基于免疫多目標(biāo)優(yōu)化的無(wú)線傳感網(wǎng)絡(luò)覆蓋研究.pdf

1、無(wú)線傳感器網(wǎng)絡(luò)(簡(jiǎn)稱WSN)是由微電子、集成電路、無(wú)線通信技術(shù)、嵌入式等多個(gè)學(xué)科交叉而成的一個(gè)新興領(lǐng)域，隨著物聯(lián)網(wǎng)快速興起，它被認(rèn)為是本世界最具發(fā)展?jié)摿Φ募夹g(shù)之一。憑借其功耗低、成本低、分布式和自組織等特點(diǎn)極大地推動(dòng)了傳感器技術(shù)的發(fā)展。由于傳感器節(jié)點(diǎn)能量有限，覆蓋范圍和形狀不穩(wěn)定，在進(jìn)行大規(guī)模高密度的隨機(jī)性覆蓋時(shí)，容易使傳感器節(jié)點(diǎn)分布均勻性很差，節(jié)點(diǎn)間的信息交流受阻，重復(fù)覆蓋，因此如何研究出合理的覆蓋控制算法或者策略，激活盡量少的傳感器

2、節(jié)點(diǎn)獲得高質(zhì)量網(wǎng)絡(luò)覆蓋，成為當(dāng)今無(wú)線傳感網(wǎng)絡(luò)研究中的關(guān)鍵課題。普遍研究的無(wú)線傳感器模型有0-1感知、概率感知模型，但是前者不夠準(zhǔn)確，偏理想化，后者雖符合實(shí)際，但冗余較多，計(jì)算量偏大。本文采用了混合感知模型，通過(guò)搭建無(wú)線傳感網(wǎng)絡(luò)（WSN）的網(wǎng)格數(shù)學(xué)模型，然后用免疫約束多目標(biāo)算法對(duì)其進(jìn)行優(yōu)化，理論分析和仿真結(jié)果表明該模型的可行性和優(yōu)良的覆蓋性能。本文的工作內(nèi)容主要如下：
　　第一，簡(jiǎn)單概括了無(wú)線傳感網(wǎng)絡(luò)的基本情況，包括其應(yīng)用特點(diǎn)、關(guān)鍵

3、技術(shù)、國(guó)內(nèi)外研究現(xiàn)狀，并且重點(diǎn)敘述了其他學(xué)者在無(wú)線傳感網(wǎng)絡(luò)的覆蓋和節(jié)能方面的研究，指出了各自研究的特點(diǎn)及其存在的問(wèn)題。
　　第二，對(duì)無(wú)線傳感網(wǎng)絡(luò)節(jié)點(diǎn)模型進(jìn)行了分析，綜合幾種模型的特點(diǎn)，采用了混合感知模型，結(jié)合了覆蓋率和節(jié)點(diǎn)利用率兩個(gè)重要因素，提出了以網(wǎng)格點(diǎn)為基本單元的無(wú)線傳感網(wǎng)絡(luò)數(shù)學(xué)模型，通過(guò)計(jì)算區(qū)域內(nèi)每個(gè)網(wǎng)格點(diǎn)的聯(lián)合感知概率，能得到更精確的覆蓋率。通過(guò)網(wǎng)格化數(shù)學(xué)建模，將覆蓋率和節(jié)點(diǎn)利用率轉(zhuǎn)化為數(shù)學(xué)模型。簡(jiǎn)單介紹了無(wú)線網(wǎng)絡(luò)覆蓋的性

4、能指標(biāo)，并選取了覆蓋率和節(jié)點(diǎn)利用率這兩個(gè)矛盾的指標(biāo)作為本文的優(yōu)化目標(biāo)。
　　第三，為了協(xié)調(diào)好覆蓋率和節(jié)點(diǎn)利用率的這兩個(gè)矛盾的因素，提出了免疫克隆約束多目標(biāo)算法(Immune clonal multi-objective constrained algorithm，簡(jiǎn)稱ICAMA)，算法對(duì)約束多目標(biāo)函數(shù)進(jìn)行了轉(zhuǎn)化，使其變成一個(gè)約束程度隨著迭代次數(shù)改變的函數(shù)，這樣每一代的抗體-抗原等計(jì)算都會(huì)根據(jù)該函數(shù)進(jìn)行調(diào)整，使算法從每一代的可行域內(nèi)

5、部和不可行域的邊緣向著約束最優(yōu)Pareto-前端逼近，更好地保證了所取得最優(yōu)解較好的均勻性、較強(qiáng)的逼近性以及較廣的分布。對(duì)算法中的參數(shù)進(jìn)行分析，通過(guò)一系列仿真實(shí)驗(yàn)，確定了參數(shù)的取值，隨后用測(cè)試函數(shù)進(jìn)行了優(yōu)化，并與IMCCMO算法進(jìn)行對(duì)比，結(jié)果表明算法具有更加優(yōu)秀的的收斂性、均勻性和寬廣性。
　　第四，將ICMCA算法和IMCCMO算法用于無(wú)線傳感網(wǎng)絡(luò)覆蓋的節(jié)點(diǎn)利用率和覆蓋率的優(yōu)化，在約束覆蓋率范圍和無(wú)約束條件下分別用0-1感知模型