基于IACO優化Logistic混沌序列的無線傳感器布局優化

（河南工業貿易職業學院，信息工程學院，450003） 石玉峰

在構建無線傳感器網絡的過程中，需要合理設置布局以獲得最優節點位置與傳感器個數，從而實現目標區域的監測功能，這已經成為無線傳感器應用的一項關鍵內容，對網絡監測的準確性起到了決定作用。對大范圍區域布置眾多數量的傳感器后，會引起整體成本的明顯增加，因此需在達到監測任務要求的條件下，確保布局結構同時滿足低成本與高能量的利用效果，從而為實現理論分析以及開展應用應用推廣都發揮重要作用[1]。

尹濤[2]綜合運用貝葉斯統計以及信息熵分析方法，同時引入遺傳算法極小化技術來構建最優的傳感器布局，充分滿足了分布參數結構體系實現最優傳感器布局的功能。黃澎江[3]為實現精確監測青島氣象環境變化的過程，綜合運用插值以及模擬退火的方法進行優化。趙鵬程[4]引入互信息貪婪計算方式獲得最高覆蓋率的節點預期布局，當預算受限的情況下，從而確保覆蓋效率達標的條件下顯著降低部署成本。

無線傳感器網絡布局使網絡保持更長的穩定工作時間[5]。本文重點分析了采用pSPIEL算法來實現布局的過程，相對于貪婪算法能夠實現通信成本的大幅降低，同時為克服標準pSPIEL算法會產生分簇隨機的問題進一步加入了混沌算子，設計得到了一種Logistic 混沌序列算法。為有效控制通信成本，需降低傳感器數量。蟻群算法對路徑尋優過程表現出了明顯的優勢，同時為實現與無線傳感器布局的良好適應性，對傳統蟻群算法啟發函數進行了優化并完成信息素的更新，設計了一種經過改進后的蟻群算法（IACO）。之后綜合運用上述方法來實現尋優的過程，構建得到IACO 優化Logistic 混沌序列，采用上述方法能夠充分滿足無線傳感器網絡布局的使用需求。

1 IACO優化Logistic混沌序列

1.1 Logistic混沌序列實現

對混沌局部參數r 進行調整，同時控制合適的取值范圍[6]。

可以將Logistic映射視為混沌過程：

式中，μ表示控制參數，μ=4 時，系統進入混沌狀態。對ri 搜索，根據式（2），將其映射至式（3）義域（0,1）。

利用Logistic方程迭代獲得混沌序列：

以式（3）對上述混沌序列實施逆映射：

再返回至原解空間并構建得到由混沌變量組成的可解混沌序列：

通過式（5）給出的局部參數r的混沌序列對，達到對簇良好分離的效果。由于F 具有局部性特征，因此簇表現出一定的獨立性，還可以提供多種信息。

1.2 IACO算法的實現

1.2.1 啟發函數改進

傳統蟻群算法啟發函數：

gi1表示簇Ci首節點，w表示權值。

1.2.2 信息素更新

當螞蟻由節點i運動至節點j的過程中，需對路徑（i,j）的信息素局部更新：

完成路徑信息素全局更新。

1.3 IACO優化Logistic混沌序列

本文在傳感器布局過程中愛如了蟻群算法，實現傳感器布局的優化并實現對通信成本的有效控制，以LCS算法獲得的各簇信息量最高點組成最初的IACO 算法節點，并通過IACO 對Logistic 混沌序列進行優化。具體處理過程：①通過式（5）計算局部參數r，對位置V 進行分類得到直徑等于αr 的小簇；②對于簇Ci，通過貪婪算法完成ni 個節點的排序，之后為g1,1~gm,1建立全連通圖；③把選擇位置添加至螞蟻k 禁忌表tabuk，并對信息素進行更新；④迭代獲得最優解，比當前解更優時，對當前解進行替代；對信息素更新并將禁忌表清空；⑤對上述步驟進行重復處理，直至滿足最大設計次數或滿足預期通信成本后，計算得到最優集合。

2 仿真結果分析

為了對本文設計的IACO 優化Logistic 混沌序列進行綜合性能評價，設計了相應的仿真實驗，并跟貪婪算法、蟻群算法、pSPIEL算法以及IACO算法完成對比分析。本文根據文獻[4]的各項數據，對監測區進行離散處理得到|V|=86 個位置，可部署位置點結果見圖1所示，對其中一個子集設置了傳感器。各項實驗參數見表1所示。

圖1 可部署位置點

通過混沌算子使r在[rmin,rmax]區間中遍歷，以此獲得最優分簇數量，此時rmin 為1.2m，rmax 為72m。處于較小的r 值下，可以分得眾多較小的簇，同時形成更高的簇間相關性，從而增大了尋找低相關性簇的難度；當設定的r值偏大時，將會出現只分一個簇的情況，導致算法缺乏效用。

簇的個數和通信成本的關系見表2所示。根據表2 可知，采用本文算法可以達到最合理的通信成本。將后續測試過程的分簇個數都設定在3。以相同算法處理時，提高迭代次數后，發生了通信成本降低的結果。利用IACO算法獲得比傳統蟻群算法更快的搜索速度，實現了全局與局部信息素的綜合更新，有效防止蟻群算法出現局部值的情況，因此利用IACO算法可以搜索獲得更優解。

表2 簇的個數和通信成本的關系

四種算法仿真測試，得到通信成本和傳感器數量對比結果分別見表3與表4所示。

表3 四種算法的通信成本對比

表4 四種算法的傳感器數量對比

根據表3可知，本文算法在同樣互信息量下相對pSPIEL 算法、貪婪算法、IACO 算法達到了最低通信成本。表4 顯示，以IACO 優化Logistic 混沌序列的傳感器實際使用數量很少。將混沌算子添加到IACO 優化Logistic混沌序列中之后，能夠遍歷局部性參數r值，由此得到不同r 值對應的簇數，從而在最優簇數條件下選擇合適的部署節點。

對各算法進行性價比計算結果分析發現，當互信息量介于0.054~0.2之間時，IACO優化Logistic 混沌序列獲得了比其它三種算法更大的比值。表明IACO-LCS能夠滿足最優成本-效益要求。

3 結語

本文將LCS 算法簇解作為IACO 算法初始值，提出一種IACO 優化Logistic 混沌序列，通過實驗對IACO 優化Logistic 混沌序列有效性進行驗證，結果表明，在同樣互信息量下相對pSPIEL 算法、貪婪算法、IACO 算法達到了最低通信成本。以IACO 優化Logistic混沌序列的傳感器實際使用數量很少，能夠滿足最優成本-效益要求。