Su Kalitesi Sensörü Dağıtımında Geliştirilmiş Guguklu Algoritmasının Uygulanması
Kablosuz Sensör Ağları (Kablosuz Sensör Ağları, WSN'ler) dağıtılmış bir sensör ağıdır. WSN'lerdeki sensörler kablosuz olarak iletişim kurar ve çok sekmeli kendi kendini organize eden bir ağ sistemi oluşturmak için kablolu veya kablosuz yollarla İnternet'e bağlanabilir. Yoğun ve rastgele dağılım özellikleri nedeniyle çevre izleme, tıbbi bakım, hedef takibi ve trafik kontrolünde yaygın olarak kullanılmaktadır. Geleneksel sensör düğümü dağıtımının rastgeleliği ve körlüğü nedeniyle, sensör hedef alanı etkili ve makul bir şekilde izleyemediğinden, makul bir sensör dağıtım planının benimsenmesi, WSN uygulamalarında dikkate alınması gereken ilk konu haline gelmiştir.
Sensör ağlarının en uygun şekilde yerleştirilmesi, çok amaçlı bir optimizasyon sorunudur.İyi izleme sonuçları elde etmek için bir su kalitesi izleme sistemi için, su kalitesi sensörlerinin makul bir şekilde yerleştirilmesi gerekir. Şu anda, yurtiçi ve yurtdışındaki birçok bilim insanı, WSN'lerin kapsamı ve dağıtımı hakkında derinlemesine araştırmalar yürütmüştür.Sorunun anahtarı, maksimum sensör kapsamı sağlamak için farklı su koşulları için uygun optimizasyon stratejileri benimseyerek sensör düğümlerini belirli bir alanda konuşlandırmaktır. Koşullar altında, kaynakların etkin kullanımını sağlamak için mümkün olduğunca az sensör kullanın. Sürü zekası optimizasyon algoritmalarının yükselmesiyle birlikte, araştırmacıların ilgi odağı haline geldi. Literatür - Meyve sineği algoritması ve balık sürüsü algoritması, sensör düğümlerinin düzenini optimize etmek için kullanılır ve iyi sonuçlar elde edilmiştir; literatür, sensör düğümlerini uyarlamalı olarak yerleştirmek için ağırlık faktörü ayarlı bir parçacık sürüsü algoritması önermektedir, ancak algoritmadaki parametre değerleri ayarlanmıştır. Ampirik değerlere dayalı olarak ayarlanmalıdır; literatür, daha hızlı bir optimizasyon hızına sahip olan kablosuz sensör ağlarını kapsamak ve optimize etmek için kaotik partikül sürüsü algoritması kullanır, ancak yine de yerel uç noktalara düşme eğiliminde olan partikül sürüsü algoritmasının eksikliklerinden kurtulamamaktadır; literatür öneriyor Ağ düğümü, gelişmiş karınca kolonisi algoritmasına göre optimize edilmiştir.Bu yöntem güçlü yerel arama yeteneğine sahiptir, ancak arama hızı yavaştır; literatür, sensör düğümlerini optimize etmek için Levi uçuşunu ve parçacık sürüsünü birleştiren bir algoritma önermektedir. Bu algoritma, Levi uçuş aramasını kullanır Gezinilebilirlik, ağın kapsamını büyük ölçüde geliştirir ve yerel optimalliğe düşmesi kolay olan geleneksel parçacık sürüsü optimizasyonunun eksikliklerinin üstesinden gelir; literatür, dağıtılmış guguk kuşu algoritmasının optimizasyon süresinde daha iyi olduğunu kanıtlayan kablosuz sensör ağlarının düzen optimizasyonunda dağıtılmış uygulamayı önermektedir. Parçacık sürüsü algoritmasına dayanır, ancak optimizasyon doğruluğu yüksek değildir; literatür, yakınsama hızını artıran, değişken parametreli iyileştirilmiş bir CS algoritması önermektedir; literatür, guguklu keşif olasılığını ve arama adımını gerçekleştiren dinamik bir uyarlanabilir guguklu algoritması önermektedir. Dinamik ayarlamalar, algoritmanın yakınsama hızını ve doğruluğunu iyileştirmiştir.
Bu yazıda, guguk algoritması, yuvanın ev sahibi tarafından bulunmaması sürecini simüle etmek için tek bir guguk kuşu olarak kullanır ve kablosuz sensör ağındaki kapsama oranı, optimizasyon hedefi olarak alınır.En uygun olanın guguklu hayatta kalma süreci, sürekli bir yinelemedir ve yerine iyi bir uygulanabilir çözüm getirilir Zayıf uygulanabilir çözüm süreci, bu nedenle, bu süreçte yerel optimal çözümü bulmak için gradyan iniş yöntemini tanıtabilir. Bu makale, momentum gradyan iniş yöntemi, ortalama karekök algoritması, Adam optimizasyon algoritması gibi derin öğrenmede yaygın olarak kullanılan optimizasyon algoritmaları fikrini benimser ve problemin optimizasyon verimliliğini etkili bir şekilde artırabilen düğümün konumunu güncelleyerek her bir yinelemenin optimum çözümünü hızlı bir şekilde hesaplar.
Su kalitesi sensörü ağ kapsama alanında, kapsama alanını artırmak için genellikle sensör sayısı artırılır. Bununla birlikte, çok fazla sensör düğümü, çok sayıda yedek düğüm üretecek, veri aktarımı çakışmalarına neden olacak, ağ kararlılığını etkileyecek ve kaynak israfına neden olacaktır. Bu nedenle, su kalitesi sensör ağının yerleşim aşamasında, düğüm sayısı ve ağ kapsama alanı aynı anda dikkate alınmalıdır.
Bu makalede, izlenen su alanının iki boyutlu düzleminde, guguk kuşu algoritması, sabit bir alanda maksimum kapsama hedefine ulaşmak için düğümleri kendi başlarına düzenlemek için kullanılmıştır.Etkili izleme verilerinin sağlanması öncülüğünde, sensör kaynaklarından daha fazla yararlanılabilir. Her sensörün aynı iletişim yarıçapına ve algılama yarıçapına sahip olduğunu varsayarsak, s = {s1, s2, s3, ..., sn} bir dizi kablosuz sensör ve (xi, yi) kümedeki herhangi bir kablosuz sensör düğümünün kümesi olsun Koordinatlar, (xj, yj) izleme alanındaki herhangi bir pj noktasının koordinatlarıdır, bu durumda si düğümünden pj noktasına Öklid mesafesi şu şekilde tanımlanır:
2 Algoritma tasarımı
Cuckoo Search (CS) algoritması, 2009 yılında İngiliz bilim adamı Yang tarafından guguk kuşu yuva parazitik kuluçka davranışından esinlenerek önerilen yeni bir sürü zekası optimizasyon algoritması türüdür. CS algoritması, guguk kuşunun yuva parazitik kuluçka davranışını simüle ederek ve kuşlar ve meyve sineklerinin Lévy uçuş mekanizmalarıyla birleştirerek sorunun en uygun çözümünü hızlı ve etkili bir şekilde bulabilir. CS algoritmasının temel parametreleri, yalnızca egzotik kuş yumurtalarının bulunma olasılığı ve popülasyon sayısıdır.Tüm algoritmanın çalıştırılması basit ve uygulanması kolaydır. CS algoritması global arama için Lévy uçuşunu kullanır ve iyi global optimizasyon yeteneklerine sahiptir.
Bir guguk kuşunun yuvasını bulma şeklini simüle etmek için üç rasyonel durumun ayarlanması gerekir:
(1) Her guguk kuşu rastgele bir yuva seçer ve her seferinde bir yumurta üretir;
(2) Rastgele seçilen bir grup parazit yuvada, en iyi parazitik yuva bir sonraki nesilde tutulacaktır;
(3) Mevcut parazitik yuvaların sayısı sabittir ve parazit yuva sahibinin yabancı bir kuş yumurtası bulma olasılığı Pa'dır.
Guguklu algoritmasında, global aramanın rastgele yürüyüşünü ve yerel rastgele yürüyüşü birleştiren her bir guguk kuşunu temsil etmek için D boyutlu bir X = vektörü kullanılır.Bunlar arasında, global aramanın rastgele yürüyüşü denklem (5) 'de gösterilir:
Bunlar arasında, r (0, 1) aralığında rastgele bir sayı olan ölçekleme faktörüdür; Xg, i, Xg ve k, g neslinin iki rastgele sayısını temsil eder. CS algoritması akışı aşağıdaki gibidir:
(1) Popülasyonu başlatın, bir yuvayı temsil etmek için her D boyutlu vektörü kullanın ve her bireyin uygunluğunu hesaplayın.
(2) Her yuvayı güncelleyin ve denklem (9) 'a göre yeni bir çözüm oluşturun Yeni çözüm orijinal çözümden daha iyidir ve yeni çözüm eski çözümün yerine kullanılır.
(3) Her yuva için, diğer iki farklı yuva seçin ve yeni bir çözüm oluşturmak için D boyutlu vektördeki her bir öğeyi formül (11) 'e göre birleştirin.Yeni çözüm orijinal çözümden daha iyiyse, Yeni çözüm, eski çözümün yerini alıyor.
(4) Tüm süreç içinde en uygun çözümü kaydedin ve elde edilen optimum çözüm belirlenen koşulları karşılamadığında (2) adımına geri dönün ve koşullar karşılanana veya maksimum yineleme sayısına ulaşılana kadar optimum çözüme dönün.
Guguklu algoritmasında, guguk kuşu optimizasyon verimliliğini etkileyen, Lévy uçuş adım kontrolünün seçimi ve eleme olasılığıdır.Bu makale, derin öğrenme optimizasyon algoritması fikrine dayanarak parametrelerini güncellemektedir.
3 Derin öğrenmenin optimizasyon algoritmasına dayalı olarak Lévy uçuş adım uzunluğunu güncelleyin
Derin öğrenmede, objektif fonksiyonun minimum değerini çözmek için, optimizasyon için yaygın olarak gradyan iniş metodu kullanılır.Temel fikir, her bir iterasyonda objektif fonksiyonun gradyanının ters yönünde her değişken için karşılık gelen parametreleri güncellemektir. Formül (12) 'de gösterildiği gibi değer:
Bunlar arasında, J () kayıp fonksiyonunu temsil eder ve , hedef fonksiyonun en çok düşmesini sağlayan yön boyunca düşüşün adım uzunluğunun ne kadar büyük olduğunu belirleyen öğrenme oranını temsil eder.
Bu yazıda, guguk kuşu algoritmasındaki Lévy uçuşunun adım uzunluğu, momentum ile gradyan inişine, kök ortalama kare prop'a ve Adam optimizasyon algoritmasına göre güncellenmiştir.
3.1 Momentum gradyan iniş yöntemi
Momentum gradyan iniş yönteminin temel fikri, gradyanın üssel ağırlıklı ortalamasını hesaplamak ve denklem (13) 'de gösterildiği gibi ağırlığı güncellemek için gradyan kullanmaktır:
Formülde, Vdw hız güncellemesinin boyutudur, 1 ağırlıktır, Vt-1 t-1'deki hızdır, Vt mevcut andaki hızdır ve momentum gradyan inişindeki öğrenme hızıdır.
Guguklu algoritmasında, Lévy uçuş adım boyutu güncellemesi, momentum gradyan iniş yöntemi fikrini benimser, yani her adım boyutu güncellemesi, denklem (14) 'de gösterildiği gibi, önceki adımın adım boyutu değişikliği ve mevcut aşamadaki adım boyutu değişikliği ile belirlenir:
Bunlar arasında, l adım boyutu güncellemesinin boyutudur, lt-1 önceki zamandaki adım boyutu güncellemesidir ve adım boyutu güncelleme öğrenme hızıdır.
3.2 Kök Ortalama Kareler Algoritması
Kök ortalama kare algoritmasının temel fikri, gradyan inişinde, dikey eksen yönünde öğrenme oranını kolaylaştırmak ve ardından yatay eksen yönünde öğrenme oranını hızlandırmak istiyorsanız, denklem (15) 'de gösterilen diferansiyel karenin ağırlıklı ortalamasının iniş hızını yapmak için kullanılmasıdır. Daha hızlı olun.
Bunlar arasında Sdx, x yönündeki hız değişimidir, Sdy y yönündeki hız değişimidir, 2 kök ortalama karedeki ağırlıktır, kök ortalama kare algoritmasındaki öğrenme oranıdır ve paydanın sıfır olmasını engelleyen çok küçük bir değerdir. Pozitif vektör matrisi. Optimizasyon hızını belirli bir yönde değiştirmek için Sdx ve Sdy'nin boyutunu değiştirerek.
Bu makalede, guguk kuşu algoritmasındaki Lévy uçuş adımı güncellemesi, denklem (16) 'da gösterildiği gibi, kök ortalama kare algoritması fikrini kullanır:
Bunlar arasında Sdxy, döngüdeki her bir bireyden popülasyonun optimum konumuna olan mesafenin ortalamasını temsil eder, Xg, optimizasyondaki her bireyin konumudur ve Xbest, popülasyonun optimum konumudur.
3.3 Adam optimizasyon algoritması
Adam optimizasyon algoritması, temel olarak momentum gradyan iniş yöntemini ve ortalama karekök algoritmasını birleştirir ve bir düzeltme önyargısı ekler. Bu yazıda, guguk kuşu algoritmasındaki Lévy uçuş adım boyutu güncellemesi, denklem (17) 'de gösterildiği gibi Adam optimizasyon algoritması fikrini benimser:
Formülde , Adam'daki öğrenme oranıdır. Denklemden (17), momentum gradyan iniş yönteminin avantajlarının Adam optimizasyon algoritmasında kullanıldığı, optimizasyon sürecinde yerel optimal çözümden atlamayı mümkün kıldığı ve ayrıca kök ortalama kare algoritmasının avantajlarını absorbe ederek aramayı hızlandırdığı görülebilir. Optimal yöndeki arama adımı, olumsuz rahatsızlıkların optimizasyon süreci üzerindeki etkisini azaltır.
4 Eliminasyon olasılığını güncelleyin Pa
Gradyan iniş yönteminde en uygun değeri bulma sürecinde, gürültünün varlığından dolayı, yineleme sayısı arttıkça sonuç optimum çözüme yakın olacak ve doğru bir şekilde yakınsamayacaktır. Bu sırada, öğrenme hızı sabit bir değerdir, bu nedenle Yineleme sayısı arttıkça öğrenme oranının yavaşça azaltılması gerekir.
Bu yazıda guguk kuşu algoritmasının iyileştirilmesinde, eleme olasılığı Pa gradyan iniş fikrini kullanır ve yineleme sayısındaki değişim denklem (18) 'de gösterilmiştir:
5 Simülasyon sonuçları
5.1 Deneysel tasarım
Bu makalede, ağ kapsamı için izleme alanındaki sensör düğümlerinin yerleştirilmesini optimize etmek için guguklu algoritmasını geliştirmek için derin öğrenmeye dayalı bir optimizasyon yöntemi kullanılmıştır. 100 m × 100 m su alanında, kapsama alanı, kenar uzunluğu 2 m olan bir ızgaraya bölünerek hesaplanır. . Sensör yarıçapı 10 m'ye ayarlandı, maksimum yineleme sayısı 1.000, ilk eliminasyon olasılığı 0.25'e, 10.1'e, 121'e ve to 10-4'e ayarlandı. Bu algoritmada adım boyutu ve Eliminasyon olasılığı Pa, yineleme sayısına göre değişir. Yinelemeli hesaplamada, yineleme sayısı maksimum yineleme sayısından büyük olduğunda döngüden çıkılır, hesaplama durur, optimum sonuç kaydedilir ve guguklu güncelleme işleminden çıkılır.
5.2 Deneysel sonuçlar ve analiz
Deneyde, 30 sensör düğümü rastgele oluşturulmuştur.Şekil 1, sensörlerin orijinal rastgele dağılım diyagramıdır. X ve Y, iki boyutlu düzlemin yatay ve dikey koordinatlarıdır. Şekil 1'den orijinal sensör dağılımının oldukça dağınık olduğu görülmektedir.Rastgele atanan sensörlerin koşullarında kapsama oranı nispeten düşüktür, sadece% 59.64 ve beklenen izleme sonuçları gerçek çalışmada elde edilemez.
Şekil 2, rastgele dağıtılmış sensör düğümleri koşulu altında Adam algoritmasına dayalı Adam-CS guguk kuşu algoritması ile yinelemeli olarak güncellendikten sonra düğümün optimal konum dağılım diyagramını göstermektedir Bu dağıtım koşulu altında, sensörün kapsamı optimaldir. Şekil 2'den, optimize edilmiş sensör düğümlerinin daha eşit bir şekilde dağıtıldığı, sensörlerin çakışma derecesinin azaldığı ve kapsama oranının% 86,48'e ulaştığı görülebilir, bu da su kalitesi sensör düğümlerinin dağıtımını optimize eder ve sensör ağının izleme performansını etkili bir şekilde iyileştirebilir.
Şekil 3, orijinal guguk kuşu algoritmasını (CS), momentum gradyan inişine dayalı geliştirilmiş guguklu algoritmasını (Momentum-CS), kök ortalama kare algoritmasına (RMSprop-CS) dayalı geliştirilmiş guguklu algoritmasını ve Adam-CS dört yöntemini göstermektedir. Deneysel karşılaştırma tablosu. Aynı alanda aynı sayıda ve boyutta sensör düğümünü konuşlandırın. Rastgele konuşlandırmanın belirsizliğinin deneysel sonuçlar üzerindeki etkisi dikkate alınarak, dört yöntemin her biri üzerinde 10 deney gerçekleştirildi ve deneysel sonuçların ortalaması alındı. Şekil 3'ten görülebileceği gibi, aynı başlangıç koşulları altında Adam-CS algoritması ağın yayılma etkisini daha etkili bir şekilde geliştirebilir. İterasyon sayısının artması ile dört eğri dengelenme eğilimindedir.Eklenen her 30 iterasyon için kapsama oranı% 0,05'in altında arttığında eğrinin denge durumuna gelmesi öngörülmüştür.Dört yöntemin sonuçları Tablo 1'de gösterilmiştir. Adam-CS algoritmasının daha az yineleme ile daha iyi dağıtım etkileri elde edebileceği görülebilir.
6. Sonuç
Bu makale, derin öğrenmenin optimizasyon yöntemine dayalı olarak guguklu algoritmayı geliştirir ve su kalitesi sensör ağının optimum kapsamını sağlamak amacıyla sensör düğümlerinin konuşlandırılmasını optimize eder. Guguklu algoritmasının avantajlarından tam olarak yararlanılması temelinde, guguk kuşu algoritmasındaki adım boyutu kontrol miktarı ve eleme olasılığı, algoritmanın optimizasyon performansını büyük ölçüde artıran derin öğrenmenin optimizasyon yöntemi ile ayarlanır. Simülasyon sonuçları, geliştirilmiş algoritmanın küresel alanda verimli bir şekilde arama yapabildiğini, daha doğru sonuçlar elde edebildiğini ve derin öğrenme yöntemi ile sürü zekası optimizasyon algoritmasının kombinasyonunu gerçekleştirebileceğini göstermektedir.Aynı zamanda, geliştirilmiş algoritma su kalitesi sensör ağının düzen optimizasyonuna uygulanmaktadır. Su ortamı izlemede belirli bir pratik önemi vardır.
Referanslar
Mao Yingchi, Chen Lijun, Chen Daoxu Kablosuz sensör ağ kapsama kontrol teknolojisi üzerine araştırma Bilgisayar Bilimi, 2007, 34 (3): 20-22.
PUCCINELLI D, HAENGGI M. Kablosuz sensör ağları: her yerde bulunan algılamanın uygulamaları ve zorlukları, Circuits and Systems Magazine IEEE, 2005, 5 (3): 19-31.
Xu Kai, Zhang Qiuju, Li Kexiu ve diğerleri.ZigBee'ye dayalı su ürünleri yetiştiriciliği kablosuz izleme sisteminin tasarımı. Elektronik Teknoloji Uygulaması, 2012, 38 (4): 67-69.
Li Jianyong, Li Yang, Liu Xuemei. ZigBee'ye Dayalı Tahıl Deposu Çevresel İzleme Sisteminin Tasarımı Elektronik Teknoloji Uygulaması, 2016, 42 (1): 65-67.
Huo Huihui, Li Guoyong. WSNs Kapsamında Geliştirilmiş Ayrık Drosophila Optimizasyon Algoritmasının Uygulanması. Sensörler ve Mikrosistemler, 2016, 35 (2): 157-160.
He Xu, Peng Zhenrui, Dong Haitang, ve diğerleri WSN düğümlerinin optimum yerleşiminde ağırlıklı centroid balık okulu algoritmasının uygulanması.Sensors and Microsystems, 2018, 37 (10): 157-160.
Yu Lucky, Sun Qian, Wang Xiaoyi ve diğerleri.Parçacık sürüsü optimizasyon algoritmasına dayalı olarak su kalitesi sensörlerinin optimum dağıtımı üzerine araştırma.Sensors and Microsystems, 2016, 35 (12): 30-32.
Liu Weiting, Fan Zhouyuan Kaotik parçacık sürüsü optimizasyonuna dayalı kablosuz sensör ağı kapsama optimizasyonu Bilgisayar Uygulamaları, 2011, 31 (2): 338-340.
Peng Liying Ağ düğümü kapsama optimizasyonu için geliştirilmiş karınca kolonisi algoritması Bilgisayar simülasyonu, 2011, 28 (9): 151-153.
Lu Ling, Xie Jiahua. Levy'nin uçan parçacık sürüsü optimizasyon algoritmasının WSNs kapsama alanını genişletmede uygulaması.Sensors and Microsystems, 2015, 34 (11): 157-160.
Liu Xiaolei, Zhang Xiaosong.Kablosuz sensör ağ düzeni optimizasyonunda dağıtılmış guguk kuşu algoritmasının uygulanması Bilgisayar Uygulama Araştırması, 2018, 35 (7): 2063-2065.
Wang Jialei, Zhang Huihong, Wang Pengjun, vb. Parametre uyarlamalı guguklu algoritmasına dayalı RM devre alanı optimizasyonu Bilgisayar Uygulama Araştırması, 2018, 35 (9): 135-137, 141.
Mingbo, Huang Qiang, Wang Yimin ve diğerleri.Gelişmiş guguk kuşu algoritmasına dayalı kademeli rezervuarların optimum çalışması üzerine araştırma. Journal of Hydraulic Engineering, 2015, 46 (3): 341-349.
Liu Wei, Hu Anlin. Kablosuz sensör ağ kapsama alanı ve enerji tasarrufu üzerine araştırma. Elektronik teknoloji uygulaması, 2016, 42 (6): 98-100.
yazar bilgileri:
Shen Zhiping, Sun Qian, Wang Xiaoyi, Xu Jiping, Zhang Huiyan, Wang Li
(Bilgisayar ve Bilgi Mühendisliği Okulu, Pekin Teknoloji ve İşletme Üniversitesi, Pekin 100048)
