[發明專利]基于量子頭腦風暴的異構傳感器網絡最佳目標覆蓋方法

有效

• 申請號: 201710606778.0
• 申請日: 2017-07-24
• 公開（公告）號: CN107396375B
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 高洪元;侯陽陽;劉丹丹;刁鳴;程建華;李亮;李晉;李佳;劉子奇
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: H04W16/18
• 分類號: H04W16/18;H04W84/18
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于量子頭腦風暴的異構傳感器網絡最佳目標覆蓋方法，其特征在于，包括以下步驟：

步驟一 建立基于指數型概率感知模型的三維空間異構傳感器網絡模型；所述指數型概率感知模型為其中，P_t,s是目標節點t被傳感器節點s感知的概率，α是衰減因子，r為傳感器的絕對感知半徑，R為傳感器的最大覆蓋半徑，α、r與R是反映傳感器特性的物理參數，d(t,s)是目標節點t與傳感器節點s之間的距離；三維空間歐氏距離公式為：x_t，y_t，z_t是目標節點的坐標，x_s，y_s，z_s是傳感器節點的坐標；選擇普通傳感器與超級傳感器兩種傳感器構成異構傳感器網絡；普通傳感器節點的絕對感知半徑為r₁，最大覆蓋半徑為R₁，r₁＜R₁，衰減因子為α₁；超級傳感器節點的絕對感知半徑為r₂，最大覆蓋半徑為R₂，r₂＜R₂，r₁＜r₂，R₁＜R₂，衰減因子為α₂，α₂＜α₁；

步驟二 對所有的i＝1,2,...,H，將第i個量子方案的所有量子位初始化為對第i個量子方案測量得到的方案為其中在頭腦風暴算法中，成員提出的一種方案即為一種工作傳感器部署方式；H為模擬的頭腦風暴小組成員的個數；ε為迭代次數，初始化時ε＝0；N為傳感器個數，即維度；

步驟三 按自然順序將這H個頭腦風暴成員等分為m組，H/m為整數；即1～H/m為第一組，1+H/m～2H/m為第二組，……，以此類推，共m組；

步驟四 對每個分組內成員提出的方案進行適應度評價，選取方案適應度最優的成員作為該小組的組長，其方案作為該小組的中心方案；

步驟五 根據當前頭腦風暴小組中成員的方案更新所有成員的量子方案的量子旋轉角矢量第i個成員量子方案的量子旋轉角矢量更新策略的選擇方式如下：

產生一個均勻分布在[0,1]間的隨機數若l為整體的策略選擇概率，執行以下操作；產生一個均勻分布在[0,1]間的隨機數若l_a為策略一的策略選擇概率，按照策略一更新量子旋轉角：為對應策略中的基礎方案，在策略一中為成員i所在分組的小組長產生過的歷史最佳方案，為第i個成員當前的方案，是整個頭腦風暴小組產生過的歷史最佳方案，為第i個成員提出過的歷史最佳方案，c₁，c₂，c₃為角度控制參數，表示各種方案對當前成員方案的影響權重，相對更好的方案對當前成員的方案影響更大，所占的權重也相對大；若按照策略二更新量子旋轉角：

在該策略中基礎方案為在成員i所在分組中隨機選擇的一個其他成員所提出過的歷史最佳方案，是第i個成員所在分組的小組長產生過的歷史最佳方案；策略一表示第i個成員的當前方案分別從其所在分組的小組長產生過的歷史最佳方案、第i個成員提出過的歷史最佳方案和整個頭腦風暴小組提出過的歷史最佳方案獲取的信息；策略二表示第i個成員的當前方案分別從其所在分組的一個其他成員產生過的最佳方案、該成員所在分組的小組長產生過的歷史最佳方案與整個頭腦風暴小組提出過的歷史最佳方案獲取的信息；

若執行以下操作；產生一個均勻分布在[0,1]間的隨機數若l_b為策略三的策略選擇概率，按照策略三更新量子旋轉角：

在該策略中基礎方案為成員i所在分組的小組長產生過的歷史最佳方案；若按照策略四更新量子旋轉角：在該策略中兩個基礎方案與分別為隨機選擇的兩個不同分組的小組長產生過的歷史最佳方案；策略三表示第i個成員當前方案分別從其所在分組的小組長產生過的歷史最佳方案和整個頭腦風暴小組產生過的歷史最佳方案獲取的信息；策略四表示第i個成員當前方案分別從其兩個不同隨機分組的小組長產生過的歷史最佳方案和整個頭腦風暴小組產生過的歷史最佳方案獲取的信息；

步驟六：對所有頭腦風暴小組成員，根據其當前量子方案及量子旋轉角矢量更新量子方案；對每一維，使用模擬的量子旋轉門，按照以下方程更新：

步驟七：對量子方案的每一維進行觀測得到方案的每一維，觀測方程如下：

其中，為均勻分布在[0,1]間的隨機數，i＝1,2,...,H，j＝1,2,...,N；

步驟八：計算每個成員方案的聯合感知概率，并對每個成員的方案進行適應度評價；更新每個成員產生的歷史最優方案和整個頭腦風暴討論組的全局最優方案；按自然順序將這H個頭腦風暴成員再次等分為m組，H/m為整數，確定每個小組的組長和中心方案；

步驟九：如果達到最大迭代次數，迭代終止；輸出的最優方案即為最佳的工作節點部署方式；否則，返回步驟五繼續進行；

步驟一中所述的建立基于指數型概率感知模型的三維空間異構傳感器網絡模型的過程如下：

a在三維空間中隨機分布M個目標節點和N個傳感器節點，得到目標節點與傳感器節點的空間坐標；其中，N＞M，并且傳感器節點包括N₁個普通傳感器節點與N₂個超級傳感器節點，N₁+N₂＝N；

b根據目標節點t_k，k＝1,2,...,M的空間坐標與傳感器節點s_j，j＝1,2,...,N的空間坐標計算出目標與傳感器間的距離并將其存入矩陣D的第k行第j列，得到距離矩陣根據上述三維空間指數型概率感知模型可以求出第j，j＝1,2,...,N個傳感器節點對第k，k＝1,2,...,M個目標節點的感知概率并將其存入矩陣P的第k行第j列，得到整個異構傳感器網絡的概率矩陣P的第j列代表第j個傳感器s_j分別對t₁,t₂,...,t_M這M個目標的感知概率；

c根據聯合感知概率計算公式求出N個傳感器節點對每一個目標t_k的聯合感知概率P(t_k)；如果對所有的k＝1,2,...,M都滿足P(t_k)≥P_th，其中P_th為聯合感知概率門限；則表示異構傳感器網絡部署成功，進行下一步；否則，返回a；

步驟二中所述的所有成員的初始方案產生方法如下：

每個頭腦風暴成員產生的一個方案對應一個N維的行向量其中的每個元素對應一個傳感器節點的工作或休眠狀態，且只取1或0，即表示第j個傳感器處于工作狀態，表示該傳感器休眠；初始方案集合生成如下：首先對i＝1,2,...,H個初始化的量子方案的所有量子位進行測量得到H個方案；測量方法為其中，為均勻分布在[0,1]間的隨機數；由于概率矩陣P的第j列代表第j個傳感器s_j分別對t₁,t₂,...,t_M這M個目標的感知概率，所以第i個方案的第j個元素乘以整個異構傳感器網絡的概率矩陣對應的第j列就得到該方案對應的概率矩陣Q_M×N；由此可以計算出在該方案的工作節點部署方式下，所有傳感器對每個目標節點的聯合感知概率并判斷若對所有的k＝1,2,...,M都滿足Q(t_k)≥P_th則第i個初始方案成功產生，否則重新生成；直到產生H個滿足聯合感知概率的方案，進行下一步；

步驟四中所述的適應度評價過程如下：

設在第i個方案中，第1維到N₁維代表N₁個普通傳感器節點的工作或休眠狀態，第N₁+1維到第N維代表N₂個超級傳感器節點的工作或休眠狀態；那么表示第ε次迭代中的第i個方案中N₁個普通傳感器節點中處于工作狀態的普通傳感器個數，為第ε次迭代中的第i個方案中N₂個超級傳感器節點中處于工作狀態的超級傳感器個數；那么第ε次迭代中的i個方案適應度值為：

適應度值的含義為在以方案的方式部署工作傳感器節點時的等效工作傳感器節點個數；w₁和w₂分別為一個普通傳感器與一個超級傳感器的等效傳感器節點個數，由于超級傳感器節點的能量消耗多于普通傳感器節點，所以此處認為一個超級傳感器等效為兩個普通傳感器，所以w₂＝2w₁＝2；但是，當不滿足聯合感知概率約束時，是無效的，此時需要對其適應度進行懲罰，δ為懲罰系數且δ＞1；由于是最小值優化問題，所以等效工作傳感器節點個數越少越好；分別選取m個小組中適應度值最小的方案作為中心方案，該成員作為該組的小組長。