基于改進樽海鞘群的障礙物環(huán)境WSN節(jié)點覆蓋優(yōu)化

張 永,韓 睿,徐華榮,王文浩,王肖叢,孫田弋,孫御驥

(1.國網(wǎng)浙江省電力有限公司,浙江杭州 310000;2.國網(wǎng)浙江省電力有限公司電力科學(xué)研究院,浙江杭州 310000;3.南京南瑞信息通信科技有限公司,江蘇南京 210000;4.山東大學(xué)微電子學(xué)院,山東濟南 250000)

0 引言

無線傳感器網(wǎng)絡(luò)具備成本低、低功耗、部署靈活的優(yōu)勢,在智能控制、自動化工程、網(wǎng)絡(luò)自動化等諸多領(lǐng)域得到了廣泛應(yīng)用[1]。傳感器節(jié)點部署及網(wǎng)絡(luò)覆蓋是決定網(wǎng)絡(luò)感知和通信質(zhì)量的關(guān)鍵,直接影響網(wǎng)絡(luò)生存時間和網(wǎng)絡(luò)管理效率[2-3]。為了滿足覆蓋需求,將大量WSN節(jié)點隨機拋灑于監(jiān)測區(qū)域,會導(dǎo)致覆蓋盲區(qū)、節(jié)點密度過高和冗余節(jié)點多等問題,覆蓋盲區(qū)會降低區(qū)域監(jiān)測質(zhì)量,節(jié)點密度過高和冗余節(jié)點多則會導(dǎo)致過多數(shù)據(jù)轉(zhuǎn)發(fā)的能耗浪費、通信擁塞、冗余數(shù)據(jù)多等問題,這些問題會降低網(wǎng)絡(luò)可靠性和增加節(jié)點能耗。因此,優(yōu)化WSN節(jié)點部署,提高監(jiān)測區(qū)域覆蓋率具有重要意義。

將WSN節(jié)點部署與智能優(yōu)化算法結(jié)合,可以利用智能優(yōu)化算法強大的隨機啟發(fā)式搜索機制加快節(jié)點覆蓋尋優(yōu)過程。文獻[4]利用混合遺傳與差分進化對WSN節(jié)點覆蓋優(yōu)化問題求解,最大化節(jié)點覆蓋率。文獻[5]利用虛擬力粒子群算法優(yōu)化WSN覆蓋后將覆蓋率提升了5個百分點。文獻[6]利用改進人工蜂群算法優(yōu)化WSN節(jié)點部署,網(wǎng)絡(luò)覆蓋率得到了改善,但依然有較多覆蓋盲區(qū)。文獻[7]利用改進灰狼優(yōu)化算法將WSN節(jié)點覆蓋率提升了4個百分點,但仍存在分布不均勻。文獻[8]利用自適應(yīng)動態(tài)混沌量子粒子群算法將覆蓋率優(yōu)化至90%。鯨魚優(yōu)化算法[9]、果蠅算法[10]等也均應(yīng)用在了WSN節(jié)點覆蓋優(yōu)化問題中。然而,智能算法本身也存在尋優(yōu)精度上的不足,尤其容易造成搜索與精細(xì)開采過程失衡和帶來局部最優(yōu)的缺陷。同時,以上研究考慮的場景均是無障礙物簡單環(huán)境的節(jié)點覆蓋優(yōu)化,未討論監(jiān)測區(qū)域內(nèi)存在復(fù)雜障礙物的節(jié)點覆蓋優(yōu)化問題,實用性有限。

樽海鞘群算法SSA是一種新型智能優(yōu)化算法[11],其結(jié)構(gòu)簡單、參數(shù)少,能夠有效提升尋優(yōu)精度,在圖像分割[12]、特征選擇[13]、作業(yè)調(diào)度[14]等問題上得到廣泛應(yīng)用。但標(biāo)準(zhǔn)SSA算法還存在著早熟收斂和求解精度低的不足。為了更好地解決障礙物環(huán)境中的WSN節(jié)點覆蓋優(yōu)化問題,本文將設(shè)計一種多策略融合改進樽海鞘群算法MSISSA。為了提高SSA的尋優(yōu)性能,設(shè)計模糊邏輯種群角色調(diào)整機制,對領(lǐng)導(dǎo)者種群規(guī)模動態(tài)調(diào)整;設(shè)計多項式變異擾動機制對跟隨者變異,增強跟隨者局部隨機搜索能力;設(shè)計拓?fù)鋵αW(xué)習(xí)機制生成領(lǐng)導(dǎo)者拓?fù)鋵α⒔?充分挖掘區(qū)域內(nèi)的精英位置信息。在復(fù)雜障礙物環(huán)境下以WSN節(jié)點覆蓋率最大為目標(biāo),利用改進算法優(yōu)化WSN節(jié)點覆蓋問題,求解節(jié)點最優(yōu)部署位置。并開展實驗驗證改進算法的性能。

1 樽海鞘群算法SSA

樽海鞘群算法種群由領(lǐng)導(dǎo)者和跟隨者組成,并組成鏈?zhǔn)浇Y(jié)構(gòu)。鏈?zhǔn)讉€體為領(lǐng)導(dǎo)者個體,其他個體均為跟隨者個體。跟隨者在領(lǐng)導(dǎo)者的牽引下搜索食物源。令N為種群規(guī)模,D為搜索空間維度,SSA中樽海鞘個體的位置信息存儲于N×D的二維矩陣內(nèi),個體i可表示為Xi={xi,1,xi,2,…,xi,D},xi,j表示個體i在j維度上的位置,j=1,2,…,D。令種群的搜索目標(biāo)為F,領(lǐng)導(dǎo)者的位置更新方式為

(1)

式中:[lbj,ubj]為個體在j維度上的搜索邊界值;Fj為搜索目標(biāo)的j維度值;x1,j(t+1)為鏈?zhǔn)最I(lǐng)導(dǎo)者的j維更新位置;t為當(dāng)前迭代次數(shù);c2、c3為均勻分布隨機數(shù),c2、c3∈[0,1];c2控制移動步長,c1用于搜索算法的全局搜索與局部開發(fā)轉(zhuǎn)換。

c1的定義為

(2)

式中:t為當(dāng)前迭代次數(shù);Tmax為最大迭代次數(shù)。

跟隨者的位置更新方式為

(3)

式中:xi,j(t)、xi,j(t+1)分別為個體i(i≥2)在j維度上的原位置和更新位置;xi-1,j(t)為相鄰個體的j維位置。

2 多策略融合改進樽海鞘群算法MSISSA

2.1 基于模糊邏輯的種群角色調(diào)整

SSA算法中,領(lǐng)導(dǎo)者代表著種群的優(yōu)勢群體,但算法迭代搜索過程中,領(lǐng)導(dǎo)者的樽海鞘種群規(guī)模是維持不變的。然而,算法迭代早期,較大規(guī)模領(lǐng)導(dǎo)者有利于SSA算法進行更充分的全局搜索,加快算法的收斂速度;而到了算法迭代后期,應(yīng)更側(cè)重于局部開發(fā),此時領(lǐng)導(dǎo)者規(guī)模應(yīng)該隨之減少,以便于SSA算法進行精細(xì)開發(fā),提高算法的收斂精度。

為了對領(lǐng)導(dǎo)者種群規(guī)模進行動態(tài)的自適應(yīng)調(diào)整,MSISSA算法引入一種基于模糊推理系統(tǒng)的領(lǐng)導(dǎo)者個體數(shù)量占比非線性更新機制。模糊推理系統(tǒng)是以模糊邏輯為理論基礎(chǔ),實現(xiàn)多輸入變量與單輸出變量間復(fù)雜非線性映射關(guān)系的方法,其結(jié)構(gòu)如圖1所示。定義領(lǐng)導(dǎo)者占比因子的模糊推理系統(tǒng)的2個輸入變量為種群多樣性φ和算法迭代階段κ。其中,種群多樣性φ表示每個樽海鞘個體與當(dāng)前最優(yōu)解個體間的歐氏距離,定義為

圖1 模糊推理系統(tǒng)

(4)

式中:N為種群規(guī)模;D為搜索維度;xi,j(t)為迭代t時個體i在維度j上的位置;xbest,j(t)為當(dāng)前迭代最優(yōu)解的j維度位置。

由此可見,種群多樣性φ能夠描述種群個體在搜索空間內(nèi)分布的分散程度。個體間距離越大,則個體位置相對越分散,其種群多樣性也越好;反之,個體間距離越小,種群越趨于集中,種群多樣性也越差。

迭代階段κ表示算法當(dāng)前迭代次數(shù)與最大迭代次數(shù)之比,定義為

κ=t/Tmax

(5)

式中Tmax為算法的最大迭代次數(shù)。

輸入變量種群多樣性φ和迭代階段κ在模糊推理系統(tǒng)中的隸屬度函數(shù)設(shè)計如圖2所示。

(a)輸入變量為迭代階段

種群多樣性φ以3個隸屬度函數(shù)分為Low、Medium和High 3種狀態(tài),迭代階段κ以3個隸屬度函數(shù)分為Early、Medium和Late 3種狀態(tài)。為了對領(lǐng)導(dǎo)者占比因子進行精確輸出,如圖2(c)所示,將其以5個隸屬度函數(shù)分為Very_Small、Small、Medium、Big和Very_Big 5個階段。

為了實現(xiàn)模糊推理系統(tǒng)中對領(lǐng)導(dǎo)者占比因子的精確輸出,還需要設(shè)計合理的模糊規(guī)則。SSA算法迭代前期,領(lǐng)導(dǎo)者規(guī)?？梢云?以求更充分的全局搜索;而隨著迭代進行,領(lǐng)導(dǎo)者規(guī)模應(yīng)逐步減小,使算法側(cè)重于精細(xì)開發(fā)。同時,還應(yīng)考慮種群多樣性對領(lǐng)導(dǎo)者占比因子的影響。當(dāng)種群多樣性較差時,表明此時個體趨向聚集,此時應(yīng)增加領(lǐng)導(dǎo)者占比提高算法的全局搜索能力;當(dāng)種群多樣性較好時,則可適當(dāng)減小領(lǐng)導(dǎo)者占比。綜上,設(shè)計表1所示模糊推理系統(tǒng)的模糊規(guī)則。

表1 模糊規(guī)則

結(jié)合表1所示的模糊規(guī)則,經(jīng)過去模糊化即可得到模糊推理系統(tǒng)實現(xiàn)的輸出領(lǐng)導(dǎo)者占比因子,如圖2(d)所示。可見,在不同種群多樣性和算法迭代階段狀態(tài)下,領(lǐng)導(dǎo)者占比因子會進行自適應(yīng)動態(tài)調(diào)整,使得算法在迭代前后期以不同能力的搜索和開發(fā)性能進行目標(biāo)搜索。

2.2 多項式變異擾動

SSA算法的迭代后期,種群個體會逐步趨近于當(dāng)前迭代中搜索到的最優(yōu)解。若該最優(yōu)解為局部最優(yōu)解,勢必導(dǎo)致算法得到局部最優(yōu)。為此,MSISSA算法引入一種多項式變異算子作用于跟隨者種群,使SSA算法具備一定的局部隨機搜索能力,在迭代后期加速算法向最優(yōu)解收斂的同時,使種群維持一定多樣性,避免生成局部最優(yōu)解。多項式變異表達(dá)式為:

xk+1=xk+δ·(uk-lk)

(6)

(7)

式中:lk、uk分別為搜索區(qū)間的下限值和上限值;xk、xk+1分別為原個體位置和變異后個體位置;δ為多項式變異算子;μ為隨機量μ∈[0,1];ηm為分布指數(shù);且:

(8)

結(jié)合多項式變異的擾動方式具體為:算法迭代開始后,從算法第11次迭代開始,若種群連續(xù)10代搜索的最優(yōu)解適應(yīng)度均未發(fā)生更新,此時可視為算法得到局部最優(yōu)解而無法跳離,需要利用多項式變異算子對跟隨者種群個體進行擾動,增加種群多樣性,拓展種群的搜索范圍,從而增加算法跳離局部最優(yōu)解的概率。個體變異公式為

xi,j(t+1)=xi,j(t)+δ·(xub-x1b)

(9)

式中:xi,j(t)、xi,j(t+1)分別原位置和更新位置;xlb、xub分別為搜索區(qū)間的下限值和上限值。

2.3 拓?fù)鋵αW(xué)習(xí)策略

拓?fù)鋵αW(xué)習(xí)TOBL[15]是一種基于對立學(xué)習(xí)OBL的增強優(yōu)化策略,能夠顯著提升算法的搜索能力。對立學(xué)習(xí)僅生成一個與原始個體完全反向的對立個體,而拓?fù)鋵αW(xué)習(xí)可生成2D個備選個體。

令在D維空間內(nèi)一個點xi=(xi,1,xi,2,...,xi,j,…,xi,D),其拓?fù)鋵αⅫcTi=(Ti,1,Ti,2,…,Ti,j,…,Ti,D),定義為

(10)

式中:xbest,j為當(dāng)前迭代最優(yōu)解的j維度位置;oi,j為對立點i的j維度位置,定義為

oi,j=lbj+ubj-xi,j,j=1,2,…,D

(11)

式中l(wèi)bj、ubj分別為搜索空間的下限值和上限值。

為了提高SSA算法的尋優(yōu)能力,MSISSA算法引入拓?fù)鋵αW(xué)習(xí)機制,在樽海鞘種群更新位置之后,先利用式(11)生成每個個體的對立點,再比較最優(yōu)解與該對立點以及原個體間的曼哈頓距離。若對立點位置與最優(yōu)解距離最小,則表明該對立點為個體的拓?fù)鋵αⅫc。如圖3所示為三維空間內(nèi)一個種群個體潛在的拓?fù)鋵αⅫc位置。

圖3 三維空間拓?fù)鋵αⅫc分布

計算個體的拓?fù)鋵αⅫc是為了得到適應(yīng)度最優(yōu)的個體,以使得種群對搜索空間進行更充分的全局搜索,進而提高算法的尋優(yōu)效率。計算個體的拓?fù)鋵αⅫc后,對其適應(yīng)度進行評估,若其適應(yīng)度優(yōu)于原個體位置,則進行交換。擇優(yōu)交換方式為

(12)

式中:f(xi(t))、f(Ti(t))分別為原個體及其拓?fù)鋵αⅫc的適應(yīng)度值;xi′(t+1)為擇優(yōu)交換后的解。

圖4為MSISSA算法的執(zhí)行流程。

圖4 MSISSA算法流程

3 基于障礙物環(huán)境的WSN節(jié)點覆蓋優(yōu)化

3.1 WSN節(jié)點覆蓋模型描述

在二維平面區(qū)域S=L×W內(nèi)部署若干WSN節(jié)點,區(qū)域內(nèi)存在若干個障礙物,且整個待監(jiān)測區(qū)域被離散化為L×W個像素點。令WSN節(jié)點集合N={n1,n2,…,nk},k為WSN節(jié)點數(shù)量,障礙物集合O={o1,i,o2,i,…,oj,i},j為障礙物數(shù)量,i為障礙物類型。令(xk,yk)為WSN節(jié)點nk的坐標(biāo),其感知半徑為r,通信半徑為R,且R=2r。選用概率感知模型決定區(qū)域內(nèi)某個像素點是否能被WSN節(jié)點所覆蓋。令待檢測點g的坐標(biāo)為(xg,yg),則WSN節(jié)點nk對g點的感知概率為

(13)

式中:d(nk,g)為WSN節(jié)點nk與目標(biāo)點g間的歐氏距離;re為WSN節(jié)點在障礙物環(huán)境下感知能力的不確定性度量值,0

圖5為WSN節(jié)點的感知模型,區(qū)域g1內(nèi)的目標(biāo)點被WSN節(jié)點nk感知的概率為100%,區(qū)域g3以外目標(biāo)點確定無法被nk所感知,區(qū)域g2內(nèi)的目標(biāo)點的感知概率則由感知因子λ、β決定,感知概率為0～100%。

圖5 感知模型

d(nk,g)以歐氏距離方式定義為

(14)

由于一個目標(biāo)點可以同時被多個WSN節(jié)點所覆蓋,可將整個WSN的聯(lián)合感知概率定義為

(15)

式中p(nk,g)為傳感節(jié)點nk對點g的感知概率。

則整個區(qū)域的覆蓋率為

(16)

式中L、W表示待監(jiān)測區(qū)域的長度和寬度。

3.2 避障設(shè)計

復(fù)雜環(huán)境中一般在待監(jiān)測區(qū)域內(nèi)存在障礙物的限制,若WSN節(jié)點部署位置落入障礙物區(qū)域,則需要對節(jié)點進行移動重部署。WSN節(jié)點部署過程中需要針對目標(biāo)函數(shù)設(shè)計避開障礙物的覆蓋優(yōu)化策略。為了避免選擇不合適的約束條件而導(dǎo)致WSN節(jié)點部署中出現(xiàn)聚集性,從而導(dǎo)致區(qū)域覆蓋率降低,本文設(shè)計一種基于人工勢場虛擬斥力場策略對WSN節(jié)點位置進行重新部署。建立如圖6所示W(wǎng)SN節(jié)點部署的障礙物模型,實際障礙物包含于圓形中,障礙物大小決定圓半徑ro的大小,且圓的范圍也是斥力場存在的區(qū)域。WSN節(jié)點與障礙物間的距離簡化為與圓心oi的距離,若節(jié)點落入圓內(nèi),便受到障礙物的斥力作用,并沿著斥力方向移動相應(yīng)斥力大小的距離,從而達(dá)到讓W(xué)SN節(jié)點避開障礙物的目的。來自障礙物的斥力大小定義為

圖6 障礙物內(nèi)WSN節(jié)點的移動方向

(17)

式中:Fno為WSN節(jié)點與障礙物間的斥力大小,斥力用于控制WSN節(jié)點避障的移動距離;d(ni,oicenter)為WSN節(jié)點與障礙物的間距;ro為障礙物斥力的有效作用范圍,即圓半徑。

圖6(b)中,當(dāng)障礙物周圍存在部署區(qū)域邊界A時,為了避免WSN節(jié)點移動超過邊界,向邊界方向移動的節(jié)點會按斥力反方向移動,斥力大小定義為

Fno′=2ro-Fno

(18)

3.3 基于MSISSA算法的WSN節(jié)點覆蓋優(yōu)化

MSISSA算法的優(yōu)化目標(biāo)是在特定的障礙物環(huán)境下待監(jiān)測平面區(qū)域S=L×W內(nèi),求解WSN節(jié)點的最優(yōu)部署坐標(biāo),使式(16)的區(qū)域覆蓋率Rcov達(dá)到最大。將WSN節(jié)點覆蓋優(yōu)化問題定義為區(qū)域覆蓋率Rcov為目標(biāo)函數(shù)的高維矢量尋優(yōu)問題,將WSN節(jié)點位置的尋優(yōu)過程抽象為MSISSA算法中樽海鞘群的搜索行為,算法最優(yōu)解即為WSN節(jié)點的部署坐標(biāo)。將MSISSA算法中樽海鞘個體位置表示為WSN節(jié)點的一個覆蓋分布,個體位置維度為WSN節(jié)點數(shù)的2倍?；贛SISSA算法的WSN節(jié)點覆蓋優(yōu)化具體步驟為:

輸入:監(jiān)測區(qū)域大小S=L×M、WSN節(jié)點數(shù)k、節(jié)點感知半徑r、通信半徑R、障礙物數(shù)量與類型,MSISSA算法參數(shù):種群規(guī)模N、迭代最大次數(shù)Tmax、個體搜索區(qū)間[lb,ub](對應(yīng)監(jiān)測區(qū)域大小);

輸出:WSN節(jié)點部署位置及最優(yōu)覆蓋率Rcov。

步驟1:設(shè)置監(jiān)測區(qū)域S及障礙物數(shù)量、類型及位置,初始化MSISSA算法的參數(shù);

步驟2:根據(jù)式(16)計算種群個體適應(yīng)度,確定最優(yōu)解;

步驟3:初始化算法迭代次數(shù)t=1;

步驟4:利用式(4)、式(5)分別計算模糊系統(tǒng)的2個輸入變量:種群多樣性diversity和迭代階段iter,調(diào)用模糊邏輯計算樽海鞘領(lǐng)導(dǎo)者種群的占比因子;

步驟5:利用式(1)更新領(lǐng)導(dǎo)者位置;

步驟6:利用式(3)更新跟隨者位置,并利用式(9)進行跟隨者個體變異;

步驟7:利用式(10)、式(11)計算領(lǐng)導(dǎo)者的拓?fù)鋵αW(xué)習(xí)位置,再根據(jù)式(12)擇優(yōu)交換;

步驟8:更新種群全局最優(yōu)解;

步驟9:更新算法迭代次數(shù)t=t+1;

步驟10:判斷算法是否迭代終止。若未終止,返回步驟4執(zhí)行;否則,算法終止,輸出全局最優(yōu)解,得到WSN節(jié)點部署坐標(biāo)并計算最優(yōu)覆蓋率Rcov。

4 實驗分析

設(shè)置WSN節(jié)點的部署區(qū)域大小為S=100 m×100 m,待部署WSN節(jié)點數(shù)為28個,節(jié)點感知半徑為12 m,分布障礙物為5個,障礙物類型設(shè)置為菱形和三角形,包括4個三角形障礙物和1個菱形障礙物,三角形障礙物分布于矩形區(qū)域邊角處,菱形障礙物處于區(qū)域中央,其具體分布如圖7。設(shè)置MSISSA算法的種群規(guī)模為20,最大迭代次數(shù)為500。引入標(biāo)準(zhǔn)樽海鞘群算法SSA、改進灰狼優(yōu)化算法IGWO[7]以及改進鯨魚優(yōu)化算法IWOA[9]進行性能的對比分析。

圖7 障礙物分布區(qū)域

圖8為4種算法在障礙物環(huán)境下的WSN節(jié)點部署結(jié)果。圓內(nèi)實心點為WSN節(jié)點部署的坐標(biāo)位置,圓形區(qū)域為相應(yīng)WSN節(jié)點的覆蓋區(qū)域?？梢钥吹?SSA算法的節(jié)點覆蓋存在明顯的覆蓋盲區(qū)和覆蓋冗余,WSN節(jié)點部署均勻性較差,算法搜索精度不足。IGWO和IWOA算法經(jīng)過搜索機制的優(yōu)化后,比SSA算法的節(jié)點覆蓋更加均勻,但依然存在較多的覆蓋盲區(qū)。MSISSA算法相比3種對比算法,WSN節(jié)點位置分布更加均勻,覆蓋冗余更少,證明綜合改進機制有效可行。

(a)SSA

圖9為算法覆蓋率收斂曲線。可以看出,SSA較快進入收斂狀態(tài),但得到的是局部最優(yōu)解,覆蓋率較低,且至算法迭代結(jié)束也無法跳離局部最優(yōu)處。IGWO和IWOA迭代前期覆蓋率均上升較快,然后進入局部最優(yōu)解處,但在迭代若干次后,在算法迭代中后期均有跳離局部最優(yōu)解的特征,表明針對算法的改進策略能夠一定程度提高尋優(yōu)精度,但覆蓋率還有提升空間。MSISSA得到了最高的覆蓋率,且迭代初期已經(jīng)獲得更好的種群分布,算法通過拓?fù)鋵αW(xué)習(xí)機制擇優(yōu)保留優(yōu)質(zhì)個體,充分挖掘了區(qū)域內(nèi)的精英位置信息,增加了每次迭代搜索得到更高覆蓋率的可能。此外,MSISSA的收斂曲線始終處于更加平衡的狀態(tài),這表明引入模糊邏輯系統(tǒng)對領(lǐng)導(dǎo)者樽海鞘個體占比的自適應(yīng)調(diào)整能夠保證優(yōu)勢群體領(lǐng)導(dǎo)者的搜索與開發(fā)水平的均衡。同時,MSISSA迭代的中后期雖有一段時間的局部收斂和搜索停滯,但最后還是能夠跳離局部最優(yōu)解,得到更高的覆蓋率,這表明多項式變異機制下的局部隨機搜索能力,能夠較好避免生成局部最優(yōu)。

圖9 覆蓋率收斂曲線

圖10是WSN節(jié)點數(shù)變化對覆蓋率的影響曲線。設(shè)置WSN節(jié)點范圍為[16,32],遞增步長為4?？梢钥闯?隨著WSN節(jié)點數(shù)的增加,覆蓋率穩(wěn)步上升,這是由于更多的節(jié)點部署可以增加降低覆蓋盲區(qū)的概率。但覆蓋率遞增速率上,MSISSA算法在增加WSN節(jié)點數(shù)后覆蓋率明顯增長更快。并且在相同WSN節(jié)點下,算法覆蓋率最高,這表明MSISSA算法具有更高的尋優(yōu)精度,能夠在障礙物復(fù)雜環(huán)境中實現(xiàn)對WSN節(jié)點的覆蓋優(yōu)化。

圖10 不同節(jié)點數(shù)下的覆蓋率

圖11選擇展示SSA和MSISSA算法的WSN節(jié)點覆蓋下,利用Prim算法得到的節(jié)點組網(wǎng)結(jié)果。傳感器網(wǎng)絡(luò)中需要重點關(guān)注節(jié)點間的通信距離和數(shù)據(jù)匯聚,可以看到,MSISSA算法的組網(wǎng)結(jié)果中,WSN節(jié)點的通信距離分布比較均勻,這有利于節(jié)省WSN節(jié)點的數(shù)據(jù)傳輸能耗。此外,從組網(wǎng)結(jié)果看,承擔(dān)數(shù)據(jù)聚合的匯聚節(jié)點沒有大量集中在區(qū)域的中間位置,而是更多地分布在靠近區(qū)域邊界的區(qū)域,這樣有利于避免數(shù)據(jù)匯聚的長距離傳送,降低節(jié)點的長距離傳輸能耗。WSN節(jié)點更均勻的分布可以有效增強通信網(wǎng)絡(luò)的可靠性,降低節(jié)點數(shù)據(jù)傳輸耗能,最終延長WSN的有效工作時間。SSA算法中WSN節(jié)點覆蓋的均勻性明顯差于MSISSA算法,導(dǎo)致部分通信距離較長,而部分節(jié)點又過于密集,不利于節(jié)點間數(shù)據(jù)傳輸能耗節(jié)省。

WSN網(wǎng)絡(luò)的目標(biāo)是通過部署的傳感節(jié)點收集數(shù)據(jù),并自組網(wǎng)絡(luò)進行信息傳輸。傳感器節(jié)點一般以電池供電,節(jié)點位置則直接影響著數(shù)據(jù)的傳輸距離。結(jié)合傳感器節(jié)點的能耗模型,本部分觀測4種算法進行節(jié)點部署后的網(wǎng)絡(luò)生存時間。在自組網(wǎng)絡(luò)中運行分簇協(xié)議LEACH,圖12是協(xié)議運行100輪后傳感器節(jié)點的存活率。出現(xiàn)第一個節(jié)點能量耗盡的順序是SSA、IGWO、IWOA和MSISSA。依據(jù)傳感器節(jié)點的能耗模型可知,節(jié)點能耗主要集中在數(shù)據(jù)傳輸能耗,因此,當(dāng)節(jié)點覆蓋均勻性差,部分區(qū)域冗余節(jié)點多,會導(dǎo)致數(shù)據(jù)重復(fù)傳輸多,快速消耗節(jié)點能源。同時,覆蓋空洞區(qū)域則需要多次遠(yuǎn)距離中繼傳輸,同樣會加速節(jié)點能源消耗。MSISSA的節(jié)點優(yōu)化覆蓋結(jié)果避免了過多的遠(yuǎn)距離傳輸和近距離冗余傳輸,有效節(jié)省了傳感節(jié)點的能耗,延長WSN網(wǎng)絡(luò)的生存時間。

圖12 傳感器網(wǎng)絡(luò)生存時間

5 結(jié)束語

WSN節(jié)點部署容易造成覆蓋冗余和覆蓋空白的不足,本文提出了一種障礙物環(huán)境中基于多策略融合改進樽海鞘群算法的WSN節(jié)點覆蓋優(yōu)化策略。為了提高樽海鞘群算法的尋優(yōu)性能,引入模糊邏輯種群角色調(diào)整機制、多項式變異擾動機制及拓?fù)鋵αW(xué)習(xí)機制對算法全局搜索與局部開發(fā)間的平衡、局部隨機搜索能力及精英位置信息挖掘進行了改進,然后利用改進樽海鞘群算法求解障礙物環(huán)境WSN節(jié)點覆蓋優(yōu)化問題,以網(wǎng)絡(luò)覆蓋率最大為目標(biāo),迭代搜索節(jié)點部署的最優(yōu)位置。實驗結(jié)果表明改進算法能夠有效提高節(jié)點覆蓋率,減少覆蓋冗余,優(yōu)化節(jié)點均勻分布。