[发明专利]基于PID控制器的无线传感器网络拥塞控制方法

权利要求书

1.一种基于PID控制器的无线传感器网络拥塞控制方法，其特征在于：包括如下步骤：相关参数的定义及初始化；将PID控制技术与主动队列管理方法相结合得到的PID队列管理拥塞算法嵌入到无线传感器网络WSN环境中；用单神经元控制技术对PID控制器参数K_P、K_I、K_d进行整定；用改进的粒子群算法对单神经元PID控制器的初始参数K_P0、K_I0、K_d0和单神经元学习速率η₁、η₂、η₃进行在线寻优；通过单神经元控制技术得到PID控制器的三个自适应于无线传感器网络动态环境的参数K_P、K_I、K_d后，计算丢弃概率p(k)，依概率p(k)丢弃数据包；

相关参数的定义：

K_P为比例运算系数，K_I为积分运算系数，K_d为微分运算系数；

K_P0、K_I0、K_d0为PID三个参数K_P、K_I、K_d的初始值；

K为单神经元的增益，K0；

η₁、η₂、η₃为单神经元学习速率；

q₀为期望队列长度；

q为瞬时队列长度；

p(k)为丢弃概率；

粒子群的规模为N＝30；

粒子的维数D＝6；

粒子群惯性权重最大值w_max＝0.9；

粒子群惯性权重最小值w_min＝0.4；

PID控制器的三个参数的最小值K_p_min＝K_I_min＝K_d_min＝0.0001；

PID控制器的三个参数的最大值K_p_max＝K_I_max＝K_d_max＝10；

V_min、V_max为粒子群速度的最小值和最大值；

c1、c2为粒子群算法学习因子；

e(t)是e(k)的时间连续值；

p(k)、p(k-1)是单神经元PID控制器输出的第k和第k-1个丢弃概率离散值；

X_i(t)是粒子i在求解空间中t时刻解的位置；

f(X_i(t))是X_i(t)的适应度值；

P_i(t)是粒子i所经历的求解空间中t时刻解的最好位置；

f(P_i(t))是最好位置P_i(t)的适应度值；

(1)所述的用单神经元控制技术对PID控制器参数K_P、K_I、K_d进行整定，包括如下步骤：

1)设置算法的输入量x₁(k)、x₂(k)、x₃(k)，其中，x₁(k)为瞬时队列长度q与期望值q₀的误差，x₂(k)为误差的一次差分，x₃(k)为误差的二次差分，单神经元控制系统的输入输出关系为：

其中，w_i(k)为x_i(k)的权重，分别对应于PID算法的K_P、K_I、K_d；u(k)为单神经元的输出；

2)采用有导的Hebb学习算法来调节加权系数w_i(k)，其表达式为：

w_i(k+1)＝w_i(k)+η_iz(k)u(k)x_i(k)

其中，z(k)为输出误差信号，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为不同的学习速率系数；

3)单神经元控制器是通过调整输入变量x_i(k)的权重w_i(k)来实现自适应调整的，为了实现算法的收敛性和鲁棒性，采用规范化学习算法进行处理，则表达式可以写成下式：

其中，w′_i(k)可表示为：

(2)所述的用改进的粒子群算法对单神经元PID控制器的初始参数K_P0、K_I0、K_d0和单神经元学习速率η₁、η₂、η₃进行在线寻优，包括如下步骤：

1)对粒子群中粒子的位置和速度进行随机初始化，设一个粒子群的种群规模为N，N＝30，每个粒子代表D维搜索空间中的一个解，D＝6，即粒子群单神经元初始化参数为6个：K_P0、K_I0、K_d0、η₁、η₂、η₃；其中粒子i在求解空间中t时刻的位置和速度分别表示为：

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

2)计算每个粒子的适应度

3)计算粒子i所经历的求解空间中t时刻的最好位置P_i(t)＝(p_i1，p_i2，…，p_iD)，计算群体中所有粒子经历过最好位置，即全局最好位置G＝(p_g1，p_g2，...，p_gD)，其中粒子所经历的最好位置由式(1)决定：

群体的全局最好位置G＝(p_g1，p_g2，...，p_gD)中的下标g由式(2)确定：

4)对粒子的速度和位置进行进化，在标准PSO模型中，粒子在每一维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分别表示第i个粒子第d维的速度分量和位置分量，P_id为第i个粒子第d维所经历的历史最佳位置分量，P_gd为群体所经过的第d维全局最佳位置分量；w为惯性权重，决定了粒子对当前速度的继承度；r1_id和r2_id为第i个粒子第d维的随机因子，其取值为[0，1]区间内均匀分布且相互独立的随机数；c₁为个体认知加速系数，表示粒子对自己经历过的历史最佳位置的记忆，c₂为群体认知加速系数，表示粒子对整个种群所经历过的历史最佳位置的记忆能力，学习因子的存在使得粒子具有自我总结和向群体中最优个体学习的能力，通过两种能力的相互补充协调，粒子不断向着全局最优位置或局部最优位置靠近；

5)判断结束条件，如果未进化到预先设定的迭代次数，返回步骤2)执行步骤2)至步骤4)内循环，否则结束迭代，得到寻优的全局最好位置G——优化的单神经元PID控制器的初始参数K_P0、K_I0、K_d0和单神经元学习速率η₁、η₂、η₃。