基于深度Q学习的无线传感器网络目标覆盖问题算法

针对求解无线传感器网络目标覆盖问题过程中存在的节点激活策略机理不明确、可行解集存在冗余等问题,提出一种基于深度Q学习的目标覆盖算法,学习无线传感器网络中节点的调度策略.首先,算法将构建可行解集抽象成Markov决策过程,智能体根据网络环境选择被激活的传感器节点作为离散动作;其次,奖励函数从激活节点的覆盖能力和自身剩余能量考虑,评价智能体选择动作的优劣.仿真实验结果表明,该算法在不同规模的网络环境下均有效,网络生命周期均优于3种贪婪算法、最大寿命覆盖率算法和自适应学习自动机算法.

无线传感器网络中最大集合覆盖的最优解

无线传感器网络因其广泛的应用而成为众多学者竞相研究的领域。特别是WSN中传感节点的最大集覆盖(MSC)问题被提出至今一直被许多研究人员研究,MSC问题旨在降低能耗并延长WSN的使用寿命。原MSC问题的主要模型形式是非线性整数规划问题,非线性整数规划已被证明是一个NP-Complete问题。由于很难找到原MSC模型的最优解,所以大多数文献都集中在启发式方法上。虽然这个策略在一定意义上提供了一些有用的解决方案,但就MSC问题而言,往往不是最佳解决方案。原MSC问题用等价的线性规划问题来描述。新MSC模型极大简化了原MSC问题,并且可以高效地计算出新MSC问题的最优解。通过一个简单的例子,描述了基于图论建模过程的细节。针对大规模、随机部署的无线传感网络,新MSC模型完全具有普适性。由于现实中部署的无线传感网络具有节点数量多、节点部署随机性强的特征,即使是新MSC模型涉及的变量与约束的数量依然十分庞大,若采用传统的单纯型方法求解新MSC模型的线性规划问题,效率将十分低下,所以使用了效率更高的内点法求解。仿真表明,通过内点算法求解新MSC问题是非常高效的。