CN116528252A - 一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法 - Google Patents

一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法 Download PDF

Info

Publication number
CN116528252A
CN116528252A CN202310511234.1A CN202310511234A CN116528252A CN 116528252 A CN116528252 A CN 116528252A CN 202310511234 A CN202310511234 A CN 202310511234A CN 116528252 A CN116528252 A CN 116528252A
Authority
CN
China
Prior art keywords
population
algorithm
leader
wireless sensor
chicken
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310511234.1A
Other languages
English (en)
Inventor
孔维宾
杜义
张志飞
张豪南
张啸宇
刘畅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yancheng Institute of Technology
Yancheng Institute of Technology Technology Transfer Center Co Ltd
Original Assignee
Yancheng Institute of Technology
Yancheng Institute of Technology Technology Transfer Center Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yancheng Institute of Technology, Yancheng Institute of Technology Technology Transfer Center Co Ltd filed Critical Yancheng Institute of Technology
Priority to CN202310511234.1A priority Critical patent/CN116528252A/zh
Publication of CN116528252A publication Critical patent/CN116528252A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法，包括：1)基于布尔感知模型创建无线传感器网络覆盖数学模型，2)计算每个传感器节点感知像素点的概率，继而计算每个像素点处传感节点被整个无线传感器节点集合S感知的联合概率p(S,mj)；3)根据每个像素点处传感节点被整个无线传感器节点集合S感知的联合概率p(S,mj)，计算得到无线传感器网络的覆盖率Rcov，建立适应度函数；4)结合Cubic混沌映射、单纯形法与逐维反向学习对白骨顶鸡算法进行改进，防止因为搜索范围小导致陷入局部最优解，保证收敛速度和搜索效果的均衡，确保算法具备强鲁棒性；5)采用改进后的白骨顶鸡算法对无线传感器网络覆盖优化，求取覆盖率。

Description

一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法
技术领域
本发明属于无线传感器网络技术领域,涉及一种无线传感器网络覆盖方法，具体涉及一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法。
背景技术
近年来，人们对物联网技术的研究不断深入，作为物联网核心部分的无线传感网络(Wireless Sensor Networks，WSNs)成为人们的重要研究对象之一。无线传感器网络以其集成功能多样、涉猎范围广等优点，应用广泛。但是在指定区域内，如果抛洒过量的传感器节点不仅会导致节点冗余，还会导致能源、材料的大量浪费。因此合理部署传感器节点位置，对优化其性能有着重要的意义。
近年来，智能优化算法在无线传感器网络覆盖优化中得到广泛应用.如遗传算法，粒子群算法，花朵授粉算法等。但是这些算法存在收敛速度慢，收敛精度不高，易陷入局部最优等缺点，导致算法在优化后期无法取得更优的覆盖率。
白骨顶鸡优化算法(Coot Optimization Algorithm,COOT)是2021年提出的一种元启发式优化算法，灵感来源于白骨顶鸡的移动习性。算法对白骨顶鸡种群进行了层级划分，适应度值高者为种群领导者，其余为跟随者。跟随者具有两种位置更新方式，分别为主动更新和被动更新。主动更新过程中，跟随者根据链式运动或随机运动更新位置，并不依赖领导者；在被动更新过程中，跟随者需要向领导者方向发生靠拢。种群需要朝着最佳区域前进，因此在跟随者向领导者靠拢的同时，领导者也要同时不断调整自身位置向最优区域靠近。
发明内容
本发明目的在于，提出一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法，克服标准白骨顶鸡算法容易陷入局部最优，覆盖效果较差等缺陷，提高网络有效覆盖率和节点利用率的同时，降低不必要的节点能量消耗，延长整个网络的生存周期。
本发明的技术方案是：一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法，包括如下步骤：
步骤1：将连续的待监测区域离散化处理为m×l个像素点，并在该离散化区域内随机分配N个无线传感器节点，构成无线传感器节点集合S＝{s1,s2,s3,…,sn}，监测区域节点集合M＝{m1,m2,m3,…,mn}；每个无线传感器网络节点均保证相同的感知半径RC和通信半径R；
步骤2：计算每个传感器节点感知像素点的概率，继而计算每个像素点处传感节点被整个无线传感器节点集合S感知的联合概率p(S,mj)；
步骤3：根据每个像素点处传感节点被整个无线传感器节点集合S感知的联合概率p(S,mj)，计算得到无线传感器网络的覆盖率Rcov，建立适应度函数；
步骤4：初始化参数，包括：白骨顶鸡种群N，维数d，最大迭代次数MaxIter，区域面积m×l，通信半径R等。
步骤5：初始化种群，利用Cubic混沌对立公式产生白骨顶鸡种群个体，划分为跟随者种群与领导者种群，并记录两个种群的适应度值，找到最优覆盖率的白骨顶鸡gBest。
步骤6：根据单纯形法、链式运动与最优个体引导公式更新白骨顶鸡随跟随者种群位置，并将更新后的跟随者适应度与最优个体gBest适应度进行比较，若前者较大，则更新gBest。
步骤7：基于领导者运动公式更新领导者种群位置。
步骤8：基于逐维反向学习策略对领导者种群进行进一步的位置更新，并将更新后的领导者适应度与最优个体gBest适应度进行比较，若前者较大，则更新gBest。
步骤9：判断迭代次数是否达到最大迭代次数，是则输出最优解，反之回到步骤3继续迭代更新。
本发明中将监测区域离散化为网格点，以节点为圆心，感知半径RC为半径建立感知范围，将覆盖率作为目标函数值；使用Cubic混沌对立策略改进白骨顶鸡种群初始化，增加种群多样性，结合单纯形法加强算法跳出局部最优的能力，对领导者种群逐维反向学习，加快种群全局寻优速度。使用改进的白骨顶鸡算法对传感器节点进行位置更新，对传感节点进行覆盖优化，能够降低能耗，提高网络覆盖率。
有益效果：相对于现有技术，本发明的优点包括：本发明基于布尔感知模型创建无线传感器网络覆盖模型，结合传感器网络覆盖效率，以无线传感器网络总覆盖率构建本发明所述的目标适应度函数，能够合理分配整个无线传感器网络的资源，减少节点冗余，增加网络覆盖率。本发明通过Cubic混沌对立策略初始化种群，增加种群多样性；基于改进白骨顶鸡算法，引入单纯形法增强跟随者种群随机运动的能力，帮助算法跳出局部最优；领导者种群采取逐维反向学习策略，增强算法的全局搜索能力，提升收敛速度与寻优精度，具有更好的鲁棒性。
附图说明
图1为本发明改进白骨顶鸡算法优化无线传感器网络覆盖方法流程图；
图2为COOT、GWO、DBO和本发明算法覆盖结果图；图2中：(a)为COOT仿真覆盖图，(b)为GWO仿真覆盖图，(c)为DBO算法的仿真覆盖图，(d)为本发明算法仿真覆盖图。是四种算法覆盖结果图；
图3为不同节点时四种算法优化无线传感器网络覆盖率迭代曲线图。图3中，(a)为25节点；(b)为30节点。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
基于布尔感知模型创建无线传感器网络覆盖数学模型：
在无线传感器网络中，假设监测区域是一个二维平面，随机部署N个传感器节点，每个传感器节点都具有相同的感知半径RC与通信半径R，RC＝2R。节点集合可表示为S＝{s1,s2,s3,…,sn}，监测区域节点的集合M＝{m1,m2,m3,…,mn}。本文采用布尔感知模型作为传感器节点感知模型，感知范围是以节点为圆心,RC为半径的圆形区域，只要监视区域处于感知半径范围内即可视为覆盖该节点。将二维平面离散为m×l个像素点，对其中任意一定点p＝(xi,yi)，传感器节点对它的感知概率pcov(si,mj)定义如下：
其中，d(si,mj)是传感器节点到目标点p的欧式距离。
在监测器进行监测时，每一个像素点都可能被多个节点感知到，因此传感节点对于像素点的联合感知概率分布为：
检测区域的总覆盖率定义为节点集合S覆盖的网格点的总感知概率与区域内网格点总数的比值，其数学模型如下：
因此，WSN覆盖问题转化为寻找Rcov的最优解a描述如下：
f(a)＝Max[Rcov(a)] (5)
本发明采用改进白骨顶鸡算法优化无线传感器网络覆盖，通过Cubic混沌对立策略初始化种群，增加种群多样性；引入单纯形法增强跟随者种群随机运动的能力，帮助算法跳出局部最优；领导者种群采取逐维反向学习策略，增强算法的全局搜索能力，提升收敛速度与寻优精度；具体步骤如下：
步骤1：初始化网络参数。
初始化传感器通信半径R，白骨顶鸡种群N，覆盖优化问题维数为d，最大迭代次数MaxIter，区域面积m×l等；
步骤2：初始化白骨顶鸡种群的位置。
通过Cubic混沌映射与对立学习结合，以Cubic映射代替均匀分布种群初始式，建立种群X，再利用对立学习计算种群X的对立种群X'。设f(X)为用于评估候选解质量的适应度函数，若f(X'j)≥f(Xj)，则可以候选解X'j替换Xj，否则保留Xj。此时，候选解及其对立候选解将同步考虑在初始种群中，算得其个体适应度后选择最小的N个解作为COOT的初始种群。
Xi,j＝lbi,j+ubi,j-Zi,j×(ubi,j-lbi,j) (7)
X′i,j＝ubi,j+lbi,j-Xi,j (8)
其中，Zn∈(0,1)；ρ为控制参数，取值为2.595。取初值Z0＝0.3时，Cubic映射具有良好的混沌遍历性。
步骤3：随机选择NL只白骨顶鸡作为鸡群领导者，剩余鸡群为跟随着，数量为Ncoot，其计算公式如下：
NL＝0.1×Npop (9)
Ncoot＝Npop-NL (10)
其中Npop为种群数量。
步骤4：计算各白骨顶鸡的目标函数适应度值Fitness即为WSN的覆盖率，找到覆盖率最高的个体gBest。
步骤5：跟随者种群运动
(1)随机运动阶段，发生在时，在空间内随机生成初始化位置Q，其数学公式如下所示：
Q＝rand(1,d)*(ub-lb)+lb (11)
同时，为了避免陷入局部最优问题，采用单纯形法更新位置，进行反射、收缩、扩张和压缩四种运算，步骤如下：
步骤3.1计算所有跟随者鸡群的适应度值，找到适应度最小的最优点XG、次最优点XB和最差点XS，并计算中心点XC＝(XG+XB)/2。
步骤3.2进行反射运算：XR＝XC+α(XC-XS)，α为反射系数，取值为1。
步骤3.3若f(XR)＜f(XG)，则进行扩张运算：XE＝XC+γ(XR-XC)，γ为扩张因子，取值为2。
步骤3.4若f(XR)＞f(XG)，则进行压缩运算：XW＝XC+β(XS-XC)，β为压缩因子，取值为0.5。
步骤3.5f(XS)＞f(XR)＞f(XG)，进行收缩运算：XT＝XC+β(XC-XS)，β为收缩系数，取0.5。
(2)链式运动阶段，通过计算两只白骨顶鸡的平均位置实现，其数学模型如下：
其中CootPos(i-1)表示第二只白骨顶鸡。
(3)根据领导者调整位置阶段，其位置更新公式如下：
CootPos(i)＝LeaderPos(k)+2×R1×cos(2πR)×(LeaderPos(k)-CootPos(i)) (13)
K＝1+(i)mod(NL) (14)
其中i是表示所有个体跟随者种群数量的索引，K为领导者种群数量的索引，与个体i位置相对应，mod为取余函数。
步骤6：计算位置更新后跟随者种群的个体适应度值Fitness作为WSN覆盖率，若大于相对应的领导者种群LeaderPos(k)位置个体适应度值，则更新领导者位置LeaderPos(k)。
步骤7：领导者运动
(1)领导者种群使用如下位置更新公式：
B＝2-L×(1/MaxIter) (16)
其中，R3,R4均为[0,1]内随机数，gBest为种群最优位置，R∈[-1,1]，B为[0,2]中线性递减的因子。
(2)对领导者种群进行逐维反向学习
领导者运动阶段采用逐维反向学习策略更新位置，如式(17)所示：
Temp(i)＝ub(i)+lb(i)-Temp(i)×rand (17)
其中，Temp(i)表示领导者种群当前位置，ub(i)和lb(i)为当前维度的上下限。
步骤8：计算位置更新后领导者种群的个体适应度值Fitness作为WSN覆盖率，若大于gBest位置个体适应度值，则更新gBest。
步骤9：判断迭代次数是否达到最大迭代次数，是则输出gBest位置个体的适应度值作为最优解，反之回到步骤5继续迭代更新。
以下通过具体实例对本发明做进一步阐述。
仿真实验与结果分析：为了验证基于改进算法的WSN覆盖优化应用效果，选取本发明算法与基本白骨顶鸡算法(COOT)，灰狼优化算法(GWO)，蜣螂优化算法(DBO)进行对比试验。四种算法在相同的参数设置下进行比较：种群规模为50，监测区域面积为100m*100m。
实验1：四种算法的覆盖效果和覆盖率比较。
为了验证改进算法的覆盖效果，COOT，GWO，DBO和本发明算法在1000次迭代,通信半径12m，传感器节点设置为30下的覆盖仿真结果如下图2所示。其中(a)为COOT仿真覆盖图，(b)为GWO仿真覆盖图，(c)为DBO算法的仿真覆盖图，(d)为本发明算法仿真覆盖图。用“+”号表示单个传感器节点所在位置，用圆来表示单个传感器节点在监测区域内能够覆盖的范围。
表1四种算法覆盖率对比
实验2：四种算法在不同节点下的覆盖率比较。
传感器节点数量的变化会影响覆盖效率。本发明测试了四种算法在100m*100m的监测区域中放置传感器节点数量25与30时的覆盖率对比，通信半径设置为12m，最大迭代次数为1000。结合表1与图3可知，通信半径越大，网络的覆盖工作效率也越大。本发明提出的改进算法能够减少节点重叠，在节点30时覆盖率达到98.81％，较其他算法更优，收敛速度也更快。

Claims (5)

1.一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法，其特征在于，包括以下步骤：
步骤1：基于布尔感知模型创建无线传感器网络覆盖数学模型；将连续的待监测区域离散化处理为m×l个像素点，并在该离散化区域内随机分配N个无线传感器节点，构成无线传感器节点集合S＝{s1,s2,s3,…,sn}，监测区域节点集合M＝{m1,m2,m3,…,mn}；每个无线传感器网络节点均保证相同的感知半径RC和通信半径R；
步骤2：计算每个传感器节点感知像素点的概率，继而计算每个像素点处传感节点被整个无线传感器节点集合S感知的联合概率p(S,mj)；
步骤3：根据每个像素点处传感节点被整个无线传感器节点集合S感知的联合概率p(S,mj)，计算得到无线传感器网络的覆盖率Rcov，建立适应度函数；
步骤4：结合Cubic混沌映射、单纯形法与逐维反向学习对白骨顶鸡算法进行改进，防止因为搜索范围小导致陷入局部最优解，保证收敛速度和搜索效果的均衡，确保算法具备强鲁棒性；初始化参数，包括：白骨顶鸡种群N，维数d，最大迭代次数MaxIter，区域面积m×l，通信半径R；
步骤5：采用改进后的白骨顶鸡算法对无线传感器网络覆盖优化，求取覆盖率；初始化种群，利用Cubic混沌对立公式产生白骨顶鸡种群个体，划分为跟随者种群与领导者种群，并记录两个种群的适应度值，找到最好覆盖率的白骨顶鸡gBest；
步骤6：根据单纯形法、链式运动与最优个体引导公式更新白骨顶鸡随跟随者种群位置，并将更新后的跟随者适应度与最优个体gBest适应度进行比较，若前者较大，则更新gBest；
步骤7：基于领导者运动公式更新领导者种群位置；
步骤8：基于逐维反向学习策略对领导者种群进行进一步的位置更新，并将更新后的领导者适应度与最优个体gBest适应度进行比较，若前者较大，则更新gBest；
步骤9：判断迭代次数是否达到最大迭代次数，是则输出最优解，反之回到步骤3继续迭代更新。
2.根据权利要求1所述的基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法，其特征在于：步骤4中：结合Cubic混沌映射、单纯形法与逐维反向学习对白骨顶鸡算法进行改进，包括：
步骤4-1：将Cubic混沌映射与对立学习结合，提出一种COBL(Cubic and opposition-basedlearning)策略，增加种群多样性；
步骤4-2：结合单纯形法更新跟随者位置，帮助算法跳出局部最优；
步骤4-3：对领导者种群进行逐维反向学习，加强算法全局搜索的能力。
3.根据权利要求1所述的基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法，其特征在于：步骤5：采用改进后的白骨顶鸡算法对无线传感器网络覆盖优化，求取覆盖率，具体包括：
步骤5-1：初始化参数，包括：白骨顶鸡种群N，维数d，最大迭代次数MaxIter，区域面积m×l，通信半径R；
步骤5-2：初始化种群，利用Cubic混沌对立公式产生白骨顶鸡种群个体，划分为跟随者种群与领导者种群，并记录两个种群的适应度值，找到最优覆盖率的白骨顶鸡gBest；
步骤5-3：根据单纯形法、链式运动与最优个体引导公式更新白骨顶鸡随跟随者种群位置，并将更新后的跟随者适应度与最优个体gBest适应度进行比较，若前者较大，则更新gBest。
步骤5-4：基于领导者运动公式更新领导者种群位置；
步骤5-5：基于逐维反向学习策略对领导者种群进行进一步的位置更新，并将更新后的领导者适应度与最优个体gBest适应度进行比较，若前者较大，则更新gBest；
步骤5-6：判断迭代次数是否达到最大迭代次数，是则输出最优解，反之回到步骤5-3继续迭代更新。
4.根据权利要求1所述的基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法，其特征在于：
步骤1中：在无线传感器网络中，设监测区域是一个二维平面，随机部署N个传感器节点，每个传感器节点都具有相同的感知半径RC与通信半径R，RC＝2R；节点集合表示为S＝{s1,s2,s3,…,sn}，监测区域节点的集合M＝{m1,m2,m3,…,mn}；采用布尔感知模型作为传感器节点感知模型，感知范围是以节点为圆心,RC为半径的圆形区域，只要监视区域处于感知半径范围内即可视为覆盖该节点；将二维平面离散为m×l个像素点，对其中任意一定点p＝(xi,yi)，传感器节点对它的感知概率pcov(si,mj)定义如下：
其中，d(si,mj)是传感器节点到目标点p的欧式距离；
在监测器进行监测时，每一个像素点都可能被多个节点感知到，因此传感节点对于像素点的联合感知概率分布为：
检测区域的总覆盖率定义为节点集合S覆盖的网格点的总感知概率与区域内网格点总数的比值，其数学模型如下：
因此，WSN覆盖问题转化为寻找Rcov的最优解a描述如下：
f(a)＝Max[Rcov(a)]。
5.根据权利要求1所述的基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法，其特征在于：
采用改进白骨顶鸡算法优化无线传感器网络覆盖，通过Cubic混沌对立策略初始化种群，增加种群多样性；引入单纯形法增强跟随者种群随机运动的能力，帮助算法跳出局部最优；领导者种群采取逐维反向学习策略，增强算法的全局搜索能力，提升收敛速度与寻优精度；步骤5具体步骤如下：
步骤5-2：初始化白骨顶鸡种群的位置；
通过Cubic混沌映射与对立学习结合，以Cubic映射代替均匀分布种群初始式，建立种群X，再利用对立学习计算种群X的对立种群X'；设f(X)为用于评估候选解质量的适应度函数，若f(X'j)≥f(Xj)，则可以候选解X'j替换Xj，否则保留Xj；此时，候选解及其对立候选解将同步考虑在初始种群中，算得其个体适应度后选择最小的N个解作为COOT的初始种群；
Xi,j＝lbi,j+ubi,j-Zi,j×(ubi,j-lbi,j)
Xi',j＝ubi,j+lbi,j-Xi,j
其中，Zn∈(0,1)；ρ为控制参数，取值为2.595；取初值Z0＝0.3时，Cubic映射具有良好的混沌遍历性；
步骤5-3-1：随机选择NL只白骨顶鸡作为鸡群领导者，剩余鸡群为跟随着，数量为Ncoot，其计算公式如下：
NL＝0.1×Npop
Ncoot＝Npop-NL，其中Npop为种群数量；
步骤5-3-2：计算各白骨顶鸡的目标函数覆盖率Fitness，找到覆盖率最高的个体gBest。
步骤5-3-3：跟随者种群运动；
(1)随机运动阶段，发生在时，在空间内随机生成初始化位置Q，其公式如下所示：Q＝rand(1,d)*(ub-lb)+lb
同时，为了避免陷入局部最优问题，采用单纯形法更新位置，进行反射、收缩、扩张和压缩四种运算，步骤如下：
步骤5.5.1计算所有跟随者鸡群的适应度值，找到适应度最小的最优点XG、次最优点XB和最差点XS，并计算中心点XC＝(XG+XB)/2；
步骤5.5.2进行反射运算：XR＝XC+α(XC-XS)，α为反射系数，取值为1；
步骤5.5.3若f(XR)＜f(XG)，则进行扩张运算：XE＝XC+γ(XR-XC)，γ为扩张因子，取值为2；
步骤5.5.4若f(XR)＞f(XG)，则进行压缩运算：XW＝XC+β(XS-XC)，β为压缩因子，取值为0.5；
步骤5.5.5f(XS)＞f(XR)＞f(XG)，进行收缩运算：XT＝XC+β(XC-XS)，β为收缩系数，取0.5；
(2)链式运动阶段，通过计算两只白骨顶鸡的平均位置实现，其数学模型如下：其中CootPos(i-1)表示第二只白骨顶鸡；
(3)根据领导者调整位置阶段，其位置更新公式如下：
CootPos(i)＝LeaderPos(k)+2×R1×cos(2πR)×(LeaderPos(k)-CootPos(i))；
K＝1+(i)mod(NL)
其中i是表示所有跟随者种群数量的索引，K为领导者种群数量的索引，mod为取余函数；
步骤5-3-4：计算位置更新后跟随者种群的个体覆盖率，若大于最有个体gBest覆盖率，则更新gBest；
步骤5-4：领导者运动
(1)领导者种群使用如下位置更新公式：
B＝2-L×(1/MaxIter)
其中，R3,R4均为[0,1]内随机数，gBest为种群最优位置，R∈[-1,1]，B为[0,2]中线性递减的因子；
(2)对领导者种群进行逐维反向学习；
领导者运动阶段采用逐维反向学习策略更新位置，如下式所示：
Temp(i)＝ub(i)+lb(i)-Temp(i)×rand
其中，Temp(i)表示领导者种群当前位置，ub(i)和lb(i)为当前维度的上下限；
步骤5-5：计算位置跟新后领导者种群的个体覆盖率，若大于最有个体gBest覆盖率，则更新gBest；
步骤5-6：判断迭代次数是否达到最大迭代次数，是则输出最优解，反之回到步骤5-3-1继续迭代更新。
CN202310511234.1A 2023-05-08 2023-05-08 一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法 Pending CN116528252A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310511234.1A CN116528252A (zh) 2023-05-08 2023-05-08 一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310511234.1A CN116528252A (zh) 2023-05-08 2023-05-08 一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法

Publications (1)

Publication Number Publication Date
CN116528252A true CN116528252A (zh) 2023-08-01

Family

ID=87400803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310511234.1A Pending CN116528252A (zh) 2023-05-08 2023-05-08 一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法

Country Status (1)

Country Link
CN (1) CN116528252A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702052A (zh) * 2023-08-02 2023-09-05 云南香农信息技术有限公司 一种社区社会信用体系信息处理系统及方法
CN117062092A (zh) * 2023-10-11 2023-11-14 成都大学 一种无线传感器网络部署方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702052A (zh) * 2023-08-02 2023-09-05 云南香农信息技术有限公司 一种社区社会信用体系信息处理系统及方法
CN116702052B (zh) * 2023-08-02 2023-10-27 云南香农信息技术有限公司 一种社区社会信用体系信息处理系统及方法
CN117062092A (zh) * 2023-10-11 2023-11-14 成都大学 一种无线传感器网络部署方法
CN117062092B (zh) * 2023-10-11 2023-12-08 成都大学 一种无线传感器网络部署方法

Similar Documents

Publication Publication Date Title
CN116528252A (zh) 一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法
CN102843743B (zh) 基于菌群觅食优化算法的无线传感网层次化路由方法
CN113905389B (zh) 基于粒子群优化帝王蝶算法的无线传感器网络覆盖方法
Ali et al. Energy-efficient clustering in mobile ad-hoc networks using multi-objective particle swarm optimization
CN110062390B (zh) 基于改进狼群算法的无线传感器网络节点优化部署方法
CN109936865B (zh) 一种基于深度强化学习算法的移动sink路径规划方法
CN112469050B (zh) 一种基于改进灰狼优化器的wsn三维覆盖增强方法
CN111291854A (zh) 一种基于多种改进策略的人工蜂群算法的优化方法
CN116208969B (zh) 基于改进海洋捕食者算法的无线传感器网络覆盖优化方法
CN115222006A (zh) 一种基于改进粒子群优化算法的数值函数优化方法
CN114662638A (zh) 基于改进人工蜂群算法的移动机器人路径规划方法
Lavanya et al. Hybrid based energy efficient cluster head selection using camel series elephant herding optimization algorithm in WSN
CN115866621A (zh) 一种基于鲸鱼算法的无线传感器网络覆盖方法
CN113722972B (zh) 一种基于正反螺旋搜索鲸鱼算法的室内照度优化方法
CN117812601A (zh) 一种基于樽海鞘优化算法的无线传感器网络覆盖优化方法
CN115987886B (zh) 一种基于元学习参数优化的水声网络q学习路由方法
Lu et al. Enhancing sensor duty cycle in environmental wireless sensor networks using Quantum Evolutionary Golden Jackal Optimization Algorithm
Hassanat et al. Enhancing genetic algorithms using multi mutations
CN106714262A (zh) 一种基于自适应模糊控制的无线传感器网络拓扑控制算法
Aghapour et al. An Improved Salp Swarm Algorithm for energy saving in IoT to FOG data communication
Hu et al. Efficient cluster-based routing protocol for wireless sensor networks by using collaborative-inspired Harris Hawk optimization and fuzzy logic
Wei Energy saving based target coverage algorithm in wireless sensor network
CN118175552A (zh) 基于增强型白鲸优化算法的无线传感器网络覆盖优化方法
CN117580051A (zh) 一种超大规模无线传感器网络的部署方法
Bano et al. Stabilised energy efficient routing protocol for heterogeneous wireless sensor network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination