基于入侵杂草和花授粉混合算法的WSN节点部署优化

一、理论基础

1、节点与覆盖模型

请参考这里。

2、入侵杂草算法

请参考这里。

3、花授粉算法

花授粉算法模拟了自然界中显花植物的花朵授粉过程。为了简化问题，使算法更加高效，同时考虑到优化问题仅有一个解，Yang假设每株显花植物都只能孕育出一朵花，并且每朵花只能产生一个花粉配子。根据文献[1]的描述，花朵授粉过程可以总结为以下4条规律：
（a）生物异花授粉被视为全局授粉过程，花粉载体携带花粉执行Levy飞行。
（b）非生物自花授粉被视为局部授粉过程。
（c）繁衍概率即为花的恒常性，繁衍概率的取值大小与两朵花的相似性成正比。
（d）利用转换概率$p\in [0,1]$来控制局部授粉和全局授粉的转换。
通过以上规则，建立如下的数学模型：

• 定义1. 在全局授粉过程中，花粉的位置更新公式为：$$X_i^{t+1}=X_i^t+L(X_i^t-g_{best})\text{\hspace{1em}(1)}$$其中，$X_i^{t+1}$、$X_i^t$分别表示的是第$t+1$代、第$t$代的解；$g_{best}$是一次迭代过程中的全局最优解；$L$为步长，服从莱维分布，$L$的计算公式如下：$$L\sim \frac{\lambda \Gamma (\lambda )sin(\pi \lambda /2)}{\pi }\frac{1}{s^{1+\lambda }},s\gg s_0>0\text{\hspace{1em}(2)}$$其中，$\Gamma (\lambda )$是标准伽马函数，$\lambda =1.5$。
• 定义2. 局部授粉阶段的位置更新公式如下：$$X_i^{t+1}=X_i^t+\epsilon (X_j^t-X_k^t)\text{\hspace{1em}(3)}$$其中，$X_j^t$、$X_k^t$是从种群内部随机选择的异于$X_i^t$的解；$\epsilon$为繁衍概率，是$[0,1]$上的随机数，该参数的生成符合均匀分布规则。
• 定义3. 通过转换概率$p\in [0,1]$取值来控制全局授粉和局部授粉之间的转换，经过大量仿真实验表明，当$p=0.8$时，算法可以得到最好的寻优性能。

二、仿真分析

为了检验IWOFPA算法在处理WSN节点分布优化问题的有效性，仿真设WSN的有效监控范围为$50m\times 50m$的正方形区域，每个传感器节点的感知半径$R_s$为$5m$，在监控范围内随机分布着40个WSN节点。通过FPA算法、IWO算法和IWOFPA算法分别对这些节点的布局进行优化，都迭代300此，3种算法的种群数均设置为30。3种算法的网络覆盖率对比图如图1所示。

图1 3种算法的网络覆盖率对比图

图2~5分别是WSN节点初始部署、FPA优化覆盖图、IWO优化覆盖图和IWOFPA优化覆盖图。

图2 WSN节点初始部署

图3 FPA优化覆盖图

图4 IWO优化覆盖图

图5 IWOFPA优化覆盖图

三、参考文献

[1] Yang X S. Flower Pollination Algorithm for Global Optimization[C]// International Conference on Unconventional Computing and Natural Computation. Springer, Berlin, Heidelberg, 2012.
[2] 宁杰琼, 何庆. t-分布扰动策略和变异策略的花授粉算法[J]. 小型微型计算机系统, 2021, 42(1): 64-70.
[3] 心升明月. 改进灰狼优化算法在WSN节点部署中的应用. CSDN博客.
[4] 心升明月. 基于入侵杂草算法的函数寻优算法. CSDN博客.