改进人工蜂群算法的无线传感器网络覆盖优化.docxVIP

改进人工蜂群算法的无线传感器网络覆盖优化 ： Since the wireless sensor networks coverage belongs to the combinatorial optimization category ， the artificial bee colony algorithm is introduced and perfected to improve the coverage rate in the condition of limited node quantity. The global optimal individual feedback is injected to improve the convergence rate ， and update the refresh method of investigation bee. The one?dimensional Gaussian mutation method and particle prior knowledge are used fully to make the particles active ， and improve the global search capability of the algorithm. The algorithm with 40 nodes was carried out with simulation experiment. The experimental results show that the coverage rate of the improved algorithm can reach up to 87.2%， and is increased by 1.6% and 3.87% respectively than that of the improved shuffled frog leaping algorithm and standard artificial bee colony algorithm. Keywords： wireless sensor network ； artificial bee colony ； global optimization ； one?dimensional Gaussian mutation ； probabilistic measurement model ； coverage optimization 0 引 言 无线传感器网络 [1] 具有低功耗和方便组网的优势，在物联 网、智能交通、目标定位和环境探测等领域得到了广泛应用 [2?3] 。但随着网络中传感器节点数量的不断增加，节点冗余问 题也越加突出，怎样才能低成本投入且高效的利用成为研究热 门，增大网络的覆盖面积成为无线传感器网络应用的关键问题。 由于传统算法 [4?5] 存在节点覆盖程度低的问题，要想实现 全局最优在技术层面还有欠缺， 鉴于无线传感网络的结构与群体 智能算法的特点极其相似， 因此，大量的学者开始使用智能算法 优化无线传感器网络。 文献 [6] 将改进的粒子群算法应用到无线传感网络的自组织 中，有效地提高了节点的覆盖面积；文献 [7] 根据节点位置信息 建立部署模型，提出一种基于改进混合蛙跳算法；文献 [8] 将遗 传算法应用于优化无线传感器网络覆盖；文献 [9] 将萤火虫算法 用于网络覆盖优化。 但这些应用于无线传感网络覆盖问题的群体 智能算法由于本身存在一些缺点，导致其优化的结果不是很理 想。 人工蜂群算法 [10?11] 具有良好的全局性，已经在很多领域 内被证明优于其他一些算法。结合无线传感器网络的结构特点， 把节点的部署看成是蜂群寻找最优蜜源的过程， 将改进人工蜂群 算法应用到无线传感器网络覆盖优化中， 与其他几种算法的比较 实验说明，提出算法得到的效果有明显改善。 人工蜂群算法及改进方法 人工蜂群算法描述 根蜜蜂在活动中扮演的角色， 将其归纳为观察蜂、 采蜜蜂以 及侦查蜂三种类型。 侦查蜂在正常情况下是不存在的， 当采蜜蜂 结束采蜜后自动转化为侦查蜂 [12?13] 。其搜索步骤为：首先采 蜜蜂选取周围最近的一个蜜源， 然后观察蜂通过信息跟随其中一 只采蜜蜂， 在这个过程中选取出较好的蜜源， 最后采蜜蜂放弃蜜 源，转化为侦查蜂，随机搜索新蜜源。 上述过程即为一个优化问题，将每个蜜源的位置看成一个 解。假设蜜源位置表示为总数为其中， 第个蜜源表示为为其收益 度值。观察蜂选取蜜源的概率表示如下 [14] ： 观察蜂对周边的蜜源进行权衡后， 会选取较好的蜜源， 蜜源 位置更新公式为： 式中：为 [0 ，1] 之间的随机数。如果，那么观察蜂就会更新