一種基于遺傳模糊樹的無線傳感網節點聯合移動算法的制作方法

本發明屬于無線傳感網節點移動領域，具體涉及一種基于遺傳模糊樹的無線傳感網節點聯合移動算法。
背景技術：
：在早期的無線傳感器網絡研究中，由于傳感器無充電能力，為了節省能耗傳感器設計成靜止不動的。隨著大規模無線傳感器網絡的實際應用，人們發現靜態無線傳感器網絡的一個顯著弱點是部分傳感器因擔負著網絡內較多負載而成為熱點(hotspot)使電池迅速耗盡，從而造成整個無線傳感器網絡的死亡。瑞士洛桑聯邦理工學院luo等于2005年提出移動和路由聯合算法，天津大學的石等于2007年提出移動協助數據收集模式(madg)，均論證了依靠節點的移動性實現負載均衡，延長無線傳感器網絡壽命的可行性。此后涌現了大量的無線傳感器網絡文獻，研究如何在移動節點的協助下實現網絡覆蓋與連通修復、移動mac及路由協議、數據采集、節點定位這四項主要功能。針對各功能的需求，移動性研究集中在可移動模型與移動節點路徑規劃兩個熱點問題。無線傳感器網絡可移動模型，根據移動節點間的位置或移動模式是否獨立，被分為個體移動模型(individualmodel)與組移動模型(groupmodel)。前者已被研究的較為充分，可細分為無記憶(randomway和randomwaypoint)、有記憶(例如高斯-馬爾科夫)及地理位置模型三類，而后者因相對復雜，相關研究較少。對于無線傳感器網絡單移動節點的路徑規劃，國內外的理論與技術已發展的很完善，主要包括路線圖法、確定性方法、概率性方法以及智能算法等。對于無線傳感器網絡多節點的聯合移動路徑規劃，目前文獻較少，主要是韓國首爾國立大學chen等與加拿大英屬哥倫比亞大學等單位的聯合研究組2009年前后提出的基于中心位置、基于有向目標源分組、基于樹的無線傳感器網絡路徑規劃,以及哈工大賈等2012年提出的基于遺傳算法的多智能體路徑規劃；現有的組移動模型及多節點聯合移動路徑規劃絕大多數都從減小數據采集的能耗與延遲，平衡負載的角度開展研究，并沒有提高目標的實時跟蹤性能。由于多節點的聯合移動路徑規劃相比單節點能更好的優化無線傳感器網絡任務分配、減小數據延遲而提高無線傳感器網絡的時效性，但由于多節點移動算法比單節點多增加了一個維度，計算復雜度顯著增加。技術實現要素：本發明提供了一種基于遺傳模糊樹的無線傳感網節點聯合移動算法,旨在提高無線傳感器網絡中傳感器對目標的自適應實時跟蹤性能。本發明采用的技術方案如下：一種基于遺傳模糊樹的無線傳感網節點聯合移動算法，包括以下步驟：步驟1：初始化模糊邏輯樹中的模糊邏輯系統a和模糊邏輯系統b；步驟2：將傳感器si的性能指標利用模糊邏輯系統a得到傳感器si的綜合評分pi，i表示無線傳感器網絡中傳感器的序號；步驟3：利用綜合評分pi進行無線傳感器網絡的任務分配，確定移動傳感器集n表示移動傳感器集中傳感器的序號，n表示綜合評分pi高的傳感器的個數；步驟4：利用模糊邏輯系統b對移動傳感器tn進行聯合路徑規劃，得到移動傳感器tn的移動距離值；步驟5：記錄步驟2-4中傳感器si響應總時間的評分qi；步驟6：對模糊邏輯樹進行編碼，將編碼序列作為遺傳算法的個體進行遺傳優化，設定所述遺傳算法的適應度函數j以及繁衍代數q，當所述適應度函數j達到最大值或者繁衍到第q代時個體所對應的模糊樹為最優模糊樹，利用所述最優模糊樹得到移動傳感器tn，以及移動傳感器tn的移動距離值和移動方向qn為無線傳感器網絡的最終移動策略。進一步的，所述步驟1中，所述模糊邏輯樹中的模糊邏輯系統a包括k個性能指標隸屬函數集ak、規則庫aa和綜合評分隸屬函數集fa；所述k個性能指標隸屬函數集ak經規則庫aa輸出綜合評分隸屬函數集fa；所述各個性能指標隸屬函數集ak中函數的個數為ak，所述綜合評分隸屬函數集fa中函數的個數為fa，所述規則庫aa中規則的個數ma為：ma＝a1·a2·····ak·fa(1)，其中，k表示模糊邏輯系統a中性能指標隸屬函數集的序號，k∈[1,k]；所述模糊邏輯系統b包括距離s隸屬函數集、距離f隸屬函數集、規則庫bb和移動距離值隸屬函數集fb，所述距離s隸屬函數集和距離f隸屬函數集經規則庫bb輸出移動距離值隸屬函數集fb,所述距離s隸屬函數集中函數的個數為b1，所述距離f隸屬函數集中函數的個數為b2，移動距離值隸屬函數集fb中函數的個數為fb；所述規則庫bb中規則的個數mb為：mb＝b1·b2·fb(2)模糊邏輯樹采用的規則總數m為：m＝ma+mb＝a1·a2·····ak·fa+b1·b2·fb(3)。進一步的，所述步驟4中，所述路徑規劃的具體方法如下：根據傳感器tn的坐標cn與目標的坐標c，得到傳感器tn與目標之間的距離值sn、傳感器tn與傳感器tj之間的距離值fn，將所述距離值sn和距離值fn輸入到所述模糊系統b得到傳感器tn的移動距離值，且j≠n。進一步的，所述步驟6中，所述模糊邏輯樹的編碼方式如下：對模糊邏輯系統a進行編碼：將k個性能指標隸屬函數集ak和綜合評分隸屬函數集fa作為數據集a，按一定碼長對數據集a和進行編碼，得到數據集a的編碼序列a1，利用規則庫aa中不同規則對應的輸出即綜合評分對規則庫aa進行編碼，得到規則庫aa的編碼序列a2；對模糊邏輯系統b進行編碼：將距離s隸屬函數集、距離f隸屬函數集和移動距離值隸屬函數集fb作為數據集b，按一定碼長對數據集b和進行編碼，得到數據集b的編碼序列b1，利用規則庫bb的輸出即移動距離值對規則庫bb進行編碼，得到規則庫bb的編碼序列b2；將編碼序列a1、編碼序列a2、編碼序列b1和編碼序列b2進行組合得到整個模糊邏輯樹的初始編碼序列。進一步的，所述步驟6中，所述適應度函數j的公式如下：其中pi表示傳感器si的綜合評分，hi表示傳感器si是否探測到目標，hi＝1表示傳感器si探測到目標，hi＝0表示傳感器si未探測到目標，qi表示傳感器si響應總時間的評分，靜止傳感器qi＝0。進一步的，所述步驟6中，移動方向qn＝(α,β)的計算方法如下：所述傳感器tn的坐標cn＝(xn,yn,zn)，目標的坐標c＝(x,y,z)，由庫倫定律有：其中，cj表示在傳感器tj的坐標，且j≠n。綜上所述，由于采用了上述技術方案，本發明的有益效果是：采用遺傳算法，使每個模糊樹中的隸屬函數和規則庫自適應變化，能使采用的模糊樹有效逼近實際系統；遺傳算法的自適應函數中包含傳感器響應時間的評分，可以充分利用該評分來使模糊邏輯樹朝縮短路徑規劃時間的方向優化，從而提高無線傳感器實時跟蹤的性能；采用有兩個模糊邏輯系統模糊邏輯樹與遺傳算法相結合的可進行并行化處理的系統，在保留模糊邏輯樹自適應力與魯棒性能的同時大幅降低運算量；遺傳算法采用十進制編碼方式，十進制編碼的編碼長度短，可操作性強，易于譯碼及編程實現，且對于變異操作的種群穩定性比二進制編碼好；本發明采用遺傳模糊邏輯樹為系統提供深度學習與高效能的計算能力，使無線傳感網絡對不可預見的環境和變化有極強的適應力；該模糊邏輯樹可以學習不同場景、多種移動目標情形下的聯合移動策略，獲取各條件下的最優解，提高無線傳感器網絡對目標的定位跟蹤性能；當面臨實際目標時，系統根據初判的目標移動狀態選取對應的策略，且隨時間變化不斷更新。附圖說明圖1是本發明的系統流程圖；圖2是模糊邏輯系統的結構圖；圖3是實施例3中模糊邏輯系統a中各輸入隸屬度函數；圖4是實施例3中模糊邏輯系統b中各輸入隸屬度函數；圖5是實施例3中模糊邏輯系統a和模糊邏輯系統b的輸出隸屬度函數；具體實施方式本說明書中公開的所有特征，除了互相排斥的特征和/或步驟以外，均可以以任何方式組合。下面結合附圖對本發明作詳細說明。一種基于遺傳模糊樹的無線傳感網節點聯合移動算法，包括以下步驟：步驟1：初始化模糊邏輯樹中的模糊邏輯系統a和模糊邏輯系統b；所述模糊邏輯樹中的模糊邏輯系統a包括k個性能指標隸屬函數集ak、規則庫aa和綜合評分隸屬函數集fa；所述k個性能指標隸屬函數集ak經規則庫aa輸出綜合評分隸屬函數集fa；所述各個性能指標隸屬函數集ak中函數的個數為ak，所述綜合評分隸屬函數集fa中函數的個數為fa，所述規則庫aa中規則的個數ma為：ma＝a1·a2·····ak·fa(7)；其中，k表示模糊邏輯系統a中性能指標隸屬函數集的序號，k∈[1,k]；所述模糊邏輯系統b包括距離s隸屬函數集、距離f隸屬函數集、規則庫bb和移動距離值隸屬函數集fb，所述距離s隸屬函數集和距離f隸屬函數集經規則庫bb輸出移動距離值隸屬函數集fb,所述距離s隸屬函數集中函數的個數為b1，所述距離f隸屬函數集中函數的個數為b2，移動距離值隸屬函數集fb中函數的個數為fb；所述規則庫bb中規則的個數mb為：mb＝b1·b2·fb(8)；模糊邏輯樹采用的規則總數m為：m＝ma+mb＝a1·a2·····ak·fa+b1·b2·fb(9)。步驟2：將傳感器si的k個性能指標利用模糊邏輯系統a得到傳感器si的綜合評分pi，i表示無線傳感器網絡中傳感器的序號；步驟3：利用綜合評分pi進行無線傳感器網絡的任務分配，確定移動傳感器集n表示移動傳感器集中傳感器的序號，n表示綜合評分pi高的傳感器的個數；步驟4：利用模糊邏輯系統b對移動傳感器tn進行聯合路徑規劃，根據傳感器tn的坐標cn與目標的坐標c，得到傳感器tn與目標之間的距離值sn、傳感器tn與傳感器tj之間的距離值fn，將所述距離值sn和距離值fn輸入到所述模糊系統b得到傳感器tn的移動距離值，且j≠n；步驟5：記錄步驟2-4中傳感器si響應總時間的評分qi；步驟6：對模糊邏輯樹進行編碼，對模糊邏輯系統a進行編碼：將k個性能指標隸屬函數集ak和綜合評分隸屬函數集fa作為數據集a，按一定碼長對數據集a和進行編碼，得到數據集a的編碼序列a1，利用規則庫aa中不同規則對應的輸出即綜合評分對規則庫aa進行編碼，得到規則庫aa的編碼序列a2；對模糊邏輯系統b進行編碼：將距離s隸屬函數集、距離f隸屬函數集和移動距離值隸屬函數集fb作為數據集b，按一定碼長對數據集b和進行編碼，得到數據集b的編碼序列b1，利用規則庫bb的輸出即移動距離值對規則庫bb進行編碼，得到規則庫bb的編碼序列b2；將編碼序列a1、編碼序列a2、編碼序列b1和編碼序列b2進行組合得到整個模糊邏輯樹的初始編碼序列；將初始編碼序列作為遺傳算法的個體進行遺傳優化，設定所述遺傳算法的適應度函數j以及繁衍代數q，所述適應度函數j的公式如下：其中pi表示傳感器si的綜合評分，hi表示傳感器si是否探測到目標，hi＝1表示傳感器si探測到目標，hi＝0表示傳感器si未探測到目標，qi表示傳感器si響應總時間的評分，靜止傳感器qi＝0；當所述適應度函數j達到最大值或者繁衍到第q代時個體所對應的模糊樹為最優模糊樹，利用所述最優模糊樹得到移動傳感器tn，以及移動傳感器tn的移動距離值和移動方向qn為無線傳感器網絡的最終移動策略；移動方向qn＝(α,β)的計算方法如下：所述傳感器tn的坐標cn＝(xn,yn,zn)，目標的坐標c＝(x,y,z)，由庫倫定律有：其中，cj表示在傳感器tj的坐標，且j≠n。本發明的工作原理是：初始化模糊邏輯樹的編碼序列，當移動目標出現時，將傳感器的k個性能指標輸入模糊邏輯系統a進行綜合評分，評分高的傳感器移動，評分低的傳感器靜止；利用移動傳感器的坐標和目標的坐標，得出移動傳感器與目標的距離以及移動傳感器之間的距離，將距離值輸入到模糊邏輯系統b，得出移動傳感器的移動距離值，利用庫倫定律得出移動傳感器的移動方向；利用遺傳算法對模糊邏輯系統a和模糊邏輯系統b中的隸屬函數和規則庫進行優化，得出最優的模糊邏輯樹；利用最優模糊邏輯樹得出的移動傳感器的移動距離值和方向即為無線傳感器網絡最終的路徑規劃。下面，結合具體實施例來對本發明做進一步詳細說明。具體實施例實施例1普通模糊邏輯樹與本發明采用模糊邏輯樹中規則個數的對比：設系統輸入的性能指標隸屬函數集的個數為k＝3，且3個性能指標隸屬函數集、距離s隸屬函數集、距離f隸屬函數集中函數的個數均為3；系統輸出綜合評分隸屬函數集fa和移動距離值隸屬函數集fb兩個輸出隸屬函數集；其中3個性能指標隸屬函數集與綜合評分隸屬函數集fa相關，距離s隸屬函數集和距離f隸屬函數集與移動距離值隸屬函數集fb相關；普通模糊邏輯樹將以上5個輸入隸屬函數集利用一個規則庫，輸出兩個隸屬函數集，采用的規則個數為：g＝3×3×3×3×3×2＝486(13)；利用本發明模糊邏輯樹采用的規則個數為：m＝3×3×3×1+3×3×1＝36(14)；g＞＞m，由此可知，使用本發明采用的模糊邏輯樹的結構，可大大降低使用規則的數量。實施例2本發明采用的模糊邏輯系統a的運算過程如下：模糊邏輯系統包括模糊器、推理機制、規則和解模糊器，輸入量輸入模糊邏輯系統，首先模糊化，然后利用模糊規則和隸屬函數通過推理機制得到輸出模糊集，再經過解模糊器將模糊值轉化為具體的值輸出。1、本發明采用單點模糊器，設傳感器的性能指標個數k＝3，將3個性能指標作為輸入向量，則輸入向量為利用單點模糊器將傳感器的3個性能指標轉化為單點模糊集合，所采用的公式如下：其中，xk表示第k個性能指標，x'k表示第k個性能指標的輸入值，表示第k個性能指標的模糊集合；2、本發明采用的模糊規則的結構為：thenyisgll＝1,...,m設3個性能指標隸屬函數集中函數的個數均為3，則規則總數m＝3×3×3＝27；表示第l個規則中輸入第k個元素的語言描述，gl表示第l個規則中輸出的語言描述；第l個規則中輸入第k個元素采用的高斯隸屬度函數為：其中，表示該高斯隸屬度函數的期望，為需要進行優化的變量，表示該高斯隸屬度函數的方差，本發明中均為定值1；3、推理機制結合模糊規則將輸入模糊集合映射到輸出模糊集合，其表示結構為：其數學表達式可簡化為：其中，*表示模糊邏輯中t-norm運算(最小值運算或乘法運算)，表示第l個規則的輸出模糊集，表示第l個規則中輸出的隸屬度函數。4、對不同規則的推理機制結果使用重心法解模糊方法，得出最終輸出：其中，cl為第l個規則的輸出隸屬度函數的重心對應的y軸的值。本發明采用的模糊邏輯系統b的運算過程類比模糊邏輯系統a的運算過程。實施例3在無線傳感器網絡中部署100個節點，一個傳感器對應一個節點，假設其中兩個節點移動則移動傳感器集為{t1,t2}。1、初始化模糊邏輯系統a的規則庫aa(如表1)移動性能檢測性能剩余電量輸出得分差差低低差差中等低差差高低差中等低低差中等中等低差中等高中等差好低低差好中等中等差好高高中等差低低中等差中等中等中等差高中等中等中等低中等中等中等中等中等中等中等高高中等好低中等中等好中等高中等好高高好差低低好差中等中等好差高高好中等低中等好中等中等高好中等高高好好低中等好好中等高好好高高表1初始化模糊邏輯系統b的規則庫bb(如表2)表2用輸出對規則庫aa和規則庫bb進行編碼，對模糊邏輯系統a來說，“0”對應得分低，“1”對應得分中等，“2”對應得分高，則表1對應編碼為000001012011112122012122122；同理，對模糊邏輯系統b來說，“0”對應傳感器tn移動距離小，“1”對應傳感器tn移動距離中等，“2”對應傳感器tn移動距離大，則表2對應編碼為001012122。2、圖3表示傳感器移動性能、探測性能和剩余電量的隸屬度函數，圖4表示傳感器與目標距離以及傳感器與另一傳感器的隸屬度函數，圖5表示模糊邏輯系統a的輸出分數隸屬度函數以及糊邏輯系統b的輸出距離隸屬度函數；以圖3-5中的均值位置作為參考位置，對各隸屬度函數的均值進行編碼，“5”表示位置不變，大于5的數表示向右移動，小于5的數表示向左移動；移動幅度與數字呈比例關系且最大移動距離為兩格，即“9”對應右移兩格，“0”對應左移兩格。所以模糊邏輯系統a數據庫初始編碼為555555555555，模糊邏輯系統b數據庫初始編碼為555555555；結合規則庫aa和規則庫bb的編碼序列可知，整個模糊邏輯樹系統的初始編碼為：000001012011112122012122122001012122555555555555555555555。3、利用遺傳算法對模糊邏輯樹進行優化(設迭代次數為50次，每代種群中個體數目為30個)。優化步驟如下：(1)初始種群的產生：將上述初始化的模糊邏輯樹作為一個個體，所述個體編碼序列中前36位按照30％的概率±1，40％的概率不變。后21位按照10％的概率±2，25％的概率±1，30％的概率不變，再生成29個新個體組成初始種群。(2)選擇：計算初始種群中每個個體的適應度函數值j，按照輪賭法原理選擇30個個體作為下一代的父母樣本，其中適應度函數值j最大的兩個個體直接復制到下一代，刪除適應度值最小的兩個個體，用適應度函數值j最大的兩個個體交叉后得到的一對子個體代替刪除的兩個個體。(3)交叉：將剩下的26個個體兩兩配對，每隊按照交叉概率pc＝0.8進行單點交叉操作得到下一代個體。(4)變異：上述進行交叉后得到的下一代個體按照變異概率pm＝0.1進行變異操作。重復進行步驟(2)(3)(4)，當遺傳算法迭代到第50代時，選取當前種群中適應度函數值j最大的個體所對應的模糊邏輯樹作為最終的決策系統。根據最優的模糊邏輯樹確定傳感器tn的移動距離和移動方向，實現多節點無線傳感器網絡的路徑規劃。如上所述即為本發明的實施例。本發明不局限于上述實施方式，任何人應該得知在本發明的啟示下做出的結構變化，凡是與本發明具有相同或相近的技術方案，均落入本發明的保護范圍之內。當前第1頁12