基于遗传算法的无线传感器网络优化

论文摘要

无线传感网络由大量低成本、低功耗、多功能的传感器节点组成。传感器节点可以方便的配置在需要检测的领域,并且应用在一些特殊条件的环境中,摒弃了有线网络布网费用高,维护繁琐的诸多弊端。无线网络可以根据网络的基础结构与现场要求来进行设计。但在无线传感网络中一个重要的,也是难以解决问题是:无线传感器节点的能量消耗极大的限制了网络的工作寿命。本文将遗传算法应用于无线传感网络的多目标优化设计中,考虑到面向具体应用的需要,这里引入了一个传感器网络在露天矿边坡检测的例子。本文设计了边坡检测网络的组网策略,制定了适当的编码机制,并结合多方面重要参数,建立了适应度函数。在同一环境条件下,应用了串行遗传算法、并行遗传算法及量子遗传算法进行网络能量优化。仿真结果表明:基于遗传算法的网络设计优化了能量管理,使网络生命周期达到最长。并通过三种遗传算法的参数对比最终得出量子遗传算法较其他两种遗传算法更加优越。

论文目录

• 致谢
• 摘要
• Abstract
• 1. 绪论
• 1.1 课题的研究背景及研究意义
• 1.2 遗传算法的发展
• 1.2.1 遗传算法的发展背景
• 1.2.2 遗传算法的发展及研究现状
• 1.3 无线传感器网络研究的发展状况
• 1.4 本文应用背景
• 1.5 本文研究目的和主要任务
• 1.6 本文创新点
• 2. 无线传感网络
• 2.1 无线传感网络结构
• 2.2 无线传感网络的特点
• 2.3 无线传感网络节点结构
• 2.4 传感器节点的限制因素
• 2.4.1 电源能量有限
• 2.4.2 通信能力有限
• 3. 遗传算法概述
• 3.1 基本遗传算法
• 3.1.1 编码方式
• 3.1.2 适应度函数
• 3.1.3 选择算子
• 3.1.4 最优保存策略
• 3.1.5 交叉算子
• 3.1.6 变异算子
• 3.1.7 遗传算法运行参数
• 4. 无线传感网络模型构造
• 4.1 网络模型
• 4.2 适应度函数建立
• 4.2.1 休眠参数
• 4.2.2 连通性参数
• 4.2.3 能量参数
• 5. 基于遗传算法无线传感网络能量优化实验
• 5.1 串行遗传算法实验
• 5.1.1 编码机制
• 5.1.2 仿真实验
• 5.2 并行遗传算法实验
• 5.2.1 编码机制
• 5.2.2 仿真实验
• 5.3 量子遗传算法实验
• 5.3.1 编码机制
• 5.3.2 量子旋转门
• 5.3.3 仿真实验
• 结论
• 参考文献
• 作者简历
• 学位论文数据集