基于对立竞争性群体优化器的移动WSN增强型障碍物感知部署方案.docx

基于对立竞争性群体优化器的移动WSN增强型障碍物感知部署方案

摘要：通过移动传感器节点可以缓解存在障碍物时随机部署无线传感器网络(WSN)的区域的网络覆盖问题。然而，其增加了对移动和传感中耗散能量的要求。因此，节能覆盖是一个重要的问题，针对这个问题，本文介绍了一种改进的竞争群优化器，以最大化覆盖区域并同时最小化网络能量。首先，所提出的方法结合了虚拟力算法(VFA)和Voronoi图(VD)，以提高优化过程中的网络性能。VFA结合边界机制来控制传感器的位置，而VD用于提取网络信息以进行解码过程。最后，通过在覆盖率和网络能耗方面的实验评估，验证了本文模型的卓越性能。

关键词：部署优化、移动无线传感器网络、竞争群优化器、元启发式算法、Voronoi图、虚力算法、节点部署、覆盖区域

中图分类号：V244.12文献标识码：B

1引言

无线传感器网络(WSN)已成为物联网(IoT)的关键技术(Kumar等，2019)，其在许多应用中发挥着重要作用，例如医疗健康(Wang等,2020)、教育(Chen,2021)、环境监测(PadmanabanMuthukumarasamy,2020)、军事行动(PalanikumarRamasamy,2020)、和制造领域(Xiaetal,2020)。WSN正在成为一种越来越重要的工具，用于在多个场景中监视感兴趣的区域和收集数据，而这些过程不可避免地涉及路由协议、定位和覆盖控制。根据Céspedes-Mota等(2018b),Farsi等(2019),Tripathi等(2018)的研究，覆盖控制被认为是一个关键问题，因为它衡量一个网络区域被其传感器节点监控的有效性，它可以直接影响WSN中的服务质量(QoS)(Chen等，2019；Farsi等，2019；Gupta和Rao，2014；Tamboli和Younis，2010)。因此，用于最大化区域覆盖的传感器节点部署策略是最重要的因素(Abo-Zahhad等，2016；Chen等，2019；Gupta和Rao，2014；Tamboli和Younis，2010；Wang等，2019a)。

传感器节点的部署可以通过随机过程进行(Farsi等，2019；Tripathi等，2018)。随机部署通常是部署在恶劣环境中的首选；在战场场景中也很实用。然而，这种技术不是一种有效的方法，可能会导致传感领域的覆盖漏洞。最近，移动传感器节点由于其移动性而在重排的覆盖控制中发挥了至关重要的作用(HusseinStipanovic，2007；Khalifa等，2019)。随机部署后重新排列每个移动传感器节点的位置，称为动态部署，可以提高网络的区域覆盖范围(Ni等，2017)。尽管重排方法具有提高整体区域覆盖率和减少网络中覆盖盲区数量的能力，但移动传感器节点在感知和移动方面消耗更多能量。因此，应考虑为传感和运动任务节省能量，并且可以根据传感器节点的传感半径和移动距离进行研究。

着眼于重排，引入虚拟力算法(VFA)以最大化移动传感器节点的覆盖率(Howard等，2002；Zou和Chakrabarty，2003)。该方法利用节点之间的排斥力和吸引力来引导传感器的移动。然而，VFA在覆盖率方面的结果并不是最优的(RoutRoy,2016)，并且该算法没有考虑能量消耗(Zhou等,2018)。此外，它的性能在某些特定应用中可能不切实际并且会降低，尤其是在存在障碍物的情况下(RoutRoy，2016；Zhou等，2018)。为了解决VFA的缺点和节省传感器节点的能量，需要考虑移动传感器节点的移动策略，尤其是感知半径和移动距离。这个问题可以被视为一个非确定性多项式时间NP难(NP-hard)问题(Abo-Zahhad等,2015a,2015b,2016)。

元启发式算法是使用最广泛的有效解决NP-hard问题的技术之一(Hussain等，2019)。元启发式技术是机器学习(Sun等，2018；Tripathi等，2020)、参数确定(Chen等，2020)、可再生能源行业(Yin等，2020)和工程领域(Sun等，2021；Talatahari和Azizi，2020)。凭借全局搜索能力(Hussain等，2019)，元启发式方法也被广泛应用于无线传感器网络和物联网技术领域。元启发式算法已成为在多个WSN应用中搜索最佳解决方案的有效工具，例如簇头选择(Sahoo等，2021)、路由(Lipare等，2019)和覆盖控制(Wang等，2018)。特别是在覆盖控制方面，不同类型的元启发式方法，例如遗传算法(GA)(YoonKim,2013)、差分进化(DE)(Céspedes-Mota等,2018b)和灰狼优化器(GWO)