《萤火虫算法在WSN节点部署中的应用》-工学论文，计算机论文-论文范文参考-科学狗论文网

标题

萤火虫算法在WSN节点部署中的应用

范文

曹娜娜　谢智峰　穆莉　王汐存

摘要：为解决WSN随机部署方法导致覆盖率低的问题，提出了一种基于萤火虫算法的WSN自适应部署方法。该方法融合概率感知模型和萤火虫算法两种技术，建立网格覆盖模型，实现WSN节点优化部署。设计了3组仿真测试，实验结果表明，新方法相较于随机部署方法，其测覆盖率有所提升。

关键词：WSN;随机部署;萤火虫算法;概率感知模型;网格覆盖模型

中图分类号：TP301、TP391? ? ? 文献标识码： A

文章编号：1009-3044（2021）03-0005-03

Abstract： In order to solve the problem of low coverage caused by the random deployment method of WSN， a WSN adaptive deployment method based on the Firefly algorithm is proposed. This method fuses two technologies， the probability perception model and the firefly algorithm， to establish a grid coverage model to achieve optimal deployment of WSN nodes. Three sets of simulation tests are designed， and the experimental results show that compared with the random deployment method， the new method has improved test coverage.

Key words： WSN; random deployment; firefly algorithm; probabilistic perception model; grid coverage model

1 前言

无线传感器网络（Wireless Sensor Network， WSN）[1]是基于微处理、嵌入式及无线通信等技术的一种具有低功耗、低成本、自组织等特点的分布式信息感知、传输和处理系统。它通过网络技术，实时感知、采集、处理和发布网络覆盖区域内检测对象的信息。目前，WSN被广泛应用于军事[2]、灾害预警[3]、空间探测[4]和环境监测[5]等领域。在应用过程中，WSN面临的首要问题是节点部署，其直接影响整个网络的覆盖能力。随机部署是最简单的节点部署方式，但该方式易使众多节点聚集，节点无法均匀部署，导致监测区域盲区较多，从而影响整个WSN监测性能。为了克服随机部署方式存在的缺点，因此，需要设计一种自适应调整的WSN部署方法。该方法可以根据监测区域的变化，动态地调整传感器的位置，减少区域覆盖盲点，提高WSN 覆盖率。

群体智能算法（Swarm Intelligence Algorithm， SIA）是一种仿生优化技术，可用于解决各种具有高维、多模和不可微等特性的复杂问题。典型的算法有粒子群算法（Particle Swarm Optimization， PSO）[6-7] 、蜂群算法（Artificial Bee Colony， ABC） [8-9] 和萤火虫算法（Firefly Algorithm， FA）[10-12]等。受自然界萤火虫的生物社交行为影响，杨新社教授[13]于 2008 年提出萤火虫算法。该算法采用全吸引方式更新萤火虫的位置，即每只萤火虫依次地向其它所有更亮的萤火虫移动，随着种群的进化，萤火虫逐渐地聚集于最亮的萤火虫附近，完成寻优任务。

由于 FA 概念简单、参数少，具有较强寻优能力，本文将其应用于基于概率感知模型的WSN节点部署，实现WSN高覆盖率。仿真实验结果表明，基于萤火虫算法的WSN节点部署方式具备更佳的监测效果。

2 WSN节点覆盖模型

2.1问题分析

WSN中的每个节点覆盖范围是以自身为中心，以感知距离为半径的圆内，在覆盖范围内的所有信息均可被节点采集并存储。WSN中的节点均是以圆面的形式对监测局域进行覆盖，每个节点之间会出现覆盖重叠情况，为计算WSN总覆盖率带来极大困难。为此，本文借助网格覆盖模型来统计WSN覆盖率。网格覆盖模型将监测区域进行网格化，即将面积为[S]区域划分成[M?N]的网格，若所有网格点均被监测，则WSN总覆盖率为[100%];若只有部分网格点[C]被监测，则WSN覆盖率为[（C/M?N）*100%]。

2.2模型建立

4 实例应用

4.1 WSN与FA融合

WSN与FA融合关键在于待求解和目标函数的确定。在WSN中，其解为传感器的部署方案，即每个节点坐标;其部署方案的优劣由WSN覆盖率来确定。因此，可将萤火虫的维度定位所有节点坐标集合，即一只萤火虫代表一个部署方案;可将WSN未覆盖率作为算法的目标函数，如公式（9）：

确定待求解和目标函数后，FA寻优的步骤如下：

1）初始化种群数量[N]、步长因子[α]、初始吸引度[β0]、光吸收系数[γ];

2）设定搜索范围，初始化位置，将传感器节点坐标与萤火虫的位置关联;

3）萤火虫根据式（8）更新位置，结合式（9）计算萤火虫的适应值。若FA达到终止条件，则跳转至步骤5），否则，重复执行步骤4）;

4）输出最优萤火虫位置信息和适应值。

4.2实验分组及参数设置

为了比较随机部署和基于螢火虫算法部署的性能差异，设计了3组实验，具体信息见表1。传感器其他参数[Re=0.5Rs]、[λ1]为1，[λ2]为0;FA种群大小[N]为40，步长因子[α]为0.2，初始吸引度[β0]为1.0，光吸收系数[γ=1/Γ2]（[Γ]为搜索域的区间值），评估次数[MAX_FEs]为1000;WSN传感器联合感知概率阈值[Cthreshold]为0.8。

4.3 仿真结果

为了消除随机性影响，对两种部署方案分别进行了20次仿真测试，表2统计了两种部署方案在不同实验分组的平均覆盖率情况。基于萤火虫算法部署的平均覆盖率均高于随机部署，分别高出5.65%，15.73%，8.81%;由组1和2数据可知，在只增加节点个数的情况下，平均覆盖率提高了8.73%，说明增加节点可覆盖率，但与此同时，增加了部署成本;组3在增大监测面积和节点感知半径的同时，减少了节点个数，平均覆盖率最高，说明节点感知半径是影响覆盖率的重要因素之一。

为了更加直观的比较两种部署方法对监测区域的部署情况，图1展示了传感器节点位置分布情况。由组别1节点分布图可知，基于萤火虫算法部署节点分布图更均匀，未被覆盖区域较少;由组别2节点分布图可知，随机部署节点分布图未被覆盖区域较多;由组别3节点分布图可知，基于萤火虫算法部署节点分布图重叠区域相对较少;总体而言，基于萤火虫算法部署节点分布图覆盖面更广，节点感知重叠现象较少。

5 结论

萤火虫算法相较于随机部署方法，更有助于WSN覆盖率的提高，说明该算法具备一定的优化性能。观察表2可知，WSN覆盖率有很大的提升空间。因此，下一步的研究重点工作是对萤火虫算法优化性能进行深入研究，通过对算法性能的优化，提高WSN覆盖率。

参考文献：

[1] 刘建英，张仲良.水环境监测方法标准技术体系探讨[J].科技与创新，2017（7）：54-54.

[2] 李志刚，屈玉贵，蔺智挺，等.基于无线传感器网络的战场目标跟踪[J].传感器与微系统，2007，26（7）：118-120.

[3] 夏梁斌.基于無线传感网络的公路边坡监测及临滑预警研究[J].公路与汽运，2017（1）：125-128.

[4] 龙吟，陈淞，齐鑫，等.应用无线传感器网络的月表环境长期无人监测系统构想[J].航天器工程，2017，26（3）：9-16.

[5] 胡坚，胡峰俊，张红，等.基于改进布谷鸟搜索算法对水质监测无线传感器部署的优化[J].浙江农业学报，2020，32（5）：897-903.

[6] ZHAO J， LV L， WANG H， SUN H， et al. Particle Swarm Optimization based on Vector Gaussian Learning[J]. KSII Transactionson Internet and Information Systems， 2017，11（4）：2038-2057.

[7] SUN H， SHI X L， ZHAO J， et al. Hybrid algorithm of particle swarm optimization and artificial bee colony with its application in wireless sensor networks[J]. Sensor Letters，2014，12（2）： 392-397.

[8] 孙辉，谢海华，赵嘉，等.加权中心人工蜂群算法[J].控制与决策，2019，34（10）：2115-2124.

[9] GAO W F， HUANG L L， WANG J， et al. Enhanced artificial bee colony algorithm through differ-renttial evolution[J]. Applied Soft Computing， 2016， 48： 137-150.

[10] YU S H， SU S B， LU Q P， et al. A novel wise step strategy for firefly algorithm[J]. International Journal of Computer Mathematics， 2014， 91（12）：2507-2513.

[11] FISTER J I，YANG X S， FISTER I， et al， Fister Iztok， Brest Janez. Memetic firefly algorithm for combinatorial optimization： Proceedings of International Conference on Bioinspired Optimization Methods and their Application[C]. Piscataway： IEEEPress， 2012， 76-86.

[12] WANG H， WANG W J， SUN H， et al. Firefly algorithm with random attraction[J].International Journal of Bio-Inspired Computation，2016， 8（1）：33–41.

[13] YANG X S. Nature-Inspired Metaheuristic Algorithms[M]. Luniver Press， 2008.

[14] 何欣，桂小林，安健. 面向目标覆盖的无线传感器网络确定性部署方法[J]. 西安交通大学学报， 2010， 44（6）：6-9.

[15] 张云洲，吴成东，程龙，等. 确定性空间的无线传感器网络节点部署策略研究[J]. 控制与决策， 2010， 25（11）：1625-1629.

【通联编辑：梁书】

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。