1.算法原理
WSN数学模型
2.改进点
基于Sobol序列和ICMIC混沌映射的种群初始化
ICMIC是一种无线映射折叠次数的映射模型:
{
z
n
+
1
=
sin
(
α
π
z
n
)
,
α
∈
(
0
,
+
∞
)
−
1
≤
z
n
≤
1
,
z
n
≠
0
(1)
\begin{cases}z_{n+1}=\sin(\frac{\alpha\pi}{z_n}),&\alpha\in(0,+\infty)\\-1\leq z_n\leq1,&z_n\neq0\end{cases}\tag{1}
{zn+1=sin(znαπ),−1≤zn≤1,α∈(0,+∞)zn=0(1)
低差异序列相比随机序列，通过选择合理的采样方向，将尽可能多的点均匀的填充至待测区域，也称拟蒙特卡洛（Quasi-Monte Carlo, QMC）方法。Sobol 序列是其中一种序列算法，具有计算周期短和采样速度快的优点。使用 ICMIC 混沌模型作为初始化，引入 Sobol 序列进行初始化映射：
x
i
=
x
l
b
+
(
x
u
b
−
x
l
b
)
⋅
1
+
z
i
2
(2)
x_i=x_{lb}+\left(x_{ub}-x_{lb}\right)\cdot\frac{1+z_i}2\tag{2}
xi=xlb+(xub−xlb)⋅21+zi(2)
融入混沌因子的正余弦算法策略
将混沌因子融入正余弦算法策略，改进探索者位置更替公式，从而提高探索者的全局搜索能力:
c
=
x
l
b
+
(
x
u
b
−
x
l
b
)
⋅
z
(3)
c=x_{lb}+\left(x_{ub}-x_{lb}\right)\cdot z\tag{3}
c=xlb+(xub−xlb)⋅z(3)
x
1
i
,
d
t
+
1
=
{
(
1
−
c
)
⋅
x
1
i
,
d
t
+
c
⋅
sin
(
r
1
)
⋅
∣
r
2
⋅
x
b
e
t
t
−
x
1
i
,
d
t
∣
,
i
f
R
2
<
S
T
x
1
i
,
d
t
+
Q
⋅
L
⋅
z
,
i
f
R
2
≥
S
T
(4)
x_{1i,d}^{t+1}=\begin{cases}(1-c)\cdot x_{1i,d}^t+c\cdot\sin(r_1)\cdot\left|r_2\cdot x_{bett}-x_{1i,d}^t\right|,if~R_2<ST\\x_{1i,d}^t+Q\cdot L\cdot z,\quad if~R_2\geq ST&\end{cases}\tag{4}
x1i,dt+1={(1−c)⋅x1i,dt+c⋅sin(r1)⋅
r2⋅xbett−x1i,dt
,if R2<STx1i,dt+Q⋅L⋅z,if R2≥ST(4)
z 为混沌映射因子， c 为优化后的学习因子。
全局混合变异策略
将随机反向学习和差分进化变异策略融入基本的麻雀算法中，并利用判定系数 r 对最优麻雀位置进行混合变异扰动：
x
b
e
s
t
′
=
{
r
1
(
x
1
−
x
b
e
s
t
)
+
r
2
(
x
2
−
x
b
e
s
t
)
⋅
(
x
3
−
x
b
e
s
t
)
,
r
<
0.5
k
1
(
x
l
b
+
x
j
)
+
k
2
(
x
u
b
−
x
j
)
,
r
≥
0.5
、
t
a
g
5
x_{best}^{'}=\begin{cases}r_1(x_1-x_{best})+r_2(x_2-x_{best})\cdot(x_3-x_{best}),&r<0.5\\k_1(x_{lb}+x_j)+k_2(x_{ub}-x_j),&r\geq0.5\end{cases}、tag{5}
xbest′={r1(x1−xbest)+r2(x2−xbest)⋅(x3−xbest),k1(xlb+xj)+k2(xub−xj),r<0.5r≥0.5、tag5
3.结果展示
4.参考文献
[1] 高志翔,庞菲菲,温宗周,等.基于改进麻雀算法的无线传感器网络覆盖优化研究[J/OL].微电子学与计算机,1-12[2024-06-04].
9372
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
