一，课题来源

本课题来自自拟。

二，课题研究的目的，意义

我国每年自然灾害造成的损失较大，每年因自然灾害的直接经济损失仍达到数千亿元。应急通信主要解决突发自然灾害或重大群体性事件时信息的连通与及时传递。应急通信体系在城市运转遭到突发灾害或事故时，承担及时，准确，畅通地传递第一手信息。但由于自然灾害所造成的损失具有不确定性，重大灾害地区难免需要简易便捷的应急通信设备来进行暂时必要的通信服务。本项目旨在解决灾害地区在未恢复正常通信前的即时通信的节点选择问题。

对于节点寻址而言，利用无人机航路规划进行。航路规划是无人机实现自主飞行的基础，是典型的多目标大范围优化问题。梯度法收敛速度快，但对目标函数要求高，且容易陷入局部最优解，动态规划算法能够求得最优解。但维数越大，计算量越大；遗传算法稳定性强，但收敛速度不快，容易早熟；稀疏A*算法能够减少搜索空间，但求解时间随着规划空间的增大越来越长。所以，本项目结合遗传算法，对粒子群算法的进行优化，从而获得目标函数的最优解，找到节点中继的最佳位置。

粒子群算法也存在一些缺陷，如早熟收敛，算法后期易陷入局部寻优。学者们为此做出大量的研究，其中针对算法中的参数调整和通过控制种群多样性来提高算法的性能是对粒子群算法（Particle Swarm Optimization, PSO）算法改进的两个主要方向。现有的改进策略虽然从不同的方面对粒子群算法性能进行了提升，但有些算法改进策略较为复杂，难以应用于实际工程中且部分改进算法收敛速度较慢。

结合不同学者对PSO算法的分析以及改进思路，本课题拟设计一种动态调整惯性权重的粒子群算法(Improve Dynamic Intertia Particle Swarm Optimization，IDWPSO)。采用指数函数，并加入符合贝塔分布的随机调整策略。引入差分进化算法中的交叉和变异操作来保持算法种群的多样性，降低算法陷入局部寻优的可能性。结合实际情况，将粒子群算法通过改进应用于寻找应急通信中继节点上。

三，课题的国内外研究现状和发展动态

粒子群算法源于复杂适应系统（Complex Adaptive System，CAS）。CAS理论于1994年正式提出，CAS中的成员称为主体。比如研究鸟群系统，每个鸟在这个系统中就称为主体。主体有适应性，它能够与环境及其他的主体进行交流，并且根据交流的过程“学习”或“积累经验”改变自身结构与行为。整个系统的演变或进化包括：新层次的产生（小鸟的出生）；分化和多样性的出现（鸟群中的鸟分成许多小的群）；新的主题的出现（鸟寻找食物过程中，不断发现新的食物）。

从PSO被提出以来，就引起了众多学者和工程技术人员的注意，国内外科学家都在不断的优化粒子群算法。

六，课题研究的进度安排

第1周（2.17-2.23）：完成开题材料提交，查找毕设所需材料；

第2周（2.24-3.1）：搭建软件平台，安装并掌握Zigbee开发部件的基本使用；

第3周（3.2-3.8）：学习Zigbee传感器工作原理，了解现有传感器精度及优缺点；

第4周（3.9-3.15）：搭建Zigbee传感器中继节点；

第5周（3.16-3.22）：学习粒子群算法的基本原理和特征；

第6周（3.23-3.29）：初步设计粒子群算法使其满足中继节点选取的基本需求；

第7周（3.30-4.5）：初步编写粒子群算法代码；

第8周（4.6-4.12）：设计粒子群算法优化措施，实现其赋权值操作并编写代码；

第9周（4.13-4.19）：设计粒子群算法多点记录算法；

第10周（4.20-4.26）：中期检查，基本完成粒子群算法的初始优化工作；

第11周（4.27-5.3）：调试粒子群算法，优化算法运算速度和精度；

第12周（5.4-5.10）：测试算法，寻找算法漏洞，完善算法；

第13周（5.11-5.17）：综合测试粒子群算法与Zigbee传感器节点位置选择的结合；

第14周（5.18-5.24）：优化整体装置，完善不足之处；

第15周（5.25-5.31）：开始论文撰写；

第16周（6.1-6.7）：修改论文，进行答辩；

第17周（6.8-6.14）：整理并提交各类材料。

七，主要参考文献

[1]付章杰,王帆,孙星明,王彦.基于深度学习的图像隐写方法研究[J].计算机学报,2020,43(09):1656-1672.

[2] 梁辉.图像隐写与隐写分析算法研究[D].华南理工大学,2019.

[3] 李旋,陈妍. 隐写术在网络空间安全中的应用与分析测试方法[A]. 公安部网络安全保卫局.2019互联网安全与治理论坛论文集[C].公安部网络安全保卫局:《信息网络安全》北京编辑部,2019:5.

[4] 张澈. 数字图像隐写技术的研究及安全隐写方法的技术实现[D].北京化工大学,2012.

[5] 李韬,平西建.一种基于图像内容的隐写分析方法[J].应用科学学报,2013,31(04):394-401.

[6] 肖晶晶,鲁琴.基于视觉效应的自适应图像隐写算法[J].测试技术学报,2012,26(01):9-14.

[7] 周琳娜,吕欣一.基于GAN图像生成的信息隐藏技术综述[J].信息安全研究,2019,5(09):771-777.

[8] 于丽芳.JPEG图像隐写术研究[D].北京交通大学,2013.

[9]韩晓磊. 基于深度学习的图像隐写分析方法研究[D].河南工业大学,2020.

[10] 葛秀慧,胡爱华,田浩,王嘉祯.隐写术的研究与应用[J].计算机应用与软件,2007(11):57-60.

[11] Li Li, Zhang Weiming, Qin Chuan, et al. Adversarial batch image steganography against CNN-based pooled steganalysis. 2021, 181

[12] Banerjee Soumyendu, Singh Girish Kumar. A new approach of ECG steganography and prediction using deep learning. 2021, 64

[13] Yao Yuanzhi, Yu Nenghai. Motion vector modification distortion analysis-based payload allocation for video steganography. 2021, 74

[14] Chen Bolin, Luo Weiqi, Zheng Peijia, et al. Universal stego post-processing for enhancing image steganography. 2020, 55

[15]Lin Juan,Horng Ji Hwei,Liu Yanjun,Chang Chin Chen. An Anisotropic Reference Matrix for Image Steganography[J]. Journal of Visual Communication and Image Representation,2020(prepublish).

粒子群优化算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能 的一种。一般由PSO初始化，粒子数，粒子的长度，粒子的范围，，学习因子，中止条件等参数组成。粒子群算法具有搜索速度快，效率高，算法简单，适合于实值型处理等优点，应用前景十分广泛。但是存在对于离散的优化问题处理不佳，容易陷入局部最优等问题，所以本小组旨在优化粒子群算法，尽可能使其更加完善。

在粒子群算法中，每个个体称为一个粒子，粒子是待求解问题的潜在可能的解，粒子种群由若干个粒子组成。粒子群算法的基本原理是粒子种群在搜索空间以一定的速度飞行, 每个粒子在搜索时，考虑自己搜索到的历史最优位置和种群内其他粒子的历史最优位置, 在此基础上进行位置的变化。

设 为粒子i的位置矢量， 为粒子i的飞行速度， 为粒子i搜索到的最优位置，为整个粒子种群搜索到的最优位置。

粒子速度和位置迭代方程如下：

其中i为粒子序号，k是迭代次数， 和是随机数，取值范围为0~1，这两个参数用来保持种群的多样性。w为惯性因子，反映粒子当前速度对之后速度的影响，起到了平衡全局搜索和局部搜索的作用。为正的常数，称为学习因子，使粒子具有自我总结和向种群中优秀个体学习的能力，从而不断向自己的历史最优位置以及种群的历史最优位置靠近。式子(4-1)是粒子根据它上一次迭代的速度，它当前位置与自身最好位置以及种群最好位置之间的距离来更新速度。然后粒子根据式子(4-2)飞向新的位置。

（二）拟采用方案

方案分为两阶段，第一阶段主要研究ZigBee节点，使其完成中继节点任务。第二阶段主要进行优化粒子群算法。

粒子群算法的影响因子主要有PSO初始化，粒子数，粒子的长度，粒子的范围，，学习因子，中止条件等参数组成。本项目在粒子群算法的精度上主要优化方式是通过对惯性因子w的优化以及点数，最大通信距离，权值的设定进行综合优化。

惯性因子w起着平衡算法的全局搜索能力和局部搜索能力的作用。较小的惯性因子w(w< 0.8)可以使算法的局部搜索能力较强；较大的惯性因子w(w>1.2)使算法有较强的全局搜索能力。因此选择一个合适的动态惯性因子十分重要，通过对算法的对比以及寻找资料，我打算选择了迭代渐变的惯性因子w。

固定的学习因子，并不利于提高精度。相比较于此采用动态的意义就十分明显。所以我拟采用了Ratnaweera 等人研究了可变学习因子对PSO 算法性能的影响，定义的和如下：

其中N为最大迭代次数，niter当前迭代次数。

算法方面，目前拟采用信息量的多少来计算最优节点，将每一个节点根据其重要性来赋予其不同的权值（信息量的多少），而不再计算其时延上的大小（即节点间距离不再作为一个效率参考量，而仅仅是一个能否满足其覆盖范围的判断量），这样的话选取节点的参考式变为越大越好，即可以有多个相同的值且并不会再同一区域。考虑到节点重要性不同，以及节点间的通信数量，传递信息量和多节点循环情况下最大覆盖范围对节点选取进行优化选择，选取比较多个节点间循环与单节点固定的信息交流。