优化智慧城市中无线网络的成本
来自: 珊珊
随着经济快速发展,城市人口持续增长,传统运行模式下的城市面临严峻的挑战,如:资源紧缺等。智慧城市的城市发展理念是基于城市中的多元业务传输的网络资源优化,是新型城市化的重要内容,也是对传统城市发展的改革。
智慧城市中无线网络基础通信设施部署优化问题可以归结为,在给定的平面上部署合适的网络节点,使信号不仅可以覆盖到所在的移动终端,同时保证最优的服务质量。在汉斯出版社《理论数学》中,作者主要从优化节点成本出发,介绍并分析了问题求解最优解的两类有效工具遗传算法、粒子群优化算法及其改进算法。
节点部署作为无线传感器网络应用的一个核心问题,是保证服务质量的重要手段。无线传感器网络(WSNs)最初是在军事领域中提出的。但随着无线通讯技术、微电子技术的发展,低功耗的传感器节点越来越廉价,无线传感器网络也从军事应用转向民用。在无线传感器网络中,网络节点部署问题是WSNs的一个基本问题,直接影响到服务质量。遗传算法、粒子群优化算法及其改进算法作为问题求最优解的有效工具,在WSNs节点部署优化中得到了广泛的应用。
遗传算法GA(geneticalgorithm),也称进化算法,是受达尔文的进化论启发,借鉴生物进化模型提出的迭代式自适应随机搜索方法。通过模拟自然界中生物进化的发展规律,在人工系统中实现特定目标的优化。遗传算法步骤如下:1)选择初始生命种群;2)循环:评价种群中的个体适应度;以比例原则(分数高的挑中的概率也较高)选择下一种群;通过交叉和变异改变种群;3)直到停止循环的条件满足。
粒子群(POS)算法是由Kennedy和Eberhart等于1995年提出的种群智能算法。基于群体搜索策略,将粒子随机分布与搜索空间,一个粒子即代表一个空间点,粒子在飞行单位时间之后,根据自己和群体的历史记录不断改变自己的飞行速度(速率和方向)。粒子飞行速度主要受3个方面因素的影响:惯性因素、自我学习因素和社会学习因素。粒子在飞行过程中,通过不断改变速度来搜索最优位置,每个粒子的运动轨迹由整个种群的历史最好位置及其个体所经历的最好位置决定。粒子群算法具有概念简单、搜索效率高等特点。Eberhart通过优化可连续变化的二进制概率达到间接优化二进制变量的目的,提出二进制粒子群算法,解决了实际工程应用的组合优化问题。
每种算法都有各自的特点和应用环境,没有哪种最优的。总体说来,在保证网络容错性和健壮性的前提下,降低网络部署的成本,提高目标检测的质量等等一系列难题亟待我们各个攻破!