基于遗传算法多目标优化的流域传感器覆盖网优化方法

摘要

本发明提供一种基于遗传算法多目标优化的流域传感器覆盖网优化方法，其使用遗传算法多目标优化将河流流域传感器覆盖网优化问题转化为0/1多目标规划问题，通过染色体的遗传、交叉及变异等遗传算法操作，并通过监测传感器覆盖网适应度值的比较最终实现监测传感器覆盖网的合理优化选取。另外，本发明的算法采用了多个评估指标对监测传感器覆盖网适应度进行加权评估，分别是“监测节点流域特征系数”，“监测节点传感器网络传输范围系数”，“监测节点传感器使用费用系数”和“监测节点环境干扰系数”，这可以供决策者根据河流流域传感器覆盖网布局的需要，灵活调整指标权重，从而提升算法的适应性。

主权项

一种基于遗传算法多目标优化的流域传感器覆盖网优化方法，其特征在于包括如下步骤：(1)优化问题描述，针对河流流域传感器覆盖网布局的需要，假设在流域内均匀分布N个水文数据传感器采集节点，构成流域传感器覆盖网；(2)遗传算法参数初始化，并对染色体进行第一代编码，这里采用二进制随机编码方式，0表示不使用水文数据传感器采集节点，1表示使用水文数据传感器采集节点，则对于N个采集节点生成长度为N的二进制串，如下式所示：X＝[x₁,x₂,…,x_N]x_i＝{0,1}(3)计算每个染色体所对应的监测覆盖网适应度，监测覆盖网适应度函数为：f(X)＝w₁f₁(X)+w₂f₂(X)‑w₃f₃(X)‑w₄f₄(X)$f_1\left(X\right)=\frac{1}{N\left(S^{*}\right)}\underset{S_j\in S^{*}}{\Sigma }{(v_{S_j}-{\bar{v}}_{S^{*}})}^2+\frac{1}{N\left(S^{*}\right)}\underset{S_j\in S^{*}}{\Sigma }{(h_{S_j}-{\bar{h}}_{S^{*}})}^2+\frac{1}{N\left(S^{*}\right)}\underset{S_j\in S^{*}}{\Sigma }{(p_{S_j}-{\bar{p}}_{S^{*}})}^2$$f_2\left(X\right)=\underset{S_j\in S^{*}}{\Sigma }{s}_{S_j}/\underset{S_j\in S}{\Sigma }{s}_{S_j}$$f_3\left(X\right)=\underset{S_j\in S^{*}}{\Sigma }{c}_{S_j}/\underset{S_j\in S}{\Sigma }{c}_{S_j}$$f_4\left(X\right)=\underset{S_j\in S^{*}}{\Sigma }{\alpha }_{S_j}/\underset{S_j\in S}{\Sigma }{\alpha }_{S_j}$其中，f₁表示监测节点流域特征系数，f₂表示监测节点传感器网络传输范围系数，f₃表示监测节点传感器使用费用系数，f₄表示监测节点环境干扰系数，S＝{S₁,S₂,…,S_N}表示监测传感器节点集合，S^*＝{S_j,|x_j＝1}表示S的子集，N(S^*)表示S^*的大小，分别表示对应监测节点位置的河流流速、水位和水质，分别表示包括所有监测节点的河流平均流速、平均水位流速和平均水质，水质包括水温、PH值、电导率、溶解氧、叶绿素浓度和浊度。表示监测节点网络数据传输范围，表示监测节点传感器使用费用，表示监测节点环境干扰，w₁、w₂、w₃和w₄分别表示f₁、f₂、f₃和f₄的权重；(4)对计算后监测覆盖网适应度进行排序，并按比例选取最优解；(5)按照轮盘赌方法，选择染色体到下一代染色体群体；(6)对下一代染色体群体执行交叉、变异操作；(7)如果满足终止条件，则结束，否则回到步骤3)继续进行计算，当计算结束时，其所得到的最优解为长度为N的二进制串，该串中的1的位置序号表示经过分布优化计算后所确定的需要使用的监测节点序号，通过其即可获知对于河流局部区域监测所需要采用的监测节点。