(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110838171.1 (22)申请日 2021.07.23 (65)同一申请的已公布的文献号 申请公布号 CN 113573322 A (43)申请公布日 2021.10.2 9 (73)专利权人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区 二号路 专利权人 湖州南太湖电子技 术研究院 (72)发明人 王迪晟　秦会斌　吴建锋　 (74)专利代理 机构 浙江永鼎律师事务所 3 3233 专利代理师 陆永强 (51)Int.Cl. H04W 16/18(2009.01) H04W 16/22(2009.01)H04W 84/18(2009.01) G06F 30/18(2020.01) G06F 30/27(2020.01) G06N 3/12(2006.01) G06F 111/02(2020.01) G06F 111/06(2020.01) G06F 111/08(2020.01) G06F 111/10(2020.01) 审查员 张筱蓉 (54)发明名称 基于改进遗传算法的多目标区域传感器网 络覆盖优化方法 (57)摘要 本发明公开了一种基于改进遗传算法的多 目标区域传感器网络覆盖优化方法， 包括S1， 根 据实际应用场景， 构建决策变量的编码方式和适 应度函数的数学模型； S2， 根据初始分布的传感 器网络的位置、 监测视角以及动态的监测目标位 置， 计算出各个目标区域的适应度函数值； S3， 以 适应度函数为优化目标， 传感器网络的初始属性 为输入值， 构建算法所需的参考平面与参考点； S4， 根据提出的改进遗传算法， 对建立的数学模 型进行优化。 本发明利用基于改进遗传算法对实 际应用中整体覆盖率、 监测覆盖冗余、 监测覆盖 平均冗余三个目标函数进行优化， 使其整体达到 一个最优平衡 。 权利要求书3页 说明书7页 附图5页 CN 113573322 B 2022.11.22 CN 113573322 B 1.基于改进遗传算法的多目标区域传感器网络覆盖优化方法， 其特征在于， 包括以下 步骤： S1， 根据实际应用场景， 构建决策变量的编码方式和适应度函数的数 学模型； S2， 根据初始分布的传感器网络的位置、 监测视角以及动态的监测目标位置， 计算出各 个目标区域的适应度函数值； S3， 以适应度函数为优化目标， 传感器网络的初始属性为输入值， 构建算法所需的参考 平面与参 考点； S4， 根据提出的改进遗传算法， 对建立的数 学模型进行优化； 所述S1包括以下步骤： S11， 将目标区域离 散化， 具体精度可根据实际应用场景进行细化； S12， 确定每个传感器所在初始位置坐标(x,y)， 将每个传感器属性抽象为( α, θ,r)， 其 中α 为旋转角度， θ为监测广角， r为监测半径， 每个传感器属性相同或不同， 传感器的有效监 测区域设定为顶点 为传感器所在位置、 弧度为θ、 半径为r的扇形区域； S13， 判断坐标为(xi,yi)的监测目标si是否被坐标为(xj,yj)的监测节点pj感知的模型 为， 其中 为监测目标si到监测节点pj的欧式距 离， α 为旋转角度， θ 为 监测广角， r为 监测半径， β 为si、 pj连线与坐标轴x轴正方向的夹角； 所述S2包括以下步骤： S21， 通过S13中构造的感知模型进一步计算出适应度函数， 记 为感知目标节点si的监测节点数量， 其 中P为监测节点集合； 若f(si,P)>0,则记funion(si,P) ＝1， 表示节点 si已被感知， 否则funion(si,P)＝0； 若f(si,P)>1， 则记fredundant(si,P)＝1， 表示 节点si已被冗余覆盖， 否则fredunaant(si,P)＝0， M为目标节点数量， N 为监测节点数量； S22， 传感器网络整体覆盖率定义 为： S23， 传感器网络 冗余覆盖率定义 为： S24， 传感器网络监测覆盖平均冗余定义 为： 所述S3包括以下步骤： S31， 设定算法参数的初始化包括初始交叉概率pstart、 终止交叉概率pend、 种群数量 npop、 最大迭代次数maxiter； 利用改进的遗传算法， 以f1,f2,f3为适应度函数， 根据传 感器权　利　要　求　书 1/3 页 2 CN 113573322 B 2网络监测节点的初始属 性和当前目标节点位置计算初始种群中每个个体的适应度函数值 (f1,f2,f3)； S32， 根据得到适应度函数值(f1,f2,f3)得到理想点 理想点 设定为种群中适应度函数值(f1,f2,f3)的最小值， 根据得到的理想点 和目标函数fi得 到转换后的适应度值f ′i， 构造公式为， S33， 根据转换后的适应度值， 构造额外点， 构造公式ASF(x,w)为， 其中x为个 体， St为个体组成的种群； 根据构造的额外点 生成空间坐标系中的向量zi,max， 构造公式为， 其中 为ASF(x,wi)取最小值时所取的向量， 依次计算所得三个 向量z1,max,z2,max,z3,max， 即平面在三维空间中与坐标轴的截距， 构建参 考平面； S34， 根据得到的参考平面选定参考点， 将L维的单纯形沿每个方向均匀分成H等分， 计 算得到参 考点数目， 将空间原点与参 考点连线得到参 考线， 其中， 参 考点数目K计算公式为， S35， 归一化目标函数值， 根据参考线， 计算种群中个体的关联度， 即个体归一化目标函 数值在空间中与最近参考线的垂 直距离， 垂直距离越近， 关联度越高， 按照关联度排序筛选 种群， 归一 化公式为， 所述S4包括以下步骤： S41， 按照关联度排序筛 选父代， 产生后代种群， 种群更新公式为， 其中Facc为比例因子， 表示对于 父代的信任程度， 用于控制子代与父代的差别， pc为交叉 概率， iter表示当前迭代次数， cparent1、 cparent2、 cparent3为父代群体 中随机选择的不同个体； 为第iter迭代次数parent1父代个体中的第j维度变量； 第iter+1次数第i 个种群的第j维度变量； S42， 为提高迭代过程中种群跳出局部最优的能力， 引入线性变异因子， 其中pstart为初始交叉概率， pend为终止交叉概率， iter表示当前迭代次数， maxiter表示 最大迭代次数；权　利　要　求　书 2/3 页 3 CN 113573322 B 3