一、理论基础
受文献[1]的启发,将差分进化算法的策略应用到入侵杂草算法当中,仿真结果表明,与原来的杂草算法相比,WSN节点部署覆盖率有很大提升。
1、入侵杂草算法
请参考这里。
2、差分进化策略
差分进化算法(Differential Evolution,DE)主要包括变异、交叉和选择3个典型进化算子,具有记忆个体最优解以及受控数少、全局收敛性强等优点。为了解决IWO的缺点,将DE的变异、交叉、选择操作引入到IWO中,具体操作如下:
①种子变异。经过空间扩散过程后变异操作的种子为
U
i
=
X
z
1
+
F
(
X
z
2
−
X
z
3
)
(1)
U_i=X_{z1}+F(X_{z2}-X_{z3})\tag{1}
Ui=Xz1+F(Xz2−Xz3)(1)式中:
F
F
F为缩放因子,
F
∈
[
0
,
2
]
F∈[0,2]
F∈[0,2];
X
z
1
,
X
z
2
,
X
z
3
X_{z1},X_{z2},X_{z3}
Xz1,Xz2,Xz3为杂草
x
i
x_i
xi生成的3个种子。
②种子交叉。对第
t
t
t代的
X
i
(
t
)
X_i(t)
Xi(t)以及
Y
i
(
t
)
Y_i(t)
Yi(t)进行如下式的交叉操作,该操作可以进一步提高算法种群的多样性。
U
i
j
=
{
Y
i
,
j
(
t
)
r
a
n
d
(
0
,
1
)
≤
C
R
X
i
,
j
(
t
)
r
a
n
d
(
0
,
1
)
>
C
R
(2)
U_{ij}=\begin{dcases}Y_{i,j}(t)\quad\,\, rand(0,1)≤CR\\X_{i,j}(t)\quad rand(0,1)>CR\end{dcases}\tag{2}
Uij={Yi,j(t)rand(0,1)≤CRXi,j(t)rand(0,1)>CR(2)
③种子选择。
X
i
=
{
U
i
,
j
f
(
U
i
,
j
)
>
f
(
X
i
)
X
i
,
j
f
(
U
i
,
j
)
≤
f
(
X
i
)
(3)
X_i=\begin{dcases}U_{i,j}\quad f(U_{i,j})>f(X_i)\\X_{i,j}\quad f(U_{i,j})≤f(X_i)\end{dcases}\tag{3}
Xi={Ui,jf(Ui,j)>f(Xi)Xi,jf(Ui,j)≤f(Xi)(3)
二、仿真结果与分析
使用与文献[2]相同的覆盖模型,与经典的杂草算法进行对比,分以下两个场景进行仿真分析。
①监测区域
20
m
×
20
m
20m×20m
20m×20m,部署节点总数为24,感知半径为2.5m,通信半径为5m,感知误差半径为0.05m。种群规模为30,分别循环20次,每次迭代300次,覆盖率取平均值。
图1显示了二者覆盖率的变化情况,显然DE_IWO算法优于原始IWO算法。
图2和图3分别为IWO和DE_IWO算法的优化覆盖图。
②监测区域
50
m
×
50
m
50m×50m
50m×50m,部署节点总数为35,感知半径为5m,通信半径为10m,感知误差半径为0.1m。种群规模为30,分别循环20次,每次迭代300次,覆盖率取平均值。
图4显示了二者覆盖率的变化情况,显然DE_IWO算法优于原始IWO算法。
图5和图6分别为IWO和DE_IWO算法的优化覆盖图。
三、参考文献
[1] 范宏, 刘自超, 郭翔. 基于差分进化入侵杂草算法的含分布式电源配电网重构[J]. 可再生能源, 2019, 37(4): 545-551.
[2] 徐钦帅, 何庆, 魏康园. 改进蚁狮算法的无线传感器网络覆盖优化[J]. 传感技术学报, 2019, 32(2): 266-275.