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
∈
[
0
,
1
]
p∈[0,1]
p∈[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 b e s t ) (1) X_i^{t+1}=X_i^t+L(X_i^t-g_{best})\tag{1} Xit+1=Xit+L(Xit−gbest)(1)其中, X i t + 1 X_i^{t+1} Xit+1、 X i t X_i^t Xit分别表示的是第 t + 1 t+1 t+1代、第 t t t代的解; g b e s t g_{best} gbest是一次迭代过程中的全局最优解; L L L为步长,服从莱维分布, L L L的计算公式如下: L ∼ λ Γ ( λ ) s i n ( π λ / 2 ) π 1 s 1 + λ , s ≫ s 0 > 0 (2) L\sim\frac{\lambda\Gamma(\lambda)sin(\pi\lambda/2)}{\pi} \frac{1}{s^{1+\lambda}},s\gg s_0>0\tag{2} L∼πλΓ(λ)sin(πλ/2)s1+λ1,s≫s0>0(2)其中, Γ ( λ ) \Gamma(\lambda) Γ(λ)是标准伽马函数, λ = 1.5 \lambda=1.5 λ=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 + ε ( X j t − X k t ) (3) X_i^{t+1}=X_i^t+\varepsilon(X_j^t-X_k^t)\tag{3} Xit+1=Xit+ε(Xjt−Xkt)(3)其中, X j t X_j^t Xjt、 X k t X_k^t Xkt是从种群内部随机选择的异于 X i t X_i^t Xit的解; ε \varepsilon ε为繁衍概率,是 [ 0 , 1 ] [0,1] [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 ∈ [ 0 , 1 ] p∈[0,1] p∈[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 p=0.8 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
50
m
×
50
m
50m×50m
50m×50m的正方形区域,每个传感器节点的感知半径
R
s
R_s
Rs为
5
m
5m
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。
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.