[发明专利]基于差分进化算法的大规模工业无线传感器网络最优部署方法

说明书

技术领域

本发明涉及工业无线传感器网络和智能计算两大领域，具体涉及一种基于差分进化算法的大规模工业无线传感器网络最优部署方法。

背景技术

随着工业系统不断大型化、复杂化，工业控制系统的规模不断扩大，其安装、布线成本也不断增加。据统计2001年工业用传感器市场份额为110亿美元，而其安装和使用成本(主要是布线成本)超过1000亿美元。因此，无线传感器网络(Wireless Sensor Networks，WSNs)的低成本、易用等特征引起了工业界的广泛关注，国际知名控制系统公司，如爱默生、霍尼韦尔、通用电气等均开展了工业无线传感器网络(Industrial Wireless Sensor Networks，IWSNs)技术的研发。IWSNs是由具有无线通信与计算能力的传感器节点构成、部署在工业现场环境为某种工业应用提供解决方案的自组织分布式网络智能系统，是继现场总线技术之后工业控制领域的一个热点技术。IWSNs可以降低工业测控系统成本，提高工业测控系统应用范围和可靠性。爱默生公司在北美和欧洲几个现场试验的结果证实，采用工业无线技术数据传输的可靠性在99％以上，而安装成本比同等有线方案要低90％。针对工业无线技术的巨大前景，美国能源部在2004年发布的“未来工业计划”中指出：这种基于工业无线技术的低成本测控系统是实现到2020年美国工业整体能耗降低5％目标的主要手段，代表着工业自动化系统技术的发展方向。

IWSNs中通常包含三类节点，即传感器节点，簇头和sink节点，其中传感器节点负责现场数据的采集，簇头接收传感器节点发送过来的数据并将数据整合发送给sink节点，最后sink节点将数据发送到基站。虽然IWSNs的主要组成部分也是无线传感器节点，但是与一般的非工业WSN不同，IWSNs的传感器节点部署与工业环境有关，需人工安装到需要检测的工业设备上，强调对指定点的可靠检测。相比于传统有线网络，一方面，IWSNs更容易受网络拓扑、环境等因素的影响而发生故障，实际应用中故障也不可避免。另一方面，IWSNs多跳的通讯方式也导致系统实时性下降，爱默生公司的工业实验中显示当跳步数超过6时数据的实时性将不能保证。IWSNs作为控制系统的重要组成部分，一旦其可靠性和实时性得不到保证将直接影响产品质量，甚至产生严重事故，造成巨大经济损失。因此对于大规模工业应用，特别是闭环控制应用，IWSNs的可靠性和实时性至关重要。

另外，传感器节点一般都采用电池供电，能量非常有限。在大规模工业应用中，一旦节点能量耗尽，要更换电池必须先对失效节点进行定位，这显然会增大网络维护的工作量。为了延长传感器节点电池的使用寿命，网络采用分簇结构，使簇内传感器节点只与本簇簇头通讯，这样传感器节点发送数据只需1跳，降低了能耗。通过布置簇头收集簇内节点发送来的数据并通过其余簇头以多跳的方式传送到基站。在簇内配置冗余簇头可以在一个工作簇头出现故障时快速切换到备用簇头使其工作，这样可以提高系统的可靠性。另外，尽管单个的传感器节点并不贵，但是在工业应用中特别是大规模流程工业中，需要检测和采集的设备和参量都比较多，因此在工业监控现场部署的簇头数量对网络构建的成本也会有一定的影响。同时由于工业设备都占有一定的空间，工业现场也存在墙壁等其他障碍物，这些都会影响节点与簇头间的通信，因此，在布置簇头时，也必须考虑这些障碍物约束。

因此，IWSNs冗余节点配置问题实际上是一个带约束的组合优化问题，即在满足系统冗余需求的约束下，实现系统能耗的均衡与系统构建成本的最小化。相关工作已经表明，IWSNs节点部署问题是一类NP难问题，传统的确定性优化方法并不能实现对这一类问题的高效求解。近年来，智能优化算法在求解NP难问题时体现出比传统方法更大的优势，其中差分进化(Differential Evolution，DE)算法以其强大的全局搜索能力和鲁棒性，简单易实现的特点引起了研究者的广泛关注。DE是Storn和Price于1995年提出的一种随机并行搜索算法，是一种基于群体变异的进化算法，包含三个算子，即变异算子，交叉算子和选择算子。DE的基本思想是首先根据个体之间的差异得到变异种群，然后变异个体与父代个体进行重组得到中间个体，最后中间种群的个体与父代种群的个体通过一对一优胜劣汰的竞争进入新一代种群。DE具有实现简单，控制参数少，稳定性强，全局收敛的优点，目前已广泛应用于约束优化计算，模糊控制器优化设计，神经网络优化，滤波器设计等方面。