改进的自适应灰狼算法在无线传感网络覆盖中的应用.docxVIP

改进的自适应灰狼算法在无线传感网络覆盖中的应用 随着计算机网络技术的迅速发展，无线传感器网络（Wireless Sensor Network，WSN）应运而生。由大量能量有限的传感器节点以自组织和多跳的方式构成的无线传感器网络以协作感知、采集、处理传感网络覆盖区域被感知对象的信息，并最终把这些信息发送至网络所有者。覆盖控制一直是络的重要问题，它反映了一个无线传感器网络某区域被检测和跟踪的状况。覆盖控制能够合理分配网络资源，从而優化网络覆盖性能[1-2]。近年来，WSN广泛应用于军事、智能交通、环境监控、医疗卫生等领域。但在实际应用中，因为物理环境有所限制，传感器节点多采用随机部署的方式进行播撒，因此存在覆盖盲区，不能有效覆盖待监测区域，从而影响整个无线网络的监控能力。对WSN网络来说，能够及时检测网络覆盖率是否最优并做出有效调整是基本问题，若此问题能够得到有效解决，则网络中数据的传输质量能够明显提高，从而减少网络资源浪费，延长生命周期。 群体智能算法提出了新的思路来解决WSN覆盖优化问题，近年来大量学者将群体智能算法应用于WSN覆盖控制中并研究其性能[4-5]。文献采用遗传算法优化WSN覆盖网络，优化效果较好，但是算法整体上偏复杂，收敛速度较慢。文献提出一种基于划分搜索空间的粒子群优化（Particle Swarm Optimization，PSO）算法，该算法全局收敛能力强，能够快速找到覆盖率较高的WSN网络部署模型，但是算法优化后极易陷入局部最优。文献将变异因子引入适应度差的鱼群个体中，提出一种改进的人工鱼群算法，在WSN网络覆盖优化中取得了较好的优化效果，提高了网络覆盖率，但是节点覆盖冗余度较高。 近几年，大量学者比较关注灰狼优化（Grey Wolf Optimizer，GWO）算法。灰狼优化算法是Mirjalili等人于2021年提出的一种新的群体智能算法，具有模型简单、参数设置较少、寻优性能较好等优点。研究结果表明，GWO算法明显比PSO算法和遗传算法的优化性能更好。因此，GWO算法在多传感器训练、面波参数优化、K-均值聚类优化等领域中有着广泛应用。 虽然GWO算法得到了广泛关注，但也存在一些缺点，如收敛速度慢、全局搜索能力弱等，且在不断迭代中，GWO算法易陷入局部最优。因此，本文提出一种改进的自适应灰狼优化（Self-Adaption Grey Wolf Optimizer，SAGWO）算法，将非线性收敛因子引入GWO算法，以此平衡算法的局部搜索精度与全局搜索能力，并结合适应度构造自适应位置更新策略，提高算法收敛速度。将改进的SAGWO算法应用于无线传感网络覆盖中，并通过实验与基本GWO进行比较。从实验结果可看出，改进的SAGWO算法性能更好，优化效果更好。 1 WSN覆盖模型 无线传感器网络中每个传感节点的覆盖范围都以自身为中心，有着固定半径的圆形区域，因此所有传感器节点对监测区域的总覆盖率用公式求解比较困难。为了简化区域内的覆盖率求解问题，待监测区域可被离散化为m×n个像素点，假设有x个像素点被无线传感器网络覆盖，则覆盖率可表示为x/（m×n）。 假设WSN网络中每个传感器节点的测量半径r与通信半径rs相同，且每个传感器节点覆盖范围是半径为r的圆形区域。被测区域是二维平面M，将这个二维平面离散化为m×n个像素点，无线传感器网络中有N个传感器节点，被测区域内传感器节点集合为， 2 基本灰狼优化算法 灰狼算法是受到狼群猎食行为的启发，通过模仿狼群中的等级制度与猎食策略提出的一种智能优化算法。 视种群中每个个体为一个解，在D维搜索空间中，第i只灰狼个体的位置为，i=1， 2， ...， N，N为种群规模，选择当前最优解、次最优解、第三最优解所在的狼（分别标记为α，β，δ狼，其余个体标记为ω狼），猎食过程中，狼群在α，β，δ狼的引导下，向食物位置（全局最优解）逼近。 3 改进的SAGWO算法 3.1 非线性收敛因子策略 群体智能算法都存在易陷入局部最优的问题，种群的多样性通过全局搜索能力来保证。而局部搜索能力强则能够保证算法对于局部的精确搜索，且大大加快了算法的优化速度。因此，灰狼优化算法中的全局搜索能力和局部搜索能力之间的平衡极其重要。 采用非线性收敛策略，GWO算法的收敛因子a随着迭代次数呈非线性递减，在初期将a的衰减程度降低，可更好地找到全局最优解，而到了后期，将a的衰减程度提高，则能够更加准确地找到局部最优解，避免陷入局部最优。 3.2 自适应调整策略 GWO算法中适应度值是重要参数。在灰狼个体进行寻优的过程中，α，β，δ的位置对于寻找全局最优的重要性不言而喻。但在GWO算法中，位置更