上的信息素。gydF4y2Ba代表两个传感器节点之间的可见性。此外,本文中蚂蚁的检验规则如下:每只蚂蚁从当前节点随机选择一个节点和搜索直到遍历所有的节点,并返回该节点开始。在这个搜索、路径上的蚂蚁信息素将他们通过。在算法的初始化,设置的路径信息素含量一个常数。gydF4y2Ba代表了蚂蚁的概率gydF4y2Ba选择从节点gydF4y2Ba到下一个节点gydF4y2Ba 。gydF4y2Ba 代表其余的节点集。gydF4y2Ba和gydF4y2Ba是信息素指标常数和可见性指标常数,分别。在公式(gydF4y2Ba7gydF4y2Ba)、轮盘赌方法用于确定方向的蚂蚁到下一个节点。gydF4y2Ba

4.5。信息素更新gydF4y2Ba

信息素更新是一个重要的一步AIACO解决检测路径规划的问题。寻找最佳路径时,需要选择的路径计算信息素。当蚂蚁访问每个传感器节点,他们从节点的路径上释放信息素gydF4y2Ba到节点gydF4y2Ba 。gydF4y2Ba在算法运行时,整个蚁群会影响整个传感器网络的路径。期间,信息素含量也会挥发演化过程的一部分。在AIACO,每只蚂蚁完成检查后,它经过的路径上的信息素将被更新。修改方法是由公式(gydF4y2Ba8gydF4y2Ba),(gydF4y2Ba9gydF4y2Ba)和(gydF4y2Ba10gydF4y2Ba)。gydF4y2Ba 在哪里gydF4y2Ba代表循环的迭代次数gydF4y2Ba表示信息素挥发因子的。gydF4y2Ba 代表了信息素更新后的结果gydF4y2Ba的一代。gydF4y2Ba代表产生的信息素的变化gydF4y2Ba蚂蚁在搜索结束后。gydF4y2Ba代表了信息素的更新结果gydF4y2Ba蚂蚁。然而,每个路径上的信息素更新的结果是由信息素常数gydF4y2Badij和路径距离。路径长度越长,越小的释放信息素。gydF4y2Ba

4.6。自适应策略gydF4y2Ba

在大规模节点的情况下,传统的蚁群优化逐渐成为选择的蚂蚁信息素的积累,但这条路可能不是最短路径。此外,传统的蚁群优化通常是容易陷入局部最优。有两个问题固定挥发因子的设置。如果设置太大,信息素含量会减少后的周期gydF4y2Ba代,它将无法真正反馈给随后的蚂蚁选择。如果设置过小,将会有一个大的信息素的积累,和路径上的信息素的区别将变得更大,导致算法过早。gydF4y2Ba

新的自适应策略的目的本文设计是为了防止过早项目和提高蚁群的搜索空间。在检验过程中,自适应策略法官是否调整信息素挥发因子根据信息素的浓度在当前网络,影响蚂蚁的路径选择概率,从而指导AIACO更好的解决方案。因此,该算法的自适应机制可以表现出更好的性能问题时更加复杂。自适应更新方法是由公式(gydF4y2Ba11gydF4y2Ba)和(gydF4y2Ba12gydF4y2Ba)。gydF4y2Ba 在哪里gydF4y2Ba代表一个常数和gydF4y2Ba收敛因子成正比gydF4y2Ba与成反比gydF4y2Ba 。gydF4y2Ba增加的数量的收敛性gydF4y2Ba将导致增加gydF4y2Ba 。gydF4y2Ba 代表信息素浓度的上限,gydF4y2Ba表示信息素浓度的下限。操作的算法,AIACO自适应调整信息素的浓度,使蚂蚁路径不会迅速集中检查。因此,AIACO避免当地最适条件,增强了全局搜索能力。gydF4y2Ba

4.7。免疫策略gydF4y2Ba

在AIACO,提高算法的收敛速度是一个重要的任务。本文设计一种克隆免疫战略阶段的人口变化。当免疫系统解决了IWSN检测路径规划问题,它使用免疫优势免疫学对抗原刺激的反应及时,从而改变抗体。克隆免疫策略更好地模拟蚁群的克隆过程的免疫系统。克隆免疫策略可以大大提高检测路径规划的优化速度。免疫接种可以提高蚁群的多样性项目。蚁群搜索结束后,现有的蚁群码是用来发现一些精英蚂蚁通过评估健身蚁群的排名。这些精英是随机克隆形成一个新的人口免疫变异操作。突变可能导致新的方案,有可能产生更多的适应性的蚂蚁,加快算法收敛。gydF4y2Ba

5。仿真和讨论gydF4y2Ba

5.1。实验装置gydF4y2Ba

本节将验证AIACO的性能,ICA和GA IWSN检验通过模拟路径规划。实验的硬件设备是英特尔(R)的核心(TM) i5 @2.40GHz CPU戴尔电脑。仿真软件MATLAB R2018a。操作系统是Windows 1909版本。实验终止条件的三个算法都是100代,和二维坐标区域gydF4y2Ba 米gydF4y2Ba^2gydF4y2Ba。gydF4y2Ba

为了比较AIACO ICA和GA的解决问题的能力,我们设置AIACO的人口规模,ICA和GA - 100。AIACO,信息素挥发因子设置为0.95,重量信息启发式因子为1,信息素是2.5。在ICA,我们设置抗体复合概率为0.75,0.55抗体变异概率,克隆精英的比例为10%。在遗传算法中,我们设置交叉概率和变异概率0.69升至0.04。主要实验参数的三种算法的AIACO, ICA和GA在表中列出gydF4y2Ba1gydF4y2Ba- - - - - -gydF4y2Ba3gydF4y2Ba。gydF4y2Ba

5.2。实验结果的讨论gydF4y2Ba

数据gydF4y2Ba3(一个)gydF4y2Ba- - - - - -gydF4y2Ba3 (d)gydF4y2Ba显示AIACO检查路径优化结果,ICA和GA的实验条件下,四种不同的传感器节点数量。在数据gydF4y2Ba3(一个)gydF4y2Ba- - - - - -gydF4y2Ba3 (d)gydF4y2Ba、AIACO优化检测路径比ICA和GA。当算法在20代,AIACO已基本聚合,发现短路径相对于ICA和GA。ICA比遗传算法收敛更快。在100代,所有三个算法发现他们的最短路径。从优化趋势,AIACO ICA和GA相比的性能是最好的。这一点证明了免疫克隆算子可以提高算法的收敛速度。在图gydF4y2Ba3 (d)gydF4y2Ba,传感器节点的数量是80,AIACO的优化路径的趋势更加明显。验证,新的自适应策略和免疫策略可以使AIACO更好解决最小化IWSNs的检测路径的问题。gydF4y2Ba

数据gydF4y2Ba4(一)gydF4y2Ba- - - - - -gydF4y2Ba4 (d)gydF4y2Ba比较三种算法的最短路径长度在100代,和传感器节点的数量是20,40岁,60岁,和80年,分别。使用直方图来直接比较空白。我们可以看到数据gydF4y2Ba4(一)gydF4y2Ba- - - - - -gydF4y2Ba4 (d)gydF4y2Ba4例,检查路径优化的长度由AIACO小于ICA和GA。当传感器节点增加,最短路径长度也增加。同时,AIACO比ICA和遗传算法更好的路径优化性能。当节点的数量是60和80年AIACO ICA和GA的差距更大。这一点说明了AIACO大规模节点的网络优化能力。因此,与ICA和GA相比,优化检验路径AIACO有更好的能力。gydF4y2Ba

数据gydF4y2Ba5(一个)gydF4y2Ba- - - - - -gydF4y2Ba5 (d)gydF4y2Ba显示的路径优化百分比当传感器节点的数量是30,50岁,60岁,和80年,分别。从饼状图,我们可以直观地看到AIACO之间的比较,ICA和GA的优化程度的提高检验路径。在四个不同数量的节点,路径长度优化的AIACO大于ICA和GA,占41%,44%,48%,和49%,分别。ICA占34%、35%、32%和32%,分别。GA占25%、21%、20%和19%,分别。随着节点数的增加,AIACO性能也会提高。自适应策略可以防止AIACO落入局部最优,提高算法的全局优化能力,找到一个较短的路径。总的来说,IWSNs AIACO的性能总是优于其他两种算法。gydF4y2Ba

图gydF4y2Ba6gydF4y2Ba显示了一个比较减少传感器节点的路径长度20,30岁,40岁,50岁,60岁,70年和80年。来自表的数据gydF4y2Ba4gydF4y2Ba。从图可以看出gydF4y2Ba6gydF4y2Ba在7例,随着节点数的增加,减少的程度三个路径长度的算法也在不断增加。从总体趋势,AIACO优化性能检验路径比ICA和GA。线图显示了上升趋势。特别是当节点的数目是70年和80年,AIACO比ICA和GA的表现。比自动调整信息素的挥发,它促进AIACO找到最佳的能力。免疫克隆方法使新蚁群重组精英蚂蚁有更高的多样性,这有利于找到最短路径。总的来说,AIACO的性能非常优越。gydF4y2Ba

表gydF4y2Ba4gydF4y2Ba表明AIACO、ICA和GA减少检测路径的长度。从表中的数据可以看出gydF4y2Ba4gydF4y2Ba随着传感器节点数量的增加对每个算法,缩短路径长度也增加。结合图gydF4y2Ba6gydF4y2Ba为更直观地看到相似的结论。基于表gydF4y2Ba4gydF4y2Ba、表gydF4y2Ba5gydF4y2Ba显示的优化性能AIACO、ICA和GA在不同节点以百分比形式参数设置。AIACO缩短路径长度的比例总是大于ICA和GA。比例最高的是49%,和相应的节点数量是70和80,分别。ICA的百分比在总排名第二,GA是最小的。AIACO的高性能的因素是新运营商调整信息素浓度在实时算法运行以防止过早收敛。与AIACO相比,ICA和遗传算法容易陷入局部最优,并找到最短的性能检验路径是贫穷。gydF4y2Ba

假设人口规模gydF4y2Ba ,gydF4y2Ba和传感器节点的数量gydF4y2Ba 。gydF4y2Ba从表可以看出gydF4y2Ba6gydF4y2BaAIACO算法的复杂性gydF4y2Ba ,gydF4y2BaICA算法的复杂性和GAgydF4y2Ba 。gydF4y2Ba在AIACO,蚂蚁需要为每个节点搜索,然后更新信息素,形成一个周期的两倍。ICA和GA有相似的选择和突变过程,和都是双周期。因此,与ICA和GA相比,AIACO降低复杂性。更重要的是,我们可以看到从图gydF4y2Ba3gydF4y2BaAIACO的收敛速度和优化性能比ICA和GA。gydF4y2Ba

通过对仿真结果的比较和讨论,建议AIACO解决问题的有效性检验IWSNs自动检测路径规划的验证。成功地解决减少检测路径规划问题的二维坐标。未来的研究将涉及检验在三维空间路径规划和更复杂的工业环境。gydF4y2Ba

6。结论gydF4y2Ba

针对的问题最小化工业无线传感器网络的检测路径规划(IWSNs),本文提出了一种新的自适应免疫蚁群优化(AIACO)。在算法执行之前,检查建立了IWSNs路径规划模型。一种新的自适应策略是设计动态调整信息素的挥发,防止算法过早收敛。设计新的免疫策略选择精英蚂蚁重组新的殖民地。免疫策略提高了算法的优化速度和检验计划的多样性。此外,我们比较的性能AIACO ICA和遗传算法在解决IWSN路径规划仿真结果和详细讨论。结果证明AIACO的性能优于ICA和GA。该算法有效地解决了在IWSNS自动检测路径规划问题,可以找到最短的路径,降低工业能源消耗的检验任务。gydF4y2Ba

数据可用性gydF4y2Ba

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。gydF4y2Ba

信息披露gydF4y2Ba

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。gydF4y2Ba

的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

确认gydF4y2Ba

本文由陆战队创新人才计划,拨款2020号cb001;项目青年和中年科技队的领先科技人才计划,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。gydF4y2Ba