一种具有收敛性证明的多目标差分进化框架,基于李雅普诺夫引导自适应用于物联网智慧农业的服务质量优化
《Internet of Things》:A Convergence-Proven Multiobjective DE Framework with Lyapunov-Guided Adaptation for QoS Optimization in IoT-Smart Agriculture
【字体:
大
中
小
】
时间:2026年09月29日
来源:Internet of Things 7.1
编辑推荐:
摘要
物联网(IoT)在智能农业中的快速增长推动了精准监测的发展,同时也引入了一个具有挑战性的多目标设计问题,即在刚性资源和环境约束下优化能耗、时延、覆盖、网络寿命及公平性。在本研究中,我们提出了基于Lyapunov引导的快速自适应差分进化算法(LR-DE),用于图结构无线
摘要
物联网(IoT)在智能农业中的快速增长推动了精准监测的发展,同时也引入了一个具有挑战性的多目标设计问题,即在刚性资源和环境约束下优化能耗、时延、覆盖、网络寿命及公平性。在本研究中,我们提出了基于Lyapunov引导的快速自适应差分进化算法(LR-DE),用于图结构无线传感器网络(WSNs)的约束多目标QoS优化。LR-DE框架融合了成功历史参数控制、Lyapunov引导的多样性调节、精确惩罚约束处理方案和ε-Pareto存档。在Intel Lab数据集上,LR-DE在G=200时每轮均可获得200/200个可行解,保持单连通分量,并显著降低了负载不均衡程度。在研究中,我们同时展示了原始尺度结果以及统一应用于各方法的无量纲最小-最大归一化结果。在G=200时,LR-DE在40次独立运行中展现出最佳公平性,均值±标准差区间较窄。虽然调整复合适应度的基线方法在能耗/时延目标上实现了更低的适应度值,我们通过理论分析建立了LR-DE的稳定性与收敛性特性。最终,LR-DE提供了一种面向部署的优化器,在公平性与可行性的前提下平衡能耗与时延,支持可持续和长寿命的农业物联网系统。
引言
精准农业通过物联网(IoT)[1]、[2]实现了实时感知、自适应灌溉、预测性施肥和作物健康监测。部署在农田中的传感器节点持续监测土壤湿度、温度和湿度等环境变量,并将数据反馈至边缘-云平台进行分析和决策。确保长期覆盖、能耗可持续性和低时延,同时应对节点资源约束的物联网网络设计是一个复杂的多目标问题。当前基于物联网的智能农业网络尽管取得了显著进展,但仍面临多个未解决的挑战:
- 多目标冲突:提高覆盖率会增加能耗并缩短网络寿命。
- 动态环境:农业条件的波动导致网络拓扑和QoS需求不断变化。
- 早期收敛:传统进化优化器在高维组合空间上容易陷入局部最优。
- 缺乏理论保证:现有研究多为启发式方法,缺乏可证明的收敛性、稳定性或复杂度界限。
本关键文献综述中的研究空白如下:
- 大多数多目标优化框架(NSGA-II、MOEA/D)缺乏针对组合式物联网网络设计的收敛性证明和多样性保证[3]。
- 应用于物联网的现有DE变体缺乏自适应参数控制,容易陷入停滞[4]。
- 少数工作[5]将图论连通性约束直接纳入优化模型。
- 约束处理往往是临时的,缺乏精确惩罚公式或可行性保证。
对于精准农业和可持续生产,农业中的物联网网络已被广泛研究。作者[2]提出了一个基于多传感器融合的云端作物监测框架,但未明确进行QoS优化。作者[1]综述了物联网架构,并强调能耗和时延是关键权衡。多目标进化算法(MOEAs)如NSGA-II和MOEA/D已被应用于物联网节点部署[3]、[11],但缺乏形式化收敛性保证,且在组合空间中容易丧失多样性。基于DE的方法也已被探索[4],但大多使用静态参数,容易过早停滞。少数工作使用代数连通性λ2(LG)来建模连通性,直接量化网络鲁棒性[5]。大多数现有工作使用启发式覆盖重叠指标,而未确保连通骨干,存在网络分割和数据丢失风险。已提出多种基于优化的方法来改进WSN和物联网系统的QoS。Moshref等人[12]提出了一种基于增强NSGA的WSN路由方法,专注于能耗、覆盖和QoS改进。Nabavi等人[13]使用多目标灰狼优化来改进WSN中的能耗、时延和路由性能。Jain等人[14]开发了面向数字孪生驱动的6G物联网(IoE)环境的元启发式资源分配方法,而Liu等人[15]将群体学习应用于智能交通系统的动态优化。Zhang和Zhu[16]解决了无线分布式学习系统中的时延和能耗优化问题。最近,Singh等人[17]提出了FL-MOO来优化分布式物联网监测中的能耗、时延和负载均衡。最新的WSN和物联网系统研究关注多目标优化。
进化和群体方法已被用于节点部署、QoS感知服务分配、能耗-时延优化、资源分配以及面向覆盖的物联网监测[6]、[7]、[8]、[9]、[10]。这些研究还识别了学习辅助和应用特定优化。Liu等人[18]展示了面向无人机辅助农业物联网数据收集的多目标优化,同时考虑了无人机部署、轨迹和资源相关决策。Gupta等人[19]提出了面向WSN/IoT优化的多目标框架,而Pushpa等人[20]将深度强化学习与图神经网络融合,以增强动态WSN环境中的覆盖、能耗效率和适应性。这些研究还强调了经验优化性能。联合考虑形式化稳定性引导的多样性调节、约束感知Pareto优化、连通性鲁棒性及对拓扑扰动的适应性的研究尚未被探索,这为提出LR-DE框架提供了动机。然而,大多数现有工作要么仅关注有限的QoS目标,要么仅报告基于适应度的成本,要么未提供明确的收敛性、稳定性、连通性和寿命感知保证。相比之下,所提出的LR-DE在图连通性约束下联合考虑能耗、时延、覆盖、寿命和负载均衡,同时提供理论分析和面向部署的评估。本研究的关键贡献如下:
1. 将面向智能农业的物联网网络设计为图模型上的约束多目标随机组合优化问题。
2. 开发了一种新颖的基于Lyapunov引导的快速自适应差分进化框架(LR-DE),融合了自适应机制、Lyapunov多样性控制、约束主导选择以及ε约束Pareto增强。
3. 建立了LR-DE的形式化收敛性、稳定性、多样性和复杂度证明。
4. 阐明了所提出的LR-DE相对于最先进优化器在智能农业技术中的有效性。
5. 使用了在代数连通性约束下的多目标数学模型,涵盖覆盖、能耗、寿命、时延和定位目标。
6. 所提出的LR-DE框架还融合了Lyapunov引导的多样性保持、自适应参数控制、精确惩罚约束处理以及Pareto存档增强。
7. 大量实验表明LR-DE在解质量、收敛速率和稳定性方面优于NSGA-II、MOEA/D和经典基于DE的方法。
本研究对可持续发展目标(SDGs)做出贡献:SDG 2(零饥饿)通过实现可靠的数据驱动作物监测来提高产量并减少损失;SDG 12(负责任消费和生产)通过优化农业传感网络中的资源使用,特别是能耗;SDG 13(气候行动)通过减少能耗和延长设备寿命来降低频繁更换电池产生的碳排放。
本文的结构组织如下:第2节介绍方法和算法,第3节展示结果与讨论,第4节报告实验分析,第5节展示对比分析,第6节以结论和未来方向作结。
方法论
本节考察了物联网赋能智能农业中的服务质量(QoS)优化框架。在此,我们将物联网架构标准化为基于图的组网系统,并将约束多目标随机组合优化问题进一步形式化,为所提出的LR-DE算法奠定理论基础。
结果与讨论
在Intel Lab数据集上,LR-DE在每轮运行中均产生完全可行的存档(200/200个解)。在G=200时,经过20次独立运行,最优解实现了100%覆盖率并保持连通性。汇总性能指标报告为:能耗=2.396±0.885,时延=5.590±1.737,负载均衡(CV)=0.234±0.099。对应的95%置信区间分别为[2.01, 2.78]、[4.83, 6.35]和[0.190, 0.277]。我们聚焦于能耗-时延权衡的对比分析,因为——
协议与指标
我们在G∈{20,40,…,200}代和S=20个独立种子下评估LR-DE。在每个检查点G处,我们记录每个种子的最佳能耗、最佳时延及其在各代累计至G处的均值。能耗定义为E(x)=∑ixiPiTi,时延定义为D(x)=∑ixiLi,两者均为最小化目标。报告的曲线(能耗vs.代数及时延vs.代数)展示的是逐种子平均值。我们进一步分别报告最佳值和均值趋势,以研究开发与探索动态。
对比分析
我们将LR-DE在G=200时的最终代性能与FL-MOO研究[17]中报告的基线值进行比较。比较以两种形式呈现:原始尺度比较和无量纲归一化比较。在表8中,LR-DE报告了物理指标,即能量(焦耳)、时延(秒)以及负载均衡(以活跃通信图的度变异系数衡量)。相比之下,从[17]中复现的基线值为无量纲适应度成本。
结论
本研究提出了基于Lyapunov引导的快速自适应差分进化算法(LR-DE),用于农业物联网传感器网络的多目标QoS优化。结果表明,基于Lyapunov引导的多样性调节能够在维持计算开销的同时提升搜索稳定性。LR-DE在G=200时实现了完全可行性(200/200个解)和单连通分量连通性,并提供了改进的负载均衡效果。消融研究也展示了基于Lyapunov引导的——
CRediT作者贡献声明
Madhavi Saxena:撰写初稿、方法论、调查、数据整理、概念构思。
Shailendra Pratap Singh:验证、指导、项目管理、数据整理。
Pardeep Kumar:撰写-审阅与编辑、可视化、软件、资源。
利益冲突声明
作者声明他们不存在任何已知的可能影响本文报告工作的财务利益或个人关系。
Madhavi Saxena | Shailendra Pratap Singh | Pardeep Kumar
印度哈里亚纳邦格勒诺伊达IILM大学计算机科学与工程学院,邮编201310
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号