[发明专利]一种鬣狗群捕食算法及其在节点部署优化中应用的方法

说明书

本发明实施例公开了一种鬣狗群捕食算法及其在节点部署优化中应用的方法，随机分布若干个节点，通过每次迭代获取所有传感器中的最优解节点，并以每次的最优解的节点为中心进行收敛，完成获取该范围内最优解的目的，根据鬣狗群的捕食行为而演化，以鬣狗群当中的首领为核心，号召剩下鬣狗个体向其靠近，从而围捕猎物，等同伴都到齐后，则共同猎杀猎物，该算法在优化精度、收敛性、搜索效率和稳定性均具有良好表现。

技术领域

本发明实施例涉及无线网络优化技术领域，具体涉及一种鬣狗群捕食算法及其在节点部署优化中应用的方法。

背景技术

随着科学技术的进步和人们生产的实际需要，工程上出现的优化问题越加复杂，而传统的数学方法很难求解甚至无法求解。过去的几十年中，研究人员根据自然现象或物理现象而受启发，提出了各种启发式优化算法。1975年，美国密歇根大学的Holland教授根据大自然适者生存、优胜劣汰的进化现象提出了遗传算法，该算法的诞生为启发式算法的发展开启了先河。之后的1992年，Marco Dorigo从蚂蚁群觅食的现象中得到灵感，并在其博士毕业论文中首次提出了蚁群算法。1995年，Eberhart博士和kennedy博士提出了粒子群优化算法，粒子群算法是源于对鸟群捕食的行为研究而演化的群智能优化算法，之后由Shi提出了改进的粒子群算法，该算法的提出促进了群智能优化算法如雨后春笋般的发展。同年，Storn和Price首次提出了差分进化算法，该算法的特点是任意两个体差分计算，区别于先前提出的算法，基于贪心策略的差分进化算法另辟蹊径，为群智能优化算法的优化方式提出了一种新的思路。新世纪的到来，学者们对群智能优化算法的研究达到了空前的繁荣。主要有，通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为的人工鱼群算法，基于万有引力定律和牛顿第二定律提出的万有引力搜索算法，模拟大肠杆菌在食道内的觅食行为，而提出的细菌觅食算法，受到夜空中烟花爆炸过程的启发而提出的烟花算法，模拟萤火虫通过发光吸引同伴，进而实现问题优化的萤火虫优化算法，基于灰狼群体按等级协同捕食而提出的灰狼优化算法，基于数学中的sin和cos更新个体位置的正余弦算法等。这些算法已成功的应用到多个科学与工程应用领域，例如电力系统规划、蛋白质结构、图像处理以及其他领域。但现有的优化方法很难达到同时在优化精度、收敛性、搜索效率和稳定性均具有良好表现的算法。

发明内容

为此，本发明实施例提供一种鬣狗群捕食算法及其在节点部署优化中应用的方法，以解决现有技术中由于现有技术不足而导致的现有的优化方法很难达到同时在优化精度、收敛性、搜索效率和稳定性均具有良好表现的问题。

为了实现上述目的，本发明实施例提供如下技术方案：

根据本发明实施例的第一方面，一种鬣狗群捕食算法，包括以下步骤S101、获取当前若干个节点中的最优解节点；

S102、以所述最优解节点为临时中心节点，使其他节点向所述临时中心节点的位置收敛一次；

S103、获取进行收敛后的若干个节点中的最优解节点；

S104、重复步骤S102和步骤S103，直至达到最大迭代次数T。

进一步地，所述使其他节点向所述临时中心节点的位置收敛一次，具体包括：所述算法包括临时中心节点leader、某一其他节点与临时中心节点之间的距离D、随机小数向量r2以及收敛因子α，所述其他节点的位置P的算法为P＝leader-α×r₂×D。

进一步地，所述使其他节点向所述临时中心节点的位置收敛一次，具体包括：所述算法包括收敛因子a、当前迭代次数t和最大迭代次数T，所述收敛因子a的算法为

根据本发明实施例的第二方面，一种基于鬣狗群捕食算法的传感器节点网络优化方法，包括以下步骤：设置传感器的组数N，每组传感器节点的数目D和监测区域的范围；

初始化N组传感器节点的位置和半径，选择其中一组传感器节点为初始化方案；