基于秃鹰搜索算法的无线传感器网络三维覆盖优化

一、理论基础

秃鹰搜索(Bald eagle search, BES)算法是马来西亚学者Alsattar提出的一种新型元启发式算法，该算法具有较强的全局搜索能力,能够有效地解决各类复杂数值优化问题。
BES算法以秃鹰捕食猎物的行为进行模拟，将其分为选择搜索空间、搜索空间猎物和俯冲捕获猎物三个阶段，数学模型如下所示：

1、选择搜索空间

秃鹰随机选择搜索区域，通过判断猎物数目来确定最佳搜寻位置,便于搜索猎物，该阶段秃鹰位置$P_{i,new}$更新由随机搜索的先验信息乘以$\alpha$来确定。该行为数学模型描述为：$$P_{i,new}=P_{best}+\alpha \ast r(P_{mean}-P_i)\text{\hspace{1em}(1)}$$其中，$\alpha$表示控制位置变化参数，变化范围为$(1.5,2)$；$r$为$(0,1)$间随机数；$P_{best}$为当前秃鹰搜索确定的最佳搜索位置；$P_{mean}$为先前搜索结束后秃鹰的平均分布位置；$P_i$为第$i$只秃鹰位置。

2、搜索空间猎物(探索)

秃鹰在选定搜索空间内以螺旋形状飞行搜索猎物，加速搜索进程，寻找最佳俯冲捕获位置。螺旋飞行数学模型采用极坐标方程进行位置更新，如下所示：$$\theta (i)=a\ast \pi \ast rand\text{\hspace{1em}(2)}$$$$r(i)=\theta (i)+R\ast rand\text{\hspace{1em}(3)}$$$$xr(i)=r(i)\ast \sin (\theta (i)),yr(\theta (i))=r(i)\ast \cos (\theta (i))\text{\hspace{1em}(4)}$$$$x(i)=xr(i)/\max (|xr|),y(i)=yr(i)/\max (|yr|)\text{\hspace{1em}(5)}$$其中，$\theta (i)$与$r(i)$分别为螺旋方程的极角与极径；$a$与$R$是控制螺旋轨迹的参数，变化范围分别为$(0,5)$、$(0.5,2)$；$rand$为$(0,1)$内随机数，$x(i)$与$y(i)$表示极坐标中秃鹰位置，取值均为$(-1,1)$。秃鹰位置更新如下：$$P_{i,new}=P_i+x(i)\ast (P_i-P_{mean})+y(i)\ast (P_i-P_{i+1})\text{\hspace{1em}(6)}$$其中，$P_{i+1}$为第$i$只秃鹰下一次更新位置。

3、俯冲捕获猎物(开发)

秃鹰从搜索空间的最佳位置快速俯冲飞向目标猎物，种群其他个体也同时向最佳位置移动并攻击猎物，运动状态仍用极坐标方程描述，如下所示：$$\theta (i)=a\ast \pi \ast rand,r(i)=\theta (i)\text{\hspace{1em}(7)}$$$$xr(i)=r(i)\ast \sinh (\theta (i)),yr(\theta (i))=r(i)\ast \cosh (\theta (i))\text{\hspace{1em}(8)}$$$$x1(i)=xr(i)/\max (|xr|),y1(i)=yr(i)/\max (|yr|)\text{\hspace{1em}(9)}$$俯冲中秃鹰位置更新公式为：$$\{\begin{array}{l}{\delta }_x=x1(i)\ast (P_i-c_1\ast P_{mean})\\ {\delta }_y=y1(i)\ast (P_i-c_2\ast P_{best})\end{array}\text{\hspace{1em}(10)}$$$$P_{i,new}=rand\ast P_{best}+{\delta }_x+{\delta }_y\text{\hspace{1em}(11)}$$其中，$c_1$与$c_2$表示秃鹰向最佳与中心位置的运动强度，取值均为$(1,2)$。

4、BES算法伪代码

完整的BES算法伪代码如下图所示：

二、仿真实验与结果分析

1、函数测试与数值分析

将BES与GWO、MFO和WOA进行对比，设置种群规模为100，最大迭代次数为1000，每个算法独立运行30次，以文献[3]中F4、F6(单峰函数/30维)、F10、F11(多峰函数/30维)、F18、F19(固定维度多峰函数/2维、3维)为例，结果显示如下：

函数：F4
GWO：最差值: 4.256e-21, 最优值: 5.7202e-23, 平均值: 1.0671e-21, 标准差: 1.2747e-21, 秩和检验: 1.2118e-12
MFO：最差值: 55.4809, 最优值: 9.5927, 平均值: 29.4882, 标准差: 13.7646, 秩和检验: 1.2118e-12
WOA：最差值: 82.8772, 最优值: 1.6379e-05, 平均值: 13.5207, 标准差: 24.6058, 秩和检验: 1.2118e-12
BES：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
函数：F6
GWO：最差值: 0.50299, 最优值: 2.6684e-06, 平均值: 0.28152, 标准差: 0.1811, 秩和检验: 1.2118e-12
MFO：最差值: 9900.25, 最优值: 2.2924e-06, 平均值: 330.0084, 标准差: 1807.5301, 秩和检验: 1.2118e-12
WOA：最差值: 0.00064815, 最优值: 8.0822e-05, 平均值: 0.00029163, 标准差: 0.00013389, 秩和检验: 1.2118e-12
BES：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
函数：F10
GWO：最差值: 1.5099e-14, 最优值: 7.9936e-15, 平均值: 1.0717e-14, 标准差: 2.9033e-15, 秩和检验: 7.1637e-13
MFO：最差值: 19.9595, 最优值: 0.00042939, 平均值: 7.7121, 标准差: 9.1151, 秩和检验: 1.2118e-12
WOA：最差值: 7.9936e-15, 最优值: 8.8818e-16, 平均值: 4.0856e-15, 标准差: 2.5294e-15, 秩和检验: 3.3463e-08
BES：最差值: 8.8818e-16, 最优值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0, 秩和检验: NaN
函数：F11
GWO：最差值: 0.0078927, 最优值: 0, 平均值: 0.00026309, 标准差: 0.001441, 秩和检验: 0.33371
MFO：最差值: 180.5197, 最优值: 3.3816e-06, 平均值: 18.0626, 标准差: 43.7057, 秩和检验: 1.2118e-12
WOA：最差值: 0.10965, 最优值: 0, 平均值: 0.0040439, 标准差: 0.020058, 秩和检验: 0.1608
BES：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
函数：F18
GWO：最差值: 3, 最优值: 3, 平均值: 3, 标准差: 7.8151e-07, 秩和检验: 7.8235e-12
MFO：最差值: 3, 最优值: 3, 平均值: 3, 标准差: 7.7359e-16, 秩和检验: 0.00076571
WOA：最差值: 3, 最优值: 3, 平均值: 3, 标准差: 5.375e-07, 秩和检验: 7.8235e-12
BES：最差值: 3, 最优值: 3, 平均值: 3, 标准差: 2.0014e-15, 秩和检验: 1
函数：F19
GWO：最差值: -3.8549, 最优值: -3.8628, 平均值: -3.8625, 标准差: 0.0014386, 秩和检验: 1.2118e-12
MFO：最差值: -3.8628, 最优值: -3.8628, 平均值: -3.8628, 标准差: 2.7101e-15, 秩和检验: NaN
WOA：最差值: -3.8549, 最优值: -3.8628, 平均值: -3.8616, 标准差: 0.002502, 秩和检验: 1.2118e-12
BES：最差值: -3.8628, 最优值: -3.8628, 平均值: -3.8628, 标准差: 2.7101e-15, 秩和检验: NaN

结果表明，BES算法与先进的元启发式算法相比具有良好的竞争力。

2、WSN三维覆盖优化

节点覆盖模型请参考这里。设监测区域为$50m\times 50m\times 50m$的三维空间，传感器节点个数$N=30$，其感知半径是$R_s=10m$，通信半径$R_c=20m$，迭代500次。初始部署、BES优化覆盖、BES算法覆盖率进化曲线如下图所示。



初始部署和最终部署的节点位置及对应的覆盖率分别为：

初始位置：
11.355     10.6859     45.5108
23.6948     38.0039     17.9437
39.04     28.4138     32.0174
11.2678     28.0826     6.184
35.4248     23.0105     29.1266
5.6009     23.7875     49.0823
1.4984     40.4425     4.9665
45.2987     25.2861     30.172
14.7928     43.2087     26.1744
40.5501     34.9131     12.925
17.8272     38.731     37.3643
24.74     17.2886     37.9234
36.8744     45.9769     33.2397
8.8947     32.7782     15.272
0.76551     34.2478     21.7975
0.60901     7.5409     45.952
4.7     5.0919     33.2258
10.6351     18.4079     22.9549
25.948     41.4826     13.0159
7.2619     17.2009     3.5199
29.1077     17.2104     27.5287
36.2125     14.1587     47.539
18.8416     10.1199     27.7225
45.7408     36.6001     16.3731
19.0302     33.108     48.6182
42.7329     15.2312     18.4167
34.8113     35.169     28.0572
17.3963     25.1443     32.101
33.7706     2.6527     17.9317
28.1219     23.9716     16.1304
初始覆盖率：0.58529
最优位置：
23.3301     7.5649     10.1457
32.2987     43.4768     28.1238
8.6367     31.6673     25.8398
18.7342     26.477     7.9212
41.5328     5.5618     33.492
7.407     42.1648     7.3691
42.3947     7.288     6.9286
41.6307     11.3935     19.8865
23.4839     41.823     39.2707
19.5873     23.7627     42.7448
43.1861     42.6604     40.7802
28.0911     8.5074     43.5312
10.8787     39.7735     44.1824
9.6583     5.4467     41.1743
26.7234     31.0121     21.5103
5.8826     7.3222     9.1887
44.7481     26.2892     8.6663
5.4409     22.3156     42.1666
5.4509     24.3118     8.7205
34.5923     30.3657     43.2803
28.4766     18.655     29.5572
42.7112     42.7322     16.3348
43.0147     28.3533     28.3847
44.439     17.2454     42.7903
32.0054     22.059     7.6883
9.3342     14.9256     25.8545
22.5243     4.539     28.5427
18.5496     43.9886     15.4828
31.6243     40.1809     5.562
7.5669     45.2224     29.7609
最优覆盖率：0.79426

实验结果表明，BES算法能够有效提升三维无线传感器网络中节点部署的覆盖率。

三、参考文献

[1] H. A. Alsattar, A. A. Zaidan, B. B. Zaidan. Novel meta-heuristic bald eagle search optimisation algorithm[J]. Artificial Intelligence Review, 2020, 53: 2237-2264.
[2] 贾鹤鸣, 姜子超, 李瑶. 基于改进秃鹰搜索算法的同步优化特征选择[J]. 控制与决策, 2022, 37(2): 445-454.
[3] Hernán Peraza-Vázquez, Adrián F. Peña-Delgado, Gustavo Echavarría-Castillo, et al. A Bio-Inspired Method for Engineering Design Optimization Inspired by Dingoes Hunting Strategies[J]. Mathematical Problems in Engineering, 2021, 2021: 9107547.