[發(fā)明專利]基于PID控制器的無(wú)線傳感器網(wǎng)絡(luò)擁塞控制方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201611192230.8
• 申請(qǐng)日: 2016-12-21
• 公開(kāi)（公告）號(hào): CN107070802B
• 公開(kāi)（公告）日: 2021-01-12
• 發(fā)明（設(shè)計(jì)）人: 楊曉萍;夏日婷;朱燕蘋(píng);楊立杰;李天奇
• 申請(qǐng)（專利權(quán)）人: 吉林大學(xué)
• 主分類號(hào): H04L12/801
• 分類號(hào): H04L12/801;H04L12/823;H04L12/863
• 代理公司: 長(zhǎng)春市四環(huán)專利事務(wù)所(普通合伙) 22103
• 代理人: 張冉昕

1.一種基于PID控制器的無(wú)線傳感器網(wǎng)絡(luò)擁塞控制方法，其特征在于：包括如下步驟：相關(guān)參數(shù)的定義及初始化；將PID控制技術(shù)與主動(dòng)隊(duì)列管理方法相結(jié)合得到的PID隊(duì)列管理?yè)砣惴ㄇ度氲綗o(wú)線傳感器網(wǎng)絡(luò)WSN環(huán)境中；用單神經(jīng)元控制技術(shù)對(duì)PID控制器參數(shù)K_P、K_I、K_d進(jìn)行整定；用改進(jìn)的粒子群算法對(duì)單神經(jīng)元PID控制器的初始參數(shù)K_P0、K_I0、K_d0和單神經(jīng)元學(xué)習(xí)速率η₁、η₂、η₃進(jìn)行在線尋優(yōu)；通過(guò)單神經(jīng)元控制技術(shù)得到PID控制器的三個(gè)自適應(yīng)于無(wú)線傳感器網(wǎng)絡(luò)動(dòng)態(tài)環(huán)境的參數(shù)K_P、K_I、K_d后，計(jì)算丟棄概率p(k)，依概率p(k)丟棄數(shù)據(jù)包；

相關(guān)參數(shù)的定義：

K_P為比例運(yùn)算系數(shù)，K_I為積分運(yùn)算系數(shù)，K_d為微分運(yùn)算系數(shù)；

K_P0、K_I0、K_d0為PID三個(gè)參數(shù)K_P、K_I、K_d的初始值；

K為單神經(jīng)元的增益，K0；

η₁、η₂、η₃為單神經(jīng)元學(xué)習(xí)速率；

q₀為期望隊(duì)列長(zhǎng)度；

q為瞬時(shí)隊(duì)列長(zhǎng)度；

p(k)為丟棄概率；

粒子群的規(guī)模為N＝30；

粒子的維數(shù)D＝6；

粒子群慣性權(quán)重最大值w_max＝0.9；

粒子群慣性權(quán)重最小值w_min＝0.4；

PID控制器的三個(gè)參數(shù)的最小值K_p_min＝K_I_min＝K_d_min＝0.0001；

PID控制器的三個(gè)參數(shù)的最大值K_p_max＝K_I_max＝K_d_max＝10；

V_min、V_max為粒子群速度的最小值和最大值；

c1、c2為粒子群算法學(xué)習(xí)因子；

e(t)是e(k)的時(shí)間連續(xù)值；

p(k)、p(k-1)是單神經(jīng)元PID控制器輸出的第k和第k-1個(gè)丟棄概率離散值；

X_i(t)是粒子i在求解空間中t時(shí)刻解的位置；

f(X_i(t))是X_i(t)的適應(yīng)度值；

P_i(t)是粒子i所經(jīng)歷的求解空間中t時(shí)刻解的最好位置；

f(P_i(t))是最好位置P_i(t)的適應(yīng)度值；

(1)所述的用單神經(jīng)元控制技術(shù)對(duì)PID控制器參數(shù)K_P、K_I、K_d進(jìn)行整定，包括如下步驟：

1)設(shè)置算法的輸入量x₁(k)、x₂(k)、x₃(k)，其中，x₁(k)為瞬時(shí)隊(duì)列長(zhǎng)度q與期望值q₀的誤差，x₂(k)為誤差的一次差分，x₃(k)為誤差的二次差分，單神經(jīng)元控制系統(tǒng)的輸入輸出關(guān)系為：

其中，w_i(k)為x_i(k)的權(quán)重，分別對(duì)應(yīng)于PID算法的K_P、K_I、K_d；u(k)為單神經(jīng)元的輸出；

2)采用有導(dǎo)的Hebb學(xué)習(xí)算法來(lái)調(diào)節(jié)加權(quán)系數(shù)w_i(k)，其表達(dá)式為：

w_i(k+1)＝w_i(k)+η_iz(k)u(k)x_i(k)

其中，z(k)為輸出誤差信號(hào)，z(k)＝e(k)；w₁(0)、w₂(0)、w₃(0)是K_P、K_I、K_d的初始值K_P0、K_I0、K_d0；η₁、η₂、η₃為不同的學(xué)習(xí)速率系數(shù)；

3)單神經(jīng)元控制器是通過(guò)調(diào)整輸入變量x_i(k)的權(quán)重w_i(k)來(lái)實(shí)現(xiàn)自適應(yīng)調(diào)整的，為了實(shí)現(xiàn)算法的收斂性和魯棒性，采用規(guī)范化學(xué)習(xí)算法進(jìn)行處理，則表達(dá)式可以寫(xiě)成下式：

其中，w′_i(k)可表示為：

(2)所述的用改進(jìn)的粒子群算法對(duì)單神經(jīng)元PID控制器的初始參數(shù)K_P0、K_I0、K_d0和單神經(jīng)元學(xué)習(xí)速率η₁、η₂、η₃進(jìn)行在線尋優(yōu)，包括如下步驟：

1)對(duì)粒子群中粒子的位置和速度進(jìn)行隨機(jī)初始化，設(shè)一個(gè)粒子群的種群規(guī)模為N，N＝30，每個(gè)粒子代表D維搜索空間中的一個(gè)解，D＝6，即粒子群?jiǎn)紊窠?jīng)元初始化參數(shù)為6個(gè)：K_P0、K_I0、K_d0、η₁、η₂、η₃；其中粒子i在求解空間中t時(shí)刻的位置和速度分別表示為：

X_i(t)＝(x_i1,x_i2,…,x_iD)，V_i(t)＝(v_i1,v_i2,…,v_iD)；

2)計(jì)算每個(gè)粒子的適應(yīng)度

3)計(jì)算粒子i所經(jīng)歷的求解空間中t時(shí)刻的最好位置P_i(t)＝(p_i1，p_i2，…，p_iD)，計(jì)算群體中所有粒子經(jīng)歷過(guò)最好位置，即全局最好位置G＝(p_g1，p_g2，...，p_gD)，其中粒子所經(jīng)歷的最好位置由式(1)決定：

群體的全局最好位置G＝(p_g1，p_g2，...，p_gD)中的下標(biāo)g由式(2)確定：

4)對(duì)粒子的速度和位置進(jìn)行進(jìn)化，在標(biāo)準(zhǔn)PSO模型中，粒子在每一維上的速度和位置更新公式如下：

V_id(t+1)＝wV_id(t)+c₁r1_id(t)(P_id(t)-X_id(t))+c₂r2_id(t)(P_id(t)-X_id(t))

X_id(t+1)＝X_id(t)+V_id(t+1)

式中，V_id和X_id分別表示第i個(gè)粒子第d維的速度分量和位置分量，P_id為第i個(gè)粒子第d維所經(jīng)歷的歷史最佳位置分量，P_gd為群體所經(jīng)過(guò)的第d維全局最佳位置分量；w為慣性權(quán)重，決定了粒子對(duì)當(dāng)前速度的繼承度；r1_id和r2_id為第i個(gè)粒子第d維的隨機(jī)因子，其取值為[0，1]區(qū)間內(nèi)均勻分布且相互獨(dú)立的隨機(jī)數(shù)；c₁為個(gè)體認(rèn)知加速系數(shù)，表示粒子對(duì)自己經(jīng)歷過(guò)的歷史最佳位置的記憶，c₂為群體認(rèn)知加速系數(shù)，表示粒子對(duì)整個(gè)種群所經(jīng)歷過(guò)的歷史最佳位置的記憶能力，學(xué)習(xí)因子的存在使得粒子具有自我總結(jié)和向群體中最優(yōu)個(gè)體學(xué)習(xí)的能力，通過(guò)兩種能力的相互補(bǔ)充協(xié)調(diào)，粒子不斷向著全局最優(yōu)位置或局部最優(yōu)位置靠近；

5)判斷結(jié)束條件，如果未進(jìn)化到預(yù)先設(shè)定的迭代次數(shù)，返回步驟2)執(zhí)行步驟2)至步驟4)內(nèi)循環(huán)，否則結(jié)束迭代，得到尋優(yōu)的全局最好位置G——優(yōu)化的單神經(jīng)元PID控制器的初始參數(shù)K_P0、K_I0、K_d0和單神經(jīng)元學(xué)習(xí)速率η₁、η₂、η₃。