基于改进GA-PSO算法的三维WSN气体源定位研究_黄浪尘.pdf

ISSN 1006 7167CN 31 1707/TESEACH AND EXPLOATION IN LABOATOY第 41 卷 第 12 期Vol41 No122022 年 12 月Dec 2022DOI:10 19927/j cnki syyt 2022 12 027基于改进 GA-PSO 算法的三维 WSN 气体源定位研究黄浪尘，许诺，张诚(湖南工业大学 电气与信息工程学院，湖南 株洲 412007)摘要:在三维空间针对不同风场下采用无线传感器网络(WSN)定位泄漏气体源问题，提出一种基于风场特征与 bounding-box 方法的改进遗传-粒子群(GA-PSO)算法。利用 bounding-box 方法对粒子群搜索空间进行优化处理，减少 GA-PSO 算法随机搜索产生的无效运算;根据气体湍流扩散模型模拟不同风场特征下气体浓度分布，提出风速修正权重，提高 GA-PSO 算法搜索目的性。在不同三维风场下将改进 GA-PSO 算法与多种气体源定位算法进行对比，仿真结果表明，改进 GA-PSO 算法得到的定位点在无风条件下的平均相对误差为 2 66%，有风条件下的平均相对误差为 2 84%，定位准确度普遍优于常规算法。关键词:无线传感器网络;改进 GA-PSO 算法;气体源定位;三维风场特征;气体湍流扩散模型中图分类号:TP 391文献标志码:A文章编号:1006 7167(2022)12 0138 06esearch on 3D WSN Gas Source Location Based onImproved GA-PSO AlgorithmHUANG Langchen，XU Nuo，ZHANG Cheng(School of Electrical and Information Engineering，Hunan University of Technology，Zhuzhou 412007，Hunan，China)Abstract:An improved genetic particle swarm optimization(GA-PSO)algorithm based on wind field characteristics andbounding box method is proposed to locate the leakage gas source using wireless sensor network(WSN)in 3-dimensionalspace The bounding box method is used to optimize the particle swarm optimization search space，and to reduce theinvalid operation caused by random search of GA-PSO algorithm According to the gas turbulence diffusion model，thegas concentration distribution under different wind field characteristics is simulated，and the wind speed correctionweight is proposed to improve the search purpose of GA-PSO algorithm The improved GA-PSO algorithm is comparedwith a variety of gas source location algorithms under different 3-dimensional wind fields The simulation results showthat the average relative error of the location point of the improved GA-PSO algorithm is 2.66%under windlessconditions and 2.84%under windy conditions The location accuracy is generally better than other algorithmsKey words:wireless sensor network;improved GA-PSO algorithm;gas source location;3-dimensional wind fieldcharacteristics;gas turbulent diffusion model收稿日期:2022-04-19作者简介:黄浪尘(1969 )，男，湖南株洲人，硕士，高级工程师，主要研究方向为智能控制、自动化技术。Tel:13973348652;E-mail:1721847840 qq com0引言实验室中的实验用品种类繁多、关系复杂，生物、化学等专业的实验室更是不乏有毒有害、易燃易爆的实验试剂与实验气体1，一旦发生意外事故导致实验气体泄漏，短时间内很难察觉并排除，这给实验人员的第 12 期黄浪尘，等:基于改进 GA-PSO 算法的三维 WSN 气体源定位研究安全带来了极大的隐患2。对于泄漏气体源的定位、排查成为处理气体泄漏事故的关键，应用准确高效的气体源定位算法可有效降低事故危害。当前泄漏气体源定位方法主要有无线传感器网络法3-4、机器人定位法5-6、无人机定位法7 等。机器人定位法主要应用于二维平面，不易推广到三维空间，且机器人移动受地形影响较大，存在搜索死角;无人机定位法不易在充满障碍物的室内飞行，且在飞行过程中有可能引爆泄露的易燃易爆气体;无线传感器网络法相对而言具有部署成本低、符合三维空间气体扩散特性、受室内地形与障碍物影响较小等优点。无线传感器网络(wireless sensor network，WSN)利用分布式气体传感器监测室内多个固定位置的气体浓度，根据气体浓度与相应监测传感器的空间坐标对泄漏气体源进行源强反算8。常见的源强反算算法包括三边定位法、最小二乘法、加权质心法等。近年来，有关群智能算法的研究逐渐深入，将群智能算法应用于气体源定位问题取得了重要成果9。在无风条件下，郑艳华等10 采用加权质心法对室内泄漏气体源进行定位，根据多个传感器的测量值与权重得到预测源点，以预测源点为中心遍历周围小块区域，搜索出最符合实际测量值的位置作为定位结果;黄晓明等11 提出一种基于传感网络和种群保优破坏自我修复的改进遗传算法，通过破坏传统遗传算法的自修复机制抑制种群早熟收敛，更为准确地定位泄漏气体源。在有风条件下，陈立伟等12 依据气体浓度测量结果得到泄漏气体源潜在范围，采用最小二乘法遍历潜在范围中的位置，求取泄漏气体源坐标最优解;张苗苗等13 提出一种改进的加权质心定位算法，根据风速对气体扩散的影响，将风速作为权值因子，可适用不同风速和风向场景下泄漏气体源定位。本文提出一种基于风场特征与 bounding-box 方法的改进遗传粒子群(Genetic Algorithm-Particle Swarm Optimization，GA-PSO)算法。在三维风场空间中，将改进算法与多种定位算法相对比，测试表明，本文提出的改进算法在定位准确度和定位效率两方面都普遍优于常规算法。1气体扩散模型1.1无风扩散模型气体扩散模型应根据环境条件和气体泄漏特点建立。在无风环境下，当泄漏气体是连续泄漏点源时，气体扩散模型一般采用源于高斯模型的气体湍流扩散模型。根据菲克扩散定律可推导出无风条件下的经典气体扩散方程Ct=k 2C(1)式中:C(x，y，z，t)为 t 时刻(x，y，z)坐标处的气体浓度，mg/m3;k 为扩散系数，m2/s。从初始时刻 t0开始，在初始位置(x0，y0，z0)处，气体以源强 Q 向周围扩散，由初始条件可推导出气体扩散函数C(x，y，z)=Q4kderfcd2k(t t0)(2)式中:d 为(x，y，z)到初始位置(x0，y0，z0)的距离;erfc()为误差补偿函数。在实际监测定位时，通常气体扩散已达到平衡状态，在气体扩散函数中表现为 t，因此可将函数简化为C(x，y，z)=Q/(4kd)(3)图 1 为无风情况下在泄漏点源平面上扩散气体的浓度分布情况。图 1无风情况下扩散气体的浓度分布1 2有风扩散模型无风扩散模型常受到实际应用场景限制，模型实用性较差。在实际气体监测场景下，自然风对气体扩散的影响通常难以忽略，有风条件下的气体扩散方程Ct=k 2C vC(4)式中，v 为三维风速向量(vx，vy，vz)。与无风扩散模型同理，根据式(4)推导出有风情况下气体扩散公式C(x，y，z)=Q4kdexpvd vr2()k(5)式中，r 为(x，y，z)指向(x0，y0，z0)的方向向量。图 2 所示为当 v=vx时在泄漏点源平面上扩散气体的浓度分布情况。图 2有风情况下扩散气体的浓度分布图 2 对应的有风情况下气体扩散公式C(x，y，z)=Q4kdexpvxd vx(x x0)2k(6)931第 41 卷2GA-PSO 融合算法2 1PSO 算法将 PSO 算法应用于气体源定位问题，PSO 算法初始化生成 n 个粒子，则第 t 代第 i 个粒子的位置信息和移动速度分别为:Pti=x，y，zT(t，i)(7)Vti=vx，vy，vzT(t，i)(8)迭代时粒子速度更新与粒子位置更新分别为:Vt+1i=Vti+c1r1(pbesti Pti)+c2r2(gbest Pti)(9)Pt+1i=Pti+Vt+1i(10)式中:为惯性权重;c1、c2为个体认知参数与社会认知参数;r1、r2为随机数;pbesti、gbest为个体最优粒子与全局最优粒子。设 n 个监测结点与某个粒子的空间距离分别为d1、d2、dn，由式(3)、(5)得到以该粒子位置为气体源情况下各个监测结点处的理论气体浓度 c1、c2、cn。n 个监测结点处实际测量的气体浓度值为 C1、C2、Cn，将适应度函数 f 定义为浓度误差之和，即f=ni=1Ci ci(11)由适应度函数定义可知，粒子的适应度值越小，粒子距离气体泄漏点越近。每代粒子迭代完成后根据适应度值更新个体最优解 pbesti、全局最优解 gbest，不断迭代直至达到最大迭代次数 T。2 2融合算法在基本 PSO 算法中选择性地引入 GA 算法中的交叉、变异、自然选择操作。令适应度较优的粒子之间相互交叉，加快局部收敛速度;令适应度较差粒子自我变异，提高全局搜索能力14。在交叉操作中，随机交换两个粒子的 x、y 或 z 坐标值;在变异操作中，根据变异概率随机改变粒子的坐标值。即:Pc=fmax fifmax fmin(12)Pm=fi fminfmax fmin(13)式中:Pc为粒子交叉概率;Pm为粒子变异概率;fmax为每一代粒子最大适应度值;fmin为每一代粒子最小适应度值。在改进算法中，粒子群在每一代实际上进行了 2次种群迭代。第 1 次是粒子根据惯性参数、个体认知、社会认知对粒子速度和位置进行迭代;第 2 次是交叉变异后种群扩增，通过自然选择淘汰适应度值较差粒子;为减少计算以提高算法效率，两次迭代只需要在自然选择时计算 1 次适应度值，同时更新全局与个体最优粒子，在下一轮根据适应度值对粒子采取交叉或变异操作时，仍使用原适应度值。第 1 次迭代在上一轮产生的相对适应度值较优的种群中进行，为避免种群陷入局部最优解，应提高惯性权重、个体认知的比重，进而提高算法的全局搜索能力。第 2 次迭代有几率更新当前种群最优粒子，并且淘汰了当前种群中已知的较差粒子，避免较差粒子影响种群下一代整体适应度值。3算法改进策略3.1搜索空间优化处理利用传统的群智能算法进行源强反算需要在整个气体泄漏空间内进行搜索，而远离气体源的适应度值平庸的粒子耗费了大量的计算资源，导致算法收敛速度慢、搜索效