面向無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)的三維覆蓋研究

黃德昌 蔡芳龍 黃招娣 吳章

收稿日期：2023-09-21

基金項(xiàng)目：江西省自然科學(xué)基金項(xiàng)目（20232BAA10012）；江西省教育廳科學(xué)技術(shù)研究項(xiàng)目（GJJ210610）

文章編號(hào)：1005-0523（2024）03-0082-08

摘要：【目的】為達(dá)到增強(qiáng)無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)（HWSN）三維覆蓋能力的目的，提出了一種基于改進(jìn)蜜獾優(yōu)化算法（IHBA）的無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)三維部署方法。【方法】首先，結(jié)合自適應(yīng)果蠅優(yōu)化算法，增強(qiáng)算法的隨機(jī)搜索性，便于算法得到全局最優(yōu)解，然后引入替換最差個(gè)體策略，避免適應(yīng)度過(guò)低的個(gè)體占據(jù)種群位置，提高算法收斂速度，同時(shí)引入新個(gè)體提高種群多樣性，避免算法個(gè)體早熟。【結(jié)果】將該算法應(yīng)用于無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)的覆蓋優(yōu)化，相比標(biāo)準(zhǔn)蜜獾算法，其網(wǎng)絡(luò)覆蓋率提升18.1%。【結(jié)論】仿真結(jié)果表明，該算法收斂速度更快，可以有效提高無(wú)線異構(gòu)傳感器的網(wǎng)絡(luò)覆蓋能力，整個(gè)網(wǎng)絡(luò)的節(jié)點(diǎn)分布也更加均勻。

關(guān)鍵詞：無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)；蜜獾算法；自適應(yīng)果蠅優(yōu)化算法；替換最差個(gè)體策略

中圖分類(lèi)號(hào)：TP212.9；U495 文獻(xiàn)標(biāo)志碼：A

本文引用格式：黃德昌，蔡芳龍，黃招娣，等. 面向無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)的三維覆蓋研究[J]. 華東交通大學(xué)學(xué)報(bào)，2024，41（3）：82-89.

Research on Three-Dimensional Coverage for Wireless Heterogeneous Sensor Networks

Huang Dechang， Cai Fanglong， Huang Zhaodi， Wu Zhang

（School of Information Engineering， East China Jiaotong University， Nanchang 330013， China）

Abstract： 【Objective】In order to enhance the 3D coverage capability of wireless heterogeneous sensor networks （HWSN）， a 3D deployment method based on improved honey badger optimization algorithm （IHBA） is proposed. 【Method】Firstly， combined with the adaptive fruit fly optimization algorithm， the random search ability of the algorithm is enhanced， which is convenient for the algorithm to obtain the global optimal solution. Then， the strategy of replacing the worst individual is introduced to avoid the low adapting individual to occupy the population position and improve algorithm convergence speed. In the meantime， new individuals are introduced to improve the population diversity and avoid the individual prematurity of the algorithm. 【Result】This algorithm is applied to the coverage optimization of HWSN， and the network coverage is improved by 18.1% compared with the standard Honey Badger algorithm. 【Conclusion】The simulation results show that the algorithm converges faster， can effectively improve the network coverage capability of wireless heterogeneous sensors， and the node distribution of the whole network is more uniform.

Key words： wireless heterogeneous sensor networks （HWSN）; honey badger algorithm; adaptive fruit fly optimization algorithm; the worst individual strategy replacement

Citation format： HUANG D C， CAI F L， HUANG Z D， et al. Research on three-dimensional coverage for wireless heterogeneous sensor networks[J]. Journal of East China Jiaotong University， 2024， 41（3）： 82-89.

【研究意義】隨著無(wú)線通信技術(shù)的不斷發(fā)展，無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)（heterogeneous wireless sensor networks，HWSN）已逐漸成為全球社會(huì)生產(chǎn)和生活不可或缺的重要技術(shù)手段[1] 。無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)可應(yīng)用于諸多領(lǐng)域，如農(nóng)業(yè)生產(chǎn)、車(chē)輛檢測(cè)、環(huán)境監(jiān)測(cè)、工 業(yè)自動(dòng)化、交通信號(hào)控制等領(lǐng)域[2-4]，是實(shí)現(xiàn)智慧交通、智慧城市的關(guān)鍵技術(shù)之一。在無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)應(yīng)用中，如何高效地進(jìn)行網(wǎng)絡(luò)覆蓋是亟須解決的問(wèn)題[5-6]。

【研究進(jìn)展】近年來(lái)，為提高復(fù)雜三維地形的異構(gòu)傳感器網(wǎng)絡(luò)覆蓋，無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)的三維覆蓋得到了廣泛且深入的研究[7-8]。馮秀芳等[9]提出了基于虛擬力的異構(gòu)節(jié)點(diǎn)網(wǎng)絡(luò)覆蓋增強(qiáng)算法，在傳感器節(jié)點(diǎn)之間引入虛擬力來(lái)最大化網(wǎng)絡(luò)覆蓋率。劉鵬等[10]提出了一種基于自適應(yīng)果蠅優(yōu)化算法的分層異構(gòu)無(wú)線傳感器網(wǎng)絡(luò)三維優(yōu)化部署，模擬果蠅較強(qiáng)的隨機(jī)搜索性，加快算法的搜索速度。吳儀等[11]針對(duì)異構(gòu)傳感器網(wǎng)絡(luò)部署時(shí)引發(fā)的隨機(jī)空洞與冗余均衡問(wèn)題，提出一種空洞弧段引導(dǎo)下異構(gòu)傳感網(wǎng)的覆蓋優(yōu)化策略，實(shí)現(xiàn)了本地化的空洞識(shí)別和低耗適配的空洞修補(bǔ)。李明等[12]針對(duì)給定部署區(qū)域在不同的子區(qū)域有不同的重要性，部署的移動(dòng)傳感器節(jié)點(diǎn)具有不同可靠性、壽命、能量和移動(dòng)能力的復(fù)雜條件下節(jié)點(diǎn)部署優(yōu)化問(wèn)題，提出了一種改進(jìn)的微分進(jìn)化算法，增強(qiáng)了算法的局部搜索能力，有效提高了算法覆蓋性能。茍平章等[13]針對(duì)異構(gòu)無(wú)線傳感器網(wǎng)絡(luò)中初始節(jié)點(diǎn)隨機(jī)部署或節(jié)點(diǎn)失效產(chǎn)生覆蓋盲區(qū)的問(wèn)題，提出一種節(jié)點(diǎn)穩(wěn)定匹配的覆蓋空洞修復(fù)優(yōu)化算法，利用Voronoi多邊形劃分確定節(jié)點(diǎn)覆蓋盲區(qū)，使得算法收斂速度加快，匹配次數(shù)和節(jié)點(diǎn)移動(dòng)距離減少，覆蓋率提高。

【創(chuàng)新特色】綜合現(xiàn)有研究，本文從算法搜索性能、跳出局部最優(yōu)能力的角度進(jìn)行研究，首先引入自適應(yīng)果蠅算法增強(qiáng)算法搜索的隨機(jī)性，從而提高算法前期的搜索能力；其次在算法迭代過(guò)程中進(jìn)行替換最差個(gè)體操作，減少迭代種群中適應(yīng)度過(guò)低的個(gè)體，從而加快了算法的收斂速度，同時(shí)引入新個(gè)體，避免算法陷入局部最優(yōu)。

【關(guān)鍵問(wèn)題】為了有效提高異構(gòu)傳感器網(wǎng)絡(luò)覆蓋范圍，減少不必要的資源浪費(fèi)，結(jié)合上述改進(jìn)策略，本文提出了一種基于改進(jìn)型蜜獾優(yōu)化算法的無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)覆蓋方法。該方法首先將區(qū)域覆蓋率映射為適應(yīng)度函數(shù)，傳感器節(jié)點(diǎn)坐標(biāo)映射為蜜獾個(gè)體的位置，并引入蜜獾算法，結(jié)合自適應(yīng)果蠅優(yōu)化算法、替換最差個(gè)體策略形成改進(jìn)型蜜獾算法，進(jìn)而優(yōu)化傳感器節(jié)點(diǎn)坐標(biāo)，以提高區(qū)域網(wǎng)絡(luò)覆蓋率。

1 傳感器網(wǎng)絡(luò)模型

1.1 覆蓋模型

在HWSN中，節(jié)點(diǎn)感知模型可分為兩類(lèi)：0/1感知模型和概率感知模型。其中，0/1感知模型旨在模擬一個(gè)以傳感器節(jié)點(diǎn)為中心，r為感知半徑的球形空間，當(dāng)監(jiān)測(cè)點(diǎn)位于該感知半徑內(nèi)時(shí)，就可以認(rèn)定其已被覆蓋。在三維空間中，傳感器節(jié)點(diǎn)[si（xi，yi，zi）]與監(jiān)測(cè)節(jié)點(diǎn)[mj（xj，yj，zi）]之間的歐氏距離為

[d（si，mj）=（xi-xj）2+（yi-yj）2+（zi-zj）2] （1）

傳感器節(jié)點(diǎn)對(duì)監(jiān)測(cè)節(jié)點(diǎn)的感知概率定義如下

[Pcov（si，mj）=1，0， d（si， mj）≤r? d（si， mj）>r] （2）

將所有傳感器節(jié)點(diǎn)[sall]在目標(biāo)檢測(cè)環(huán)境中的區(qū)域覆蓋率[Rp（sall，mj）]定義為傳感器節(jié)點(diǎn)的覆蓋體積與監(jiān)測(cè)區(qū)域的空間體積[Vol]之比，如下

[Rp（sall，mj）=PcovVol] （3）

為使得覆蓋率最大，所求問(wèn)題可描述為

[f=max（Rp）] （4）

1.2 有效覆蓋模型

討論節(jié)點(diǎn)對(duì)監(jiān)測(cè)區(qū)域的覆蓋情況，采用一種有效覆蓋率作為可靠性指標(biāo)之一，網(wǎng)絡(luò)的有效覆蓋率越高，說(shuō)明節(jié)點(diǎn)覆蓋利用率越高。有效覆蓋率用[Rt]表示

[Rt=RpRm] （5）

式中：[Rm]為所有傳感器節(jié)點(diǎn)能覆蓋的最大體積。

2 蜜獾算法

蜜獾算法的基礎(chǔ)是蜜獾的智能搜索行為，蜜獾通過(guò)嗅覺(jué)發(fā)現(xiàn)食物的位置，并在接近食物的地方進(jìn)行挖掘，以獲取食物。此外，蜜獾還可以跟隨導(dǎo)蜜鳥(niǎo)的指引，找到蜂巢，獲得蜂蜜。Hashim等基于蜜獾尋找食物源的行為建立了標(biāo)準(zhǔn)蜜獾算法模型[14]。

2.1 種群初始化階段

在目標(biāo)區(qū)域內(nèi)，對(duì)蜜獾的種群規(guī)模和個(gè)體位置隨機(jī)初始化

[xi=lbi+r1×（ubi-lbi）] （6）

式中：[xi]為種群中第[i]個(gè)蜜獾的位置；[r1]為0～1的隨機(jī)數(shù)；[lbi，ubi]分別為目標(biāo)區(qū)域的下界和上界。

2.2 定義強(qiáng)度I

蜜獾的嗅覺(jué)強(qiáng)度取決于它們對(duì)獵物的注意力和距離。氣味強(qiáng)度和運(yùn)動(dòng)速度成正比。獵物的氣味強(qiáng)度用[Ii]表示為

[Ii=r2×S4πd2iS=（xi-xi+1）2di=xprey-xi] （7）

式中：[r2]為0～1的隨機(jī)數(shù)；[S]為獵物集中強(qiáng)度；[di]為當(dāng)前蜜獾與獵物的距離。

2.3 更新密度因子

密度因子[α]受迭代次數(shù)控制，當(dāng)更新隨著迭代次數(shù)減少，密度因子[α]也會(huì)減少隨機(jī)化，來(lái)確保勘探階段能平穩(wěn)過(guò)渡到開(kāi)發(fā)階段，從而減少蜜獾覓食過(guò)程中的不確定性。計(jì)算式為

[α=C×exp-ttmax] （8）

式中：[C≥1]（一般默認(rèn)為2）；[tmax]為最大迭代次數(shù)。

2.4 挖掘階段

在挖掘階段，蜜獾的運(yùn)動(dòng)軌跡類(lèi)似于心臟線，其運(yùn)動(dòng)軌跡公式如下

[xnew=xprey+F×β×I×xprey+? ????????F×r3×α×di×cos（2πr4）×1-cos（2πr5）] （9）

式中：[xprey]為蜜獾的全局最優(yōu)位置；[r3，r4，r5]為3個(gè)0～1的不同隨機(jī)數(shù)；[β]為蜜獾獲取食物的能力，取值大于等于1，一般默認(rèn)為6；[F]為搜索方向的變向標(biāo)記，其公式如下

[F=1，-1， r6<0.5r6≥0.5] （10）

式中：[r6]為0～1的隨機(jī)數(shù)，在蜜獾挖掘階段中，蜜獾比較依賴(lài)氣味強(qiáng)度，同時(shí)挖掘期間會(huì)受到干擾，從而導(dǎo)致蜜獾無(wú)法尋找到更好的位置。

2.5 采蜜階段

蜜獾在導(dǎo)蜜鳥(niǎo)的指引下，成功地發(fā)現(xiàn)蜂巢的過(guò)程可用公式表達(dá)為

[xnew=xprey+F×r7×α×di] （11）

式中：[r7]為0～1的隨機(jī)數(shù)；[xnew]為蜜獾個(gè)體更新后的位置；[xprey]為食物源的位置。由上式可知，蜜獾在獵物附近進(jìn)行搜索。

3 改進(jìn)型蜜獾算法

針對(duì)蜜獾算法在解決優(yōu)化問(wèn)題時(shí)存在的問(wèn)題，結(jié)合果蠅優(yōu)化算法、替換最差個(gè)體策略提出一種改進(jìn)型蜜獾算法，替換最差蜜獾個(gè)體，保留優(yōu)良蜜獾個(gè)體，同時(shí)增加蜜獾隨機(jī)搜索能力，從而增強(qiáng)算法尋優(yōu)過(guò)程的穩(wěn)定性以及算法的跳出局部最優(yōu)能力[15]。

3.1 結(jié)合果蠅優(yōu)化算法

果蠅優(yōu)化算法（fruit fly optimization algorithm，F(xiàn)OA）是一種較新的優(yōu)化算法，它仿照果蠅覓食的行為，來(lái)優(yōu)化復(fù)雜問(wèn)題。FOA遵循果蠅群體智能的自組織行為；思想簡(jiǎn)單，參數(shù)少，易于實(shí)現(xiàn)；既利用全局隨機(jī)搜索，也融入局部聚集搜索；FOA的缺點(diǎn)則是容易陷入局部最優(yōu)，收斂速度相對(duì)較慢。

參考劉鵬等[10]提出的一種基于自適應(yīng)果蠅優(yōu)化算法的分層異構(gòu)無(wú)線傳感器網(wǎng)絡(luò)三維優(yōu)化部署方法；將其引入標(biāo)準(zhǔn)蜜獾算法的采蜜階段當(dāng)中，對(duì)于蜜獾進(jìn)行更新，更新的計(jì)算公式如下

[xnew=xprey+2×sl×rand-sl] （12）

式中：[rand]為0～1之間的隨機(jī)數(shù)；[sl]為果蠅飛行的自適應(yīng)步長(zhǎng)，其計(jì)算公式為[sl=0.3×α]；引入自適應(yīng)步長(zhǎng)果蠅優(yōu)化算法，參數(shù)少，易于實(shí)現(xiàn)；步長(zhǎng)隨著迭代次數(shù)的增加而減小，滿足前期全局搜索最優(yōu)，后期局部聚集搜索最優(yōu)的特性。

3.2 替換最差個(gè)體策略

替換最差個(gè)體是一種選擇操作，它會(huì)替換種群中最差適應(yīng)度的個(gè)體，以維持種群的進(jìn)化質(zhì)量。替換最差個(gè)體能避免適應(yīng)度過(guò)低的個(gè)體占據(jù)種群位置，提高算法收斂速度，同時(shí)引入新個(gè)體提高種群多樣性。替換最差個(gè)體主要思想為：找到種群中的最優(yōu)適應(yīng)度[max_n]以及最差適應(yīng)度[min_n]，根據(jù)最優(yōu)適應(yīng)個(gè)體以及最差適應(yīng)個(gè)體設(shè)定一個(gè)評(píng)估閾值[lim]，評(píng)估閾值計(jì)算公式如下

[lim=（max_n-min_n）×0.2+min_n] （13）

若種群中的個(gè)體適應(yīng)度小于評(píng)估閾值，則判定為需要被替換的個(gè)體，替換方式則是用最優(yōu)個(gè)體的位置替換該個(gè)體的位置，用最優(yōu)個(gè)體的適應(yīng)度值替換該個(gè)體的適應(yīng)度值。

3.3 IHBA實(shí)現(xiàn)流程

IHBA算法實(shí)現(xiàn)流程如下。

Step 1 設(shè)置種群數(shù)N，蜜獾個(gè)體數(shù)目[n]，最大迭代次數(shù)[tmax]，目標(biāo)區(qū)域上下界[ub]和[lb]，蜜獾獲取食物能力[β]等參數(shù)，并初始化蜜獾種群；

Step 2 計(jì)算蜜獾個(gè)體的適應(yīng)度 ，確定食物源；

Step 3 開(kāi)始迭代，隨機(jī)生成一個(gè)概率r，概率大于0.5進(jìn)入Step 4，否則跳轉(zhuǎn)到Step 5；

Step 4 進(jìn)入蜜獾挖掘階段，用式（9）更新蜜獾個(gè)體位置；

Step 5 采用自適應(yīng)果蠅優(yōu)化算法的搜索方式，用式（12）更新蜜獾個(gè)體位置；

Step 6 對(duì)種群所有個(gè)體的適應(yīng)度進(jìn)行評(píng)估，選出最優(yōu)個(gè)體適應(yīng)度以及最差個(gè)體適應(yīng)度，根據(jù)最優(yōu)適應(yīng)度以及最差適應(yīng)度設(shè)定評(píng)估閾值：若蜜獾個(gè)體的適應(yīng)度低于評(píng)估閾值，則判定為需要被替換個(gè)體，用最優(yōu)個(gè)體的位置以及適應(yīng)度值替換該個(gè)體的位置以及適應(yīng)度值；

Step 7 計(jì)算蜜獾個(gè)體適應(yīng)度，更新食物源位置及其適應(yīng)度；

Step 8 判斷是否達(dá)到最大迭代次數(shù)，若滿足條件則輸出最優(yōu)解，程序結(jié)束，反之跳轉(zhuǎn)到Step 3。

3.4 IHBA流程圖

圖1所示為IHBA實(shí)現(xiàn)的流程圖，其實(shí)現(xiàn)流程與3.3節(jié)中的步驟一致，概括了IHBA算法從種群初始化到輸出最優(yōu)解的過(guò)程。

4 仿真及對(duì)比分析

為了驗(yàn)證IHBA對(duì)無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)覆蓋的有效性，將無(wú)線異構(gòu)傳感器節(jié)點(diǎn)位置映射為蜜獾個(gè)體位置，無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)覆蓋率映射為適應(yīng)度；并選擇與基本的HBA算法和粒子群算法在MATLAB R2019a的環(huán)境中進(jìn)行無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)優(yōu)化對(duì)比，通用實(shí)驗(yàn)參數(shù)一致。參與對(duì)比的算法有HBA、PSO（粒子群優(yōu)化算法）。實(shí)驗(yàn)評(píng)價(jià)指標(biāo)為無(wú)線傳感器覆蓋率、有效覆蓋率以及算法運(yùn)行時(shí)間。

4.1 仿真實(shí)驗(yàn)

4.1.1 目標(biāo)區(qū)域?yàn)?0×20×20覆蓋優(yōu)化對(duì)比

本組實(shí)驗(yàn)采用兩種不同感知半徑的傳感器進(jìn)行仿真，感知半徑分別為3，5 m，其數(shù)量分別選取30，10，在不考慮間隙誤差情況以及覆蓋模型形狀的情況下，本組參數(shù)的異構(gòu)傳感器恰好能夠完全監(jiān)測(cè)空間，具體實(shí)驗(yàn)參數(shù)如表1所示。圖2，圖3，圖4分別為HBA、PSO與IHBA的節(jié)點(diǎn)分布對(duì)比，圖5所示為IHBA與HBA、PSO的覆蓋率收斂情況對(duì)比。表2展示了不同算法的覆蓋率優(yōu)化結(jié)果，其中包括HBA、IHBA、PSO。

圖中紅色球體表示半徑為5 m的傳感器節(jié)點(diǎn)覆蓋空間，藍(lán)色表示半徑為3 m的傳感器節(jié)點(diǎn)覆蓋空間；通過(guò)觀察，IHBA優(yōu)化后，節(jié)點(diǎn)位置分布更均勻、排列更整齊；HBA以及PSO優(yōu)化后的節(jié)點(diǎn)覆蓋盲點(diǎn)較多，冗余性更高。

從圖5可以看出，PSO較早地獲得了局部最優(yōu)解，并沒(méi)有獲得全局最優(yōu)解；HBA前期更新迭代慢，搜索速度較慢，并且沒(méi)有獲取到全局最優(yōu)解；相比前兩種方法，IHBA的效果更好，自適應(yīng)果蠅算法的引入增強(qiáng)了算法搜索的隨機(jī)性，從而增強(qiáng)了算法前期搜索能力。在算法迭代中替換最差個(gè)體，減少迭代種群中適應(yīng)度過(guò)低的個(gè)體，從而提高了算法的收斂速度；同時(shí)引入新個(gè)體，避免了算法陷入局部最優(yōu)，算法中后期覆蓋率緩慢增長(zhǎng)，也說(shuō)明IHBA能夠跳出局部最優(yōu)，找到更優(yōu)的全局解。

由表2可知，IHBA進(jìn)行500次迭代優(yōu)化后，相比基本HBA，PSO覆蓋率分別提高18.1%，15.1%；有效覆蓋率與覆蓋率相差較小，說(shuō)明優(yōu)化后的節(jié)點(diǎn)利用率較高，節(jié)點(diǎn)冗余較少；在引入改進(jìn)策略后，IHBA與HBA的算法運(yùn)行時(shí)間相近，可見(jiàn)引入改進(jìn)策略后并未明顯拖慢算法效率。

4.1.2 目標(biāo)區(qū)域?yàn)?0×50×50覆蓋優(yōu)化對(duì)比

本組實(shí)驗(yàn)采用感知半徑分別為5，8 m的傳感器進(jìn)行仿真，其數(shù)量分別選取55，45，在不考慮間隙誤差情況以及覆蓋模型形狀的情況下，該組參數(shù)的異構(gòu)傳感器恰好能夠完全監(jiān)測(cè)空間，具體實(shí)驗(yàn)參數(shù)如表3所示。

圖6，圖7，圖8分別為HBA優(yōu)化節(jié)點(diǎn)分布圖，PSO優(yōu)化節(jié)點(diǎn)分布圖以及IHBA優(yōu)化節(jié)點(diǎn)分布圖，圖中紅色球體表示半徑為8 m的傳感器節(jié)點(diǎn)覆蓋空間，其余均表示半徑為5 m的傳感器節(jié)點(diǎn)覆蓋空間。通過(guò)仿真效果圖可知，IHBA優(yōu)化后，節(jié)點(diǎn)位置分布更均勻，覆蓋盲點(diǎn)少；HBA以及PSO優(yōu)化后的節(jié)點(diǎn)分布散亂，覆蓋冗余性較高。

從圖9可以看出，在將目標(biāo)空間增大、節(jié)點(diǎn)數(shù)量規(guī)模增加后，PSO，HBA均出現(xiàn)前期更新迭代慢，搜索速度較慢，并且沒(méi)有獲取到全局最優(yōu)解的情況；相比之下，IHBA依舊能夠進(jìn)行較快地搜索，這表明結(jié)合的自適應(yīng)果蠅算法在規(guī)模增大的情況下依舊具備較強(qiáng)的搜索隨機(jī)性，從而增強(qiáng)了算法的搜索能力。在算法迭代中替換最差個(gè)體，避免迭代種群中適應(yīng)度過(guò)低的個(gè)體占據(jù)過(guò)多的位置，加快了算法的收斂速度，同時(shí)引入新個(gè)體，增強(qiáng)了算法跳出局部最優(yōu)能力，算法中后期覆蓋率緩慢增長(zhǎng)，也說(shuō)明IHBA具備跳出局部最優(yōu)的能力，繼而尋找到全局最優(yōu)解。

由表4可知，IHBA進(jìn)行500次迭代優(yōu)化后，覆蓋率相比基本HBA、PSO分別提高了17.5%、16.6%；覆蓋率與有效覆蓋率接近，表明節(jié)點(diǎn)利用率較高，覆蓋重疊區(qū)域較少；IHBA與HBA的算法運(yùn)行時(shí)間相近，說(shuō)明引入改進(jìn)策略后并未明顯拖慢算法效率。可見(jiàn)IHBA在無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)覆蓋應(yīng)用中具備有效性和可行性。

4.2 仿真結(jié)果分析

從以上仿真實(shí)驗(yàn)可以得出，改進(jìn)型蜜獾算法具有良好的收斂速度、較強(qiáng)的探索性和跳出局部最優(yōu)的能力，自適應(yīng)果蠅算法的引入增強(qiáng)了算法搜索的隨機(jī)性，從而增強(qiáng)了算法前期搜索能力；在算法迭代中進(jìn)行替換最差個(gè)體操作，減少迭代種群中適應(yīng)度過(guò)低的個(gè)體，從而提高了算法的收斂速度，同時(shí)引入新個(gè)體，避免了算法陷入局部最優(yōu)。將該算法應(yīng)用到HWSN的覆蓋優(yōu)化問(wèn)題中，能夠有效提高異構(gòu)網(wǎng)絡(luò)覆蓋范圍，減少不必要的節(jié)點(diǎn)部署，從而節(jié)省覆蓋所需的資源和成本。

5 結(jié)論

針對(duì)無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)覆蓋優(yōu)化問(wèn)題，本文提出了一種改進(jìn)型蜜獾算法優(yōu)化異構(gòu)傳感器節(jié)點(diǎn)網(wǎng)絡(luò)的覆蓋。通過(guò)結(jié)合自適應(yīng)果蠅優(yōu)化算法，以及引入替換最差個(gè)體策略，對(duì)標(biāo)準(zhǔn)蜜獾算法進(jìn)行改進(jìn)，通過(guò)仿真分析，得出以下結(jié)論。

1） 引入改進(jìn)策略后，有效地增強(qiáng)了算法的搜索性能和收斂速度。

2） 將其應(yīng)用在無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)中，異構(gòu)網(wǎng)絡(luò)覆蓋率得到較好地提升。

3） 未來(lái)工作可以考慮無(wú)線異構(gòu)網(wǎng)絡(luò)節(jié)點(diǎn)連通度、通信質(zhì)量以及節(jié)點(diǎn)能耗等。

參考文獻(xiàn)：

[1]?? YAKUBU A W， ALHASSAN A B， SALIFU A M. An enhanced clustering method for extending sensing lifetime of wireless sensor network[J]. Earthline Journal of Mathematical Sciences， 2021， 8（1）： 67-82.

[2]?? WANG J， GUO H Y. Virtual force field coverage algorithms for wireless sensor networks in water environments[J]. International Journal of Sensor Networks， 2020， 32（3）： 174-181.

[3]?? SAADI N， BOUNCEUR A，?EULER R， et al. Maximum lifetime target coverage in wireless sensor networks[J]. Wireless Personal Communications， 2020， 111（3）： 1525-1543.

[4]?? MOHAMMAD M， OZDEMIR S. Towards coverage-aware fuzzy logic-based faulty node detection in heterogeneous wireless sensor networks[J]. Wireless Personal Communications， 2020， 111（1）： 581-610.

[5]?? GOU P， GUO B， GUO M， et al. VKECE-3D： Energy-efficient coverage enhancement in three-dimensional heterogeneous wireless sensor networks based on 3D-voronoi and K-means algorithm[J]. Sensors， 2023， 23（2）： 573.

[6]?? ZENG C， QIN T， TAN W， et al. Coverage optimization of heterogeneous wireless sensor network based on improved wild horse optimizer[J]. Biomimetics， 2023， 8（1）： 70.

[7]?? DAO T K， CHU S C， NGUYEN T T， et al. An optimal WSN node coverage based on enhanced archimedes optimization algorithm[J]. Entropy， 2022， 24（8）： 1018.

[8]?? TOLOUEIASHTIAN M， GOLSORKHTABARAMIRI M， RAD S Y B. An improved whale optimization algorithm solving the point coverage problem in wireless sensor networks[J]. Telecommunication Systems， 2022， 79（3）： 417-436.

[9]?? 馮秀芳， 關(guān)志艷， 全欣娜. 基于虛擬力的異構(gòu)節(jié)點(diǎn)網(wǎng)絡(luò)覆蓋增強(qiáng)算法[J]. 計(jì)算機(jī)工程， 2009， 35（5）： 103-105.

FENG X F， GUAN Z， QUAN X N. Coverage-enhancing algorithm for non-isomorphic node network based on virtual force[J]. Computer Engineering， 2009， 35（5）： 103-105.

[10] 劉鵬， 孟欣， 唐蘇瓊， 等. 基于自適應(yīng)果蠅優(yōu)化算法的分層異構(gòu)無(wú)線異構(gòu)傳感器網(wǎng)絡(luò)三維優(yōu)化部署[J]. 傳感技術(shù)學(xué)報(bào)， 2020， 33（7）： 1033-1040.

LIU P， MENG X， TANG S， et al. Optimization on 3D deployment of hierarchical heterogeneous wireless sensor networks： An adaptive FOA approach[J]. Chinese Journal of Sensors and Actuators， 2020， 33（7）： 1033-1040.

[11] 吳儀， 秦寧寧. 空洞弧段引導(dǎo)下異構(gòu)傳感網(wǎng)的覆蓋優(yōu)化策略[J]. 傳感技術(shù)學(xué)報(bào)， 2021， 34 （4）： 531-538.

WU Y， QIN N N. Coverage optimization strategy of heterogeneous sensor network guided by hollow arc[J]. Chinese Journal of Sensors and Actuators， 2021， 34 （4）： 531-538.

[12] 李明， 胡江平. 復(fù)雜條件下移動(dòng)異構(gòu)無(wú)線傳感器網(wǎng)絡(luò)覆蓋算法[J]. 傳感器與微系統(tǒng)， 2019， 38 （12）： 124-127.

LI M， HU J P， et al. Coverage algorithm for mobile heterogeneous WSNs under complex conditions[J]. Transducer and Microsystem Technologies ， 2019， 38 （12）： 124-127.

[13] 茍平章， 毛剛， 李鳳珍， 等. 異構(gòu)WSNs中節(jié)點(diǎn)穩(wěn)定匹配的覆蓋空洞修復(fù)優(yōu)化算法[J]. 傳感技術(shù)學(xué)報(bào)， 2019， 32 （6）： 908-914.

GOU P Z， MAO G， LI F Z， et al. Optimized algorithm for recovering coverage holes in heterogeneous wireless sensor networks with node stable matching[J]. Chinese Journal of Sensors and Actuators， 2019， 32 （6）： 908-914.

[14] HASHIM F A， HOUSSEIN E H， HUSSAIN K， et al. Honey badger algorithm： New metaheuristic algorithm for solving optimization problems[J]. Mathematics and Computers in Simulation， 2022（192）： 84-110.

[15] DAO T K， NGUYEN T D， NGUYEN V T. An improved honey badger algorithm for coverage optimization in wireless sensor network[J]. Journal of Internet Technology， 2023， 24（2）： 363-377.

通信作者：黃德昌（1983—），男，碩士，高級(jí)實(shí)驗(yàn)師，研究方向?yàn)槲锫?lián)網(wǎng)、機(jī)器學(xué)習(xí)。E-mail： 2777@ecjtu.edu.cn。