基于粒子群優化算法的傳感器優化部署方法研究

摘 要： 針對目前三維空間傳感器部署算法PSO算法存在尋優精度、全局收斂性和收斂速度不能保證的問題，提出了通過慣性權重線性遞減策略與動態加速常數自適應策略改進的基于粒子群的WCPSO優化算法，有效地提高了算法的尋優精度和收斂速度。給出了算法的設計方案并進行了來襲路徑未知和來襲路徑預估情況下的仿真實驗，仿真實驗結果表明WCPSO算法的優化效果和效率都要優于改進前的PSO算法。

關鍵詞： 粒子群優化算法； 部署優化； 傳感器網絡； WCPSO算法

中圖分類號： TN911?34； TM417 文獻標識碼： A 文章編號： 1004?373X（2016）17?0132?04

隨著數字電路技術、網絡通信技術和傳感器技術的快速發展，三維空間傳感器網絡的發展也迎來了機遇和挑戰，但面對復雜多變的探測環境，如何精確、快速地合理部署傳感器的空間位置，還需進行深入的研究[1?3]。其中，經典的PSO傳感器部署算法[4]采用隨機初始化增加了個體質量的不確定性，而且也無法保證算法的尋優精度、全局收斂性和收斂速度[5?6]。

針對上述問題，提出了基于粒子群改進的WCPSO算法。通過將慣性權重線性遞減策略與動態加速常數自適應策略加入到PSO算法中，有效地提高了算法的尋優精度和收斂速度，對三維空間傳感器的優化部署問題具有重要意義。

3 實驗仿真

根據如圖1所示的WCPSO算法的流程圖，使用Matlab按照算法功能劃分為主控模塊、初始化模塊、優化計算模塊和方案生成模塊四個模塊，各模塊的功能如下：

主控模塊：用于整個仿真程序的開始、運行、暫停和終止，該模塊使用Matlab的Command Window進行人機交互。

初始化模塊：處于主控模塊的控制下，幫助實驗用戶完成數學模型和計算參數的設定，同時將各參數傳送到優化計算模塊。

優化計算模塊：處于主控模塊的控制下，接收初始化模塊傳送來的模型和參數，然后根據設計的動態加速常數協同慣性權重的粒子群優化算法WCPSO進行迭代計算，直到完成迭代將優化方案發送至方案生成模塊。

方案生成模塊：處于主控模塊的控制下，將接收到的優化計算模塊傳送來的結果生成傳感器優化部署方案，并通過三維效果圖來完成方案的分析和展現。

3.1 實驗仿真一

針對來襲路徑未知，覆蓋范圍最大的空間傳感器布置優化問題，假設傳感器的探測范圍為空間中的球，球體內各點處的探測概率相等、球體外探測概率為0。

實驗共設置6個傳感器，其探測半徑分別設置為20 km，25 km，25 km，35 km，35 km和40 km。傳感器網絡的探測空間設為100 km×100 km×100 km，高度方向共劃分為20 km，50 km和80 km三個高度層，各層權重大小為0.35，0.45和0.20。實驗中取[λl，][σl，][θl]和[ρl]系數的初始大小依次為0.20，0.20，0.20和0.40。種群規模大小為5，粒子的維數為22，粒子的位置、速度在1～100范圍內取值，最大迭代次數[tmax]設置為1 200并作為迭代終止條件。

對隨機初始狀態、PSO優化和WCPSO優化的目標函數值結果如表1所示。

從表1中可以看出，使用WCPSO算法優化傳感器部署能顯著提高傳感器網絡探測性能，綜合加權指標值由0.671 4增大到0.770 4，且大于PSO算法的優化結果0.754 1。說明本文所提出的基于粒子群的WCPSO優化算法較PSO算法部署的傳感器網絡的探測性能有了較大的提高。

不同高度層上傳感器網絡的截面圖如圖2～圖4所示。

從圖4中可以看出，使用本文WCPSO算法進行優化的傳感器網絡的探測范圍更大，傳感器的利用率也更高，覆蓋重疊區域也更加合理。

3.2 實驗仿真二

針對來襲路徑可預估，綜合探測概率最大的空間傳感器布置優化問題，實驗共設置6個傳感器，其探測半徑分別設置為20 km，25 km，25 km，30 km，30 km和40 km。其中，前3個傳感器探測范圍為圓錐形，探測半徑表示的是底面圓半徑，而探測圓錐的高度均取40 km，傳感器網絡的探測空間設為100 km×100 km×100 km。預估的來襲路徑共有3條，在3條來襲路徑上分別取5個點進行離散化處理，處理結果如圖5所示。

Path 1，Path 2和Path 3三條路徑的權重分別設置為0.4，0.3和0.3。各路徑上5個離散點的權重分別設為0.15，0.1，0.3，0.25和0.2。種群規模大小設為5，粒子的維數為22，粒子的位置和速度可在約束范圍內隨機取值，最大迭代次數[tmax]設置為3 000并作為迭代終止條件。

對隨機初始狀態、PSO優化和WCPSO優化的目標函數值結果如表2所示。

從表2中可以看出，使用WCPSO算法對傳感器網絡部署優化后，明顯提高了傳感器網絡對三條預估路徑的整體探測概率，由隨機初始狀態下的0.512 0增加到了0.724 3，且好于PSO優化算法的結果0.572 7。因此對于來襲路徑可預估，綜合探測概率最大的傳感器網絡部署優化問題，WCPSO算法的優化部署方案明顯優于PSO算法的方案，對傳感器網絡目標探測系統的整體性能有較大的提升。

3.3 實驗結論

從實驗一和實驗二的結果可以看出，本文對PSO算法進行改進后的基于粒子群的WCPSO算法，對三維空間傳感器網絡的部署優化的效果和算法效率均優于改進前的PSO算法，證明了本文算法改進的有效性。

4 結 論

針對三維空間傳感器網絡的優化部署問題，本文提出了通過使用慣性權重線性遞減策略與動態加速常數自適應策略的基于粒子群優化的WCPSO算法，有效地提高了PSO算法的尋優精度和收斂速度。并給出WCPSO算法的設計方案和執行流程，最后對兩種典型問題進行了仿真，證明了所提出算法的有效性，對今后三維空間傳感器網絡的優化部署具有重要意義。

參考文獻

[1] POLI R， KENNEDY J， BLACKWELL T. Particle swarm optimization： an overview [J]. Swarm intelligence， 2013， 1（1）： 33?57.

[2] HUANG Husheng， XIONG Jiajun， YANG Longpo. Optimized disposition of radar netting based ongenetic algorithm [J]. Journal of air force radar academy， 2008， 22（4）： 250?252.

[3] 唐志華.基于臨近空間的目標探測及寬帶通信[J].無線電工程，2007（11）：28?30.

[4] 白雁.基于線性遞減系數粒子群優化算法的組卷實現[J].現代電子技術，2014，37（24）：41?44.

[5] 尚學剛，戴幻堯，李永禎，等.探測臨近空間飛行器的天基雷達系統設計[J].艦船電子對抗，2011，34（2）：55?59.

[6] PERRY R P， DIPIETRO R C， FANTE R L. SAR imaging of moving targets [J]. IEEE transactions on aerospace and electro?nic systems， 1999， 35（1）： 188?200.

[7] 袁浩.基于改進蜂群算法無線傳感器感知節點部署優化[J].計算機應用研究，2010（7）：2704?2705.

[8] 張立，劉云.網格移動的無線移動傳感器網絡部署算法[J].北京交通大學學報，2007，3l（5）：6?10.