项目名称基于多目标优化的无线传感器网络路由协议研究
项目负责人（签名）_________________________
所在学校（盖章）___________________________
“研究类别”含义：
基础研究：指为获得关于现象和可观察事实的基本原理及新知识而进行的实验性和理论性工作，它不以任何专门或特
定的应用或使用为目的。
应用研究：指为获得新知识而进行的创造性的研究，它主要是针对某一特定的实际目的或目标。
试验发展：指利用从科学研究和实际经验中所获得的现有知识、生产新材料、新产品、新装置、新流程和新方法，或
对现有的材料、产品、装置、流程、方法进行本质性
的改进而进行的系统性工作。
推广应用、科技服务：指与研究与发展活动相关并有助于科学技术知识的产生、传播和应用的活动。
所消耗的能量，l表示消息的长度，
hsink
111
(d)
W W n
t ih
t t i
CD d d
===
==+
∑∑∑
③目标模型f3（网络能量消耗E），其中对于每一个簇来说，
1
n
Tjh
j
E
=
∑表示n个成员节点将数据传输给簇头节点消耗的能量，nE R表示簇头节点接收n个成员节点传输的数据所消耗的能量，E Thsink表示簇头节点将数据传输到Sink节点所消耗的能量。其数学表达式为：
sin
11
=()
W n
Tjh R Th k
i j
E E nE E
==
++
∑∑
2、构建优化的和声搜索算法
和声搜索算法( harmony search，HS) 是Geem Z W等人提出的一种启发式智能优化算法，具有收敛速度快、实现简单等优点，在许多组合优化问题中得到了成功应用。其算法思想源于模拟音乐家音乐创造的过程，通过将优化问题的决策变量类比于乐器的音调，解向量类比为各种乐器音调的和声，优化目标类比为评价函数，种群类比为和声记忆库，对问题进行优化求解。
HS算法首先初始化和声记忆库( harmony memory，HM)，对于每一个新产生的解分量，以概率HMCR( harmony memory considering rate)在HM内取值并以概率PAR( pitch adjusting rate)进行局部扰动，以概率1-HMCR在变量可能值域中取值，生成新的解。若产生的新解目标函数值优于HM内的最差解，则用新解替换最差解。算法不断运行直至收敛或达到最大迭代次数。研究表明：HS算法是单个体迭代算法，具有迭代速度缓慢、易陷入局部最优以及求解质量不高等缺陷，针对分簇路由协议中的多目标优化问题，需要采用改进的二进制和声搜索算法，主要步骤如下：
1）编码方案设定。采用二进制编码方式，编码的长度为N(与部署节点的数目相同) ，其中“0”表示成员节点，“1”表示簇头节点，在数据传输的过程中，用“-1”表示能量已耗尽的死亡节点。
编码示意图
2）初始个体及HM的产生：初始时，簇头节点在全网所有节点中随机产生，其余节点选择加入与其距离最近的簇头节点，成为其成员节点。算法运行后簇头节点的选择依据与Sink节点距离f1、簇距离f2，网络能量消耗f3以及节点的剩余能量4个参数确定。和声记忆库HM的初始化按照前面的编码方式进行初始化：
{}{}{}
1,11,21,11,N 2,12,22,N 12,1,11,21,N 1HMS 1,N HMS,1HMS,2,1,N ,......=...............
...x x ...0,1,1,2,...,,j 1,2,...,N N HMS HMS HMS HMS N HMS i j x x x x x x x x HM x x x x x x x i HMS N --------⎡⎤
⎢⎥⎢⎥
⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦
∈∈∈ 由于HM 中的每个个体都是随机产生，因此可根据系统分簇的数量和每个簇只有一个簇头的规则去验证种群X i = { x i,1,x i,2,…,x i,N }的有效性，对于不符合要求的簇，可重新产生簇头节点加以解决。
3）生成新和声：接下来按照下面规则产生新和声Hi = { h i,1，h i,2 ，…，h i,N } 。
{
,,{1,2,...,HMS},r HMCR
,,0'0.51,=
i j x i i j R r h R ∈<<⎧=⎨
⎩其他
，其他
其中：r 和r' 为( 0，1) 之间的随机数，对新和声加入随机扰动，原始的离散和声算法在执行此步骤时已退化为类似遗传算法中的变异操作，这将降低离散和声算法的全局优化能力。针对这一缺点，课题将提出全局共享因子的概念，它是一种仅随迭代次数非线性动态变化的共享因子。由于它是由较小的初值迅速增大到一个稳态值，因此可以抑制随机性音调微调的随机性，较好的增强算法的全局优化能力。
同时传统的HS 算法的参数HMCR 和参数PAR 为固定值，不能根据算法进化过程中目标函数的特点变化。针对这个缺点，本课题提出一种改进的自适应的缩放因子，使得参数PAR 随着迭代次数逐渐增大，这样有利于算法在迭代初期进行全局搜索，到后期在局部范围内寻找Pareto 最优解。而参数HMCR 随着迭代次数逐渐减小，这样使算法在迭代初期可以对和声记忆库内进行充分搜索，随着迭代次数增加，逐步转到HM 外进行搜索，提高种群的多样性。
4） 适应度函数及个体选择。对于种群的每个个体γ，定义其初始适应度为：
112233()f f f f γωωω=⨯+⨯+⨯
式中：ω1、ω2、ω3为子函数相应的权值，初始权值由系统随机产生，且ω1 + ω2 + ω3 = 1。因此在算法的求解过程中，选择与随机线性加权策略随机产生权值不同的方法，本课题将使用子目标函数权值根据进化过程中个体的演化过程作自适应的调整的策略，每个子目标函数的权值为：