技术摘要：
本发明公开了一种基于改进灰狼算法的智能电表无线传感器网络布局方法，包括：S1、设狼种群包括原种群和协助种群，初始化参数，包括原种群规模M、协助种群规模M、最大迭代次数Itermax、搜索空间维度N及搜索空间上界ub和下界lb；S2、初始化原种群和协助种群的灰狼位置；S  全部
背景技术：
长期以来，供电企业电能数据的抄表都是人工抄表方式，这样大量需要人力物力， 同时在综合布线上也存在困难和不美观性。随着电力负荷的急剧增长，用电企业纷纷将小 区居民的用电管理业务交还给供电企业，因此电力企业对电表要求也增多，自动抄表技术 的研究和产品的开发势在必行。 目前，基于无线传感器网络的数据采集系统可以通过各种仪器采集仪表数据等仪 表信息。该信息通过无线传感器网络以无线方式发送到用户终端。这项技术的诞生极大地 降低了电力工作者的工作量。基于无线传感器的电网监测系统可以监测，控制和读取用电 单元或现场的电表，并将现场情况显示在中央计算机监控系统中，并对其进行实时数据采 集和控制网站。 通常通过无线传感器网络节点监测智能电表的数据，节点监测到的信息传送到基 站，所以无线传感器网络节点的布局优化是一个关键性的问题，传感器节点的网络生命周 期和覆盖能力的高低直接关系到无线传感器网络传送信息的质量。为了降低无线传感器网 络的覆盖盲区并提高节点获取信息能力，必须合理布局无线传感器网络节点。群智能算法 是最近新兴的一种优化方法，该算法不需要集中控制，算法的结构简单容易理解和实现，群 智能算法的提出解决了无线传感器网络覆盖的问题，但最为流行的群算法包括粒子群算法 (PSO)、差分进化算法(DE)和遗传算法(GA)等算法对于无线传感器网络覆盖的优化效果有 限。 2014年，Mirjalili等人提出了一种新型的群智能优化算法——灰狼优化算法 (GreyWolfOptimizer，GWO)，相比于PSO、DE和GA等算法，GWO已被证明具有更为合理的全局 最优解搜索机制，算法运行稳定性更强，求解精度更高。但是，它存在着容易早熟收敛、面对 复杂问题优化精度不高等缺点，国内外大量学者对其进行了改进研究。Zhu等人为了增强标 准灰狼算法的全局搜索能力，避免陷入局部最优，将DE算法与GWO算法进行融合，成功提高 了GWO的性能；Pradhan  M等人将反向学习的概念引入到GWO中，提出了反向灰狼优化算法 (OGWO)，提高了算法的收敛速度；T.Jayabarathi等人将交叉算子，突变算子融入GWO算法 中，提高了GWO算法的性能；龙文等人引入佳点集理论生成初始种群，并对当前最优灰狼个 体进行Powell局部搜索，提出一种改进的灰狼优化(IGWO)算法用于求解约束优化问题。虽 然大量学者对灰狼算法进行了改进，但算法优化传感器布局的能力还有待提升。
技术实现要素：
为了解决上述问题，本发明提出一种基于改进灰狼算法的智能电表无线传感器布 局方法。 5 CN 111586607 A 说　明　书 2/8 页 本发明克服其技术问题所采用的技术方案是： 一种基于改进灰狼算法的智能电表无线传感器网络布局方法，包括如下步骤： S1、设狼种群包括原种群和协助种群，初始化参数，所述参数包括原种群规模M、协 助种群规模M、最大迭代次数Itermax、搜索空间维度N以及搜索空间上界ub和下界lb； S2、分别初始化原种群的灰狼位置和协助种群的灰狼位置； S3、分别计算原种群和协助种群中每只灰狼的适应度值fit，并分别选择两个种群 中前三个适应度值最好的狼作为决策狼，然后保存它们的位置； S4、分别对原种群和协助种群中的决策狼的位置进行扰动； S5、将原种群和协助种群中的所有决策狼进行排序，选择前三只适应度值最高的 狼并保存其位置； S6、原种群和协助种群分别进行位置更新，其中，协助种群的收敛因子 保持固定 值2； S7、判断是否满足迭代终止条件：若满足，则输出α狼的位置 作 为无线传感器的布局坐标；若不满足，则重复步骤S3-S6。 进一步地，步骤S2中， 设原种群的灰狼位置为 设协助种群的灰狼位置为 进一步地，步骤S3具体包括：以智能电表无线传感器的覆盖率的函数值作为每只 灰狼的适应度值fit。 进一步地，智能电表无线传感器的覆盖率的函数计算步骤如下： 设监测区域A为二维平面，将X个参数相同的传感器节点随机布置在区域A中，每个 节点的坐标已知，形成的传感器坐标集合为C＝{c1,c2,c3,...,cX}，其中，ci＝{xi,yi} ,i＝ 1,2,...,X，监测半径为r；将监测区域A离散化为m×n个像素，设其中任意一个像素点的坐 标为p(x，y)，则目标像素点与传感器ci的距离为： 将像素点(x，y)被传感器节点i所覆盖的事件定义为ri，记该事件发生的概率为P (ri)，其公式为： 公式(2)表示，如果像素点(x，y)与传感器节点i的距离大于r时，则传感器节点i没 有覆盖像素点，否则该像素点被覆盖； 公式(3)中， 为ri的补，公式(3)表示像素点(x，y)没有被传感器节点i覆盖的概 6 CN 111586607 A 说　明　书 3/8 页 率； 将像素点(x，y)被传感器节点j所覆盖的事件定义为rj，假设ri与rj不相关，则像素 点(x，y)被传感器节点集C覆盖的概率公式为： 公式(4)表示，如果所有的传感器节点都没有覆盖到像素点(x，y)，则该像素点(x， y)为未覆盖点，否则，该像素点(x，y)被传感器节点集覆盖； 已知将监测区域划分为m×n个网格，每个网格占用一个单位面积，每个网格被传 感器节点集覆盖的概率为Pcov(x,y,C)，则用传感器节点集所覆盖的面积Area(C)除以整个 假定监测区域的面积As，即为该智能电表无线传感器的覆盖率： 进一步地，步骤S4中，对原种群中的决策狼进行位置扰动与对协助种群中的决策 狼的位置进行扰动的方法相同，对其中任意一个种群中的决策狼进行位置扰动具体包括如 下： 设任意一个种群的三只决策狼分别为α、β和δ，然后将α、β和δ三只决策狼的位置分 别乘以N个不同的随机扰动向量，如下： α狼乘以N个不同的扰动向量后得到α1、α2、…、αN，β狼乘以N个不同的扰动向量后得 到β1、β2、…、βN，δ狼乘以N个不同的扰动向量后得到δ1、δ2、…、δN，共3×N 3只决策狼，公式如 下： 式(6)-(8)中，中i＝1,2,…,N； 和 代表第i只α、β和δ备用决策狼的位 置。 进一步地，步骤S6中，原种群的位置更新方法与协助种群的位置更新的方法相同， 其中任意一个种群的位置更新方法具体如下： 将任意一个种群的狼群分为α、β、δ、ω四个等级，前三个等级α、β、δ依次是适应度 从高到低排列的三只决策狼，并且这三只决策狼指导ω组狼群向着目标搜索，第i只灰狼个 体分别与α、β和δ狼之间的距离如下： 7 CN 111586607 A 说　明　书 4/8 页 公式(9)-(11)中， 和 分别代表α、β和δ的当前位置； 和 为随 机向量， 为模取[0,1]之间的随机向量； 为当前第i只灰狼 所在的位置向量，i＝1,2,…,M； 下一个时刻第i只灰狼子代的更新位置为 其更新方式如下： 公式(15)表示第i只灰狼个体的更新方式，公式(12)-(15)中，t为当前迭代次数， 和 为系数向量， 为模取[0,1]之间的随机向 量， 是收敛因子， 其中，t为当前迭代次数， 在迭代过程中从2下降 到0。 本发明的有益效果是： 本发明针对标准灰狼算法自身的缺点，提出在标准灰狼算法中加入协助种群策略 和决策狼扰动策略，以此来平衡算法的局部搜索精度与全局搜索能力，并在此基础上设计 一种改进的灰狼算法。将改进的灰狼算法应用到智能电表无线传感器网络中的覆盖优化问 题当中，通过对无线传感器网络的布局优化，使得传感器节点最大限度的发挥了自身作用， 不仅很大程度上消除了监测区域内存在盲点的问题，也更大限度的实现了资源的有效配 置，降低了无线传感器网络的维护成本。 附图说明 图1为灰狼狩猎行为示意图。 图2为本发明实施例所述的基于改进灰狼算法的智能电表无线传感器网络布局方 法的流程图。