被囊群优化算法在WSN节点部署中的应用

一、理论基础

将一种新的智能算法——被囊群优化算法应用于WSN节点的部署问题上，虽然效果一般，但为WSN节点部署的优化提供了新的方法，读者可以在此基础上进行合理改进。

1、WSN节点覆盖模型

本文的WSN节点覆盖模型与文献[1]相同，具体描述如下：
假设WSN监测区域是个二维平面，且数字化为$L\times M$的网格，每个网格大小设为1。在该区域部署$N$个同构传感器，节点集合可以表示为 Z = { z 1 , z 2 , ⋯   , z N } Z=\{z_1,z_2,\cdots,z_N\} Z={z1​,z2​,⋯,zN​}，都具有相同的感知半径$R_s$和通信半径$R_c$，$R_s\le 2R_c$。文采用布尔模型（0/1模型）作为节点感知模型，只要目标处于节点感知范围内，即可成功的被感知。假设在被监测区域的某个节点$z_i$的坐标为$(x_i,y_i)$，目标点的位置$T_j$坐标为$(x_j,y_j)$，则节点与目标点的距离为：$$d(z_i,T_j)=\sqrt{(x_i-x_j{)}^2+(y_i-y_j{)}^2}\text{\hspace{1em}(1)}$$用$p(z_i,T_j)$表示节点$z_i$对$T_j$的感知质量，当$T_j$的位置在节点$z_i$的感知范围内时，则感知质量为1；否则节点$z_i$对$T_j$的感知质量为0，数学表达式为：$$p(z_i,T_j)=\{\begin{array}{l}1ifd(z_i,T_j)\le R_s\\ 0otherwise\end{array}\text{\hspace{1em}(2)}$$通常，传感器对目标的感知概率小于1，为了提高对目标的感知概率，需要多个传感器协同探测，则WSN对某一目标的感知概率为：$$p(Z,T_j)=1-\prod _{i=1}^N[1-p(z_i,T_j)]\text{\hspace{1em}(3)}$$该监测区的覆盖率是所有传感器节点覆盖的目标点数与该区域总的目标点数的比值，定义为：$$R_{cov}=\frac{\sum _{j=1}^{L\times M}p(Z,T_j)}{L\times M}\text{\hspace{1em}(4)}$$将式(4)作为目标函数，用改进的鲸鱼算法求得$R_{cov}$的最优值以提高WSN的覆盖质量。

2、被囊群优化算法

请参考这里。

二、仿真结果

设监测区域为$50m\times 50m$的二维平面， 传感器节点个数$N=35$，其感知半径是$R_s=5m$，通信半径$R_c=10m$，迭代300次。初始部署、TSA优化覆盖、TSA算法覆盖率进化曲线如图1~3所示。

图1 初始部署

图2 TSA优化覆盖

图3 TSA覆盖率进化曲线

三、参考文献

[1] 宋婷婷, 张达敏, 王依柔,等. 基于改进鲸鱼优化算法的WSN覆盖优化[J]. 传感技术学报, 2020, 33(3): 415-422.
[2] Satnam Kaur, Lalit K. Awasthi, A.L. Sangal, et al. Tunicate Swarm Algorithm: A new bio-inspired based metaheuristic paradigm for global optimization[J]. Engineering Applications of Artificial Intelligence, 2020, 90: 103541.