改进蚁狮算法的无线传感器网络覆盖优化

发布时间：2021-06-20 16:52

　　为了有效提高无线传感器网络的节点覆盖率,提出一种基于混合策略改进蚁狮算法的网络覆盖优化方法。首先,利用连续性边界收缩因子提高算法的搜索遍历性,加快收敛速度;其次,在精英化阶段引入动态权重系数,以平衡算法的全局探索与局部开发能力;然后,结合早熟收敛判断机制与动态混合变异方法,使算法能够有效跳出局部最优。通过在12个基准函数上的对比实验,验证了改进策略的有效性。最后,将该算法应用到无线传感器网络覆盖优化中。实验结果表明,相比其他文献中的优化算法,该算法提高了网络覆盖率,优化节点分布更加均匀。 

【文章来源】：传感技术学报. 2019,32(02)北大核心CSCD

【文章页数】：10 页

【部分图文】：

优化后节点分布

第2期徐钦帅，何庆等:改进蚁狮算法的无线传感器网络覆盖优化利用MS-ALO算法对该区域进行20次覆盖优化，取平均覆盖率对比。表7给出了ALO算法、MS-ALO算法与IGWO算法平均覆盖率优化结果对比。图5和图6分别为ALO算法和MS-ALO算法优化后该区域节点分布图和收敛曲线图。表7覆盖率优化结果对比算法覆盖率IGWO［3］94．28%ALO91．07%(Mean)MS-ALO96．45%(Mean)图5优化后节点分布图6覆盖优化收敛曲线由表7可知，MS-ALO算法进行20次覆盖优化的平均覆盖率相比IGWO算法和ALO算法分别提高了2．17%和5．38%。在图3所示节点分布中，ALO算法优化后区域节点覆盖盲区较大，MS-ALO算法优化后节点分布更加均匀，改善了文献［3］中IGWO算法节点区域聚集现象。在收敛速度方面，已知文献［3］中IGWO算法在100代时已经收敛，而由图4可知，MS-ALO算法在100代时平均覆盖率为91．52%，相比IGWO算法降低了2．76%，且在550代时收敛。虽然本文算法的收敛速度差于IGWO算法，但由于改进的边界收缩因子随着算法迭代进化而快速连续增大，从图4可以看出，本文算法相比基本ALO算法提前了300代收敛，收敛速度有了较大提升。5．2．4与VF-CS算法对比参数设置与文献［4］相同，如表8所示。表8参数设置参数取值区域面积S=100m×100m像素点数101×101节点数V=90，80，70，60，50，40感知半径Ｒs=7m通信半径Ｒc=14m利用MS-ALO算法对该区域进行30次优化，取平均覆盖率对比。表9

S算法对不同传感器节点数量的平均覆盖优化结果对比。图7和图8分别给出了ALO算法和MS-ALO算法优化后该区域内传感器节点数为90和80的节点分布图，图9为相应收敛曲线。表9覆盖优化结果对比算法平均覆盖率(30runs)N=90N=80N=70VF-CS［4］98．99%96．55%93．39%ALO90．22%88．84%80．56%MS-ALO98．90%96．66%94．76%算法平均覆盖率(30runs)N=60N=50N=40VF-CS［4］85．86%80．90%70．20%ALO76．71%72．29%63．48%MS-ALO83．98%81．17%71．63%图7V=90时优化后节点分布图8V=80时优化后节点分布由表9可知，在相同的监测区域，随着部署节点数的增加，覆盖率也在逐渐提高。在节点数为80、70、50和40时，MS-ALO算法优化的平均覆盖率相372

【参考文献】：
期刊论文
[1]改进灰狼优化算法在WSN节点部署中的应用[J]. 胡小平,曹敬.  传感技术学报. 2018(05)
[2]贝叶斯预测蜂群算法在无线传感器网络优化中的应用[J]. 付光杰,胡明哲.  重庆大学学报. 2018(05)
[3]自适应Tent混沌搜索的蚁狮优化算法[J]. 张振兴,杨任农,房育寰,赵克新.  哈尔滨工业大学学报. 2018(05)
[4]基于改进蚁狮算法的无人机三维航迹规划[J]. 黄长强,赵克新.  电子与信息学报. 2018(07)
[5]基于VF-CS的移动传感器网络覆盖优化算法[J]. 李光辉,胡世红.  通信学报. 2018(03)
[6]融合改进蚁狮算法和T-S模糊模型的噪声非线性系统辨识[J]. 赵小国,刘丁,景坤雷.  控制与决策. 2019(04)
[7]自适应混沌量子粒子群算法及其在WSN覆盖优化中的应用[J]. 周海鹏,高芹,蒋丰千,余大为,乔焰,李旸.  计算机应用. 2018(04)
[8]精英免疫克隆选择的协同进化粒子群算法[J]. 刘朝华,李小花,章兢.  电子学报. 2013(11)



本文编号：3239577