基于飛蛾撲火算法和維諾圖理論的智慧農業通信節點部署策略

常瑞莉

（青海建筑職業技術學院，西寧 810012）

傳統的物聯網技術受通信網絡傳輸帶寬的局限性，當大量的本地信息通過數據傳輸單元（DTU）傳輸到服務器時，需要多個DTU組件來保證信息傳輸的及時性和流暢性［1］。農業是中國結構的基礎，是中國經濟成分的基礎［2］。但是，與美國、澳大利亞、英國等國家相比，中國的農業生產技術還需要拓展適合自身農業特色的自動化生產技術［3］。通過對中國5年14個計劃清單的投票，結果表明“提高農業質量效益和競爭力”“建設智慧農業”等未來農業發展目標將繼續以管理原則為基礎。智慧農業技術的現代化和進步將增加經濟產出，并減少傳統活動的進入［4］。智慧農業是全球農業發展的重點，是中國建立農業所有制、了解農業實踐的必由之路。通過數據采集與數據采集傳輸、數據處理與分析、決策等鏈接，了解遠程、精準、智慧的農業管理。數據傳輸是智慧農業系統的重要組成部分，其傳輸速度、準確性、可靠性和穩定性影響整個系統的運行［5］。

1 智慧農業信息傳輸模型的建立

1.1 智慧農業通信網絡構建及部署存在的問題

智慧農業通信網絡構建及部署過程中主要存在和需要考慮的問題如圖1所示。此外，由于智慧農業數據采集節點∕動作節點，三維空間分布還應考慮通信功率低時導致通信距離縮短的問題。傳統方法通常使用冗余機制方法來確保整個鏈接在低功率水平下順暢，但這種方法提供了一些經濟和能耗指標。

圖1 智慧農業通信網絡構建及部署存在的問題

1.2 智慧農業信息傳輸網絡構建

通常，由于通信功率降低導致通信距離變短，因此在通信功率較低時也應考慮三維空間分布的弱點。圖2為分布式無線信息傳輸網絡結構。該結構采用Y+Y型嵌套模式，傳輸網絡可由多個傳感設備作為感知節點分組，每組數據匯總在中繼節點形成多組內嵌Y型；圖中實心三角形所示為數據最終匯總終端，該終端數據由每個中繼節點數據匯總而來形成外圍Y型。每個Y型中心節點中心復雜，其他節點簡單，若中心節點故障則會導致全網故障。

圖2 分布式無線信息傳輸網絡結構

1.3 混合星型中繼通信網絡節點優化部署策略

1.3.1 通信網絡節點部署問題隨著科技的飛速發展，智慧農業的概念很快得到落實，在國家政府的大力支持下，智慧農業活動的數量每天都在增加，隨之而來的是智慧無線通信鏈接的建設和評估［6］。目前，已經解決了創建智慧農業通信鏈路的問題，解決網絡通信問題是提升農業數據傳輸速率、降低通信能耗的必由之路［7］。對于通信網絡鏈接，主要集中在協議變更、資源升級和網絡節點切換的使用上。與前兩者相比，網絡節點切換方法通過調整通信網絡鏈接的輸出時間，提高了硬件資源的選擇和最小化，可以提高數據傳輸，保證通信網絡的連通性［8］。消耗通信鏈路的功率，降低設備安裝成本。但是，傳統通信網絡的交付通常基于隨機分布、分布后校正、簡單的測量方法等小項目的使用，還易造成基礎節點（數據采集節點、動作節點）脫節、數據傳輸丟包、傳輸能耗高等問題［9］。

基于此，本研究提出了一種群體智慧算法的智慧農業通信網絡節點部署方案，或者說是一個通信網絡節點方案。在本方案下，通信網絡節點的配置如下：根據實際需要，完成并分發數據采集節點和工作節點工具后，固定年齡標記和聚合集群的輸入點，完成所有功能。過程如下：首先建立三維坐標系，用以表征數據采集區和對應功能區在三部分空間的分布，對原始數據集的性能進行建模，然后得到通話時間的大小。不同儀器作為二次通信節點分布的權重指標，真正的分布問題變成了一系列數學模型，通過數學模型評估節點的使用情況，將各通信節點信息傳遞問題轉變為目標評價問題；然后，基于內置Voronoi設計的改進特征moth-to-fire算法，通過對飛蛾進行引導搜索來提高算法的速度和準確性，從而改進模型。最后，在使用第一層中繼節點的基礎上，將所有中繼節點作為輸入模型，完成第二層（匯聚節點）的部署工作。

1.3.2 通信網絡全連通模型當所有設備及相關的通信節點均處在通信網絡的覆蓋下時，該網絡稱為（Fullyconnected）FCN網絡［10］。在此基礎上，建立智慧農業FCN網絡模型，建立過程及方式如下。

在3D環境下，2個設備或通信節點Si(xi,yi,zi)、S(xj,yj,zj)之間的距離Dij表示智慧網通信網是互聯的，即所有的網盤都在通信網的盤中，沒有互聯，沒有插件［11］。在此背景下，建立智慧農業通信關系的連貫模型的方法。

如果任意2個設備的數據傳送覆蓋半徑ri和rj之和小于它們之間的距離，或者說建立了鏈接，即：

可進一步推出所有數據采集節點（Data Acquisition Node）DN與中繼節點（Relay Node）RN之間的中繼鏈路，功能節點（Operation Node）AN與相連RN之間的中繼鏈路，以及所有RN與宿信號之間的中繼鏈路（Nink Node）SN和是以下所有網絡節點的鏈接。

其中，na為動作節點，nb為感知節點，nc為中斷節點，nd為匯聚節點，Cac,Cbc,Ccd為各類節點間連接通率，Call為全網絡連接通率。

其中，na、nb、nc、nd各節點為信息交互點，其有效傳輸范圍為以自身為圓心，半徑分別為ra、rb、rc、rd的圓形區間內。如果兩類節點之間的距離滿足范數，則認為是2個節點之間的連接環節。

任意2個節點的連通率Cij可表示為：

1.4 通信網絡節點最優部署模型

所謂通信網絡節點的最優部署，即通過設計高效且合理性強的通信網絡部署方案，以最少的通信設備資源投入，降低整個網絡的功耗，將所有設備接入網絡，進而實現FCN網絡結構［12］。基于現實生活中的模型和對有利條件下的農業環境的追求，本研究對模型提出以下假設。

1）對于信息量估計：通信信息節點在同一穩定時域內的信息數據是確定的，但各點的數據體量因自身節點等情況是不同的。

2）對于RN節點設定：確定RN節點的中繼對象后，RN只需發送指定的中繼對象，提供中繼服務。

3）對于網絡節點部署完成后的假設：網絡創建完成后（網絡節點已部署），節點將不再進行位置調整。基于以上題目，確定使用網絡節點的最優模型。

1.5 智慧農業網絡節點最優部署模型

在本研究中，智慧農業網盤的優化分布：在滿足通信網互聯的基礎上，以最少的Y型通信節點，從而有效提升網絡中節點有效周期，讓系統各點進行數據傳送更順暢。基于以上定義，當節點數為8時，能耗最低，以下是使用智慧農業網絡節點的最佳示例。

式中，E為全網通信能耗，Ei為各節點通信能耗。

2 飛蛾撲火算法設計及參數設定

2.1 飛蛾撲火算法

群智算法在AI（人工智能）的基礎上發展而來，通過對生物群體的目標尋找方法進行建模，解決了傳統的牛頓法、梯度下降法（求導法）求解困難局面的復雜性［13］。基于此，分析者重點關注使用集群智慧算法來進行大型通信網絡節點的優化分布。隨著研究的不斷深入和應用特征的不斷增多，群算法的傳播范圍和規模也越來越廣泛，本研究的模型也可以用于客觀-客觀評估問題［14］。因此，本研究模型的求解采用了飛蛾撲火集群尋找最優法求解，此時蝴蝶火藍算法也處于改進的邊緣。飛蛾撲火優化算法（MFO）是SAYEDALIM開發的一組環境啟發式優化算法。MFO算法的核心思想就是用飛蛾M（Moth）去尋找最優火焰F（Flame），而火焰就是對應的最優解。在優化過程中，F是固定的，而M通過從其位置不斷移動到火焰中：

式中，Lij=|Fj-Mi|，Mi表示第i只飛蛾；Fj表示第j個火焰；S為螺旋線函數，b為其對應函數中的常數；t代表通信時間。

在M不斷尋找最佳F的過程中，通過連續照射，F的非陽性數量減少（消除火焰）：

式中，T為迭代次數的最大值，l為迭代次數，N為火焰數的最大值。

在MFO算法中，用于更新每個脈沖相對于火焰的位置，根據式（9）得到：

式中，Di表示第i個飛蛾與第j個火焰之間的距離，Di=|Fi-Mi|；b表示旋轉圓的形狀；［-1，1］之間的一對數字，被定義為蠕蟲接近當前支架火焰的指示。MFO算法將模型設計為具有盡可能多的火焰Nflame，在迭代過程中最小化以防止整個算法落入最優域。

式中，T為最大迭代次數；Z為當前迭代次數；N為火焰數量的最大值。

基本MFO算法流程如圖3所示。

圖3 基本MFO算法的流程

2.2 基于維諾圖的算法改進與適配

維諾圖（Voronoi diagram，VD），一個連續的多邊形包含在由相鄰符號集形成的、直線的垂直餅干中。在3D空間中，對線段使用VD圖會創建一系列連續的多邊形，稱為泰森多面體（Tyson polyhedron，TP），圖4是一組160°接近3D空間的3D-VD圖像。

圖4 三維維諾圖

如圖5所示，3個多面體中的3個點A、B、C與它們的分母D有如下關系：AD=BD=CD，即相鄰泰森多面體中的點與其形容詞的距離。

圖5 通泰森多面體特性

本研究將分布在三維空間內的所有傳感器節點進行維諾圖劃分，將所有在Voronoi設計中分布為三相的信號分離Dmax為指標，切換所有元件，確定每條傳輸電纜的二進制數，中繼節點服務對象決策方案的具體流程如圖6所示。

圖6 中繼節點服務對象確定方案

根據以上信息，每條傳輸鏈路和服務盤相互連接，節點polyodeon包含先前構建的泰森多面體的錨點，兩者的具體關系如圖7所示。

在圖7中，當各中繼節點中連通信息量最小為cmin，且包含了飛蛾所需探索的最重要的信息時，外圍命名的服務節點分為5個名，為A、B、C、D、E的節點。

圖7 節點多面體與泰森多面體頂點關系

2.3 飛蛾撲火算法優化

在本研究的基礎上，利用1個節點在1周內產生的信息權重來確定不同節點類型的權重?，最終種群達到平衡權重時完成第一次優化。權重平衡條件為：

式中，?為不同節點的權重，d為不同節點間的距離。

每一傳感器節點的權重值分別和其對應種群m的乘積是相同的，種群生成和有向搜索過程的實現如圖8所示。

圖8 種群生成及有向搜索

由圖8可知，A、B、C是符號集，D是符號集對應的泰森多邊形的錨點。圖8a顯示總網絡由D為初始種群中心點，圖8b顯示A、B和C的加權值是指示性的α、β、γ。根據圖7的節點多面體與泰森多面體頂點關系對各節點進行分配連接，根據本節描述的種群生成和運動方法，圖7中編號為1、2、3、4、5的5個節點依照泰森多邊形的中心D移動，以此完成5個泰森多邊形頂點移動，最終結果如圖9所示。

圖9 初次尋優結果

在圖9中，初次尋優將中繼節點初步鎖定在由頂點1、2、3、4、5所圍成的多面體內。此時，只有飛蛾的種群向多面體的內部方向移動。根據對數平面模型，對多面體進行第二次分析，基于MFO算法改進分辨率算法，以便正確定位過渡點。

2.4 飛蛾撲火優化算法參數設定

首先，確定節點類型、節點數量和節點1周發送數據的數量等參數，如表1所示。

表1 參數設定

重新設計比較系統，以確定三維空間中所有簇的分布，模擬測試環境確定為三維空間，節點分布如圖10所示。

圖10 節點三維空間分布情況

3 試驗結果及數據分析

3.1 基于VIMFO算法的部署結果

本研究使用配置in-tel i5-8650運行內存的筆記本電腦，在上述參數設置條件下，測試結果如下。①根據圖6所示流程確定中繼節點的服務對象，共確定10個中繼連接；按照圖10所示獲取每個切割節點的輸入空間，具體結果如圖11所示。②在上述試驗結果的類別下，進一步求得匯聚節點的部署位置，切割節點和下沉節點在三維區域的最終分布位置如圖12所示。③用本研究描述的策略，得到了本智慧農業系統各傳感網信息傳輸的網絡節點關系分布情況，如圖13所示。

圖11 中繼節點及匯聚節點分布

圖12 智慧農業信息傳輸網絡節點分布

在各中繼節點服務對象及部署位置的基礎上，求得所有節點之間的距離分布矩陣，如圖13所示。在圖13中，CT代表淹沒核即數據匯聚區域，CT-R代表序列中第1～10個數據的聚集記錄點，R-A代表A區的所有數據點，AB代表區域B中的所有數據點。相比之下，I-J代表區域J中的所有數據點。

圖13 節點間距離分布矩陣

從圖13中可以看出，將匯聚節點到每個中繼節點的距離分配給65 m之間，切割節點到分布區域節點的距離是內部分布的。解的分布是恒定的，不存在顯著變異的解，并且都在適當的中繼線和匯聚節點的控制之下。

3.2 對比試驗

為驗證本研究所述算法的性能及可靠性，采用傳統的蟻群算法（AC），按照描述的過程進行改進，并在變量相似的原則下對蟻群安東尼（VIAL）算法進行改進，通過對比測試各算法發現MFO算法是滿足性能和可靠性的最優算法，可測試算法的求解速度以及求解方案的優缺點。首先，從能源消耗的可變性的角度進行比較［15］。在不同算法的結果下，每個過渡點對應的基本系統（傳感器節點、功能節點）的數量對比如圖14所示，基礎節點到對應中繼能耗波動對比如圖15所示。

圖14 不同算法下各中繼節點對應的基礎節點數

從圖14、圖15可以看出，VIMFO算法和VIAC算法有10個過渡點。2種算法在多個記錄點獲得相同的值，但由于功耗差異，VIAL算法其效率相比VIMFO算法低且兼容不了復雜情況下的多個節點。MFO算法需要建立11個中間節點數據，與其他算法相比，MFO算法在能耗上存在差異，導致高功率低效率，增加了用戶的維護負擔；AC算法和MFO算法相比，雖然降低了能耗的差異，但需要分布13個中間數據節點，經濟變量小。因此，本研究描述的優化策略在一定程度上減少了網盤之間的能耗差異。從互聯互通的角度進行比較，在不同算法下網絡連接率如圖16所示。

圖15 不同算法下基礎節點到其中繼節點的能耗波動對比

圖16 不同算法下通信網絡連通率

由圖16可以看出，AC算法隨著迭代次數增加其網絡連通率上升較快，直到16次時達到最大。最終AC算法連通率可達0.810左右；MFO算法用于確定解，迭代次數為20次，此時連通率達0.823，而VIAC算法、VIMFO算法的迭代次數為9和11次，網絡連接比改進后的算法已達到10 000，即識別出本節所示的總網絡連接率。完成MFO、AC、VIAC和VIMFO算法時，算法耗時分別為5.33、5.12、3.16、3.31 s。可以看出，改進算法的求解速度更快。最后，從能耗的角度進行比較，結果如圖17所示。

由圖17可知，與非標準AC算法相比，本研究改進的VIAL算法功耗優化效率提高率可達0.081，而VIMFO算法與常規MFO算法相比，能耗優化效果提升率可達0.069。上述發現說明，本研究改進策略的有用性。最大化所有對比測試，VIMFO算法通過功耗、低能耗和傳輸磁盤數量的差異來了解提供商的通信網絡的總連通性，種群在管理良好的情況下必須改變整個搜索區域，策略非常高，優化時間增加到很大；另外，解容易落入域的最優水平，這也是這類算法的一個問題，能夠有效解決上述缺陷。

圖17 不同算法下1周內能耗對比

4 小結

針對5G知識下智慧農業通信網絡的通信問題，本研究利用5G通信的高帶寬容量和低帶寬，設計了1個分布式的通信網絡，并采用三維維諾圖進行改進。群分析的經典算法，最大限度地利用智慧農業通信網絡的傳輸空間和天坑的最佳位置。試驗結果表明，本研究提出的策略可以在通信鏈路全鏈接的前提下，降低傳輸能耗和算法優化時間。