室內(nèi)障礙環(huán)境下空氣質(zhì)量監(jiān)測(cè)異構(gòu)WSN部署

摘 要：針對(duì)室內(nèi)空氣質(zhì)量中污染性氣體眾多、濃度分布不均，單一傳感器無(wú)法有效監(jiān)測(cè)，而且室內(nèi)障礙物會(huì)對(duì)傳感器部署位置造成影響的問(wèn)題，通過(guò)改進(jìn)北方蒼鷹優(yōu)化算法（improved northern goshawk optimization， INGO）對(duì)障礙下異構(gòu)傳感器進(jìn)行部署研究。首先，采用SPM混沌映射對(duì)種群進(jìn)行初始化，以解決原始北方蒼鷹算法初始化種群多樣性不高、覆蓋率低、冗余度高的問(wèn)題；其次，使用非線性步長(zhǎng)權(quán)重改進(jìn)Lévy飛行策略，對(duì)種群位置進(jìn)行更新；最后，融合柯西變異和反向?qū)W習(xí)，解決算法后期種群易陷入局部最優(yōu)的問(wèn)題。結(jié)果表明，改進(jìn)的優(yōu)化算法在無(wú)障礙和障礙環(huán)境下覆蓋率分別達(dá)到了94.2%和93.0%，與其他學(xué)者在無(wú)障礙環(huán)境下提出的算法進(jìn)行對(duì)比，覆蓋率分別提高了0.8%，1.2%，2.8%，7.1%。INGO算法能夠?qū)κ覂?nèi)障礙環(huán)境下的空氣質(zhì)量監(jiān)測(cè)傳感器進(jìn)行最優(yōu)部署，為室內(nèi)空氣質(zhì)量監(jiān)測(cè)等復(fù)雜環(huán)境異構(gòu)傳感器的部署問(wèn)題提供科學(xué)依據(jù)。

關(guān)鍵詞：環(huán)境質(zhì)量監(jiān)測(cè)與評(píng)價(jià)；無(wú)線傳感器網(wǎng)絡(luò)部署；北方蒼鷹優(yōu)化算法；室內(nèi)障礙環(huán)境；異構(gòu)無(wú)線傳感器；Lévy飛行

中圖分類號(hào)：X51;TP393

文獻(xiàn)標(biāo)識(shí)碼：A

DOI：10.7535/hbkd.2024yx01011

收稿日期：2023-10-10；修回日期：2023-11-29；責(zé)任編輯：馮 民

基金項(xiàng)目：國(guó)家自然科學(xué)基金（52065064）

第一作者簡(jiǎn)介：趙建豪（1999—），男，河北邯鄲人，碩士研究生，主要從事數(shù)據(jù)融合、室內(nèi)空氣質(zhì)量監(jiān)測(cè)與預(yù)測(cè)、建筑節(jié)能控制等方面的研究。

通信作者：宋華，正高級(jí)工程師。 E-mail：922482@xju.edu.cn

趙建豪，宋華，南新元.室內(nèi)障礙環(huán)境下空氣質(zhì)量監(jiān)測(cè)異構(gòu)WSN部署[J].河北科技大學(xué)學(xué)報(bào)，2024，45（1）：91-100.

ZHAO Jianhao，SONG Hua，NAN Xinyuan.Heterogeneous WSN deployment for air quality monitoring in indoor barrier environments[J].Journal of Hebei University of Science and Technology，2024，45（1）：91-100.Heterogeneous WSN deployment for air quality monitoring

in indoor barrier environments

ZHAO Jianhao¹， SONG Hua²， NAN Xinyuan¹

（1.School of Electrical Engineering， Xinjiang University， Urumqi， Xinjiang 830017， China;

2.Xinjiang Architectural Design and Research Institute Company Limited， Urumqi， Xinjiang 830002， China）

Abstract：To solve the problem of ineffective monitoring indoor air quality in the environment of numerous and uneven distributed polluting gases with a single sensor， and the issue of indoor obstacles affecting the sensor deployment， the improved Northern Goshawk optimization （INGO） algorithm was used to study the deployment of heterogeneous sensor networks. Firstly， the SPM chaotic mapping was used to initialize the population to solve the problems of low diversity， low coverage， and high redundancy in the initialized population of the original Northern Goshawk algorithm. Secondly， the Lévy flight strategy was improved by using non-linear step weights to update the population location. Finally， the problem that the population tends to fall into local optimum at the later stage of the algorithm was solved by fusing Cauchy variation and backward learning. The results show that the proposed optimization algorithm achieves coverage rates of 94.2% and 93.0% in barrier-free and obstructed environments， respectively， and the coverage is improved by 0.8%， 1.2%， 2.8%， and 7.1%， respectively， compared to algorithms proposed by other scholars in barrier-free environments. Therefore， the INGO algorithm can optimally deploy air quality monitoring sensors in indoor obstacle environments， providing a scientific basis for heterogeneous sensor deployment in complex environments such as indoor air quality detection.

Keywords：environmental qualily monitoring and assessment; WSN deployment; NGO; indoor barrier environment; heterogeneous WSN; Lévy flight

目前，越來(lái)越多的研究致力于解決室外空氣質(zhì)量問(wèn)題，而很少有研究關(guān)注室內(nèi)空氣質(zhì)量問(wèn)題。但是，據(jù)統(tǒng)計(jì)人們每天80%～90%的時(shí)間是在室內(nèi)場(chǎng)所進(jìn)行生活和工作的^[1]，而且隨著建筑氣密性的提高，室內(nèi)污染氣體堆積，容易導(dǎo)致室內(nèi)空氣質(zhì)量較低^[2-3]，進(jìn)而嚴(yán)重影響人們的工作效率與身心健康^[4-5]。《2022年中國(guó)室內(nèi)空氣質(zhì)量污染白皮書》調(diào)查顯示，居民室內(nèi)空氣質(zhì)量超標(biāo)率在春季和夏季最高達(dá)到了83%和77%^[6]，且《2019年中國(guó)室內(nèi)空氣質(zhì)量污染白皮書》中也顯示，有65%～91%的建筑室內(nèi)空氣質(zhì)量不符合中國(guó)室內(nèi)空氣質(zhì)量標(biāo)準(zhǔn)^[7]。2019年各類建筑室內(nèi)空氣質(zhì)量污染圖如圖1所示。

由此可見(jiàn)，室內(nèi)空氣質(zhì)量監(jiān)測(cè)至關(guān)重要，但傳統(tǒng)的環(huán)境監(jiān)控系統(tǒng)都是通過(guò)有線通信方式進(jìn)行通訊，后期維護(hù)成本較高。而無(wú)線傳感器網(wǎng)絡(luò)能夠?qū)Ψ植荚诟鞣N區(qū)域的物理信息數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和無(wú)線傳輸，已被廣泛應(yīng)用在工程安全監(jiān)測(cè)、滑坡預(yù)測(cè)、人體活動(dòng)識(shí)別、溫度監(jiān)測(cè)等諸多領(lǐng)域^[8-12]。一些學(xué)者也通過(guò)無(wú)線傳感器網(wǎng)絡(luò)對(duì)空氣質(zhì)量監(jiān)測(cè)做了研究^[13-15]，但存在一些不足之處。首先，研究人員沒(méi)有考慮到現(xiàn)實(shí)多為復(fù)雜障礙環(huán)境，會(huì)對(duì)傳感器的最優(yōu)布置節(jié)點(diǎn)和信號(hào)傳輸產(chǎn)生影響^[16];其次，室內(nèi)氣體濃度分布不均，單一傳感器往往只是對(duì)局部環(huán)境信息進(jìn)行采集，無(wú)法反映全局環(huán)境狀態(tài)。

針對(duì)先前研究只是在無(wú)障礙環(huán)境下進(jìn)行同構(gòu)傳感器部署，存在應(yīng)用范圍較窄的問(wèn)題，考慮實(shí)際情況，本文對(duì)障礙環(huán)境下的異構(gòu)傳感器進(jìn)行部署，并針對(duì)原始Lévy飛行策略固定步長(zhǎng)因子無(wú)法有效平衡全局和局部探索能力的問(wèn)題，提出一種非線性函數(shù)對(duì)Lévy飛行步長(zhǎng)因子進(jìn)行改進(jìn)。然后，針對(duì)原始北方蒼鷹算法中存在的種群初始度不高、易陷入局部最優(yōu)的缺點(diǎn)，分別采用SPM混沌映射、融合反向?qū)W習(xí)與柯西變異策略對(duì)原始北方蒼鷹算法進(jìn)行改進(jìn)，以搭建一個(gè)合理、高效的異構(gòu)無(wú)線傳感器網(wǎng)絡(luò)，對(duì)室內(nèi)各氣體濃度和熱舒適度進(jìn)行精準(zhǔn)監(jiān)測(cè)，保障人們的身心健康。

1 障礙環(huán)境構(gòu)建及傳感器網(wǎng)絡(luò)覆蓋模型

障礙環(huán)境監(jiān)測(cè)區(qū)域包括一個(gè)菱形障礙物區(qū)域和4個(gè)三角形障礙區(qū)域，其中菱形障礙環(huán)境區(qū)域的構(gòu)建公式為H₁=－K₁+60，H=K-10，H=-K+40，H=K+10。左上、左下、右上、右下4個(gè)三角形障礙區(qū)域的構(gòu)建公式及所經(jīng)過(guò)的點(diǎn)分別為左上H=K+35，（0，35），（15，50），（0，50）；左下H=-K+15，（0，0），（0，15），（15，0）；右上H=-K+85，（50，50），（35，50），（50，35）；右下H=K-35，（35，0），（50，0），（50，15）。障礙物會(huì)影響傳感器的感知范圍，因此將傳感器感知到的障礙物區(qū)域及感知范圍以外的區(qū)域設(shè)為0。然而，由于傳感器的通信范圍是感知范圍的2倍，障礙物并不會(huì)對(duì)障礙物周邊的數(shù)據(jù)通信產(chǎn)生影響。因此，本文在仿真過(guò)程中不考慮障礙物對(duì)傳感器通信效果的影響。當(dāng)傳感器節(jié)點(diǎn)落入H₁，H，H，H， 4條斜線所構(gòu)成的菱形障礙物區(qū)域內(nèi)，或者落入H，H，H，H，4條斜線與坐標(biāo)軸所構(gòu)成的障礙區(qū)域時(shí)，根據(jù)8條斜線方程式H₁—H₈，將傳感器節(jié)點(diǎn)重新定位在障礙物區(qū)域和監(jiān)測(cè)區(qū)域邊界上，以解決障礙物對(duì)傳感器節(jié)點(diǎn)部署位置的影響。

假設(shè)把n個(gè)異構(gòu)傳感器節(jié)點(diǎn)隨機(jī)拋灑到構(gòu)建的障礙物區(qū)域內(nèi)，節(jié)點(diǎn)的位置為O={O₁，O₂，…，O_n} 將監(jiān)測(cè)區(qū)域離散成L×W個(gè)網(wǎng)格，L為監(jiān)測(cè)區(qū)域長(zhǎng)度，W為監(jiān)測(cè)區(qū)域?qū)挾龋琩（O_i，P_j）為傳感器節(jié)點(diǎn)O距被監(jiān)測(cè)網(wǎng)格節(jié)點(diǎn)P的歐式距離。

采用布爾模型作為概率感知模型，被監(jiān)測(cè)網(wǎng)格節(jié)點(diǎn)P_j被節(jié)點(diǎn)O_i監(jiān)測(cè)到的概率為

式中r為傳感器監(jiān)測(cè)節(jié)點(diǎn)的感知半徑。監(jiān)測(cè)區(qū)域的覆蓋率P為節(jié)點(diǎn)所覆蓋的網(wǎng)格節(jié)點(diǎn)之和與監(jiān)測(cè)區(qū)域總網(wǎng)格節(jié)點(diǎn)之比：

無(wú)線傳感器網(wǎng)絡(luò)的搭建主要考慮覆蓋率和信息冗余的問(wèn)題。過(guò)低的覆蓋率會(huì)導(dǎo)致傳感器無(wú)法對(duì)全局狀態(tài)實(shí)現(xiàn)有效監(jiān)測(cè)，影響監(jiān)測(cè)的全面性；如果相鄰傳感器之間的距離過(guò)小又會(huì)造成信息冗余，對(duì)傳感器數(shù)據(jù)傳輸造成負(fù)擔(dān)，不利于傳感器網(wǎng)絡(luò)的長(zhǎng)期使用。

2 北方蒼鷹優(yōu)化算法

北方蒼鷹優(yōu)化算法（northern goshawk optimization， NGO）模擬了北方蒼鷹在捕獵過(guò)程中的行為^[17]，種群位置矩陣見(jiàn)式（4）。

式中：N為種群數(shù)量；n為求解問(wèn)題的維度，在本文中代表所需部署傳感器節(jié)點(diǎn)的個(gè)數(shù)。每個(gè)種群的適應(yīng)度可用式（5）表示。

第1階段北方蒼鷹進(jìn)行獵物選擇和攻擊的行為可以表示為式（6）—式（8）。

式中：p_i為第i個(gè)北方蒼鷹的獵物位置；F為第i個(gè)北方蒼鷹獵物位置的目標(biāo)函數(shù)值；k是[1，N]范圍內(nèi)的隨機(jī)整數(shù)；x^new，P_1i為第i個(gè)北方蒼鷹的新位置；x^new，P₁為第i個(gè)北方蒼鷹的第j維的新位置；F^new，P_1i為基于第1階段更新后第i個(gè)北方蒼鷹的目標(biāo)函數(shù)值；r是[0，1]范圍內(nèi)的隨機(jī)數(shù)；I為1或2的隨機(jī)整數(shù)。

第2階段公式為

式中：t為當(dāng)前迭代次數(shù)；T為最大迭代次數(shù)；x^new，P_2i為第i個(gè)北方蒼鷹的新位置；x^new，P₂為第i個(gè)北方蒼鷹的第j維的新位置；F^new，P_2i為基于第2階段更新后第i個(gè)北方蒼鷹的目標(biāo)函數(shù)值。

3 改進(jìn)北方蒼鷹優(yōu)化算法

與其他群智能算法相同，原始北方蒼鷹優(yōu)化算法也存在初始化種群多樣性不高、易陷入局部最優(yōu)的問(wèn)題。針對(duì)該問(wèn)題，提出一種基于SPM混沌映射、Lévy飛行以及反向?qū)W習(xí)融合柯西變異的INGO（improved NGO）算法，以加快算法運(yùn)行速度并增強(qiáng)算法跳出局部最優(yōu)的能力。

3.1 SPM混沌映射

SPM混沌映射是生成混沌序列的一種方法，其相對(duì)于Logistic，Cubic等混沌映射具有更高的遍歷性和隨機(jī)性。其初始化種群方程式見(jiàn)式（12），當(dāng)η∈（0.1）、μ∈（0.1）時(shí)系統(tǒng)處于混沌狀態(tài)。

使用Logistic，Cubic和SPM分別對(duì)5 000個(gè)點(diǎn)進(jìn)行初始化分布，其實(shí)驗(yàn)結(jié)果如圖2所示。

由圖2可以看出，在生成的5 000個(gè)點(diǎn)中，SPM混沌映射具有更加均勻的分布，而Logistic，Cubic 2種混沌映射落在邊界的點(diǎn)相對(duì)較多，分布不均。所以，本文采用SPM混沌映射進(jìn)行種群初始化。

3.2 自適應(yīng)步長(zhǎng)縮放因子Lévy飛行策略

針對(duì)原始北方蒼鷹優(yōu)化算法在第2階段探索當(dāng)中會(huì)由于小步長(zhǎng)精確搜索而易陷入局部最優(yōu)且無(wú)法有效平衡全局和局部探索能力的問(wèn)題，本文采用改進(jìn)后的Lévy飛行策略對(duì)原始算法更新策略進(jìn)行改進(jìn)，使北方蒼鷹算法有一定概率跳出局部最優(yōu)，同時(shí)有效避免因?yàn)榇蟾怕瘦^大步長(zhǎng)搜索而導(dǎo)致的跳過(guò)全局最優(yōu)點(diǎn)問(wèn)題。其中，Lévy飛行的位置更新公式為

x′_i（t）=x_i（t）+I⊕Lévy（β） （13）

式中：x_i（t）表示第t代的第i個(gè)種群的位置；⊕表示點(diǎn)對(duì)點(diǎn)乘法；I為步長(zhǎng)縮放因子，在傳統(tǒng)Lévy飛行當(dāng)中取固定值1，但在算法實(shí)際運(yùn)行當(dāng)中，過(guò)大步長(zhǎng)會(huì)導(dǎo)致算法無(wú)法有效尋求最優(yōu)解，過(guò)小步長(zhǎng)又會(huì)增大算法的時(shí)間復(fù)雜度。所以本文將I改進(jìn)成隨迭代次數(shù)變化的自適應(yīng)權(quán)重α：

α=0.2×cos（π2·iterT） 。（14）

式中：iter為當(dāng)前迭代次數(shù)；T為最大迭代次數(shù)。生成服從Lévy飛行的步長(zhǎng)公式為

Lévy=u|v|^1β 。（15）

式中u～N（0，σ²），v～N（0，1），σ如式（16）所示：

σ=Γ（1+β）sinπβ2βΓ（1+β2）×2^β-121β。（16）

將改進(jìn)后的Lévy飛行策略應(yīng)用到NGO中的第2階段，改進(jìn)后的第2階段北方蒼鷹探索公式為

x^new，P_2i=x_i+α⊕Lévy 。（17）

3.3 融合反向?qū)W習(xí)與柯西變異策略

為使算法在迭代后期能夠有效避免局部尋優(yōu)的同時(shí)尋找新的最優(yōu)點(diǎn)，對(duì)最優(yōu)種群使用反向?qū)W習(xí)策略。反向?qū)W習(xí)公式^[18]為

X′（t）=ub+r⊕（lb-X（t）） ，（18）

X^t+1=X′（t）+（T-iterT）⊕（X（t）-X′（t）） 。（19）

柯西變異來(lái)源于柯西分布，其相對(duì)高斯變異具有強(qiáng)的擾動(dòng)性，可以使算法陷入局部最優(yōu)點(diǎn)時(shí)，能夠更加高效地跳出局部最優(yōu)點(diǎn)，融合柯西變異后的種群更新公式如下。

X^t+1=X（t）+cauchy（0，1）⊕X（t） 。（20）

整個(gè)算法流程圖如圖3所示。

4 仿真分析

4.1 測(cè)試函數(shù)驗(yàn)證

為驗(yàn)證所提算法的有效性，分別選取單峰測(cè)試函數(shù)F6、多峰測(cè)試函數(shù)F12對(duì)改進(jìn)北方蒼鷹算法進(jìn)行驗(yàn)證，如圖4所示。其中，種群數(shù)為100，最大迭代次數(shù)為2 000次。

由圖4可知，NGO算法和INGO算法相對(duì)粒子群優(yōu)化算法（particle swarm optimization， PSO）和果蠅優(yōu)化算法（fruit fly optimization algorithm，F(xiàn)OA）表現(xiàn)出更為顯著的優(yōu)越性，雖然在前200代內(nèi)，PSO和FOA已經(jīng)展現(xiàn)出較快的收斂趨勢(shì)，然而在經(jīng)過(guò)2 000代迭代之后，F(xiàn)OA和PSO算法的尋優(yōu)結(jié)果僅僅還保留在初始結(jié)果附近，陷入了局部最優(yōu)解。從收斂速度來(lái)看，INGO收斂速度優(yōu)于原始算法，一方面是因?yàn)镾PM混沌映射的引入使算法在初始階段時(shí)就可以探索到全局多個(gè)區(qū)域；另一方面是因?yàn)樵贗NGO中對(duì)引進(jìn)的Lévy飛行使用了非線性收斂因子進(jìn)行改進(jìn)，相較于原始Lévy飛行中的固定縮放因子，改進(jìn)后的非線性收斂因子通過(guò)非線性變化，使算法前期以較大步長(zhǎng)尋優(yōu)，增強(qiáng)算法的全局搜索能力，從而加快算法的收斂速度；在對(duì)比尋優(yōu)結(jié)果方面，原始NGO尋優(yōu)結(jié)果為10～20左右，而INGO算法在F6和F12測(cè)試函數(shù)中分別在1 800代和1 700代左右時(shí)獲得的尋優(yōu)結(jié)果為10～30，這一顯著提升得益于INGO在最優(yōu)種群更新方式上融入了柯西變異和反向?qū)W習(xí)策略，對(duì)當(dāng)前最優(yōu)種群進(jìn)行反向?qū)?yōu)，并通過(guò)柯西變異使其更為高效地跳出局部最優(yōu)點(diǎn)。綜上所述，所提INGO算法不僅在收斂速度上優(yōu)于原始NGO算法，而且在尋優(yōu)結(jié)果方面相比原始算法也有了顯著的提升，達(dá)到了10^-10倍的巨大改進(jìn)。

4.2 傳感器部署驗(yàn)證

4.2.1 無(wú)障礙環(huán)境下同構(gòu)傳感器部署

為證明INGO算法在同構(gòu)傳感器中的部署相比先前學(xué)者提出的算法具有更為卓越的性能，選取參考文獻(xiàn)[19-22]在同等參數(shù)下進(jìn)行對(duì)比，結(jié)果如表1和圖5所示。

由表1可知，相對(duì)于文獻(xiàn)[19-22]中的算法，INGO算法在最優(yōu)覆蓋率上分別提升了約0.7%，1.2%，2.6%，6.9%。與文獻(xiàn)[19]相比，INGO算法的改進(jìn)相對(duì)較小，這歸因于文獻(xiàn)[19]也對(duì)最優(yōu)種群更新方式進(jìn)行了改進(jìn)，側(cè)面驗(yàn)證了對(duì)算法最優(yōu)種群更新方式改進(jìn)的重要性。然而，文獻(xiàn)[19]缺少對(duì)初始化的改進(jìn)，所以相對(duì)INGO仍有較小差距。文獻(xiàn)[20]和文獻(xiàn)[21]對(duì)PSO算法中的初始化和收斂因子分別進(jìn)行了混沌映射和自適應(yīng)改進(jìn)，但缺乏對(duì)最優(yōu)種群更新方式的改進(jìn)，容易陷入局部最優(yōu)點(diǎn)。文獻(xiàn)[22]通過(guò)立方混沌映射和非線性改進(jìn)對(duì)初始化和逃跑能量因子進(jìn)行優(yōu)化，但同樣沒(méi)有對(duì)種群最優(yōu)個(gè)體更新方式進(jìn)行改進(jìn)，盡管文獻(xiàn)[22]中的CCHHO算法相對(duì)于其他文獻(xiàn)有所提升，但相較于INGO算法，仍存在7%的性能差距。這也部分得益于SPM混沌映射在分布性上優(yōu)于立方混沌映射。

4.2.2 障礙環(huán)境下異構(gòu)傳感器部署

為驗(yàn)證所提算法在傳感器部署中的有效性及優(yōu)越性，選取人工蜂群算法（artificial bee colony， ABC），PSO，F(xiàn)OA，NGO，INGO共5種優(yōu)化算法進(jìn)行無(wú)障礙環(huán)境下和障礙環(huán)境下傳感器部署對(duì)比實(shí)驗(yàn)，各參數(shù)值如表2所示。

各算法覆蓋率對(duì)比實(shí)驗(yàn)如圖6所示，其中青色區(qū)域?yàn)檎系K物區(qū)域。

在圖6的迭代過(guò)程中，INGO算法在障礙和無(wú)障礙環(huán)境下均展現(xiàn)出每一代都相比其他算法具有更高的覆蓋率，這歸因于INGO能夠通過(guò)SPM混沌映射使得每次算法初始化時(shí)都相對(duì)原始算法的隨機(jī)分布達(dá)到更大范圍的求解區(qū)域。從收斂速度來(lái)看，以收斂速度較快而著稱的PSO，雖然在60代左右已完成收斂，但由于陷入了局部最優(yōu)，其求解精度較低。在200代時(shí)NGO和FOA正在逐漸趨于收斂，而融入改進(jìn)后Lévy飛行策略的INGO算法因?yàn)椴介L(zhǎng)變更更加隨機(jī)，跳出局部最優(yōu)更快，在200代時(shí)其已完成收斂。從迭代結(jié)果看，無(wú)障礙環(huán)境下的INGO算法覆蓋率達(dá)到了93.0%，相比PSO，F(xiàn)OA，ABC，NGO分別提升了13%，5%，15%，5%。在障礙環(huán)境下，INGO的覆蓋率為94.2%，相比PSO，F(xiàn)OA，ABC，NGO，覆蓋率分別提升了8%，11%，16%，6%。這一顯著提升源于INGO中融入的反向?qū)W習(xí)與柯西變異策略使得算法能夠跳出局部最優(yōu)，尋找最優(yōu)的傳感器部署位置，從而提高整體覆蓋率。對(duì)比傳感器部署圖可以看出，INGO可以使異構(gòu)傳感器均勻分布，在最小化冗余度的同時(shí)最大化覆蓋面積，印證了INGO在障礙環(huán)境下異構(gòu)傳感器部署中的應(yīng)用價(jià)值。

5 結(jié) 語(yǔ)

所提改進(jìn)北方蒼鷹優(yōu)化算法使用SPM混沌映射增加初始化種群的多樣性，引入Lévy飛行策略并對(duì)其步長(zhǎng)縮放因子進(jìn)行改進(jìn)，使其可以根據(jù)算法的迭代次數(shù)，自適應(yīng)更改當(dāng)前步長(zhǎng)，平衡算法的全局和局部尋優(yōu)能力，提高算法收斂速度，并使用柯西變異和反向?qū)W習(xí)對(duì)當(dāng)前種群最優(yōu)位置進(jìn)行更新，提高算法跳出局部最優(yōu)的能力，提高算法收斂精度。主要結(jié)論如下。

1）SPM混沌映射相比其他混沌映射具有更好的遍歷性，可以達(dá)到求解范圍的較多區(qū)域。

2）改進(jìn)后的Lévy飛行策略能夠平衡算法的全局和局部尋優(yōu)能力，增加算法收斂速度。

3）融合柯西變異和反向?qū)W習(xí)后的INGO算法能夠有效跳出算法局部最優(yōu)，提高算法收斂精度。

4）改進(jìn)北方蒼鷹優(yōu)化算法相對(duì)其他算法，具有覆蓋率更高、冗余度更低的優(yōu)點(diǎn)。

本文不足之處在于僅考慮了光散射和電化學(xué)類的異構(gòu)傳感器合理部署，沒(méi)有考慮到傳感器之間的合理配比和紅外等視覺(jué)傳感器。下一步將考慮傳感器之間的合理配比，以高性價(jià)比實(shí)現(xiàn)對(duì)目標(biāo)區(qū)域的監(jiān)測(cè)，并探討如何處理障礙物對(duì)紅外等視覺(jué)傳感器的影響。

參考文獻(xiàn)/References：

[1]RAHEJA S，OBAIDAT M S，SADOUN B，et al.Modeling and simulation of urban air quality with a 2-phase assessment technique[J].Simulation Modelling Practice and Theory，2021，109.DOI：10.1016/j.simpat.2021.102281.

[2]ANGULO MILHEM S，VERRIELE M，NICOLAS M，et al.Indoor use of essential oil-based cleaning products：Emission rate and indoor air quality impact assessment based on a realistic application methodology[J].Atmospheric Environment，2021，246.DOI：10.1016/j.atmosenv.2020.118060.

[3]JO J H，JO B W，KIM J H，et al.Development of an IoT-based indoor air quality monitoring platform[J].Journal of Sensors，2020，2020：1-14.

[4]KALLIO J，TERVONEN J，R?S?NEN P，et al.Forecasting office indoor CO concentration using machine learning with a one-year dataset[J].Building and Environment，2021，187.DOI：10.1016/j.buildenv.2020.107409.

[5]AHMET.Determination of indoor air quality in collective living spaces utilizing fuzzy logic analysis[J].Revista de la Construcción，2020，19（3）：288-300.

[6]李淳.《中國(guó)室內(nèi)環(huán)境空氣污染白皮書》發(fā)布[EB/OL].http：//business.china.com.cn/2022-06/02/content_41991108.html，2023-10-15.

[7]中國(guó)測(cè)試技術(shù)研究院.2019中國(guó)室內(nèi)空氣污染狀況白皮書[R].成都：中國(guó)測(cè)試技術(shù)研究院，2019.

[8]聶慶科，孫廣，郝永攀，等.多源異構(gòu)監(jiān)測(cè)數(shù)據(jù)融合方法及應(yīng)用[J].科學(xué)技術(shù)與工程，2022，22（13）：5348-5357.

NIE Qingke，SUN Guang，HAO Yongpan，et al.Integrated information extraction method for the multi-source heterogeneous monitoring data and its application[J].Science Technology and Engineering，2022，22（13）：5348-5357.

[9]宋欣瑞，張憲琦，張展，等.多傳感器數(shù)據(jù)融合的復(fù)雜人體活動(dòng)識(shí)別[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，60（10）：814-821.

SONG Xinrui，ZHANG Xianqi，ZHANG Zhan，et al.Multi-sensor data fusion for complex human activity recognition[J].Journal of Tsinghua University（Science and Technology），2020，60（10）：814-821.

[10]王利，許豪，舒寶，等.利用互信息和IPSO-LSTM進(jìn)行滑坡監(jiān)測(cè)多源數(shù)據(jù)融合[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2021，46（10）：1478-1488.

WANG Li，XU Hao，SHU Bao，et al.A multi-source heterogeneous data fusion method for landslide monitoring with mutual information and IPSO-LSTM neural network[J].Geomatics and Information Science of Wuhan University，2021，46（10）：1478-1488.

[11]XIA Sibo，NAN Xinyuan，CAI Xin，et al.Data fusion based wireless temperature monitoring system applied to intelligent greenhouse[J].Computers and Electronics in Agriculture，2022，192.DOI：10.1016/j.compag.2021.106576.

[12]武娟，李洪兵，羅磊，等.WSN中基于改進(jìn)麻雀搜索算法的多目標(biāo)覆蓋優(yōu)化[J].電子測(cè)量技術(shù)，2022，45（15）：48-56.

WU Juan，LI Hongbing，LUO Lei，et al.Multi-objective coverage optimization of WSN based on improved sparrow search algorithm[J].Electronic Measurement Technology，2022，45（15）：48-56.

[13]CHEN Jiaqi，CHEN Zhuo，BOUSSAID F，et al.Ultra-low-power smart electronic nose system based on three-dimensional tin oxide nanotube arrays[J].ACS Nano，2018，12（6）：6079-6088.

[14]WANG Ming，ZHANG Renhao，ZHANG Yanlu，et al.An indoor environmental monitoring system based on ESPDuino for green buildings[C]//2018 IEEE International Conference on Information and Automation（ICIA）.Wuyishan：[s.n.]，2018：1658-1663.

[15]CHIESA G，CESARI S，GARCIA M.et al.Multi sensor IoT platform for optimising IAQ levels in buildings through a smart ventilationSystem[J].Sustainability，2019，11（20）.DOI：10.3390/su11205777.

[16]KUAWATTANAPHAN R，CHAMPRASERT P，ARAMKUL S.A novel heterogeneous wireless sensor node deployment algorithm with parameter-free configuration[J].IEEE Access，2018，6：44951-44969.

[17]LIANG Yan，HU Xianzhi，HU Gang，et al.An enhanced northern goshawk optimization algorithm and its application in practical optimization problems[J].Mathematics，2022，10（22）.DOI：10.3390/math10224383.

[18]何慶，林杰，徐航.混合柯西變異和均勻分布的蝗蟲優(yōu)化算法[J].控制與決策，2021，36（7）：1558-1568.

HE Qing，LIN Jie，XU Hang.Hybrid Cauchy mutation and uniform distribution of grasshopper optimization algorithm[J].Control and Decision，2019，36（7）：1558-1568.

[19]周海鵬，高芹，蔣豐千，等.自適應(yīng)混沌量子粒子群算法及其在WSN覆蓋優(yōu)化中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2018，38（4）：1064-1071.

ZHOU Haipeng，GAO Qin，JIANG Fengqian，et al.Application of self-adaptive chaotic quantum particle swarm algorithm in coverage optimization of wireless sensor network[J].Journal of Computer Applications，2018，38（4）：1064-1071.

[20]宋明智，楊樂(lè).改進(jìn)VFPSO算法于WSN節(jié)點(diǎn)隨機(jī)部署中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2016（2）：141-145.

SONG Mingzhi，YANG Le.Random deployment of sensor nodes using enhanced VFPSO algorithm[J].Computer Engineering and Applications，2016（2）：141-145.

[21]洪麗啦，莫愿斌，鮑冬雪.立方混沌非線性哈里斯鷹優(yōu)化算法在無(wú)線傳感器節(jié)點(diǎn)部署分析研究[J].現(xiàn)代電子技術(shù)，2023，46（6）：161-168.

HONG Lila，MO Yuanbin，BAO Dongxue.Analysis of wireless sensor node deployment based on nonlinear CCHHO algorithm[J].Modern Electronics Technique，2023，46（6）：161-168.

[22]于文杰，李迅波，羊行，等.外推人工蜂群算法在WSN部署優(yōu)化中的應(yīng)用研究[J].儀表技術(shù)與傳感器，2017（6）：158-160.

YU Wenjie，LI Xunbo，YANG Heng，et al.Extrapolation artificial bee colony algorithm research on deployment optimization in wireless sensor network[J].Instrument Technique and Sensor，2017（6）：158-160.