一种面向大规模无线传感网络部署优化的空间约简方法与流程

1.本发明涉及无线传感网络部署、计算智能和计算机应用技术领域，尤其涉及一种面向大规模无线传感网络部署优化的空间约简方法。


背景技术：

2.无线传感网络部署优化是对无线传感器的地理位置进行合理布局以达到一定的目标。假定在给定的地理区域范围内，将一定数目的无线传感器设置在不同的地理位置上，以使得相应的目标最大化或最小化(如覆盖率最大化、重叠区域最小化或无线传感器建设成本及维护成本最小化)。
3.对于一个无线传感网络部署优化问题，它的决策变量为每个无线传感网络部署的经度、纬度和高度，采用给定实值范围内的实数类型值表示。经度的取值范围为给定地理多边形区域的最小经度至最大经度，纬度的取值范围为给定地理多边形区域的最小纬度至最大纬度。高度的取值范围通常设置为[0，2000]。因此，一个无线传感网络部署优化问题的解即各无线传感器的经度、纬度和高度所组成的向量，该向量需要所有无线传感器的布局位置必须位于给定的地理区域范围内(即满足多边形区域约束)。在处理该问题时，多个目标可根据用户的偏好进行加权，目标评估的过程需要调用仿真工具对选址方案进行评估。无线传感网络部署优化问题本质上可以看作一个实值优化问题，问题形式如下：
[0004][0005]
s.t.gi(x)≤0 i＝1，2，
…
，w
[0006]
其中f(x)是目标函数，x＝(x1，x2，...，xd)是d维的决策变量向量，每个变量xj的取值上下界为uj和lj(j＝1，2，...，d)，同时要找的解x需要满足每个无线传感器位于给定的多边形区域内，w为无线传感器的个数，每个gi(x)代表每个无线传感器的多边形区域约束函数。
[0007]
目前对无线传感网络部署优化问题的求解要么依赖人的经验，要么使用演化算法对其进行求解，并没有考虑大规模无线传感网络部署优化的场景。在实际的无线传感网络部署中，一个城市某个区的无线传感器规划的数量可能成百上千，从而使得各无线传感器相关的参数数量成百上千甚至上万。一方面，人根本无法有效应对这么复杂的情景，另一方面演化算法在目标问题的决策变量个数增加(比如大于100时)，会出现快速下降，不能在有限的时间内提供满足质量的解。


技术实现要素：

[0008]
本发明旨在至少解决现有技术中存在的技术问题之一。
[0009]
本发明提供了一种面向大规模无线传感网络部署优化的空间约简方法，该所述面向大规模无线传感网络部署优化的空间约简方法包括：s10，以所有无线传感器的经度和纬度作为决策变量，根据决策变量的取值范围随机生成np个采样点，每个采样点的决策变量
在取值范围内随机生成，np个采样点组成一个初始化的种群pop＝{x1，x2，...，x
np
}，其中，任一个体xi代表着一种无线传感网络部署方案，任一无线传感网络部署方案包括每个无线传感器的经度和纬度， i＝1，2，...，np，np为整数；s20，采用罚函数法根据每个个体的无线传感器和约束更新目标函数；s30，使用目标函数评估初始化种群pop的个体，获取初始化种群pop中的最优个体x
best
；s40，初始化迭代次数cycle为1；s50，进入新的演化周期，将所有无线传感器随机分为m组，根据m组无线传感器形成m个子种群，其中，第k个子种群为无线传感器随机分为m组，根据m组无线传感器形成m个子种群，其中，第k个子种群为为xi的第k组分量，k＝1，2，......，m，m为整数；s60，初始化k＝1；s70，对第k个子种群popk进行演化max_gen代；s80，更新k为k+1，并返回s70，直至k＝m，完成对m个子种群的演化max_gen代；s90，将演化更新后的子种群pop1、pop2、...、popm按照顺序重新拼接成包含所有变量的种群pop；更新迭代次数cycle为cycle+1，返回执行s50，直至满足算法终止条件，输出最优个体x
best
以完成面向大规模无线传感网络部署优化的空间约简方法。
[0010]
进一步地，s70具体包括：s71，将第k个子种群popk替换x
best
的第k组分量形成第一完整个体，使用目标函数评估第一完整个体，更新当前最优个体x
best
； s72，初始化gen＝1；s73，使用自适应差分演化算法sansde对popk进行演化；s74，更新gen为gen+1，并返回s73，直至gen＝max_gen。
[0011]
进一步地，s73具体包括：s731，第k个子种群中的每个个体按照sansde的变异操作生成变异个体变异个体与当前对应的个体进行交叉操作生成测试个体获取第k个新群体s732，根据调整测试个体的决策变量分量，获取调整后的第k个新群体其中，为调整后的测试个体的第j个分量，为调整前的测试个体的第j个分量，为上界，为下界，j＝1，2，......，d，d为整数；s733，将调整后的第k个新群体off
k*
替换x
best
的第k组分量形成第二完整个体，使用目标函数评估第二完整个体，更新当前最优个体x
best
；s734，一一对比第k个子种群popk与调整后的第k个新群体 off
k*
中的个体，若调整后的测试个体的目标数值大于个体的目标数值，则选择调整后的测试个体替换个体更新第k个子种群popk；s735，将更新后的第k个子种群popk替换x
best
的第k组分量形成第三完整个体，使用目标函数评估第三完整个体，更新当前最优个体x
best
。
[0012]
进一步地，在s20中，采用射线法判断每个个体中的无线传感器是否均满足约束，若不满足，则在预设目标函数的基础上增加惩罚项作为新的目标函数。
[0013]
进一步地，惩罚项为惩罚因子与不满足约束的无线传感器数的乘积。
[0014]
进一步地，算法终止条件为可用计算资源为零。
[0015]
应用本发明的技术方案，提供了一种面向大规模无线传感网络部署优化的空间约简方法，该面向大规模无线传感网络部署优化的空间约简方法通过初始化一个种群pop，该种群含有多个个体，每个个体表示一个无线传感网络部署方案。然后，整个演化被分成多个周期(cycle)，在每个cycle，算法将所有无线传感器相关的经度和纬度参数分成m组，根据分组，获得多个子种群 popk(k＝1，2，...，m)，第k个子种群的个体只包含种群pop的第k组参数。之后，对每个子种群popk演化一定的代数。本发明的面向大规模无线传感网络部署优化的空间约简方法，采用协作型协同演化所使用的分而治之策略，通过对决策变量分组形成子问题，然后分别求解子问题来缩减搜索空间，提高了搜索算法的搜索效率，从而在有限的决策时间内获得更好的解。与现有技术相比，本发明的技术方案能够解决现有技术中无线传感网络部署优化方法存在演化算法复杂和求解效率低的技术问题。
附图说明
[0016]
所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施例，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]
图1示出了根据本发明的具体实施例提供的面向大规模无线传感网络部署优化的空间约简方法的流程示意图；
[0018]
图2示出了根据本发明的具体实施例提供的多边形地理区域示意图；
[0019]
图3示出了根据本发明的具体实施例提供的正方形区域示意图；
[0020]
图4示出了根据本发明的具体实施例提供的射线法原理示意图；
[0021]
图5示出了根据本发明的具体实施例提供的两个线段之间相交和不相交的示意图；
[0022]
图6示出了根据本发明的具体实施例提供的两个线段之间的特殊情况示意图；
[0023]
图7示出了根据本发明的具体实施例提供的某一基于无线传感器的变量分组示例图。
具体实施方式
[0024]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0025]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0026]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表
达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0027]
如图1所示，根据本发明的具体实施例提供了一种面向大规模无线传感网络部署优化的空间约简方法，该面向大规模无线传感网络部署优化的空间约简方法包括：
[0028]
s10，以所有无线传感器的经度和纬度作为决策变量，根据决策变量的取值范围随机生成np个采样点，每个采样点的决策变量在取值范围内随机生成，np 个采样点组成一个初始化的种群pop＝{x1，x2，
…
，x
np
}，其中，任一个体xi代表着一种无线传感网络部署方案，任一无线传感网络部署方案包括每个无线传感器的经度和纬度，i＝1，2，...，np，np为整数；
[0029]
s20，采用罚函数法根据每个个体的无线传感器和约束更新目标函数；
[0030]
s30，使用目标函数评估初始化种群pop的个体，获取初始化种群pop中的最优个体x
best
；
[0031]
s40，初始化迭代次数cycle为1；
[0032]
s50，进入新的演化周期，将所有无线传感器随机分为m组，根据m组无线传感器形成m个子种群，其中，第k个子种群为第k个子种群为为xi的第k组分量，k＝1，2，......，m，m为整数；
[0033]
s60，初始化k＝1；
[0034]
s70，对第k个子种群popk进行演化max_gen代；
[0035]
s80，更新k为k+1，并返回s70，直至k＝m，完成对m个子种群的演化 max_gen代；
[0036]
s90，将演化更新后的子种群pop1、pop2、...、popm按照顺序重新拼接成包含所有变量的种群pop；更新迭代次数cycle为cycle+1，返回执行s50，直至满足算法终止条件，输出最优个体x
best
以完成面向大规模无线传感网络部署优化的空间约简方法。
[0037]
应用此种配置方式，提供了一种面向大规模无线传感网络部署优化的空间约简方法，该面向大规模无线传感网络部署优化的空间约简方法通过初始化一个种群pop，该种群含有多个个体，每个个体表示一个无线传感网络部署方案。然后，整个演化被分成多个周期(cycle)，在每个cycle，算法将所有无线传感器相关的经度和纬度参数分成m组，根据分组，获得多个子种群popk(k＝ 1，2，...，m)，第k个子种群的个体只包含种群pop的第k组参数。之后，对每个子种群popk演化一定的代数。本发明的面向大规模无线传感网络部署优化的空间约简方法，采用协作型协同演化所使用的分而治之策略，通过对决策变量分组形成子问题，然后分别求解子问题来缩减搜索空间，提高了搜索算法的搜索效率，从而在有限的决策时间内获得更好的解。与现有技术相比，本发明的技术方案能够解决现有技术中无线传感网络部署优化方法存在演化算法复杂和求解效率低的技术问题。
[0038]
进一步地，在本发明中，首先，执行s10，以所有无线传感器的经度和纬度作为决策变量，根据决策变量的取值范围随机生成np个采样点，每个采样点的决策变量在取值范围
内随机生成，np个采样点组成一个初始化的种群 pop＝{x1，x2，...，x
np
}，其中，任一个体xi代表着一种无线传感网络部署方案，任一无线传感网络部署方案包括每个无线传感器的经度和纬度，i＝1，2，...，np。
[0039]
作为本发明的一个具体实施例，x＝(x1，x2，...，xd)是d维的决策变量向量，共有w个无线传感器，每个无线传感器有2个变量，2个变量分别代表经度和纬度，则d＝2*w。每个变量xj的取值上下界为uj和lj，j＝1，2，...，d，每个采样点的决策变量根据其取值范围随机生成。例如，经度的取值范围通常设置为[0,180]，则初始化的时候，个体的某个无线传感器经度为[0,180]中的一个随机数。
[0040]
本发明中，采样点数量np可根据实际需要设置，例如可设置为100。
[0041]
根据决策变量的取值范围随机生成np个采样点可采用表1所示的算法流程。
[0042]
表1初始化群体生成算法流程
[0043][0044][0045]
进一步地，在本发明中，在获取初始化种群后，执行s20，采用罚函数法根据每个个体的无线传感器和约束更新目标函数。
[0046]
作为本发明的一个具体实施例，采用射线法判断每个个体中的无线传感器是否位于给定的地理区域范围内，即是否满足多边形区域约束。若个体不在多边形区域约束内，则在预设目标函数的基础上增加惩罚项作为新的目标函数。在该实施例中，可采用惩罚因子与不满足约束的无线传感器数的乘积作为惩罚项。
[0047]
在本发明中，无线传感网络部署优化问题的约束条件为所有无线传感器的位置必须位于划定的地理范围内，图2中阴影部分的不规则多边形区域为划定的区域，无线传感器a
*
位于多边形区域内，而无线传感器a没有。在优化过程中，需要判断无线传感器位置是否在多边形区域内，为后续的约束处理提供基础。具体的，射线法判断步骤如下。
[0048]
(1)构建多边形区域
[0049]
采用顶点坐标按逆时针排列的列表形式表示多边形区域。例如图3所示的正方形区域，将其顶点坐标列表按逆时针排列，即[p(0,0),q(10,0),r(10,10),s(0,10)]，用来表示p、q、r、s四个点围成的多边形区域。
[0050]
(2)从待判断的无线传感器点画出一条向右的水平射线，如图4所示，统计该射线与多边形区域的边相交的次数。如果相交的次数为奇数或者该点位于某条边上，则该点位于多边形区域内，否则该点位于多边形区域外。
[0051]
假设p1、q1、p2、q2是4个不同的坐标点，如果线段(p1,q1)和(p2,q2)相交，则当且仅当如下两中情况中的一种成立时，判定两条线段相交：
[0052]
①
通常情况：(p1,q1,p2)和(p1,q1,q2)有不同的方向，并且(p2,q2,p1)和 (p2,q2,q1)有不同的指向。
[0053]
图5(a)和图5(b)是线段(p1,q1)和(p2,q2)相交的两种情况，图5(a)中(p1,q1,p2) 和(p1,q1,q2)分别为逆时针和顺时针，方向不同，(p2,q2,p1)和(p1,q2,q1)分别为顺时针和逆时针，方向不同；图5(b)中(p1,q1,p2)和(p2,q2,p1)分别为共线和顺时针，方向不同，(p2,q2,p1)和(p2,q2,q1)分别为顺时针和逆时针，方向也不同。
[0054]
图5(c)和图5(d)是线段(p1,q1)和(p2,q2)不相交的两种情况，图5(c)中 (p1,q1,p2)和(p1,q1,q2)分别为逆时针和顺时针，方向不同，(p2,q2,p1)和(p2,q2,q1) 都为顺时针，方向相同；图5(d)中(p1,q1,p2)和(p1,q1,q2)分别为共线和顺时针，方向不同，(p2,q2,p1)和(p2,q2,q1)都为顺时针，方向相同。
[0055]
②
特殊情况：(p1,q1,p2),(p1,q1,q2),(p2,q2,p1)和(p2,q2,q1)都是共线，并且满足：
[0056]
–
(p1,q1)和(p2,q2)在x方向上的投影相交；
[0057]
–
(p1,q1)和(p2,q2)在y方向上的投影相交。
[0058]
如图6(a)和图6(b)所示，图6(a)中所有点都共线，(p1,q1)和(p2,q2)在x轴上的投影以及在y轴上的投影均相交，因此(p1,q1)和(p2,q2)相交；图6(b)中虽然所有点都共线，但是(p1,q1)和(p2,q2)在x轴上的投影不相交，因此(p1,q1)和(p2,q2) 不相交。
[0059]
基于此，可设计判断两条线段是否相交的伪代码如表2所示。
[0060]
表2判断两条线段是否相交的伪代码
[0061][0062]
其中，判断三个坐标点序列的方法如下：
[0063]
三个坐标点p、q、r构成的序列(p,q,r)的方向存在顺时针、逆时针和共线三种可能。可设计判断三个坐标点序列的伪代码如表3所示。
[0064]
表3判断3个点序列的方向伪代码
[0065][0066]
进一步地，在本发明中，在更新目标函数后，执行s30，使用目标函数评估初始化种群pop的个体，获取初始化种群pop中的最优个体x
best
。
[0067]
作为本发明的一个具体实施例，采用仿真软件使用目标函数对初始化种群pop的每个个体进行评估，获取初始化种群pop中的最优个体x
best
。
[0068]
具体地，可将初始化种群pop的每个个体转译为仿真软件的输入文件并输入仿真软件，读取仿真软件的输出结果并对初始化种群pop的每个个体进行评估，获取初始化种群pop中的最优个体x
best
。
[0069]
进一步地，在本发明中，在获取初始化种群pop中的最优个体x
best
后，执行 s40，初始化迭代次数cycle为1；s50，进入新的演化周期，将所有无线传感器随机分为m组，根据m组无线传感器形成m个子种群，其中，第k个子种群为第k个子种群为为xi的第k组分量，k＝1，2，......，m。
[0070]
本发明采用协同演化使用问题分解求解高维问题的思路来对大规模无线传感网络部署优化问题进行求解，即将问题的决策变量分解成m个较小的子分量。由于每个无线传感器的参数经度和纬度是非常相关的，在本发明中，我们通过对无线传感器进行随机分组来达到对决策变量进行分组的目的。在算法的每个周期开始的初始，根据设定的分组个数m随机对无线传感器进行分组，这里“随机”表示每个无线传感器所对应的参数变量分到每一组的概率是相同的。随后根据决策变量分组形成m个子种群。
[0071]
由于每个无线传感器的参数是高度相关的，对决策变量的分组通过对无线传感器进行随机分组来达成。作为本发明的一个具体实施例，假设要建设4个无线传感器，每个有2个参数变量(即经度和纬度)，则(w
i1
，w
i2
)分别代表第i个无线传感器的第一个变量和第二个变量，i＝1，2，3，4，则决策变量x＝ (w
11
，w
12
，w
21
，w
22
，w
31
，w
32
，w
41
，w
42
)。假定将决策变量分成2组，则每个无线传感器所对应的参数变量分到每一组的概率是相同的，图7为该问题的一种随机分组示例，显示了将第一无线传感器和第三无线传感器的变量分到一组，第二无线传感器和第四无线传感器的变量分到一组的情况。上述具体实施例仅为列举的一个实例，但并不限于此。
[0072]
进一步地，在本发明中，在形成m个子种群后，执行s60，初始化k＝1； s70，对第k个子种群popk进行演化max_gen代。
[0073]
作为本发明的一个具体实施例，s70具体包括：
[0074]
s71，将第k个子种群popk替换x
best
的第k组分量形成第一完整个体，使用目标函数评估第一完整个体，更新当前最优个体x
best
。
[0075]
s72，初始化gen＝1。
[0076]
s73，使用自适应差分演化算法sansde(self-adaptive differential evolutionwith neighborhood search)对popk进行演化。
[0077]
s74，更新gen为gen+1，并返回s73，直至gen＝max_gen。本发明中， max_gen根据能够使用的计算资源决定。新的第k个子种群popk进入下一代，从而可以迭代地继续执行演化搜索过程。
[0078]
在该实施例中，s73具体包括：
[0079]
s731，第k个子种群中的每个个体按照sansde 的变异操作生成变异个体变异个体与当前对应的个体进行交叉操作生成测试个体获取第k个新群体
[0080]
s732，根据调整测试个体
的决策变量分量，获取调整后的第k个新群体其中，为调整后的测试个体的第j个分量，为调整前的测试个体的第j 个分量，为上界，为下界，j＝1，2，......，d，d为整数；
[0081]
s733，将调整后的第k个新群体off
k*
替换x
best
的第k组分量形成第二完整个体，使用目标函数评估第二完整个体，更新当前最优个体x
best
；
[0082]
s734，一一对比第k个子种群popk与调整后的第k个新群体off
k*
中的个体，若调整后的测试个体的目标数值大于个体的目标数值，则选择调整后的测试个体替换个体更新第k个子种群popk；
[0083]
s735，将更新后的第k个子种群popk替换x
best
的第k组分量形成第三完整个体，使用目标函数评估第三完整个体，更新当前最优个体x
best
。
[0084]
在该实施例中，在对第k个子种群中的每个个体进行sansde的变异和交叉操作时，记录第k个新群体offk新生成的个体是由哪个变异模式和缩放因子以及交叉概率生成，同时记录调整后的第k个新群体off
k*
的个体实质上是否发生过替换，以及对当前个体目标值的改进值，然后根据 sansde的变异模式、缩放因子f以及交叉概率cr自适应机制，对变异模式、缩放因子f以及交叉概率cr进行更新。
[0085]
进一步地，在本发明中，在完成对第k个子种群popk的演化max_gen代过程后，执行s80，更新k为k+1，并返回s70，直至k＝m。通过上述迭代循环可实现对m个子种群的演化max_gen代。
[0086]
进一步地，在本发明中，在完成m个子种群的演化max_gen代后，执行s90，将演化更新后的子种群pop1、pop2、
…
、popm按照顺序重新拼接成包含所有变量的种群pop；更新迭代次数cycle为cycle+1，返回执行s50，直至满足算法终止条件，输出最优个体x
best
以完成面向大规模无线传感网络部署优化的空间约简方法。作为本发明的一个具体实施例，算法终止条件例如为可用计算资源为零。
[0087]
应用上述配置，本发明的算法首先会初始化一个种群pop，该种群含有多个个体，每个个体经过转译之后可表示一个无线传感网络部署方案。然后，整个演化被分成多个周期(cycle)，在每个cycle，算法将所有无线传感器相关的经度和纬度参数分成m组，根据分组，获得多个子种群popk(k＝1，2，...，m)，第k个子种群的个体只包含种群pop的第k组参数。之后，对每个子种群popk演化一定的代数。在每代演化中，针对当前子种群popk的每个个体产生一个新的个体，之后对新的个体进行评估，并对父代个体和子代个体(即新个体)的进行选择操作，之后对种群中的个体进行更新，如此不断循环直至达到最大迭代次数 max_gen。由于子种群个体popk只包含决策变量的第k组变量，因此对子种群个体的评估是通过将其替换当前最优解的第k组变量然后得到完整的解后再使用目标函数进行评估。
[0088]
本发明的面向大规模无线传感网络部署优化的空间约简方法，采用协作型协同演化所使用的分而治之策略，通过对决策变量分组形成子问题，然后分别求解子问题来缩减搜索空间，提高了搜索算法的搜索效率，从而在有限的决策时间内获得更好的解。
[0089]
为了对本发明有进一步地了解，下面结合图1对本发明的面向大规模无线传感网
络部署优化的空间约简方法进行详细说明。
[0090]
如图1所示，根据本发明的具体实施例提供了一种面向大规模无线传感网络部署优化的空间约简方法，该面向大规模无线传感网络部署优化的空间约简方法具体包括以下步骤。
[0091]
s10，以所有无线传感器的经度和纬度作为决策变量，根据决策变量的取值范围随机生成np个采样点，每个采样点的决策变量在取值范围内随机生成，np 个采样点组成一个初始化的种群pop＝{x1，x2，...，x
np
}，其中，任一个体xi代表着一种无线传感网络部署方案，任一无线传感网络部署方案包括每个无线传感器的经度和纬度，i＝1，2，...，np。
[0092]
s20，采用罚函数法根据每个个体的无线传感器和约束更新目标函数。
[0093]
s30，使用目标函数评估初始化种群pop的个体，获取初始化种群pop中的最优个体x
best
。
[0094]
s40，初始化迭代次数cycle为1。
[0095]
s50，进入新的演化周期，将所有无线传感器随机分为m组，根据m组无线传感器形成m个子种群，其中，第k个子种群为第k个子种群为为xi的第k组分量，k＝1，2，......，m。
[0096]
s60，初始化k＝1。
[0097]
s71，将第k个子种群popk替换x
best
的第k组分量形成第一完整个体，使用目标函数评估第一完整个体，更新当前最优个体x
best
。
[0098]
s72，初始化gen＝1。
[0099]
s731，第k个子种群中的每个个体按照sansde 的变异操作生成变异个体变异个体与当前对应的个体进行交叉操作生成测试个体获取第k个新群体
[0100]
s732，根据调整测试个体的决策变量分量，获取调整后的第k个新群体其中，为调整后的测试个体的第j个分量，为调整前的测试个体的第j 个分量，为上界，为下界，j＝1，2，......，d，d为整数。
[0101]
s733，将调整后的第k个新群体off
k*
替换x
best
的第k组分量形成第二完整个体，使用目标函数评估第二完整个体，更新当前最优个体x
best
。
[0102]
s734，一一对比第k个子种群popk与调整后的第k个新群体off
k*
中的个体，若调整后的测试个体的目标数值大于个体的目标数值，则选择调整后的测试个体替换个体更新第k个子种群popk。
[0103]
s735，将更新后的第k个子种群popk替换x
best
的第k组分量形成第三完整个体，使用
目标函数评估第三完整个体，更新当前最优个体x
best
。
[0104]
s74，更新gen为gen+1，并返回s73，直至gen＝max_gen。本发明中， max_gen根据能够使用的计算资源决定。新的第k个子种群popk进入下一代，从而可以迭代地继续执行演化搜索过程。
[0105]
s80，更新k为k+1，并返回s70，直至k＝m，完成对m个子种群的演化 max_gen代。
[0106]
s90，将演化更新后的子种群pop1、pop2、...、popm按照顺序重新拼接成包含所有变量的种群pop；更新迭代次数cycle为cycle+1，返回执行s50，直至满足算法终止条件，输出最优个体x
best
以完成面向大规模无线传感网络部署优化的空间约简方法。
[0107]
综上所述，本发明提供了一种面向大规模无线传感网络部署优化的空间约简方法，该面向大规模无线传感网络部署优化的空间约简方法通过初始化一个种群pop，该种群含有多个个体，每个个体表示一个无线传感网络部署方案。然后，整个演化被分成多个周期(cycle)，在每个cycle，算法将所有无线传感器相关的经度和纬度参数分成m组，根据分组，获得多个子种群popk(k＝1，2，...，m)，第k个子种群的个体只包含种群pop的第k组参数。之后，对每个子种群popk演化一定的代数。本发明的面向大规模无线传感网络部署优化的空间约简方法，采用协作型协同演化所使用的分而治之策略，通过对决策变量分组形成子问题，然后分别求解子问题来缩减搜索空间，提高了搜索算法的搜索效率，从而在有限的决策时间内获得更好的解。与现有技术相比，本发明的技术方案能够解决现有技术中无线传感网络部署优化方法存在演化算法复杂和求解效率低的技术问题。
[0108]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。