【正文】 陷入局部最優(yōu)，導(dǎo)致無(wú)法收斂到全局極值點(diǎn)。為了獲得較高的覆蓋率的無(wú)線傳感器網(wǎng)絡(luò)的需要，通?？梢栽黾觽鞲衅鞴?jié)點(diǎn)的密度，這可以有效減少感知盲點(diǎn)出現(xiàn)的概率。因此，在網(wǎng)絡(luò)的初始階段，選擇對(duì)網(wǎng)絡(luò)性能的節(jié)點(diǎn)的一個(gè)合理的工作和運(yùn)行成本是十分重要的。2)網(wǎng)絡(luò)中的各個(gè)節(jié)點(diǎn)的位置信息能通過(guò)一定的方式獲取。Re是傳感器節(jié)點(diǎn)測(cè)量可靠性參數(shù)。f2越大，選取的工作節(jié)點(diǎn)數(shù)越少，節(jié)點(diǎn)冗余率就越低，說(shuō)明網(wǎng)絡(luò)的能耗就相對(duì)越少。得出了總目標(biāo)函數(shù)的算式，我們就可以運(yùn)用遺傳算法來(lái)進(jìn)行迭代運(yùn)算。仿真結(jié)果表明，改策略能夠在達(dá)到較高覆蓋率的同時(shí)，降低網(wǎng)絡(luò)能耗并保證網(wǎng)絡(luò)能耗均衡，在保持網(wǎng)絡(luò)穩(wěn)定運(yùn)行和延長(zhǎng)網(wǎng)絡(luò)壽命方面具有一定的可行性。多目標(biāo)遺傳算法常用的基本概念主要包括個(gè)體、群體、基因、基因型、適應(yīng)值等。一開(kāi)始需要實(shí)現(xiàn)從表現(xiàn)型到基因型的映射工作即編碼工作，這其中要把對(duì)問(wèn)題有用的參數(shù)反映在編碼里。2)多目標(biāo)遺傳算法的求解過(guò)程是必須現(xiàn)找到一個(gè)能代表問(wèn)題的可能潛在解集的種群，再?gòu)姆N群中進(jìn)行搜索，而不是從一個(gè)個(gè)體開(kāi)始搜索。更重要的是，多目標(biāo)遺傳算法的適應(yīng)度函數(shù)不僅連續(xù)可微的限制，并且它的域可以自由設(shè)定。5)多目標(biāo)遺傳算法形式簡(jiǎn)單，它非常適合于大規(guī)模的并行計(jì)算，還能與其他方法簡(jiǎn)單的相結(jié)合，因此可以有效地模擬復(fù)雜適應(yīng)系統(tǒng)和解決多目標(biāo)的優(yōu)化問(wèn)題。代碼一般應(yīng)具有完整性，合理性，非冗余原則要得到滿(mǎn)足。適應(yīng)度函數(shù)是基于優(yōu)化過(guò)程是依靠評(píng)價(jià)個(gè)人的標(biāo)準(zhǔn)來(lái)確定個(gè)體的遺傳選擇下一代的概率，選擇概率正比于個(gè)體的適應(yīng)度值。（5）交叉算子遺傳算法的主要算子，有優(yōu)異的全局搜索能力。,設(shè)k=0。（1）編碼先設(shè)置區(qū)域大小為一個(gè)矩形格點(diǎn)區(qū)域，大小為mn的一個(gè)區(qū)域，依次按照順序?qū)Ω顸c(diǎn)進(jìn)行編號(hào)1，2，3……mn，每一個(gè)數(shù)代表一個(gè)傳感器節(jié)點(diǎn)。對(duì)演化后的子代群體，重新進(jìn)行優(yōu)化準(zhǔn)則判定，得到更優(yōu)的群體，再這樣循環(huán)往復(fù)的操作下去直到達(dá)到我們規(guī)定的目標(biāo)。然后累加其選擇概率值，每一輪中，通過(guò)產(chǎn)生［0，1］內(nèi)的隨機(jī)數(shù)為指針，來(lái)確定選擇的個(gè)體。pr。/*pop為前代種群，pop_new為下一代種群*/var fitness_value, fitness_table。 mid = round((last+first)/2)。 (idx == 1) if r fitness_table(mid) first = mid。 end if mid = round((last+first)/2)。 end for end for2. 交叉操作采用最常用的單點(diǎn)交叉方式。/*交叉位置*/ if or (cross_pos == 0, cross_pos == 1) continue。變異率為Pm，按概率Pm隨機(jī)選取要變異的個(gè)體矩陣，隨機(jī)選取某一行號(hào)，在選中的個(gè)體矩陣中用隨機(jī)產(chǎn)生的一行整數(shù)序列替換選中的這一行。/*變異位置*/ if mutate_pos == 0 continue。圖44算法流程 仿真結(jié)果先設(shè)置區(qū)域大小為一個(gè)矩形格點(diǎn)區(qū)域，再設(shè)置監(jiān)測(cè)區(qū)域大小為5050m2.。for i=1:pop_size for j=1:chromo_size pop(i,j) = round(rand)。對(duì)個(gè)體按照適應(yīng)度大小進(jìn)行排序：%對(duì)個(gè)體按適應(yīng)度大小進(jìn)行排序，并且保存最佳個(gè)體%pop_size: 種群大小%chromo_size: 染色體長(zhǎng)度f(wàn)unction rank(pop_size, chromo_size)global fitness_value。global best_individual。for i=1:pop_size fitness_table(i) = 0.。for i=1:pop_size min = i。 fitness_value(i) = fitness_value(min)。 pop(min,k) = temp1(k)。if fitness_value(pop_size) best_fitness best_fitness = fitness_value(pop_size)。clear j。clear temp1。y = fitness_avg。%染色體大小generation_size 分別為50，100，150。從圖中能看出來(lái)，隨著迭代次數(shù)的增加，選擇的工作的傳感器節(jié)點(diǎn)數(shù)在減少，而且節(jié)點(diǎn)的分布越來(lái)越均勻，不斷趨向于最優(yōu)節(jié)點(diǎn)分布。從而我們能得出一個(gè)結(jié)論，整個(gè)算法迭代過(guò)程是搜索向全局最優(yōu)解的方向進(jìn)行，而且代數(shù)越大，選取的傳感器就越少，更多的冗余節(jié)點(diǎn)不工作，那么即網(wǎng)絡(luò)各區(qū)域能耗越來(lái)越均衡，網(wǎng)絡(luò)覆蓋率變高，算法不斷完善。在同一時(shí)間，降低區(qū)域能耗和保持均衡網(wǎng)絡(luò)，從而延長(zhǎng)網(wǎng)絡(luò)的生命周期。其次，考慮了網(wǎng)絡(luò)壽命的定義和網(wǎng)絡(luò)布局特點(diǎn)等因素，給出了網(wǎng)絡(luò)覆蓋度的定義。在此我首先要感謝我的導(dǎo)師何老師，何老師不但在畢業(yè)設(shè)計(jì)中傳授我做研究學(xué)問(wèn)的方法和一些高屋建瓴的提議，還教會(huì)了我為人處世的道理，給了我無(wú)盡的關(guān)懷和教誨。何老師的榜樣作用深入人心，這也對(duì)我以后的學(xué)習(xí)和工作生活產(chǎn)生深遠(yuǎn)的影響。在最后我不能忘了一直陪伴在我身邊的家人和朋友，感謝我的父母家人，是他們?cè)诤诎抵薪o了我光明，是他們用無(wú)私的厚愛(ài)和殷切的期望撐起我人生的大樹(shù)，他們將永遠(yuǎn)是我的指路明燈，使我我在人生道路上獲得前進(jìn)的巨大動(dòng)力，也是我人生中最寶貴的財(cái)富。我還要感謝我的同學(xué)們，在畢業(yè)設(shè)計(jì)的困難他們都給我了許多建議和幫助，在我最困難的時(shí)候伸出援手。這篇文章從選題、課題研究、查閱資料、完成初稿直至最后的定稿，我都收獲了何老師的悉心指導(dǎo)和幫助。而建立的模型，基于多目標(biāo)遺傳算法進(jìn)行了無(wú)線傳感器網(wǎng)絡(luò)動(dòng)態(tài)覆蓋問(wèn)題的算法設(shè)計(jì)，提出了基于遺傳算法的無(wú)線傳感器網(wǎng)絡(luò)動(dòng)態(tài)覆蓋問(wèn)題算法，主要是對(duì)多目標(biāo)遺傳算法設(shè)計(jì)，并在此基礎(chǔ)上設(shè)計(jì)無(wú)線傳感器網(wǎng)絡(luò)滿(mǎn)足特定覆蓋率的生存時(shí)間，最后通過(guò)仿真結(jié)果的有效性分析，驗(yàn)證基于多目標(biāo)遺傳算法的無(wú)線傳感器網(wǎng)絡(luò)動(dòng)態(tài)覆蓋問(wèn)題算法的有效性。對(duì)動(dòng)態(tài)覆蓋問(wèn)題的建模由兩個(gè)方面組成：網(wǎng)絡(luò)覆蓋度的定義和網(wǎng)絡(luò)壽命的定義。圖45選擇節(jié)點(diǎn)分布從實(shí)際需要出發(fā)，如果注重網(wǎng)絡(luò)覆蓋，可以增加網(wǎng)絡(luò)覆蓋的重量，減少其它兩個(gè)的比重，能源消耗和能量平衡的效果將受到影響；如果專(zhuān)注于能源消耗和網(wǎng)絡(luò)的平衡，可以增加兩個(gè)權(quán)重后，減少覆蓋范圍，這樣的覆蓋度會(huì)受到影響。算法運(yùn)行至100代時(shí)，使用58個(gè)傳感器，%。%交叉概率mutate_rate = 。 將我們?cè)O(shè)定的參數(shù)帶入算法中：pop_size = 50。打印算法迭代過(guò)程：%打印算法迭代過(guò)程%generation_size: 迭代次數(shù)function plotGA(generation_size)global fitness_avg。clear min。 for j=1:chromo_size best_individual(j) = pop(pop_size,j)。 else fitness_table(i)=fitness_table(i1)+fitness_value(i)。 for k = 1:chromo_size temp1(k) = pop(i,k)。 min = j。temp = 1。global pop。global fitness_avg。clear j。那么適應(yīng)度函數(shù)定義式為f=+ + (1f3)，有100個(gè)傳感器，則染色體長(zhǎng)度為100。/*將變異位置上的數(shù)字置反*/ end ifend for圖44顯示的設(shè)計(jì)多目標(biāo)遺傳算法的算法過(guò)程，從圖中可以看出，算法先生成群體初始節(jié)點(diǎn)分布，再計(jì)算適應(yīng)度，即存儲(chǔ)最佳個(gè)體，接著就是遺傳操作（選擇、交叉、變異），然后適應(yīng)度計(jì)算，選擇出適應(yīng)性最差的個(gè)體，得到后用最佳個(gè)體代替最差個(gè)體。采用最大迭代次數(shù)作為終止程序的判斷條件。/*交換*/ end for end if end for 采用基本位變異。交叉方式為隨機(jī)選取兩個(gè)個(gè)體，再隨機(jī)選取個(gè)體矩陣的某個(gè)行號(hào)作為起始行號(hào)，將兩個(gè)體矩陣的起始行號(hào)開(kāi)始的若干行進(jìn)行交換。 break。 else idx = mid。 /*下面按照排中法選擇個(gè)體*/ while (first = last) amp。/*隨機(jī)生成一個(gè)隨機(jī)數(shù)，在0和總適應(yīng)度之間，因?yàn)閒itness_table(pop_size)為最后一個(gè)個(gè)體的累積適應(yīng)度，即為總適應(yīng)度*/ first = 1。顯然，小扇區(qū)的面積越大，參照點(diǎn)落入其中的概率也越大，即個(gè)體的適應(yīng)度越大，它被選中的機(jī)會(huì)也越多。在比例選擇法中，各個(gè)個(gè)體的選擇概率和其適應(yīng)度值成比例。這個(gè)覆蓋算法，選擇操作采用常用的“輪盤(pán)賭法”選擇個(gè)體。用一串二進(jìn)制編碼ni={n1,n2…nn}代表網(wǎng)絡(luò)中的節(jié)點(diǎn)是否被選中的情況，節(jié)點(diǎn)的選擇情況與染色體個(gè)體相互對(duì)應(yīng)，方框顯示1表示該位置上的傳感器被選中作為工作節(jié)點(diǎn)，方框顯示0表示該位置上的傳感器被選中作為工作節(jié)點(diǎn)表示沒(méi)有選中，即該節(jié)點(diǎn)休眠。圖41多目標(biāo)遺傳算法流程圖遺傳算法是基于動(dòng)態(tài)多目標(biāo)算法的一種設(shè)計(jì)理念，這個(gè)算法從不同的出發(fā)點(diǎn)的設(shè)計(jì)考慮算法，設(shè)計(jì)要考慮算法中使用的遺傳算法的特點(diǎn)都伴有不同程度的覆蓋和生命周期規(guī)劃網(wǎng)絡(luò)，動(dòng)態(tài)規(guī)劃方案指的是開(kāi)放型的傳感器節(jié)點(diǎn)的順序，在單位時(shí)間內(nèi)的節(jié)點(diǎn)被分成子集，每個(gè)子集，這樣的覆蓋，以滿(mǎn)足要求的最大數(shù)目，只有一個(gè)負(fù)責(zé)監(jiān)測(cè)目標(biāo)區(qū)域組收集的數(shù)據(jù)的傳播。多目標(biāo)遺傳算法交叉和變異通過(guò)不斷的互相競(jìng)爭(zhēng)和配合，以平衡全局并完成局部搜索功能。構(gòu)成的多目標(biāo)遺傳算法與強(qiáng)大的搜索功能的核心，是發(fā)生的主要載體自然選擇和遺傳雜交和誘變育種現(xiàn)象模擬的過(guò)程。(2)適應(yīng)函數(shù)說(shuō)的是個(gè)別環(huán)境適應(yīng)性評(píng)價(jià)函數(shù)。(1) 編碼指的是在計(jì)算目標(biāo)問(wèn)題的實(shí)際表示，建立染色體位串之間的一一對(duì)應(yīng)關(guān)系。此功能使得多目標(biāo)遺傳算法大大擴(kuò)展了其應(yīng)用范圍。3)使用在搜索過(guò)程中的信息，容易形成共同的算法的多目標(biāo)遺傳算法幾個(gè)具體問(wèn)題。在每一代，根據(jù)問(wèn)題域中個(gè)體的適應(yīng)度大小挑選個(gè)體，并借助于自然遺傳學(xué)的遺傳算子進(jìn)行組合交叉和變異，產(chǎn)生出代表新的解集的種群。而帶有不同特征的染色體組合成了一個(gè)個(gè)不同的個(gè)體，染色體作為遺傳物質(zhì)的主要載體，即多個(gè)基因的集合，其內(nèi)部表現(xiàn)是某種基因組合，它決定了個(gè)體形態(tài)的外部表現(xiàn)。（1）多目標(biāo)遺傳算法概念多目標(biāo)遺傳算法通常實(shí)現(xiàn)方式為一種計(jì)算機(jī)模擬。覆蓋率決定了網(wǎng)絡(luò)對(duì)物理世界的監(jiān)測(cè)能力，而能耗以及能耗均衡決定了網(wǎng)絡(luò)運(yùn)行的穩(wěn)定性和網(wǎng)絡(luò)壽命。反映的是網(wǎng)絡(luò)區(qū)域之間能量消耗的均衡程度，越小表示網(wǎng)絡(luò)能量消耗越均勻，越大則說(shuō)明網(wǎng)絡(luò)能耗越不均勻，越小越好，f3為： 公式312其中表達(dá)式為： 公式313得出總體目標(biāo)函數(shù)定義f = w1f1+ w2f2+ w3(1f3)，w1，w2和 w3分別為子目標(biāo)函數(shù)對(duì)應(yīng)的權(quán)值，w1+ w2+w3=1。令Cth為目標(biāo)點(diǎn)能夠被檢測(cè)到的概率閾值，則目標(biāo)點(diǎn)能被有效檢測(cè)到的條件為： 公式39覆蓋模型為：為了有效評(píng)價(jià)網(wǎng)絡(luò)的覆蓋性能，將待監(jiān)測(cè)區(qū)域分為mn個(gè)網(wǎng)格，再將單元格簡(jiǎn)化為像素點(diǎn)。節(jié)點(diǎn)每個(gè)周期消耗一定的能量且可以維持較多的工作周期。因此，需要優(yōu)化多個(gè)目標(biāo)。如果一個(gè)節(jié)點(diǎn)可以感知的區(qū)域完全能被其他節(jié)點(diǎn)完全覆蓋，這那么個(gè)節(jié)點(diǎn)就被稱(chēng)為冗余節(jié)點(diǎn)，該傳感器可以進(jìn)入休眠狀態(tài)并且不影響網(wǎng)絡(luò)覆蓋度。 該算法不同于算法是，在確保使用較少的節(jié)點(diǎn)，同時(shí)考慮網(wǎng)絡(luò)區(qū)域的能量平衡策略之前工作。在無(wú)線傳感器網(wǎng)絡(luò)中，節(jié)點(diǎn)一般采用電池作為能源，更換節(jié)點(diǎn)電池難以實(shí)現(xiàn)，同時(shí)其計(jì)算能力和通信能力受限，網(wǎng)絡(luò)的節(jié)點(diǎn)部署在一定程度上決定了網(wǎng)絡(luò)的性能和使用壽命。該算法的基本流程如圖34所示：圖34 算法流程圖用基于鄰域擾動(dòng)的多目標(biāo)粒子群優(yōu)化算法能較好優(yōu)化隨機(jī)部署的混合無(wú)線傳感網(wǎng)絡(luò)的覆蓋性能，有三個(gè)原因：首先，算法對(duì)粒子群進(jìn)行克隆并采用動(dòng)態(tài)鄰域擾動(dòng)操作，通過(guò)該操作，一方面適應(yīng)性強(qiáng)的粒子擾動(dòng)幅度小，達(dá)到增強(qiáng)局部精確搜索的目的，另一方面，對(duì)于適應(yīng)性較差的粒子，增大擾動(dòng)幅度，從而增加發(fā)現(xiàn)更好位置的機(jī)會(huì)；其次，基于精英保留的非支配排序策略為算法提供了良好的非劣解集；最后，通過(guò)加權(quán)法從當(dāng)前非劣解集中選出全局最優(yōu)粒子并從非劣解集中隨機(jī)選取個(gè)體最優(yōu)粒子從而為粒子下一次進(jìn)化指引了方向。首先，隨機(jī)設(shè)置傳感器節(jié)點(diǎn)處于休眠狀態(tài)和工作條件，所以經(jīng)過(guò)一段時(shí)間的休眠隨機(jī)睡眠時(shí)間ts后，每個(gè)節(jié)點(diǎn)醒來(lái)的工作。目標(biāo)區(qū)域A內(nèi)任一離散網(wǎng)格k，其中心坐標(biāo)為（xk，yk），如果與最鄰近傳感器節(jié)點(diǎn)si（xi，yi）的距離 公式34